글

온프레미스 번역 모델 구축 전략과 성과

무신사 MSS-E Order의 양치수가 온프레미스 번역 모델 구축 전략과 이를 통한 성과를 공유합니다. GPT-4o-mini에서 TranslateGemma로의 전환 과정과 번역 품질 개선에 대한 중요성을 논의하였습니다. 이를 통해 어떻게 번역이 운영 리스크에서 안전한 프로세스로 변화했는지를 명확히 살펴봅니다. 온프레미스 번역 모델 구축의 초석 온프레미스 번역 모델 구축 전략은 무신사의 번역 운영을 보다 안전하고 효율적으로 만들기 위한 출발점이었습니다. 기존의 GPT-4o-mini는 안정적인 선택이었으나, 서비스가 성장하면서 이는 운영 리스크가 커지는 문제로 이어졌습니다. 따라서 TranslateGemma와 같은 번역 특화 모델의 필요성이 급부상하게 되었고, 초기 실험은 순조롭게 진행되었습니다. TranslateGemma의 번역 결과는 기대 이상이었습니다. 특정 용어와 브랜드명을 정확히 보존하는 한편, 문장이 자연스럽고 구어체를 적절히 반영했습니다. 이커머스의 특성을 고려할 때, 번역에서는 고객이 이해할 수 있는 용어와 자연스러운 문장 구조가 꼭 필요했습니다. 특히, 용어의 의미 전달과 문맥을 지키는 것이 고객 신뢰에 큰 영향을 미친다는 사실을 재확인했습니다. 온프레미스 번역 모델은 단순히 비용 절감의 목적만이 아니라, 번역 품질과 안정성을 동시에 추구하는 목표로 구축되었습니다. 이를 통해 무신사는 고객에게 더 나은 경험을 선사할 수 있을 것이라 믿고 있으며, TranslateGemma의 도입이 이 목표를 실현하는 데 중요한 역할을 할 것입니다. 성공적인 운영 리스크 관리 온프레미스 번역 모델의 구축은 기본적으로 운영 리스크 관리라는 관점에서 매우 중요한 결정이었습니다. 번역이 정확하지 않거나 문맥을 놓치면, 불만족스러운 고객 경험으로 이어질 수 있습니다. TranslateGemma의 경우, 용어 번역에서 이러한 문제를 자연스럽게 해결해왔습니다. 그동안 관찰한 패턴 중 가장 두드러진 것은 용어의 오역, 즉 의미 전환이었습니다. 특히 패션 분...
자세한 내용 보기

AI 네이티브 채용의 새로운 가능성 탐구

2026년 1월, 무신사는 AI 네이티브 엔지니어 채용을 진행하며 AI를 활용한 자동 평가 시스템을 도입했습니다. 이 시리즈는 AI 네이티브라는 개념을 탐구하며, 인재 채용 방식을 혁신적으로 변화시키는 과정을 다루고 있습니다. 이러한 채용 방식은 기존의 틀을 넘어서는 아이디어로, 새로운 인재 발굴의 가능성을 보여줍니다. AI 네이티브가 만들어가는 새로운 환경 AI 네이티브라는 용어는 AI 시대와 함께 성장해온 세대를 지칭하며, 이들은 AI와 함께 아이디어를 현실로 만드는 능력을 갖춘 인재들입니다. 무신사는 AI 네이티브 채용을 통해 이러한 인재들이 무엇을 잘하고, 어떤 사고 과정을 거치는지를 평가하고자 합니다. 하지만 기존의 코딩 테스트는 이들이 가진 가치와 능력을 온전히 반영하지 못했습니다. 따라서 무신사는 새로운 평가 방식을 도입하여 ‘AI와 함께하는 사고’를 측정하려고 했습니다. 전통적인 알고리즘 문제를 넘어, 지원자들이 실제 상황에서 문제를 해결하는 과정과 결과를 분석하기 위해 시험을 설계했습니다. 예를 들어, ‘대학교 수강신청 시스템’을 구축하는 과제를 부여하여, 지원자는 자신만의 방식으로 시스템을 설계하고 구현해야 했습니다. 이는 고정된 정답이 아닌, 창의성과 문제 해결 능력을 발휘할 수 있는 기회를 제공했습니다. 이와 같은 AI 네이티브 채용 방식은 새로운 인재를 발굴하고, 기존의 채용 절차를 혁신할 수 있는 가능성을 지니고 있습니다. AI 도구를 활용한 공정한 평가 체계 AI 도구를 활용함으로써 지원자들에게 공정한 평가 환경을 제공하는 것이 또 다른 핵심 요소입니다. 전통적인 코딩 테스트에서 사용자는 개인의 환경에 따라 결과가 달라질 수 있기 때문에 공정성과 신뢰성을 담보하기 어렵습니다. 무신사는 모든 지원자에게 동등한 AI 환경을 제공하기로 결정하였고, 이를 통해 평가의 공정성을 확보했습니다. 예를 들어 OpenAI와 협력하여 AI 도구에 대한 접근을 지원자들에게 제공함으로써, 도구 활용에 차별이 없도록 하였습니다. 이러한 ...
자세한 내용 보기

