네이버플레이스

RSS

게시글: 53
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
Backoffice AI Agent 구축기 — RAG+MCP 기반 플레이스AI 특화 지식 검색 시스템
본 글은 백오피스에서 사용할 수 있는 AI 에이전트 구축 경험을 공유합니다. 특히 플레이스AI 서비스의 특화된 지식 검색 시스템을 RAG(Retrieval-Augmented Generation)와 MCP(Multi-Context Prompting) 기반으로 구축한 과정을 상세히 다룹니다. RAG는 LLM의 환각 문제를 줄이고 최신 정보를 반영하는 데 효과적이며, MCP는 복잡한 질문에 대해 여러 컨텍스트를 활용하여 더 정확하고 풍부한 답변을 생성하도록 돕습니다. 글에서는 이러한 기술들을 활용하여 내부 지식 검색 시스템을 어떻게 설계하고 구현했는지, 그리고 실제 서비스에 적용하면서 얻은 인사이트와 개선점에 대해 설명합니다. 이를 통해 LLM 기반 지식 검색 시스템 구축에 관심 있는 개발자들에게 실질적인 도움을 제공하고자 합니다.
AIRAGLLM
네이버플레이스·2025년 11월 13일
AI
네이버 지도 내비게이션, 꽃길만 가자 — 좁은 길 탐지 모델
네이버 지도 내비게이션 팀에서 내비게이션 서비스 품질 향상을 위해 개발한 '좁은 길 탐지 모델'에 대한 기술 블로그 글입니다. 내비게이션은 최단 거리, 교통 정보, 도로 품질 등 다양한 요소를 고려하여 최적의 경로를 안내하며, 특히 데이터 품질이 서비스 품질에 직결되므로 정확한 라벨 분류가 중요하다고 강조합니다. 도로의 너비를 기준으로 레벨을 부여하고, 이를 딥러닝 및 통계 모델링을 활용하여 추출하는 과정을 다룹니다. 이 모델을 통해 내비게이션이 더 정확하고 안전한 경로를 안내할 수 있도록 개선하는 것을 목표로 합니다.
네이버 지도내비게이션좁은 길 탐지
네이버플레이스·2024년 10월 2일
AI
Introduction to NAVER Place AI Development Team
이 글은 네이버 GLACE CIC의 AI 개발팀을 소개하는 글입니다. 필자는 AI 개발팀의 팀장으로서 팀의 미션과 실제 서비스에 AI 기술을 적용하는 방식에 대해 설명합니다. GLACE CIC는 레스토랑, 숙박, 미용실 등 오프라인 서비스를 온라인 플랫폼과 연결하는 'Place' 사업을 글로벌로 확장하는 것을 목표로 합니다. 글에서는 GLACE CIC에서 제공하는 서비스, AI 개발팀의 미션 및 개발/운영 중인 AI 제품, 그리고 서비스 AI 제품 운영 시 주요 고려사항에 대해 다룹니다. 특히, 팀이 실제 서비스에 AI 기술을 어떻게 활용하고 있는지, 그리고 서비스 AI 제품을 안정적으로 운영하기 위한 핵심 원칙들을 공유하며 AI 기술의 실질적인 가치 창출에 초점을 맞추고 있습니다.
NAVERAI 개발팀GLACE CIC
네이버플레이스·2023년 9월 8일
AI
ML model server gpu -> cpu 전환 경험 공유
G마켓 AI 개발팀은 GPU 기반 ML 모델 서버를 CPU 기반으로 전환하여 연간 약 4억 원의 비용을 절감한 경험을 공유합니다. 서비스 아키텍처는 App Server(FastAPI)와 Model Server(TorchServe)로 구성되며, CPU 집약적인 전처리 및 후처리는 App Server에서, 순수 추론은 Model Server에서 담당합니다. GPU 자원의 한계를 극복하고 대규모 모델 학습 및 다양한 모델 활용 목표 달성을 위해 기존 모델들을 CPU 서빙으로 전환하는 과정에서 성능 저하 없이 서비스 품질을 유지하는 것이 핵심 과제였습니다. 이 글은 이러한 전환 과정에서의 문제 정의와 처리량 및 지연 시간 측정 등 기술적인 내용을 다룹니다.
ML modelGPUCPU
네이버플레이스·2023년 7월 13일
AI
NAVER GLACE AI 개발팀은 어떤일을해?
네이버 GLACE AI 개발팀은 글로벌 O2O 서비스에 AI 기술을 적용하는 미션을 수행합니다. "Glace"는 Global과 Place의 합성어로, 한국 및 일본 등 해외 시장으로 진출하는 오프라인 서비스 연결을 목표로 합니다. 주요 서비스로는 네이버 플레이스, 예약, 마이플레이스 등이 있으며, 특히 3.5억 건 이상의 리뷰 데이터를 활용하여 사용자 경험을 개선하고 있습니다. AI 개발팀은 이러한 서비스에 머신러닝, 추천 시스템 등의 AI 기술을 적용하여 실제 서비스에 통합하고 운영하는 역할을 담당합니다. Business Owner를 위한 SmartPlace 도구 제공 및 통계 정보 활용도 중요한 부분입니다. 이 글은 GLACE CIC의 AI 개발팀이 어떤 일을 하는지, AI 기술을 서비스에 어떻게 적용하고 운영하는지에 대한 소개를 담고 있습니다.
