devBlog
포스트
여러 기업 기술블로그의 새 글을 한 곳에서 확인하세요.
이번 주 인기 글
최근 일주일간 북마크와 조회가 많았던 글이에요.
Product Engineer의 병목 — 코드에서 검증으로
나는 하네스 깎는 노인이 되었다 시리즈 1: 은총알은 없다
[](https://www.nhncloud.com/kr) > 이 글은 작성자가 사내 게시판에 공유한 글을 가공한 것으로, 작성자의 의도와 맥락을 충실히 전달하기 위해 원문의 문장 스타일을 그
전체 글
Java 디컴파일러로 운영 서버와 형상관리 소스의 불일치를 해소하다
안녕하세요, 올리브영에서 백오피스 시스템 개발을 담당하고 있는 찬입니다. 형상관리 시스템에 커밋하고 배포까지 마쳤는데, 운영 서버의 동작이 로컬 환경과 다르게 나타난 적이 있으신가요? Single Source of Truth…
채널톡 Open API 뜯어고치기
명세 중심의 문서 관리와 Open API 서버 분리
성과의 차이를 만드는 MD는 무엇을 다르게 할까?
라포랩스 패션, 뷰티, 식품 MD 3인이 일하는 법
독감 예방접종 무료 대상, 우리 집은 언제부터일까?
올해는 독감이 예년보다 이르게 돌고 있어요. 질병관리청이 9월 11일 유행주의보를 발령했는데, 지난해(10월 17일)보다 한 달
[프로모션] 로봇 생산성부터 고장 예측까지 한 번에, AI 기반 로봇 운영 OS ROBOT FACTORY
안녕하세요, 누구나 쉽게 시작하는 클라우드 네이버클라우드 ncloud.com 입니다. 오늘은 로봇을 운영하는 현장에 도움이 될 마켓플레이스 오픈 프로모션 소식을 들고 왔습니다. 야심 차게 도입한 로봇, 생산성과 운영 효율까지 챙기기는 생각보다 쉽지 않으시죠? "실시간 생산성이 보이지 않아 생산 손실과 병목을 찾기 어렵다" "작업 중인 로봇의 상태와 가동 현황을 한눈에 확인할 수 없다" "로봇의 이상 징후와 고장 위험을 미리 알 수 없다" "갑자
데이터 소재지와 데이터 주권
데이터 소재지와 데이터 주권은 다른 개념입니다. 국내 데이터센터에 저장했다는 사실만으로는 데이터 주권이 확보되지 않습니다. 데이터 주권은 저장 위치가 아니라 그 데이터를 운영하는 기업이 어느 나라 ... Read More
케클s피드 9월호｜kt cloud summit 2026, 고객의 AX를 현실로 만드는 인프라 전략
AI 서비스를 안정적으로 운영하려면 어떤 인프라와 기술이 필요할까요? 이번 케클s피드에서는 kt cloud summit 2026에서 공개한 고객의 AX를 뒷받침하는 인프라 전략을 소개합니다. AI 데이터센터의 전력 인프라와 구축·운영 기술부터 AI 서비스의 성능과 비용을 함께 고려한 클라우드·AI 기술과 적용 사례까지 담았습니다. 비즈니스 현장에서 AI를 구현하고 운영하는 데 필요한 인사이트를 만나보세요.1,500여 명이 함께한 kt cloud
에이전트, 개념부터 같이 정리해봐요 - 워크플로우 · 하네스 · Context/Memory · MCP/A2A
네이버 사내 Tech Meetup에서 발표되었던 인기 세션을 공유합니다. 에이전트를 개발하다 보면 같은 개념을 서로 다른 뜻으로 쓰고 있어서 논의가 겉도는 경험, 한 번쯤 해보셨을 것 같습니다. "이거 에이전트인가요?" "하네스를 만들어야죠" — 그런데 하네스가 정확히 무엇인가요? "Context 에 넣어두면 되죠" "그건 Memory 아닌가요?" "그건 MCP 인가요 A2A 인가요? 기존 REST API 랑 뭐가 다른가요?" 사실
당근 동네걷기 위에서 동시에 쏟아지는 오버레이들을 우아하게 제어하기
투자 유치를 받기 위해 회계팀은 무슨 일을 할까?
