Depop 사례 연구

Depop은 독특한 패션에 대한 시장을 통해 쇼핑의 대안을 제공합니다. 기존 PaaS 기술의 한계에 도달하면서 이 회사는 AWS로 눈을 돌렸습니다. AWS를 통해 Depop은 기계 학습에 중점을 두면서 새로운 기능을 신속하게 반복, 배포 및 확장할 수 있습니다.

Depop은 다음 세대에게 독특한 패션을 사고, 판매하고, 찾아내는 커뮤니티 중심의 소셜 쇼핑 경험을 제공한다고 스스로를 설명합니다. Depop은 새로운 쇼핑에 대한 순환 중심의 대안을 제공함으로써 패션 산업이 보다 지속 가능하고 목적 중심적이 되도록 하는 것을 목표로 합니다.

성장과 미래에 필요할 새로운 기능을 지원하기 위해 Depop은 AWS와만 전적으로 협력했습니다. 초기 단계의 스타트업에서, 이후 2,500만 명의 사용자(적극적인 사용자의 90%가 25세 미만임)를 유치하고, 미국, 영국 및 호주의 주요 시장에서 130%의 연간 고객 성장률을 실현한 후기 성공 스토리로 발전했습니다.

Depop은 약 2년 반 전에 기존 Platform-as-a-Service(PaaS) 기술의 한계에 부딪히면서 AWS로 이전했습니다. "PaaS 제공업체를 통해 확장성 제한, 애플리케이션 확장 방법의 유연성 부족, 완전관리형이지만 사용 가능한 기능 세트 제한으로 인한 솔루션 구축 방식의 제약과 같은 몇 가지 문제에 직면했습니다." Depop의 최고 기술 및 데이터 책임자인 Remo Gettini는 이렇게 말합니다.

Depop의 애플리케이션 및 서비스 부문 이사인 Robert Erdin은 회사가 더 많은 통제력을 갖추면서 더 비용 효율적인 인프라가 필요했다고 덧붙였습니다.

Depop은 문제를 극복하도록 돕는 AWS 솔루션 아키텍트 덕분에 마이그레이션을 자체적으로 수행했습니다. 이러한 과제에는 다양한 비용 절감 조치, 이를 지속적으로 모니터링 및 적용하는 방법, 다양한 AWS 서비스의 성숙도를 이해하는 것이 포함되었습니다.

또 다른 과제는 애플리케이션 개발자에게 재사용 가능하고 안전하며 사용하기 쉬운 추상 수준을 제공하는 것과 개발자에게 프로비저닝 인프라에 대한 직접 액세스 권한을 부여하는 것 사이에서 적절한 균형을 찾는 작업이었습니다.

AWS를 사용한 덕분에 이 회사는 Depop 애플리케이션에서 동시에 작업할 수 있는 팀의 수를 늘렸습니다. 그 수는 2개에서 8개로 늘어났으며 곧 10개 이상의 팀이 가능할 것입니다. 이를 통해 Depop의 새로운 서비스 개발, 테스트 및 배포 능력이 크게 향상되었습니다. Depop의 데이터 과학 및 기계 학습(ML) 책임자인 Clemence J. Burnichon은 AWS가 2개의 인스턴스 클러스터에서 25개의 인스턴스로 확장할 수 있는 유연성도 팀에 부여했다고 말했습니다.

AWS는 또한 Depop의 빠른 시장 성장을 지원합니다. Amazon Simple Storage Service(Amazon S3)와 통합된 Amazon CloudFront 콘텐츠 전송 네트워크는 이미지 및 동영상 배포를 지원하여 이러한 확장을 촉진하는 데 중요합니다.

Depop의 서비스는 기계 학습 워크로드에 AWS 기계 학습 서비스를 광범위하게 사용하는 회사와 함께 기계 학습을 점점 더 활용하여 운영되고 있습니다. Depop의 주요 기술 과제 중 하나는 계속 증가하는 재고를 처리하는 것이며, 재고에는 동일한 품목이 하나도 없습니다. 이 회사는 Amazon S3 기반 데이터 레이크 솔루션을 활용하여 2,500만 개 품목과 트랜잭션의 방대한 인벤토리를 관리하고, Amazon Managed Streaming for Apache Kafka(Amazon MSK)를 부분적으로 활용하면서 Amazon Kinesis Data Firehose를 사용하여 데이터를 스트리밍합니다.

