글

모바일 앱 로그 검수 자동화와 전환 과정

무신사에서 모바일 앱 로그 검수의 중요성을 인식하고 이를 자동화하기 위한 과정과 그 이점을 경험한 이야기를 공유합니다. 기존의 수동 검수 방식이 가지고 있던 한계를 극복하고, 효율적이고 효과적인 자동 검수 시스템으로 전환하여 앱의 품질을 한층 개선하는 것이 목표였습니다. 이를 통해 최종 R/T 단계에서 발생할 수 있는 로그 이슈를 사전에 방지하고, 고객 경험을 향상하는 데 기여할 수 있었습니다. 모바일 앱 로그 검수의 필요성 모바일 앱의 로그 검수는 단순히 데이터 분석이나 운영 기술에 국한되지 않습니다. 앱이 유저에게 배포되는 순간부터, 발생할 수 있는 문제를 사전에 예방하는 중요한 과정입니다. 초기에는 로그 검수를 소홀히 여겼던 경우도 있었지만, 모바일 앱은 배포 주기가 한정적이기 때문에 문제가 발생했을 때 수정할 시간이 제한적입니다. 이러한 점에서 미리 로그를 점검하고 확인하는 과정이 필수적이라는 인식이 확산되었습니다. 모바일 앱의 로그가 잘못 수집되면 그에 기반한 추천이나 랭킹, 실험 결과가 잘못되며, 이는 고객의 경험에 직접적인 악영향을 미칠 수 있습니다. 이러한 문제를 방지하기 위해 App 자동화 프로세스를 도입하고, 로그 검수를 포함하는 접근 방식을 채택하게 되었습니다. 이를 통해 App의 품질 향상과 고객 경험 개선이 동시에 이루어질 수 있다는 점에서 큰 의미가 있습니다. 자동화된 최종 R/T(Regression Test) 단계에서 로그 검수가 이루어짐으로써, 핵심 기능과 품질이 검증되는 것은 물론, 실제 로그 이슈를 사전에 포착할 수 있는 기회를 제공합니다. 이러한 방식은 오류를 예방하는 데 있어 더욱 정책적인 접근을 가능하게 하며, 비즈니스에 소중한 데이터를 제공하는 데 필수적인 역할을 반복적으로 강조하게 됩니다. 자동화된 검수 프로세스의 구성 모바일 앱 로그 검수를 자동화하기 위해, 우리는 전체 구조를 체계적으로 디자인했습니다. 우선, Appium을 활용하여 유저가 앱을 조작하는 액션을 자동화하여 테스트를 실행합니다....
자세한 내용 보기

AI 전략 전환과 체형 데이터 축적의 중요성

오프라인 핏 경험을 온라인으로 연결하기 위한 O4O 팀의 도전은 단순한 기술적 문제를 넘어 고객 경험을 혁신하는 전략으로 발전하고 있습니다. 최근 무신사는 AI를 활용하여 고객의 개별 체형 데이터를 축적하고, 오프라인 경험이 디지털로 이어지게 만드는 자체 AI 전략을 추진하게 되었습니다. 이를 통해 고객의 쇼핑 경험을 더욱 편리하고 개인화된 방향으로 이끌어갈 계획입니다. AI 전략 전환의 필요성 현재 기업들은 AI 기술을 통해 운영 효율성을 극대화하고 새로운 기회를 모색하고 있습니다. 그러나 무신사의 O4O 팀은 단순히 AI를 활용하는 것을 넘어, 자체 AI 기술을 개발하고 자산화하는 방향으로 전략을 전환하고 있습니다. 이 접근법은 AI의 단기적 성과에만 초점을 맞추는 것이 아니라, 근본적인 기술 역량을 강화하고 지속 가능한 경쟁력을 확보하기 위한 것입니다. 오프라인에서의 핏 경험을 온라인에서도 이어가기 위해서는 무엇보다 고객의 체형 데이터를 이해하고 활용할 수 있는 체계적인 구조가 필요합니다. 이를 통해 고객은 보다 정확한 사이즈와 핏을 선택할 수 있게 되며, 이는 결과적으로 반품 및 실망을 줄이는 데 기여하게 됩니다. 하지만 이러한 데이터 축적과 활용은 단순한 기능 implementations에 그치지 않고, AI를 통한 깊이 있는 분석과 개인화된 서비스 제공으로 이어져야 합니다. 이러한 전환 과정을 통해 무신사는 단순히 외부 AI 기술을 "쓰는" 회사에 머물지 않을 것이며, 자체적인 기술 자산을 축적함으로써 AI를 "만드는" 회사로 거듭날 것입니다. 이를 위해 O4O 팀은 초기 단계의 LLM 활용을 넘어 고유한 데이터를 생성하고 이를 기반으로 한 새로운 고객 경험을 창출하는 데 집중하고 있습니다. AI 전략의 전환은 궁극적으로 고객의 니즈를 반영하는 동시에 무신사의 비즈니스 모델을 한층 발전시키는 기회로 작용할 것입니다. 체형 데이터 축적의 중요성 체형 데이터의 축적은 고객 개인의 쇼핑 경험을 ...
자세한 내용 보기

