피드로 돌아가기
Dev.toDatabase
원문 읽기
AWS Aurora pgvector 도입을 통한 쿼리 지연 시간 ms 단위 단축 및 자가 학습 DB 구현
How I Built a Self-Learning YouTube AI on AWS Aurora (And Barely Survived the Weekend)
AI 요약
Context
기존 AI 도구들의 단순 프롬프트 래핑으로 인한 환각 현상과 제네릭한 결과 도출의 한계점 분석. 실시간 트렌드 반영 실패와 정밀한 데이터 기반 예측 모델의 부재로 인한 낮은 효용성 확인.
Technical Solution
- AWS Aurora Serverless PostgreSQL과 pgvector 확장 기능을 활용한 3계층 메모리 시스템 설계
- 상위 30%의 검증된 YouTube 성공 데이터를 Vector Embedding으로 저장하여 환각 현상 억제
- 단순 키워드 검색을 배제하고 Semantic Similarity Search를 통한 니치 시장별 최적 패턴 추출
- Vercel IAM Role과 AWS OIDC Federation 연동을 통한 하드코딩 없는 보안 인증 구조 구축
- Gemini 2.5 Flash 기반의 Vision Analysis를 결합한 썸네일 구조 분석 및 체크리스트 생성 로직 구현
- Recency Decay와 심리적 트리거 태깅을 반영한 타이틀 생성 엔진 설계
Impact
- 인덱스 최적화 및 쿼리 구조 재설계를 통해 API 응답 지연 시간을 30초에서 ms 단위로 대폭 단축
실천 포인트
1. Vector DB 도입 시 Sequential Scan 발생 여부를 모니터링하고 적절한 Index를 구축했는지 확인
2. 외부 플랫폼 연동 시 OIDC Federation을 통해 시크릿 키 노출 위험을 최소화하는 인증 체계 검토
3. LLM의 환각 현상 해결을 위해 RAG(Retrieval-Augmented Generation) 패턴의 데이터 필터링 전략 적용