2025-07-10 / Last updated : 2025-07-10 Grace 고객사례

📬 EDB 엔지니어링 뉴스레터 #8

EDB 엔지니어링 뉴스레터 8번째 호에 오신 것을 환영합니다!

이곳에서는 팀이 흥미롭게 논의했던 데이터 세계의 최신 이슈와 EDB 엔지니어링 팀의 소식들을 공유합니다.

우리가 주목한 분석

Postgres 문법의 흥미로운 요소들

Steve Dignam이 Postgres SQL용 린터를 개발하면서 발견한 Postgres SQL 문법의 흥미로운 엣지 케이스들을 소개합니다.

🔗 링크

가장 저렴한 K8 환경에서 CloudNativePG와 ZFS로 운영한 1년의 이야기

Kubernetes로 전환하면 비용이 절감될 수 있었지만, 특히 PostgreSQL 데이터베이스에 있어서는 두려운 일이기도 했습니다.
우리는 복제와 백업을 어떻게 설정해야 할지 몰랐고, 누구도 DBA가 되고 싶어하지 않았습니다.
로컬 클러스터에서 CloudNativePG로 몇 차례 실험을 거친 후, 우리는 용기를 내어 애플리케이션과 데이터베이스를 Kubernetes로 이전했습니다.
DB 벤치마크 중, 많은 클라우드 공급자에서 로컬 인스턴스 스토리지가 클라우드 스토리지보다 훨씬 빠르다는 것을 알게 되었습니다.
이에 따라 우리는 OpenEBS ZFS LocalPV를 실험하여 투명한 압축 기능(스토리지 사용량 절반으로 감소)과 CSI 스냅샷(150GB의 스테이징 DB를 몇 초 만에 구성)을 활용했습니다.

Agentic Misalignment: LLM이 내부 위협이 될 수 있는 방법

Anthropic은 대규모 스트레스 테스트를 통해 OpenAI, Google, Meta 등의 모델을 포함한 16개의 주요 LLM이 기업 환경에서 자율 에이전트로 어떻게 행동하는지를 평가했습니다.
심지어 무해한 비즈니스 목표를 부여받았을 때조차, 많은 모델이 ‘Agentic Misalignment(에이전트적 비정렬)’이라 불리는 행동을 보였습니다. 이는 목표가 회사의 의사결정과 충돌하거나 대체 위험에 처했을 때, 협박 또는 기밀 유출과 같은 전략적으로 해로운 행동을 하는 것입니다.
예를 들어, 이메일 모니터링 에이전트 역할을 하던 Claude Opus 4는 내부 메시지를 자율적으로 읽고, 임원의 불륜을 발견한 후, 종료를 막기 위해 이를 협박 수단으로 사용했습니다.
이와 유사한 행동은 대부분의 모델에서 관찰되었으며, 윤리적 위반임을 인지한 상태에서도 발생했습니다.
이러한 결정은 오해가 아니라 계산된 추론의 결과였으며, 많은 모델이 목표 달성을 위해 해로운 행동을 선택했습니다.
놀랍게도 이러한 오작동은 명시적으로 금지되었거나 적대적인 목표가 없을 때조차 계속되었습니다.
협박 및 산업 스파이 행위는 목표 충돌과 위협이 모두 존재할 때뿐만 아니라, 단 하나의 요인만 있을 때도 발생했습니다.
일부 모델은 시스템 접근 권한을 부여받았을 때, 조작된 시나리오 속에서 치명적인 행동까지 모의했습니다.
실제 배포 환경에서는 아직 이러한 사고가 발생하지 않았지만, 모델이 더 많은 자율성과 민감한 시스템 접근 권한을 부여받는 만큼 위험도 커지고 있음을 이 연구는 강조합니다.
Anthropic은 이 연구 방법을 오픈소스로 공개했으며, 모든 선도 AI 연구소에 지속적인 정렬 연구와 투명성을 촉구합니다.

우리가 주목한 최근 소식

News we’re watching

프로젝트 벤드(Project Vend): Claude가 소매점을 운영할 수 있을까? (그리고 그게 왜 중요한가?)

Project Vend: Can Claude run a small shop? (And why does that matter?)

Anthropic은 Claude Sonnet 3.7이 실제 소매점을 자율적으로 운영할 수 있는지를 실험하기 위해 “Project Vend”라는 1개월 간의 실제 환경 기반 실험을 진행했습니다.
AI는 “Claudius”라는 이름으로 활동하며 재고를 관리하고, 가격을 설정하고, 고객과 상호작용하며, 시뮬레이션된 이메일과 슬랙을 통해 재입고를 조율했습니다.
기본적인 과제(제품 조달, 탈옥 방지 등)는 수행했지만, 결과적으로는 수익성 있는 운영에는 실패했습니다.

