AI 시대의 MongoDB 활용 전략 및 개발팀 주요 시사점

코엑스에서 열린 MongoDB.local 2025 컨퍼런스의 A 트랙 에서 진행한 내용을 정리했습니다. 

요약

MongoDB 는 단순한 NoSQL 데이터베이스를 넘어 AI 시대의 통합 데이터 플랫폼으로 진화하고 있습니다. 특히 AI 애플리케이션 구축, 레거시 시스템 현대화, 개발 생산성 극대화, 실시간 데이터 처리 등 현대적인 개발 요구사항에 대한 포괄적인 해결책을 제시하고 있습니다.

주요 내용은 다음과 같습니다.

• AI 시대를 위한 최적의 데이터 저장소
  • MongoDB 의 유연한 도큐먼트 모델은 RAG(Retrieval Argumented Generation), Agenric AI 등 AI 시스템에 필요한 정형/비정형 데이터를 현실 세계의 최소 왜곡 표현 으로 저장
  • 벡터 검색 및 풀텍스트 검색을 통합 제공하여 AI의 환각(Hallucination) 현상을 줄이고 정확도를 높이는 핵심 기반
• 레거시 현대화 가속
  • AI 기반 현대화 팩토리 접근법은 테스트 주도 자동화 루프(Test Driven Automation Loop) 를 통해 레거시 시스템을 점진적이고 안정적으로 현대화하는 구체적인 방법론을 제시
• 혁신적인 MongoDB 8.0
  • 읽기 전용 워크로드 36%, 시계열 워크로드 200% 향상 등 역대급 성능 개선
  • Query Rejection Filter, Queryable Encryption 과 같은 운영 안정성 및 보안 강화 기능 대거 추가
• 개발자 생산성 극대화
  • VS Code, IntelliJ 통합, Atlas CLI, 그리고 복잡한 아키텍처를 단일 플랫폼으로 통합하여 개발 복잡성을 획기적으로 줄이는 전략을 통해 개발자가 핵심 비즈니스 로직에 집중할 수 있도록 지원
• 실시가 ㄴ데이터 처리
  • Atlas Stream Processing은 Kafka와 같은 스트리밍 데이터를 DB 내에서 MQL(MongoDB Query Language)로 직접 처리
  • 실시간 대시보드, 개인화 추천, 이상 감지 등 다양한 시나리오에 적용
• 데이터 모델링의 중요성
  • MongoDB의 성능 최적화는 애플리케이션이 어떻게 데이터에 말을 거는가?에 대한 워크로드 중심의 데이터 모델링과 지속적인 인덱스 튜닝, 아카이빙 등 운영 노하우가 핵심임을 강조

주요 테마

AI 시대의 데이터 플랫폼으로서 MongoDB 의 역할

• AI 애플리케이션을 위한 통합 검색
  • 현대 AI 애플리케이션은 정확한 정보와 맥락 제공이 필수
  • 키워드 기반의 풀텍스트 검색과 의미 기반의 벡터 검색을 함께 활용
  • MongoDB Atlas는 이 두 가지를 하나의 플랫폼에서 단일 쿼리 API로 제공하여 개발 복잡성을 획기적으로 줄임.
• Rank Fusion을 통한 하이브리드 검색 혁신
  • MongoDB 8.1에 도입된 $rankFusion 기능은 풀텍스트 검색과 벡터 검색 결과를 RRF(Reciprocal Rank Fusion) 알고리즘으로 자동으로 병합
  • 더 정확하고 포괄적인 검색 결과를 간결한 코드로 제공
• RAG 시스템의 진화와 MongoDB
  • LG U+ AICC 사례는 RAG 시스템이 Naive RAG에서 Contextual Retriever, Hybrid Search를 활용하는 Advanced RAG를 거쳐, AI가 스스로 추론하고 실행하는 Agentic RAG로 발전했음을 보여줌
  • MongoDB는 이 과정에서 벡터 임베딩 값을 문서의 하나의 필드(Field)로 저장하고, 간단한 하이브리드 검색 구현이 가능한 통합 데이터 모델로서 핵심적인 역할
• Agentic AI 애플리케이션 구축
  • AWS와 MongoDB를 기반으로 Agentic AI 애플리케이션을 구축하는 데모는 AI 에이전트가 사용자의 자연어 요청을 이해하고, 스스로 데이터를 분석, 외부 API 연동, 다른 도구(메신저)와 통합하는 과정을 보여줌
  • MongoDB Atlas의 벡터 서치와 RAG가 이러한 자율 에이전트의 핵심 기술로 활용
  • Q CLI를 통해 수동 코딩 없이 개발된 점이 인상적
• AI에 최적화된 유연한 스키마
  • MongoDB의 Document 모델은 현실 세계의 데이터를 왜곡 없이 그대로 저장
  • RDB의 정규화 과정에서 발생하는 데이터 본질의 왜곡 문제를 해결
  • 가공되지 않은 '날것'의 데이터를 그대로 제공하여 생성형 AI가 숨겨진 패턴과 인사이트를 발견하는 데 최적의 환경을 제공
• Voyage AI 인수 및 통합
  • Voyage AI 인수를 통해 최고 수준의 임베딩(Embedding) 및 리랭킹 모델을 Atlas 플랫폼에 내장
  • 데이터 저장, 임베딩 생성, 벡터 검색, 리랭킹까지 Atlas 플랫폼 하나로 모두 처리할 수 있는 원스톱 AI 앱 개발 환경을 제공

