Hyperconnect Tech Blog - mysetting

8:55 5/30

hyperconnect.github.io

mobile screenshot relative

8:55

hyperconnect.github.io

mobile screenshot

Hyperconnect Tech Blog
https://hyperconnect.github.io/

하이퍼커넥트의 기술블로그입니다.

최종 피드 수집: 2024-12-27 14:15

전체 (58)

1M

아자르에서는 어떤 추천 모델을 사용하고 있을까?

하이퍼커넥트 AI 조직은 사용자 경험을 향상시키고, 비즈니스 성과를 높이는 AI 기술을 꾸준히 개발해왔습니다.
이러한 노력의 성과는 2023년 2분기 매치 그룹 주주 서한과 어닝콜에서 발표되었습니다.
하이퍼커넥트의 대표 서비스인

000

1M

아자르 Data Lifecycle Policy 개발하기

안녕하세요. Azar API Dev Team의 Ledger 입니다. 아자르는 유럽, 아시아, 중동 등 다양한 지역에서 사랑받고 있는 글로벌 서비스 입니다. 글로벌 서비스를 운영하기 위해서는 고려해야 할 것이 많은데 그 중 유저 데

000

2M

협업 필터링을 넘어서: 하이퍼커넥트 AI의 추천 모델링

지난 포스트에서 살펴본 것처럼 추천 시스템은 하이퍼커넥트 비즈니스에서 중요한 역할을 하고 있습니다.
하이퍼커넥트는 50개 이상의 모델을 프로덕션 환경에서 운영 중이며, 그중 다수가 추천 시스템에 활용되고 있습니다.
이번 포스트에서

000

2M

Behind the Paper: 하이퍼커넥트 AI 조직이 제품에 기여하면서 연구하는 법

하이퍼커넥트는 오랜 기간 제품에 기여하는 AI 기술을 연구해 왔습니다.
AI를 통해 제품에 기여한다고 하면 성과지표(KPI)를 설정하고 적당한 모델을 찾은 뒤 가능한 한 빨리 시장에 제품을 출시하는 것으로 여겨지기 쉽습니다.
반대

000

3M

하이퍼커넥트 그룹콜 미디어 서버 인프라를 소개합니다

안녕하세요, 하이퍼커넥트 Media Lab의 Media Server Team에서 Media Server Engineer로 일하고 있는 Simon.Y 입니다.
저희 Media Server Team은 “사람들이 제약 없이 모여서 소통

000

6M

글로벌 서비스에서 지역 통신사 네트워크 이슈 트러블슈팅하기

안녕하세요, SRE 팀의 Ken.K입니다. Hyperconnect의 Azar 서비스는 전 세계에서 서비스를 하고 있기 때문에 국가별로 서버 메트릭이나 클라이언트에서 수집하고 있는 이벤트 데이터를 기반으로 모니터링하고 있습니다. 따

005

8M

아자르에서 AI 기반 추천 모델의 타겟 지표를 설정하는 방법 (feat. 아하 모멘트)

들어가며: 아자르와 추천 시스템
아자르의 사용자들은 스와이프를 통해 다른 사용자를 만나고 대화하는 비디오 챗에 많은 시간을 할애합니다. 그러다보니 얼마나 대화가 잘 통하는 사람을 많이 만나서 교류하는 것이 아자르의 사용자 경험을

000

1y

Azar iOS Team이 잊힌 코드를 추모 하는 법

Azar에서는 매달, 매주, 매일 수많은 기능이 나타났다 사라집니다.
고민하고, 만들고, 테스트해 봅니다.
고민하고 만들고 테스트하고 지우고를 반복하다 보면 어느 순간 모두에게 잊힌 코드들이 생기기 마련입니다.
누가 만든 코드인지

002

1y

ksqlDB를 이용하여 실시간 ML 피쳐 데이터를 계산하기

추천 시스템과 같은 머신러닝 어플리케이션에서 피쳐 데이터(feature data)는 성능에 큰 영향을 끼칩니다. 일반적으로 높은 품질의 피쳐 데이터를 많이 사용할수록, ML 모델의 성능 또한 높아지죠. 피쳐 데이터는 실시간 피쳐

