인공지능

29CM에서 진행한 주문서 결제 혜택 UX 개선 프로젝트는 고객의 결제 경험을 대폭 향상시켰습니다. 다양한 결제수단에 따른 혜택을 고객들이 쉽게 이해하고, 실시간으로 할인 금액을 확인할 수 있도록 개선하였습니다. 이번 개선을 통해 구매 전환율과 고객 만족도를 모두 높일 수 있었던 경험을 공유합니다. 주문서 결제수단의 문제점 29CM의 기존 주문서 결제 과정에서는 다양한 결제수단별로 제공되는 혜택을 고객이 제대로 인지하기 어려운 문제가 있었습니다. 고객은 결제수단을 선택할 때마다 혜택을 일일이 체크해야 했고, 최종 결제금액에 할인 혜택이 어떻게 반영되는지 이해하기 힘든 상황이었습니다. 이로 인해 고객은 결제 과정에서 혼란스러워하고, 할인 혜택이 실제로 적용되는지에 대한 의구심을 느끼곤 했습니다. 예를 들어, 고객이 장바구니에 담긴 상품을 결제하려 할 때, 여러 결제수단이 나열되어 있지만, 각 결제수단 아래 혜택 리스트를 일일이 클릭해야만 혜택을 확인할 수 있습니다. 이러한 과정은 고객에게 불필요한 시간을 소모하게 하고, 결국 주문을 포기하게 만들 수 있습니다. 고객이 이탈하게 되는 이유는 명확한 안내 없이 복잡하게 흩어진 정보와 실시간 할인 금액을 명확하게 보여주지 못한 결과였습니다. 이런 문제를 해결하기 위한 우리의 개선 방향은 즉시 할인 기능을 도입하여 고객이 결제 수단을 선택할 때 즉각적으로 할인 혜택을 체감할 수 있도록 하는 것이었습니다. 이를 통해 우리는 고객이 더 쉽게 결제 수단을 선택하고, 불필요한 시간 낭비 없이 최적의 결제 혜택을 이용할 수 있도록 하고자 하였습니다. 즉시 할인 동작 방식 UX 개선의 핵심은 즉시 할인을 고객이 결제 단계에서 바로 적용할 수 있도록 한 것입니다. 즉시 할인은 특정 결제수단을 선택하여 결제하는 즉시 할인이 적용되는 방식입니다. 장바구니에서 결제 과정으로 넘어갈 때, 고객이 선택한 결제수단에 따라 정해진 즉시 할인 금액이 자동으로 반영되어 실제 결제금액에서 차감됩니다. 이러한 시스템은 카드사나 PG사에서 제...

무신사 엔지니어링이 주최한 AI 해커톤 무슨사이(MUSNSAI)는 AI와 개발자들이 협업하여 혁신을 이루는 과정이었습니다. 이 행사는 단순한 코딩 대회가 아니라, AI를 팀 동료로 삼아 문화를 실험하며 변화의 골든타임을 포착하고자 했습니다. 여기서는 해커톤의 준비부터 운영 철학, 그리고 프로젝트 사례를 통해 AI와 함께하는 개발의 경험을 나누고자 합니다. AI 해커톤 무슨사이의 혁신적 운영 철학 무신사 엔지니어링의 AI 해커톤 무슨사이는 단순히 코드 작성의 경합이 아닌, "학습을 중심으로 한 경험"을 강조한 혁신적 운영 철학을 지니고 있습니다. 이 행사는 참가자들에게 AI를 경쟁자가 아닌 협력자로 인식하게 만들고, 서로의 강점을 공유하는 플랫폼을 제공하기 위해 설계되었습니다. 이를 통해 모든 팀이 초기 점수에서 동일한 출발선에 서고, 각자의 독창적인 시도와 해결책이 존중받는 환경을 조성했습니다. 참가자들은 팀 내에서 서로 다른 관점을 가진 동료들과 협업하며 의도하지 않은 결과물들의 창출을 가능케 했습니다. 이 과정은 개발자들에게 AI와 함께 코드의 품질을 높여가는 경험을 제공했으며, AI의 역할은 도구에서 팀원으로 변화하는 중요한 계기가 되었습니다. 여기서 중요한 경험 중 하나는 현재 진행 중인 프로젝트들을 바탕으로 AI가 실시간으로 피드백을 제공하고, 이를 통해 더 혁신적인 해결책을 도출하는 것이었습니다. 팀원들은 서로의 언어로 의사소통하며, 다양한 아이디어와 시도를 통해 자유롭게 창의성을 발휘할 수 있었습니다. 예를 들어, 여러 팀이 각기 다른 방식으로 AI를 활용해 결과물을 만들어내는 과정에서 일어난 새로운 협업의 형태는 향후 무신사에서 AI를 활용한 프로젝트 진행 방식에 대한 새로운 통찰을 주었습니다. 이러한 협업을 통해 얻은 정보와 데이터는 팀 내의 지식 공유로 이어져, 결국 AI 중심의 개발 문화 확산에 일조하게 되었습니다. AI 해커톤 무슨사이는 구성원 모두가 실수나 실패를 두려워하지 않고, 서로의 시도를 격励하는 가...

