AI 엔지니어 · 풀스택 개발자 링크21 재직 중AI Engineer · Full-stack Developer At Link21
현재 링크21에 재직하며 실제 프로덕션 웹서비스와 AI 시스템을 기획부터 개발·배포·운영까지 End-to-End로 구축하는 AI 엔지니어 / 풀스택 개발자입니다. 기업 AI 교육 플랫폼(LINK21 Premium) 및 사내 AI 챗봇 실서비스 배포·운영, 나라장터 공공입찰 조달제안 AI(BidPilot AI), 멀티 에이전트 코딩 플랫폼, React 19/Three.js 3D 하드웨어 분석 시스템, 건설현장 법령 RAG를 구현했습니다.Currently at Link21, an AI Engineer & Full-stack Developer building production web platforms and AI systems end-to-end from planning to deployment and operation. Engineered and operating the LINK21 Premium corporate education platform and production AI chatbot, as well as G2B procurement proposal AI (BidPilot AI), Multi-Agent coding platform, React 19/Three.js 3D hardware analytics system, and construction safety law RAG.
객관적인 데이터와 최신 AI 기술로 전략을 세우고, 원활한 소통으로 비즈니스 가치를 완성합니다.Formulating strategies with objective data and state-of-the-art AI, and delivering business value through smooth communication.
감이나 경험에만 의존하기보다 정확한 데이터 분석을 바탕으로 설득력 있는 전략을 수립하는 것을 최우선으로 생각합니다. 이를 위해 최신 AI 기술과 다양한 분석 툴들을 빠르게 습득하고 실무에 적극적으로 활용함으로써, 데이터 도출의 효율성을 높이고 더욱 정교한 비즈니스 인사이트를 발굴하고자 노력합니다.I prioritize establishing compelling strategies based on accurate data analysis over relying solely on intuition or experience. To achieve this, I quickly master state-of-the-art AI technologies and diverse analytical tools, actively applying them in practice to maximize the efficiency of data extraction and uncover more sophisticated business insights.
과거 프로젝트 매니저(PM)로 활동하며 체득했듯, 아무리 뛰어난 데이터나 기술적 성과라도 다양한 직군과의 유연한 소통이 뒷받침되지 않으면 무용지물이 될 수 있습니다. 기술을 통해 도출한 핵심 인사이트를 팀원들과 명확하게 공유하고 협업 프로세스에 자연스럽게 녹여냄으로써, 조직의 실제 비즈니스 가치 창출에 기여하고자 합니다.As I learned through my experience as a Project Manager (PM), even the most outstanding data or technical achievement can be rendered useless without flexible communication across diverse teams. I aim to clearly share core insights derived from technology with team members and integrate them naturally into the collaborative workflow, contributing to the organization's actual business value creation.
LINK21 Premium 기업교육 웹플랫폼의 제작·운영을 담당하고 신규 페이지, UI/UX, 신청 기능 및 관리자 시스템을 지속적으로 개발·개선Lead end-to-end development and operations of the LINK21 Premium corporate education platform, continuously engineering new pages, UI/UX workflows, enrollment funnels, and administrative portals
서비스 내 AI 챗봇을 초기 설계 및 구현부터 실제 운영·고도화까지 직접 수행Architected, implemented, and deployed the production in-service AI chatbot from 0 to 1, driving continuous conversational quality and UX optimizations
나라장터 공공입찰 RFP 분석 및 제안 자동화를 위한 BidPilot AI End-to-End 파이프라인 개발Engineered the BidPilot AI end-to-end pipeline for Nara Marketplace (G2B) public procurement RFP analysis and proposal automation
Next.js / React / TypeScript 및 FastAPI 기반 웹·AI 서비스를 개발하고 실제 업무환경에 배포·운영Developed and deployed production web and AI services built on Next.js, React, TypeScript, and FastAPI into live business environments
사내 AI Agent 및 업무자동화 시스템 구축Architected internal multi-agent systems and business workflow automation pipelines