실시간 모니터링 시스템 구축 사례와 경험 공유

무신사 O4O 엔지니어링 팀은 최근 설 연휴 동안 Claude Code Agent Teams를 활용하여 실시간 모니터링 시스템을 반나절 만에 성공적으로 구축했습니다. 이 과정에서 발생한 데이터 정합성 이슈를 해결하기 위해 팀은 머신러닝 기반의 AI 코딩 에이전트를 적극적으로 활용하였습니다. 본 글에서는 구축 과정에서의 경험을 통해 AI 도구의 실용성과 효율성을 공유하고자 합니다. 효율적인 문제 해결을 위한 실시간 모니터링 최근 설 연휴 동안 무신사의 매장에서 특정 상품의 결제가 되지 않는 이슈가 발생했습니다. 그 원인은 바코드와 옵션 간의 중복이었습니다. 고객이 결제 시 사용하는 POS 시스템은 유효하지 않은 데이터를 참조하여 결제가 실패하는 상황이 발생했습니다. 이 문제는 원천 시스템에서 불필요한 데이터를 삭제함으로써 즉시 해결되었지만, 더 큰 문제는 다른 매장에서도 같은 상황이 발생할 가능성이 높다는 것이었습니다. 이에 따라 O4O 팀은 반복적으로 발생할 수 있는 데이터 정합성 문제를 예방하기 위해 전수 조사를 시작했습니다. 그러나 기존의 데이터 접근 방식은 시간 소요가 큰 한계가 있었습니다. 매장별로 수작업으로 쿼리를 작성하고 결과를 확인하는 과정이 반복되었기 때문입니다. 이때 팀은 Claude Code의 Agent Teams를 통해 자동화된 실시간 모니터링 시스템을 구축하기로 결심했습니다. 이러한 접근 방식은 기존의 비효율적인 작업 방식을 타파하고, 매장 운영의 효율성을 크게 향상시킬 수 있는 기회를 제공했습니다. Claude Code Agent Teams의 활용 Agent Teams는 문제 해결을 위한 발판을 제공하는 중요한 도구로 작용했습니다. 리드 에이전트와 독립된 워커 에이전트 간의 협력을 통해 BE와 FE 두 코드베이스를 동시에 구축하는 것이 가능해졌습니다. 리드 에이전트는 기존 코드 패턴을 분석하고 API 계약을 정의한 뒤, 병렬로 워커 에이전트를 실행하는 구조로 작업을 진행했습니다. 이 과정에서 필수적으로 진행된 단계...
자세한 내용 보기

