Eugene Yan(현 Anthropic Member of Technical Staff, 전 Amazon Principal Applied Scientist)이 운영하는 큐레이션 레포. Netflix·Uber·Airbnb·Pinterest 같은 회사들이 자기 블로그·논문에 공개한 "프로덕션 ML" 글만 모았다. 27k+ stars. 5위까지 올라온 이유와 어떻게 활용하면 좋은지 뜯어본다.
코드가 없는데 27k 스타?
GitHub의 "awesome-XXX" 류 레포는 코드가 아니라 잘 정리된 링크 모음이다. README.md 한 장에 카테고리별로 외부 자료 링크를 줄지어 적어 둔다. awesome-python(파이썬 도구·라이브러리), awesome-selfhosted(셀프 호스팅 가능한 서비스) 처럼.
applied-ml은 그중에서도 "회사들이 실제 프로덕션에 ML을 어떻게 적용했나"만 모은 큐레이션이다. 학술 논문보다는 회사 엔지니어링 블로그가 주축이고, "이론적으로 가능하다" 보다 "실제로 돌려본 결과 이렇게 됐다"에 가까운 글들만 들어간다.
이 레포의 가치 명제.
대학 강의·캐글·코세라에서는 "정확도 95%의 분류기"를 만드는 법만 배운다. 하지만 회사에서 ML을 굴리려면 — 데이터 품질, 피처 스토어, 온라인 추론, A/B 테스트, 모델 매니지먼트, MLOps, 팀 구조까지 다 필요하다. "이거 다 어떻게 하지?"의 답은 학교가 아니라 Netflix 엔지니어링 블로그에 있다.
applied-ml은 그 흩어진 회사 블로그 글들을 한 곳에 모았다. 자기 ML 프로젝트 시작 전에 "다른 회사는 어떻게 했지?"를 30초 안에 찾을 수 있게.
2020년에 만들어진 레포가 6년째 인기 있는 이유.
applied-ml은 사실 2020년부터 있던 레포다. 그런데 2026년 들어 다시 트렌딩 상위로 올라온 이유는 — "AI 엔지니어" 라는 직무가 폭증하면서 동시에 그 직무의 표준 학습 자료가 부족하기 때문이다.
대부분의 ML 강의·튜토리얼은 모델 학습 부분에만 집중한다. 그런데 회사에서 ML 엔지니어가 실제로 보내는 시간의 70%는 데이터 파이프라인, 피처 스토어, 모니터링, A/B 테스트, 비용 최적화다. 학교에서 가르치지 않는 부분.
모델만이 아니라 — data quality, feature store, infra, model management, team structure, fails 같은 "학교에서 안 가르치는 분야"까지 다 카테고리로 분류해서 모았다. 특히 "실패 사례(Fails)" 챕터는 다른 곳에서 찾기 어려운 보석.
arXiv 논문을 읽어도 "그래서 우리 회사 환경에서 이걸 어떻게 적용해?" 가 안 풀린다. 논문은 가정이 깨끗하고 데이터가 잘 정제돼 있지만, 실제 회사 환경은 데이터가 더럽고 트래픽이 들쭉날쭉하고 비용 제약이 빡빡하다.
모든 항목에 `Airbnb` `2017` 같은 태그가 붙는다. "같은 문제를 다른 회사들이 다른 해에 어떻게 풀었는지"를 한눈에 본다. 데이터 규모, 시기적 기술 트렌드(예: 2018년 BERT 이전/이후), 회사 문화까지 한 묶음으로 따라온다.
그리고 2025~2026년의 흐름 — LLM·에이전트가 화제의 중심이지만, 회사들의 실제 ML 시스템은 여전히 추천·검색·분류·예측·A/B 테스트 같은 "전통적 ML"이 매출의 대부분을 책임지고 있다. applied-ml의 31개 카테고리 중 LLM 관련 챕터는 없고, 대부분 추천·검색·분류 같은 핵심 분야. AI 거품 너머 "회사가 진짜 굴리는 것"이 뭔지 보여주는 카운터-카탈로그 역할을 한다.
큐레이션 자체가 ML 시스템 분류표.
applied-ml의 31개 챕터는 일종의 ML 시스템 분류 표다. 어느 분야 케이스든 들어갈 수 있는 31개 박스를 만들어 두고, 그 안에 회사 사례를 채워 넣었다. 박스를 보면 "ML 시스템 전체 그림"이 잡힌다.
