
전사적 난제였던 수천만 개 메뉴 번역, LLM과 데이터 파이프라인으로 해결한 폭풍 성장기
매년 시도했지만 실패했던 배민의 다국어 서비스가 AI 기반 구축 TF와 LLM의 만남으로 한 달 만에 현실이 되었습니다. 기술적 한계를 뛰어넘은 FDH 시스템과 Spring AI Bedrock 연동을 통해 수천만 개의 데이터를 실시간으로 번역하는 아키텍처를 구현했습니다. 단순한 기술 도입을 넘어, PoC 결과 하나로 조직 전체를 움직인 빠른 실행력과 의사결정 문화가 어떻게 혁신을 만드는지 보여줍니다.
LLM을 단순한 챗봇이 아닌 대규모 데이터 처리 자동화 도구로 활용하고자 하는 백엔드 엔지니어들에게 강력 추천합니다. 특히 기존의 거대하고 경직된 시스템에서 AI를 통해 운영 효율을 극대화하고 싶은 기술 리더들에게 훌륭한 인사이트를 제공합니다.
배달의민족은 5년 전부터 다국어 서비스를 시도했으나, 수천만 개의 메뉴 데이터를 번역하고 유지보수하는 운영 인력의 한계와 대규모 시스템 개편 부담으로 인해 매년 프로젝트가 중단되었습니다. 단순 번역을 넘어 DB 아키텍처 개편과 전용 어드민 구축 등 전사 수준의 리소스 투입이 필요했던 구조적 결함이 핵심 문제였습니다.
대용량 푸드 데이터를 처리하는 FDH(Food Data Hub) 시스템을 기반으로, AWS Bedrock(LLM)을 연동한 비동기 번역 파이프라인을 구축하였습니다. 가게/메뉴 변경 이벤트 발생 시 LLM이 다국어로 자동 번역하여 메타데이터로 적재하는 구조를 채택했으며, UI 정적 문구는 i18n 표준에 맞춰 별도로 관리하고 앱 업데이트 없이 서버 배포만으로 대응할 수 있도록 설계했습니다.
1월 14일 프로젝트 킥오프 이후 단 19일 만에 영어, 일본어, 중국어 3개 국어가 적용된 다국어 서비스를 전체 고객 대상으로 오픈하였습니다. 수백 명의 번역가가 수년 동안 작업해야 할 분량을 LLM 배치 처리를 통해 단기간에 해결했으며, 밤 11시에도 20분 만에 의사결정이 이뤄지는 빠른 실행 구조를 통해 5년 된 백로그를 청산했습니다.
Trade-off
품질 검수를 위해 역번역(Back-translation) 방식을 도입했으나 원어민의 정밀한 검수를 100% 대체하기는 어려웠으며, 비용 최적화를 위해 프로젝트 도중 Claude Haiku에서 Amazon Nova 2 Lite로 모델을 교체하며 프롬프트와 인프라를 재조정하는 리스크를 감수했습니다. 또한 임직원 대상의 단계적 오픈 대신 전체 오픈을 선택하며 수십만 가게 데이터의 대규모 마이그레이션을 단기간에 완료해야 하는 운영적 압박이 있었습니다.
배달의민족의 방대한 가게 및 메뉴 데이터를 통합 관리하고 안정적으로 처리하는 대용량 데이터 플랫폼입니다.
Java 환경에서 LLM(대규모 언어 모델)을 쉽게 연동할 수 있게 돕는 프레임워크와 클라우드 AI 서비스입니다.
번역된 결과물을 다시 원문 언어로 번역하여 의미의 보존 여부를 확인하는 품질 검증 기법입니다.




