Building Services from Scratch

아이디어를 서비스로 구현하는
풀스택 개발자 이준수

회사 업무뿐만 아니라, 개인적인 아이디어를 서비스로 구현하는 개발자입니다.
인프라 구축부터 백엔드, 프론트엔드, AI 활용까지
주도적으로 문제를 해결하며 성장하고 있습니다.

보유 기술 스택 보기 기술 블로그 GitHub
Developer & Infrastructure

자체 인프라 구축 및 운영 역량

단순 코드 작성을 넘어, 개인 서버(Oracle Cloud)를 활용하여 서비스 배포, 도메인 연결, DB 관리 등 전체 인프라 라이프사이클을 직접 관리합니다.

Project Common Infrastructure

Oracle Cloud

개인 VPS 서버 운용

Docker

컨테이너 기반 배포

Jenkins

자동화된 빌드/배포

Nginx

Reverse Proxy

PostgreSQL

Main Database

AI Infrastructure Open Source Analysis

HyperCLOVA X SEED 분석 및 환경 구축

"사내 분석 요청에 따른 오픈소스 모델 HyperCLOVA X SEED 구동 및 기술 검토를 위한 환경 구축"

구축 배경

사내에서 네이버 클라우드가 오픈소스로 공개한 HyperCLOVA X SEED 모델에 대한 기술 분석 요청을 받아 구축하였습니다. 보고 전 실제 모델의 동작 확인 및 분석을 위해
Hugging Face 를 분석, 개인 서버에 구동 환경을 구축하여 기능을 검증했습니다.

🎯 주요 수행 내용

  • 📋 오픈소스 모델 분석: SEED 모델(0.5B, 1.5B)의 파라미터 사이즈별 실제 리소스 사용량 및 추론 결과 확인
  • 📦 Hugging Face 연동: Clova X Seed 공식 저장소를 이용하여 Seed 모델 구축
  • 🛡️ Python venv 독립성 확보: 시스템 환경과의 충돌 방지 및 보고용 분석 환경의 독립성 유지를 위한 가상환경 구축
  • 🖥️ Chainlit 기반 테스트 UI 구현: 오픈소스 UI 프레임워크인 Chainlit을 연동하여 분석 결과를 시각적으로 확인하고 모델 응답을 실시간으로 검증
감사로그 상세 화면
감사로그 상세 화면

기술 분석 개요 (HyperCLOVA X SEED)

HyperCLOVA X SEED는 네이버 클라우드에서 오픈소스로 공개한 효율성 중심의 모델 시리즈입니다. 사내 분석 요청에 맞춰 0.5B, 1.5B 모델이 실제 리소스 환경에서 어떻게 동작하는지 확인하고, Chainlit을 사용하여 인터페이스 환경에서의 활용성을 분석했습니다.

분석 환경 구축 전략

기존 시스템 및 타 프로젝트와의 환경 충돌을 방지하고 시스템 안정성을 확보하기 위해 Python venv를 통한 의존성 격리를 적용했습니다. 특히 분석용 UI로 Chainlit을 도입하여, 모델의 성능과 응답 품질을 효율적으로 검증할 수 있었습니다.

Tech Stack

CLOVA X SEED
Python
Chainlit(UI)
Hugging Face
Demo Blog Model
Architecture Stability

감사로그 시스템 구축

"서비스와 로그 시스템을 완전히 분리하여, 로그 장애가 서비스에 영향을 주지 않는 아키텍처 구현"

시작하게 된 이유 (Background)

이 프로젝트는 10년 이상 된 레거시 그룹웨어 시스템의 한계에서 시작되었습니다. 수백 개의 모듈(전자결재, 인사, ERP 등)이 있었지만, 정작 "누가 무엇을 바꿨는가"를 추적할 수 있는 기능이 전무했습니다.

  • 🚫 로그 부재: 변경, 삭제, 조회 이력이 기록되지 않음
  • 🧠 디버깅 한계: 장애 발생 시 원인 파악을 오직 SQL 로그에만 의존
  • 🔐 보안 취약: 클라우드 전환 후 감사 추적(Audit Trail) 필수 요구

🎯 프로젝트 목표

기존 비즈니스 로직 수정 없이(AOP), 등록/수정/삭제/조회 행위를 자동으로 기록하고, 일자별/모듈별로 검색 가능한 인덱스 구조를 설계하는 것이 목표였습니다.

감사로그 상세 화면
상세 로그 조회
감사로그 목록 화면
관리자 로그 목록

1 Worker Thread (비동기 분리)

메인 요청(결재 등) 처리 시 로그 전송(HTTP)을 동기적으로 수행하면, 네트워크 지연이 사용자 응답 속도를 저하시킵니다. 이를 해결하기 위해 요청 스레드는 Queue에 넣고 즉시 리턴하고, 별도의 Worker Thread가 전송을 담당하도록 분리했습니다.

