스톡잇 개발의 이면에 숨은 이야기들을 확인해보세요.
매번 반복되는 수동 배포는 개발자의 시간을 뺏고 실수를 유발합니다. GitHub Actions를 도입하여 빌드, 테스트, 배포까지의 전 과정을 자동화한 구체적인 파이프라인 구축기를 공유합니다. 캐싱 전략을 통한 빌드 시간 단축부터 무중단 배포를 향한 여정까지, 개발 생산성을 극대화한 경험을 담았습니다.
24시간 돌아가는 서버와 예측 불가능한 AI 모델의 상태를 어떻게 한눈에 파악할까요? Prometheus, Loki, Grafana(PLG) 스택을 활용하여 로그 수집부터 실시간 대시보드 시각화까지 구현한 과정을 상세히 소개합니다. 장애 발생 시 즉각 대응할 수 있는 알림 시스템과 AI 추론 지연 모니터링 노하우를 공개합니다.
아무런 에러 로그도 남기지 않고 파드(Pod)가 조용히 사라지는 'OOMKilled' 현상. 쿠버네티스 환경에서 발생한 이 난해한 메모리 누수 문제를 해결하기 위해 시스템의 가장 깊은 곳까지 파고들었습니다. 리소스 제한 설정부터 힙 덤프 분석까지, 끈질긴 추적 끝에 문제를 해결한 트러블슈팅 로그입니다.
무거운 AI 연산을 처리하면서도 웹 서버의 응답 속도를 유지해야 하는 딜레마. 이를 해결하기 위해 기존의 모놀리식 구조를 벗어나 MSA(마이크로서비스) 아키텍처로 전환하고, Python의 비동기 프레임워크인 FastAPI를 선택했습니다. 유연한 확장성과 고성능을 동시에 잡기 위한 백엔드 아키텍처 설계의 기술적 근거를 설명합니다.
재무제표의 수많은 숫자들 속에 숨겨진 기업들의 진짜 모습을 찾아냅니다. 비지도 학습인 K-means 알고리즘을 통해 3,600여 개의 종목을 유사한 특징을 가진 그룹으로 묶어내는 과정을 다룹니다. 엘보우 메소드를 통한 최적의 클러스터 개수 산정부터, 각 그룹별 특징을 정의하는 분석 단계까지의 상세한 이야기를 담았습니다.
스톡잇은 단순한 주가 확인 앱이 아닙니다. 매일 쏟아지는 방대한 금융 데이터를 수집하고 가공하여 미래 가치를 예측하는 데이터 플랫폼으로 진화하는 과정을 기록했습니다. 데이터의 흐름을 설계하는 파이프라인 구축부터, 예측 모델의 정확도를 높이기 위한 엔지니어링적 고민과 해결책을 공유합니다.
복잡하고 어렵게만 느껴지는 금융 데이터를 사용자가 더 친숙하게 느낄 수 있도록 '게임화(Gamification)' 요소를 더했습니다. 사용자의 투자 성향을 MBTI처럼 분석하고, 그에 딱 맞는 '투자 페르소나' 캐릭터를 매칭해주는 로직 설계 과정과 이를 통해 사용자 경험(UX)을 어떻게 혁신했는지 소개합니다.
PER 10, PBR 1.2... 일반 투자자에게는 암호와 같은 지표들입니다. 우리는 이 딱딱한 숫자를 '저평가된', '성장성이 높은'과 같은 직관적인 키워드로 자동 변환하는 태깅 시스템을 개발했습니다. 정량적 데이터를 정성적 언어로 번역하여 정보의 비대칭을 해결하고자 했던 개발팀의 노력을 담았습니다.
정답지(Label)가 없는 주식 시장에서 종목들을 어떻게 분류할 수 있을까요? 데이터 간의 거리와 유사성을 계산하여 군집을 형성하는 K-means 알고리즘의 적용기를 다룹니다. 수천 차원의 데이터를 다루며 마주한 성능 문제와 이를 해결하기 위한 벡터 연산 최적화 과정 등 실전 머신러닝 적용기를 확인해보세요.
훌륭한 AI 모델도 질 나쁜 데이터 앞에서는 무용지물입니다. 'Garbage In, Garbage Out'이라는 원칙 아래, 결측치를 메우고 이상치를 제거하며 데이터를 정규화(Normalization)하는 치열한 전처리 과정을 공개합니다. 학습 성능을 결정짓는 가장 기본적이면서도 중요한 데이터 핸들링 노하우를 공유합니다.
지도 학습이 불가능한 상황에서 우리는 어떤 기준으로 기술 스택을 선정했을까요? 명확한 정답 레이블이 없는 주식 데이터의 특성을 고려하여 비지도 학습인 클러스터링 기법을 선택하게 된 기술적 의사결정 과정을 복기합니다. 문제 정의부터 해결 방법 도출까지, 엔지니어의 논리적인 사고 흐름을 따라가 봅니다.
3,619개에 달하는 방대한 주식 종목을 개발자가 일일이 if문으로 분류할 수 있을까요? 초기 프로토타입 단계에서 시도했던 Rule-Base 프로그래밍의 한계와, 복잡한 예외 케이스들을 처리하며 느꼈던 좌절감, 그리고 결국 머신러닝 도입을 결심하게 된 계기를 솔직하게 털어놓습니다.
시스템 성능과 데이터 무결성 사이의 트레이드오프, 그 틈새에서 발생하는 데이터 불일치를 어떻게 잡았을까요? 대규모 트래픽을 처리하는 매칭 엔진의 아키텍처를 공개합니다.
모의투자에서 실제 주식 시장을 구현하려면? 그 고민들이 담겨있습니다.
1초에 수십 번 바뀌는 주식 시세를 지연 없이 클라이언트로 전달하기 위한 경험을 공유합니다.
"왜 사람들은 주식을 도박처럼 할까?"라는 단순한 의문에서 시작되었습니다. 투기가 아닌 건강한 투자의 길을 제시하고자 뭉친 GRIT 팀의 탄생 비화와 우리가 그리는 비전을 공유합니다.
주식 체결 엔진과 시세 중계 시스템을 밑바닥부터 구현한 치열한 기록
데이터 분석부터 인프라 구축까지, 스톡잇을 지탱하는 치열한 기술적 의사결정의 기록
전체 보기
최재현
LLMOps, Backend
김환희
DevOps, Backend
