리
리멤버
January 13, 20251회
리멤버 웹 서비스 좌충우돌 Yarn Berry 도입기

간단 소개
리멤버 웹 서비스의 Yarn Berry 도입 과정, 주요 특징, 트러블 슈팅 경험 및 최종 효과를 공유합니다.
AI Summary
- Yarn Berry 도입 배경 및 목표
- 기존 Yarn Classic의 한계 극복 및 빌드 시간 단축, 안정성 향상을 목표로 함
- Zero-Installs를 통한 탄소 감축 효과 기대
- 모노레포 도입 준비 과정에서 pnpm + Turborepo 조합으로 변경되었지만, Yarn Berry 도입 경험이 최종 결정에 기여
- Yarn Berry의 주요 특징 및 장점
- node_modules 구조의 비효율성 해결을 위한 PnP (Plug’n’Play) 기술 적용
- 유령 의존성 문제 해결 및 의존성 관리 강화
- Zero-Installs를 통한 일관된 개발 환경 보장 및 설치 과정 간소화
- 디스크 용량 절감 효과 (Next.js 어드민 서비스 기준 약 27% 감소)
- Yarn Berry 적용 과정 및 트러블 슈팅
- 어드민 및 내부 라이브러리 프로젝트부터 점진적으로 적용
- .gitignore 설정, .npmrc, .yarnrc를 .yarnrc.yml로 마이그레이션
- IDE (VSCode) 통합 및 Dockerfile 수정
- ESLint import/order 관련 이슈, pre-hook 미지원, Vite와 함께 사용할 때 Storybook 실행 문제 등 다양한 트러블 슈팅 경험 공유
- 빌드 시간 단축 (평균 50초 ~ 1분), 레포지토리 설치 시 종속성 크기 감소, 로컬/리모트 환경 빌드 결과 동일성 보장 등 효과
Next Feeds

AI 명함촬영인식 ‘리오(RIO)’ 적용기 2부 — ML Model Converter와 안드로이드 앱 적용기
AI 명함 촬영 인식 '리오(RIO)'를 Client-Side Computing 환경에 적용하기 위한 ML 모델 변환 및 안드로이드 앱 적용 과정을 설명합니다.
AI명함인식Client-Side ComputingTensorFlow LiteONNX
2025. 1. 13.
리멤버

리멤버 유저에게 보다 깨끗한 명함 이미지 제공을 위한 이미지 복원 방법
리멤버 명함 이미지 복원 기술: 저해상도 개선, 노이즈 제거, 딥러닝 기반 최신 이미지 복원 방법 소개 및 적용 고려 사항.
이미지 복원Super-ResolutionDenoising딥러닝명함인식
2025. 1. 13.
리멤버

AI 명함 촬영 인식 ‘리오(RIO)’ 적용기 1부 — 명함촬영인식 위한 Instance Segmentation & Computer Vision
AI 명함 촬영 인식 '리오(RIO)' 개발 및 Instance Segmentation 적용 과정, 그리고 Post-Processing 과정을 설명합니다.
AI명함인식Instance SegmentationComputer VisionOpenCV
2025. 1. 13.
리멤버

토스 피플: 문과생에서 토스 개발 리더까지
문과생에서 토스 개발 리더까지, 조유성님의 성장 과정과 토스에서의 주요 경험, 그리고 데우스 팀의 목표를 소개합니다.
FrontendUX Engineer토스개발 리더데우스
2025. 1. 10.
토스

코드 품질 개선 기법 3편: 전략 없는 전략
반복문 내 조건 분기 시, 분기와 로직 간 대응 관계를 명확히 하는 코드 리팩토링 전략을 제시합니다.
코드 품질리팩토링전략 패턴조건 분기가독성
2025. 1. 10.
LY Corp

MSA 기반 미디어 업로드 고도화: 람다 함수 구조 변경으로 유지보수성 향상
MSA 기반 미디어 업로드 시스템을 고도화하여 람다 함수 구조를 개선, 유지보수성을 향상시키고 서비스 독립성을 확보했습니다.
MSALambdaChaliceStep FunctionsKafka
2025. 1. 10.
펫프렌즈