2 Bounded Queue (메모리 보호)

로그 폭주 시 OOM(OutOfMemory)을 방지하기 위해 큐의 크기를 제한(Bounded)했습니다. 큐가 가득 차면 로그 생산 속도를 조절하는 백프레셔(Backpressure) 효과를 통해 시스템 전체의 안정성을 확보했습니다.

3 Fluent Bit & OpenSearch

애플리케이션과 저장소 사이의 결합도를 낮추기 위해 Fluent Bit을 도입했습니다. 네트워크 장애 시 재시도(Retry)와 버퍼링을 미들웨어 레벨에서 처리하여 데이터 유실을 방지합니다.

Key Takeaway

"레거시 환경에서의 안정성 확보"
서비스 로직과 로그 시스템을 물리적으로 분리하는 설계를 통해, 로그 시스템 장애가 서비스 장애로 전파되지 않는 Fail-Safe 아키텍처를 경험하고 완성했습니다.

Personal Growth

  • 비동기 처리: 동기와 비동기의 차이를 명확히 이해하고 Thread Pool을 직접 튜닝하는 경험
  • 장애 격리: MSA가 아니더라도 모듈 간 격리를 통해 안정성을 높이는 패턴 학습
  • Full-Text Search: RDB의 한계를 넘어 ELK 스택을 통한 로그 분석 파이프라인 구축 능력 습득
Tech Stack
Java & Spring AOP ThreadPoolExecutor Fluent Bit OpenSearch (ELK)

System Architecture

Spring Boot (AOP) Async Queue Worker Thread Fluent Bit OpenSearch
Hybrid Search Reranking

채용 사이트 크롤링 + AI 추출 파이프라인

"DOM Pre-processing으로 토큰 비용을 최적화한 채용공고 크롤링 플랫폼"

시작하게 된 이유 (Background)

이직을 준비하면서 여러 채용 사이트(사람인, 잡코리아, 원티드 등)와 기업별 커리어 사이트를 일일이 확인하는 것이 너무 번거로웠습니다. "흩어진 채용 공고를 한곳에서 모아보고 싶다"는 개인적인 니즈에서 출발한 프로젝트입니다.

🎯 프로젝트 목표

단순 크롤링을 넘어, 사이트마다 제각각인 HTML 구조에 의존하지 않고, AI를 통해 핵심 정보(기술스택, 자격요건 등)를 표준화된 JSON으로 추출하여 나만의 채용 대시보드를 구축하는 것이 목표였습니다.

수집된 공고 목록
채용 공고 목록 대시보드
사이트별 크롤링 설정
사이트별 크롤링 설정
AI 추출 상세 정보
AI 데이터 추출 상세

🔄 Data Pipeline Flow

1. Selenium 접근 & 수집

동적 렌더링(SPA) 사이트 대응을 위해 실제 브라우저로 접근하여 HTML 원본을 확보합니다.

2. DOM Pre-processing (Cost Optimization)

AI 요청 전, 불필요한 스타일/스크립트/주석을 제거하고 의미 있는 DOM 노드만 추출하여 토큰 사용량을 최소화합니다.

3. AI Parsing (Gemini)

"이 HTML에서 기술스택을 JSON으로 추출해줘" 프롬프트로 비정형 데이터를 구조화합니다.

4. Hybrid Search & Reranking

Vector Search(의미 기반)와 Keyword Search(단어 기반) 결과를 결합하고, Reranker로 재정렬하여 검색 정확도를 극대화했습니다.

Key Takeaway

"AI Native 개발 경험"
기존 개발 방식(하드코딩 파싱)의 한계를 AI 기술(LLM)로 극복했습니다. 데이터 파이프라인에 AI를 접목하여 유지보수 비용을 획기적으로 줄이는 경험을 했습니다.

Personal Growth

  • LLM 토큰 효율화: DOM 전처리를 통해 AI 비용 구조와 최적화 방법을 깊이 이해
  • 비정형 데이터 처리: HTML과 같은 비정형 데이터를 LLM으로 구조화하는 패턴 정립
  • 검색 엔지니어링: 단순 벡터 검색의 한계를 느끼고 Reranker와 Hybrid Search를 도입하며 검색 품질 개선 경험

System Architecture

Vue 3 Client Python (Selenium) DOM Pre-processor Gemini API (Parser) Vector DB + Reranker
Backend Frontend
Live Demo (JSAI)
Side Project Knowledge Base

웹 가이드 (WebGuide) 프로젝트

"AI 임베딩(Semantic)과 PGroonga(Keyword)의 장점을 결합하여 검색 성능을 극대화한 엔터프라이즈 지식 관리 시스템"

시작하게 된 이유 (Background)

현재 재직 중인 회사의 서비스는 기능이 매우 방대했지만, 정작 사용자가 참고할 수 있는 통합 가이드/매뉴얼 사이트가 부재했습니다. "이런 기능이 있으면 업무가 훨씬 편해지지 않을까?"라는 단순한 아이디어로 시작한 개인 사이드 프로젝트입니다.

