TheNote
DZone.com Feed 한국어 노트
GooglePlay AppStore

DZone.com Feed 한국어

DZone은 기술 및 프로그래밍의 다양한 측면에 초점을 맞춘 포괄적인 온라인 플랫폼입니다. 이 사이트는 다양한 프로그래밍 언어, 기술, 프레임워크 및 도구에 대한 풍부한 정보를 제공합니다. 사이트의 주요 기능 및 리소스에는 기술 부문에서 최신 트렌드 및 업데이트에 대한 뉴스 및 기사, 다양한 프로그래밍 기술을 학습하는 데 사용할 수 있는 리소스 및 자습서, 사용자가 서로 상호작용하고 경험 및 지식을 공유할 수 있는 커뮤니티가 포함됩니다. 또한, DZone은 테크 전문가들을 위한 구인 광고를 제공하여 기술 및 프로그래밍에 관심이 있는 사람들을 위한 유용한 리소스로 작동합니다.
DZone.com Feed dzone.com
RSS feeds.dzone.com
DZone.com Feed 한국어 RSS thenote.app
RSS Hunter RSS Hunter • 2024년 8월 23일

노트 스레드

AI 지원 제품 발견

TL; DR: 코드가 더 이상 제약이 아니므로 무엇을 구축할지 결정하는 것이 새로운 직업입니다.에이전트 코딩은 제품 팀이 모든 아이디어를 한 번에 추구하는 것을 막았던 비용 장벽을 제거했으며, 제약은 제품 판단, 즉 구축할 가치가 있는 것을 구별하는 능력으로 옮겨졌습니다. AI 지원 제품 검색은 어떤 제품 담당자보다 훨씬 더 많은 고객 증거를 읽음으로써 해당 판단을 준비할 수 있습니다. 이러한 검색 에이전트는 세 가지 소스 계열을 분석하고, 여덟 가지 패턴을 확인하며, 현재 방향에 대해 찬반 양론을 펼칩니다.A3 프레임워크는 이 작업을 "Assist"라고 부릅니다. 에이전트가 분석하고 준비하며, 사람이 결정합니다. 이 프레임워크는 또한 A3 Handoff Canvas를 통해 에이전트의 한계를 정의하는 데 도움을 줍니다. 즉, 에이전트가 무엇을 하고, 사람이 무엇을 하며, 어떤 데이터를 사용하는지 등을 정의합니다. 또한 첫 번째 실행 전에 AI Definition of Done, 즉 품질 좋은 AI 출력물이 "어떻게 보이는지"를 정의합니다.
AI-Assisted Product Discovery dzone.com
RSS Hunter RSS Hunter • 11월 13일

BBD 프레임워크 선택

몇 년 전, 저는 스프린트 리뷰에 참석했는데, 프로덕트 매니저와 시니어 개발자가 티켓의 한 줄에 대해 20분 동안 논쟁하는 것을 보았습니다. "사용자는 비밀번호를 재설정할 수 있습니다." 개발자는 정확히 그것을 구현했습니다. PM은 세 번의 실패 후 잠금, 이메일 확인, 그리고 한 시간 후에 만료되는 링크를 예상했습니다. 정확히 말하면 아무도 틀리지 않았습니다. 그들은 단지 머릿속에 두 가지 다른 그림을 가지고 있었고, 티켓은 누구도 그것을 종이에 그리도록 강요하지 않았습니다.사람들이 말하는 것과 의미하는 것 사이의 이러한 간극이 행동 주도 개발(Behavior-Driven Development)이 존재하는 이유입니다. 그리고 또한 BDD 도구를 선택하는 것이 기능보다는 팀이 어떻게 대화하는지에 더 달려 있는 이유이기도 합니다.
Choosing a BBD Framework dzone.com
RSS Hunter RSS Hunter • 11월 13일

이해해야 할 주요 ML 분류 지표

머신러닝 모델을 구축할 때 많은 초보자들이 찾는 것은 정확도입니다. 피부 질환을 탐지하는 모델이 있다고 상상해 보세요. 테스트 데이터셋에는 10,000명의 환자가 있으며, 그중 100명만이 질병을 가지고 있고 나머지는 건강합니다. 모델은 결국 모든 사람을 건강하다고 예측합니다. 이는 99%의 정확도를 제공하며, 인상적으로 들릴 수 있지만 단 한 명의 아픈 환자도 식별하지 못했습니다.이제 실제 세계에 배포하면서 정확도를 맹목적으로 신뢰한다고 생각해 보세요. 테스트 단계에서 단 한 명의 아픈 사람도 식별하지 못했기 때문에 이는 재앙이 될 것입니다. 이것이 모델이 테스트 단계에서 인상적인 정확도를 제공했음에도 불구하고 실제 세계에서 실패할 수 있는 이유입니다. 실제 생활에서 모델의 동작을 실제로 이해하려면 정확도 이상의 지표를 살펴봐야 합니다.
Key ML Classification Metrics You Need to Understand dzone.com
RSS Hunter RSS Hunter • 11월 13일

컨트롤러와 데이터 접근: 추상화와 캡슐화를 통한 2계층 아키텍처 이해

모든 실제 애플리케이션이 여러 계층, 의존성 역전, 엄격한 도메인 경계를 갖춘 완전한 클린 아키텍처를 필요로 하는 것은 아닙니다. HRMS 및 급여 플랫폼과 같은 내부 엔터프라이즈 애플리케이션을 포함한 많은 프로덕션 시스템은 컨트롤러 계층과 데이터 액세스 계층이라는 더 간단하고 실용적인 2계층 아키텍처에서 성공적으로 실행됩니다.이 더 간단한 구조가 왜 작동하는지, 그리고 클린 아키텍처 뒤에 있는 동일한 OOP 원칙과 어떻게 관련되는지 이해하면 어떤 종류의 코드베이스에서든 자신 있게 작업하는 것이 더 쉬워집니다.
Controller and Data Access: Understanding Two-Layer Architecture Through Abstraction and Encapsulation dzone.com
RSS Hunter RSS Hunter • 11월 13일

핫키 설계를 위한 고려사항: 분산 시스템이 분산을 멈출 때

분산 시스템은 일반적으로 키를 해싱하여 노드에 데이터를 분산시켜 단일 노드가 모든 부하를 감당하지 않도록 합니다. 핫 키는 이러한 가정을 위반합니다. 핫 키는 특정 기간 동안 다른 키의 액세스 볼륨을 훨씬 초과하는 키입니다. 전역 뷰 카운터 또는 인기 있는 항목 식별자는 초당 수백만 건의 읽기 또는 쓰기를 받을 수 있습니다. 나머지 클러스터에 여유 용량이 있더라도 모든 요청은 동일한 파티션을 대상으로 합니다.그 결과 부하가 불균등해집니다. 한 노드는 CPU, 네트워크, 스레드 또는 연결 제한에 도달하는 반면 다른 노드는 사용되지 않은 상태로 유지됩니다. 트래픽이 계속해서 동일한 파티션으로 해결되기 때문에 노드를 추가해도 문제가 해결되지 않습니다. 과부하된 샤드는 작업을 분산하도록 설계된 시스템의 병목 현상이 됩니다.
Designing for Hot Keys: When Distributed Systems Stop Distributing dzone.com
RSS Hunter RSS Hunter • 11월 13일

데이터베이스 변경 사항부터 대규모 실시간 작업까지: Oracle GoldenGate와 Java

Oracle GoldenGate를 통해 DB 변경 사항을 실시간으로 스트리밍할 수 있습니다. 그러면 Java 애플리케이션에서 이를 소비하여 DB 폴링 없이 이벤트를 검증/처리/라우팅할 수 있습니다. 목표DB의 실시간 트랜잭션을 수신하고, 트랜잭션 내의 모든 작업에 대해 처리하며, 거의 실시간 SLA로 트랜잭션 경계를 유지합니다.
From Database Changes to Real-Time Actions at Scale: Oracle GoldenGate and Java dzone.com
RSS Hunter RSS Hunter • 11월 13일

AI가 소프트웨어 엔지니어링을 대체한 것이 아니라 병목 현상을 변화시켰습니다.

