당신을 위한 기술 개발 블로그 모음

devmoa

All Frontend Backend AI DevOps Architecture Etc

AI
키다리스튜디오의 QA 테스트 케이스 생성 자동화 — Amazon Bedrock과 LangGraph 활용 사례
키다리스튜디오는 웹툰/웹소설 플랫폼의 QA 테스트 케이스(TC) 생성 자동화를 위해 Amazon Bedrock의 Claude 모델과 LangGraph 기반 멀티 에이전트 아키텍처를 활용했습니다. 기존에는 숙련된 QA 엔지니어가 페이지당 3~4시간을 소요하며 수동으로 TC를 작성했으나, 이는 빠른 릴리스 주기에 큰 병목이었습니다. 새로운 시스템은 기획서 URL이나 이미지를 입력받아 2~5분 만에 TC 초안을 70~80% 커버리지로 자동 생성합니다. 초기 PoC는 LangChain을 사용했으나, 이후 LangGraph를 활용하여 멀티 에이전트 시스템으로 발전시켰습니다. 이 사례는 LLM을 활용한 QA 프로세스 혁신과 효율성 증대를 보여줍니다.
Amazon Bedrock AgentsLangGraphLLM
AWS·2026년 4월 30일
AI
캐릭터톡 출시기 1부
포스타입 백엔드 엔지니어가 신규 서비스 '캐릭터톡' 출시 과정을 공유하는 글입니다. AI 챗 시장의 성장 가능성을 보고, 4일간의 PoC(사업 가능성 검증)를 통해 캐릭터 챗 서비스의 사업성을 검증하고 출시까지 이어진 과정을 상세히 다룹니다. 특히, AI 챗 시장에 대한 이해를 바탕으로 TF를 구성하고, 목표 설정, 시스템 프롬프트 엔지니어링, 휴먼 테스트 등 실제 개발 과정에서의 경험과 비즈니스적 관점을 중심으로 설명합니다. 이 글은 AI 기술을 활용한 신규 서비스 개발의 초기 단계와 그 가능성을 탐색하는 과정을 보여줍니다.
캐릭터톡AI 챗PoC
포스타입·2026년 4월 30일
AI
비개발자의 AI 협업 도전기 — 생산성 측정하려다 서버까지 띄운 9일
기술 PM이 조직의 생산성 측정이라는 난제에 도전하며 AI 협업을 통해 맞춤형 도구를 직접 구현한 9일간의 여정을 기록한 글입니다. 기존 DevOps board와 Jira 대시보드의 한계를 느끼고, 개발 역량이 부족함에도 불구하고 AI의 도움을 받아 HTML 파일 하나로 가설을 검증하는 방식으로 시작했습니다. Jira 변경 기록 CSV를 파싱하여 이슈별 소요 시간을 계산하고 팀별, 이슈 타입별 집계 및 주차별 트렌드를 시각화하는 웹 대시보드 구축을 목표로 했습니다. AI에게 상세한 맥락과 데이터 형식, 기술적 한계를 명확히 전달하는 프롬프트 엔지니어링의 중요성을 보여주며, AI가 예외 상황을 먼저 고려하는 과정을 통해 문제 해결의 실마리를 얻었습니다. 이 글은 비개발자도 AI를 활용하여 실질적인 문제를 해결할 수 있음을 시사합니다.
AI 협업생산성 측정LLM
네이버·2026년 4월 29일
AI
한국어 파인튜닝된 SPLADE 기반 Neural Sparse 모델과 Amazon OpenSearch 하이브리드 검색 벤치마크
본 글은 한국어에 파인튜닝된 SPLADE v3 스타일의 Neural Sparse 모델을 Amazon OpenSearch Service에 배포하고, BM25, Titan Embedding V2 등 다양한 검색 방식과의 하이브리드 조합 성능을 MIRACL-ko 데이터셋으로 비교 분석합니다. 기존 BM25의 어휘 일치 한계를 극복하기 위한 Dense Vector 검색의 등장과 그 한계점을 설명하며, Sparse, Dense, Lexical 검색 방식의 장단점을 비교하고 실제 검색 시스템 구축 시 어떤 방식을 선택해야 할지에 대한 판단 기준을 제시합니다. 코드와 정량 지표를 중심으로 설명하여 실용적인 정보를 제공하며, LLM 기반 검색의 가능성을 탐색합니다.