2023.07 – 2023.09 · 3개월2023.07 – 2023.09 · 3 mos
데이타트렌드Data Trend
사원 · AI사업전략Associate · AI Business Strategy
AI 바우처 사업수행계획서 작성 및 관련 자료 조사Authored AI Voucher project execution plans and conducted market research
AI 도입 기업 대상 솔루션 제안 자료 작성Prepared solution proposals for companies adopting AI
사업 현황 분석 및 보고서 작성Analyzed business status and compiled reports
Education
🎓교육Education
2020.03 – 2026.02
서강대학교Sogang University
미디어공학과 · 학점 3.53 / 4.5B.S. in Media Technology · GPA 3.53 / 4.5
미디어 기술, 데이터 처리, 소프트웨어 공학 관련 전공 과목 이수Completed coursework in media technology, data processing, and software engineering
2026.01 · 수료Jan 2026 · Completed
서울대학교 데이터사이언스 부트캠프Seoul National University Data Science Bootcamp
데이터사이언스를 위한 선형대수학 및 확률과 통계Linear Algebra, Probability & Statistics for Data Science
머신러닝 기초 이론 및 실습Basic Machine Learning Theory and Hands-on Practice
최신 AI 기술 트렌드, 데이터 처리, RAGLatest AI technology trends, data processing, and RAG
Python 기반 백엔드 개발 및 데이터 파이프라인 구축Python-based backend development and data pipeline construction
알고리즘, 자료구조, 데이터베이스 심화 학습 및 실무 프로젝트Advanced studies in algorithms, data structures, databases, and hands-on projects
Certificates
🏅자격증Certificates
☁️2026.08
Azure AI Fundamentals (AI-901)Azure AI Fundamentals (AI-901)
Microsoft
📊2025.12
빅데이터분석기사Big Data Analytics Engineer
한국데이터산업진흥원Korea Data Agency (KDATA)
🤖2024.11
AI-POT 2급AI-POT Grade II
한국생산성본부Korea Productivity Center (KPC)
🌐2024.10
네트워크관리사 2급Network Administrator (Level 2)
한국정보통신자격협회Korea Association of Information & Telecommunication (KAIT)
Portfolio Projects
🐙주요 프로젝트Featured Projects
이력서에 정리된 프로젝트 목록을 기준으로, 실제 화면과 산출물이 있는 프로젝트는 스크린샷을 함께 배치했습니다.Based on the project list in the resume, screenshots are included for projects that have actual interface screens and deliverables.
1 / 12
link21-premium
Production Education Platform · LINK21
🟢 Production Service🔒 Private Repository
Service🟢 실제 고객용 상용 프로덕션 서비스🟢 Live Production Service
Role웹서비스 개발 및 운영 전담Full-stack Development & Service Operations
What I Built기업 AI 교육 플랫폼 제작, 신규 페이지 개발, 수강신청 파이프라인, 관리자 시스템, 반응형 UXEnterprise AI education platform, dynamic course catalogs, enrollment funnels, admin portal & responsive UX
실제 고객이 사용하는 기업 AI 교육 프로덕션 웹서비스를 제작·운영했습니다. 신규 페이지 개발부터 관리자페이지, 수강신청 플로우, 운영 오류 개선까지 웹서비스 전반을 책임지고 수행했습니다.Architected, built, and operated the live production enterprise AI education platform used by real corporate clients, overseeing the full web service lifecycle from new feature pages to administrative portals, enrollment funnels, and operational improvements.
교육과정 탐색, 월별 교육 일정, 과정 상세정보, 교육비 환급 안내, 신청 및 고객지원 등 실제 서비스 운영에 필요한 핵심 기능을 구축하고 운영 피드백을 지속 반영했습니다. 단순 콘텐츠 관리가 아니라 요구사항 분석 → UI/UX 설계 → 프론트/백엔드 구현 → 테스트 → Vercel 배포 → 운영 개선까지 서비스 전체 라이프사이클을 직접 담당했습니다.Engineered course discovery, monthly training calendars, curriculum details, government subsidy guides, and application pipelines. Managed the entire delivery cycle from requirements analysis and UI/UX to Next.js/Supabase development, testing, Vercel deployment, and operational maintenance.
