DeepL이 70개 이상의 새로운 언어를 동시에 출시한 방법

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

DeepL은 고객 요구에 부응하기 위해 기존 언어 지원 범위를 세 배 이상 확장하여 총 100개 이상의 언어를 제공하기 시작했다. 이를 위해 개별 언어 쌍 모델 대신 여러 언어를 동시에 처리할 수 있는 새로운 LLM 기반 단일 모델 접근 방식을 도입했다. 또한 모든 플랫폼에서 기능적 동등성을 유지하기 위해 통합 백엔드 인프라를 구축하고, 사용자 경험과 언어 감지 모델을 최적화했다. 이러한 기술적 혁신을 통해 텍스트뿐만 아니라 문서 번역, 모바일 앱, API 등 전 서비스에 걸쳐 대규모 언어 확장을 단기간에 성공적으로 완료했다.

배경

LLM 아키텍처에 대한 기본 이해, 번역 서비스의 일반적인 워크플로우

대상 독자

AI 서비스 기획자 및 다국어 모델 배포를 고민하는 엔지니어

의미 / 영향

DeepL의 이번 확장은 LLM이 단순한 텍스트 생성을 넘어 고품질 번역 서비스의 스케일링 문제를 해결하는 핵심 도구로 자리 잡았음을 입증한다. 특히 인프라 통합을 통한 동시 배포 전략은 글로벌 AI 서비스 경쟁에서 출시 속도(Time-to-market)를 결정짓는 중요한 벤치마크가 될 것이다.

섹션별 상세

DeepL은 기존의 개별 언어 쌍 전용 모델 방식에서 벗어나 하나의 모델이 여러 언어를 처리하는 LLM 기반의 새로운 스케일링 방식을 도입했다. 이 접근법은 대규모 언어 확장을 가능하게 하는 핵심 동력이 되었으며, 특정 언어의 요구사항에 따라 최적의 모델링 방식을 선택할 수 있는 유연성을 제공한다.

70개 이상의 언어가 추가됨에 따라 사용자 경험(UX)의 복잡성을 해결하기 위해 언어 선택기 인터페이스를 개선했다. 사용자가 자주 사용하는 언어 쌍을 저장하는 즐겨찾기 섹션을 추가하고 이전 세션의 선택을 기억하도록 설계하여, 방대한 언어 목록 속에서도 생산성을 유지할 수 있도록 지원한다.

언어 수가 늘어남에 따라 유사한 언어 간의 오감지를 방지하기 위해 새로운 언어 감지 모델을 개발했다. 연구 팀은 모델의 정확도를 높이기 위해 다양한 파라미터와 가중치를 테스트했으며, 이는 사용자가 수동으로 언어를 선택할 필요 없이 텍스트를 입력하자마자 즉시 번역을 시작할 수 있게 돕는다.

2025년 초에 완료된 새로운 기술 인프라 구축을 통해 웹, 문서 번역, 모바일 앱, API 등 모든 플랫폼에서 기능적 동등성(Feature Parity)을 확보했다. 과거에는 플랫폼별로 비즈니스 로직을 개별 구현해야 했으나, 이제는 통합 백엔드가 다운스트림 서비스와의 연결을 처리하여 연구 단계의 모델을 모든 플랫폼에 즉시 적용할 수 있게 되었다.

문서 번역 서비스에서는 언어 확장에 따른 레이아웃 일관성 유지를 최우선 과제로 삼았다. 특히 왼쪽에서 오른쪽으로 읽는 언어(LTR)와 오른쪽에서 왼쪽으로 읽는 언어(RTL) 간의 번역 시에도 원본 문서의 서식을 그대로 유지할 수 있도록 플랫폼별 맞춤형 테스트와 검증 과정을 거쳤다.

실무 Takeaway

대규모 언어 지원이 필요한 경우 개별 모델링보다 다국어를 동시에 처리하는 LLM 기반 단일 모델 아키텍처를 도입하여 확장 효율성을 극대화할 수 있다.
통합 백엔드 인프라를 구축하면 새로운 AI 모델을 웹, 앱, API 등 다양한 플랫폼에 동시 배포하는 기간을 수개월에서 수일로 단축할 수 있다.
지원 언어가 급증할 때는 언어 감지 모델의 정밀도를 높이고 UX에 즐겨찾기 기능을 도입하여 사용자의 탐색 비용을 최소화해야 한다.