레거시 시스템 현대화

• 새로운 레거시 경계
  • 기존 컨설팅 기반의 수작업 방식과 Lift & Shift 방식은 새로운 레거시를 만드는 것에 불과
  • RDBMS의 경직된 스키마, 저장 프로시저 등 근본적인 기술 부채를 그대로 안고 가는 문제점을 지적
• AI 활용의 현실적 한계
  • 생성형 AI(LLM)를 코드 변환에 직접 적용하는 것은 테스트 케이스의 부재, LLM의 50라인 이상 복잡 코드 변환 신뢰도 하락, 단순 변환 후 합치는 시도 실패 등의 명확한 한계
• MongoDB의 현대화 팩토리 접근법
  • 핵심 철학은 코드부터 바꾸지 말고, 비즈니스 로직부터 분석하라.
  • 테스트 주도 자동화 루프(Test-Driven Automation Loop)를 통해 레거시 코드를 50라인 이하의 Slice로 식별하고, LLM으로 변환 후 레거시 시스템과 병행(Parallel) 테스트하여 결과를 검증
  • 사람은 테스트 실패 케이스에만 개입하여 디버깅 부하를 극적으로 줄이고 점진적이고 안정적인 현대화를 가능하게 함.
• 시사점
  • 단순 코드 변환 지양하고 변환하려는 코드의 비즈니스 로직을 먼저 문서화하며 테스트 주도 변환(Test-Driven Transformation)을 도입해야 함
  • Strangler Fig 패턴과 같은 점진적 접근과 자동화 도구(스크립트) 구축의 중요성을 강조

MongoDB 8.0 의 혁신 및 최적화

• MongoDB 8.0의 압도적 성능 향상
  • 읽기 전용 워크로드 36% 향상
  • 혼합 워크로드 22% 향상
  • 시계열 워크로드 200% 향상 (블록 처리 도입)
• 실시간 장애 대응
  • Query Rejection Filter: CPU 100%를 유발하는 악성 쿼리를 서비스 중단 없이 실시간으로 차단할 수 있게 되어 운영 안정성이 획기적으로 향상
• 민감 데이터 보안 강화
  • Queryable Encryption (범위 쿼리 지원)
  • 암호화된 컬럼에 대해 범위 검색(Range Query)이 가능
  • 데이터를 복호화하지 않고도 '30세 이상 40세 미만' 같은 쿼리를 직접 실행할 수 있음
• 시계열 데이터 처리 성능 극대화
  • 8.0 버전에서는 시계열 데이터 처리 방식이 블록 프로세싱(Block Processing) 기반으로 개선
  • 이전 버전에 비해 I/O와 CPU 사용량을 크게 줄였고 7.0 대비 월등한 성능 향상
• 데이터 모델링 및 최적화의 중요성
  • 머니워크 사례는 MongoDB를 "잘못 쓰고 있는가?"라는 질문에서 시작된 최적화 여정을 통해 "연간 4억 원의 비용을 절감"하고 "읽기 지연 시간을 200배 단축"한 성공 사례를 공유
  • 핵심은 **"워크로드가 왕이다"**라는 원칙
  • 워크로드 분석을 통한 임베딩/참조 결정, 확장 참조, 계산, 아카이빙 패턴 적용 등 애플리케이션의 읽기/쓰기 패턴을 기준으로 모델링하는 것