ML 시스템의 70%를 차지하는 영역. Data Quality(Airbnb·Uber·Amazon이 어떻게 데이터 신뢰도를 모니터링하나), Data Engineering(Zipline·Hamilton·Fabricator 같은 자사 프레임워크), Data Discovery(Lyft Amundsen, LinkedIn DataHub — 사내 데이터를 검색하는 도구), Feature Stores(Feast, Michelangelo Palette — 같은 피처를 학습·추론에 일관되게 쓰는 인프라).
실제 매출에 직결되는 5대 ML 응용. 전자상거래 상품 분류(Walmart·Shopify), 가격 예측(Airbnb·Twitter), 시계열 예측(Uber·Pinterest), 추천 시스템(Netflix·YouTube·Pinterest), 검색 랭킹(Etsy·Airbnb·LinkedIn). 각 챕터마다 같은 문제에 대한 5~10개 회사의 다른 풀이가 나란히 놓여 있어 비교 학습에 최적.
딥러닝 기반 응용들. Embeddings(상품/사용자/콘텐츠를 벡터로 — Airbnb의 listing embedding이 클래식), NLP(이메일 분류, 챗봇, 번역), Sequence Modelling(사용자 행동 시퀀스 예측), Computer Vision(상품 이미지 분류, 컨텐츠 모더레이션), RL(추천 시스템 최적화 — Microsoft Azure RL).
특수 응용 영역들. 이상 탐지(사기·이탈·시스템 장애), 그래프 ML(소셜 네트워크·지식 그래프), 최적화(라이드셰어 매칭·창고 적재), 정보 추출(영수증 OCR·문서 파싱), 약지도 학습(라벨 부족 문제 — Snorkel류), 생성(이미지·텍스트·코드), 음성(Spotify·구글 어시스턴트).
학교에서 안 가르치는 핵심 영역. Privacy-preserving ML(연합 학습·차분 프라이버시 — Google, Meta), A/B Testing(Netflix·Uber·LinkedIn의 실험 플랫폼 — 약 70개 항목으로 가장 두꺼운 챕터 중 하나), Model Management(모델 버전·롤백·리네이지), Efficiency(추론 비용 최적화·양자화·증류).
Ethics(편향 검사·공정성), Infra(GPU 클러스터·온라인 추론 시스템), MLOps Platforms(Kubeflow, MLflow, Metaflow — 모델 학습·배포·모니터링 통합 플랫폼).
이 마지막 3개 챕터가 applied-ml을 다른 ML 리스트와 구분되게 만든다. Practices(코드 리뷰·문서화·실험 트래킹 같은 운영 베스트 프랙티스), Team Structure(ML 팀을 어떻게 조직하나, 누구와 페어 일하나), Fails — "우리 ML 시스템이 어떻게 망했나"를 공개한 부검(post-mortem) 모음. 회사들이 굳이 공개하지 않는 "잘못한 사례"가 보석급이다.
자료가 어떻게 쌓이고 어떻게 분류되나.
큐레이션 레포는 "유지비"가 정말 많이 든다. 매년 수십 개의 새 회사 블로그가 쏟아지는데, 그걸 추리고 분류하고 카테고리에 넣는 건 사람이 해야 한다. applied-ml은 이걸 어떻게 굴리고 있나.
한 항목의 표준 포맷. 본문 링크는 회사 블로그·논문 페이지, 옵션으로 ([Paper](URL))이나 ([Code](URL))을 붙일 수 있다. 마지막 백틱 두 개로 회사 태그와 연도 태그를 표시. 이 단순한 포맷 덕분에 — Cmd+F로 회사명·연도 검색이 즉시 가능하고, 카테고리 안에서 시간순/회사별 정렬도 가능하다.
새 회사 블로그·논문을 발견한 사람이 PR을 올린다. CONTRIBUTING.md에 정해진 포맷을 따라야 함 — 적절한 카테고리에 추가, 회사·연도 태그 정확히, 같은 항목 중복 없는지 확인.
PR마다 저자가 직접 검토. "이게 정말 프로덕션 ML 사례인가, 단순 학술 논문인가?" 같은 판단을 한다. Awesome 리스트는 "안목"이 자산이라, 무차별 머지하면 가치가 떨어진다.
