배민, LLM과 조직 문화 혁신으로 5년 묵은 다국어 숙제 해결!
배달의민족(배민)은 5년간 해결하지 못한 다국어 지원 문제를 LLM(Large Language Model)을 활용하여 한 달 만에 구현
FDH(Food Data Hub) 시스템 구축 및 LLM 번역 품질 향상으로 다국어 지원의 기술적 기반 마련
AI 기반 구축 TF 신설 및 빠른 의사결정 문화 정착을 통해 실행 속도(Execution Speed)를 극대화
서버 배포 중심의 점진적 품질 개선 전략을 통해 빠른 서비스 런칭(Service Launch)을 목표로 함
5년간 실패한 다국어 지원, 기술적/구조적 문제점 분석
배민 다국어 프로젝트는 단순 번역(Simple Translation)이 아닌, 전사적 시스템 개편을 요구했다. 기존에는 디자인 시스템 정의, DB 아키텍처 개편, 전용 운영 어드민 구축 등 1년 이상의 작업량(Workload)이 필요했다.
정의의 벽: 배민만의 음식 용어와 브랜드 톤을 담은 번역 기준 부재
구축의 벽: 다국어 데이터 처리 파이프라인, DB 개편, 어드민 시스템 구축의 어려움
운영의 벽: 매일 변경되는 메뉴 정보를 지속적으로 번역하고 유지 보수할 방법 부재
결과적으로, 기술적 문제뿐 아니라 조직 문화(Organizational Culture)와 프로세스(Process)의 개선 없이는 다국어 지원이 어려웠다.
LLM 기반 다국어 아키텍처 설계: 속도와 효율성 확보
이번 구현의 핵심은 속도(Speed)였다. 서버 배포를 통해 핵심 기능에 다국어를 빠르게 적용하고, 점진적으로 품질을 개선하는 전략을 채택했다. 전체 구조는 번역 파이프라인(FDH Translation Pipeline)과 응답 처리(Backend BFF Handling), 두 흐름으로 구성된다.
FDH Translation Pipeline: 가게/메뉴 데이터 변경 시 LLM에 번역 요청, 언어별 메타데이터 적재
Backend BFF Handling: Accept-Language 헤더 분석 후 적재된 다국어 데이터 매핑
i18n 정적 파일(Static Files)과 LLM 번역 파이프라인(LLM Translation Pipeline)**을 적절히 활용하여 효율성을 높였다.
LLM 연동 과정의 기술적 난관과 해결 전략
LLM을 프로덕션 환경에 적용하기 위해 다양한 기술적 문제에 직면했다. 개행 문자 처리, 단건/다건 요청 처리, 응답 필드명 고정 등 LLM의 예측 불가능성(Unpredictability)에 대응하기 위한 노력이 필요했다.
개행 문자 문제: 프롬프트(Prompt)에 개행 문자 escape 지시 추가
단건 → 다건 처리: 비용 및 속도 개선을 위해 배치 처리(Batch Processing) 방식으로 변경
응답 필드명 불안정: 응답 필드명을 명시적으로 고정
LLM 연동은 API 호출 이상의, 지속적인 튜닝(Continuous Tuning)과 피드백 루프(Feedback Loop)를 요구한다.
조직 문화 혁신: 빠른 의사결정과 실행 중심 문화
이번 프로젝트 성공의 핵심 요인은 기술뿐 아니라 조직 문화(Organizational Culture)의 변화였다. PoC 결과 하나로 전사 목표가 변경되고, 밤 11시에도 20분 만에 의사결정이 이루어지는 유연한 조직 문화(Agile Culture)가 구축되었다.
AI 기반 구축 TF 신설: 개발자가 LLM을 즉시 실험할 수 있는 환경 조성
문서 없는 시작과 PoC 기반 의사결정: 빠른 실행(Fast Execution)을 위한 효율적인 프로세스
기술과 조직 문화의 시너지: 기술(LLM)과 빠른 실행 구조의 결합으로 5년 묵은 과제 해결
결과적으로, 기술 혁신은 기술(Technology)과 조직력(Teamwork)의 조화로운 결합을 통해 달성되었다.
FDH 시스템과 LLM의 시너지 효과
FDH 시스템은 수십만 개 가게, 수천만 개 메뉴 데이터를 안정적으로 처리할 수 있는 기반을 제공했다. LLM은 단건 번역뿐 아니라, 다건 배치 처리로 대용량 데이터를 빠르게 처리하는 데 기여했다. Java/Spring 서버 개발자가 익숙한 환경에서 LLM을 직접 연동하여 대용량 번역 파이프라인을 구축한 것은 기술적 혁신(Technological Innovation)의 중요한 사례이다.
FDH: 대용량 데이터 처리(Large-scale Data Processing)를 위한 기반
LLM: 번역 품질 향상(Translation Quality Improvement) 및 자동화(Automation)
Java/Spring: 개발자들이 익숙한 환경에서 LLM 연동
결과적으로, FDH와 LLM의 결합은 기술적 한계(Technical Limitations)를 극복하고, 새로운 가능성(New Possibilities)을 열었다.