```html 무신사 커뮤니티개발팀에서 체험단 API의 성능 개선을 위한 쿼리 최적화 전략을 다루고 있습니다. 최근 10초 이상의 페이지 로딩 시간과 타임아웃 문제로 고객 경험에 큰 영향을 미쳤습니다. 이를 해결하기 위해 인덱스 최적화 및 데이터 전송량 감소와 같은 전략을 통해 API 성능을 획기적으로 향상시켰습니다. 커버링 인덱스의 적극적 활용 체험단 API의 성능을 개선하기 위한 첫 번째 전략은 커버링 인덱스를 활용한 쿼리 최적화입니다. 이전 쿼리는 기능적으로 복잡하고 다수의 컬럼을 조회하는 구조로, 데이터 전송량이 상당히 많아 성능 병목 현상을 초래하였습니다. 이를 해결하기 위해, 커버링 인덱스를 설계하여 필요한 모든 컬럼을 포함하도록 변경했습니다. 커버링 인덱스를 통해 사용자는 인덱스만으로 쿼리를 완전히 처리할 수 있게 되었고, 이로 인해 테이블 접근이 필요 없어졌습니다. 쿼리에서 필요한 데이터가 인덱스에 포함됨으로써 레코드 찾기가 빨라졌고, 결과적으로 조회 속도가 현격히 개선되었습니다. 이 과정에서 데이터 전송량도 줄어들어 네트워크 병목을 해결하는데 큰 도움이 됐습니다. 또한, 커버링 인덱스의 활용은 디스크 I/O를 최소화하고, 순차적 읽기를 통해 쿼리 성능 향상에 기여했습니다. 쿼리 분리 전략의 도입 두 번째로 적용한 전략은 쿼리 분리 전략입니다. 체험단 API가 제공해야 하는 데이터의 양을 줄이기 위해, 쿼리를 단계별로 나누어 필요한 정보를 순차적으로 조회하는 방식을 도입했습니다. 처음에는 정렬된 신청번호만을 조회하여 커버링 인덱스를 완벽히 활용한 후, 추가 데이터를 필요할 때만 이후 단계에서 조회하도록 하였습니다. 이러한 전략은 데이터베이스의 부담을 줄이고, 쿼리의 복잡성을 상당히 감소시켰습니다. 또한, 애플리케이션에서는 각 테이블을 독립적으로 최적화하여 성능을 극대화할 수 있는 유연성을 제공했습니다. 쿼리의 분할과 데이터 결합을 통해 운영 효율성을 증가시킬 수 있었고, 복잡한 LEFT JOIN 로직을 단순한 SELECT로 대체함으...