AI는 코드 생성 비용을 극적으로 절감했습니다. 하지만 소프트웨어 엔지니어링은 단순히 코드 생성만이 아닙니다. 구현이 빨라짐에 따라 실제 병목 현상은 계획, 아키텍처, 검토, 테스트, 배포 및 장기 유지보수로 이동합니다. 코딩 속도만을 계속 최적화하는 팀은 예방할 수 있었던 문제들을 해결하는 데 더 많은 시간을 소비하게 될 것입니다. 속도는 엔지니어링 시간의 사용처를 바꿉니다.역사적으로 변경 및 소프트웨어 재구축과 관련된 비용은 막대했습니다. 그러나 AI는 조직이 엄청나게 빠르게 움직일 수 있도록 합니다. 이전에는 다른 모든 SDLC 단계보다 엔지니어링에 훨씬 더 많은 노력이 필요했습니다. 그러나 AI는 엔지니어가 빠르게 구축할 수 있는 현실을 만들어 일부 변경 비용을 낮추었습니다.
AI Didn't Replace Software Engineering; It Changed the Bottleneck dzone.com
RSS Hunter RSS Hunter • 11월 13일

내일 코드를 삭제할 수 있게 해주는 7가지 Swift 기능

매년 Apple의 "What's new in Swift" 세션에서는 30분 동안 언어 기능들을 발표하며, 매년 요약본은 발표 순서대로 나열됩니다. 그 순서는 키노트에 최적화된 것이지, 여러분의 스프린트에 최적화된 것이 아닙니다.이 요약본은 다르게 정렬되었습니다. 모든 기능에 대한 질문은 동일합니다: 내일 열 수 있는 diff에서 얼마나 떨어져 있는가? 이 중 일부는 2021년부터 사과해왔던 해킹을 삭제하는 한 줄짜리 변경 사항입니다. 다른 것들은 강력하고 잘 설계되었으며, 1년 동안 앱 코드를 건드리지 않을 것입니다. 둘 다 이해할 가치가 있습니다. 티켓을 받을 자격이 있는 것은 하나뿐입니다.
7 Swift Features That Will Let You Delete Code Tomorrow dzone.com
RSS Hunter RSS Hunter • 11월 13일

2026년 머신러닝을 이용한 중복 탐지: 문자열 메트릭부터 임베딩 및 LLM까지

기업이 고객, 제품, 코드에 대해 더 많은 데이터를 수집할수록 중복 정보가 축적되어 이를 활용하는 팀을 혼란스럽게 합니다. 수백만 건의 기록을 수동으로 검토할 수는 없습니다. 따라서 중복 제거는 이제 머신러닝 문제가 되었습니다. 이 글에서는 기존 기법이 여전히 작동하는 ML 시스템에서의 중복 탐지 현황과 임베딩 및 대규모 언어 모델이 가져온 변화를 살펴봅니다. ML 시스템은 어떻게 중복을 탐지하는가?사람은 두 개의 그림이나 두 개의 문자열을 보고 동일한지 알 수 있습니다. 기계에 동일한 작업을 가르치는 것은 어려운 질문을 제기합니다. '유사함'이란 무엇인가? 유사함에는 정도가 있습니다. "Jon Smith, 12 Oak St."는 "Jonathan Smith, 12 Oak Street?"와 동일한 고객인가?
Detecting Duplicates With Machine Learning in 2026: From String Metrics to Embeddings and LLMs dzone.com
RSS Hunter RSS Hunter • 11월 12일

조용히 실패하는 공개 데이터 수집: TypeScript 및 Cloudflare Workers 파이프라인에서의 패턴

초록공공 통계 데이터셋은 오류로 인해 실패하는 경우가 드뭅니다. 문제가 발생하면, 그들은 그럴듯한 숫자, 성공 상태가 표시된 HTML 페이지, 또는 조용히 업데이트가 중단된 시계열 데이터를 반환합니다. 이 글은 연간 직업별 임금 조사, 월별 생산자 물가 지수, 2022년 자재 가격 산업 벤치마크, 그리고 ZIP 코드와 대도시 지역 간의 교차 참조라는 네 개의 공공 데이터셋을 결합하는 주거용 콘크리트 비용 추정기 뒤에 있는 수집 파이프라인을 설명합니다.각 데이터셋에 대해, 우리는 실제로 관찰된 실패 모드, 그에 대한 증거, 그리고 이를 명시적인 상태로 전환하는 TypeScript 코드를 문서화합니다. 핵심 주장은 모든 침묵하는 실패는 사용자 인터페이스까지 모든 경로를 따라 숫자를 동반하는 타입화된 값이 되어야 한다는 것입니다. 이 파이프라인은 로컬 CLI와 예약된 Cloudflare Worker에서 실행되며, Cloudflare D1에 쓰고, 정적 사이트를 제공합니다.
Ingesting Public Data That Fails Silently: Patterns From a TypeScript and Cloudflare Workers Pipeline dzone.com
RSS Hunter RSS Hunter • 11월 12일

Foundry, Azure AI Search, Cosmos DB를 사용하여 Docker로 컨테이너화하고 Grafana로 관찰하는 기반 검색 에이전트 구축

"검색"이 더 이상 충분하지 않은 이유단순한 RAG 파이프라인 — 쿼리 임베딩, 벡터 인덱스 조회, 상위 k개 청크를 프롬프트에 삽입 — 은 단일 턴 FAQ 봇에는 잘 작동합니다. 하지만 다음과 같은 상황이 발생하면 제대로 작동하지 않습니다.다중 턴 메모리 ("지난 분기는 어땠나요?"는 "지난 분기"가 무엇을 의미하는지 알아야 함) 검색 여부에 대한 결정 (일부 질문은 문서 검색이 아닌 구조화된 조회임) 호출자가 확인할 수 있는 인용이 게시물은 작지만 완전한 기반 검색 에이전트를 구축합니다. Azure OpenAI(Microsoft Foundry 경유)는 검색 도구를 호출할지 구조화된 데이터 도구를 호출할지 결정하고, Azure AI Search는 비구조화된 문서에 대한 검색 및 의미 순위를 처리하며, Azure Cosmos DB는 대화 상태 및 구조화된 주문/고객 메타데이터를 저장합니다. 에이전트는 OpenAI 함수 호출을 사용하여 두 데이터 소스 간에 라우팅하고 항상 인용을 반환합니다.
Building a Grounded Search Agent With Foundry, Azure AI Search, and Cosmos DB, Containerized With Docker and Observed With Grafana dzone.com
RSS Hunter RSS Hunter • 11월 12일

