Dolphin v2: 창작 워크플로를 위한 차세대 문서 이미지 파싱에 대한 실용적인 가이드

개요: 콘텐츠 제작자를 위한 Dolphin v2의 중요성#

Dolphin v2는 스캔한 PDF, 영수증, 양식, 슬라이드, 잡지, 스토리보드와 같은 복잡한 시각적 문서를 구조화된 기계 판독 가능 출력으로 변환하도록 설계된 오픈 소스 문서 이미지 파싱 모델입니다. 지저분한 입력과 시간이 많이 소요되는 관리 작업으로 늘 어려움을 겪는 콘텐츠 제작자에게 Dolphin v2는 원시 파일에서 편집, 검색 및 자동화할 수 있는 유용한 에셋으로 더 빠르게 이동할 수 있는 방법을 제시합니다.

PDF에서 스크립트를 추출하는 비디오 제작자, 브랜드 지침 및 스타일 시트를 파싱하는 디자이너, 스캔한 책에서 참조 자료를 컴파일하는 작가, 캐릭터 라인 시트를 구성하는 성우 등 누구든 Dolphin v2를 사용하면 비정형 문서 이미지를 깔끔한 JSON, CSV, Markdown 또는 일반 텍스트로 바꿀 수 있습니다. 오픈 소스(MIT 라이선스)이며 활발히 개발되고 있으며 GitHub(https://github.com/bytedance/Dolphin)에서 사용할 수 있으며, 모델은 커뮤니티를 통해 호스팅됩니다(Hugging Face 링크는 프로젝트 문서를 참조하세요).

이 가이드에서는 Dolphin v2가 무엇인지, v1과 비교하여 무엇이 새로워졌는지, 작동 방식, 설치 및 사용 방법, 일반적인 문제점, 성능 고려 사항 및 실용적인 창작 사용 사례를 간략하게 설명하여 Dolphin v2를 일상적인 워크플로에 자신 있게 적용할 수 있도록 합니다.

Dolphin v2란 무엇인가요?#

간단히 말해서:

Dolphin v2는 이미지 또는 PDF를 읽고 구조화된 데이터를 출력하는 문서 이미지 파싱 모델입니다.
OCR이 필요 없거나 OCR을 최소화하는 파이프라인을 대상으로 하며, 취약한 OCR 단계에 대한 의존성을 최소화합니다.
다양한 문서 유형(양식, 송장, 표, 차트, 다단 잡지, 포스터)을 지원합니다.
빠른 로컬 추론과 확장 가능한 서버 배포 모두에 적합합니다.
MIT 라이선스에 따라 오픈 소스이므로 상업적 및 연구적 사용을 촉진합니다.
코드, 모델, 데모 및 문서는 공식 GitHub 리포지토리(https://github.com/bytedance/Dolphin)를 통해 유지 관리됩니다.

Dolphin v2는 실용적이고 강력하며 개발자 친화적으로 구축되었습니다. 문서 이해에 대한 마찰을 줄이고 제작자가 수동으로 내용을 필사, 태깅 및 재구성하는 데 몇 시간을 소비하는 복잡한 사전 제작 또는 사후 제작 작업을 가속화하기 위한 것입니다.

Dolphin v2 vs. v1의 새로운 기능#

Dolphin v2는 삶의 질 개선, 실제 시나리오에서의 견고성 및 통합 용이성에 중점을 둡니다. 정확한 구현 세부 사항은 변경될 수 있지만 제작자는 다음과 같은 주요 개선 사항을 기대할 수 있습니다.