000

1y

Jackson과 Scala 기반 Flink를 사용한 코드 리팩토링 과정에서 발생한 Serialization 관련 이슈 해결하기

안녕하세요! Azar Matching Dev Team의 Suno 입니다.
이 글에서는 Scala Flink 코드의 리팩토링 과정에서 발생한 Jackson과 Flink의 Serialization 이슈를 해결한 경험을 공유합니다. 크

000

1y

1년 동안 Workload의 절반을 ARM64로 Migration하기

안녕하세요, DevOps 팀의 Sammie입니다. Hyperconnect에서는 대부분의 service workload를 AWS 위에서 운영하고 있고, 다른 모든 회사와 동일하게 AWS 비용 절감은 중요한 주제입니다. AWS 비용을

004

1y

[Hyper and Now] 하이퍼커넥트® 렐 문화 탐구

*본 포스팅은 앞서 하이퍼커넥트® Career 홈페이지 블로그에서 2편(1,2)에 걸쳐 소개된 DevRel 게시글을 종합하였습니다.
안녕하세요, 하이퍼커넥트® DevRel Team입니다. 🙌
대내외적으로 많은 관심과 사랑을 받고

001

1y

고성능 ML 백엔드를 위한 10가지 Python 성능 최적화 팁

Python은 배우기 쉽고, ML 관련 라이브러리를 포함한 오픈소스 생태계가 상당히 발전해있는 좋은 언어입니다. 편의성이 좋다 보니 여러 회사들이 데이터 분석과 ML 모델 학습뿐만 아니라, 백엔드 서버에서도 Python을 자주 사

006

1y

Kubernetes 환경에서 Segmentation Fault 트러블슈팅하기 (Feat. Fluent Bit Contribution)

안녕하세요. DevOps 팀 Cloud Platform Unit의 Yop입니다. 최근 하이퍼커넥트 Kubernetes 클러스터에서 로그 수집용 agent로 사용 중인 Fluent Bit의 버전을 올리다가 segmentation f

003

1y

ksqlDB Deep Dive

안녕하세요, Azar API Dev Team의 Dante.R 입니다.
이 글에서는 Kafka Streams 및 ksqlDB 의 동작 원리 및 ksqlDB 의 사용 예제를 공유합니다.
ksqlDB 란?
ksqlDB 는 카프카 기반의

002

1y

Junior 개발자의 글로벌 서비스 경험기 2탄

안녕하세요 👋
하이퍼커넥트 아자르 스튜디오 Android 팀의 Tay, Mason 입니다.
지난 Junior 개발자의 글로벌 서비스 경험기 1탄 에서는 언어에 관련된 이야기와 앱갤러리에 관한 이야기를 전해드렸었는데요.
캐싱
네트

001

1y

⚔ Learning with Noisy Labels by Efficient Transition Matrix Estimation to Combat Label Miscorrection

Read this post in Korean

Introduction
오늘날의 ML 모델 성능은 데이터의 양과 퀄리티에 의존적입니다. 따라서 많은 ML 기반 서비스들은 고퀄리티의 데이터를 얻기 위하여 많은 비용을 지불하며

007

1y

Spring Session + Custom Session Repository 기반 세션 저장소의 메모리 누수 해결

안녕하세요, Azar API Dev Team의 Dante.R 입니다.
이 글에서는 팀에서 Spring Session + Custom Session Repository 기반 세션 저장소의 메모리 누수 현상을 해결한 경험을 공유합니다

0011

1y

글로벌 라이브 스트리밍을 지탱하는 하이퍼커넥트 미디어 서버 인프라를 소개합니다

안녕하세요, 하이퍼커넥트 Media Lab의 Media Server Team에서 Media Server Engineer로 일하고 있는 Simon.Y 입니다.
많은 분들께서 알고 계시듯 하이퍼커넥트에서는 하쿠나 라이브(Hakuna

000

2y

머신러닝 모델 서빙 비용 1/4로 줄이기

들어가며
하이퍼커넥트의 AI 조직에서는 다양한 머신러닝 모델을 서빙하고 있습니다. 보통의 서버와는 달리, 머신러닝 모델의 처리량(throughput)을 높이기 위해서는 특수 자원인 GPU가 필요합니다. 그런데 GPU를
사용하면 성

004