시각 인식 기술과 결합된 기계 학습 알고리즘은 데이터 레이크에 보관된 의류 품목을 크기, 색상, 브랜드 등 다양한 방식으로 분류하여 Depop의 Personal Shopper 검색 및 추천 서비스를 지원합니다.

Depop은 데이터 레이크에 있는 분류된 데이터를 활용하기 위해 모바일 앱에서 Amazon Elasticsearch Service를 사용할 계획입니다. 이 서비스는 시간이 지남에 따라 더 많은 기계 학습 알고리즘을 검색하고 추가할 수 있도록 보다 세분화된 제어를 제공합니다.

데이터 레이크와 함께 사용되는 기타 Amazon 기술로는 보다 깔끔한 패키지 버전의 데이터를 생성하기 위한 Amazon Redshift 데이터 웨어하우스와 데이터에 대한 신속한 액세스를 제공하는 Amazon Athena 대화형 쿼리 서비스가 있습니다.

이러한 AWS 도구를 마음대로 사용할 수 있으므로 Depop의 기계 학습 팀은 새로운 딥 러닝 모델을 빠르게 반복할 수도 있습니다. Burnichon에 따르면 기계 학습 팀은 현재 프로덕션에서 약 30개의 기계 학습 모델을 보유하고 있으며 시간당 총 150만 개 메시지를 처리합니다.

이러한 모델은 인덱싱 및 관련성을 위해 Amazon SageMaker 및 Amazon EMR에서 지원되는 반면 추출, 변환 및 로드(ETL) 프로세스는 AWS Glue를 통해 제공됩니다.

AWS 덕분에 Depop은 "보다 세분화된 백엔드 서비스로 전환할 수 있었으며, 이를 통해 엔지니어링 팀을 크게 확장하고 더 많은 기능에 대해 동시에 작업할 수 있게 되었다"라고 Gettini는 설명합니다.

Depop은 Amazon Elastic Kubernetes Service(Amazon EKS)를 사용하여 모바일 앱을 지원하는 컨테이너에 서버리스 컴퓨팅을 제공함으로써 개발 팀이 하루 안에 새로운 프로덕션 서비스를 배포할 수 있도록 합니다. Erdin은 AWS가 "인프라에 대한 액세스의 분산"을 지원하여 개발 팀이 기술적 부채 없이 안전한 방식으로 쉽고 비용 효율적으로 새로운 것을 시도할 수 있도록 했다고 말합니다. “무엇을 원하든 이를 실현해 줄 AWS 서비스가 있다”고 그는 말합니다.

또한 AWS를 사용하면 성공적인 서비스 또는 애플리케이션이 이미 프로덕션으로 전환할 수 있는 올바른 환경에 있는지 확인할 수 있습니다. Erdin에 따르면 Depop은 100개 이상의 서비스를 운영하고 있습니다.

또 다른 주요 이점은 Depop이 AWS 전문가에게 연락할 수 있다는 것입니다. Erdin은 AWS 솔루션 아키텍트와 의견을 나눠 아이디어를 발휘할 수 있다는 것을 예로 듭니다. 또한 AWS는 AWS 및 클라우드에 대한 초급 세션부터 특정 기술에 대한 심층 분석에 이르기까지 Depop에 잦은 교육을 제공합니다.

Gettini의 경우 AWS에서 Depop이 달성한 가장 큰 성과는 "인프라 유지 관리를 전담하는 소수의 엔지니어로 구성된 9개의 다기능 팀에서 100명 이상의 제품 및 엔지니어링 조직을 지원할 수 있다는 것"입니다.

"이런 상황을 거의 30년 전 제 경력이 시작되던 시기와 비교하면 여전히 놀랍습니다."