SPLADENeural Sparse ModelAmazon OpenSearch
AWS·2026년 4월 29일
AI
EfficientDet-Lite0 모델을 활용한 실시간 객체 탐지 (Raspberry Pi 5)
본 글은 SK AX의 송영목님이 작성한 기술 블로그로, Raspberry Pi 5 환경에서 EfficientDet-Lite0 모델을 활용한 실시간 객체 탐지 구현 방법을 소개합니다. TensorFlow Lite는 엣지 디바이스 전용 경량 딥러닝 프레임워크로, 제한된 컴퓨팅 환경에서도 AI 모델을 효율적으로 실행할 수 있게 합니다. 특히 온디바이스 AI 트렌드에 맞춰 네트워크 의존성 감소, 실시간 처리 성능 향상, 프라이버시 보호, 저전력 환경 최적화 등의 장점을 제공합니다. TensorFlow Lite는 경량화된 모델 구조와 빠른 추론 속도를 강점으로 가지지만, 정확도 손실 가능성과 모델 변환 과정의 복잡성이라는 단점도 있습니다. 글에서는 Raspberry Pi 5와 같은 환경에서 TFLite를 사용하는 이유와 장단점을 설명하며, 샘플 코드 작성을 통해 실질적인 구현 가능성을 제시합니다.
TensorFlow Lite객체 탐지Raspberry Pi 5
데보션·2026년 4월 29일
AI
[CX Data Trend] 다음 방문자는 사람이 아닐 수 있다
이 글은 2026년 하반기부터 웹사이트 방문자의 상당수가 AI 에이전트가 될 것이라는 전망을 제시하며, 이에 대비해야 하는 이유를 설명합니다. AI 에이전트가 사용자를 대신하여 검색, 비교, 결제까지 수행하는 '에이전틱 커머스' 시대를 맞아, 기업들은 전환율이 높은 트래픽 소스를 놓치지 않기 위해 준비해야 합니다. Google과 Shopify가 발표한 UCP(Universal Commerce Protocol)와 Gartner의 2026년 10대 전략 기술 트렌드 선정 사례를 통해 에이전틱 커머스의 개념을 소개하고, 한국 시장에서의 초기 현황을 분석합니다. 또한, 인간 중심의 UX에서 AI 에이전트 경험을 포함하는 MX(Machine Experience)로 지표를 재정의할 필요성을 제기하며, 진단부터 실행까지 가능한 로드맵을 제시합니다.
AI 코딩 에이전트에이전틱 커머스Gartner
뷰저블·2026년 4월 29일
AI
AI Native 제품의 GTM 을 위한 과금 모델 통합 전략
본 글은 Agentic AI 시대에 AI 제품의 성공적인 글로벌 Go-To-Market(GTM) 전략 수립을 위한 과금 모델 통합 전략을 다룹니다. 2025년 7월 AWS Marketplace에 AI 에이전트 및 도구 카테고리가 신설되면서, AI 제품 제공자에게는 글로벌 시장 진출 기회가 열렸지만 동시에 적절한 과금 모델 선택의 중요성이 더욱 커졌습니다. 글에서는 AWS Marketplace의 다양한 AI 제품 카테고리와 배포 옵션을 소개하고, 고객이 AWS 통합 결제를 통해 간편하게 구매 및 관리할 수 있는 이점을 설명합니다. 또한, AI 제품 제공자가 자신의 제품 특성에 맞는 최적의 과금 모델을 선택하고 AWS Marketplace API와 통합하는 구체적인 방법을 제시하여, 효과적인 GTM 실행과 고객 가치 증대를 목표로 합니다.
AI 코딩 에이전트과금 모델GTM 전략
AWS·2026년 4월 28일
AI
지피지기면 백전불태 5편: Cerebras와 웨이퍼 스케일 엔진
AI 반도체 스타트업 Cerebras의 웨이퍼 스케일 엔진(WSE) 아키텍처를 소개하는 글입니다. Cerebras는 칩 크기의 한계와 기기 간 통신 병목 현상을 해결하기 위해 웨이퍼 전체를 하나의 칩으로 사용하는 WSE를 개발했습니다. 이는 칩 외부로 오가는 데이터를 웨이퍼 내부에서 처리하여 AI 학습 및 추론 성능을 극대화하는 것을 목표로 합니다. 최근 OpenAI와의 대규모 계약 소식으로 주목받고 있으며, WSE-3 아키텍처와 웨이퍼 스케일 칩의 장단점을 비전공자도 이해하기 쉽게 설명합니다. 이 기술은 LLM과 같은 대규모 AI 모델의 효율적인 연산 처리에 기여할 것으로 기대됩니다.