사용자 정의 SOAP 핸들러를 사용하여 JAX-WS 서비스 호출 간 쿠키 유지

돌아오지 않은 쿠키첫 번째 호출은 사용자를 인증했습니다. 두 번째 호출은 실패했습니다.저는 IBM Rational Application Developer에서 WSDL과 해당 XSD로부터 생성된 JAX-WS 클라이언트 클래스를 통해 노출된 고객 제공 SOAP 서비스와 통합하고 있었습니다. 첫 번째 호출은 사용자를 인증하고 Set-Cookie 헤더와 함께 돌아왔습니다. 그 이후의 모든 호출은 해당 쿠키가 필요했습니다. 생성된 클라이언트는 아무것도 보내지 않았습니다. 각 호출은 독립적인 대화처럼 작동했으며, 워크플로우는 두 번째 단계에서 중단되었습니다. 예외도, 경고도 없었습니다. 단지 당신이 누구인지 잊어버린 서버뿐이었습니다.
Persisting Cookies Across JAX-WS Service Calls Using a Custom SOAP Handler dzone.com
RSS Hunter RSS Hunter • 11월 12일

Angular, Spring Boot, SSO, MFA를 이용한 엔터프라이즈 인증 구축

엔터프라이즈 애플리케이션, 특히 Angular 및 Spring Boot와 같은 프레임워크에서의 인증은 단순한 추가 기능이 아니라 근본적인 아키텍처 고려 사항입니다. 싱글 사인온(SSO) 및 다단계 인증과 같은 기능을 구현하는 것은 전체 애플리케이션의 작동 방식에 상당한 영향을 미칩니다. SSO는 간단해 보이지만 프론트엔드가 새로운 인증 흐름에 적응해야 합니다. 애플리케이션은 컴포넌트가 로드되기 전에 사용자가 권한을 가지고 있는지 확인하기 위해 라우트 가드를 통합해야 합니다. ID 제공업체로의 및로부터의 리디렉션을 처리하려면 애플리케이션의 의도된 상태를 유지해야 합니다. 또한 프론트엔드는 토큰 만료를 비정상적인 상황이 아닌 표준적이고 예상되는 발생으로 간주하여 이를 우아하게 관리해야 합니다. 이러한 복잡성은 인증이 라우트 관리 및 상태 처리에 영향을 미치는 핵심 프론트엔드 아키텍처를 결정한다는 것을 강조합니다. 이는 로그인 화면을 넘어 애플리케이션의 내부 작동 방식을 근본적으로 변화시킵니다. 따라서 인증은 나중에 생각하는 것이 아니라 개발 초기 단계부터 통합되어야 합니다.
Building Enterprise Authentication with Angular, Spring Boot, SSO, and MFA dzone.com
RSS Hunter RSS Hunter • 11월 12일

세 가지 세계의 최고: Rust와 Java로 작성된 AI 에이전트가 C 라이브러리를 능가하다

사진 업로드를 허용하는 모든 앱은 결국 HEIC를 지원하게 됩니다. 아이폰은 기본적으로 HEIC로 저장합니다. Java나 Rust 모두 기본적으로 이를 읽을 수 없으며, 일반적인 해결책인 libheif는 C 라이브러리입니다. 이는 모든 컨테이너 이미지에 네이티브 패키지를 설치하고, 빌드 시 C 툴체인을 사용하며, 낯선 사람이 업로드한 파일을 C로 작성된 파서로 읽는 것을 의미합니다.저는 Java 제품과 Rust 제품에서 이 문제를 두 번 겪었습니다. 그래서 다른 방법을 택했습니다. AI 코딩 에이전트가 작성하고 개선한, 제가 지휘하는 해당 언어 자체로 작성된 디코더를 사용하는 것입니다. 어떻게 진행되었는지 설명하겠습니다.
Best of Three Worlds: AI Agents Writing In Rust and Java Beat the C Library dzone.com
RSS Hunter RSS Hunter • 11월 12일

LLM을 위한 프롬프트 캐싱, 3부: 모델 측 캐싱 및 프로덕션 롤아웃

요약: 이것이 어디에 들어맞는가이 시리즈의 1부에서는 정확히 일치하는 캐싱을 다루었고, 2부에서는 의미론적 캐싱을 다루었습니다. 둘 다 모델 앞에 위치하며, 히트 시 호출을 완전히 건너뛸 수 있습니다. 이 글에서는 여전히 모델에 도달하는 요청에 어떤 일이 발생하는지 다룹니다. 즉, 자체 추론 엔진 내부 또는 API 제공업체의 시스템 내부에서 계산된 모델 상태를 재사용하는 것과, 캐싱 계획을 팀이 실제로 실행하고 신뢰할 수 있는 것으로 바꾸는 프로덕션 세부 사항을 다룹니다.3계층과 4계층은 동일한 기본 아이디어의 두 가지 버전으로, 계산된 모델 상태를 재사용하며 모델 서버를 실행하는 주체에 따라 분리됩니다. 자체 GPU를 실행하는 경우 3계층이 적용됩니다. 호스팅된 API를 호출하는 경우 4계층이 적용됩니다. 동일한 모델 호출에 대해 두 가지를 동시에 사용할 필요는 거의 없습니다.
Prompt Caching for LLMs, Part 3: Model-Side Caching and Production Rollout dzone.com
RSS Hunter RSS Hunter • 11월 12일

스크래핑 파이프라인이 생산 중에 중단되는 이유

운영 코드는 면밀히 검토됩니다. 빌드는 감시되고, 라이브러리는 알려진 취약점에 대해 확인되며, 야간에 서비스가 실패하면 누군가가 책임을 집니다.외부 데이터를 가져오는 작업은 보통 이 모든 것에서 벗어납니다. 그것은 간단한 스크립트로 시작하여 예약되었고, 그 이후로 손대지 않고 실행되었습니다. 테스트가 없고, 유일한 오류 처리는 모든 것을 잡는 예외 블록이며, 작성자는 이미 오래전에 팀을 떠났을 수 있습니다.
Why Scraping Pipelines Break in Production dzone.com
RSS Hunter RSS Hunter • 11월 11일

Microsoft Fabric Eventhouse, KQL, Docker 및 Grafana를 사용한 Microsoft Foundry Agent 디버깅 대시보드

Microsoft Foundry에서 구축된 에이전트는 단일 실행에서 많은 결정을 내립니다. 모델을 호출하고, 도구를 선택하고, 도구 결과를 읽고, 다시 모델을 호출합니다. 답변이 느리거나 잘못되었을 때, 그 원인은 해당 시퀀스 어딘가에 있으며, 최종 응답은 어떤 단계가 실패했는지에 대한 힌트를 제공하지 않습니다.Foundry는 이 시퀀스를 OpenTelemetry 트레이스로 기록합니다. 기본적으로 호스팅된 에이전트는 이를 Application Insights로 전송하며, 이는 시작하기에 좋은 장소입니다. 매일 에이전트를 구축하는 팀에게는 두 가지 간극이 남아 있습니다. 첫 번째 간극은 개발 중에 나타납니다. 프롬프트나 도구를 변경하는 개발자는 배포된 프로젝트 없이도 노트북에서 몇 초 안에 해당 실행의 스팬을 보고 싶어 합니다. 두 번째 간극은 배포 후에 나타납니다. 에이전트 소유자는 실행 횟수, 지연 시간 백분위수, 토큰 사용량, 도구 지연 시간 및 오류가 포함된 공유 대시보드를 원하며, 나머지 데이터에 사용하는 것과 동일한 언어로 원시 스팬을 쿼리하고 싶어 합니다.
Microsoft Foundry Agent Debugging Dashboard with Microsoft Fabric Eventhouse, KQL, Docker and Grafana dzone.com
RSS Hunter RSS Hunter • 11월 11일

