"구현은 기본, 성능 검증이 본질."
평가 기준을 설계하고 개선을 반복하는 실무형 AI 엔지니어를 목표로 합니다.
서비스 전체 구조를 이해하는 개발 역량을 바탕으로, 안정적으로 동작하는 AI시스템을 설계합니다.
단순 API 연동을 넘어 정량적 지표 기반의 모델 평가(Evaluation)와 파이프라인 최적화에 집중하며,
현재 SK Networks Family AI Camp에서 LLM 및 Multi-Agent 학습에 주력하고 있습니다.
LLM & Multi-Agent
Data Science & ML
Frontend & Mobile
Backend & Database
⚙️ DevOps & Tools
career_focus = {
"LLM_Engineering" : ["Multi-Agent 아키텍처 설계", "MCP 연동", "고급 RAG 파이프라인 구축"],
"Machine_Learning" : ["모델 성능 평가 및 최적화", "도메인 특화 파인튜닝", "피처 엔지니어링"],
"Current_Program" : "SK Networks Family AI Camp 27th",
"Professional_Goal": "사용자의 실질적 가치를 창출하는 AI/LLM 엔지니어"
}
|
지식 그래프 + 다중 에이전트 하이브리드 RAG 추천 & 배틀 플랫폼 지식 그래프와 다중 에이전트를 결합한 하이브리드 RAG 추천 및 배틀 시뮬레이션 플랫폼 LangGraph Neo4j PostgreSQL(pgvector) FastAPI Streamlit Groq RAGAS
|
프로젝트 회고 — 외부 API 안정성 확보 및 데이터 파이프라인 튜닝 경험 (클릭하여 펼치기)Agent 답변 품질 검증을 RAGAS 평가 모델로 자동화한 것이 이번 프로젝트의 핵심이었습니다. AI 애플리케이션에서 Agent의 신뢰성을 정량적으로 측정하는 체계를 직접 구축해보며, 단순 구현을 넘어 품질 보장까지 고민하는 경험을 할 수 있었습니다. 또한 대용량 데이터 흐름 전반을 튜닝하며 프론트엔드·백엔드 연계, 외부 API 파이프라인의 실시간 안정성 확보까지 다뤘습니다. 특히 Streamlit의 독특한 렌더링 라이프사이클을 제어하며 쿠키, iframe 보안 충돌, 무한 루프, 스레드 격리 문제를 현업 수준에서 해결할 수 있었습니다. 파이프라인을 모듈별로 격리하고 스케줄러로 제어하는 데이터 엔지니어링 패턴도 깊게 익혔습니다. 이번 프로젝트를 통해 기능 구현을 넘어 AI 서비스의 품질을 직접 고민해볼 수 있었습니다. 단순 구현자가 아닌 엔지니어로서 한 걸음 나아간 것 같습니다. |
|
LLM Project (GitGraph) - 깃허브 코드 관계망 시각화 + RAG 기반 AI 아키텍처 분석 및 옵시디언(Obsidian) Vault 이식 플랫폼
여기 작성해야해 잊지마.....
프로젝트 회고 - 대규모 동시성 최적화 및 멀티 에이전트 설계 경험 (클릭하여 펼치기)
여기 작성해야해 잊지마.....
React FastAPI LangGraph ChromaDB PostgreSQL(pgvector) Redis Docker NginxLLM Project (너로 정했다! LLM) - 지식 그래프 + 다중 에이전트 하이브리드 RAG 추천 & 배틀 플랫폼
지식 그래프와 다중 에이전트를 결합한 하이브리드 RAG 추천 및 배틀 시뮬레이션 플랫폼
RAG 추천 파이프라인 · 챗봇 · Groq 기반 배틀 시뮬레이터 · RAGAS 정량 평가 체계 도입
프로젝트 회고 - 외부 API 안정성 확보 및 데이터 파이프라인 튜닝 경험 (클릭하여 펼치기)
Agent 답변 품질 검증을 RAGAS 평가 모델로 자동화한 것이 이번 프로젝트의 핵심이었습니다. AI 애플리케이션에서 Agent의 신뢰성을 정량적으로 측정하는 체계를 직접 구축해보며, 단순 구현을 넘어 품질 보장까지 고민하는 경험을 할 수 있었습니다.
또한 대용량 데이터 흐름 전반을 튜닝하며 프론트엔드·백엔드 연계, 외부 API 파이프라인의 실시간 안정성 확보까지 다뤘습니다. 특히 Streamlit의 독특한 렌더링 라이프사이클을 제어하며 쿠키, iframe 보안 충돌, 무한 루프, 스레드 격리 문제를 현업 수준에서 해결할 수 있었습니다. 파이프라인을 모듈별로 격리하고 스케줄러로 제어하는 데이터 엔지니어링 패턴도 깊게 익혔습니다.
이번 프로젝트를 통해 기능 구현을 넘어 AI 서비스의 품질을 직접 고민해볼 수 있었습니다. 단순 구현자가 아닌 엔지니어로서 한 걸음 나아간 것 같습니다.