실제 캡처에 대한 견고성:
- 기울어지거나 조명이 어둡거나 완벽하지 않은 모바일 스캔을 더 잘 처리합니다.
- 시끄러운 주석, 스탬프 및 워터마크에 대한 내성이 향상되었습니다.
더 나은 구조 이해:
- 다단, 다국어 출판물에 대한 보다 정확한 레이아웃 파싱.
- 양식 및 송장에서 흔히 볼 수 있는 표, 차트 및 키-값 쌍에 대한 강력한 처리.
더 긴 문서 지원:
- 향상된 청킹, 페이지 매김 인식 및 페이지 간 컨텍스트.
- 여러 페이지 PDF에서 구조화된 출력의 더 부드러운 스티칭.
OCR 최소화/OCR 불필요 모드:
- 별도의 OCR 단계에 대한 필요성이 줄었습니다. OCR을 사용하는 경우 Dolphin v2는 플러그인 OCR 엔진을 폴백으로 지원합니다.
JSON 우선 출력:
- Notion, Airtable, Figma 플러그인, 스프레드시트 또는 NLE 스크립트에서 다운스트림 자동화를 위한 더 깔끔하고 일관된 스키마.
간소화된 배포:
- 보다 간단한 서버/API 예제 및 프로덕션 사용을 위한 더 빠른 콜드 스타트.
- CSV, Markdown 및 HTML과 같은 형식으로 더 쉽게 내보낼 수 있습니다.
더 나은 개발자 경험:
- 더 명확한 구성, 샘플 노트북 및 참조 파이프라인.
- MIT 라이선스를 통해 상업용 파이프라인에서 쉽게 채택할 수 있습니다.

이러한 개선 사항을 통해 Dolphin v2는 신뢰하기 쉽고, 채택하기 빠르며, 모든 규모의 제작자 중심 워크플로에 더 효과적입니다.

Dolphin v2 작동 방식(개략적인 수준)#

특정 모듈 및 교육 레시피는 리포지토리에 문서화되어 있지만 Dolphin v2가 문서를 처리하는 방법에 대한 개념적 보기는 다음과 같습니다.

시각적 인코딩:
- 입력 페이지 이미지(PDF 또는 카메라 캡처에서)가 정규화되어 레이아웃을 인식하는 풍부한 시각적 임베딩을 생성하기 위해 비전 백본에 공급됩니다.
언어 및 구조 디코딩:
- 텍스트 디코더(종종 변환기)는 문서 내용 및 레이아웃 요소(머리글, 단락, 목록, 표, 셀, 키-값 쌍)를 나타내는 구조화된 토큰을 생성합니다.
스키마 기반 생성:
- Dolphin v2는 앱에 매핑할 수 있는 예측 가능한 스키마에 따라 구조화된 출력(일반적으로 JSON)을 생성하도록 조정되었습니다.
- 여기에는 표 셀 좌표, 읽기 순서, 섹션 머리글 및 양식의 레이블과 값 간의 연결이 포함됩니다.
선택적 OCR 통합:
- 특정 언어 또는 낮은 대비 이미지의 경우 OCR 플러그인을 사용하면 텍스트 충실도를 향상시킬 수 있습니다. Dolphin v2는 유연합니다. 속도와 단순성을 위해 OCR 불필요 모드를 사용하거나 까다로운 경우 정확도를 위해 하이브리드 모드를 사용하세요.
사후 처리:
- 출력은 프로덕션 도구에서 사용할 수 있는 형식으로 표준화됩니다. 스프레드시트용 CSV, 문서 및 위키용 Markdown 또는 자동화 및 API용 JSON을 생각해 보세요.

제작자에게 중요한 점은 Dolphin v2가 수동 정리를 최소화하는 것을 목표로 한다는 것입니다. 파이프라인을 처음부터 다시 빌드하지 않고도 편집, 정렬 또는 게시할 준비가 된 구조화된 콘텐츠를 얻을 수 있습니다.

시스템 요구 사항 및 호환성#

Dolphin v2는 최신 소비자 및 워크스테이션 설정에서 실행되도록 설계되었습니다. 일반적인 요구 사항:

OS: Linux 또는 Windows(CPU 추론용 macOS, 하드웨어에 따라 GPU 가속이 다름)
Python: 3.8–3.11(정확한 버전은 리포지토리를 확인하세요)
종속성: PyTorch(GPU 빌드에는 CUDA 지원 필요), OpenCV, Pillow 및 기타 표준 ML 라이브러리
하드웨어:
- 작은 작업의 경우 CPU 전용 추론이 가능합니다.
- 실시간 또는 배치 처리량의 경우 단일 최신 GPU(예: 12–24GB VRAM)를 권장합니다.
- 다중 GPU 설정을 사용하면 긴 PDF 또는 큰 아카이브에서 대규모 처리를 가속화할 수 있습니다.

호환성:

PDF는 일반적으로 페이지당 이미지로 분할됩니다. Dolphin v2는 이러한 페이지 이미지(PNG/JPG)를 처리합니다.
JSON/CSV를 통해 Python 기반 자동화, REST API 및 창작 도구 체인과 잘 통합됩니다.
MIT 라이선스를 통해 Dolphin v2를 독점 워크플로에 쉽게 연결할 수 있습니다.

