디스코드의 강력한 크 (새 탭에서 열림)

Discord가 그동안 클로즈 베타로 운영되던 'Discord Social SDK'의 통신 기능을 정식으로 출시했습니다. 개발자들은 이제 Discord의 음성 및 텍스트 채팅 기능을 게임 내에 직접 통합하여 플레이어 간의 유기적인 연결을 돕고 멀티플레이어 경험을 대폭 강화할 수 있습니다. 이를 통해 게임 내 커뮤니티 활성화를 도모하고 플레이어의 리텐션과 체류 시간을 효과적으로 높이는 결과가 기대됩니다. **Social SDK의 공식 출시와 주요 목적** * 올해 GDC에서 처음 공개된 Discord Social SDK가 베타 테스트를 마치고 모든 개발자에게 개방되었습니다. * 이 SDK는 Discord의 검증된 소셜 인프라를 게임 내부로 가져와, 플레이어가 게임을 중단하지 않고도 소통할 수 있는 환경을 제공합니다. * 개발자는 이를 활용해 더욱 의미 있는 멀티플레이어 상호작용을 설계하고, 플레이어들이 서로 더 오래 연결되어 게임을 즐기도록 유도할 수 있습니다. **통신 기능의 통합 및 접근성 향상** * Discord의 핵심 역량인 고품질 음성 채팅과 텍스트 채팅 기능을 게임 클라이언트 내에 직접 구현할 수 있습니다. * 특히 Discord 계정이 없는 플레이어라도 게임 내에서 손쉽게 친구들과 연결되거나 새로운 동료를 만나 게임에 참여할 수 있는 유연성을 제공합니다. * 복잡한 소셜 인프라를 직접 구축할 필요 없이, 이미 전 세계적으로 널리 사용되는 Discord의 통신 기술을 활용해 개발 효율성을 극대화할 수 있습니다. 멀티플레이어 게임의 몰입감을 결정짓는 핵심 요소가 '소통'인 만큼, 별도의 통신 시스템 구축에 리소스를 투입하기보다 검증된 Discord Social SDK를 도입하여 게임 본연의 재미와 커뮤니티 기능을 동시에 확보해 보시길 권장합니다.

2025년 8월 (새 탭에서 열림)

디스코드는 서버 관리자와 게임 개발자들이 겪어온 오랜 불편 사항을 해결하고, 건강한 커뮤니티 운영을 지원하기 위해 관리 도구를 대대적으로 업데이트하고 있습니다. 이를 위해 커뮤니티에 더 강력한 통제권과 기능을 부여하는 전담 팀을 새롭게 구성했으며, 이번 발표는 향후 이어질 일련의 기능 개선 중 첫 번째 단계에 해당합니다. **커뮤니티 관리 효율성 제고 및 고충 해결** * 오랫동안 누적된 사용자들의 수정 요청 사항(backlog)을 심도 있게 분석하여 서버 운영 과정에서의 고질적인 불편함을 개선하기 시작했습니다. * 특히 게임 개발자가 주도하는 커뮤니티를 포함하여, 모든 규모의 관리팀이 서버를 보다 쉽고 활발하게 유지할 수 있도록 돕는 기능적 토대를 마련했습니다. **권한 강화를 위한 전담 조직 신설** * 커뮤니티 관리자들에게 실질적인 권한과 통제력을 제공하기 위해 디스코드 내부에 전문 팀을 구축했습니다. * 관리자가 시스템의 한계로 인해 겪던 운영상의 답답함을 해소하고, 더 적은 노력으로도 서버를 효과적으로 통제할 수 있는 도구들을 지속적으로 선보일 예정입니다. 이번 업데이트는 시작에 불과하므로, 서버 관리자들은 향후 순차적으로 공개될 새로운 도구들을 주목하며 커뮤니티 운영 프로세스에 이를 적극적으로 도입할 준비를 하는 것이 좋습니다.

비즈니스용 디스코드 (새 탭에서 열림)

디스코드는 최근 칸 라이언즈(Cannes Lions)에 처음 참여하며 광고 사업 확장을 위한 중요한 이정표를 세웠습니다. Xbox, Kantar, Unilever 등 글로벌 리더들과의 패널 토론을 통해, 게임이 주류 문화가 되었으며 디스코드의 '커뮤니티 우선' 모델이 브랜드 연결의 핵심임을 강조했습니다. 디스코드는 현대 게이머들이 서로 소통하고 영향력을 주고받는 가장 중요한 허브로서의 입지를 공고히 하고 있습니다. ### 칸 라이언즈 데뷔와 광고 사업의 전략적 확장 * 디스코드는 세계 최대 광고 축제인 칸 라이언즈에 처음으로 공식 참여하며 광고 비즈니스의 본격적인 확장을 알렸습니다. * Xbox, Kantar, Unilever와 같은 업계 리더들과 함께 패널 세션을 진행하여 디스코드만의 독특한 광고 생태계를 논의했습니다. * 사용자가 자발적으로 참여하는 '옵트인(Opt-in)' 방식과 '커뮤니티 우선(Community-first)' 모델이 현대 광고 시장에서 어떻게 브랜드 가치를 높이는지 증명했습니다. ### 주류가 된 게임 문화와 디스코드의 역할 * 게임은 더 이상 소수의 전유물이 아닌 대중적인 '메인스트림' 문화로 자리 잡았음을 강조했습니다. * 디스코드는 게이머들이 단순히 게임을 즐기는 곳을 넘어, 서로 대화하고 정보를 공유하며 강력한 영향력을 행사하는 핵심 플랫폼입니다. * 브랜드들이 현대의 게이머들과 진정성 있게 연결되기 위해서는 디스코드와 같은 커뮤니티 중심의 소통 방식을 이해해야 한다는 메시지를 전달했습니다. ### 파트너십 강화와 비즈니스 통찰력 제공 * 디스코드는 뉴스레터를 통해 파트너사와 관계자들에게 비즈니스 기회를 선점할 수 있는 최신 업데이트와 통찰력을 지속적으로 공유하고 있습니다. * 칸 라이언즈에서의 성공적인 데뷔를 발판 삼아, 광고주와 파트너들이 디스코드 생태계 안에서 더 큰 성과를 거둘 수 있도록 지원할 예정입니다. 기업과 브랜드는 게임 문화가 일상이 된 현재의 흐름을 파악하고, 디스코드의 커뮤니티 기반 모델을 활용해 타겟 오디언스와의 관계를 재정립하는 전략이 필요합니다.

