‘돌아가게 만드는 것’은 공공기관 SI 현장에서 배웠습니다. 농촌진흥청 LMS 초기 로딩을 5.7초→2.4초로, 통합 알림 서버의 1,000명 발송을 30초→5초로 줄이며, 발주처·점검 기관과의 합의까지가 품질이라는 것을 익혔습니다.

‘계속 돌아가게 만드는 것’은 직접 출시한 프로덕트가 가르쳤습니다. Garabu와 쉐어핏을 혼자 운영하며 통계 API를 2초→50ms(40배)로 개선했고, 키 유출 사고 뒤 배포 파이프라인을 재설계해 위험을 없애고 인스턴스 다운사이즈로 운영 비용을 약 50% 줄였습니다.

지금은 이 경험을 AI 기능에 적용합니다. 폐쇄망 RAG 챗봇으로 검색 정확도를 약 40% 높였고, 영화 117만 건 위에서 4인 팀의 PM 겸 백엔드 리드로 추천 서비스를 완성했습니다.

Making it run I learned on public-sector SI — cutting LMS initial load 5.7s→2.4s and a 1,000-recipient send 30s→5s, and learning that agreement with clients and auditors is part of quality.

Keeping it running my own products taught me. Operating Garabu and ShareFit solo, I cut the stats API from 2s to 50ms (40×); after a key-leak incident I redesigned the deploy pipeline to remove the risk, and an instance downsize cut running costs ~50%.

Now I apply both to AI features — a closed-network RAG chatbot ~40% more accurate than keyword search, and a movie recommender over 1.17M titles as PM & backend lead of a team of four.

여러 프로젝트를 거치며, 기능을 완성하는 일과 출시 이후에도 멈추지 않게 지키는 일은 다른 문제라는 것을 배웠습니다.

공공기관 업무 시스템에서는 정확한 요구사항 분석과 안정적인 데이터 처리, 그리고 발주처·점검 기관과의 합의가 품질을 좌우했습니다.

사내 알림 서버와 온프레미스 AI 챗봇에서는 확장 가능한 구조와 운영(이력·실패 추적·관측성)을 먼저 설계해야 장애에 강하다는 것을 익혔습니다.

직접 출시한 프로덕트에서는 배포·모니터링·사고 대응까지가 진짜 개발이었습니다. 앞으로도 문제를 구조화하고, 운영까지 책임지는 백엔드 개발자로 나아가려 합니다.

Across these projects I learned that finishing a feature and keeping it from stopping after launch are two different problems.

On public-sector systems, accurate requirements analysis, stable data handling, and agreement with the client and audit bodies decided the quality.

On the in-house notification server and on-prem AI chatbot, designing for extensibility and operability — history, failure tracing, observability — up front is what makes a system resilient.

On products I shipped myself, deployment, monitoring, and incident response are the real work. I want to keep growing as a backend developer who structures the problem and owns it through operations.