1. AI 기반 문의 자동화의 필요성 인식 무신사는 내부 커뮤니케이션 채널 ‘문의-무물보’를 통해 매일 수백 건의 질문을 처리해야 했습니다. 그러나 약 1,400명 이상이 참여한 이 채널은 반복적이고 유사한 문의가 끊임없이 쏟아졌고, 담당자들은 동일한 질문에 수동으로 답변하느라 시간을 낭비하고 있었습니다. 이로 인해 개발자와 기획자 모두 핵심 업무에 집중하기 어려운 상황이 지속되었습니다. 특히 Confluence에 이미 정리된 문서가 있음에도 불구하고, 직원들이 해당 정보를 직접 검색해 찾아내는 과정이 비효율적으로 이루어졌습니다. 결국 무신사는 ‘AI가 대신 문서를 찾아 답변해주는 시스템’을 구상하게 되었습니다. AI를 통한 실시간 응답 자동화는 단순한 편의 기능을 넘어, 조직 전체의 생산성을 높이는 혁신의 출발점이 되었습니다. AI 도입의 배경에는 “사람이 아니라 시스템이 문제를 해결해야 한다”는 무신사 개발 조직의 철학이 자리하고 있습니다. AI가 반복적인 질문 응답을 처리하고, 직원들은 보다 창의적이고 전략적인 업무에 집중하도록 하는 구조로 변화한 것입니다. 2. AI 기술을 활용한 문의 자동화 프로세스 촤비스 시스템은 AWS Bedrock과 Spring AI를 기반으로 구축되었습니다. AWS Bedrock은 보안성과 안정성이 뛰어난 AI 플랫폼으로, 무신사의 내부 데이터를 외부에 노출하지 않고도 고품질의 질의응답(QA)을 수행할 수 있도록 지원합니다. 이 AI 모델은 내부 문서를 학습하여 Slack 내에서 자연스러운 대화로 답변을 제공할 수 있습니다. Spring AI는 AI가 활용할 수 있는 도구와 실행 흐름을 자동으로 정의하여 Slack에서 발생한 문의를 분석하고, 관련 정보를 Confluence 문서에서 추출하여 답변합니다. 즉, 질문자가 “배송 정책이 바뀌었나요?”라고 입력하면, AI가 관련 문서를 탐색하고 정책 변경 내역을 바로 안내하는 구조입니다...

1. SLI 이해하기 SLI(Service Level Indicator)는 서비스의 품질과 안정성을 수치로 표현하는 지표입니다. 이는 사용자가 서비스를 이용할 때 체감하는 품질을 객관적으로 측정하는 역할을 합니다. 일반적으로 지연 시간(latency), 가용성(availability), 처리량(throughput) 등이 대표적인 예시입니다. 예를 들어, 하루 동안 처리된 API 요청 중 99.95%가 성공적으로 완료되었다면, 해당 서비스의 SLI는 99.95%로 표현됩니다. 이 수치는 단순한 데이터가 아닌, 서비스가 사용자에게 얼마나 안정적으로 제공되는지를 의미합니다. SLI를 설정하는 과정은 단순히 숫자를 정하는 일이 아닙니다. 서비스의 특성과 구조를 면밀히 분석해야 합니다. 예를 들어, 전자상거래 서비스에서는 결제 성공률, 배송 API 응답 속도, 상품 등록 지연률 등이 각각의 SLI가 될 수 있습니다. 반면, 콘텐츠 스트리밍 플랫폼에서는 버퍼링 시간과 평균 시청 지속 시간이 핵심 지표가 됩니다. 이처럼 서비스의 본질을 반영한 지표 설정이 이루어져야 운영팀이 정확한 상태를 파악하고 신뢰성 있는 결정을 내릴 수 있습니다. SLI의 가장 큰 장점은 “감(感)에 의존하지 않는 운영”입니다. 문제가 생겼을 때 단순히 “느려졌다”는 인식에 그치지 않고, “평균 응답 시간이 100ms를 초과했다”라는 구체적인 수치로 상황을 파악할 수 있습니다. 이는 개발자와 운영자가 동일한 기준으로 소통할 수 있게 하며, 결국 서비스 품질 개선의 출발점이 됩니다. 2. SLO 설정하기 SLO(Service Level Objective)는 SLI로 측정한 결과에 대해 어느 수준까지 품질을 유지해야 하는지를 명확히 정하는 내부 목표입니다. SLO는 단순한 숫자가 아니라, 서비스가 ‘얼마나 자주, 얼마나 안정적으로’ 사용자의 기대를 충족할 수 있는지를 결정하는 기준입니다. 예를 들어 “90% 이상의 ...

