Netflix Tech Blog

넷플릭스는 수만 개의 Java 레포지토리를 관리하기 위해 ArchUnit을 확장한 'Nebula ArchRules'를 활용하여 아키텍처 규칙을 전사적으로 강제합니다. 이를 통해 API 변경 사항에 따른 하위 호환성 문제를 방지하고, 대규모 폴리레포(Polyrepo) 환경에서 기술 부채를 체계적으로 관리합니다.

넷플릭스는 파편화된 ML 도메인 간의 장벽을 허물기 위해 '메타데이터 서비스(MDS)'를 통한 '모델 라이프사이클 그래프'를 구축했습니다. 이를 통해 모델, 피처, 데이터셋 등 다양한 ML 자산의 가시성을 확보하고 도메인 간 지식 공유를 촉진하는 'ML 민주화'를 추진하고 있습니다.

넷플릭스가 초당 100만 건의 요청을 처리하기 위해 구축한 ML 모델 서빙 인프라의 핵심 기술인 'API 추상화'와 '라우팅' 전략을 다룹니다. 단순한 모델 추론(Inference)을 넘어 전처리, 특징 추출, 후처리를 포함한 전체 워크플로우를 하나의 서비스 단위로 관리하여, 클라이언트 서비스의 복잡성을 낮추고 모델 업데이트 속도를 극대화한 사례를 설명합니다.

넷플릭스는 글로벌 제작 규모 확장에 따른 미디어 파일 관리의 복잡성을 해결하기 위해 'Media Production Suite(MPS)'를 구축했습니다. 넷플릭스는 모든 기술을 자체 개발하는 대신, 검증된 FilmLight의 API(FLAPI)를 통합하는 전략적 파트너십을 통해 카메라 메타데이터 처리 및 워크플로우 자동화를 성공적으로 구현했습니다.

넷플릭스가 단순 VOD 서비스를 넘어 대규모 라이브 스트리밍 시대로 전환하며 구축한 '인간 인프라'와 운영 전략을 다룹니다. 기술적 자동화를 넘어, 실시간 방송의 불확실성을 제어하기 위해 구축된 방송 운영 센터(BOC)와 물리적/운영적 중복성 확보 과정을 상세히 설명합니다.

넷플릭스는 LLM을 활용해 콘텐츠 시놉시스의 품질을 평가하는 'LLM-as-a-Judge' 시스템을 도입했습니다. 이 시스템은 인간 작가의 평가 기준과 85% 이상의 일치율을 보이며, 실제 사용자의 시청 지표(시청 시작률, 이탈률)를 예측하여 콘텐츠 출시 전 선제적인 품질 관리를 가능하게 합니다.

넷플릭스는 대규모 데이터 쿼리 부하를 해결하기 위해 Apache Druid의 롤링 윈도우 특성을 활용한 '인터벌 인식 캐싱(Interval-Aware Caching)' 기술을 도입했습니다. 변하지 않는 과거 데이터는 긴 TTL로 캐싱하고, 최신 데이터만 짧게 갱신함으로써 데이터의 미세한 지연(5초)을 허용하는 대신 인프라 비용과 쿼리 부하를 획기적으로 줄였습니다.

넷플릭스는 방대한 영상 아카이브에서 특정 장면을 즉각적으로 찾아낼 수 있도록 멀티모달 인텔리전스 기반의 비디오 검색 시스템을 구축했습니다. 다양한 AI 모델의 출력값을 통합하여 텍스트, 이미지, 오디오 데이터를 하나의 정교한 타임라인으로 관리함으로써 제작 효율성을 극대화합니다.

넷플릭스가 모든 라이브 스트리밍 인코딩 방식을 CBR(고정 비트레이트)에서 VBR(가변 비트레이트)로 전환했습니다. 이를 통해 평균 데이터 전송량을 15% 절감하고 버퍼링 발생률을 5% 낮추는 성과를 거두었으나, 트래픽 변동성 증가에 따른 인프라 관리의 복잡성이라는 과제를 안게 되었습니다.