Forrester가 분석한 Dev Mode의 (새 탭에서 열림)

Figma의 2025 AI 보고서는 AI가 디자인과 개발 워크플로우를 근본적으로 재편하며, 두 직군 간의 협업 방식을 고도화하고 있음을 강조합니다. AI는 단순한 자동화 도구를 넘어 창의적 의사결정을 돕는 파트너로 진화하고 있으며, 이를 통해 디자이너와 개발자는 반복적인 작업에서 벗어나 전략적이고 복잡한 문제 해결에 더 집중할 수 있게 되었습니다. 결과적으로 AI는 기술적 장벽을 낮추는 동시에 인간의 비판적 사고와 독창적 의도의 가치를 그 어느 때보다 높이고 있습니다. **생산성 향상과 역할의 전략적 변화** * AI는 레이아웃 생성, 데이터 채우기, 반복적인 에셋 정리 등 저수준의 '제작(Craft)' 업무를 대신 수행하여 워크플로우의 병목 현상을 해소합니다. * 디자이너는 '빈 화면(Blank Canvas)'에서 시작하는 심리적 부담을 줄이고, AI가 생성한 여러 시안 중 최적의 안을 선택하고 다듬는 '에디터'로서의 역할이 강화되었습니다. * 결과적으로 실무자들은 픽셀을 옮기는 작업 시간보다 사용자 경험(UX)의 논리적 구조를 설계하고 비즈니스 가치를 고민하는 데 더 많은 시간을 할애하게 됩니다. **디자인과 개발의 경계 축소** * AI가 디자인 요소를 코드로 변환하거나 코드의 맥락을 디자인 시스템에 반영하는 과정을 가속화하면서, 두 직군 사이의 '핸드오프(Handoff)' 과정이 더욱 매끄러워졌습니다. * 개발자는 디자인 의도를 더 정확하게 파악할 수 있고, 디자이너는 자신의 결과물이 실제 코드로 어떻게 구현될지 실시간으로 예측하며 작업할 수 있습니다. * 이러한 기술적 결합은 직군 간의 소통 비용을 줄이고, 제품 개발 주기를 획기적으로 단축시키는 결과로 이어집니다. **품질 검증과 비판적 사고의 필수화** * AI가 생성한 결과물이 항상 완벽하거나 브랜드의 맥락을 완벽히 이해하는 것은 아니므로, 이를 검증하고 수정하는 능력이 핵심 역량으로 부상했습니다. * AI의 출력물 중에서 브랜드 아이덴티티와 사용자 맥락에 맞는 최선의 선택을 내리는 '심미적 안목'과 '비판적 판단력'이 실무자의 차별화된 경쟁력이 됩니다. * 데이터의 편향성이나 윤리적 문제, 결과물의 독창성 유지에 대한 책임감이 더욱 중요해졌습니다. **AI 시대의 적응을 위한 제언** AI 도구를 도입하는 것에 그치지 않고, 팀 전체가 AI를 통해 확보한 시간을 어디에 재투자할지 결정하는 '운영 전략'이 필요합니다. 디자이너는 기본적인 툴 활용 능력을 넘어 시스템적 사고와 문제 정의 능력을 키워야 하며, 조직 차원에서는 AI가 생성한 코드와 디자인의 품질을 일관되게 유지할 수 있는 가이드라인을 수립하는 것이 권장됩니다.

거대 모델에서 모바일의 마 (새 탭에서 열림)

