107 posts
LY Corporation에서는 지금까지 AI 활용 역량 향상 워크숍인 Orchestration Development Workshop (ODW)를 통해, 개인이 AI를 활용해 개발과 검토를 진행할 수 있는 기반을 넓혀 왔습니다. 실제로 이미 일선 곳곳에서는 코드 자동 완성과 테스트, 문서 작성 등의 영역에서 AI 코딩 에이전트를 널리 사용하고 있습니다. 이제 다음 과제는 이러한 활용 사례가 개인의 노하우에서 멈추지 않도록 조직 차원에서 재현 가능한 형태로 끌어올리는 것입니다. 조직 차원에서 AI…
들어가며: 관측성 데이터는 많아졌지만, 분석은 여전히 어렵습니다 안녕하세요. LY Corporation에서 Home 서비스의 안정성을 책임지고 있는 Home SRE(Site Reliability Engineering) 팀입니다. 장애 알림이 울렸을 때의 장면을 떠올려 보겠습니다. 먼저 대시보드를 열어 메트릭을 확인합니다. 이어서 로그 플랫폼으로 이동해 같은 시간대의 에러 로그를 검색합니다. 그래도 원인이 명확하지 않으면 트레이스 도구를 열어 어떤 요청이 문제였는지 살펴봅니다. 필요하다면 프로파일…
LINE Android 앱은 수백 명의 개발자가 하나의 Git 저장소에서 함께 만들어 가는, 수백 개의 Gradle 모듈로 구성된 대규모 Android 앱입니다. LINE Android 앱 개발 팀은 최근에 여러 AI 코딩 에이전트(주로 Claude Code, 그 외 Codex·OpenCode·Gemini in Android Studio 등)를 개발에 일상적으로 활용하고 있는데요. 이런 규모에서는 AI 에이전트가 토큰을 과도하게 소비하는 상황이 빈번하게 발생합니다. 코드가 방대해 하나의 검색 요…
들어가며 안녕하세요. AI Services Lab 팀의 ML 엔지니어 이여운입니다. 저희 팀에서는 사용자에게 유해한 오픈챗이 노출되지 않도록 다양한 모델을 개발하고 있습니다. 이번 글에서는 오픈챗의 이름(name)과 설명 글(description)을 기반으로 해당 오픈챗이 유해한지 판단하는 모델을 개발한 과정을 소개하고자 합니다. 오픈챗 모니터링 소개 오픈챗 생성 시 사용자는 오픈챗 이름을 필수로 정해야 하며, 부가로 본 오픈챗을 설명하는 글을 남길 수 있습니다. 서비스를 운영하는 측에서는 오픈…
들어가며: 왜 Kafka 종단 간 암호화인가? LINE 메신저에서는 매일 수십억 건의 메시지가 오갑니다. 이 방대한 데이터는 다양한 시스템으로 전달되며, 그중에는 개인 정보와 같이 매우 높은 수준의 보안이 요구되는 민감한 데이터도 존재합니다. LY Corporation은 이러한 민감 데이터를 다층적인 보안 체계로 보호하고 있으며, 위협 환경의 변화와 서비스 규모의 성장에 맞춰 보안 수준을 지속적으로 강화해 나가고 있습니다. LINE 메신저의 대화방 메시지에는 이미 종단 간 암호화 기술인 Lett…
들어가며 LINE Developers를 통해 이용할 수 있는 LIFF(LINE Front-end Framework)를 활용하면, LINE 앱 사용자를 대상으로 나만의 서비스 공간을 열 수 있습니다. LINE 앱 안에서 웹 서비스가 그대로 실행되기 때문에 LINE 공식 계정(LINE Official Account, 이하 LINE OA)(참고)이 단순한 알림 채널을 넘어 고객과 직접 연결되는 플랫폼이 될 수 있습니다. 저희는 이 가능성을 직접 확인해 봤습니다. LINE Planet 팀에서 PM인 정…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 코딩 속도는 더 이상 가장 큰 병목이 아닙니다. 이제 병목은 입력이 여러 곳에 흩어져 있다는 점과 그것들을 하나로 엮는데 드는 비용입니다. 하나의 기능을 구현하려면 여러 시스템을 오가야 합니다. 요구 사항은 Jira에, 디자인은 Figma에, 문서는 Confluence에, 세부 확인 사항은 Slack에, 구현은 Git에 있습니다. 프런트엔드 개발자는 이 모든 입력이 한곳으로 모이는 지점에 있습니다. 사양…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 안녕하세요. LY Corporation에서 머신러닝 플랫폼을 개발하고 있는 Kenta Kihara와 Yifan Yuan입니다. 