온프레미스 번역 모델 구축 전략과 성과

무신사 MSS-E Order의 양치수가 온프레미스 번역 모델 구축 전략과 이를 통한 성과를 공유합니다. GPT-4o-mini에서 TranslateGemma로의 전환 과정과 번역 품질 개선에 대한 중요성을 논의하였습니다. 이를 통해 어떻게 번역이 운영 리스크에서 안전한 프로세스로 변화했는지를 명확히 살펴봅니다. 온프레미스 번역 모델 구축의 초석 온프레미스 번역 모델 구축 전략은 무신사의 번역 운영을 보다 안전하고 효율적으로 만들기 위한 출발점이었습니다. 기존의 GPT-4o-mini는 안정적인 선택이었으나, 서비스가 성장하면서 이는 운영 리스크가 커지는 문제로 이어졌습니다. 따라서 TranslateGemma와 같은 번역 특화 모델의 필요성이 급부상하게 되었고, 초기 실험은 순조롭게 진행되었습니다. TranslateGemma의 번역 결과는 기대 이상이었습니다. 특정 용어와 브랜드명을 정확히 보존하는 한편, 문장이 자연스럽고 구어체를 적절히 반영했습니다. 이커머스의 특성을 고려할 때, 번역에서는 고객이 이해할 수 있는 용어와 자연스러운 문장 구조가 꼭 필요했습니다. 특히, 용어의 의미 전달과 문맥을 지키는 것이 고객 신뢰에 큰 영향을 미친다는 사실을 재확인했습니다. 온프레미스 번역 모델은 단순히 비용 절감의 목적만이 아니라, 번역 품질과 안정성을 동시에 추구하는 목표로 구축되었습니다. 이를 통해 무신사는 고객에게 더 나은 경험을 선사할 수 있을 것이라 믿고 있으며, TranslateGemma의 도입이 이 목표를 실현하는 데 중요한 역할을 할 것입니다. 성공적인 운영 리스크 관리 온프레미스 번역 모델의 구축은 기본적으로 운영 리스크 관리라는 관점에서 매우 중요한 결정이었습니다. 번역이 정확하지 않거나 문맥을 놓치면, 불만족스러운 고객 경험으로 이어질 수 있습니다. TranslateGemma의 경우, 용어 번역에서 이러한 문제를 자연스럽게 해결해왔습니다. 그동안 관찰한 패턴 중 가장 두드러진 것은 용어의 오역, 즉 의미 전환이었습니다. 특히 패션 분...
자세한 내용 보기