EKS의 Kafka Consumer: Consumer Group을 재시작하는 플랫폼을 위한 설계

이것들은 실제로 알림을 발생시키는 장애 모드이며, 이를 중지시키는 지루한 수정 방법들입니다.Kafka 컨슈머는 멤버십 프로토콜을 기반으로 구축된 상태 저장 클라이언트입니다. 컨슈머는 그룹에 참여하고, 파티션 할당을 수락하며, 순서대로 레코드를 처리하고, 고정된 주기적인 하트비트와 폴 호출을 통해 자신이 여전히 살아있음을 증명합니다. 그룹이 제공하는 모든 보장 — 순서대로 처리, 부하 공유, 파티션당 단일 소유자 — 은 작업이 이를 통해 흐르는 동안 멤버십이 안정적으로 유지되는 것에 달려 있습니다.
Kafka Consumers on EKS: Designing for a Platform That Restarts Your Consumer Group dzone.com
RSS Hunter RSS Hunter • 11월 11일

Gitember: 커밋, 푸시, 풀을 넘어선 Git 클라이언트 구축

Git은 현대 소프트웨어 개발에서 핵심적인 역할을 합니다. 하지만 대부분의 Git GUI는 여전히 스테이징, 커밋, 브랜치, 머지, 풀, 푸시와 같은 기본적인 작업에만 집중하고 있습니다.이러한 작업들은 중요하지만, 개발자들이 매일 하는 일의 일부만을 다룹니다.
Gitember: Building a Git Client Beyond Commit, Push, and Pull dzone.com
RSS Hunter RSS Hunter • 11월 11일

동적 데이터 파이프라인을 구축하는 방법(그리고 이유)

AI는 우리가 코딩하는 방식을 바꾸고 있습니다. 지난주, 한 친구는 테이블에 새 열을 추가하는 사용자 스토리를 한 시간 안에 완료하고 테스트했다고 말했습니다. 이전에는 몇 달이 걸렸던 변경 사항들이 이제 상위 팀에서 며칠 만에 배포되고 있습니다.이러한 빠르게 변화하는 시스템의 하위 단계에 있는 데이터 파이프라인에게 이 속도는 새로운 설계 제약 조건입니다. 잠재적인 해결책 중 하나는 따라잡을 수 있도록 구축된 동적 데이터 파이프라인을 구축하는 것입니다.
How (and Why) to Build Dynamic Data Pipelines dzone.com
RSS Hunter RSS Hunter • 11월 11일

웹 스크래퍼를 생산 서비스처럼 취급하기

대부분의 팀은 웹 스크레이퍼 오류를 귀찮은 일로 여깁니다. 누군가 잘못된 데이터를 발견하면 브라우저에서 페이지를 열고, 선택자를 수정하고, 다시 배포합니다. 이는 스크레이퍼가 하나뿐이고 매일 그 출력을 확인하는 사람이 있을 때 효과적입니다. 하지만 스크레이퍼가 수십 개가 되고, 오류가 일주일 후에 하위 보고서의 이상한 숫자로 나타나는 경우에는 더 이상 작동하지 않습니다. 이 글에서는 다른 모든 프로덕션 서비스와 마찬가지로 카탈로그화되고, 상태 점검되며, 추적되고, 복구되는 스크레이퍼를 구축하는 방법을 설명합니다. LLM이 수정 사항을 제안하고, 일반 Python이 해당 수정 사항을 배포할지 결정합니다.이 프로젝트는 WeMakeDevs 해커톤에서 시작되었으며, 여기서 1등을 차지했습니다. 제품 자체는 작습니다. 세 개의 스트리밍 제공업체에 걸쳐 약 12일간의 TV 가이드 데이터를 가져오고, 상위 10개 예정 영화와 상위 10개 예정 쇼를 순위 매기고, Philo에서 원클릭으로 녹화할 수 있게 해줍니다. 제품 자체는 건너뛰고, 드리프트 규칙, 상태 모델, 검증기, 그리고 각 부분 뒤에 있는 코드를 중심으로 설명하겠습니다. 이러한 구성 요소는 스크레이퍼를 실행하는 모든 팀, 또는 LLM이 라이브 시스템을 수정하도록 허용하는 모든 팀에 적용될 수 있습니다.
Treating Web Scrapers Like Production Services dzone.com
RSS Hunter RSS Hunter • 11월 11일

쿠버네티스 롤링 업데이트는 당신을 속이고 있으며, 당신의 사용자들이 그 대가를 치르고 있습니다.

롤링 업데이트 중에 모든 것이 정상적으로 보이는 순간이 있습니다.기존 파드가 드레인되고 있습니다. 새로운 파드가 올라오고 있습니다. 레디니스 프로브가 통과하고 있습니다. 디플로이먼트 컨트롤러는 만족합니다. 터미널에서 레플리카 개수가 바뀌는 것을 지켜보며 이것이 설계된 대로 정확히 작동하고 있다고 생각합니다.
Kubernetes Rolling Updates Are Lying to You — and Your Users Are Paying for It dzone.com
RSS Hunter RSS Hunter • 11월 11일

LLM을 위한 프롬프트 캐싱, 2부: 프로덕션에서의 시맨틱 캐싱

요약: 이것이 어디에 해당하는가이 시리즈의 1부에서는 정확히 일치하는 캐싱을 다루었습니다. 전체 요청을 해싱하고 새로운 요청이 이전 요청과 정확히 일치할 때 저장된 응답을 반환하는 것입니다. 이 계층은 빠르고 안전하지만, 입력이 정확히 일치하는 경우에만 도움이 되는데, 이는 템플릿화된 트래픽에서는 흔하지만 개방형 대화에서는 드뭅니다.이 글은 그 간극을 메우는 계층인 의미론적 캐싱을 다룹니다. 3부에서는 요청이 실제로 모델에 도달했을 때 발생하는 일, 즉 자체 호스팅된 KV 캐시 재사용 및 제공업체 접두사 캐싱, 그리고 프로덕션 세부 정보(메트릭 모니터링, 비용 산출, 전체 체크리스트)를 다룹니다.
Prompt Caching for LLMs, Part 2: Semantic Caching in Production dzone.com
RSS Hunter RSS Hunter • 11월 11일

프로덕션 준비된 AI 전화 에이전트 구축: 인프라, 모델 및 전화

서론: 음성 AI 프로토타입에서 프로덕션 전화 상담원까지음성 AI 데모는 모델, 마이크, 스피커입니다. 전화 상담원은 분산 시스템입니다. 오디오는 SIP 트렁크를 통해 통신사로부터 도착하고, 발신자는 불안정한 회선에서 끼어들고, 백엔드는 시간 초과되고, 모델 제공자는 좋지 않은 분을 겪고, 발신자는 문제가 발생하면 즉시 사람을 원합니다.이 글은 치과 진료소의 AI 접수원을 구축하는 방법을 보여줍니다. 진료소 번호로 걸려오는 전화를 받고, 발신자 ID로 환자를 조회하고, 백엔드 API를 통해 예약을 조회 및 예약하고, 사람이 필요한 경우 프런트 데스크로 전화를 연결합니다. Python 및 Node.js용 오픈 소스 프레임워크인 LiveKit Agents에서 실행됩니다. 로그는 어떤 기능에 LiveKit Cloud가 필요한지 강조합니다. 모든 스니펫은 하나의 작동하는 프로젝트에서 가져온 것이며, 모든 출력은 해당 프로젝트가 출력한 내용을 보여줍니다.
Build Production-Ready AI Phone Agents: Infrastructure, Models, and Telephony dzone.com
RSS Hunter RSS Hunter • 11월 10일