무신사 글로벌 다국어 시스템 구축 과정

이번 글에서는 무신사 글로벌 Frontend 팀의 다국어 시스템 구축 과정과 그 과정에서 겪은 문제점 및 해결 방법을 다룹니다. 다국어 지원을 위한 i18next와 Lokalise를 연동하며 최신 기술 스택을 활용하여 효율성을 높인 사례를 공유할 것입니다. 또한, 향후 계획을 통해 더욱 발전할 무신사의 번역 시스템에 대해 알아보겠습니다. 무신사 글로벌 다국어 시스템 구축의 기술 스택 무신사는 글로벌 이커머스 플랫폼으로서 다양한 언어를 지원해야 하는 상황에 직면해 있습니다. 이와 관련하여 프론트엔드 개발 팀은 i18next라는 JavaScript 라이브러리를 선택했습니다. i18next는 React와의 통합을 지원하며, 번역 파일을 기능이나 애플리케이션별로 네임스페이스로 나눌 수 있는 유연성을 제공합니다. 이러한 다양한 장점 덕분에 무신사는 초기 단계에서 모든 번역을 단일 파일에 통합해 사용하던 것을 개선하여, 각 앱별로 번역 파일을 동적으로 로드하는 방법으로 전환하게 되었습니다. 동적 import를 통해 애플리케이션 별로 필요한 번역만 로드하고, 그 결과 사용하지 않는 번역 리소스를 최소화하여 번들 크기를 줄일 수 있었습니다. 또한, 프론트엔드 팀은 불필요한 한국어 번역 파일을 제거하여 글로벌 시장에 더 적합한 서비스를 제공할 수 있었습니다. 이 과정에서 무신사는 기술 스택을 지속적으로 개선하고 리팩토링하여 최적의 성능을 이끌어내는 데 집중했습니다. 이렇게 구축된 다국어 시스템은 향후 달라질 수 있는 다양한 요구사항에 유연하게 대응할 수 있습니다. Lokalise와의 효율적인 연동 과정 다국어 지원 시스템의 성공적인 구축에는 번역 관리 도구가 필수적입니다. 무신사는 Lokalise라는 번역 관리 시스템(TMS)을 선택하여 팀 간의 원활한 협업을 이끌어냈습니다. Lokalise는 API와 CLI를 통해 간편하게 번역 파일을 관리할 수 있도록 돕고, 실시간으로 번역 변경 사항을 확인할 수 있는 기능을 제공합니다. 이를 통해 무신사 팀은 번역 작...
자세한 내용 보기

AI와 함께하는 백엔드 개발자의 업무 변화

AI 시대에 백엔드 개발자의 일하는 방식이 변화하고 있습니다. 글에서는 Claude Code와 함께하여 새로운 팀과 코드 이해에서 AI Agent를 활용한 업무 방식 혁신을 살펴봅니다. 이 변화는 단순한 생산성 향상을 넘어, 보다 심오한 문제 해결에 집중할 수 있게 도와줍니다. AI와 함께하는 코드 이해의 혁신 AI 기반 도구들이 도입되면서 백엔드 개발자가 코드 이해에 대한 방식이 훨씬 더 체계적으로 변화하고 있습니다. 과거에는 코드 분석이 주로 개인의 경험과 주관에 의존하였으나, AI를 활용하게 되면서 분석의 기준이 정형화되었습니다. 개발자는 이제 AI와 협력하여 코드의 역할, 흐름, 외부 시스템과의 접점을 분석하고, 조건과 영향을 파악하는 데 집중할 수 있게 되었습니다. AI 분석 결과는 프로젝트의 이해도를 높이는 데 큰 도움을 줍니다. 이 분석 과정에서 AI가 지속적으로 동일한 분석 기준을 유지하는 덕분에 시간과 비용을 절약할 수 있게 되었습니다. 예를 들어, 요청이나 이벤트의 시작점과 종료점을 명확히 함으로써 시스템의 흐름을 더욱 이해하기 쉽게 조정할 수 있었고, 이로 인해 기존 시스템을 수정할 때도 보다 신속하고 안정적으로 기능을 개선할 방향을 찾아낼 수 있었습니다. 결국 이러한 변화는 개발자가 단순히 코드를 읽는 데서 벗어나, 시스템 전반을 이해하는 데 심층적으로 참여하게 하여 분석의 질을 높입니다. AI와의 협력은 예측 가능성과 속도를 향상시키며, 분석과 판단의 경계가 명확히 나뉘며 효율적인 업무 방식으로 이어지고 있습니다. AI와의 협업으로 이루어진 업무 구조 변화 AI는 단순한 도구가 아니라, 개발자의 업무 구조를 혁신적으로 변화시키는 파트너로 자리잡고 있습니다. 예를 들어, 여러 작업을 병렬로 처리할 수 있는 구조를 설계함으로써 개발자는 과거의 순차적인 작업 방식에서 벗어나, 각 티켓의 요구사항을 동시에 분석하고 처리할 수 있는 기회를 가지게 되었습니다. 이를 통해 개발 속도는 물론, 업무 품질도 높일 수 있는 장점을 ...
자세한 내용 보기