GLACEAI 개발팀O2O
네이버플레이스·2023년 2월 2일
AI
서비스에서 야경 좋은 식당 찾기 — vision, semi-supervised learning, hierarchical classification
이 글은 네이버 플레이스 서비스에서 야경이 좋은 식당을 추천하는 시스템 개발 과정을 다룹니다. 핵심 기술로는 Vision, Semi-supervised learning, Hierarchical classification이 사용되었습니다. 특히, 이미지 분류 모델을 학습시키기 위해 레이블이 부족한 상황에서 준지도 학습(Semi-supervised learning)을 활용하여 성능을 높였습니다. 또한, 식당의 특징을 계층적으로 분류하는 Hierarchical classification 기법을 적용하여 더욱 정교한 추천을 가능하게 했습니다. 이를 통해 사용자는 원하는 분위기의 식당을 효과적으로 찾을 수 있으며, 서비스의 만족도를 높일 수 있습니다.
VisionSemi-supervised learningHierarchical classification
네이버플레이스·2021년 8월 19일
AI
NAVER G플레이스AI개발 부서의 ML Pipeline (유저추천 과제 사례 중심으로)
이 글은 네이버 플레이스 AI 개발팀에서 유저 추천 과제를 중심으로 경험한 ML 파이프라인 구축 사례를 공유합니다. 특히, 비슷한 음식점 취향을 가진 유저를 추천하는 모델 개발 과정을 상세히 다룹니다. 데이터 수집부터 전처리, 모델 학습, 평가, 그리고 실제 서비스 적용까지 이어지는 전 과정을 설명하며, 이 과정에서 겪었던 기술적 도전과 해결 방안을 제시합니다. 임베딩 기법을 활용한 사용자 및 아이템 표현 학습, 다양한 추천 알고리즘 적용, 그리고 ML 파이프라인의 효율적인 관리 및 운영 방안에 대한 인사이트를 제공합니다. 이를 통해 복잡한 AI 모델을 실제 서비스에 성공적으로 적용하기 위한 실질적인 경험과 노하우를 얻을 수 있습니다.
ML Pipeline유저 추천머신러닝
네이버플레이스·2021년 8월 6일
AI
비슷한 음식점 취향 유저 추천 모델 개발기
이 글은 네이버 예약 및 마이플레이스 서비스를 운영하는 Glace CIC에서 비슷한 음식점 취향을 가진 유저를 추천하는 모델을 개발한 경험을 공유합니다. 사용자의 방문 기록과 좋아요 행태를 분석하여 취향 플레이스 이력을 추출하고, 이를 언어 모델과 유사한 방식으로 처리하여 사용자별 임베딩 벡터를 생성합니다. 이 임베딩 벡터를 통해 유사한 취향을 가진 유저들을 추천하는 모델 개발 과정을 상세히 설명하며, AI를 활용한 서비스 품질 향상에 대한 내용을 담고 있습니다.
추천 시스템유저 추천음식점 추천
네이버플레이스·2021년 8월 5일
AI
지루하지 않게 코노미 사진 4만장 어노테이션하기 (머신러닝과 함께)
네이버 플레이스 CONOMI 개발팀에서 4만 장의 사진 데이터 어노테이션 작업을 효율적으로 수행하기 위한 머신러닝 기반 자동화 방안을 소개합니다. 수작업으로 진행될 경우 많은 시간과 노력이 소요되는 어노테이션 작업을, 머신러닝 모델을 활용하여 일부 자동화함으로써 작업 효율성을 높이는 방법을 다룹니다. 특히, 초기에는 수동 어노테이션으로 모델을 학습시키고, 이후 학습된 모델을 활용하여 새로운 데이터에 대한 어노테이션을 제안하거나 일부를 자동 완성하는 방식으로 진행됩니다. 이를 통해 반복적이고 지루한 어노테이션 작업의 부담을 줄이고, 데이터 품질을 유지하면서도 신속하게 대규모 데이터셋을 구축하는 방법을 제시합니다.
머신러닝어노테이션데이터 라벨링
네이버플레이스·2020년 9월 19일
AI
[Let’s Swift 2019] iOS 앱에서 머신러닝이 해결할 수 있는 문제들
본 글은 Let’s Swift 2019 컨퍼런스 발표 내용을 기반으로 iOS 앱 개발에서 머신러닝을 활용하여 해결할 수 있는 문제들을 다룹니다. 머신러닝 기술이 단순히 복잡한 알고리즘 구현을 넘어, 사용자 경험을 개선하고 새로운 기능을 제공하는 데 어떻게 기여할 수 있는지 구체적인 사례와 함께 설명합니다. 특히, 이미지 인식, 자연어 처리, 추천 시스템 등 다양한 분야에서 머신러닝을 적용하여 앱의 성능을 향상시키고 사용자 만족도를 높이는 방안을 제시합니다. Swift 언어와 함께 머신러닝 모델을 iOS 앱에 통합하는 과정에서의 고려사항과 실제 적용 사례를 통해 개발자들에게 실질적인 인사이트를 제공합니다.
iOS머신러닝Swift
네이버플레이스·2019년 11월 17일