YouTube는 지식 증류(Knowledge Distillation) 기술과 MediaPipe를 이용한 온디바이스 최적화 아키텍처를 통해 대규모 생성형 AI 모델을 모바일 환경에서 실시간으로 구현했습니다. 이 시스템은 거대 모델의 성능을 소형화된 학생 모델에 전이함으로써 사용자 정체성을 유지하면서도 초당 30프레임 이상의 속도로 카툰 스타일 변환 등의 복잡한 효과를 제공합니다. 결과적으로 유튜브 쇼츠 사용자들은 고성능 GPU 서버 없이도 자신의 기기에서 즉각적이고 고품질의 AI 효과를 경험할 수 있게 되었습니다. ### 고품질 데이터와 지식 증류 아키텍처 * **다양성을 고려한 데이터 구축**: 성별, 연령, 피부색(Monk Skin Tone Scale 기준) 등이 균형 있게 분포된 라이선스 기반 얼굴 데이터셋을 사용하여 모든 사용자에게 일관된 품질의 효과를 제공합니다. * **교사-학생(Teacher-Student) 모델**: StyleGAN2 또는 Google DeepMind의 Imagen과 같은 강력한 '교사 모델'이 시각적 효과를 생성하면, UNet 기반의 가벼운 '학생 모델'이 이를 학습합니다. * **모바일 최적화 백본**: 학생 모델은 모바일 기기에 최적화된 MobileNet 백본을 인코더와 디코더에 사용하여 연산 부담을 최소화하면서도 이미지 변환 효율을 높였습니다. ### 반복적 증류 프로세스와 최적화 * **데이터 생성 및 증강**: 교사 모델을 통해 수만 쌍의 '변환 전후' 이미지 쌍을 생성하며, 이때 AR 안경, 합성된 손에 의한 가려짐(occlusion) 등 다양한 증강 기법을 적용해 실제 촬영 환경에 대비합니다. * **복합 손실 함수 활용**: 학생 모델 학습 시 단순 수치적 정확도를 넘어 시각적 사실감을 높이기 위해 L1, LPIPS, 적응형(Adaptive) 및 적대적(Adversarial) 손실 함수를 조합하여 사용합니다. * **신경망 구조 탐색(NAS)**: 뉴럴 아키텍처 서치 기술을 통해 모델의 깊이와 너비를 조정하며 각 효과에 가장 최적화된 효율적인 구조를 자동으로 찾아냅니다. ### 사용자 정체성 보존을 위한 PTI 기술 * **인버전 문제(Inversion Problem) 해결**: 생성 모델이 이미지를 잠재 공간(Latent Space)으로 변환할 때 사용자 고유의 이목구비나 피부색이 왜곡되는 문제를 해결하기 위해 PTI(Pivotal Tuning Inversion)를 도입했습니다. * **개별 특성 학습**: 원본 이미지의 특징을 정확히 표현할 수 있도록 모델의 가중치를 미세 조정하여, 효과가 적용된 후에도 사용자가 누구인지 명확히 인식할 수 있도록 정체성을 유지합니다. * **일관성 유지**: 단순한 필터 적용이 아니라 프레임별로 정체성을 보존하며 전체적인 스타일을 재구성하여 자연스러운 변환 결과를 도출합니다. ### MediaPipe를 통한 실시간 온디바이스 실행 * **크로스 플랫폼 최적화**: Google의 MediaPipe 프레임워크를 활용하여 Android와 iOS 모두에서 동일하게 고성능 그래프 시뮬레이션을 실행합니다. * **하드웨어 가속**: TFLite와 GPU 가속(Vulkan, OpenGL, Metal)을 통해 모바일 기기의 하드웨어 성능을 극한으로 끌어올려 실시간 카메라 스트림 처리를 지원합니다. * **효율적인 파이프라인**: 입력 영상의 전처리부터 모델 추론, 최종 렌더링까지 이어지는 전체 공정을 모바일 GPU 내에서 완결하여 지연 시간을 최소화했습니다. 이 기술적 성과는 복잡한 생성형 AI를 클라우드 서버 없이 모바일 기기 자체에서 구동할 수 있음을 증명합니다. 개발자들은 MediaPipe와 같은 오픈소스 도구를 활용하여 유사한 온디바이스 AI 기능을 설계할 수 있으며, 특히 사용자 개인정보 보호와 실시간 응답성이 중요한 서비스에서 지식 증류와 PTI 기술은 핵심적인 해결책이 될 것입니다.

차분 프라이버시 파티 (새 탭에서 열림)

구글 리서치는 대규모 데이터셋에서 개인정보를 보호하면서도 유용한 데이터를 추출할 수 있는 혁신적인 차분 프라이버시(Differential Privacy, DP) 파티션 선택 알고리즘인 'MAD(MaxAdaptiveDegree)'를 공개했습니다. 이 알고리즘은 수천억 개의 아이템이 포함된 방대한 데이터를 처리할 수 있는 병렬 구조를 갖추고 있으며, 기존 비적응형 방식보다 훨씬 더 많은 유효 데이터를 안전하게 식별해 냅니다. 이를 통해 연구자들은 개별 사용자의 민감한 정보를 노출하지 않으면서도 AI 모델 학습이나 데이터 분석에 필요한 고품질의 데이터셋을 확보할 수 있게 되었습니다. **차분 프라이버시(DP) 파티션 선택의 역할** * **개념 정의:** 수많은 사용자가 기여한 방대한 데이터 집합에서 특정 임계치 이상의 빈도를 가진 공통 아이템(예: 자주 사용되는 단어나 n-gram)을 안전하게 선택하는 프로세스입니다. * **프라이버시 보호:** 특정 개별 사용자의 데이터 포함 여부를 알 수 없도록 제어된 노이즈를 추가하며, 노이즈가 섞인 상태에서도 충분히 공통적인 아이템만 최종 리스트에 포함합니다. * **활용 분야:** 대규모 텍스트 코퍼스의 어휘 추출, 데이터 스트림 분석, 사용자 데이터 기반 히스토그램 생성, 프라이버시 보존형 모델 미세 조정(Fine-tuning)의 효율성 증대 등에 필수적입니다. **기존 가중치 산정 방식의 한계** * **표준 패러다임:** 일반적으로 '가중치 계산(빈도 측정) → 노이즈 추가(가우시안 노이즈 등) → 필터링(임계값 적용)'의 3단계를 거칩니다. * **가중치 낭비:** 기존의 비적응형 방식은 매우 인기 있는 아이템에 필요 이상의 가중치를 할당하는 경향이 있으며, 이로 인해 임계값 바로 아래에 있는 유용한 아이템들이 노이즈에 의해 삭제되는 문제가 발생합니다. * **확장성 문제:** 기존의 순차적(Sequential) 알고리즘은 현대의 거대 데이터셋을 처리하기에 속도가 너무 느려 실무 적용에 한계가 있었습니다. **적응형 가중치 재배분을 통한 MAD 알고리즘의 혁신** * **적응형 가중치(Adaptive Weighting):** MAD 알고리즘은 아이템 간의 가중치를 독립적으로 두지 않고, 다른 사용자의 기여도를 고려하여 전략적으로 가중치를 재할당합니다. * **효율적 재배분:** 임계값을 훨씬 상회하는 인기 아이템의 '과잉 가중치'를 식별하고, 이를 임계값 근처에 있는 아이템들에 재배분하여 더 많은 유효 아이템이 프라이버시 기준을 통과하도록 돕습니다. * **병렬 대규모 처리:** 수천억 개의 아이템을 동시에 처리할 수 있는 병렬 구조로 설계되어, 기존 순차 알고리즘 대비 최대 1,000배 더 큰 규모의 데이터셋까지 확장 가능합니다. * **성능 유지:** 가중치를 재배분하면서도 차분 프라이버시의 핵심인 '낮은 민감도(Low-sensitivity)'와 계산 효율성을 그대로 유지합니다. **실용적 의의 및 권고** 데이터 규모가 커질수록 프라이버시 보호와 데이터 유용성 사이의 균형을 맞추는 것이 어려워지지만, MAD 알고리즘은 병렬 처리를 통해 이 문제를 해결했습니다. 대규모 사용자 데이터를 다루는 연구자나 엔지니어는 구글이 오픈소스로 공개한 'DP 파티션 선택' 라이브러리를 활용하여, 데이터의 유실을 최소화하면서도 강력한 프라이버시 보증을 제공하는 데이터 파이프라인을 구축할 것을 권장합니다.

