Pinterest의 루프 엔지니어링이 분석 에이전트 준수율을 89.3%로 끌어올렸다
ModuleLens는 PyTorch 모듈 격리 프로파일링을 지원한다
Pinterest가 사용자 여정 추론에 4B LLM을 도입하고 기존 클러스터링은 폴백으로 유지하며 이메일 클릭률 1.1% 상승을 기록했다.
Pinterest가 지표 생성 시간을 1~2시간으로 단축하고 실험 지표의 98% 이상을 지원하는 Metrics Board를 출시했다.
Pinterest이 Iceberg 스냅샷 요약을 활용해 다운스트림의 안전한 데이터 소비를 돕는 파티션 최종화 메커니즘을 도입했다.
Pinterest가 3-Tower Engagement Co-Train 모델을 공개해 CTR 1% 상승과 P99 레이턴시 30ms 달성을 달성했다.
Pinterest이 Manas 플랫폼에 SSD 서빙과 양자화 기술을 도입해 서빙 비용을 최대 30% 절감했다.
Pinterest이 Manas 플랫폼의 양자화와 SSD 서빙 도입으로 임베딩 검색 비용을 최대 30% 절감했다.
Pinterest가 NVIDIA Dynamo와 Blackwell GPU를 활용해 VLM 서빙 스택을 구축하고 TTFT를 85배 개선했다.
AI 팀은 단순한 도구 도입이 아닌 운영 모델의 근본적 전환이며, 이를 통해 엔지니어는 전략가로, 매니저는 비전 리더로 진화해야 한다.
Pinterest는 사용자의 의도를 더 정교하게 파악하는 유스케이스 표현 기술을 통해 주간 활성 사용자(WAU)를 성장시켰다.
Pinterest가 수백 개의 Terraform 워크스페이스를 안전하게 관리하는 자체 CI/CD 엔진 RPP의 설계를 공개했다.
Pinterest는 분산 학습 시 발생하는 성능 저하 문제를 해결하여 파운데이션 모델의 학습 확장성을 선형에 가깝게 구현했다.
Pinterest가 데이터 파이프라인의 효율성을 높이기 위해 스키마 변경을 자동으로 처리하는 차세대 DB 인제스션 프레임워크를 구축했다.
Pinterest는 '하나의 정의로 여러 런타임 지원' 방식을 도입해 사용자 시퀀스 데이터 플랫폼의 비용 효율성과 일관성을 개선했다.
테스트 하네스로 에이전트 스킬 호출률을 계량했고 Codex가 Claude보다 더 크게 개선됐다.
Pinterest가 실시간 컨텍스트를 통합한 순차 추천 모델로 광고 관련성과 ROAS를 높였다.
Pinterest는 root-leaf ML 서빙의 불필요한 features를 줄여 네트워크 병목을 완화했다.
Pinterest가 전환 중심 후보 생성 모델을 재설계해 RoAS와 전환 성과를 끌어올렸다.
Pinterest는 MIQPS로 URL 정규화를 정교하게 처리해 콘텐츠 중복 제거 정확도를 높였다.
Ray 학습 장애의 원인은 GPU가 아니라 ENA 드라이버가 겪는 CPU starvation이었다.
AI Briefing