AI 네이티브 채용의 새로운 가능성 탐구

2026년 1월, 무신사는 AI 네이티브 엔지니어 채용을 진행하며 AI를 활용한 자동 평가 시스템을 도입했습니다. 이 시리즈는 AI 네이티브라는 개념을 탐구하며, 인재 채용 방식을 혁신적으로 변화시키는 과정을 다루고 있습니다. 이러한 채용 방식은 기존의 틀을 넘어서는 아이디어로, 새로운 인재 발굴의 가능성을 보여줍니다. AI 네이티브가 만들어가는 새로운 환경 AI 네이티브라는 용어는 AI 시대와 함께 성장해온 세대를 지칭하며, 이들은 AI와 함께 아이디어를 현실로 만드는 능력을 갖춘 인재들입니다. 무신사는 AI 네이티브 채용을 통해 이러한 인재들이 무엇을 잘하고, 어떤 사고 과정을 거치는지를 평가하고자 합니다. 하지만 기존의 코딩 테스트는 이들이 가진 가치와 능력을 온전히 반영하지 못했습니다. 따라서 무신사는 새로운 평가 방식을 도입하여 ‘AI와 함께하는 사고’를 측정하려고 했습니다. 전통적인 알고리즘 문제를 넘어, 지원자들이 실제 상황에서 문제를 해결하는 과정과 결과를 분석하기 위해 시험을 설계했습니다. 예를 들어, ‘대학교 수강신청 시스템’을 구축하는 과제를 부여하여, 지원자는 자신만의 방식으로 시스템을 설계하고 구현해야 했습니다. 이는 고정된 정답이 아닌, 창의성과 문제 해결 능력을 발휘할 수 있는 기회를 제공했습니다. 이와 같은 AI 네이티브 채용 방식은 새로운 인재를 발굴하고, 기존의 채용 절차를 혁신할 수 있는 가능성을 지니고 있습니다. AI 도구를 활용한 공정한 평가 체계 AI 도구를 활용함으로써 지원자들에게 공정한 평가 환경을 제공하는 것이 또 다른 핵심 요소입니다. 전통적인 코딩 테스트에서 사용자는 개인의 환경에 따라 결과가 달라질 수 있기 때문에 공정성과 신뢰성을 담보하기 어렵습니다. 무신사는 모든 지원자에게 동등한 AI 환경을 제공하기로 결정하였고, 이를 통해 평가의 공정성을 확보했습니다. 예를 들어 OpenAI와 협력하여 AI 도구에 대한 접근을 지원자들에게 제공함으로써, 도구 활용에 차별이 없도록 하였습니다. 이러한 ...
자세한 내용 보기

실시간 모니터링 시스템 구축 사례와 경험 공유

무신사 O4O 엔지니어링 팀은 최근 설 연휴 동안 Claude Code Agent Teams를 활용하여 실시간 모니터링 시스템을 반나절 만에 성공적으로 구축했습니다. 이 과정에서 발생한 데이터 정합성 이슈를 해결하기 위해 팀은 머신러닝 기반의 AI 코딩 에이전트를 적극적으로 활용하였습니다. 본 글에서는 구축 과정에서의 경험을 통해 AI 도구의 실용성과 효율성을 공유하고자 합니다. 효율적인 문제 해결을 위한 실시간 모니터링 최근 설 연휴 동안 무신사의 매장에서 특정 상품의 결제가 되지 않는 이슈가 발생했습니다. 그 원인은 바코드와 옵션 간의 중복이었습니다. 고객이 결제 시 사용하는 POS 시스템은 유효하지 않은 데이터를 참조하여 결제가 실패하는 상황이 발생했습니다. 이 문제는 원천 시스템에서 불필요한 데이터를 삭제함으로써 즉시 해결되었지만, 더 큰 문제는 다른 매장에서도 같은 상황이 발생할 가능성이 높다는 것이었습니다. 이에 따라 O4O 팀은 반복적으로 발생할 수 있는 데이터 정합성 문제를 예방하기 위해 전수 조사를 시작했습니다. 그러나 기존의 데이터 접근 방식은 시간 소요가 큰 한계가 있었습니다. 매장별로 수작업으로 쿼리를 작성하고 결과를 확인하는 과정이 반복되었기 때문입니다. 이때 팀은 Claude Code의 Agent Teams를 통해 자동화된 실시간 모니터링 시스템을 구축하기로 결심했습니다. 이러한 접근 방식은 기존의 비효율적인 작업 방식을 타파하고, 매장 운영의 효율성을 크게 향상시킬 수 있는 기회를 제공했습니다. Claude Code Agent Teams의 활용 Agent Teams는 문제 해결을 위한 발판을 제공하는 중요한 도구로 작용했습니다. 리드 에이전트와 독립된 워커 에이전트 간의 협력을 통해 BE와 FE 두 코드베이스를 동시에 구축하는 것이 가능해졌습니다. 리드 에이전트는 기존 코드 패턴을 분석하고 API 계약을 정의한 뒤, 병렬로 워커 에이전트를 실행하는 구조로 작업을 진행했습니다. 이 과정에서 필수적으로 진행된 단계...
자세한 내용 보기