가장 정확하고 최신 요구 사항은 항상 https://github.com/bytedance/Dolphin을 참조하세요.

설치 및 빠른 시작#

Dolphin v2는 로컬 및 서버 배포를 지원합니다. 정확한 단계는 다를 수 있습니다. 다음은 공식 리포지토리의 일반적인 흐름을 반영합니다.

옵션 A: 소스에서

# 1) 리포지토리 복제
git clone https://github.com/bytedance/Dolphin.git
cd Dolphin

# 2) (권장) 깨끗한 환경 만들기
# Conda/Mamba를 예로 사용:
conda create -n dolphinv2 python=3.10 -y
conda activate dolphinv2

# 3) 종속성 설치(정확한 요구 사항 파일은 리포지토리를 참조하세요)
pip install -r requirements.txt

# 4) (선택 사항) CUDA 버전에 따라 GPU 지원 PyTorch 설치:
# 올바른 명령은 https://pytorch.org/get-started/locally/를 방문하세요.

# 5) 리포지토리 또는 모델 카드에 문서화된 대로 모델 가중치 다운로드
# 예: scripts/download_weights.sh(제공된 경우) 또는 수동 다운로드

# 6) 빠른 추론 데모 실행(예제 명령 - 자세한 내용은 리포지토리를 확인하세요)
python tools/infer.py \
  --image_path ./samples/invoice_01.jpg \
  --output ./outputs/invoice_01.json \
  --config ./configs/dolphin_v2.yaml \
  --weights ./weights/dolphin_v2.pth

옵션 B: 제공된 노트북 또는 데모 앱 사용

리포지토리에는 종종 엔드 투 엔드 예제가 포함된 Jupyter 노트북이 포함되어 있습니다.
일부 커뮤니티 빌드는 Hugging Face에 Dolphin v2를 게시합니다. 미리 빌드된 파이프라인을 사용할 수 있는 경우 브라우저 또는 Colab 노트북으로 사용해 보세요.

설명 Python 스니펫(패턴만 해당 - 정확한 API는 리포지토리를 참조하세요):

from pathlib import Path
from PIL import Image
import json

# 의사 코드: 실제 API 이름은 다를 수 있습니다.
# 예: dolphin.load_model(), dolphin.preprocess(), dolphin.postprocess()

# 1) 모델 로드
model = load_dolphin_v2(weights_path="weights/dolphin_v2.pth", device="cuda:0")

# 2) 이미지 전처리
img = Image.open("samples/storyboard_page.jpg").convert("RGB")
batch = preprocess_for_dolphin_v2([img])

# 3) 추론
with torch.no_grad():
    raw_outputs = model(batch)

# 4) 구조화된 JSON으로 사후 처리
result = postprocess_dolphin_v2(raw_outputs)[0]

# 5) 저장 및 검사
Path("outputs").mkdir(exist_ok=True)
with open("outputs/storyboard_page.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

print("추출된 키:", list(result.keys()))

팁: Dolphin v2는 일반적으로 단락, 제목, 셀이 있는 표 또는 양식의 키-값 필드와 같은 구조화된 요소를 반환합니다. 이러한 요소를 CSV, Markdown 또는 CMS 스키마로 변환할 수 있습니다.

프로덕션 API에서 Dolphin v2 사용#

많은 팀에서 Dolphin v2를 경량 REST 서비스로 래핑하고 창작 도구, NLE 또는 자동화 스크립트에서 호출합니다. 최소한의 FastAPI 예제(구조만 해당, 리포지토리의 기능에 맞게 조정):

from fastapi import FastAPI, UploadFile, File
from PIL import Image
import io, json

app = FastAPI()
model = load_dolphin_v2(weights_path="weights/dolphin_v2.pth", device="cuda:0")

@app.post("/parse")
async def parse_document(file: UploadFile = File(...)):
    content = await file.read()
    image = Image.open(io.BytesIO(content)).convert("RGB")
    batch = preprocess_for_dolphin_v2([image])
    with torch.no_grad():
        raw = model(batch)
    result = postprocess_dolphin_v2(raw)[0]
    return result  # FastAPI는 dict->JSON을 직렬화합니다.