AMQP, JMS, Kafka 또는 MQTT를 언제 사용할 것인가: 승자가 아닌 절충점

AMQP, JMS, Kafka, MQTT는 마치 하나를 골라 진행하는 것처럼 나란히 놓입니다. 대부분의 경우, 그러한 비교는 범주 오류입니다.도구들이 예전보다 더 많이 겹치기 때문에, 그 오류는 더 쉽게 발생합니다. Kafka는 Share Groups를 통해 큐 의미론을 추가했습니다. RabbitMQ는 로그를 추가했습니다. AMQP의 표준 위원회는 수년간의 침묵 끝에 다시 소집되었으며, 이제는 agentic AI를 중심으로 활동합니다. MQTT는 엣지에서의 기본값으로 버전 5.0으로 정착했습니다. 성숙한 예외인 JMS는 이미 작동하기 때문에 그대로 있습니다. 도구들은 서로의 기능을 차용하고 있습니다. 그 밑바탕의 모델과 그에 따른 절충점은 합쳐지지 않았습니다.
When to Use AMQP, JMS, Kafka, or MQTT: Trade-Offs, Not a Winner dzone.com
RSS Hunter RSS Hunter • 11월 10일

Kafka vs Flink vs Spark: 정말 실시간 처리가 필요하신가요?

실시간은 데이터 인프라에서 가장 남용되는 단어입니다.Kafka vs Flink vs Spark 논쟁에서 모든 공급업체는 이를 앞세웁니다. 밀리초. 더 빠른 엔진. 자사 제품이 이기는 벤치마크 차트. 항상 같은 내용의 제안이며, 이는 두려움에 호소합니다. 지연 시간에 뒤처지면 비즈니스에서도 뒤처진다는 것입니다.
Kafka vs Flink vs Spark: Do You Really Need Real-Time? dzone.com
RSS Hunter RSS Hunter • 11월 10일

Neo4j와 Feast와 함께 피처 스토어를 구축하기

Feature store는 ML 모델 학습과 서빙 간의 기능 불일치라는 중요한 문제를 해결합니다. Feast는 기능 레지스트리, 구현, 온라인 검색을 관리하여 이 격차를 해소하도록 설계된 오픈 소스 솔루션입니다. 이를 통해 모델은 프로덕션에서 학습 중에 사용했던 것과 동일한 데이터에 일관되게 액세스할 수 있습니다. 관계형 데이터베이스 또는 클라우드 데이터 웨어하우스로 자주 시연되지만, 이 글에서는 대안적인 접근 방식을 탐구합니다. 기능 계산 엔진으로 Neo4j Desktop을 활용합니다. 5가지 기능은 Cypher 쿼리로 쉽게 처리할 수 있는 간단한 집계 기능을 포함합니다. 6번째 기능인 고객 커뮤니티 ID는 그래프 알고리즘을 사용하여 파생됩니다. 이러한 알고리즘은 Graph Data Science 노드 유사성을 통해 유사한 구매 패턴을 가진 고객을 식별합니다. 이후 Louvain 커뮤니티 감지를 통해 이러한 유사한 고객을 그룹화합니다. 그런 다음 Feast는 6가지 기능을 모두 수집합니다. 추론 중에 효율적인 서빙을 위해 SQLite 온라인 저장소로 구현합니다. 이 프로세스는 또한 시점 정확한 학습 데이터의 구성을 보장합니다.
Building a Feature Store With Neo4j and Feast dzone.com
RSS Hunter RSS Hunter • 11월 10일

에이전트 하네스, 메모리 인덱싱, 그리고 테스트 자동화에서의 AI 거버넌스

소프트웨어 팀은 AI 에이전트를 도입하여 그 어느 때보다 빠르게 테스트를 작성, 실행 및 수정하고 있습니다. 이러한 혁신은 보통 모델 자체만으로는 이루어지지 않습니다. ChatGPT와 Cursor는 동일한 기반 지능을 공유할 수 있지만, 하나는 복사-붙여넣기 보조 도구처럼 느껴지는 반면 다른 하나는 파일을 편집하고 명령을 실행하며 작업이 완료될 때까지 반복할 수 있는 팀원처럼 느껴집니다. 차이점은 에이전트 하네스입니다. 이는 모델을 지침, 도구, 컨텍스트 및 가드레일로 감싸서 원시 추론을 신뢰할 수 있는 행동으로 만드는 오케스트레이션 계층입니다.테스트 자동화에서는 이러한 격차가 더욱 중요합니다. 실패한 시나리오는 수천 줄의 Playwright 출력을 생성하고, 페이지 객체, 단계 정의, 테스트 데이터 및 여러 환경에 걸쳐 있을 수 있습니다. 이 모든 것을 단일 긴 채팅에 덤프하면 모델이 느려지고 비용이 증가하며 결정이 더 불분명해집니다. 잘 설계된 하네스는 모델을 덤프트럭이 아닌 플래너로 취급합니다. 코드베이스를 인덱싱하여 에이전트가 전체 파일을 읽는 대신 구조적인 질문을 할 수 있도록 합니다. 테스트 실행 및 파일 생성을 작고 격리된 워커에게 위임하여 간결한 요약을 반환합니다. 실행이 시작되기 전에 자격 증명, 환경 프로필 및 참조 픽스처를 검증하여 실패가 "깨진 로케이터"로 잘못 분류되는 대신 조기에 감지되도록 합니다. 그리고 무언가가 고장 나면 거버넌스된 경로를 통해 실패를 라우팅합니다. 진단, 수정, 패치 감사, 변경된 부분만 다시 실행, 사람이 조치할 수 있는 형식으로 결과 보고를 수행합니다.
Agent Harness, Memory Indexing, and AI Governance in Test Automation dzone.com
RSS Hunter RSS Hunter • 11월 10일