CerebrasWafer-Scale EngineWSE-3
하이퍼엑셀·2026년 4월 27일
AI
에이전틱 AI와 Amazon Bedrock AgentCore를 활용한 전문가 팀 시뮬레이션
이 글은 AWS Spatial Computing Blog의 "Simulating Expert Teams with Agentic AI and Amazon Bedrock AgentCore"를 번역 및 편집한 내용입니다. 여러 전문 분야에 걸친 기술적 질문에 답하는 과정에서 발생하는 전문가 조율의 어려움을 해결하기 위해, AI가 전문가 팀을 대체하는 것이 아니라 초기 리서치와 종합 과정을 가속화하는 방안을 제시합니다. 복잡한 기술 질문이 여러 도메인에 걸쳐 있을 때 발생하는 마찰을 줄이기 위해, 각 도메인을 대표하는 AI 에이전트와 질문을 라우팅하고 팀을 구성하는 코디네이터로 이루어진 멀티 에이전트 AI 시스템을 구축하는 실험을 소개합니다. 이 시스템은 에이전틱 AI 애플리케이션 구축을 위한 AWS의 관리형 서비스인 Amazon Bedrock AgentCore에서 실행되며, 멀티 에이전트 오케스트레이션을 위한 오픈소스 SDK인 AWS Strands Agents로 구축되었습니다. 이를 통해 초기 리서치와 크로스 도메인 조율을 처리하여 아키텍처 초안이나 솔루션 접근 방식을 생성하는 것을 목표로 합니다.
에이전틱 AIAmazon Bedrock Agents멀티 에이전트
AWS·2026년 4월 27일
AI
바이브 코딩을 넘어 AI 시대 개발 프로세스
이 글은 AI 시대의 새로운 개발 방식인 '바이브 코딩'의 등장과 그 한계를 조명합니다. AI가 코드를 생성하는 데 탁월한 능력을 보이지만, 프로젝트가 커질수록 코드 구조의 유지보수와 맥락의 지속성 문제가 발생합니다. 이를 해결하기 위해 AI 협업 개발은 프롬프트 엔지니어링에서 시작하여 컨텍스트 엔지니어링으로 진화하고 있으며, 이는 AI가 프로젝트의 맥락과 규칙을 이해하도록 구조화된 정보를 제공하는 방식입니다. 글은 이러한 AI 협업 개발의 4단계 패러다임을 제시하며, 각 단계가 이전 단계의 한계를 보완하고 레이어처럼 쌓여가는 관계임을 설명합니다. 궁극적으로 AI 시대의 개발은 단순히 코드를 생성하는 것을 넘어, 프로젝트 상태를 효과적으로 유지하고 관리하는 방식으로 나아가고 있음을 시사합니다.
AIVibe Coding프롬프트 엔지니어링
게임빌컴투스플랫폼·2026년 4월 27일
AI
LiteRT 등 4월 넷째 주 Google for Developers 위클리 업데이트를 지금 확인하세요!
이 글은 2026년 4월 넷째 주 Google for Developers Korea Blog의 주요 업데이트 소식을 전합니다. 특히 AI & Machine Learning 분야의 LiteRT와 NPU를 활용한 실무 환경에서의 온디바이스 AI 구축에 대한 내용을 다룹니다. Google은 개발자들이 최신 기술 동향을 파악하고 실제 서비스에 적용할 수 있도록 다양한 개발자 제품 및 도구에 대한 정보를 제공하고 있습니다. 이번 업데이트는 온디바이스 AI 기술의 발전과 적용 가능성을 보여주며, 개발자들에게 새로운 인사이트를 제공할 것으로 기대됩니다.
LiteRTNPU온디바이스 AI
구글디벨로퍼스·2026년 4월 24일
AI
ODW #4: 코파일럿에서 파일럿으로, 에이전틱 코딩으로 구현부터 PR까지 자동화
LY Corporation의 Hirano님이 Yahoo! 파이낸스 프런트엔드 개발팀에서 겪었던 AI 활용의 어려움과 이를 극복하기 위한 '에이전틱 코딩' 도입 과정을 공유합니다. 기존에는 GitHub Copilot 등을 활용해도 생산성 향상을 크게 체감하기 어려웠으나, 명세 주도 개발(SDD) 방식과 사내 시스템(Jira, Confluence)을 AI 및 MCP와 연동하는 전환점을 맞이했습니다. 에이전틱 코딩은 에이전트가 고수준 목표를 받아 단계별로 분해하고 자율적으로 실행하며 피드백을 통해 조정하는 개발 방식으로, 기존 코드 제안 방식에서 나아가 개발 프로세스 전반의 자동화를 목표로 합니다. 이 글은 Orchestration Development Workshop에서 공유된 내용을 바탕으로 에이전틱 코딩의 기획 배경과 팀 내 확산 과정을 소개합니다.
