무신사

RSS

게시글: 118
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

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
The Machine: AI가 AI 활용 코드를 평가하다
본 글은 AI 네이티브 채용 시리즈의 두 번째 이야기로, AI가 AI 활용 코드를 평가하는 시스템 'The Machine'을 구축하고 고도화한 경험을 공유합니다. 대규모 코딩 과제 평가에 필요한 복잡한 프로세스를 자동화하기 위해 멀티 에이전트 시스템을 설계하고, Git 클론부터 보안 스캔, 빌드, 테스트, 그리고 AI 기반의 채점 및 등급 분류까지 전 과정을 자동화했습니다. 특히, "정원이 1명 남은 강좌에 100명이 동시에 신청하면 정확히 1명만 성공해야 한다"와 같은 동시성 문제를 해결하는 코드를 AI 에이전트가 얼마나 잘 구현하는지를 평가하는 데 중점을 두었습니다. 이 과정에서 AI 에이전트의 능력을 향상시키기 위한 하네스 설계와 반복적인 개선 과정을 상세히 설명하며, AI 기반 채용 시스템의 가능성을 탐구합니다.
AI채용코드 평가
무신사·2026년 4월 20일
AI
Gemini 기반 테스트 케이스 자동화 실패와 성공기
본 글은 Gemini와 같은 LLM을 활용하여 테스트 케이스(TC) 작성 업무를 자동화하려는 시도의 경험을 공유합니다. QA 엔지니어에게 TC 작성은 필수적이지만 많은 시간과 리소스가 소모되는 작업입니다. 이에 팀은 AI를 통해 이 과정을 효율화하고 확보된 시간을 다른 생산적인 업무에 투자하고자 했습니다. 초기 스터디 단계에서는 비교적 단순한 과제에 대해 Gemini에게 TC 설계를 요청하여 실무 적용 가능성을 확인했습니다. 다양한 프롬프트 접근 방식을 시도한 결과, 20~38건의 유의미한 TC를 도출하며 가능성을 발견했습니다. 그러나 더 복잡한 실제 과제에 적용하려 했을 때 예상치 못한 난관에 봉착하며 실패를 경험했습니다. 이 글은 이러한 실패와 성공 경험을 통해 AI 기반 TC 자동화의 현실적인 어려움과 개선 방향을 탐색합니다.
Gemini테스트 케이스자동화
무신사·2026년 4월 15일
AI
AI한테 테스트 코드를 맡겼더니 커버리지가 8배 올랐다
무신사 모바일개발팀에서 iOS 프로젝트의 낮은 테스트 커버리지(9.82%) 문제를 해결하기 위해 AI를 활용한 경험을 공유합니다. 기존의 수동 테스트 코드 작성 방식은 리팩터링의 어려움, 긴 QA 기간, 신규 개발자의 코드 파악 어려움 등 여러 문제를 야기했습니다. 이에 팀은 AI를 테스트 코드 작성의 핵심 도구로 활용하고, 개발자는 비즈니스 로직 검증 및 품질 관리에 집중하는 방식으로 역할 분담을 했습니다. AI가 일관된 테스트 코드를 생성하도록 체계적인 프롬프트 설계를 적용했으며, 그 결과 테스트 커버리지를 79%까지 끌어올리는 성과를 달성했습니다. 이 글은 AI를 활용하여 개발 생산성과 코드 품질을 향상시키는 구체적인 방법론을 제시합니다.
AI테스트 코드테스트 커버리지
무신사·2026년 4월 5일
AI
후기 10만 개, 다 읽고 계신가요? - AI 후기 요약 기능 도입기
무신사에서 10만 개 이상의 상품 후기를 효과적으로 요약하기 위해 AI 후기 요약 기능을 도입한 경험을 공유합니다. 후기가 많을수록 고객이 원하는 정보를 찾기 어려워지는 문제를 해결하고자, AI가 후기를 대신 읽고 정리해주는 방안을 모색했습니다. 프로덕트 관점에서는 고객이 가장 궁금해하는 정보(사이즈, 핏, 소재 등)를 중심으로 '키워드 요약'과 '장단점 요약'이라는 두 가지 요약 방식을 설계했습니다. 엔지니어링 관점에서는 이러한 요약 기능을 구현하기 위한 기술적 선택과 고민 과정을 다루며, 실제 도입 사례를 통해 얻은 인사이트를 공유합니다.
