

SF 시리즈: Amazon Aurora Auto Scaling의 읽기 전용 복제본 캐시 워밍 자동화 구현 🚀
Aurora Auto Scaling으로 늘어난 읽기 복제본의 초기 성능 저하를 막기 위해 캐시 워밍 자동화 워크플로를 소개했습니다. Step Functions, EventBridge, Lambda를 조합해 운영 효율과 읽기 성능을 개선하는 방법을 설명했습니다.
새로운 기술 블로그가 추가되었어요


Aurora Auto Scaling으로 늘어난 읽기 복제본의 초기 성능 저하를 막기 위해 캐시 워밍 자동화 워크플로를 소개했습니다. Step Functions, EventBridge, Lambda를 조합해 운영 효율과 읽기 성능을 개선하는 방법을 설명했습니다.


VLM은 쉬운 공간 관계 문제도 자주 틀리는 한계가 있습니다. 현업 적용 전 정확성과 취약점을 충분히 검토해야 했습니다.


Spring Batch 기반 동기 연동의 병목을 Kotlin Coroutine으로 개선한 사례를 소개했습니다. Kafka와 비동기 호출을 결합해 처리 시간과 리소스 효율을 함께 높였습니다.


무신사는 스냅 이미지와 자연어를 활용한 AI 추천·검색 프로토타입을 AWS 기반으로 구현했습니다. 실제 데이터 평가에서 높은 정확도를 보였지만, 일부 이미지 조건에서는 한계도 확인했습니다.

AI 코딩 에이전트 등장으로 개발 패러다임이 바뀌는 흐름을 다뤘습니다. 카카오의 개발자-AI 협업 실험을 소개하는 글입니다.

제주/도서산간 배송비를 주문부터 정산까지 반영하도록 시스템을 재구축했습니다. 6자리 우편번호 마이그레이션과 클레임 로직까지 함께 처리해 고객 경험과 운영 효율을 개선했습니다.

Docusaurus와 Typesense로 기존 Redoc 기반 API 문서 플랫폼을 재구성한 사례를 소개했습니다. 문서 UX, 검색, 배포 흐름 개선과 그 결과를 함께 공유했습니다.


Apache Iceberg 테이블 관리 작업 중 발생하는 S3 4xx와 503 SlowDown 이슈를 CloudWatch, Server Access Logging, Athena로 분석했습니다. 요청 분산을 위해 해시 또는 날짜 기반 prefix 설계를 적용하는 방안을 정리했습니다.


프론트엔드 개발자가 바이브코딩을 통해 생산성 향상을 체감한 경험을 공유했습니다. 동시에 테스트 코드, 업무 분할, 프롬프트 설계, 도메인 지식의 필요성도 강조했습니다.


Airflow와 PySpark로 제조업 기준 정보와 생산 데이터를 통합해 Spotfire 대시보드를 자동화했습니다.\n대용량 처리와 정기 갱신으로 현장 의사결정 속도와 데이터 신뢰성을 높였습니다.
AI 피처 스토어를 MongoDB와 Spring Cloud Stream으로 새롭게 구축한 사례를 소개했습니다. 기존 레거시 피처 스토어를 재구성한 과정과 기술 조합을 공유했습니다.

X