[우아콘 후기] 2025 WOOWACON

https://2025.woowacon.com/

 

2025년 10월 28일 삼성 파르나스에서 열린 우아콘 행사를 다녀왔다! 작년에는 세션을 운영하는 스태프로 참여했는데 이번에는 일반 참가자로서 참가했다. 큰 규모의 컨퍼런스를 몇 번 참여하다 보니 이제는 여러 이벤트는 참여하지 않고 사진기가 있으면 지인들이랑 같이 사진 찍는 정도로 그치는 것 같다. 이제는 세션 중심으로 차분히 듣다 돌아오게 된다.

 

 

---

발표 메모

발표를 들으면서 메모했던 내용들을 옮겨와본다. 내용을 놓치거나 이해하지 못한 부분들도 있으니 나중에 우아콘 발표 영상이 올라오면 직접 보는 것을 추천한다.

 

1. AI 네이티브 회사를 향한 새로운 항해

회사에 AI를 도입하기까지 어떤 것들을 고민하고 어떤 시도를 해보았는지 같이 AI 친화적인 회사가 되기 위한 과정에 대해 이야기되었다. 예전의 생성형 AI는 질문에 대해 응답만 하는, 단순한 정보 생성에 그쳤다면 요즘은 스스로 판단하고 자율적으로 작업을 수행할 수 있는 AI Agent가 핫하다. 그렇다면 앞으로의 AI 생태계에서도 AI Agent가 유효한 도구일까? 이런 고민들을 하시고 아무리 발전하더라도 Agent는 유효한 수단일 것이라 판단, AI 도구 도입에 적극 힘쓰신 것으로 보인다.

 

• 모니터링 전문 AI 동료를 만드는 예시

 

 

2. Kafka 파티션 증설 없이 처리량 한계 돌파하기: Parallel Consumer 적용기

카프카 처리량에 대한 이슈를 해결하기 위해 어떤 방법들을 시도했고 어떤 이슈가 있었는지 진행되었다. 그 과정 중에 Parallel Consumer를 도입하게 되었으며 Spring Kafka나 Spring Kafka Batch Consumer와 비교도 하고, 왜 이 기술을 선택하였는지, 기술을 도입한 후 어떤 이슈가 있었는지 등에 대해 들을 수 있었다. 새로운 기술을 적용하면서도 문제가 발생할 경우 기존 기술로 롤백하기 위한 구체적인 플랜을 세우고 성능 테스트를 진행하는 등 기술 도입을 위해 많은 공을 들인 게 느껴지는 발표였다.

 

• 카프카 처리량 이슈를 해결하기 위한 시도들
  • Consumer 스케일아웃
  • 메시지 처리 로직 최적화
  • 파티션 수 증가
  • 각 시도들에 한계점이 존재하여 새로운 시도가 필요했던 상황
• Parallel Consumer vs Spring Kafka vs Spring Kafka Batch Consumer

• 롤백 플랜
  • 기술적 차이로 인해 롤백 시 이슈가 발생할 수 있음
  • 검토 결과, 롤백 상황에서 이벤트 중복 처리가 발생 가능한 것을 인지 
  • 컨슈머 쪽에서 중복 이벤트 전송 대비

 

 

3. 배달의민족 주문~! ServerSentEvents 실시간 알림 전송하기

Server-Sent Events 자체를 다룰 일이 없어서 궁금해서 들어본 발표였다. 다만 내가 MQTT나 웹소켓 등은 다뤄본 경험이 없어서 발표 내용을 온전히 이해하기는 힘들었다. 예제 코드 자체는 코틀린 코루틴으로 이루어져서 읽기 어렵진 않았던 기억이 난다. 나중에 기본적인 개념에 대해 공부하고 다시 들어보면 좋을 것 같은 발표이다. 일단은 이런 것들이 있구나~ 하고 키워드를 메모하는 정도로 정리해둔다.

 

• MQTT broker
• AWS IoT
  • AWS에서 사물 인터넷을 쉽게 관리할 수 있도록 돕는 서비스
  • 디바이스 관리나 모니터링 제공 등 여러 가지 기능 존재
• 실시간 통신 방식 비교

• 웹소켓 방식도 고려했으나 오버엔지니어링이라고 판단, 기존 아키텍쳐와의 정합성으로 인해 SSE 선택
• Back pressure

 

 

4. RAG, 들어는 봤는데... 내 서비스엔 어떻게 쓰지?

발표자 분이 우아한테크코스 코치 분이셔서 교육 관련 일을 하고 계신다. 이때 자료가 구글 독스에도 있고, 캘린더에도 있고, DB에도 있고 여기저기 흩어져있어서 확인에 어려움을 겪었고 이를 해소하기 위해 자체 질의응답 시스템을 구축하신 이야기를 해주셨다. 나 역시 팀에 비슷한 시스템을 만들고 싶어서 여러 가지 고민을 하던차라 이 발표가 굉장히 많은 도움이 되었다. RAG 생성을 고민하고 있는 사람들에게 추천한다. (아래 메모는 일부만 정리한거라 빠진 내용이 많다.)

 

• RAG란?
  • LLM은 제한된 정보만 학습하므로, 학습 데이터가 없는 정보를 요청할 경우 할루시네이션 발생 가능
  • RAG; Retrieval Augmented Generation; 검색 증강 생성
  • LLM이 새로운 정보를 검색하고 통합할 수 있도록 하는 기술
  • 범용 LLM을 최적화된, 나만의 전용 LLM으로 만들어낼 수 있음
• 발생했던 문제점
  • 교육 운영을 위한 데이터가 여러가지 데이터 소스에 존재
  • 여러 시스템을 개별 조회해야 하고, 정보 간 연관성 부족
• 시행착오
  • 로컬에서 MCP 연동 - 사용자별로 MCP 연동 작업 필요
  • MCP 서버 구현 - context window 크기 초과가 잦음 (목표 달성할 때까지 계속 가져오기 때문에)
  • RAG 서버 생성 -> 최종 결정
• RAG 개발 단계와 핵심 고려사항
  • 사용 사례 식별 및 RAG 필요성 평가 - 정말 RAG가 필요한가?
  • 요구사항 수집 및 분석 - 사용자 니즈가 무엇인가? 만들고자 하는 기능보단 불편함과 해결하고자 하는 문제에 집중하기.
  • RAG 프레임워크 결정 - LangChain vs Spring AI
  • 색인 파이프라인 구현 - 로딩, 청킹, 임베딩, 저장소에서 고려할 점
  • 생성 파이프라인 구현 - 검색, 증강, 생성 단계에서 고려할 점
  • 평가 구현

 

---

 

기술 컨퍼런스에 참여할 때마다 열정적인 사람이 많이 보여서 좋다. 나도 뭐라도 해야겠다는 생각을 하게 해준다. 특히 마지막 RAG에 관한 발표가 기억에 남는다. 요즘 AI 이야기가 정말 많지만, 실무에서 적용할 일이 많지 않아 와닿는 경우는 많이 없었다. 하지만 이번에는 만들고 싶은게 있는 상태라 더욱 흥미진진하게 들을 수 있었고, 무엇보다 뭘 만들 생각을 하니까 의욕이 난다.😄👍 컨퍼런스 재밌었다!