LINE 통화의 영상 재생 품질 개선 사례 (새 탭에서 열림)

LINE은 실시간 통화 서비스의 품질을 높이기 위해 일본 등 특정 국가에서 발생하는 월간 품질 지표의 변동 패턴을 분석하고, 이를 바탕으로 자체 개발한 혼잡 제어 기술인 CCFS를 개선했습니다. 분석 결과 월말로 갈수록 영상 품질이 저하되는 원인은 모바일 요금제의 데이터 소진에 따른 속도 제한(Bitrate Throttling) 때문이었으며, 이를 해결하기 위해 네트워크 상태 변화에 더 민감하게 반응하도록 알고리즘을 고도화했습니다. 결과적으로 네트워크 제약이 있는 환경에서도 패킷 손실을 최소화하고 안정적인 영상 재생 환경을 구축할 수 있었습니다. ### 월말 품질 저하 패턴과 모바일 요금제의 상관관계 * 일본과 태국의 데이터를 비교한 결과, 일본에서는 월초에 영상 FPS(초당 프레임 수)가 높았다가 월말로 갈수록 낮아지고 다시 다음 달 초에 회복되는 반복적인 패턴이 관측되었습니다. * 이 현상은 Wi-Fi 환경이 아닌 4G 모바일 네트워크 간의 영상 통화에서만 뚜렷하게 나타났으며, 비디오 패킷 손실률 또한 월말에 급격히 증가하는 양상을 보였습니다. * 원인 분석 결과, 많은 사용자가 월간 제공 데이터를 소진하여 통신사로부터 비트레이트 제한을 받게 되면서, 전송 속도가 네트워크의 처리 능력을 초과해 혼잡이 발생하는 것으로 확인되었습니다. ### 실시간 통신을 위한 네트워크 적응 및 혼잡 제어 * 실시간 통화는 라이브 스트리밍과 달리 버퍼링을 사용할 수 없으므로, 1초 미만의 짧은 지연에도 민감하게 반응하는 정교한 네트워크 적응 기술이 필수적입니다. * 네트워크 혼잡(Congestion)은 입력 데이터가 네트워크 출력 용량보다 클 때 발생하며, 이는 큐(Queue) 지연 증가와 패킷 손실로 이어져 서비스 품질을 심각하게 저하시킵니다. * LINE은 IETF 표준인 NADA나 SCReAM 대신, 자체 개발한 전송자 기반(Sender-based) 혼잡 제어 알고리즘인 CCFS를 통해 네트워크 상태를 실시간으로 관리하고 있습니다. ### 자체 개발 알고리즘 CCFS의 작동 원리와 개선 * CCFS는 수신 측으로부터 패킷 수신 시간 및 여부를 피드백받아, 실제 데이터가 전달되는 전송 경로(Forward path)의 상태를 실시간으로 분석합니다. * 네트워크 상태를 네 가지(Default, Probing, Throttled, Competing)로 분류하며, 특히 지연 변화량이 임계치를 초과할 경우 'Throttled' 상태로 전이하여 비트레이트를 즉각 조절합니다. * 기존 알고리즘이 모바일 속도 제한 상황에 기민하게 대응하지 못했던 점을 개선하기 위해, 지연 증가를 보다 정밀하게 감지하고 손실이 발생하기 전에 선제적으로 전송 속도를 낮추도록 로직을 강화했습니다. 실시간 미디어 서비스의 품질을 유지하기 위해서는 단순히 대역폭을 많이 사용하는 것이 아니라, 사용자의 통신 환경과 통신사 정책에 따른 가변적인 네트워크 상황을 정확히 읽어내는 것이 중요합니다. LINE은 지표 기반의 이상 패턴 분석을 통해 기술적 한계를 파악하고, 이를 알고리즘 고도화에 반영함으로써 전 세계 사용자에게 제약 없는 통화 경험을 제공하고 있습니다.