프로덕션 서비스 실제 기업 고객이 사용하는 LINK21 Premium 공식 웹서비스 제작 및 라이브 운영Live Production Built and operating the live commercial LINK21 Premium platform
End-to-End 개발 요구사항 분석 → UI/UX 설계 → 개발 → 테스트 → Vercel 배포 → 운영 개선 완결End-to-End Delivery Executed full product lifecycle from requirements discovery to CI/CD and production iteration
서비스 운영 교육 일정·과정 카탈로그·신청 프로세스 및 지속적인 기능 확장/오류 개선Service Operations Continuously scaled curriculum catalogs, scheduling calendars, applicant funnels, and reliability
Admin 시스템 서비스 운영을 위한 관리자 대시보드, 신청자 조회 및 XLSX 내보내기, 운영 UX 개선Admin Portal Engineered back-office dashboards, applicant workflows, XLSX reporting, and operational tools
Responsive UX Desktop 및 Mobile 환경에서 실제 사용자 전환 흐름 지속 최적화Responsive UX Continuous cross-device mobile/desktop optimizations and user experience improvements
What I Built기존 챗봇 유지보수가 아닌 대화 위젯 UI, 의도 분류 라우터, SSE 스트리밍 백엔드 엔진 전체 신규 개발Built from scratch (0 to 1): conversational widget UI, intent routing, and real-time SSE streaming backend
Tech StackNext.js · TypeScript · Gemini API · OpenAI API · SSE · Supabase
기존 챗봇을 단순 유지보수한 것이 아니라, LINK21 상용 웹서비스에 탑재된 AI 챗봇의 대화 인터페이스와 백엔드 처리 엔진 전체를 0에서부터 직접 설계·구현하여 실서비스에 배포·운영했습니다.Rather than maintaining legacy chatbot tools, engineered and deployed the entire production AI chatbot from ground up (0 to 1)—including the conversational widget UI and backend orchestration engine—integrated into the live LINK21 platform.
사용자 질문의 의도를 먼저 판별하는 의도 분류(Intent Routing) 기반으로 필요한 강의/규정 데이터를 사전 조회하고, 이를 최적화된 프롬프트 컨텍스트에 주입해 답변 정확도를 극대화했습니다. Server-Sent Events(SSE) 실시간 스트리밍, Gemini/OpenAI 호환 API 어댑터, Mock fallback 안전망, Rate Limiting을 구축해 상시 안정성을 보장했습니다.Employs Intent Routing to classify user intent and pre-retrieve course/subsidy records before prompt assembly, streaming low-latency responses via Server-Sent Events (SSE). Built with multi-provider adapters (Gemini & OpenAI API), graceful mock fallbacks, and rate limiting for high reliability.
0 → 1 신규 구축 기존 챗봇 유지보수가 아닌 대화 인터페이스 및 처리 엔진 전체를 처음부터 직접 설계·구현0 → 1 Implementation Built the conversational interface and AI backend from scratch rather than maintaining legacy tools
Chat UI & UX 반응형 플로팅 위젯, 교육과정 카드 멘션, 추천 질의(Suggestions), 마크다운 실시간 렌더링Chat UI & Interaction Responsive floating widget, embedded course cards, prompt suggestions, and dynamic markdown
의도 라우팅 & 지식 주입 사용자 질문 의도 분류(Routing) 기반 과정·규정 데이터 사전 조회 및 최적 프롬프트 조립Intent Routing & Context Pre-retrieves course/policy records via intent classification for optimized prompt injection
실시간 스트리밍 (SSE) Server-Sent Events 기반 저지연 토큰 스트리밍 및 네트워크 단절 에러 핸들링Real-time Streaming Low-latency token streaming via Server-Sent Events (SSE) with robust network recovery
프로덕션 운영 안정성 Rate Limiting, Fallback 처리, Supabase 세션/로그 관리를 적용해 프로덕션 운영 안정성을 강화Production Reliability Improved production reliability with rate limiting, fallback handling, and Supabase session/log management
링크21 사내 조달 제안 업무 효율화를 위해 구축한 내부 업무자동화 AI 시스템입니다. 나라장터(G2B) 공공입찰 공고를 자동 수집하고, 수백 페이지의 RFP에서 핵심 요구조건을 정형화하여 제안서 작성을 자동화합니다.An internal enterprise AI automation system engineered for Link21 to streamline procurement bidding: automatically ingests Nara Marketplace (G2B) bid notices and extracts structured Requirement Matrices from complex multi-page RFPs.
FastAPI 백엔드와 Next.js 프론트엔드를 분리 구축하고, 사내 보유 증빙 문서를 3차원 노드로 시각화하는 Three.js 기반 Evidence Cosmos, 제안서 문장 허위/과장 검증을 위한 Auditor AI, 그리고 배포 전 개인정보(PII) 자동 검사·마스킹 파이프라인을 단독 구현했습니다.Engineered separate FastAPI and Next.js architectures, featuring Three.js-powered Evidence Cosmos 3D document nodes, an Auditor AI verifying proposal integrity, and automated pre-deployment PII detection/masking pipelines.