LLM을 위한 프롬프트 캐싱, 1부: 프로덕션에서의 정확 일치 캐싱

LLM 애플리케이션에서 프롬프트 캐싱이 중요한 이유는 무엇인가요?최신 LLM 앱은 동일하거나 거의 동일한 프롬프트를 여러 번 받는 경우가 많습니다. 이는 양식 제출, 일반적인 FAQ 질문, 에이전트 도구 호출 또는 사용자가 다른 말로 같은 것을 물어볼 때 발생합니다. 캐싱이 없으면 이러한 반복 요청 각각은 전체 토큰 비용, 전체 지연 시간, 그리고 원치 않는 속도 제한 압력을 발생시킵니다.현재 프로덕션에서 사용되는 네 가지 캐싱 방법이 있습니다. 3부작 시리즈의 1부인 이 글에서는 첫 번째이자 가장 기본적인 방법인 정확히 일치하는 캐싱을 다룹니다. 2부에서는 의미는 같지만 다르게 표현된 요청에 대한 의미론적 캐싱을 다룹니다. 3부에서는 모델 서빙 계층 자체에서 발생하는 일, 즉 자체 호스팅된 KV 캐시 재사용 및 제공업체 접두사 캐싱, 그리고 모든 팀이 결국 필요로 하는 프로덕션 세부 정보(메트릭 모니터링, 비용 산출, 전체 체크리스트)를 다룹니다.
Prompt Caching for LLMs, Part 1: Exact-Match Caching in Production dzone.com
RSS Hunter RSS Hunter • 11월 10일

rce-path로 위험한 파이썬 코드 경로를 추적하기

파이썬 저장소에서 eval() 호출을 찾는 것은 쉽습니다. 그 인수가 어디서 오는지 이해하는 데는 더 많은 노력이 필요합니다.이와 동일한 문제가 쉘 명령에서도 나타납니다. 스캐너는 subprocess.run()을 가리킬 수 있지만, 검토자는 여전히 할당, 문자열 포맷팅, 분기를 통해 명령을 추적해야 합니다. 그런 다음 더 어려운 질문이 나옵니다. 의도된 신뢰 경계 외부의 누군가가 해당 입력을 제어할 수 있을까요?
Tracing Dangerous Python Code Paths With rce-path dzone.com
RSS Hunter RSS Hunter • 11월 10일

AI 지원 정제 준비

백로그 개선 세션을 준비하는 것은 시간이 많이 걸리고 반복적인 작업이 될 수 있습니다. 인공지능은 백로그 항목과 팀 댓글을 모두 검토하는 것과 같은 지루한 작업을 처리하는 데 탁월합니다. 그러나 AI 에이전트에게 "개선 지원"을 맡기면 상당한 위험이 발생합니다. 그러한 에이전트는 의도치 않게 대화를 팀에서 벗어나게 할 수 있습니다. 수락 기준을 작성하지 않더라도 에이전트는 백로그 항목을 닫거나, 병합하거나, 분할하거나, 생성하는 것과 같은 작업을 제안할 수 있습니다. 이는 팀이 개선 중에 탐색하기로 되어 있던 질문에 미리 답변하는 것입니다. 이를 완화하기 위해 에이전트를 사용하기 전에 명확한 경계가 설정되어야 합니다. 에이전트의 역할은 증거를 식별하고 질문을 공식화하는 것입니다. 그런 다음 제품 책임자가 이러한 질문을 검토하고 실제 개선 세션의 의제를 설정할 책임이 있습니다. 그런 다음 팀은 이 의제를 기반으로 개선 프로세스를 수행합니다. 이러한 경계를 A3 Handoff Canvas에 문서화하면 에이전트의 책임을 확고히 하고 제품 책임자가 준수를 보장할 수 있습니다.
AI-Assisted Refinement Preparation dzone.com
RSS Hunter RSS Hunter • 11월 10일

Anthropic 평가 도구를 사용하여 Claude 코드 플러그인 효율성 확인

Claude Code 스킬은 어시스턴트가 작업이 해당 설명과 일치할 때 로드하는 Markdown 문서입니다. 스킬, 에이전트 및 훅의 컬렉션은 플러그인으로 패키징되어 마켓플레이스를 통해 배포될 수 있습니다. 2026년 여름부터 제 개발 환경은 Java 작업을 위해 이러한 플러그인에 의존해 왔으며, 이는 Spring Boot, Quarkus, Apache Camel 및 Jakarta EE 에이전트와 스킬 세트로 구성됩니다. 이 컬렉션은 작은 아티팩트 세트로 시작했지만, 조금씩 확장하여 몇 달 후에는 43개의 파일과 17,338줄을 포함하게 되었습니다.이는 정확한 질문을 제기했습니다. 이 플러그인에서 제공하는 스택 규칙이 최종 결과에 측정 가능한 기여를 하고 있는지, 아니면 모델이 내재된 일반 지식을 통해 훨씬 적은 토큰으로 동일한 결과를 추론할 수 있는지 여부였습니다.
Using the Anthropic Evaluation Tool to Check the Claude Code Plugin Efficiency dzone.com
RSS Hunter RSS Hunter • 11월 9일

지연 시간 급증 및 이중 결제 방지를 위한 멀티 레일 결제 장애 조치 구축

동시성 하에서 단일 게이트웨이 결제 파이프라인이 실패하는 이유엔터프라이즈 리테일 및 커머스 플랫폼을 구축할 때 많은 엔지니어링 팀은 결제 처리를 표준 REST API 호출로 취급합니다. POS(Point-of-Sale) 단말기가 결제 요청을 시작하고, 애플리케이션 계층이 페이로드를 결제 서비스 제공업체(PSP)에 보내며, 결과 네트워크 응답(200 OK, 402 Declined, 또는 504 Gateway Timeout)이 주문 완료를 결정합니다.이는 매우 간단하게 느껴지지만, 높은 거래량 동안 고려해야 할 세 가지 특정 시스템적 약점이 있습니다.
Building Multi-Rail Payment Failover to Stop Latency Spikes and Double Debits dzone.com
RSS Hunter RSS Hunter • 11월 9일

모든 인수합병은 하나의 회사를 약속하지만, 실제로는 두 회사가 탄생하는 경우가 대부분이다.

아무도 들어본 적 없을 법한 회사 안, 월요일 아침, 200개의 캘린더에 전체 회의 초대 메일이 도착한다. 안건은 없다. 시간과 영상 링크만 있을 뿐이다. 사람들은 제품 업데이트를 기대한다. 하지만 그들이 듣게 되는 것은 미소 짓는 CEO가 인수된 회사에서 거의 모든 사람이 결국 듣게 되는 문장을 말하는 것이다: "우리가 더 큰 가족의 일원이 되었음을 발표하게 되어 기쁩니다."한 층 아래, 완전히 다른 건물에서 훨씬 작은 그룹이 축하하고 있다. 샴페인이 있다. 악수가 오간다. 송금이 방금 완료되었다. 그들에게 이날은 명확한 승리다. 그 통화에 참여한 200명에게는 그들의 조직도, 상사, 도구, 그리고 때로는 직책이 더 이상 전적으로 자신들이 결정할 수 있는 것이 아니게 된 날이다.
Every Acquisition Promises One Company. Most Deliver Two. dzone.com
RSS Hunter RSS Hunter • 11월 9일

기능 플래그가 워크플로우가 될 때: 멀티 테넌트 상태 기계 구성

한 고용주의 등록 마감일이 변경됩니다. 다른 고용주는 서류 제출 요건을 추가합니다. 세 번째 고용주는 미완성 지원서를 제출한 직원에게는 시작조차 하지 않은 직원과는 다른 경험을 제공해야 합니다.각 요청은 설정 변경처럼 들립니다. 그러나 이를 구현하려면 종종 백엔드 서비스, 알림 처리기 및 프론트엔드 구성 요소 전반에 걸쳐 조건문을 수정해야 합니다. 설정은 애플리케이션 외부에 있지만, 이를 연결하는 코드는 흩어져 있습니다.
When Feature Flags Become Workflows: Configuring Multi-Tenant State Machines dzone.com
RSS Hunter RSS Hunter • 11월 9일