억 개 이상의 매개변수 부담을 넘어서: 조건부 생성기로 데이터 합성을 여는 방법 (새 탭에서 열림)

구글 리서치에서 발표한 **CTCL(Data Synthesis with ConTrollability and CLustering)** 프레임워크는 수십억 개의 파라미터를 가진 대규모 언어 모델(LLM) 없이도 고품질의 차분 프라이버시(DP) 합성 데이터를 생성할 수 있는 혁신적인 방법론을 제시합니다. 1억 4천만 개의 파라미터를 가진 경량 모델을 활용함으로써 자원이 제한된 환경에서도 효과적인 데이터 합성을 가능하게 하며, 프라이버시 보존과 데이터 유용성 사이의 균형을 성공적으로 달성했습니다. 이 방식은 기존 LLM 미세 조정 방식보다 비용 효율적이면서도 특정 주제별 분포를 정확하게 재현할 수 있다는 결론을 도출했습니다. ### 기존 합성 데이터 생성의 한계와 CTCL의 등장 * **기존 방식의 문제점:** 차분 프라이버시(DP)를 준수하는 대규모 합성 데이터를 만들려면 일반적으로 수십억 파라미터 규모의 LLM을 미세 조정해야 하므로 막대한 계산 비용이 발생합니다. * **API 기반 방식의 한계:** 최근 제안된 Aug-PE나 Pre-Text 같은 알고리즘은 모델 직접 학습 대신 API를 활용하지만, 수동 프롬프트에 의존도가 높고 프라이빗 정보를 데이터 선택 과정에 효과적으로 반영하지 못하는 단점이 있습니다. * **CTCL의 대안:** CTCL은 경량 모델(140M BART-base)을 사용하면서도, 프라이빗 데이터의 주제 분포를 자동으로 매칭하는 조건부 생성 방식을 채택하여 이러한 제약을 극복합니다. ### 핵심 구성 요소: CTCL-Topic과 CTCL-Generator * **CTCL-Topic (주제 모델):** 위키피디아 데이터를 기반으로 구축된 범용 주제 모델입니다. 약 600만 개의 문서를 1,000개의 클러스터(주제)로 분류하고, 각 주제를 대표하는 10개의 키워드를 추출하여 데이터의 고차원적 테마를 포착합니다. * **CTCL-Generator (조건부 생성기):** 1억 4천만 파라미터 규모의 BART-base 모델을 기반으로 합니다. Gemma-2-2B를 이용해 생성한 4억 3천만 개의 '설명-문서' 쌍으로 사전 학습되어, 특정 키워드나 문서 유형이 주어지면 그에 맞는 내용을 생성하는 강력한 제어 능력을 갖췄습니다. ### 3단계 데이터 합성 프로세스 1. **사전 개발:** 대규모 공개 코퍼스를 사용하여 CTCL-Topic과 CTCL-Generator를 단 한 번 개발합니다. 이 모델들은 이후 다양한 프라이빗 도메인에 범용적으로 적용될 수 있습니다. 2. **프라이빗 도메인 학습:** 프라이빗 데이터 세트의 주제별 분포(히스토그램)를 DP 방식으로 수집합니다. 동시에 프라이빗 문서에서 추출된 주제 키워드를 활용해 CTCL-Generator를 DP 미세 조정하여 해당 도메인의 특성을 학습시킵니다. 3. **합성 데이터 생성:** 수집된 DP 주제 히스토그램의 비율에 맞춰 생성 모델을 샘플링합니다. DP의 '후처리 속성(Post-processing property)' 덕분에, 한 번 학습된 모델로부터 추가적인 프라이버시 비용 소모 없이 무제한으로 합성 데이터를 생성할 수 있습니다. ### 성능 평가 및 실무적 시사점 * **성능 우위:** 다양한 데이터 세트에서 평가한 결과, 특히 강력한 프라이버시 보장(Strong DP) 조건 하에서 기존 베이스라인 모델들을 일관되게 능가하는 성능을 보였습니다. * **확장성 및 효율성:** 수십억 파라미터 모델을 쓰지 않고도 주제별 분포 매칭이 가능하며, Aug-PE 알고리즘 대비 뛰어난 확장성을 입증했습니다. * **실용적 권장:** 자원이 제한된 환경에서 프라이버시를 보호하며 특정 도메인의 텍스트 데이터를 대량으로 생성해야 하는 경우, 무거운 LLM 미세 조정 대신 CTCL과 같은 경량 조건부 생성 프레임워크를 도입하는 것이 비용과 품질 면에서 매우 효율적인 전략이 될 수 있습니다.

에어비앤비 (새 탭에서 열림)