투자 유치 전 재무자료 준비부터 투자 실사(Due Diligence), 투자금 납입과 관리, 그리고 투자 이후의 정기적인 사후 보고까지. 투자 유치의 시작부터 끝까지 회계팀이 어떤 역할을 하는지 쉽고 간단하게 소개합니다.
Product Engineer의 병목 — 코드에서 검증으로
9인조 다람쥐 아이돌을 데뷔시켰습니다
가입하고 한 번도 열어보지 않던 적금을, 매일 열어보게 만들었어요.
고객의 한마디가 기능이 되기까지, AI 에이전트로 시작하는 제품 개발 사이클
AI 코딩 도구로 구현은 빨라졌는데 제품 개발은 왜 그대로일까요? 인포그랩이 Nelper를 개발하며 고객 요구사항을 Slack에서 Nelper Agent로 정리하고 구현·검증·배포·공유를 한 사이클로 연결한 방법을 사례와 함께 소개합니다.
“세무 플랫폼, 납세자 환급 권리 실현 등 소비자 후생 개선”
성균관대 박민수 교수·서던일리노이대 이수정 교수, 세무 플랫폼의 소비자 후생 연구 미청구 환급권과 금전적 편익, 신고시
Jev로 AI 글 냄새 잡기 - 판정 모델을 교정 파이프라인 세 곳에 붙인 기록
요즘 AI와 함께 글을 쓰는 일이 부쩍 늘었습니다. 그러다 최근 DEVOCEAN에 올린 개발기(벡터DB를 걷어내고 유사글 추천을 되살린 이야기)가 ＂AI 느낌이 많이 난다＂는 이야기를 들었고, 마침 책 원고 교정 도...
[클로바시선 #58] 속도와 비용의 열쇠: 멀티모달 AI 학습을 갉아먹는 ‘이미지 토큰 불균형’ 이야기
소버린 AI를 개발하는 일은 막대한 비용을 감당해야 하는 승부입니다. ⚔️ 2025년 Meta가 공개한 자료에 따르면, Llama 4의 사전학습에는 H100 GPU 누적 738만 시간이 투입되었는데요. 이를 2026년 현재 클라우드 H100 임대 시세(시간당 약 2.5~3달러)로 단순히 환산하면 GPU 비용만 한화로 약 250억~300억 원 규모인 셈입니다. 이렇게 GPU를 수백만 시간 가동하는 데만 수백억 원이 소요되는 시대에, 학습 속도를
Hive는 잊으려 했지만, Spark는 기억하고 있었다: 사라진 get_table RPC 복원기
TApplicationException · UNKNOWN_METHOD Invalid method name: 'get_table' 이 글은 네이버의 Hadoop 플랫폼인 C3의 Metastore를 Apache Hive 4.2로 올리는 과정에서 Spark 잡(job)이 실패한 현상과 그 원인을 추적해, Metastore Thrift 인터페이스에서 조용히 사라졌던 RPC 하나를 복원하기까지의 과정을 다룹니다. 코드 변경 자체는 IDL 두 줄과 서버
Amazon SageMaker AI와 AWS IoT Greengrass를 활용한 Physical AI 학습 파이프라인 구축하기
로봇을 움직이는 제어 정책을 학습할 때는 수백만 번의 시행착오가 필요합니다. 학습한 모델로 원하는 동작을 수행하는지 반복해서 검증해야 하는데, 실제 로봇으로 이를 반복하면 시간이 오래 걸리고 비용이 크며 로봇이 파손될 위험이 있습니다. 그래서 로봇 개발팀은 시뮬레이션에서 학습하고 실제 로봇에서 검증하는 Sim-to-Real 접근법을 사용합니다. 하지만 시뮬레이션에서 수많은 시행착오를 거치고 사전 학습된 모델을 로봇 데이터로 미세 조정하는 작업은
페이지 1 / 233 (총 4179개)