에이전틱 코딩AI 활용GitHub Copilot
라인·2026년 4월 24일
AI
The Human: 점수 너머의 판단
이 글은 AI 네이티브 채용 시리즈의 세 번째 파트로, AI가 생성한 코드를 사람이 직접 평가하는 과정에서 발생하는 어려움과 한계를 다룹니다. AI 코딩 에이전트의 발전으로 인해 후보자의 실제 역량과 AI의 도움을 받은 결과물을 구분하기 어려워졌습니다. 특히, Functional Gate는 결과 중심의 평가 방식을 사용하지만, 코드만으로는 작성자의 사고 과정을 파악하기 어렵다는 문제가 있습니다. 또한, AI 에이전트를 활용하면 일관된 결과물을 반복적으로 생성할 수 있어 재현성 측면에서도 평가가 복잡해집니다. 글은 이러한 점수 너머의 판단, 즉 사람이 직접 확인해야 하는 부분과 앞으로 남은 질문들에 대해 이야기하며, AI 시대 채용의 새로운 과제를 제시합니다.
AI 네이티브 채용채용 과정AI 코딩 에이전트
무신사·2026년 4월 23일
AI
AI 시대의 필수 소비재, 메모리 이해하기 1편: HBF 이해하기
본 글은 AI 시대의 필수 소비재인 메모리에 대한 이해를 돕기 위한 1편으로, HBF(High Bandwidth Flash)에 초점을 맞춰 기술적으로 분석합니다. SRAM, DRAM, HBM, NAND와 같은 다양한 메모리 종류의 셀 구조와 물리적 특성을 설명하며, 특히 HBF가 기존 메모리 계층 구조에서 어떤 역할을 수행하며 부족한 부분을 채우는지 심층적으로 다룹니다. AI 기술의 발전과 함께 메모리 기술의 중요성이 증대되고 있음을 강조하며, 메모리 계층 구조의 필요성과 각 메모리 타입의 특징을 이해하는 것이 AI 시대의 기술 발전을 따라가는 데 필수적임을 시사합니다.
AI메모리HBF
하이퍼엑셀·2026년 4월 23일
AI
토스플레이스 데이터봇 ‘판다(PANDA)’를 소개합니다 : 모든 팀원이 데이터 전문가처럼 일하는 방법
토스플레이스에서 개발한 데이터 분석 어시스턴트 '판다(PANDA)'를 소개합니다. 판다는 팀원들이 질문만으로 필요한 데이터를 손쉽게 조회하고 활용할 수 있도록 지원하여 데이터 민주주의를 실현하는 것을 목표로 합니다. 기존에는 데이터 분석가들이 수십 개의 대시보드를 확인하거나 복잡한 SQL 코드를 작성해야 했지만, 판다를 통해 단순 데이터 추출 요청의 70%를 자동화하여 팀원들에게는 즉각적인 데이터 경험을, 분석가들에게는 심층 분석에 집중할 시간을 제공합니다. LLM 기술을 활용하여 텍스트 기반의 질의응답 방식으로 데이터를 제공하며, 이를 통해 모든 팀원이 데이터 전문가처럼 일할 수 있는 환경을 조성하고자 합니다.
데이터 분석데이터봇LLM
토스·2026년 4월 23일
AI
모두가 데이터를 다루는 AI 시대, 지난 1년간 데이터 팀은 어떻게 달라졌을까?
본 글은 AI 시대에 데이터 팀이 어떻게 변화하고 있는지 당근 데이터가치화팀의 경험을 바탕으로 공유합니다. AI는 더 이상 데이터 조직 바깥의 일이 아니며, 팀 전체가 AI 활용 워크샵을 통해 업무 방식의 변화를 모색했습니다. AI는 SQL 초안 작성, Claude Code를 활용한 서버 개발, BigQuery API 연동 등 반복적이고 기계적인 데이터 업무를 효율화하는 데 기여하고 있습니다. 또한, 데이터 품질 이슈 발생 시 영향 범위 파악 및 파이프라인 실패 원인 분석에도 AI가 활용되어 업무 속도를 높이고 있습니다. 이러한 변화는 데이터 업무 방식뿐만 아니라 플랫폼의 형태와 조직의 역할까지 재정의하고 있음을 시사합니다.