이 글에서는 LINE Part Time Jobs(LINEバイト)의 검색 리랭킹(reranking)에서 직면했던 cold start problem을 임베딩 처리 방식을 개선하여 간단히 해결한 사례를 소개합니다. LINE Part Time Jobs의 검색 리랭킹 소개 LINE Par…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. AI 코딩에서 어려운 점은 더 이상 코드를 생성하는 것이 아닙니다. 진짜 어려운 부분은 그 밖의 모든 과정입니다. 의도를 명확한 스펙으로 바꾸고, 가정을 점검하며, 구현을 확인하고, 리뷰어가 신뢰할 수 있는 PR(pull request)을 준비하는 일입니다. 저희는 이 조율 과정을 ‘제안자(proposer)’와 ‘도전자(challenger)’라는 전문가 간의 단계별 토론 구조로 재설계했습니다. 각 단계는…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 에이전트가 코드를 작성할 때 마주하는 문제 코딩 에이전트의 반복 속도는 매우 빠릅니다. 이런 에이전트의 속도에 비해 개발 사이클에는 검증하기 위해 CI를 오가는 작업이나 반나절은 걸리는 환경 프로비저닝 같은 느린 단계가 있으며, 이런 단계들이 병목이 됩니다. 또한 에이전트와의 경험에는 기복이 있습니다. 에이전트는 훌륭하게 잘 작동할 때도 있지만 잘못된 결과를 내놓기도 합니다. 저희 역시 컴파일되지 않는…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 들어가며 안녕하세요. LY Corporation의 DBaaS DevOps 팀에서 일하고 있는 박정무입니다. LY Corporation은 대규모 프라이빗 클라우드를 직접 개발해 운영하고 있으며, 프라이빗 클라우드 환경에서 데이터베이스는 DBaaS(Database as a Service) 형태로 제공합니다. 현재 저희는 구 LINE Corporation에서 사용하던 ‘Verda’와 구 Yahoo Japan…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 대규모 언어 모델(large language model, 이하 LLM)의 물리적 입력 한계가 수백만 토큰으로 확장되면서 소프트웨어 엔지니어링 업계에는 더 큰 컨텍스트 창(context window)이 더 높은 운영 지능을 의미한다는 전제가 널리 퍼져 있습니다. 그러나 자동 코드 리팩토링, 지속적인 코드 리뷰, 장기 소프트웨어 개발 루프와 같은 프로덕션급 에이전트형 워크플로에서 큰 컨텍스트 창에 수동적으로…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 안녕하세요. LY Corporation의 Nakano입니다. Yahoo! JAPAN Search의 AI 응답 서비스에서 대규모 언어 모델(LLM) 최적화를 담당하고 있습니다. 이 글에서는 유전(genetic) 알고리즘을 사용해 프롬프트 튜닝을 자동화하고, 수일에서 수주가 걸리던 조정 작업을 약 한 시간으로 단축한 방법과 그 적용 사례를 소개합니다. 프롬프트 튜닝 시 마주치는 과제 LLM을 통합한 기능을…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 들어가며 안녕하세요. LY Corporation에서 대규모 데이터 플랫폼 운영을 담당하고 있는 Hirayama, Numata, Ogasawara, Ogawa입니다. LY Corporation은 검색·포털과 전자상거래, 메신저, 광고 등 폭넓은 서비스를 지원하기 위해 대규모 데이터 플랫폼을 운영하고 있습니다. 그 핵심인 HDFS(Hadoop Distributed File System)는 기존에 별도로 운영…
LY Corporation의 기술 컨퍼런스인 Tech-Verse 2026의 공식 기사입니다. 안녕하세요. AI 에이전트로 분석을 ‘하나로 잇는’ 프로젝트 ‘PJ One Piece’의 프로덕트 매니저 하시모토와 프로덕트 오너 오카다입니다. PJ One Piece는 생성형 AI를 활용해 비즈니스 질문부터 데이터 분석, 인사이트 정리, 다음 액션 검토까지 연결하는 분석 AI 에이전트 프로젝트입니다. 선행 도입 후 기존에 의뢰부터 결과 회신까지 평균 약 2주가 걸리던 분석을 약 10분 만에 실행할 수…