Ercan Ermis

저는 Ercan Ermis입니다. 네덜란드에 거주하는 시니어 클라우드 플랫폼 엔지니어입니다. AI, LLM, 에이전트 그리고 그것들을 프로덕션에 출시하는 데 필요한 엔지니어링 작업에 대해 여기에 글을 씁니다.

어떻게 여기까지 왔는가

제 인생의 첫 컴퓨터는 1986년 아버지가 사업용으로 구입하신, 5.25인치 플로피 드라이브 두 개(Floppy A와 Floppy B)가 달린 Amstrad였습니다. 진짜 사랑은 1998년 초등학교 4학년 때 시작됐습니다. 학교 컴퓨터실의 Windows 95 머신 중 한 대에 선생님이 Linux를 설치하시며 “이게 Linux란다, 자유 소프트웨어야"라고 말씀하셨고, 그 검은 화면에 Pac-Man이 등장한 순간 저는 끝이었습니다.

이건 왜 작동하는가. 실제로 어떻게 작동하는가. 또 무엇을 시킬 수 있는가. 그것을 어떻게 다르게 시킬 수 있는가. 30년이 넘은 지금도 저는 여전히 이 네 가지 질문을 던지며 키보드 앞에 있습니다. 컴퓨터 앞에서 보낸 시간은 늘 제가 가장 편안하고 가장 평화로움을 느끼는 자리였습니다. 지금 AI 작업에 매달리는 것도 같은 호기심의 연장선, 다만 새로운 프리미티브 세트를 손에 쥐었을 뿐입니다.

이 사이트의 글들은 슬라이드가 아닌 실제 프로덕션 시스템과 사이드 프로젝트에서 나옵니다. OpenSearch Serverless에서 이전하여 Bedrock Knowledge Base 비용을 90% 절감한 이야기. re:Invent에서 발표된 에이전트 기반 프리미티브. Kiro가 개발 루프에 가져오는 변화. S3 Vectors의 배경 패턴. 각 글은 실제 작업이 어떤 모습이었는지, 숫자와 실패 모드와 함께 보여줍니다.

이 사이트의 위치

AI는 빠르게 움직입니다. 하이프 층은 더 빠릅니다. 저는 임베딩이 무엇인지 이미 알고 있고, LLM 호출을 프로덕션에 배포해 본 적이 있으며, 런치 키노트에는 담기지 않은 트레이드오프, 비용 수치, 실패 모드를 알고 싶어하는 엔지니어들을 위해 글을 씁니다.

지향점:

  • 합성 벤치마크가 아닌 실제 워크로드의 실제 숫자.
  • 비용 인식 패턴. 토큰 소비, 벡터 스토리지, 추론 지연 시간 모두 중요합니다.
  • 정직한 실패 모드 분석. 스케일에서 무엇이 깨지는지. 월요일을 견디지 못하는 것은 무엇인지.
  • AI에 적용된 엔지니어링 위생. 동일한 리뷰, 동일한 관측 가능성, 동일한 폭발 반경 사고.

자격증 및 커뮤니티

  • 7년 이상의 AWS 경력을 가진 시니어 클라우드 플랫폼 엔지니어.
  • AWS Certified Solutions Architect, Associate.
  • 2022년부터 AWS Community Builder.
  • Claude Community NL의 로테르담 챕터 오거나이저. meetup.com/claude-rotterdam에서 로테르담 밋업을 팔로우하세요. 첫 이벤트가 곧 열립니다.
  • Izmir Yazilim Agi 설립자 (1,239명 회원, 57회 이벤트).

자매 사이트

큐레이션된 AI 뉴스, 링크 및 논평 게시판은 **news.ercan.ai**를 참조하세요. 이 사이트(ercan.ai)는 긴 형식의 필드 노트를 위한 곳이고, news.ercan.ai는 짧은 형식의 피드입니다.

다른 글

컨설팅 및 자문

소수의 AI 및 응용 ML 컨설팅 프로젝트를 수주합니다. 저는 이 일을 좋아합니다. 실제 프로덕션 제약 안에 있게 해주고, 거기서 유용한 패턴이 나옵니다.

팀과 작업하는 방식:

  • AI/ML 플랫폼 자문. 팀이 프로토타입 단계를 넘어 LLM 워크로드를 위한 비용 인식형 보안 기반이 필요합니다. Bedrock, SageMaker, 벡터 스토리지, 추론 라우팅, 가드레일. 아키텍처와 운영 모델 설계를 돕습니다.
  • 프로젝트 기반 구축. 출시해야 할 특정 AI 기능이나 파이프라인이 있습니다. 팀과 함께 구축하고, 소유권을 이전하며, 다음 분기에 실패 모드를 재발견하지 않도록 문서화합니다.
  • AI 워크로드를 위한 AWS 비용 최적화. Bedrock Knowledge Base, OpenSearch Serverless, 프로비저닝된 처리량. 대부분의 팀은 가격 모델이 명확하지 않아 60-90%를 초과 지불합니다. 낭비를 찾아내고, 스택을 재구성하며, 비용 대시보드를 전달합니다.

문제가 AI보다 더 넓다면, 제가 컨설팅하는 전체 영역은 다음과 같습니다: AWS, 클라우드 아키텍처, CI/CD 파이프라인, Linux, GitHub 및 GitLab 툴링, Terraform 및 Terragrunt, Kubernetes 및 EKS, 관측 가능성, 비용 최적화, 마이그레이션, 그리고 나머지 모두를 하나로 묶어주는 플랫폼 엔지니어링 운영 모델. AI 워크로드는 이 스택 위에 올라가며, 실무에서는 두 영역이 별개의 계약이 아니라 하나로 진행됩니다.

작고 집중된 참여. 구축 중인 것이 이 사이트의 주제와 겹친다면 LinkedIn으로 연락 주세요. 무엇을 출시하려는지, 병목 현상이 어떤지 알려주세요.

다음 읽기