1. 이미지 기반 패션 탐색의 시작 무신사 광고 인플루언서팀은 단순한 쇼핑 플랫폼이 아닌, ‘스타일 검색 엔진’으로의 전환을 시도하고 있습니다. 최근 6주간 개발된 AI 이미지 검색 기능은 사용자가 업로드한 스냅 이미지에서 패션 아이템을 자동으로 탐지하고 가장 유사한 상품을 추천하는 역할을 합니다. 과거에는 사용자가 보고 싶은 스타일을 찾기 위해 수많은 검색어를 조합해야 했지만, 이제 이미지만 올리면 AI가 알아서 분석하고 결과를 제시합니다. 개인적으로 이러한 변화는 “패션의 언어가 시각으로 이동하고 있다”는 의미로 해석됩니다. 사용자가 단어 대신 이미지를 사용해 스타일을 찾는다는 것은, 쇼핑이 감각적 경험으로 진화하고 있다는 신호입니다. AI는 사람의 언어보다 이미지를 더 빠르고 정확히 이해하는 시대에 우리는 들어서고 있습니다. 2. AI 기반 상품 탐지의 구조 AI 시스템은 크게 세 단계로 작동합니다. 첫째, YOLOS 모델이 업로드된 스냅 이미지에서 의류나 악세서리 등 패션 아이템의 위치를 탐지합니다. 복잡한 배경이나 다양한 포즈 속에서도 정확하게 Bounding Box로 구분된 개별 아이템 이미지를 생성합니다. 둘째, FashionCLIP 모델이 각 아이템을 고차원 벡터로 변환하여 색상, 질감, 형태 등의 특징을 수치화합니다. 이 벡터는 ‘시각적 DNA’와 같으며, 상품 간 유사성을 계산하는 데 핵심 역할을 합니다. 마지막으로, 변환된 벡터가 AWS OpenSearch의 대규모 벡터 데이터베이스에 저장되어 수백만 개의 패션 아이템과 비교됩니다. AI는 코사인 유사도를 기준으로 가장 비슷한 상품을 찾아 사용자에게 추천합니다. 이 과정을 통해 사용자는 “이 옷 어디서 샀지?”라는 궁금증을 단 몇 초 만에 해결할 수 있게 되었습니다. 3. 자연어 검색과 패션 감성의 결합 이미지 기반 탐색만큼 주목할 부분은 자연어 검색 기능의 도입입...

1. 반복 업무의 벽을 넘다 29CM 세일프라이싱팀은 고객 가격 요청과 내부 티켓을 처리하는 과정에서 하루 평균 수십 건의 반복 업무를 수행하고 있었습니다. CS 티켓이 Jira에 등록되고, 개발자가 관련 API를 확인해 직접 처리하는 구조는 단순하지만 비효율적이었습니다. 평균 30분 이상 걸리는 요청이 쌓이면서, 개발자들은 창의적인 개발보다 ‘문제 해결’에만 시간을 소비해야 했습니다. 이 문제의 본질은 단순한 업무 과중이 아니라, **정보의 분산과 의사결정의 지연**이었습니다. 필자는 이런 환경을 “자동화가 늦은 조직의 공통된 피로감”이라 표현합니다. AI 도입은 선택이 아니라 필연이 되었고, LangChain을 중심으로 한 AI Bot 프로젝트가 시작되었습니다. 2. LangChain 기반 AI Bot의 구조와 작동 방식 AI Bot은 슬랙을 통해 자연어로 요청을 수신하고, 내부 문서와 API 정보를 LangChain을 통해 탐색합니다. 사용자가 “상품 정보 이관 요청합니다”라고 입력하면, AI Bot은 관련 API 문서와 처리 절차를 검색하고 요청 내용이 실제로 실행 가능한지 판단합니다. 그 후 자동으로 “이 요청을 승인하시겠습니까?”라는 확인 절차를 거쳐 사용자 승인을 받은 뒤 API를 호출합니다. 이 단순하지만 강력한 프로세스를 통해 CS 요청 처리 시간은 평균 29분에서 단 2.9분으로 단축되었습니다. 개발자의 반복적인 개입은 ‘0’으로 줄었고, 그 결과 팀의 전체 생산성이 획기적으로 향상되었습니다. 이러한 변화는 “AI가 사람의 일을 빼앗는다”는 인식과 달리, **AI가 사람의 집중력을 되돌려준 사례**라 할 수 있습니다. 3. 전통적인 CS 프로세스의 한계를 넘어 기존 CS 프로세스에서는 Jira 티켓 생성 → 담당자 확인 → API 호출 → 결과 보고의 복잡한 단계를 거쳐야 했습니다. 이 과정은 누락과 오류가 빈번하게 발생하고, 요청자가 응답을 받기...