Nginx 또는 서버리스 GPU 엔드포인트 뒤에 배포하고 MAM/DAM 시스템, Google Sheets, Notion 또는 자체 파이프라인에 연결합니다.

성능 및 벤치마크#

성능은 GPU, 입력 해상도 및 문서 복잡성에 따라 다릅니다. 일반적으로:

Dolphin v2는 다단 페이지, 양식, 송장 및 시끄러운 스캔에서 v1보다 더 높은 정확도를 제공하는 것을 목표로 합니다.
페이지당 대기 시간은 단일 최신 GPU에서 거의 실시간에 가까울 수 있으며, 배치 처리를 통해 여러 페이지 PDF를 가속화할 수 있습니다.
최상의 결과를 얻으려면 입력 해상도를 모델의 권장 설정에 맞추세요(구성을 참조하세요).

비교:

기존 OCR + 규칙 기반 파싱에 비해 Dolphin v2는 취약한 휴리스틱 및 수동 정리를 줄입니다.
이전 문서 이해 스택과 비교하여 Dolphin v2는 레이아웃, 구조 충실도 및 일관된 스키마를 강조합니다.
커뮤니티 보고서에 따르면 일반적인 벤치마크(예: FUNSD, SROIE, DocVQA 스타일 작업)에서 최첨단 OCR 불필요 접근 방식에 비해 경쟁력 있는 결과가 나타납니다. 정확한 숫자와 차트는 리포지토리의 벤치마크 섹션 및 모델 카드를 참조하세요.

재현 가능한 벤치마킹 팁:

입력 해상도와 배치 크기를 고정합니다.
실제 문서의 보류 세트(공개 데이터 세트뿐만 아니라)를 사용합니다.
정밀도(텍스트 충실도, 구조 정확도)와 비용(대기 시간, GPU 메모리)을 모두 측정합니다.
사후 처리 시간을 기록합니다. 프로덕션에서 중요합니다.

제작자를 위한 실제 사용 사례#

Dolphin v2는 일상적인 창작 워크플로에서 빛을 발합니다.

비디오 제작자 및 편집자:
- PDF 및 스캔한 노트북에서 스크립트 및 샷 목록을 추출합니다.
- 스토리보드를 구조화된 데이터로 변환하여 편집 계획 및 연속성 추적을 더 쉽게 만듭니다.
- 발표자 메모가 있는 슬라이드 데크에서 자막 초안을 자동 생성합니다.
디자이너 및 아트 디렉터:
- 브랜드 지침을 검색 가능한 Markdown 및 구성 요소 사양으로 파싱합니다.
- 스타일이 지정된 PDF에서 색상 팔레트, 타이포그래피 규칙 및 그리드 사양을 추출합니다.
작가 및 연구원:
- 스캔한 참조 자료를 인용문과 인용문이 있는 깔끔하고 구조화된 메모로 변환합니다.
- 읽기 순서를 유지하면서 다단 학술 PDF를 섹션으로 파싱합니다.
성우 및 오디오 제작자:
- 캐릭터 시트, 콜 시트 및 사이드를 빠른 조회를 위해 표준화된 CSV로 변환합니다.
- 발음 가이드 및 주석을 구조화된 사전으로 추출합니다.
프리랜서 및 스튜디오:
- 회계 및 세금 준비를 위해 송장 및 영수증 파싱을 자동화합니다.
- NDA 및 계약을 키-값 요약(상대방, 날짜, 금액)으로 처리합니다.

모든 경우에 Dolphin v2는 반복적인 수동 작업을 줄이고 창의적인 결정을 내릴 수 있는 시간을 더 많이 확보합니다.

통합 패턴 및 모범 사례#

JSON 우선: 파이프라인을 통해 Dolphin v2 출력을 JSON으로 유지합니다. 마지막 단계에서만 CSV/Markdown으로 변환합니다.
휴먼 인 더 루프: 중요한 문서의 경우 편집자가 출력을 승인하거나 수정할 수 있는 빠른 검토 UI를 추가합니다.
템플릿 및 프롬프트: 리포지토리에서 스키마 템플릿 또는 프롬프트를 제공하는 경우 팀 전체에서 표준화하여 출력을 예측 가능하게 만듭니다.
사후 처리 규칙: 가장자리 사례를 처리하기 위해 가벼운 규칙을 추가합니다(예: 분할된 줄 병합, OCR 폴백 특성 수정).
버전 고정: 업데이트 중 예기치 않은 변경을 방지하기 위해 프로덕션에서 Dolphin v2 가중치 및 구성 버전을 고정합니다.
스토리지: 추적 가능성 및 빠른 재처리를 위해 원시 이미지와 Dolphin v2 JSON 출력을 모두 저장합니다.