개발자 생산성 및 실시간 데이터 처리

• IDE 통합 강화
  • VS Code와 GitHub Copilot 통합, IntelliJ 플러그인(Public Preview) 등 개발자들이 익숙한 IDE 내에서 "자연어(한글 가능)로 MongoDB 쿼리를 생성하고 데이터를 탐색"하며 "코드 자동완성, 쿼리 테스트, 성능 분석까지 한 번에 수행"할 수 있도록 지원
• 객체-관계 임피던스 불일치 해결
  • 애플리케이션 개발 언어의 객체, DB 데이터(BSON/JSON), API 통신 프로토콜이 모두 같은 구조를 공유
  • RDB 사용 시 발생하는 객체-관계 임피던스 불일치 문제를 원천적으로 해결
  • 개발자는 훨씬 직관적이고 생산적으로 코드를 작성
• Atlas Stream Processing
  • 데이터가 발생하는 즉시 실시간으로 처리하고 반응할 수 있는 몽고DB 아틀라스의 새로운 기능
  • 몽고DB 어그리게이션 파이프라인(Aggregation Pipeline) 문법을 거의 그대로 사용
  • 새로운 쿼리 언어를 배우는 데 드는 학습 비용이 매우 낮음
  • Kafka, AWS Kinesis, Atlas Change Streams 등 다양한 소스를 통합하여 아키텍처를 매우 단순하게 함
• FDS 구축 사례
  • LG U+ AICC 사례와 더불어, FDS(이상거래탐지시스템) 구축 사례는 스키마의 비정형성 및 유연성 요구, 대용량 데이터 처리 및 성능, 고가용성 및 ACID 트랜잭션이라는 현대적인 금융 시스템의 요구사항을 MongoDB의 유연한 데이터 모델, Replica Set 기반 PSS(Primary-Secondary-Secondary) 아키텍처, Ops Manager 활용 등으로 성공적으로 해결했음을 보여줌
  • Primary 장애 시, Secondary 중 한 대가 즉시 Primary로 자동 승격되어 서비스 중단을 최소화하는 고가용성을 강조

개발팀에 대한 시사점 및 권장 사항

• MongoDB 8.0으로의 업그레이드 우선순위 지정
  • 지금 바로 8.0으로 업그레이드하는 것만으로도 상당한 성능 개선을 기대
  • Query Rejection Filter와 Queryable Encryption 기능은 서비스 안정성과 보안을 한 단계 높일 핵심 기능
• AI 애플리케이션 개발에 MongoDB 적극 활용
  • AI 기반 서비스(RAG, Agentic AI)를 기획할 때 MongoDB Atlas의 통합 검색(풀텍스트, 벡터 검색, Rank Fusion) 기능을 핵심 인프라로 고려
  • 데이터 모델링 단계에서 벡터 임베딩을 문서의 한 필드로 저장하는 통합 모델의 이점을 활용
• '현대화 팩토리' 접근법 적용
  • 기존 레거시 시스템 현대화 시, 단순히 코드 변환에 집중하기보다 "비즈니스 로직 분석"과 "테스트 케이스 확보"를 선행하는 MongoDB의 '테스트 주도 자동화 루프'를 적극적으로 검토
  • "점진적 & 안정적"인 방식으로 위험을 최소화
• 워크로드 중심의 데이터 모델링 강화
  • "워크로드가 왕이다"라는 원칙
  • 애플리케이션의 실제 읽기/쓰기 패턴을 면밀히 분석하여 최적의 데이터 모델링(임베딩 vs. 참조, 디자인 패턴)을 설계
  • Query Profiler를 매일 확인하여 느린 쿼리를 식별하고 인덱스를 튜닝하는 문화를 정착
• 실시간 데이터 처리 솔루션으로 Atlas Stream Processing 검토
  • IoT, 실시간 분석, 개인화 추천 등 실시간 데이터 처리 요구사항이 있는 프로젝트에 복잡한 아키텍처 없이 MQL 기반으로 스트림 처리를 구현할 수 있는 Atlas Stream Processing 도입을 적극적으로 검토
• 개발자 생산성 도구 활용
  • VS Code, IntelliJ 플러그인 등 MongoDB에서 제공하는 IDE 통합 도구들을 활용하여 개발 생산성 향상
  • AI 코드 리뷰 도입을 통해 잠재적인 성능 이슈를 사전에 방지하는 예방 체계를 구축
• 전문 기술 지원의 활용
  • 필요한 경우 MongoDB 전문가 컨설팅을 통해 "객관적인 진단"과 "실질적인 해결책"을 모색
  • On-premise 환경에서는 Ops Manager와 같은 전문 운영 도구의 도입을 필수적으로 고려