AI후기 요약LLM
무신사·2026년 3월 30일
AI
To. MUSINSA ROOKIES
무신사가 처음으로 진행한 AI 네이티브 신입 엔지니어 공개 채용 '무신사 루키즈'의 기술 채용 프로세스를 총괄한 Tao님이 합격자 66명에게 보낸 편지입니다. 이 글은 합격자들이 거쳐온 채용 과정의 의도와 앞으로의 여정에 대한 내용을 담고 있습니다. 1차 온라인 코딩 테스트에서는 기본적인 문제 해결 역량을, 2차 AI Agent 코딩 테스트에서는 '무엇을 만들지' 정의하는 힘을 평가했습니다. AI 시대에는 구현 능력보다 문제 정의 능력이 중요해지고 있으며, "제대로 된 시스템"이라는 요구사항의 의미를 깊이 파고드는 능력이 핵심임을 강조합니다.
AI 네이티브 채용신입 엔지니어채용
무신사·2026년 3월 29일
AI
AI를 쓰는 회사 vs AI를 만드는 회사
이 글은 AI 기술을 활용하는 회사가 단순히 빠른 LLM 실험을 넘어, 장기적인 데이터 자산을 구축하는 자체 AI 전략으로 전환해야 하는 필요성을 강조합니다. 오프라인 매장의 '핏 경험'을 온라인으로 확장하려는 고민에서 시작된 프로젝트를 예시로 들며, 초기에는 외부 LLM을 활용해 아이디어를 빠르게 검증하고 가능성을 확인하는 단계를 거쳤음을 설명합니다. 하지만 이러한 빠른 실험만으로는 지속적인 성장을 이루기 어렵다는 점을 지적하며, 고객의 '나의 몸 기준' 쇼핑 경험에 대한 니즈를 파악하고, 오프라인에서의 체형 분석 경험을 온라인으로 연결하는 과정에서 데이터 자산의 중요성을 역설합니다. 궁극적으로는 자체적인 AI 전략 수립을 통해 경쟁력을 확보해야 함을 시사합니다.
LLMAI 전략체형 분석
무신사·2026년 3월 19일
AI
“힘세고 강한 아침”을 넘어: GPT-4o-mini를 대체할 TranslateGemma 실험기
이 글은 백엔드 개발자가 운영 관점에서 상용 LLM 번역 모델(GPT-4o-mini)의 한계를 극복하기 위해 자체 온프레미스 번역 모델(TranslateGemma)을 구축한 경험을 공유합니다. 상용 모델은 패션 도메인 특화 용어 오역, 음차 번역, 구어체 잔존 등의 문제와 함께 리뷰 번역량 증가에 따른 비용 부담이 있었습니다. 이를 해결하기 위해 자체 모델 구축을 고려했으며, 운영 리스크 감소와 비용 절감을 목표로 실험을 진행했습니다. 글에서는 이러한 문제점과 온프레미스 모델 구축의 필요성을 강조하며, 실제 실험 과정을 통해 상용 모델의 대안을 모색하는 과정을 담고 있습니다.
LLM번역 모델GPT-4o-mini
무신사·2026년 3월 15일
AI
The Philosophy: AI Native Hiring
본 글은 무신사에서 진행된 AI 네이티브 엔지니어 채용 경험을 공유하는 시리즈의 첫 번째 파트입니다. 2026년 1월, 수백 명의 지원자를 대상으로 AI 파이프라인을 통해 채용 과정을 자동 평가한 경험을 바탕으로 합니다. 'AI 네이티브'라는 개념을 정의하며, 인터넷, 스마트폰 시대의 네이티브와 비교하여 AI 시대를 살아가는 새로운 세대를 설명합니다. 이들은 AI를 당연한 환경으로 받아들이며, 기존의 '교정' 방식 대신 AI 네이티브 세대가 잘하는 것을 활용하는 새로운 접근 방식의 필요성을 강조합니다. AI를 도구로 활용하는 것을 넘어, AI와 함께 성장하는 인재를 채용하는 철학을 제시합니다.