공고 수집 & 파싱 조달청 나라장터 OpenAPI 연동 및 RFP PDF 구조화 분석Ingestion & Parsing Integrated G2B OpenAPI and structured parsing of RFP proposal specifications
3D 시각화 & 매칭 Three.js Evidence Cosmos를 통한 회사 증빙 3차원 시각화 및 벡터 매칭3D Visualization Three.js Evidence Cosmos 3D node graphing and vector evidence matching
검증 및 보안 제안서 사실관계 Auditor AI 정밀 검사 및 비트맵/텍스트 PII 개인정보 차단Auditing & Security Auditor AI fact-checking and automated text/bitmap PII masking workflows
Codex · Antigravity · Claude Code 세 에이전트가 브라우저 대시보드에서 실시간 토론·반박하며 역할을 나누고, 실제로 프로젝트 코드를 함께 작성하는 오케스트레이션 플랫폼입니다.A multi-agent orchestration platform where Codex, Antigravity, and Claude Code debate, assign roles via a web dashboard, and collaboratively code projects.
토론 모드(에이전트별 강점 분석 및 역할 제안) → 사용자 승인 → 목표 기반 코딩 모드(자동 린트/빌드/테스트 및 교차 코드 리뷰) 사이클을 제한 범위(사이클/토큰/diff) 내에서 안전하게 반복합니다. 독립 실행 CLI 간 컨텍스트 낭비를 줄이기 위해 프롬프트 압축(brief.md, TEAM_PROMPT.md)을 적용했습니다.Features Debate Mode (peer critique & role division) → User Approval → Goal-based Coding Mode (automated lint/build/tests and cross-model code reviews). Applies aggressive prompt compression to minimize token usage across standalone CLIs.
에이전트 협업 3개 CLI(Codex, agy, claude) 상태 정규화 및 스트림 파싱 제어Multi-Agent Control State normalization and real-time stream orchestration across 3 CLIs
목표 기반 코딩 코드 생성 후 빌드/테스트 자동 검증 및 턴별 diff 체크포인트 저장Goal-based Coding Automated build/lint verification and turn-based diff checkpoints
메모리 최적화 최근 대화 및 6줄 요약 메모리(brief.md) 기반 토큰 사용량 극소화Context Optimization Token minimization via 6-line brief memories and bounded prompts
건설현장 사고 시나리오를 입력받아 산업안전보건법·중대재해처벌법 위반 조항과 책임 주체를 판단하는 법령 이중 RAG 시스템입니다.A dual RAG system that analyzes construction accident scenarios to identify violated clauses of the Serious Accident Punishment Act and OSHA.
법령 본문(500자 청킹)과 별표/표(행 단위 청킹)를 별도 ChromaDB에 분리 임베딩한 Text RAG + Table RAG 이중 구조로 검색 정확도를 44.4점에서 97.8점으로 53.4점 향상시켰습니다. 6단계 질문 그래프, EXAONE-4.0-32B LLM, 출처 검증기(Citation Validator), CSRF/세션 보안 및 38개 회귀 테스트 배포 게이트를 구축했습니다.Improved retrieval accuracy from 44.4 to 97.8 (+53.4 pts) via separate Text & Table ChromaDB embeddings. Implemented a 6-node question graph, EXAONE-4.0-32B reasoning, Citation Validator, and 38 regression tests.
⚡ Interactive Node Graph
6단계 질문 그래프 파이프라인 (노드 클릭)
이중 RAG Text RAG(500자) + Table RAG(행단위) 분리: 별표/표를 pdfplumber로 추출해 독립 ChromaDB에 임베딩Dual RAG Separated Text & Table ChromaDB embeddings using pdfplumber
라우팅 & LLM 질문 유형별 direct route 및 6노드 그래프 질의 처리, EXAONE-4.0-32B 법률 추론 수행Routing & LLM Direct routing & 6-node graph with EXAONE-4.0-32B legal reasoning
보안 & 배포 게이트 Citation Validator 검증 · CSRF 방어 · 38개 회귀 테스트 배포 게이트 통과Security & Gate Citation Validator, CSRF protection, and 38 passing deployment regression tests
다나와 PC 부품 및 게이밍/AI 노트북 실시간 자동 수집, 이상치 탐지, 가격 예측 ML, Three.js 3D 데스크 씬을 결합한 풀스택 하드웨어 분석 플랫폼입니다.A full-stack hardware analytics platform collecting real-time PC component and gaming laptop prices, featuring Three.js 3D desk scenes, FastAPI, and LangGraph.