🎯 프로젝트 목표

단순한 게시판이 아닌, 엔터프라이즈 환경에서 실제로 쓸 수 있는 수준의 SaaS형 지식 관리 시스템(Knowledge Base)을 직접 기획하고 구축해보는 것이 목표였습니다.

웹가이드 메인
웹가이드 메인 대시보드
가이드 상세
가이드 상세 화면
포틀릿 가이드
포틀릿 및 위젯 설정

멀티테넌트 아키텍처

하나의 시스템으로 다수의 고객사(Tenant)를 동시에 지원하는 구조를 설계했습니다.

PGroonga 검색 엔진

단순 임베딩으로 놓칠 수 있는 고유명사/약어를 PGroonga의 고속 형태소 분석으로 보완하여 검색 완전성을 확보했습니다.

Key Takeaway

기획부터 인프라 구축, 프론트/백엔드 개발까지 홀로 수행하며 SaaS 서비스의 전체적인 구조를 이해하게 된 소중한 성장의 계기였습니다.

Vue 3 SPA Spring MVC PostgreSQL + PGroonga
Backend Frontend
Live Demo (WebGuide)
Jenkins CI/CD Spring Automation

Spring Framework 자동 빌드 및 배포 시스템 구축

"크롤링 시스템과 웹가이드 프로젝트의 Spring WAR 파일 자동 빌드 파이프라인 구축을 통한 생산성 향상"

Jenkins 도입 및 Spring 자동화 성과

🛠 도입 이전 (수동 환경)

  • 개별 로컬 빌드: 개발자가 직접 WAR 파일을 생성하여 서버로 전송
  • 배포 지연: 다수의 Spring 프로젝트를 수동으로 배포하며 불필요한 공수 발생

🚀 도입 이후 (Jenkins 자동화)

  • 원클릭 빌드: Jenkins 서버에서 Maven/Gradle을 이용해 순수 WAR 자동 생성
  • 운영 안정성: 빌드 성공 여부를 대시보드에서 즉시 확인하여 안정적인 배포 유지

🔄 Spring War Build Flow

1. GitHub Webhook Trigger

Spring 소스 코드 Push 시 Jenkins가 배포 작업 시작

2. Maven Clean & Build

서버 환경에서 최신 라이브러리 의존성을 포함한 WAR 파일 생성

3. War Artifacts Transfer

생성된 실행 파일을 대상 서버의 Deploy 경로로 자동 전송

4. Service Hot-swap / Restart

Tomcat 등 WAS 환경에 맞춰 신규 WAR 적용 및 서비스 갱신

적용 및 기술 정보

적용 프로젝트

JSAI 크롤링 시스템 (Spring), WebGuide 가이드 시스템 (Spring)

Jenkins Pipeline Stack
Jenkins Spring Boot/Framework Maven WAR Packaging Shell Script SSH Deploy
Jenkins Dashboard 바로가기
Node.js Developer Linux Admin DevOps

오픈소스 커스텀 구축 및 유지보수 (Rocket.Chat)

"인프라 제약을 넘어 PM2 프로세스 관리와 소스 수정을 통한 안정적 서비스 운영"

ARM 서버 구동

ARM64 기반 오라클 클라우드 환경에서 운영 중인 메신저

아키텍처 한계 극복 및 커스텀

  • • 구축 배경: 보안이 보장된 독립적인 프라이빗 메신저 운영을 위해 구축
  • • ARM64 수동 빌드: 공식 Docker 이미지의 ARM 미지원 문제를 해결하기 위해 Node.js 환경에서 직접 소스 코드를 아키텍처에 맞춰 수동 빌드 후 최적화
  • • 브라우저 호환성 해결: 네이버 웨일 등 특정 브라우저에서 스크립트 충돌로 실행되지 않는 현상을 발견, 직접 소스 코드를 패치(Patch)하여 정상 작동 구현

PM2 기반 자동 복구 및 메모리 관리

제한된 서버 리소스 환경에서 24/365 안정적인 서비스를 위해 프로세스 매니저를 고도화했습니다.

pm2 start app.js --max-memory-restart 1G
  • • max-memory-restart: 메모리 사용량 상한선(1GB) 초과 시 자동 재시작 설정으로 OOM 방지
  • • Auto-Recovery: 프로세스 비정상 종료 시 즉시 자동 복구 로직 적용
  • • 지속적 유지보수: 주기적인 메이저 업데이트 및 DB 인덱싱 최적화 수행
Live Demo Project Repo