에어비앤비는 4.5년에 걸쳐 수천만 라인의 Java, Kotlin, Scala 코드로 구성된 대규모 JVM 모노레포를 Gradle에서 Bazel로 성공적으로 이전했습니다. 이번 마이그레이션을 통해 빌드 속도는 3~5배, IDE 동기화 및 배포 속도는 2~3배 향상되었으며, 개발자 만족도(CSAT)가 38%에서 68%로 크게 올랐습니다. Bazel의 밀폐성(Hermeticity)과 원격 실행 기능을 활용하여 대규모 코드베이스에서도 안정적이고 확장 가능한 빌드 시스템을 구축한 것이 핵심 성과입니다. **Gradle에서 Bazel로 전환한 이유** * **빌드 속도의 혁신:** Bazel의 원격 빌드 실행(RBE)을 통해 수천 개의 작업을 병렬로 처리하며, 'Build without the Bytes' 기능을 도입하여 필요한 아티팩트만 다운로드함으로써 대역폭 소모를 줄였습니다. * **빌드 안정성 및 밀폐성:** Gradle과 달리 샌드박스 환경을 제공하여 빌드 작업이 지정된 입력 외의 파일 시스템(예: /tmp 디렉토리)에 접근하는 것을 차단하고, 환경 차이로 인한 빌드 실패를 방지했습니다. * **통일된 인프라 구축:** 에어비앤비 내의 웹, iOS, Python, Go 등 다양한 언어의 레포지토리를 Bazel로 단일화하여 원격 캐싱, 로깅, 변경된 타겟 계산 로직을 공유할 수 있게 되었습니다. **단계적 마이그레이션과 개념 증명(PoC)** * **Viaduct 플랫폼 선정:** 에어비앤비에서 가장 크고 복잡한 서비스 중 하나인 GraphQL 모놀리스 'Viaduct'를 첫 타겟으로 선정하여, 가장 까다로운 케이스에서 성능 이점을 증명했습니다. * **공존 전략:** 초기에는 개발자가 Gradle과 Bazel 중 선택해서 사용할 수 있도록 두 시스템을 병렬로 운영하여 서비스 중단 위험을 최소화했습니다. * **개발자 설득:** 단순한 성능 향상을 넘어, 초기 단계에서 발생한 버그와 통합 문제를 해결하여 개발자들이 자발적으로 Bazel을 선택하도록 유도했습니다. **자동 빌드 파일 생성 및 유지보수** * **커스텀 생성기 개발:** Bazel 빌드 파일(BUILD)을 수동으로 관리하는 불편을 줄이기 위해 소스 코드의 패키지와 임포트 구문을 분석하여 의존성 그래프를 그리는 자동 생성기를 구축했습니다. * **Gazelle의 영감:** Go 언어의 Gazelle 도구에서 아이디어를 얻었으나, JVM 언어의 특성과 성능 요구사항을 맞추기 위해 캐싱 기능을 포함한 자체 도구로 발전시켰습니다. * **CI 통합:** 모든 커밋 전에 자동 생성기를 실행하여 Gradle과 Bazel의 빌드 그래프가 항상 일치하도록 유지했습니다. **IDE 사용자 경험 개선** * **IntelliJ 동기화 최적화:** 대규모 모노레포에서 Gradle 동기화가 최대 40분까지 소요되던 문제를 Bazel의 병렬 분석과 'Query Sync(실험적 기능)' 도입을 통해 3~10분 수준으로 단축했습니다. * **IntelliJ Aspect 활용:** Bazel의 Aspect 기능을 사용하여 프로젝트 구조 정보를 추출함으로써 IDE가 소스 코드와 의존성을 더 효율적으로 이해하도록 돕습니다. **성공적인 전환을 위한 교훈** 대규모 마이그레이션에서 가장 중요한 것은 **성능에 대한 집착**과 **개발자 경험(DevEx)에 대한 투자**입니다. 빌드 속도가 빨라지면 개발자들은 자연스럽게 새로운 도구를 수용하게 되며, 특히 IntelliJ와 같은 IDE와의 매끄러운 통합이 프로젝트의 성패를 좌우합니다. 또한 빌드 파일 생성과 같은 반복적인 작업을 자동화하여 개발자가 시스템 환경 설정이 아닌 코드 작성에만 집중할 수 있는 환경을 조성하는 것이 필수적입니다.

활성화의 해부학 | (새 탭에서 열림)

Figma's IPO: Design is everyone's business Inside Figma News Behind the scenes

LY Corporation의 AI 기술의 현재, Tech-Verse 2025 후기 (새 탭에서 열림)

Tech-Verse 2025는 LY Corporation이 LINE과 Yahoo Japan의 통합 이후 선보인 AI 전략의 핵심과 실무적인 기술 성과를 집약적으로 보여준 행사였습니다. 이번 컨퍼런스에서는 단순한 기술 트렌드 나열을 넘어, RAG와 MCP 등 최신 AI 기술을 실제 서비스와 개발 환경에 적용하며 겪은 시행착오와 구체적인 해결 방안이 중점적으로 다뤄졌습니다. 특히 AI가 개발 프로세스 전체에 스며들어 생산성과 품질을 동시에 확보하는 기술적 내공이 강조되었습니다. **AI 기반 개발 생산성 혁신: Ark Developer** * 사내 개발자들을 위해 구축된 'Ark Developer'는 RAG 기반의 코드 어시스턴트로, 코드 자동 완성, 리뷰, 보안 확인, 테스트 코드 작성을 지원합니다. * 사내 문서를 스트리밍 형태로 실시간 참조하여 코드의 맥락에 맞는 정확한 도움을 제공하며, GitHub와 연동되어 PR 생성까지 자동화된 워크플로우를 보여줍니다. * 단순히 코드 베이스를 텍스트 뭉치로 취급하는 대신, 디렉토리 구조를 그래프 형태로 분석(Graph Analysis)하여 연관 코드를 더욱 정밀하게 참조하는 기술적 차별점을 갖췄습니다. * 실제 현업 개발자들 사이에서 기존의 범용 AI 도구보다 체감 성능이 뛰어나다는 평가를 받으며 개발 사이클 전반에 깊숙이 통합되어 활용되고 있습니다. **생성형 AI의 품질 측정과 정교한 평가 체계** * 주관성이 강한 이미지 생성 기술의 품질을 관리하기 위해 분포 기반의 FID(Fréchet Inception Distance), IS(Inception Score)와 같은 전통적 지표를 넘어 다각적인 평가 모델을 도입했습니다. * 미적 기준을 측정하는 Aesthetic Score, LLM 기반의 CLIP-IQA 및 Q-Align, 그리고 비디오-언어 모델을 활용한 VQA(Visual Question Answering) 방식 등 정밀한 정량 평가를 수행합니다. * 이미지 번역 및 인페인팅 서비스에서는 단순한 텍스트 변환을 넘어 원래의 레이아웃과 구조까지 자연스럽게 복원해야 하는 복합적인 과제를 생성형 AI로 해결하고 있습니다. * 생성형 AI 기술의 완성도는 단순히 모델을 구현하는 것에 그치지 않고, '어떻게 정답이 없는 결과를 객관적으로 검증하고 개선할 것인가'에 달려 있음을 시사합니다. **실무형 AI 도입을 위한 통찰** 이번 컨퍼런스는 LLM과 에이전트 기술이 실험실을 벗어나 실제 서비스의 품질을 결정짓는 성숙기에 접어들었음을 보여줍니다. 특히 생성형 AI 결과물에 대한 정량적 평가 지표를 수립하고, 코드 베이스를 그래프 구조로 분석하는 등의 구체적인 접근법은 AI 서비스를 고도화하려는 실무자들에게 매우 유용한 벤치마킹 사례가 될 것입니다. 단순한 기술 도입보다는 우리 조직의 데이터 구조와 서비스 특성에 맞는 '평가와 검증 체계'를 먼저 고민하는 것이 품질 높은 AI 서비스를 만드는 핵심입니다.

