Netflix가 hosted API 대신 자체 LLM 서빙 인프라를 구축해 모델 배포부터 추론까지 전체 스택을 직접 운영한다.
Netflix는 사용자 맞춤형 홈 화면을 구성하기 위해 행(row)과 엔티티를 순차적으로 생성하는 GenPage 기술을 도입한다.
Netflix가 기존 생성형 AI의 한계인 의도치 않은 변형과 물리적 불연속성을 해결하기 위한 두 가지 연구 모델을 공개했다.
Netflix는 자체 구축한 CMB 대신 Kubernetes 기반의 Kueue를 도입하여 배치 워크로드 관리 체계를 현대화했다.
Netflix는 코드 배포뿐만 아니라 데이터 파이프라인의 무결성을 검증하기 위해 실시간 트래픽 기반의 '데이터 카나리' 시스템을 구축했다.
넷플릭스는 데이터 자산 관리의 복잡성을 해결하기 위해 개별 자산 단위가 아닌 프로젝트 단위의 통합 관리 체계인 Data Projects를 도입했다.
넷플릭스는 제작 데이터와 예측 모델을 활용해 콘텐츠 출시 일정의 불확실성을 줄이고 리스크를 관리한다.
Netflix는 기존 Casspactor의 한계를 극복하기 위해 Cassandra에서 Iceberg로의 데이터 이동 방식을 재설계했다.
Netflix는 단기적 참여와 장기적 사용자 경험을 동시에 최적화하기 위해 전략적 계획을 담당하는 'Slow' 정책과 실시간 실행을 담당하는 'Fast' 정책을 분리한 계층형 알림 시스템을 구축했다.
Netflix가 기존 VMAF의 한계를 극복하고 압축 아티팩트 감지 및 시청 환경 대응력을 높인 VMAF v1을 오픈소스로 공개했다.
Netflix는 시계열 데이터 처리 시 발생하는 Cassandra의 와이드 파티션 문제를 해결하기 위해 파티션을 동적으로 분할하는 기술을 도입했다.
Netflix는 초당 1,000만 건의 연산을 처리하는 OLTP 최적화 Graph Abstraction을 구축했다.
Netflix는 복잡한 분산 인프라의 의존성을 파악하고 장애 대응 속도를 높이기 위해 실시간 서비스 토폴로지 맵을 구축했다.
Netflix는 Nebula ArchRules로 ArchUnit 규칙을 수만 개의 Java 레포에 공유하는 방식을 소개했다.
넷플릭스가 Metadata Service로 모델·feature·실험을 하나의 그래프로 묶었다.
Netflix는 LLM judge와 agents로 시놉시스 품질을 인간 기준에 맞게 자동 평가했다.
Netflix는 Druid 롤링 대시보드의 중복 쿼리를 구간 인지 캐싱으로 줄였다.
Netflix는 Cassandra-Kafka-Elasticsearch 파이프라인으로 실시간 멀티모달 영상 검색을 구현했다.
Netflix는 모든 Live 이벤트를 CBR에서 VBR로 바꿔 품질은 유지하고 트래픽은 줄였다.
AI Briefing