무신사 글로벌 다국어 시스템 구축 과정

이번 글에서는 무신사 글로벌 Frontend 팀의 다국어 시스템 구축 과정과 그 과정에서 겪은 문제점 및 해결 방법을 다룹니다. 다국어 지원을 위한 i18next와 Lokalise를 연동하며 최신 기술 스택을 활용하여 효율성을 높인 사례를 공유할 것입니다. 또한, 향후 계획을 통해 더욱 발전할 무신사의 번역 시스템에 대해 알아보겠습니다. 무신사 글로벌 다국어 시스템 구축의 기술 스택 무신사는 글로벌 이커머스 플랫폼으로서 다양한 언어를 지원해야 하는 상황에 직면해 있습니다. 이와 관련하여 프론트엔드 개발 팀은 i18next라는 JavaScript 라이브러리를 선택했습니다. i18next는 React와의 통합을 지원하며, 번역 파일을 기능이나 애플리케이션별로 네임스페이스로 나눌 수 있는 유연성을 제공합니다. 이러한 다양한 장점 덕분에 무신사는 초기 단계에서 모든 번역을 단일 파일에 통합해 사용하던 것을 개선하여, 각 앱별로 번역 파일을 동적으로 로드하는 방법으로 전환하게 되었습니다. 동적 import를 통해 애플리케이션 별로 필요한 번역만 로드하고, 그 결과 사용하지 않는 번역 리소스를 최소화하여 번들 크기를 줄일 수 있었습니다. 또한, 프론트엔드 팀은 불필요한 한국어 번역 파일을 제거하여 글로벌 시장에 더 적합한 서비스를 제공할 수 있었습니다. 이 과정에서 무신사는 기술 스택을 지속적으로 개선하고 리팩토링하여 최적의 성능을 이끌어내는 데 집중했습니다. 이렇게 구축된 다국어 시스템은 향후 달라질 수 있는 다양한 요구사항에 유연하게 대응할 수 있습니다. Lokalise와의 효율적인 연동 과정 다국어 지원 시스템의 성공적인 구축에는 번역 관리 도구가 필수적입니다. 무신사는 Lokalise라는 번역 관리 시스템(TMS)을 선택하여 팀 간의 원활한 협업을 이끌어냈습니다. Lokalise는 API와 CLI를 통해 간편하게 번역 파일을 관리할 수 있도록 돕고, 실시간으로 번역 변경 사항을 확인할 수 있는 기능을 제공합니다. 이를 통해 무신사 팀은 번역 작...
자세한 내용 보기

AI와 함께하는 백엔드 개발자의 업무 변화

AI 시대에 백엔드 개발자의 일하는 방식이 변화하고 있습니다. 글에서는 Claude Code와 함께하여 새로운 팀과 코드 이해에서 AI Agent를 활용한 업무 방식 혁신을 살펴봅니다. 이 변화는 단순한 생산성 향상을 넘어, 보다 심오한 문제 해결에 집중할 수 있게 도와줍니다. AI와 함께하는 코드 이해의 혁신 AI 기반 도구들이 도입되면서 백엔드 개발자가 코드 이해에 대한 방식이 훨씬 더 체계적으로 변화하고 있습니다. 과거에는 코드 분석이 주로 개인의 경험과 주관에 의존하였으나, AI를 활용하게 되면서 분석의 기준이 정형화되었습니다. 개발자는 이제 AI와 협력하여 코드의 역할, 흐름, 외부 시스템과의 접점을 분석하고, 조건과 영향을 파악하는 데 집중할 수 있게 되었습니다. AI 분석 결과는 프로젝트의 이해도를 높이는 데 큰 도움을 줍니다. 이 분석 과정에서 AI가 지속적으로 동일한 분석 기준을 유지하는 덕분에 시간과 비용을 절약할 수 있게 되었습니다. 예를 들어, 요청이나 이벤트의 시작점과 종료점을 명확히 함으로써 시스템의 흐름을 더욱 이해하기 쉽게 조정할 수 있었고, 이로 인해 기존 시스템을 수정할 때도 보다 신속하고 안정적으로 기능을 개선할 방향을 찾아낼 수 있었습니다. 결국 이러한 변화는 개발자가 단순히 코드를 읽는 데서 벗어나, 시스템 전반을 이해하는 데 심층적으로 참여하게 하여 분석의 질을 높입니다. AI와의 협력은 예측 가능성과 속도를 향상시키며, 분석과 판단의 경계가 명확히 나뉘며 효율적인 업무 방식으로 이어지고 있습니다. AI와의 협업으로 이루어진 업무 구조 변화 AI는 단순한 도구가 아니라, 개발자의 업무 구조를 혁신적으로 변화시키는 파트너로 자리잡고 있습니다. 예를 들어, 여러 작업을 병렬로 처리할 수 있는 구조를 설계함으로써 개발자는 과거의 순차적인 작업 방식에서 벗어나, 각 티켓의 요구사항을 동시에 분석하고 처리할 수 있는 기회를 가지게 되었습니다. 이를 통해 개발 속도는 물론, 업무 품질도 높일 수 있는 장점을 ...
자세한 내용 보기