운영하다 보면 외부 링크가 죽는 게 가장 큰 문제. 회사가 블로그를 옮기거나, 페이지 URL 구조가 바뀌거나, 회사가 사라지거나. 이 레포에는 별도 CI(.github/workflows)가 없고, 링크 관리와 품질 검토는 저자(Eugene Yan)가 PR 단위로 수동으로 진행한다.
applied-ml은 Eugene Yan의 더 큰 학습 자산 생태계의 일부다.
ML 서베이 논문(분야별 종합 정리 논문) 큐레이션. applied-ml이 "현장 사례"라면 ml-surveys는 "학술 종합". 짝으로 쓰면 좋다.
실제 ML 엔지니어들과의 인터뷰·가이드 모은 사이트. 큐레이션 링크가 아니라 오리지널 콘텐츠. applied-ml의 "사람 버전"이라고 보면 된다.
저자 본인이 쓰는 ML 관련 장문 에세이. "Bandits for Recommender Systems", "What Recommendations Should Optimize For" 같은 글. applied-ml로 모은 사례들을 토대로 본인이 합성해 낸 글이라, 메타 학습 자료로 가치 있다.
파일이 거의 없는 레포는 어떻게 봐야 하나.
전체가 사실상 README.md 한 파일이다. 약 100KB짜리 마크다운으로, 거의 모든 가치가 이 안에 있다. 첫 줄부터 마지막까지 일관된 포맷으로 정리돼 있어서 — Cmd+F로 검색·git blame으로 언제 추가됐는지 확인·PR 로그로 어떤 항목이 거부됐는지까지 추적 가능하다.
본체. 첫 부분에 목차(31개 챕터), 그 다음 각 챕터마다 항목 리스트. 항목은 보통 시간순(오래된 것 → 최신). 이렇게 정렬돼 있으면 한 분야의 기술 진화를 시간을 따라가며 볼 수 있다.
"이런 PR은 받고, 이런 PR은 거절합니다" 명시. "학술 논문만 있고 회사 적용 사례가 없으면 거절", "회사 태그 없으면 거절", "이미 비슷한 항목이 있으면 거절". 큐레이션 품질 유지의 핵심.
큐레이션을 잘 활용하는 법.
applied-ml은 요리 레시피북이 아니라 "미슐랭 셰프 100명이 자기 부엌에서 어떻게 요리하나"를 보여 주는 다큐멘터리 모음에 가깝다. 같은 "스테이크 굽기"라는 문제에 대해 — Netflix 셰프는 이렇게, Uber 셰프는 저렇게, Airbnb 셰프는 또 다르게.
각 비디오 끝에는 "왜 그렇게 했나"와 "이게 잘 됐나/망했나"가 적혀 있다. 자기 부엌으로 옮길 때 어디부터 따라 할지 정하는 데 결정적.
자기가 풀려는 문제의 카테고리(예: 추천이면 8번, 검색이면 9번)를 펴서 — 가장 비슷한 회사의 사례 2~3개를 읽는다. 자기 회사 환경과 비슷한 규모·도메인의 사례를 우선. "처음부터 만들 필요 없다, Airbnb가 이미 같은 문제 풀었더라" 라는 발견은 시간을 한 달 단위로 절약시킨다.
면접에서 자주 나오는 질문 — "ML 프로젝트가 망했던 경험을 말해 보세요". 자기 사례가 약하면 Fails 챕터의 회사 사례를 학습해 패턴을 익히고, 자기가 본 비슷한 패턴을 끌어와 답할 수 있다.
한 카테고리를 끝까지 읽으면 같은 문제에 대한 5~10가지 풀이를 보게 된다. "왜 Netflix는 협업 필터링, Airbnb는 임베딩, Pinterest는 그래프 뉴럴넷을 골랐을까?"를 비교하면 — 단일 알고리즘 학습보다 훨씬 깊은 시스템 사고가 길러진다.
Cmd+F로 `Netflix` 검색하면 Netflix가 어떤 분야에 ML을 집중하는지, 어떤 추상화·도구를 선호하는지가 한눈에 드러난다. 채용 면접 전 그 회사의 ML 글들을 읽으면 — 면접관이 어떤 어휘를 쓸지, 무엇을 중요하게 보는지 예측 가능.
자기 도메인(예: 헬스케어 ML, FinTech ML)에 applied-ml과 같은 패턴의 큐레이션 레포를 만든다. 카테고리 분류 → 항목 표준 포맷 → 회사·연도 태그 → CONTRIBUTING.md 의 구조를 그대로 베껴 와도 된다. 자기 도메인 동료들에게 매우 유용한 자산이 된다.