프로덕션에서 수동으로 플릿을 확장한 세 가지 측정된 결과

모든 GitOps 설정은 동일한 순간을 맞이합니다. 무언가 잘못되었을 때, 누군가 프로덕션 환경에서 kubectl scale을 실행하고, 그 수정이 작동합니다. 그 후 일어나는 일은 사고 전에 거의 확인되지 않는 두 가지 설정에 달려 있습니다. 바로 GitRepo의 자체 복구 기능과 클러스터의 일시 중지 기능입니다.저는 Rancher 2.15.1과 Fleet(저는 SUSE에서 근무하므로 편향될 수 있습니다)를 사용하여 실험실에서 세 가지 조합을 모두 실행했습니다. 세 개의 EKS 클러스터: Kubernetes 1.36의 dev 및 staging, 1.35의 prod. 사례 1과 2는 공개 rancher/fleet-examples 리포지토리의 guestbook 앱을 사용했으며, 프론트엔드 Deployment는 3개의 복제본으로 설정되었습니다. 사례 3은 제 자체 리포지토리의 podinfo Helm 차트를 사용했습니다. 모든 수동 변경은 Rancher UI의 scale 버튼을 통해 이루어졌으며, 이는 Deployment의 scale 하위 리소스에 PATCH 요청을 보내는데, 이는 kubectl scale이 만드는 요청과 동일합니다.
Three Measured Outcomes of Manually Scaling Fleet in Prod dzone.com
RSS Hunter RSS Hunter • 11월 9일

성공적인 기술 전환이 명확성에서 시작되는 이유

기술의 모든 세대는 동일한 기대를 안고 등장합니다. 이번에는 조직이 성공적으로 변화하고 새로운 기술을 흡수하여 이익을 얻을 것이라는 기대입니다. 그리고 때로는 그렇게 합니다.그러나 수십 년간의 기술 발전에도 불구하고 한 가지 패턴은 일관되게 유지됩니다. 조직은 의도한 결과를 달성하지 못하는 기술 이니셔티브에 귀중한 자원과 달러를 계속 지출합니다. 그들은 조직이 이해하지 못하는 것을 자동화하려고 시도하기 때문에 실패합니다.
Why Successful Tech Transformation Starts With Clarity dzone.com
RSS Hunter RSS Hunter • 11월 9일

상태 일관성을 넘어서: AI 에이전트 시스템에서 오래된 결정 방지

AI 에이전트와 에이전트 시스템은 장기 실행 시스템 및 워크플로우에 빠르게 채택되고 있습니다. 이들은 정보를 검색하고, 도구를 호출하고, 다른 에이전트와 조정하고, 외부 이벤트를 기다리고, 궁극적으로 실제 시스템에서 작업을 수행하는 지속적인 프로세스에 대한 지원을 제공하도록 진화하고 있습니다.이러한 확장은 새로운 과제를 야기합니다. 바로 변경되는 입력으로부터의 신뢰할 수 있는 의사 결정입니다. 에이전트가 시스템 또는 구성 요소 상태를 기반으로 의사 결정을 내릴 때, 이를 관찰하고 추론하여 통찰력 있는 결정을 내릴 수 있습니다. 그러나 빠르게 변화하는 환경에서는 특정 결정의 트리거가 실행 시간 전에 변경될 수 있습니다. 그 결과, 시스템은 최신 상태를 유지하면서도 오래된 결정을 실행하는 모순적인 상황이 발생할 수 있습니다.
Beyond State Consistency: Preventing Stale Decisions in AI Agent Systems dzone.com
RSS Hunter RSS Hunter • 11월 9일

엔지니어링 데이터 관찰 가능성: 스키마 드리프트, 데이터 드리프트 및 무음 파이프라인 오류 탐지

현대의 데이터 플랫폼은 점점 더 중요한 의사 결정, 애플리케이션, 분석 시스템 및 AI 워크로드를 지원하는 책임을 맡고 있습니다. 조직이 더 많은 비즈니스 프로세스를 데이터 기반 아키텍처로 이전함에 따라 데이터 파이프라인의 안정성은 애플리케이션 서비스의 안정성만큼 중요해지고 있습니다.명확하게 실패하는 파이프라인은 일반적으로 진단하기 쉽습니다. 실패한 작업, 깨진 종속성 또는 사용할 수 없는 서비스는 일반적으로 경고를 생성하고 엔지니어를 특정 문제로 안내합니다. 더 어려운 문제는 실행을 전혀 방해하지 않는 문제입니다. 파이프라인은 잘못되거나, 불완전하거나, 오해의 소지가 있는 데이터를 생성하면서도 성공적으로 완료될 수 있습니다.
Engineering Data Observability: Detecting Schema Drift, Data Drift, and Silent Pipeline Failures dzone.com
RSS Hunter RSS Hunter • 11월 9일

AI 엔지니어가 되기 위해 박사 학위는 필요 없습니다: 필수 기술 스택

올해 미국에서 가장 빠르게 성장하는 직업 목록에 LinkedIn에서 이상한 일이 일어났습니다. 1위는 간호사 또는 재생 에너지 기술자가 차지하지 않았습니다. 2023년 이전에 거의 존재하지 않았던 직책인 AI 엔지니어가 2년 연속 1위를 차지했습니다. 해당 직책 옆에 나열된 가장 일반적인 기술은 LangChain, 검색 증강 생성 및 PyTorch였으며, 이 중 어느 것도 일반적인 컴퓨터 과학 커리큘럼에는 나타나지 않습니다.저는 틀려서는 안 되는 시스템을 구축하는 데 20년 이상을 보냈습니다. 여기에는 주요 미국 은행의 SEC 보고 수치에 직접 입력되는 대출 회계 플랫폼과 29개 언어에 걸쳐 제품 데이터를 처리하는 Kafka 중심의 이벤트 기반 플랫폼이 포함됩니다. 제가 멘토링하는 AI 엔지니어로서 성공하는 엔지니어들은 수학적 배경이 가장 깊은 사람들이 거의 아닙니다. 그들은 배워야 할 것들의 올바른 순서와 그 순서가 왜 중요한지를 이해합니다.
You Do Not Need a PhD to Become an AI Engineer: The Essential Skill Stack dzone.com
RSS Hunter RSS Hunter • 11월 6일

두 AI 에이전트, 하나의 데이터베이스: 낙관적 잠금(Optimistic Locking)을 이용한 동시 업데이트 해결

AI 에이전트가 단순한 채팅 인터페이스를 넘어 실제 애플리케이션 워크플로우의 일부가 되고 있습니다. 현대적인 분산 시스템에서 한 에이전트는 고객 환불을 처리하고, 다른 에이전트는 재고를 관리하며, 백그라운드 프로세스는 동시에 동일한 데이터를 업데이트할 수 있습니다.주요 문제는 에이전트가 잘못된 결정을 내리는 것이 항상 아닙니다. 실제 문제는 두 에이전트가 동일한 데이터를 사용하여 유효한 결정을 내린 후, 데이터가 변경되었다는 사실을 알지 못한 채 서로의 변경 사항을 덮어쓸 수 있다는 것입니다.
Two AI Agents, One Database: Solving Concurrent Updates With Optimistic Locking dzone.com
RSS Hunter RSS Hunter • 11월 6일

첫 토큰까지의 시간: 대규모 모델이 응답을 시작하는 데 얼마나 걸리는가?

