if(kakao)25, 카카오뱅크가 전하는 기술 이야기
지난 9월 23일부터 25일까지 카카오 AI 캠퍼스에서 열린 if(kakao)25 기술 컨퍼런스에서는 ‘가능성, 일상이 되다.‘라는 슬로건 아래 다양한 세션과 패널톡이 진행되었습니다. 카카오뱅크는 1개의 기술 세션과 4개의 부스에 참여하며 큰 관심을 받았습니다. 특히 올해 처음 열린 Krew Day에서는 카카오 공동체 크루들이 직접 기술을 공유하는 다양한 부스를 운영했고, 카카오 공동체 CTO들이 참여한 패널톡에서는 AI 시대 개발자의 시각과
개발자의 시간을 벌어주는 두 가지 도구: 잘 쓴 테크 스펙, 그리고 AI
컬리 프로덕트 웹개발 팀의 테크 스펙 정착기와 AI 자동화 시도
AOP 기반 Feature Toggle 라이브러리
앱 현대화(App Modernization) 전략과 아키텍처 개선 여정
토스인컴 세금 환급 서비스 : 빠른 속도에서 품질을 지키기 위한 E2E 자동화 여정
우리는 결심했습니다. "누구나 실행할 수 있고, 언제나 신뢰할 수 있는 자동화 시스템"을 만들자고. 그 핵심은 Functional Page Object Model(POM)이었습니다.
채널톡 iOS26 대응기
업데이트는 애플이 하고 고생은 내가 하고...
[오프라인/마감] RAG 프로젝트는 왜 실패하는가?: RAG를 잘 다루고 싶은 엔지니어를 위한 패널 토크
※ 참가 신청은 12월 8일 월요일 13:00에 마감됩니다. COMMIT 신청하기 goorm 구름은 ‘모두가 개발자가 된다’는 비전으로 ‘개발자 성장 중심’ 생태계를...
DynamoDB야 진정해! Kafka와 Redis로 구현하는 실시간 역압력 아키텍처 구축기
배달대행사 API 연동과 장애 대응 - 오늘드림 서비스 개발기
오늘 주문하면 오늘 받는 오늘드림 서비스, 이를 위해 뒤에서는 얼마나 바쁘게 돌아갈까요? 안녕하세요. 올리브영 배송 및 물류 스쿼드에서 백엔드 개발을 담당하고 있는 맹곰이입니다.✌️ 올리브영은 택배 배송과 오늘드림 두 가지 배송 서비스를 제공하고 있는데요. 이 중 택배 배송과 관련 있는 물류시스템과 데이터 전송 방식은 "올리브영 물류시스템에서는 데이터를 어떻게 주고 받을까?"라는 제목으로 지난 해에 소개드렸습니다. 오늘은 물류시스템만큼 많은 트
레거시 결제 원장을 확장 가능한 시스템으로
약 20년간 운영되어 온 레거시 결제 시스템을 어떻게 확장성과 회복 탄력성을 갖춘 구조로 전환해 나갔는지, 그 과정에서 마주한 장애들과 해결 경험을 공유합니다.
Kafka Streams 윈도우 도입기
재고 정산 처리에 Kafka Streams window를 도입하며 겪은 이야기
Kafka Streams 윈도우 도입기
재고 정산 처리에 Kafka Streams window를 도입하며 겪은 이야기
YEYE가 지켜보고 있다–카카오의 공격 표면 관리 이야기
보호해야 할 대상이 있다면, 그 경계선은 언제나 공격자의 최우선 표적이 됩니다. 많은 공격자들은 웹, 네트워크 시스템 등 여러가지 표면을 탐색하며 약한 고리를 찾습니다. 우리는 이것을 공격 표면(Attack Surface)이라고 부릅니다. 공격 표면(Attack Surface)이란 외부에서 접근 가능한 모든 디지털 자산 — IP, 도메인·서브도메인, 오픈 포트, 웹 애플리케이션, S3 버킷, API 엔드포인트, 심지어 모바일 앱 스토어에 올라간
통합 데이터 허브로 가는 길 - Part 3
기능 구현과 운영전략
토스페이먼츠의 Open API 생태계
20만 개 가맹점이 사용하는 API, 수십 년간 안정적으로 운영하기 위한 토스페이먼츠의 방식
Lustre Changelog DR
목차 인사말 전통적인 rsync 방식의 한계와 파일 히스토리 기반 DR Lustre Changelog Changelog의 동작 원리 Changelog 활성화 및 확인 changelog_mask 이벤트 타입 Changelog 읽기 글루시스 DR 솔루션 주요 특징 시스템 구성 시스템 아키텍처 컴포넌트별 상세 기능 동작 원리 1. 이벤트 수집 단계 2. 동기화 처리 단계 3. 이벤트 처리 상태 관리 4. 예상치 못한 종료 시 복구 메커니즘 5. 오류
왜 막상 배포하면 효과가 없지? 타겟 지표에 맞는 ML모델 train/eval 설계하기
ML 벤치마크 태스크에서는 타겟 메트릭이 정해져 있고 모델링과 최적화에 집중하는 경우가 많습니다. 하지만 실제 서비스에 ML 모델을 적용할 때는, 무엇을 목표로 삼고 어떤 지표에 초점을 맞춰야 할지부터 정하는 과정이 매우 중요합니다. 비즈니스 목표가 아닌 잘못된 지표를 최적화 하는 경우, 모델 성능을 계속 높여도 서비스에서 아무런 효과가 발생하지 않는 상황을 겪기도 됩니다. 이번 포스트에서는 하이퍼커넥트 AI 조직이 매치그룹 내 데이팅 브랜드와
바비톡 QA 팀 테스트 자동화 구축기