Scaling down to speed up: How we improved efficiency of live process metrics by 100x (새 탭에서 열림)

Datadog은 프로세스 및 컨테이너 모니터링 시스템의 실시간 데이터 처리 방식을 '호스트 구독(Host Subscription)' 기반 모델로 전환하여 확장성 문제를 해결했습니다. 사용자가 현재 화면에서 보고 있는 특정 호스트(최대 50개)에 대해서만 2초 간격의 고빈도 수집을 활성화함으로써, 전체 트래픽 볼륨을 100배 줄이고 인프라 비용을 98% 절감하는 성과를 거두었습니다. 이 글은 불필요한 데이터 수집을 최소화하면서도 사용자 경험과 시스템 효율성을 동시에 개선한 기술적 여정을 다룹니다. ## 기존 실시간 데이터 수집의 한계 * **전체 활성화 방식의 비효율성:** 기존에는 테넌트 내 한 명의 사용자만 페이지를 조회해도 해당 테넌트 전체 인프라의 모든 호스트에서 2초 간격의 데이터 수집이 시작되었습니다. 이로 인해 초당 수백만 개의 프로세스 데이터가 유입되는 부하가 발생했습니다. * **수평적 확장 불가능:** 실시간 정렬 기능을 제공하기 위해 테넌트의 모든 데이터를 단일 서버의 메모리에 보관해야 했습니다. 이는 시스템을 수평적으로 확장하는 것을 불가능하게 만들었으며, 서버 사양을 높이는 수직적 확장에만 의존하게 했습니다. * **리소스 낭비:** 실제 사용자가 한 번에 확인하는 프로세스는 약 50개 내외임에도 불구하고, 보이지 않는 수만 개의 프로세스 데이터를 실시간으로 수집하고 처리하는 비효율이 존재했습니다. ## 사용자 가시성 중심의 설계 전환 * **실시간 수집 대상의 최소화:** 사용자가 보고 있는 화면에 노출된 프로세스가 실행 중인 호스트에 대해서만 실시간 모드를 활성화하도록 전략을 수정했습니다. * **데이터 용도 분리 및 정렬 로직 최적화:** 2초 간격의 실시간 데이터는 화면 갱신에만 사용하고, 10초마다 수행되는 정렬 작업에는 일반적인 10초 간격 데이터를 활용하도록 변경했습니다. * **시스템 단순화:** 실시간 뷰와 히스토리 뷰에서 동일한 정렬 로직을 사용할 수 있게 되어 시스템 복잡성이 줄어들었고, 고빈도 메트릭을 메모리에 상주시켜야 할 필요성도 사라졌습니다. ## 호스트 구독 모델 및 필터링 최적화 * **호스트 구독(Host Subscription) 도입:** 사용자가 현재 보고 있는 호스트 목록을 추적하고, 이 상태를 Kafka를 통해 인테이크(Intake) 서비스와 라이브 서버 간에 공유합니다. * **조기 필터링(Early Filtering):** 구독 정보를 바탕으로 데이터 수집 단계(Intake)에서부터 필요한 데이터만 선별하여 처리합니다. 이는 Datadog 에이전트와 백엔드 서버 모두의 부하를 줄이는 핵심 기여를 했습니다. * **성능 개선 결과:** 개념 증명(PoC) 단계에서 이미 라이브 데이터 서버의 메모리 사용량은 85%, CPU 사용량은 33% 감소했으며, 이는 시스템 전체의 안정성 향상으로 이어졌습니다. 대규모 인프라 모니터링 환경에서 모든 데이터를 실시간으로 수집하는 것은 막대한 비용과 확장성 문제를 야기합니다. 사용자의 가시성 범위 내로 수집 대상을 제한하고 데이터의 용도(갱신 vs 정렬)에 따라 수집 빈도를 이원화하는 접근 방식은 리소스 효율성을 극대화하면서도 고성능 실시간 뷰를 제공할 수 있는 실용적인 해결책이 됩니다.