비즈니스 심각도 정의를 통한 장애 대응 개선

큐레이터 서비스는 인플루언서가 SNS를 활용해 상품을 소개하고, 그 경로를 통해 발생한 구매 성과에 대해 수수료를 지급받는 무신사의 공식 어필리에이트 서비스입니다. 이 블로그 글에서는 인플루언서 커머스가 성장함에 따라 발생한 비즈니스 심각도를 정의하고, 이를 바탕으로 장애 대응 우선순위를 개선한 과정을 다룹니다. 특히 '이 장애, 얼마나 심각한가요?'라는 질문을 해결하기 위한 체계적인 접근 방식에 대해 알아보겠습니다. 비즈니스 심각도를 정의하며 장애 대응의 중요성 큐레이터 서비스는 인플루언서가 자신의 콘텐츠를 통해 상품을 추천하고, 그로 인해 발생하는 수익을 통해 수수료를 받는 매우 중요한 비즈니스 모델입니다. 서비스의 비즈니스적 중요도가 커짐에 따라, 장애 대응의 우선순위를 명확히 정의하려는 필요성이 강해졌습니다. 기존에는 기술적인 지표를 기반으로 장애의 심각도를 판단했지만, 이는 비즈니스의 실제 영향을 반영하지 못했습니다. 예를 들어, 특정 페이지의 오류가 발생했더라도 수익에 직접적인 영향을 미치지 않는 경우가 있을 수 있기 때문에, 단순하게 기술적 크기만으로 판단하기 어려웠습니다. 이러한 문제를 해결하기 위해, 우리는 비즈니스 심각도를 정의하기 위한 명확한 기준을 설정했습니다. 핵심 사용자 여정(Critical User Journey)과 같은 비즈니스 모델의 기본 구조를 바탕으로, 장애의 심각도를 판단할 수 있는 기준을 마련했습니다. 즉, 장애가 비즈니스에 미치는 실질적 영향을 고려하여, 장애의 우선순위를 효율적으로 관리할 수 있는 시스템을 구축했습니다. 장애 대응 체계의 방향성 강화 비즈니스 심각도를 기반으로 한 장애 대응 우선순위를 정립함으로써 우리는 서비스 운영에서 발생하는 다양한 장애를 보다 효과적으로 관리할 수 있었습니다. 구체적으로, CSP(Critical Serving Path)를 정의하여 매출과 전환에 직결되는 경로를 구분하고, 이를 통해 장애 발생 시 반응할 수 있는 우선순위 체계를 설정했습니다. CSP의 ...
자세한 내용 보기

AI 기반 SLO 자동화로 배포 안정성 향상 역량 강화

O4O 팀은 AI를 활용하여 SLO(Service Level Objective) 자동화를 통해 배포 안정성을 획기적으로 향상시켰습니다. 이를 위해 각 서비스에 맞는 SLO를 설계하고, 실시간 모니터링을 통해 오류 예산을 자동으로 보호할 수 있는 시스템을 구축했습니다. 본 가이드를 통해 여러분은 O4O 팀이 7일 만에 완성한 실전 사례를 살펴보고, 이러한 혁신적인 접근이 어떻게 이루어졌는지 이해할 수 있을 것입니다. AI 기반 SLO 시스템 구현으로 배포 안정성 확보 O4O 팀은 다양한 서비스의 안정성 관리를 위해 AI를 기반으로 한 SLO 자동화 시스템을 구축했습니다. 전통적인 모니터링 방식은 HTTP 상태 코드에 의존하고 있었지만, 이는 정확하지 않은 알림과 비즈니스의 실제 성과를 반영하지 못하는 문제점을 가지고 있었습니다. 이를 개선하기 위해, O4O 팀은 APM(Application Performance Monitoring) 도구를 활용하여 서비스의 실제 성공 여부를 측정하는 새로운 기준을 마련했습니다. 이 시스템은 sales-api, moss-api, mpos-api 등 서로 다른 특성을 가진 서비스에 각각 적용되어, 안정성을 한층 강화했습니다. AI는 과거의 데이터 분석을 통해 각 서비스의 정상 운영 기준을 세우고, 지속적으로 성과를 모니터링하여 실시간으로 알림을 갱신합니다. 결과적으로, O4O 팀은 배포 중 발생할 수 있는 오탐 알림을 zero로 줄이는 성과를 얻었고, 실제 비즈니스 실패를 즉시 탐지할 수 있는 체계를 마련했습니다. 이러한 AI 기반 SLO 시스템의 구현은 팀의 배포 안정성 및 운영 효율성을 크게 증가시켰습니다. 자동화된 SLO 운영으로 팀의 효율성 증가 SLO 자동화 시스템은 O4O 팀의 운영 효율성을 극대화하는 데 큰 역할을 했습니다. 배포 시 오류 예산을 자동으로 보호하는 기능은 개발자들이 장애 발생 여부를 즉시 판단할 수 있는 환경을 마련해줍니다. 이를 통해, 팀원들은 작은 알림들에 대해 신속히 대응하는 대신...
자세한 내용 보기