FastAPI 13개 REST API와 React 19 SPA를 연동하고, Three.js 3D 부품 인터랙티브 맵, LangGraph StateGraph 체크포인트 자동화, 중고 상품 필터링, 그리고 105개 백엔드 pytest + 프론트엔드 vitest CI/CD를 구현했습니다.Engineered 13 FastAPI endpoints with React 19 SPA, interactive Three.js 3D gaming room hardware mapping, LangGraph pipeline checkpoints, and 105 pytest & vitest suites.
행사 현장에서 서버 저장 없이 브라우저 단에서 즉석으로 고해상도 vCard 3.0 QR 디지털 명함을 생성하고 다운로드하는 실서비스 웹앱입니다.A privacy-first mobile web application that synthesizes high-resolution vCard 3.0 QR digital business cards entirely client-side without storing data on servers.
개인정보를 서버 DB에 일절 전송하지 않는 100% 브라우저 메모리 Canvas 제로-서버 아키텍처로 설계했습니다. 카카오톡/인스타그램 웹뷰의 Blob 다운로드 제한 버그를 사전 감지해 기본 브라우저 전환을 안내하는 실무 Edge-case UX를 구현했습니다.Engineered a zero-server privacy architecture rendering in browser memory via HTML5 Canvas. Solves mobile WebView edge cases by detecting in-app browsers and guiding users to native browsers for reliable downloads.
프라이버시 제로-서버 서버 DB 전송 없는 100% 클라이언트 Canvas 합성 및 SVG/PNG 렌더링Zero-Server Privacy 100% client-side Canvas synthesis and high-res SVG/PNG rendering
표준 vCard 3.0 오프라인에서도 카메라 스캔 즉시 주소록에 자동 매핑되는 QR 인코딩Standard vCard 3.0 UTF-8 vCard encoding for instant offline address book addition
인앱 브라우저 대응 카카오톡/인스타 웹뷰 Blob 다운로드 차단 이슈 사전 감지 및 탈출 안내In-App WebView UX Auto-detects in-app browsers and provides safe native browser routing
건설현장 CCTV MP4 영상을 프레임 단위로 분석해 사고 발생 여부, 사고 유형, 사고 원인을 자동 분석하는 Vision-Language Agent 시스템입니다.A Vision-Language Agent system that analyzes construction site CCTV MP4 videos frame-by-frame to automatically detect accident occurrence, accident type, and cause.
원본 영상 전체를 LLM에 넣는 대신, 사고 전후 핵심 프레임을 추출해 Contact Sheet 이미지를 생성함으로써 API 연동 비용을 최소화하였습니다. YOLO 객체 탐지 어댑터와 평가 DB를 연동해 분석 정확도를 높였습니다.Generates Contact Sheet images from key before/after frames to minimize API integration costs, coupled with YOLO object detection adapters and evaluation DBs for heightened accuracy.
영상 분석 OpenCV 기반 프레임 분석 및 사고 유력 구간 탐지, Contact Sheet 생성Video Analysis OpenCV-based frame analysis and Contact Sheet generation
LLM 연동 Qwen2.5-VL 모델 서버와 연동하여 사고 유형(추락/낙상 등) 및 경위 판단LLM Integration Integrated with Qwen2.5-VL server to determine accident types and details
YOLO & Payload YOLO 객체 탐지 증거 추출 및 DB 테이블 규격 JSON verdict 자동 변환YOLO & Payload YOLO evidence detection and JSON verdict transformation
전국 102개 시군구 인테리어 수요 점수를 산출하고, 3종 시계열(SARIMA·Prophet·LightGBM)로 거래량을 예측하는 end-to-end 솔루션입니다.An end-to-end pipeline calculating interior renovation demand scores across 102 districts and forecasting transaction volumes using 3 time-series models.
국토부 매매/전월세, 건축HUB 대수선, 인테리어업체, 소상공인 상가정보 등 공공 API 5종을 수집해 수요점수 및 예상 시장규모를 추정합니다. SARIMA·Prophet·LightGBM 3종 시계열 벤치마크, 네이버 지도 2종 모드 토글, Flask API 및 AI 챗봇을 배포했습니다.Aggregates 5 public APIs, estimates renovation market size, and benchmarks 3 time-series models (SARIMA, Prophet, LightGBM) with Naver Maps dual-mode markers.