AI 네이티브 채용채용평가 자동화
무신사·2026년 3월 13일
AI
무신사의 AI 코드 리뷰 프로세스 구축기
무신사 Core Engineering/Personalization 팀에서 LLM 기반 AI 코드 리뷰 프로세스를 구축한 경험을 공유하는 글입니다. 과거에는 높은 구축 비용과 복잡한 인프라 운영의 어려움이 있었지만, Anthropic의 Claude Code Action v1 출시로 기술적 진입 장벽이 낮아졌습니다. 이 글은 AI를 단순 코드 생성을 넘어 협업 과정 전체를 증강하는 도구로 활용하는 데 초점을 맞춥니다. AI 코드 리뷰는 변경 사항 요약, 인라인 코드 개선 제안, 잠재적 버그 발견 등을 통해 리뷰 병목을 줄이고 팀 전체의 코드 품질 기준을 높이는 데 기여합니다. 시행착오를 거쳐 운영 가능한 수준의 인프라와 표준화된 프로세스를 구축한 과정을 담고 있습니다.
AI 코드 리뷰LLM무신사
무신사·2026년 2월 9일
AI
AI와의 성공적인 첫 Co Work — 바이브 코딩으로 탄생된 맞춤형 Testcase Management System (29TMS)
이 글은 무신사 QE팀에서 AI와의 성공적인 협업을 통해 맞춤형 테스트케이스 관리 시스템(29TMS)을 개발한 경험을 공유합니다. LLM 기반의 '바이브 코딩'을 활용하여 기존의 수동적인 테스트케이스 작성 방식에서 벗어나, AI와 함께 효율적이고 체계적인 테스트케이스를 생성하는 과정을 상세히 설명합니다. 특히, AI의 도움을 받아 테스트케이스의 품질을 높이고 개발 생산성을 향상시킨 구체적인 사례와 그 과정에서 얻은 인사이트를 다룹니다. 이 경험은 AI 기술을 실제 업무에 적용하여 생산성을 극대화하려는 다른 팀들에게도 유용한 참고 자료가 될 것입니다.
AILLM바이브코딩
무신사·2025년 11월 23일
AI
AI와의 성공적인 첫 Co Work — 바이브 코딩으로 탄생된 맞춤형 Testcase Management System (29TMS)
29CM QE팀에서 AI와의 성공적인 협업을 통해 맞춤형 테스트케이스 관리 시스템(29TMS)을 개발한 경험을 공유합니다. LLM 기반의 '바이브 코딩'을 활용하여 기존 시스템의 한계를 극복하고, 효율적인 테스트케이스 생성 및 관리 방안을 모색했습니다. 이 과정에서 AI와의 협업이 어떻게 실제 서비스 개선으로 이어질 수 있는지, 그리고 앞으로 AI 기술을 어떻게 더 발전시켜 나갈지에 대한 인사이트를 제공합니다. 특히, AI를 활용한 코드 생성 및 테스트 자동화 가능성에 주목하며, QE팀의 생산성 향상과 품질 관리 고도화에 기여한 29TMS의 개발 배경과 성과를 상세히 다룹니다.