라이선스, 거버넌스 및 커뮤니티#

라이선스: MIT 라이선스 - 허용적이며 상업적 및 오픈 소스 사용에 적합합니다. https://github.com/bytedance/Dolphin의 LICENSE를 참조하세요.
투명성: 현재 제한 사항 및 의도된 사용은 리포지토리의 README, 모델 카드 및 변경 로그를 확인하세요.
기여: 프로젝트는 문제 및 풀 요청을 환영합니다. 버그, 기능 요청 또는 문서 개선 사항에 대한 티켓을 엽니다.
커뮤니티: 토론 및 Q&A는 일반적으로 GitHub 문제를 통해 이루어집니다. 리포지토리에서 공식 포럼 또는 Hugging Face 커뮤니티 스레드에 대한 링크를 찾으세요.

MIT에 따라 Dolphin v2를 채택함으로써 팀은 독점적인 창작 파이프라인 및 제품에 안전하게 통합할 수 있습니다.

Dolphin v2 문제 해결#

일반적인 문제 및 해결 방법:

GPU에서 메모리 부족(OOM) 발생:
- 입력 해상도 또는 배치 크기를 줄입니다.
- 지원되는 경우 혼합 정밀도(AMP)를 사용합니다.
- 더 작은 작업의 경우 CPU로 전환하거나 더 많은 VRAM이 있는 GPU를 사용합니다.
일치하지 않는 종속성:
- PyTorch/CUDA 버전이 드라이버 및 OS와 일치하는지 확인합니다.
- 깨끗한 가상 환경을 다시 만들고 요구 사항을 다시 설치합니다.
잘못된 읽기 순서:
- Dolphin v2 구성에서 레이아웃 인식 설정을 활성화하거나 조정합니다.
- 입력 전처리: 기울기 제거, 대비 증가, 여백 자르기.
표 파싱 오류:
- 조밀한 표가 있는 문서의 경우 페이지 해상도를 높입니다.
- 사후 처리에서 표 감지 임계값을 확인합니다.
다국어 텍스트 문제:
- 특정 언어에 대해 OCR 하이브리드 모드를 사용해 보세요.
- 언어 팩을 업데이트하고 렌더링에 사용할 수 있는 글꼴이 있는지 확인합니다.
버전 간 일관성 없는 JSON 스키마:
- 프로덕션에서 Dolphin v2 버전을 고정합니다.
- 버전 간 필드를 정규화하기 위해 변환기 단계를 추가합니다.
화면 또는 광택 용지 사진에서 결과가 좋지 않음:
- 반사를 피하고 확산된 조명에서 촬영합니다.
- 스캔 앱을 사용하여 대비를 높이고 원근을 평평하게 합니다.

문제가 해결되지 않으면 기존 문제를 검색하거나 최소한의 재현 가능한 예제와 함께 https://github.com/bytedance/Dolphin에서 새 문제를 여세요.

보안 및 개인 정보 보호 고려 사항#

가능한 경우 중요한 문서를 로컬에서 처리합니다.
Dolphin v2를 서비스로 배포하는 경우 API를 보호합니다(인증, 속도 제한, TLS).
필요한 것만 기록하고 불필요한 경우 원시 문서를 저장하지 마세요.
문서 보존 정책은 고객의 계약 및 규정을 준수해야 합니다.

로드맵 고려 사항#

정확한 로드맵은 변경될 수 있지만 다음과 같은 지속적인 개선이 예상됩니다.

다국어 견고성 및 긴 문서 처리
속도/메모리 최적화
더 나은 표/차트 이해 및 그림 캡션
개발자 도구: 업그레이드된 데모, UI 주석기 및 벤치마킹 하네스

Dolphin v2와 관련된 릴리스, 태그 및 변경 로그 항목은 리포지토리를 확인하세요.