LangGraph Neo4j PostgreSQL(pgvector) FastAPI Streamlit Groq RAGASML Project (KKBox 이탈율 분석) - 음악 스트리밍 구독 이탈 예측 & 시뮬레이션 대시보드
머신러닝 기반 음악 스트리밍 플랫폼 Churn(구독 이탈) 예측 및 시뮬레이션 대시보드
XGBoost/LightGBM Churn 예측 모델 · Streamlit & Plotly 기반 Action Board 대시보드 · MySQL DB 연동 및 Docker 환경 구축
프로젝트 회고 - ML 모델을 비즈니스 의사결정까지 연결해본 경험 (클릭하여 펼치기)
머신러닝 성능(AUC) 경쟁에 머무르지 않고, AI 예측 데이터가 어떻게 데이터베이스에 축적되고 최종 비즈니스 의사결정(마케팅 캠페인 ROI 산출)에 어떻게 기여할 수 있는지 전체 비즈니스 파이프라인의 종단을 경험한 의미 있는 여정이었습니다.
특히 연구용 환경(Jupyter)에서 동작하던 모델을 실제 운영 가능한 서비스로 전환하는 과정에서 아키텍처의 중요성을 깊이 체감했습니다. 수 기가바이트의 원시 데이터를 Docker 기반의 독립된 DB로 격리하여 트랜잭션 안전성을 확보하고, 무거운 ML 의존성과 가벼운 API 서빙 환경을 구조적으로 분리하여 클라우드 배포 제약을 극복해 냈습니다. '돌아가는 코드'를 넘어 '안정적으로 운영 가능한 시스템'을 설계하고 파이프라인을 자동화해 본 이 경험은, 향후 어떤 복잡한 AI 모델을 다루더라도 견고한 프로덕트로 담아내는 강력한 기반이 될 것입니다.
Python Streamlit scikit-learn Plotly MySQL DockerRAG 기반 맞춤형 공모전 추천 및 팀 매칭 App (Collobo Station) - 개발자 & 디자이너 프로젝트 매칭 협업 모바일 플랫폼
사용자 역량 기반 가중치 매칭 알고리즘 + Jsoup 크롤링 기반 공모전 데이터 자동 수집 파이프라인 구축
역할(50%) · 세부직군(30%) · 관심사(20%) 가중치 매칭 스코어링 · RAG 기반 맞춤 공모전 추천 · ViewBinding 도입으로 크래시 0% 달성
프로젝트 회고 - 데이터 생애 주기 관리와 AI를 모바일에 녹여낸 경험 (클릭하여 펼치기)
"돌아가는 코드"를 넘어 "신뢰할 수 있는 시스템"으로
이 프로젝트의 핵심 도전 중 하나는 RAG 파이프라인을 안드로이드 환경에 성공적으로 녹여내는 것이었습니다.
단순한 단방향 추천을 넘어, 사용자의 기술 스택과 공모전 데이터를 벡터 유사도로 분석해 AI가 "왜 이 공모전이 적합한지" 그 근거를 직접 설명하는 구조를 설계했습니다.
이 과정을 통해 기술적인 구현 자체보다, 사용자가 AI의 판단을 신뢰하고 납득할 수 있는 경험을 제공하는 것이 진정한 시스템의 완성임을 깊이 체감했습니다.
Kotlin Android SDK Firebase(Auth/Firestore) Jsoup RAG Gemini ViewBinding GlideAI & IoT 지능형 반려식물 관리 App (Smart Pot) - 픽셀 단위 식물 건강 진단 및 실시간 IoT 모니터링 앱
CameraX·ML Kit 기반 픽셀 분석으로 식물 건강을 0~100점으로 정량화하는 AI 진단 엔진 개발
녹색 채널(G-Channel) 스텝 샘플링 알고리즘 · 1.5초 UI 스로틀링 · ESP32-Firebase 실시간 파이프라인 구축
프로젝트 회고 - 단순 구현을 넘어 성능과 UX의 균형을 맞춰본 경험 (클릭하여 펼치기)
단순히 라이브러리를 가져다 쓰는 것을 넘어, AI 인식 결과 를 어떻게 신뢰성 있게 가공하고 사용자에게 안정적으로 보여줄 것인가 에 집중한 시간이었습니다.
초당 30프레임 이상 들어오는 ML Kit 인식 결과 를 그대로 UI에 반영하면 텍스트가 심하게 떨리는 문제가 발생했습니다. 타임 기반 스로틀링(1.5s)을 파이프라인에 직접 이식하여 해결했고, 고해상도 픽셀 전수 분석으로 인한 CPU 과부하는 10픽셀 단위 스텝 샘플링 알고리즘을 직접 설계해 분석 속도를 10배 이상 향상시켰습니다. 또한 하드웨어(ESP32) 미연결 환경에서도 가상 데이터로 동작 가능한 Demo Mode를 설계하여 시스템 복원력을 확보했습니다.
'동작하는 AI' 가 아니라 '안정적으로 동작하는 AI' 를 만들기 위해 성능과 사용자 경험 사이의 균형을 맞춰본 이 경험은, 향후 AI 시스템 설계에서 구현보다 검증과 최적화를 먼저 고민하는 엔지니어로 성장하는 데 단단한 기반이 되었습니다.
Java Android CameraX ML Kit Firebase RTDB ESP32 MVVM