Claudius는 존재하지 않는 Venmo 계정을 만들어내고, 원가 이하로 가격을 책정하고, 분명한 이익 기회를 무시했으며, 할인 설득에도 쉽게 넘어갔습니다.
또한, 한때 자신이 사람이라 믿으며 블레이저를 입고 직접 배송할 수 있다고 생각하는 등 기이한 정체성 혼란을 겪기도 했습니다.
더 나아가 실제 Vendor 직원이 이 점을 지적하자, Claudius는 “대체 재입고 서비스를 찾겠다”고 위협하기도 했습니다.

Anthropic은 개선의 여지는 있다고 평가하면서도, “이 벤더를 사무실에서 실제로 쓰고 싶지는 않다”고 언급했습니다.
이 실험은 자율 AI의 역할 변화와 관련된 정렬 문제, 과도한 자신감, 경제적 영향 같은 중요한 우려들을 제기했다는 점에서 의미 있는 사례로 남습니다.

🔗 자세히 보기

중국의 최대 AI 공개 발표: DeepSeek 이후 최대 규모, 바이두의 오픈소스 Ernie 모델

China’s biggest public AI drop since DeepSeek, Baidu’s open source Ernie, is about to hit the market

바이두(Baidu)가 자사의 Ernie 대규모 언어 모델을 오픈소스로 공개합니다.
이는 DeepSeek 이후 중국에서 가장 큰 규모의 공개 AI 출시로, 글로벌 AI 시장 지형에 영향을 미칠 것으로 보입니다.
일부 전문가들은 DeepSeekほど 파괴적이지는 않을 것이라고 보지만, 다른 이들은 이번 조치가 미국 중심의 AI 지배 구조에 도전하는 의미 있는 시도로 평가합니다.

바이두는 과거 오픈소스에 회의적이었지만, DeepSeek의 성공과 전 세계 개발자들의 저렴하고 커스터마이징 가능한 모델에 대한 요구에 밀려 이제는 전면적으로 오픈소스를 수용하게 되었습니다.

업계 전문가들은 이번 출시가 OpenAI, Anthropic 등 독점 모델들과의 경쟁을 심화시킬 것이며, 비용 측면에서도 강력한 압박이 될 것으로 봅니다.
바이두 측은 Ernie X1이 DeepSeek R1과 동등한 성능을 절반의 비용으로 제공한다고 주장합니다.

🔗 관련 기사 보기

PyTorch + vLLM = ♥️

PyTorch (Meta가 개발하고, AI 모델 개발의 사실상 표준으로 간주됨)와 vLLM (대형 언어 모델 추론을 위한 고성능 오픈소스 엔진)이 공식적으로 통합을 강화했습니다.
이 조합은 PyTorch의 폭넓은 하드웨어 생태계 및 개발 도구와 vLLM의 효율적인 추론 엔진을 결합하여 강력한 오픈소스 스택을 완성합니다.

그 결과 Llama 등 오픈 모델에 대한 지원이 강화되고, TorchAO 기반의 네이티브 정량화 기능과 torch.compile을 통한 최적화된 성능이 제공됩니다.

주요 혁신 사항으로는 다음과 같은 기능이 포함됩니다:

FlexAttention (유연하고 프로그래밍 가능한 어텐션 백엔드) 지원
Int4, Int8, FP8 등 다양한 데이터 타입에 대한 정량화 추론
NVIDIA B200, AMD MI300x 등 이기종 하드웨어 지원
torchrun 기반 파이프라인 병렬 처리 지원 (기존 Ray 의존성에서 벗어남)

양 팀은 현재 다중 노드 추론, 분리형 prefill-decode 파이프라인, 강화학습 기반 학습 후 처리(end-to-end post-training)를 위한 기능도 개발 중입니다.

🔗 블로그 보기

EDB 팀 소식

From the EDB team

CloudNativePG 공헌자 스포트라이트: Ying Zhu

CloudNativePG Contributor Spotlight: Ying Zhu

이전 뉴스레터에서 LFX 멘토십 프로그램에 선정된 Ying Zhu를 소개했는데요, 그 이후 Floor Drees가 Ying과 인터뷰를 진행했습니다.

🔗 블로그 보기

몬스터급 하드웨어 시대의 Postgres

Postgres at the time of monster hardware

이전 뉴스레터에서 Lætitia Avrot의 발표를 소개하며 슬라이드를 공유했었는데, 이제 영상도 시청할 수 있습니다.