행동 촉구#

코드 및 문서 탐색: https://github.com/bytedance/Dolphin
샘플 사용해 보기: 자체 워크플로의 몇 페이지에서 Dolphin v2를 실행하고 시간 절약 효과를 측정합니다.
피드백 공유: 문제를 열고, 기능을 제안하고, 동료 제작자에게 도움이 되는 예제를 제공합니다.
통합: Dolphin v2를 작은 API로 래핑하고 이번 주에 콘텐츠 파이프라인에 연결합니다.

Dolphin v2는 문서 이해를 창작 팀을 위한 기본 빌딩 블록처럼 느껴지도록 하는 것을 목표로 합니다. 작게 시작하고 빠르게 반복하며 구조화된 출력이 힘든 작업을 수행하는 동안 제작에 집중하세요.

FAQ#

Dolphin v2가 공식적으로 릴리스되었고 오픈 소스인가요?#

예. Dolphin v2는 https://github.com/bytedance/Dolphin의 공식 리포지토리에서 사용할 수 있으며 MIT 라이선스에 따라 오픈 소스입니다. 최신 버전은 리포지토리의 릴리스 및 태그를 확인하세요.

Dolphin v1과 Dolphin v2의 주요 차이점은 무엇인가요?#

Dolphin v2는 실제 견고성, 구조화된 출력 일관성, 표/양식 이해 및 배포 용이성을 개선합니다. 또한 창작 자동화에 적합한 더 부드러운 다중 페이지 처리 및 JSON 우선 파이프라인을 강조합니다.

GPU 없이 Dolphin v2를 사용할 수 있나요?#

예, 작은 워크로드의 경우 가능합니다. CPU 추론은 가능하지만 더 느립니다. 프로덕션 처리량 또는 큰 PDF의 경우 최신 GPU를 권장합니다. Dolphin v2는 GPU 가속의 이점을 크게 누립니다.

Dolphin v2에 OCR이 필요한가요?#

엄격하게는 그렇지 않습니다. Dolphin v2는 OCR 불필요 모드를 지원하고 OCR을 폴백으로 통합할 수 있습니다. 까다로운 경우(낮은 대비, 희귀 스크립트) 하이브리드 설정을 사용하면 정확도를 높일 수 있습니다.

Dolphin v2를 어떻게 설치하나요?#

리포지토리를 복제하고, 깨끗한 Python 환경을 만들고, 요구 사항을 설치하고, 모델 가중치를 다운로드하고, 샘플 추론 스크립트를 실행합니다. 정확한 단계와 명령은 Dolphin v2 리포지토리에 문서화되어 있습니다.

Dolphin v2에서 어떤 파일 형식을 출력할 수 있나요?#

Dolphin v2는 일반적으로 구조화된 JSON을 출력하며, 이는 CSV, Markdown 또는 HTML로 변환할 수 있습니다. 많은 팀에서 처리 중에 JSON을 유지하고 마지막에만 변환합니다.

Dolphin v2가 상업적 용도에 적합한가요?#

예. Dolphin v2는 허용적이고 상업적 채택에 친숙한 MIT 라이선스에 따라 릴리스됩니다. 자세한 내용은 리포지토리의 LICENSE 파일을 검토하세요.

Dolphin v2는 대안과 어떻게 비교되나요?#

Dolphin v2는 실제 창작 워크플로에 대해 강력하고 실용적인 것을 목표로 합니다. OCR 플러스 규칙 스택과 비교하여 취약한 휴리스틱을 줄입니다. 최신 문서 파서와 비교하여 Dolphin v2는 경쟁력이 있으며 통합하기가 더 쉬운 경우가 많습니다. 공정한 비교를 위해 자신의 문서에서 평가해 보세요.

Dolphin v2에 대한 지원은 어디에서 받을 수 있나요?#

버그 보고서, 질문 및 기능 요청은 공식 리포지토리의 GitHub 문제를 사용하세요. 리포지토리는 Hugging Face 모델 카드 또는 커뮤니티 스레드에 대한 링크도 제공할 수 있습니다.

프로덕션에서 Dolphin v2를 배포하는 모범 사례는 무엇인가요?#

버전을 고정하고, 중요한 문서에 대한 검토 단계를 실행하고, 성능 메트릭을 기록하고, API를 보호합니다. JSON을 반환하는 작은 서비스로 시작하고 처리량 요구 사항이 증가함에 따라 확장합니다.