설치할 게 없는 레포의 "요구사항".
applied-ml은 코드 레포가 아니라 마크다운 한 장이라, 시스템 요구사항은 사실상 "브라우저"가 끝이다. 다만 효과적으로 활용하려면 몇 가지 도구·습관이 도움된다.
읽은 글을 저장해 둘 곳. applied-ml에서 발견한 글은 보통 30분 이상 걸리는 장문이라, 한 번에 다 읽지 못한다. Notion/Obsidian에 카테고리별로 클립해 두고 차차 읽는 습관.
applied-ml에 자주 등장하는 회사들의 엔지니어링 블로그 RSS를 구독해 두면, 새 글이 올라올 때 자동 알림. Netflix Tech Blog, Uber Engineering, Airbnb Engineering, DoorDash Engineering, Pinterest Engineering이 핵심.
레포 자체를 Watch 해 두면 새 항목이 머지될 때마다 알림. 한 달에 5~15개 정도 신규 항목이 추가되니, 부담 없는 페이스로 새 자료를 받아볼 수 있다.
난이도 ★~★★★★★ 5단계.
자기가 가장 자주 다루는 ML 분야(추천·검색·분류 등) 카테고리를 끝까지 읽는다. 시간순으로 읽으면 그 분야 기술이 어떻게 진화했는지 5~10년 흐름이 보인다. 산출물 — "내 도메인 1줄 정리 노트" 한 페이지.
한 카테고리에서 같은 문제를 푼 3개 회사 사례를 골라 비교 표를 만든다. 데이터 규모·알고리즘·인프라·결과 메트릭·트레이드오프 5축으로. 표를 만들다 보면 "왜 이 회사는 이 선택을 했나"가 드러난다.
Fails 챕터의 모든 사례를 읽고 — "ML 시스템이 망하는 공통 패턴 5가지"를 도출한다. 라벨 누수, 분포 시프트, 피처 일관성, 비즈니스 메트릭 미스매치 같은 패턴들이 보인다. 자기 시스템 점검 체크리스트로 굳혀 둔다.
회사 내부 위키나 Notion에 자기 회사 ML 사례 큐레이션을 만든다. applied-ml과 같은 포맷으로 — 사내 ML 프로젝트의 블로그 글·논문·내부 문서를 카테고리별로 정리. 신입 온보딩 자산으로 매우 가치 있다. 한 번 만들면 분기마다 업데이트만 하면 됨.
applied-ml을 fork 하지 말고, 자기 도메인에 맞춰 새 awesome 리스트를 처음부터 만든다. 헬스케어 ML, ESG·기후 ML, 게임 ML, 농업 ML 등 — 빈 영역이 많다. CONTRIBUTING.md 잘 쓰기 + GitHub Actions로 링크 헬스 체크 + 분기별 정리 PR 머지 루틴이 운영의 핵심. 1년만 꾸준히 운영해도 자기 분야 영향력이 생긴다.
applied-ml을 기반으로 한 6주 코스.
모든 챕터 첫 2~3 항목씩만 클릭해 본다. 자기와 관련 깊은 카테고리 3개를 골라 둔다. 산출물 — 관심 카테고리 3개 + 각각의 "내가 풀고 싶은 문제" 한 줄.
1주차에 고른 3개 카테고리를 각각 깊게 본다. 한 카테고리에 일주일 정도. 회사 → 문제 → 알고리즘 → 결과 4열 표로 정리해 두면 검색이 빨라진다.
학교에서 안 가르치는 부분에 집중하는 한 주. 특히 Fails 챕터는 단순 학습이 아니라 "내 시스템도 이렇게 망하지 않으려면?"이라는 관점으로 본다.
applied-ml로 큰 그림을 잡았다면, applyingML로 사람·직무 관점을 보완한다. ML 엔지니어들이 실제로 어떤 일을 하고 어떤 문제로 고민하는지 인터뷰. 자기 커리어 방향성 점검에도 도움.
읽기만 하지 말고 — applied-ml에 기여할 만한 새 회사 블로그 글을 하나 찾아 PR을 올린다. 자기 회사의 ML 글이면 베스트. 거절돼도 OK, 큐레이션 운영자의 안목을 가까이서 보는 경험 자체가 자산이다.
31개 챕터를 가로지르는 용어 모음.
레포·자매 사이트·관련 생태계.
[제목](URL) `회사` `연도`)을 그대로 베껴 와 시작. 6개월만 쌓이면 자산이 된다.