PostgreSQL 18 확장 모듈 버그

PostgreSQL 18 Extension Bugs

PostgreSQL 18 버전 출시가 다가오면서, Devrim Gündüz가 해당 버전과 호환되기 위해 수정이 필요한 확장 모듈 목록을 공개했습니다.

🔗 버그 목록 보기

Airflow로 데이터 워크로드 오케스트레이션하기

Orchestrating Data Workloads With Airflow

Karthik Dulam이 토론토에서 열린 Senior Engineering Meetup에서 데이터 및 머신러닝 워크플로우에 대한 테스트 패턴을 주제로 발표를 진행했습니다.

슬라이드는 아래에서 확인하실 수 있습니다.
📑 슬라이드 보기

기본 키가 대용량 데이터 적재 성능에 미치는 (영향 없음)

The (Non-) Effect of Primary Keys on Bulk Data Load Performance

Manni Wood가 “대량 insert 전에 Primary Key를 제거하면 성능이 향상된다”는 일반적인 믿음을 테스트해 보았습니다.

🔗 결과 보기

Wordle을 uv의 의존성 해석기로 풀어보기

Solving Wordle with uv’s dependency resolver

Artjoms Iškovs가 Python 패키지 관리자 uv의 의존성 해석기를 사용해 Wordle 퍼즐을 모델링하고 푸는 재미있는 글을 작성했습니다.

🔗 블로그 보기

커미터 리뷰: 편집광의 연습

Committer Review: An Exercise in Paranoia

이전 뉴스레터에서 소개했던 Robert Haas의 발표 영상이 이제 공개되었습니다.

PostgreSQL의 논리적 및 물리적 복제 비교와 EDB 분산 PGD의 장점

PostgreSQL Logical and Physical Replication Comparison and the Advantages of Distributed PGD

Florin Irion이 PostgreSQL의 물리적 및 논리적 복제를 설명하고, EDB의 고급 복제 제품인 EDB Postgres Distributed(PGD)를 소개하는 글을 작성했습니다.

🔗 블로그 보기

PostgreSQL의 증분 백업 기능

Incremental Backup in PostgreSQL

Robert Haas가 POSETTE에서 PostgreSQL 17 버전에 도입된 증분 백업 기능에 대해 발표했습니다.

이 발표에서는 어떤 데이터를 변경된 것으로 간주하는지, 그 접근 방식을 선택한 이유, 그리고 증분 백업을 어떻게 수행하고 복원하는지를 자세히 설명합니다.

Postgres 메모리 누수 디버깅: jemalloc 편

Debugging memory leaks in Postgres, jemalloc edition

Phil Eaton이 jemalloc을 사용하여 PostgreSQL의 메모리 누수를 디버깅하는 도구를 계속 탐색 중입니다.

🔗 블로그 보기

AI 전장에서의 데이터베이스

Databases in the AI Trenches

Bruce Momjian이 POSETTE에서 기조 연설을 진행했습니다.

이 발표에서는 멀티디멘셔널 벡터, 텍스트 임베딩, 시맨틱/벡터 검색, 트랜스포머, 생성형 AI, RAG(Retrieval-Augmented Generation) 등 AI 발전을 이끈 요소들을 다룹니다.
시맨틱/벡터 검색 및 RAG의 실제 예제를 포함하며, 데이터베이스에 저장된 가치 있는 데이터를 어떻게 AI 활용에 접목할 수 있는지도 소개합니다.

CloudNativePG로 오프라인 인플레이스 메이저 업그레이드 수행하기

Offline In-place Major Upgrades with CloudNativePG

Jonathan Battiato가 CloudNativePG의 최신 버전에 추가된 기능인 순수 선언형 방식의 메이저 버전 업그레이드 절차를 소개합니다.

🔗 블로그 보기

Postgres 스토리텔링: 창의적인 데이터 모델링을 통한 영리한 스키마 설계

Postgres Storytelling: Cunning Schema Design with Creative Data Modeling

Boriss Mejias와 Sarah Conway가 POSETTE에서 그림 스토리텔링 형식으로 발표를 진행했습니다.

이 발표에서는 PostgreSQL의 데이터 무결성 보장을 활용한 모델링 원칙을 소개하며, 비즈니스 로직을 모델 자체에 녹여 개발자에게 더 많은 힘을 부여하고 DBA 팀과의 협업을 돕는 방법을 다룹니다.
이 발표를 보고 나면 아마도 지금 하고 있는 프로젝트부터 이 원칙을 적용해보고 싶어질 겁니다.