AILLM바이브 코딩
무신사·2025년 11월 23일
AI
AI뒤에 사람 있어요: Human-in-the-loop를 위한 VLMOps 어드민 구축기
이 글은 AI 모델과 사람의 협업 과정(Human-in-the-loop)에서 발생하는 비효율을 해결하기 위해 자체 개발한 'VLMOps 어드민' 구축 경험을 공유합니다. AI 기술 발전에도 불구하고 실제 서비스 적용 시에는 예외 상황 판단, 데이터 편향 보정, 서비스 맥락 고려 등 사람의 개입이 필수적입니다. 글에서는 상품 카테고리 분류와 속성 추출 과정에서 발생하는 실제 예외 사례를 제시하며, 사람이 어떻게 더 적합한 판단을 내릴 수 있는지 보여줍니다. 이러한 사람의 개입을 효율적으로 관리하고 AI 모델의 성능을 지속적으로 개선하기 위한 통합 관리 시스템의 중요성을 강조하며, 데이터 검증부터 모델 평가까지 전 과정을 아우르는 VLMOps 어드민의 필요성을 역설합니다.
Human-in-the-loopVLMOpsAI 모델
무신사·2025년 10월 19일
AI
AI뒤에 사람 있어요: Human-in-the-loop를 위한 VLMOps 어드민 구축기
이 글은 AI 모델과 사람의 협업 과정(Human-in-the-loop)에서 발생하는 비효율을 해결하기 위해 자체 개발한 'VLMOps 어드민' 구축 경험을 공유합니다. AI 기술 발전에도 불구하고, 실제 서비스 적용 시에는 예외 상황 판단, 데이터 편향 보완, 서비스 맥락 고려 등 사람의 개입이 필수적입니다. 글에서는 상품 분류 과정의 실제 사례를 통해 AI의 한계와 사람이 필요한 이유를 설명하고, 데이터 검증부터 모델 평가까지 전 과정을 통합 관리하는 VLMOps 어드민의 필요성을 강조합니다. 이를 통해 AI와 사람의 효과적인 협업을 위한 시스템 구축 방안을 제시합니다.
Human-in-the-loopVLMOpsAI 모델
무신사·2025년 10월 19일
AI
Spring AI와 Typesense로 1,400명의 질문에 답변하기
본 글은 무신사 글로벌 개발팀에서 Spring AI와 AWS Bedrock, AWS Kendra를 활용하여 1,400명의 사용자 질문에 답변하는 시스템을 구축한 경험을 공유합니다. AI 시대에 발맞춰 서비스에 AI 기능을 도입하고자 AWS Bedrock을 AI 모델로, Spring AI를 도구 정의 및 실행 흐름 제어 기반으로 활용했습니다. 특히, 보안을 중시하여 기업 내부 데이터 유출 위험이 없는 Bedrock을 선택했습니다. 검색 엔진으로는 AWS Kendra를 도입하여 Confluence 문서들을 벡터화하고 의미 검색을 가능하게 했습니다. Kendra는 Confluence와의 연동이 간편하며, 페이지와 첨부파일을 학습하고 특정 Space만 크롤링하도록 설정하여 효율성을 높였습니다. 이를 통해 사용자의 질문에 대해 AI가 적절한 도구를 사용하여 답변하는 시스템 아키텍처를 구성했습니다.
Spring AIAmazon Bedrock AgentsAWS Kendra
무신사·2025년 8월 25일
AI
“이 옷 뭐지?” 스냅 이미지를 AI로 검색해 본 6주간의 여정
무신사 광고n인플루언서 팀은 사용자가 스냅 이미지 속 상품을 쉽게 찾도록 돕기 위해 6주간 AI 기반 이미지 검색 PoC를 진행했습니다. 기존 스냅 콘텐츠의 상품 정보가 수동 태그에 의존하는 문제를 해결하고자, 이미지 자체를 검색어로 활용하는 방안을 모색했습니다. 이 PoC는 Hugging Face의 공개 모델과 AWS의 AI 서비스(LLM, Embedding Model)를 활용하여 이미지 기반 검색을 위한 객체 탐지, 이미지 임베딩, 대규모 벡터 검색, 그리고 자연어 검색 환경 구축까지 End-to-End 파이프라인을 검증했습니다. 이를 통해 태그 없이도 사용자가 원하는 상품을 찾고 새로운 스타일과 인플루언서를 발견하는 경험의 기술적 기반을 마련하는 것을 목표로 했습니다.
