코드 검토 중에 위협 모델을 제시하고 보안 요구사항과 구현 간의 격차를 파악하기 위해 에이전트 기반 AI 시스템을 사용합니다.

Dropbox가 엔지니어를 지원하는 AI 도구에서 범위가 정해진 작업을 실행할 수 있는 에이전트 시스템으로 어떻게 전환하고 있으며, 이러한 워크플로우를 지원하기 위한 플랫폼을 어떻게 구축하고 있는지에 대한 내용입니다.

Nova는 엔지니어가 여러 코딩 세션을 병렬로 실행할 수 있도록 하고, 내부 시스템이 자동화된 워크플로우의 일부로 AI 에이전트를 사용하도록 합니다.

압축을 계층화된 적응형 파이프라인으로 전환하고 모니터링 및 제어를 강화함으로써, Magic Pocket의 워크로드 변화에 대한 복원력을 높였습니다.

모노레포는 제품이 발전함에 따라 계속 성장할 것이지만, 성장이 반드시 마찰을 의미하는 것은 아닙니다.

저희는 DSPy를 사용하여 관련성 판단을 위한 프롬프트 엔지니어링을 측정 가능하고 자동화된 최적화 루프로 전환했습니다. 그 결과, 작업 성능, 비용, 그리고 프로덕션 환경에서의 안정성이 향상되었습니다.

저희는 인간과 LLM(대규모 언어 모델)의 도움을 받아 Dash의 검색 순위 모델을 훈련합니다.

Dropbox Dash와 같은 제품을 개인 및 기업에서 사용할 수 있도록 만드는 것은 효율성과 자원 사용 측면에서 새로운 과제에 직면한다는 것을 의미합니다.

Dropbox에서는 Claude Code에서 Cursor에 이르기까지 AI 코딩 도구를 적극적으로 사용하고 있습니다. 초기 결과는 긍정적이지만, 이러한 도구를 가장 효과적으로 사용하는 방법과 어디에서 가장 큰 영향을 미칠 수 있는지에 대한 많은 질문이 남아 있습니다. 이 대화를 진전시키기 위해, 저희는 샌프란시스코 스튜디오에서 임원 라운드테이블을 개최했습니다. 그 내용은 다음과 같습니다.

엔지니어링 부사장인 조쉬 클렘(Josh Clemm)이 DSPy와 같은 도구들을 사용하여 지식 그래프, 인덱스, MCP, 그리고 프롬프트 최적화에 대해 우리가 어떻게 생각하는지를 심층적으로 다룹니다.

피처 스토어는 여러분의 업무 전반에서 적절한 컨텍스트를 랭킹하고 검색하는 데 핵심적인 역할을 합니다.

Dropbox 인턴 프로그램은 성장을 촉진하고, 혁신을 불어넣으며, 지속적인 관계를 구축하도록 세심하게 설계되었습니다.

효율적인, 주체적인 AI를 구축하는 것은 단순히 더 많은 것을 추가하는 것이 아니라, 모델이 가장 중요한 것에 집중하도록 돕는 것입니다.

Dropbox는 Mobius Labs를 환영하며, Dash의 멀티모달 AI 발전을 위해 Aana의 효율적인 아키텍처를 통합하여 Dropbox 규모에서 사진 및 비디오 이해도를 향상시킵니다.

Half-Quadratic Quantization (HQQ)을 통해 정확도를 유지하면서도 대규모 AI 모델을 쉽게 압축하는 방법을 알아보세요. 캘리브레이션 데이터는 필요하지 않습니다.

Dropbox Dash를 구축하면서 우리는 파운데이션 모델 시대에는 AI 평가가 모델 학습만큼이나 중요하다는 것을 배웠습니다.

Dropbox OAuth 2 앱 인증 흐름에서 앱이 요청하는 범위를 구성하고 사용자 지정하는 방법을 배워보세요.

Dropbox API 서버에서 사용되는 루트 인증서의 계획된 변경 사항에 대해 알아보세요. 그리고 Dropbox API에 액세스하는 SDK에 어떻게 영향을 미칠 것인지에 대해 알아보세요.

팀을 위한 끝에서 끝까지 암호화 구현에 대해 자세히 알아보세요. 우리 설계의 위협 모델, 암호화 알고리즘 및 팀 중심의 키 관리 접근 방식을 통해 데이터 손실 위험을 최소화하는 우리의 약속도 확인할 수 있습니다.

이전 프롬프트 주입 연구를 기반으로, 우리는 최근 OpenAI의 채팅 완성 모델에 관련된 새로운 훈련 데이터 추출 취약성을 발견했습니다.

Dropbox API를 사용하여 팀의 모든 멤버에서 모든 네임스페이스의 콘텐츠를 나열하는 방법을 배워보세요.

Dropbox 팀의 최신 기능을 지원하는 Dropbox API의 변경 사항 및 업데이트에 대해 알아보세요.

스마트 무브는 기계 학습을 사용하여 사용자의 기존 하위 폴더 구조를 분석하고 파일을 이동하고 싶을 폴더를 제안합니다. 다음은 이 기능이 어떻게 구축되었는지입니다.

드롭박스의 기사에서는 파일 이름에 있는 날짜 형식을 식별하기 위한 기계 학습 모델의 구현에 대해 논의합니다. 이 모델은 파일의 조직화와 검색을 강화합니다. 효과적인 파일 이름 지정은 팀워크에 필수적이며, 드롭박스의 자동화된 이름 지정 규칙 기능을 사용하면 사용자가 파일 이름에 대한 규칙을 설정하여 일관성과 효율성을 보장할 수 있습니다. 초기에는 드롭박스는 날짜 식별을 위해 규칙 기반 접근 방식을 시도했지만 다양한 날짜 형식을 사용하는 개인들로 인해 어려움을 겪었습니다. 이로 인해 파일 이름 내의 날짜를 정확하게 인식하는 기계 학습 모델이 개발되었습니다. 모델은 데이터 주석, 토큰화 및 분류를 포함한 여러 단계를 거쳤으며, 날짜 구성 요소를 레이블링하기 위해 Inside-Outside-Beginning (IOB) 태깅과 같은 기술을 사용했습니다. 트랜스포머 아키텍처(특히 DistilRoberta)에 기반한 기계 학습 모델은 이전의 규칙 기반 시스템보다 상당한 개선을 보여주었으며, 이름이 바뀐 파일의 수를 40% 증가시켰습니다. 성능을 최적화하기 위해 드롭박스는 모델 가지치기 및 양자화와 같은 기술을 구현하여 추론 중에 지연 시간을 성공적으로 줄였습니다. 2022년 8월에 출시된 후, 이 기능은 인기를 얻었으며 출시 직후 100만 개 이상의 파일이 이름이 바뀌었습니다. 향후 개선 사항에는 날짜 이외의 추가 엔티티 추출이 포함될 수 있으며, 파일 이름 지정 규칙에 대한 더 높은 정확성을 위해 고급 모델을 사용할 수 있습니다.