AI데이터 팀데이터 조직
당근마켓·2026년 4월 23일
AI
AI 네이티브 디자인 플레이북
이 글은 AI 기술 발전으로 인해 기존의 디자인 및 개발 워크플로우가 어떻게 변화해야 하는지를 다룹니다. 버즈빌 디자인 팀은 6명으로 5개의 웹 애플리케이션을 배포하며 Figma 사용을 최소화하고, 엔지니어링 스프린트 할당, 핸드오프 티켓, 대기 시간 없이 빠르게 작업했습니다. AI 보조 코딩으로 엔지니어의 생산성이 크게 향상되면서, 디자이너가 목업을 완성해야만 개발이 시작되는 전통적인 방식은 병목 현상을 일으킵니다. 글에서는 AI 네이티브 디자인 워크플로우의 필요성을 강조하며, 디자이너의 역할이 목업 제작에서 엔지니어와의 실시간 협업 및 조율로 변화하고 있음을 보여줍니다. 이는 LLM과 같은 AI 기술이 디자인 프로세스에 미치는 영향을 구체적인 데이터와 함께 설명합니다.
AI 네이티브디자인 워크플로우버즈빌
버즈빌·2026년 4월 23일
AI
하네스 엔지니어링으로 본 Deep Insight – 로컬 개발에서 프로덕션 운영까지의 설계 여정
본 글은 AWS Korea SA Team이 개발한 프로덕션 Multi-Agent 시스템 'Deep Insight'의 설계 여정을 다룹니다. AI에게 단순히 작업을 지시하는 것을 넘어, AI가 스스로 만들고 평가하며 개선하는 Agentic 시스템 설계의 기술적 도전 과제를 해결하기 위한 방안을 제시합니다. 특히, 에이전트 로직 구현 후 장기간 안정적인 운영 환경을 구축하기 위한 '하네스 엔지니어링' 관점에서의 설계 결정과 로컬 개발부터 AWS 프로덕션 인프라 전환까지의 과정을 상세히 설명합니다. Deep Insight는 사용자가 업로드한 CSV 데이터와 분석 질문을 받아 DOCX 리포트를 생성하는 시스템으로, Context Engineering 기법과 함께 프로덕션급 Agentic AI 시스템 구축을 위한 실질적인 경험과 해결책을 공유합니다.
Agentic AIMulti-Agent SystemHarness Engineering
AWS·2026년 4월 22일
AI
2부: 정책을 따르는 평가자, LLM-as-a-Judge
본 글은 Tinder의 AI-enabled Discovery 서비스에서 LLM을 활용하여 "당신은 왜 이 사람과 잘 맞을까요?"라는 질문에 답하는 설명을 생성하는 모듈 개발 과정을 다룹니다. 특히, 사람이 만든 설명 정책을 LLM Judge로 구조화하여 평가를 자동화하고, 이를 통해 디버깅 및 데이터 정제에 활용한 경험을 공유합니다. LLM 모델 개발을 위해서는 제품적 의사결정과 기술적 의사결정을 모두 고려한 엄밀한 "설명 정책" 수립이 필수적임을 강조하며, 이러한 정책을 실제 평가 시스템으로 구현하는 구체적인 방법을 소개합니다.
LLMLLM-as-a-Judge평가 자동화
하이퍼커넥트·2026년 4월 22일
AI
1부: 데이터도 정답도 없다: 하이퍼커넥트가 LLM을 길들이는 법
이 글은 Tinder의 AI-enabled Discovery 프로젝트를 예시로, 정답 데이터가 없는 open-ended generation 문제에서 '좋은 설명'을 정의하고 사람이 일관되게 평가할 수 있는 정책을 수립하는 과정을 다룹니다. 소개팅 주선자의 비유를 통해 설명의 중요성을 강조하며, LLM을 활용한 설명 생성 및 평가의 어려움과 이를 해결하기 위한 하이퍼커넥트의 접근 방식을 소개합니다. 특히, 명확한 정답이 없는 상황에서 어떻게 평가 기준을 세우고 일관성을 유지할 수 있는지에 대한 고민을 공유하며, 이는 LLM 기반 서비스 개발에 있어 중요한 시사점을 제공합니다. 2부에서는 LLM-as-a-Judge를 설계한 과정을 다룰 예정입니다.
LLMopen-ended generation설명 생성
하이퍼커넥트·2026년 4월 22일