이미지 검색객체 탐지임베딩
무신사·2025년 8월 10일
AI
LangChain 기반 지능형 자동화 도입기
29CM 세일프라이싱팀은 반복적인 고객 지원(CS) 업무로 인해 개발 생산성이 저하되는 문제를 겪었습니다. CS 업무 한 건당 평균 30분이 소요되어 하루 약 100분, 스프린트당 8시간 이상을 할애해야 했습니다. 이러한 비효율성을 해결하기 위해 LangChain 기반의 AI Bot을 개발했습니다. 이 Bot은 LLM과 RAG 기술을 활용하여 CS 업무를 자동화하고, 반복적인 작업을 30분에서 3분으로 단축하는 성과를 거두었습니다. 또한, Spring Boot와의 연동을 통해 실제 운영 환경에 적용하는 방법도 공유합니다. 이 사례는 AI 기술을 활용하여 개발팀의 생산성을 높이고 더 빠르고 정확한 고객 지원을 제공하는 방법을 보여줍니다.
LangChainLLMRAG
무신사·2025년 8월 3일
AI
당신이 보는 첫 화면은 어떻게 정해질까? 무신사 홈 배너 개인화 추천 이야기
무신사 타겟팅ML팀은 디스플레이 지면의 CTR 개선을 위해 홈 배너 개인화 추천 로직을 개발했습니다. 고객의 다양한 취향과 니즈를 반영하여 각 스토어 홈 상단 빅배너 노출 방식을 개인화함으로써 CTR을 극대화하는 것이 목표입니다. 이 프로젝트는 무신사 서비스의 첫인상을 결정하는 중요한 요소인 홈 배너의 개인화 경험을 향상시키는 데 중점을 두었습니다. LLM과 같은 AI/ML 기술을 활용하여 고객 맞춤형 콘텐츠를 제공하고, 이를 통해 전반적인 고객 경험을 개선하고자 합니다.
개인화 추천머신러닝LLM
무신사·2025년 6월 1일
AI
AI와 함께하는 패션 큐레이션 — 무신사 2.0 시나리오 기반 추천 시스템 개발
무신사 데이터사이언스 팀은 무신사 2.0 개편을 맞아 기존 추천 시스템의 한계를 극복하고 사용자 만족도와 매출 증대를 동시에 달성하기 위해 '시나리오 기반의 설명 가능한 추천 시스템'을 개발했습니다. 기존에는 고정된 4개의 영역에 데모그래픽 기반의 인기 상품을 추천하여 개인의 취향과 상품 속성을 세밀하게 반영하기 어려웠습니다. 이를 해결하기 위해 새로운 추천 시스템은 사용자 경험을 향상시키고 더 정교한 개인화를 제공하는 것을 목표로 합니다. 이 글은 이러한 새로운 추천 시스템 개발 과정에서 고민했던 부분들을 공유하며, 패션 이커머스에서의 AI 기반 추천 기술의 진화 방향을 제시합니다.
추천 시스템패션 큐레이션무신사 2.0
무신사·2024년 10월 11일
AI
속성을 활용한 추천 고도화 : Part 2. 무신사가 개인화 추천을 하는 방법
이 글은 무신사 추천프로덕트팀이 고객에게 최적화된 쇼핑 경험을 제공하기 위해 개인화 상품 추천 서비스를 어떻게 고도화했는지 설명합니다. 특히, 고객의 '취향'을 '스타일'이라는 객관적이고 감성적인 속성으로 정의하고, 이를 패션 택소노미와 연계하여 추천 시스템에 활용하는 과정을 다룹니다. "제 취향에 맞는 옷을 찾기 힘들어요"라는 고객의 목소리에 응답하여, "좋아하는 스타일의 옷"과 "이맘때 구매할 만한 옷"을 쉽고 빠르게 찾도록 돕는 두 가지 추천 서비스를 오픈했습니다. 파트 1에서 소개된 패션 택소노미를 추천에 활용한 구체적인 방법론을 공유하며, 개인화 추천의 중요성과 기술적 접근 방식을 보여줍니다.
개인화 추천스타일 추천패션 택소노미
무신사·2024년 7월 24일