대규모 언어 모델을 사용할 때, 우리는 일반적으로 "속도"에 대해 두 가지 인식을 가집니다. 하나는 질문이 제기된 후 첫 번째 문자가 나타나기까지 걸리는 시간이고, 다른 하나는 응답이 시작된 후 생성된 텍스트가 부드럽게 흐르는지 여부입니다.이는 사람과의 대화와 유사합니다. 질문을 한 후 상대방이 말하기 전에 잠시 멈출 수 있습니다. Time to First Token (TTFT)은 이 "말하기 전 대기 시간"을 측정합니다. 우리는 세 가지 관점에서 이를 명확하게 설명할 수 있습니다.
Time to First Token: How Long Does It Take for a Large Model to Start Responding? dzone.com
RSS Hunter RSS Hunter • 11월 6일

카오스 엔지니어링과 카프카 인 액션: 토픽 레벨 멱등성과 재시도 확인

지금 모두 AI 에이전트 구축에 열을 올리고 있지만, GenAI 통합은 사실 견고한 시스템 설계와 백엔드 안정성에 더 강한 조명을 비출 뿐입니다. AI 에이전트는 그 아래에 있는 API와 데이터 파이프라인에 전적으로 의존합니다. 네트워크 장애 발생 시 백엔드가 이벤트를 누락하거나 결제를 이중 처리한다면, 아무리 뛰어난 에이전트라도 잘못된 워크플로우를 더 빠르게 실행할 뿐입니다.안정적인 시스템을 구축하려면 시스템이 어떻게 망가지는지 봐야 합니다. Kafka의 내결함성 문서를 읽는 것도 도움이 되지만, 의도적으로 네트워크 혼란을 야기하면 기반 메커니즘이 실제로 어떻게 작동하는지 보여줍니다.
Chaos Engineering and Kafka In Action: Topic Level Idempotence and Retry Check dzone.com
RSS Hunter RSS Hunter • 11월 6일

견고한 SSH SOCKS 프록시 및 선택적 브라우저 라우팅을 위한 Windows 앱 구축

전체 VPN이 항상 필요한 것은 아닙니다. 또한, VPN 연결은 지역 또는 국가 인터넷 제공업체가 부과한 제한으로 인해 사용할 수 없을 수 있습니다. 동일한 이유로 외부 SOCKS 프록시에 직접 연결하는 것도 작동하지 않을 수 있습니다. 때로는 전체 시스템이나 심지어 전체 브라우저가 아닌 특정 주소에 대해서만 대체 네트워크 경로가 필요할 수 있습니다. 외부 API, 관리자 패널, 문서, 레지스트리, 테스트 환경 또는 일반 경로를 통해 사용할 수 없는 다른 리소스 등이 해당됩니다.이 글에서는 이 문제를 해결하기 위한 더 좁은 접근 방식을 살펴보겠습니다.
Building a Windows App for a Resilient SSH SOCKS Proxy and Selective Browser Routing dzone.com
RSS Hunter RSS Hunter • 11월 6일

회원 소개: 스리니바스 치파기리

향후 몇 년간의 주요 인프라 과제가 무엇이 될지 생각해 보셨습니까? 그렇지 않다면, Srinivas Chippagiri와의 인터뷰를 통해 AI가 인프라 관리 방식을 어떻게 변화시킬 수 있는지, 그리고 그것이 안정적이고 안전한 시스템 구축에 어떤 의미를 갖는지 더 깊이 생각하게 될 것입니다.하지만 그 모든 것에 들어가기 전에, 저는 항상 전문성 뒤에 있는 사람에 대해 좀 더 알아보는 것으로 시작하는 것을 좋아합니다. 그러니 Srinivas의 여정이 어디서 시작되었는지부터 시작해 봅시다!
Member Spotlight: Srinivas Chippagiri dzone.com
RSS Hunter RSS Hunter • 11월 6일

데이터 손실 없이 속도 제한이 있는 API를 위한 폴링 파이프라인 설계

다른 사람의 API에서 데이터를 수집하는 모든 시스템은 결국 폴러(poller)를 작성하게 됩니다. 처음에는 cron 작업에서 15줄로 시작합니다. 엔드포인트를 호출하고, 마지막 타임스탬프와 비교하고, 새로운 것을 삽입합니다. 즉시 작동하며, 이것이 문제입니다. 레코드를 놓치기 시작한 지 오래되었음에도 계속 작동하는 것처럼 보이기 때문입니다.저는 공개 토론 API를 지속적으로 폴링하는 수집 계층을 유지하고 있으며, "폴러가 실행 중"이라는 상태와 "폴러가 정확하다"는 상태 사이의 격차를 닫는 데 예상보다 훨씬 더 오랜 시간이 걸렸습니다. 이어지는 내용은 실제 데이터 손실을 야기한 네 가지 실패 모드와 이를 해결한 패턴입니다.
Designing a Polling Pipeline for Rate-Limited APIs Without Losing Data dzone.com
RSS Hunter RSS Hunter • 11월 6일

셀레늄을 발명한 사람도 그것의 대체품을 만들었다

자신의 창조물을 스스로 파괴함으로써 얻어지는 특별한 종류의 신뢰성이 있습니다.제이슨 허긴스는 2004년에 Selenium을 구축했습니다. 이는 산업 전체의 기반이 되었으며, 그가 확립하는 데 기여한 WebDriver 프로토콜은 여전히 W3C 표준으로 남아 있으며, 20년 후에도 전 세계 테스트 자동화의 상당 부분을 차지하고 있습니다. 따라서 허긴스가 더 이상 테스트 스크립트를 작성해서는 안 된다는 전제하에 구축된 프레임워크인 Vibium AI를 이끌고 있다면, 주목할 가치가 있습니다. 이는 반드시 성공할 것이기 때문이 아니라, Selenium에 무엇이 잘못되었는지 정확히 알 수 있는 가장 자격 있는 사람이 그렇게 말하고 있기 때문입니다.
The Man Who Invented Selenium Also Built Its Replacement dzone.com
RSS Hunter RSS Hunter • 11월 6일

대규모 테스트 실패 진단: 임시 실행기 간 실행 증거 상관 관계 분석

분산 CI/CD 환경에서 간헐적인 테스트 실패는 개발 속도를 늦추고 실패 조사 과정을 어렵게 만들 수 있습니다. 자동화된 테스트 스위트가 로컬 개발 또는 스테이징 머신에서 실패할 경우, 엔지니어는 로컬 로그를 확인하거나 디버거를 연결하거나 상태 변경을 수동으로 추적할 수 있습니다. 하지만 테스트가 임시 컨테이너, AWS Lambda 또는 에이전트 없는 러너에서 실행될 경우, 사후 디버깅은 훨씬 더 복잡해집니다.전통적인 설정에서는 실패한 빌드가 일반적인 assertion 오류(504, ElementNotFoundException 등)만 보여줍니다. 엔지니어는 대략적인 타임스탬프를 찾기 위해 CloudWatch 로그 그룹을 수동으로 뒤지거나, Splunk를 쿼리하거나, 다운스트림 마이크로서비스 전반의 상태 변경을 추론하여 테스트가 실패한 이유를 이해해야 할 수 있습니다. 로그 보존 기간이 만료되거나 실행에 공유되고 식별 가능한 상관 ID가 없는 경우, 엔지니어는 실패 원인에 대한 추가 정보를 얻을 수 없습니다.
Diagnosing Test Failures at Scale: Correlating Execution Evidence Across Ephemeral Runners dzone.com
RSS Hunter RSS Hunter • 11월 6일