체크리스트와 critique 분해로 LLM Judge의 인간 일치율을 84%까지 끌어올렸다.
정답 데이터가 없는 설명 생성 문제를, 정책 합의와 반복 평가로 풀어낸다.
안드로이드 온디바이스 얼굴 검증 최적화로 latency 37%, throughput 530% 개선.
비즈니스 목표를 작은 AI 최적화 문제로 완화해야 임팩트를 만들 수 있다.
전환율을 직접 높이는 목표에 맞춰 학습·평가 지표를 다시 설계했다.
PolicyEngine으로 실험 설정과 리뷰 시간을 2일에서 30분으로 줄였다.
308개 테스트를 4개 플랫폼 조합으로 자동화해 102시간을 7시간으로 줄였다.
Flink KeyedProcessFunction으로 실시간 이벤트 조합과 무중단 배포를 구현했다.
Super Disk의 write-mostly RAID로 ScyllaDB 복구 시간을 최대 10배 줄였다.
처리 시간과 처리 외 시간을 분리해 Flink latency 병목을 좁히는 방법.
CPU 96개짜리 레거시 Flink 앱을 Flink SQL과 GitOps 배포로 대체했다.
프록시와 롤백 마킹, 전파 옵션, Kotlin 예외 변환이 실제 롤백을 가른다.
AI Briefing