Discord가 1,700개 이상의 API 엔드포인트와 700개 백그라운드 태스크를 단일 Python 코드베이스로 수백 개 Kubernetes 배포에서 운영하면서 기능별 인프라 비용을 귀속시키는 시스템을 구축했다. 클라우드 제공사가 Kubernetes 배포 단위까지만 비용을 나눠주기 때문에 메시징·스트리밍 등 개별 기능의 실제 비용을 파악하기 어려웠고, CPU 시간 직접 샘플링으로 이 문제를 해결했다.

네이버 ENGINEERING DAY 2026 발표. 별도 외부 솔루션 없이 내부에서 구현한 End-to-End Real User Monitoring 서비스 nFront RUM을 소개한다. 추가 비용 없이 AI 분석 리포트까지 제공하며, 프론트엔드 서비스 품질을 사용자 관점에서 측정한다.

네이버 ENGINEERING DAY 2026 발표. 광고 SDK 환경에서 Sentry 같은 범용 에러 모니터링 SaaS를 연동하면 발생하는 구조적 한계를 분석하고, AI Agent를 활용해 전용 JavaScript 에러 모니터링 시스템 glog를 직접 구축한 경험과 그 가능성을 공유한다.

Twilio 엔지니어가 2025년 리전 클라우드 장애에서 드러난 음성 재해 복구(Voice DR)의 맹점을 분석하고, 구현 시작 전 준비가 성패를 가른다는 6단계 프레임워크를 제시했다. 음성 통화는 요청을 재시도할 수 없는 실시간 동기 인터랙션이라 10초 침묵만으로도 발신자가 이탈할 수 있어, 복구는 플랫폼·애플리케이션·옵저버빌리티 세 계층의 사전 조율에 달려있다.

대화형 AI는 개발은 쉽지만 프로덕션 배포에서 대부분 실패한다. 이 글은 가장 흔한 실패 지점인 핸드오프(에스컬레이션) 설계와 메모리 계층 부재를 중심으로 처음부터 제대로 배포하기 위한 8단계 가이드를 제시한다.

AI 에이전트를 규칙·도구·검증 체계 없이 운영하면 일관성 부족, 보안 리스크, 팀 확장의 어려움이 발생한다.

라포랩스 Server Platform Team 이 조직 성장에 맞춰 배포·권한·이벤트·부팅 같은 플랫폼 기반을 계속 다시 설계한 이야기를 인터뷰 형식으로 다룬다. "좋은 플랫폼은 책에서 가져올 수 없고 회사 규모·팀 구조·제품 이터레이션을 관찰한 결과로만 나온다"는 철학 아래, 자율성과 안정성의 균형을 맞춘 사례들을 짚는다.

기존 모니터링은 시스템 가동·응답 시간만 보지만, AI 에이전트는 "존재하지 않는 환불 처리" 처럼 기술적으론 정상이어도 결과가 잘못된 실수를 만든다.

AI가 코드 생성을 자율화하면서 개발자가 작성하지 않은 코드의 품질·보안·성능에 대한 직관이 사라지고, 기존 인프라 메트릭 중심의 관측성이 한계를 드러낸다.

엔터프라이즈 AI Agent 운영에 Tool 호출 권한·품질 평가·실시간 추적을 어떻게 일관성 있게 적용하는가.

CloudWatch Metric Streams는 OpenTelemetry 엔드포인트를 지원하지만, VPC 내부 self-hosted collector에는 직접 도달하기 어렵다.

AI로 코드 생성 속도가 높아졌지만, 검토된 코드처럼 보이는 프로덕션 장애가 경계 가정·동시성 가정·도메인 가정·보안 가정이라는 숨겨진 실패 패턴에서 반복적으로 발생한다.

self-managed GitLab을 대규모로 운영하면 pipeline duration, 실패율, queue time, runner 포화도를 한눈에 보기 어렵다.

실험 기본 지표가 50개 수준으로 늘면서 다중 비교 보정이 실제 효과 탐지력을 낮췄다.

네이버 검색 같은 대규모 시스템의 메트릭을 Prometheus로 다루다 보면 클러스터 확장성과 장기 보관 비용에서 한계가 온다.

SLI/SLO 이론은 알지만 실제 서비스에 어떻게 적용하고 운영할지가 어려운 부분.

개발 로그상으로는 정상인데 고객 화면에서는 장애가 보이는 케이스가 누적돼 인프라 장애 대응이 어려웠다.

flex 는 공공시장 진출·AI 백엔드 구축·관측 벤더 전환 같은 예상 밖 요구가 들어올 때마다 기반 아키텍처가 다시 시험대에 올랐다.

로그가 틀리면 그에 기반한 분석/고객 응대도 틀린다. 데이터 품질 문제는 down-stream 의 모든 결정을 망친다.

Kubernetes 기반 MSA 전환 과정에서 서비스 복잡도가 늘고 모니터링 데이터가 파편화됐다.