규모를 줄여 속도를 높이다 (새 탭에서 열림)

Cilium configuration for Kubernetes operations at scale

AMIE를 위한 의사 (새 탭에서 열림)

구글 딥마인드가 발표한 g-AMIE(guardrailed-AMIE)는 환자의 병력을 청취하고 진단 정보를 정리하는 의료용 AI 시스템으로, 의사의 최종 감독을 전제로 설계되었습니다. 이 시스템은 환자에게 직접적인 의료 조언을 제공하지 못하도록 엄격한 가드레일을 적용하되, 대신 의사가 검토하고 승인할 수 있는 상세한 임상 보고서를 생성합니다. 가상 임상 시험 결과, g-AMIE의 진단 정확도와 환자 소통 능력은 동일한 제약 조건 하의 인간 의료 전문가보다 우수한 것으로 평가되어 의료 AI의 안전한 도입 가능성을 제시했습니다. ### 의사 중심의 감독 체계와 비동기식 협업 * 의료 행위의 법적 책임과 전문성을 보장하기 위해 AI가 독자적으로 진단하는 대신, 전문의가 AI의 결과물을 검토하고 승인하는 '의사 중심 감독' 프레임워크를 채택했습니다. * AI가 환자와 대화하며 병력을 청취하는 동안 전문의는 다른 업무를 수행할 수 있으며, 이후 AI가 요약한 정보를 비동기적으로 검토함으로써 진료 효율성을 극대화합니다. * Gemini 2.0 Flash를 기반으로 구축되었으며, 의사가 진단 및 관리 계획을 수정·승인할 수 있도록 설계된 전용 웹 인터페이스인 '클리니션 콕핏(Clinician Cockpit)'을 제공합니다. ### 세분화된 멀티 에이전트 시스템 구조 * **대화 에이전트:** 일반적인 병력 청취부터 초기 진단 가설 검증을 위한 맞춤 질문, 환자의 궁금증 해소에 이르는 3단계 프로세스를 통해 고품질의 대화를 수행합니다. * **가드레일 에이전트:** AI가 환자에게 개별화된 의료 조언이나 진단을 직접 내리지 않도록 실시간으로 모든 답변을 감시하고, 규정을 준수하도록 문구를 재구성합니다. * **SOAP 노트 에이전트:** 수집된 정보를 주관적 기술(Subjective), 객관적 자료(Objective), 평가(Assessment), 계획(Plan)의 SOAP 형식으로 자동 생성하며, 의사가 환자에게 전달할 메시지 초안까지 함께 작성합니다. ### 임상 수행 능력 평가 (OSCE) 결과 * 60개의 환자 시나리오를 활용해 일반의(PCP) 및 간호사/의사 보조사(NP/PA) 그룹과 g-AMIE의 성능을 무작위 대조 시험으로 비교했습니다. * 감독 의사들과 독립적인 평가단은 g-AMIE가 도출한 차별 진단(Differential Diagnosis)과 환자 관리 계획이 인간 전문가 그룹보다 더 우수하다고 평가했습니다. * 환자 역할을 맡은 연기자들 또한 인간 의료진이 작성한 메시지보다 g-AMIE가 작성한 환자용 메시지에 대해 더 높은 선호도와 만족도를 보였습니다. g-AMIE는 AI의 데이터 처리 효율성과 전문의의 임상적 책임감을 결합한 새로운 의료 협업 모델의 이정표를 제시합니다. 비록 AI 시스템에 특화된 환경에서 도출된 결과라는 점을 고려해야 하나, 가드레일을 통해 안전성을 확보하면서도 의사의 업무 부하를 줄이는 이러한 기술적 접근은 향후 실제 진료 현장에 AI를 도입할 때 핵심적인 표준이 될 것으로 보입니다.

피그마에서 브랜드 (새 탭에서 열림)

Figma Buzz는 디자인 팀과 마케팅 팀이 분절된 워크플로우를 넘어 실시간으로 소통하며 창의적인 결과물을 함께 만들어가는 공동 제작 공간입니다. 이 플랫폼은 단순히 디자인 도구의 역할을 넘어, 브랜드 전략 수립부터 최종 실행 단계까지 모든 팀원이 한곳에 모여 협업할 수 있는 통합 환경을 제공하는 것을 핵심으로 합니다. 결과적으로 팀 간의 사일로(Silo)를 제거하고 일관된 브랜드 경험을 시장에 더 빠르게 전달하는 데 초점을 맞추고 있습니다. **디자인과 마케팅의 실시간 협업 체계** * 기획자와 디자이너가 별도의 도구를 사용하는 대신, Figma의 공유 캔버스 위에서 마케팅 전략과 비주얼 디자인을 동시에 조율합니다. * 피드백 루프를 단축하여 의사결정 과정을 투명하게 공개하고, 실시간 수정과 검토가 가능해져 프로젝트 진행 속도가 비약적으로 향상됩니다. **브랜딩 일관성 유지와 자산 관리** * 최신 브랜딩 가이드라인과 디자인 시스템을 마케팅 팀과 실시간으로 공유하여, 채널별로 발생할 수 있는 브랜드 이미지의 왜곡을 방지합니다. * Config 컨퍼런스 소식이나 제품 업데이트 등 핵심 소식들을 디자인 에셋과 연동하여 마케팅 콘텐츠로 즉시 변환할 수 있는 구조를 지원합니다. **데이터 중심의 워크플로우 최적화** * 'Inside Figma' 섹션을 통해 실제 내부 팀들이 협업하는 사례 연구를 공유하고, 이를 통해 효율적인 마케팅 디자인 프로세스를 구축하는 방법론을 제시합니다. * 제품 업데이트와 뉴스 피드를 협업 환경에 통합하여, 기술적 변화에 마케팅 팀이 기민하게 대응할 수 있는 기술적 기반을 제공합니다. 디자인과 마케팅 부서 간의 소통 비용을 줄이고 일관된 브랜드 보이스를 유지하고 싶다면, Figma Buzz의 협업 프레임워크를 활용해 보시기 바랍니다. 도구의 통합을 통해 조직 전체의 창의적 역량을 극대화하는 강력한 전환점이 될 것입니다.