파이프라인 전국 102개 시군구 공공 API 5종 자동 수집 및 데이터 정제Pipeline Automated collection of 5 public APIs across 102 districts
시계열 벤치마크 SARIMA vs Prophet vs LightGBM 3종 거래량 예측 및 MAPE 비교Time-Series Benchmarking Compared SARIMA, Prophet, and LightGBM for transaction forecasting
서비스 Flask API 10개 · 네이버 지도 등급/시장규모 모드 토글 · AI 챗봇 3종Service 10 Flask endpoints, Naver Maps dual-mode view, and 3 AI chatbots
혼자 설계하고 완주한 23일 데이터 분석 부트캠프 — 트랜잭션 로그 RFM 고객 세분화, SHAP 모델 해석(XAI), 시계열 예측 Streamlit 대시보드 및 SQLD 기록입니다.A 23-day self-designed data analytics bootcamp — transaction log RFM segmentation, SHAP XAI model interpretation, and Prophet time-series forecasting.
RFM 분석 기반 고객 세분화 및 마케팅 쿠폰 ROI 시뮬레이션을 수행하고, XGBoost/Random Forest 모델에 SHAP을 적용해 재구매 결정 1순위 변수를 도출했습니다. 국토부 주간 아파트 가격 동향 데이터를 바탕으로 2026년 예측 Streamlit 대시보드를 구축했습니다.Conducted RFM customer segmentation and marketing ROI simulation, extracted reorder drivers via XGBoost + SHAP, and built an interactive Streamlit dashboard for real estate forecasts.
RFM & ROI 트랜잭션 로그 기반 세그먼트 분류 및 마케팅 ROI 계산 모델링RFM & ROI Segment classification from transaction logs and marketing ROI calculation
XAI 모델 해석 XGBoost + SHAP 분석으로 블랙박스 모델의 예측 기여도 시각화XAI Interpretation Visualized prediction contribution using XGBoost and SHAP
시계열 대시보드 Prophet 시계열 모델 기반 2026년 서울 아파트 변동률 예측 Streamlit 배포Time-Series App Prophet-based forecasting dashboard deployed with Streamlit
Google Gemini API 연동 AI 단어 학습 및 토익(TOEIC) 빈칸 시험을 자동 생성하는 Streamlit 웹 앱 & Android APK입니다 (클라우드 라이브 배포 중).A Streamlit learning app & Android APK featuring Google Gemini AI-powered vocabulary study and TOEIC fill-in-the-blank test generation.
Google Gemini API(google-genai)를 연결해 실시간 토익 빈칸 문제 출제 및 문맥 해설을 제공하며, 브라우저 localStorage 진도 저장과 Kivy Android WebView 래퍼를 통해 모바일 네이티브 앱 환경을 지원합니다.Integrated Google Gemini API for real-time TOEIC quiz generation and contextual explanations, with browser localStorage sync and Kivy Android packaging.
Unity2D 기반 로그라이크 턴제 던전 RPG로, 팀장 겸 PM으로서 기획 총괄, 데이터베이스 ERD 설계 및 핵심 플레이 루프 구현을 주도했습니다.A Unity2D-based roguelike turn-based dungeon RPG. Led the project as Team Leader and PM, directing game design, DB ERD, and core gameplay loop programming.
게임 시작부터 거점, 던전 탐색, 턴제 전투, 아이템 파밍, 결과 분기까지의 유저 여정을 정의하고 일정과 리스크를 관리하며 프로젝트 완성도를 이끌었습니다.Managed sprint schedules, user journey flows (town, dungeon, turn-based combat, items, branching), and team delivery as PM and developer.
AI 에이전트, RAG 시스템, 비전 AI, 데이터 엔지니어링 및 웹 프로덕트 전반의 핵심 개발 경험을 문제 정의부터 역할, 성과까지 상세히 정리했습니다.Comprehensive details on problem definition, system architecture, core logic, my role, and impact across AI Agents, RAG, Vision AI, Data Engineering, and Web Products.
Service🟢 실제 고객용 상용 프로덕션 서비스 (Live)🟢 Live Production Service
Role웹서비스 개발 및 운영 전담Full-stack Development & Service Operations
What I Built기업 AI 교육 플랫폼 제작, 신규 페이지 개발, 수강신청 파이프라인, 관리자 시스템, 반응형 UXEnterprise AI education platform, dynamic course catalogs, enrollment funnels, admin portal & responsive UX
기업 AI 전문 교육 비즈니스가 확장됨에 따라, 교육과정 안내, 월별 개설 일정, 정부 교육비 환급 절차 안내, 수강 신청 및 기업 단체 문의 접수를 체계적으로 자동화하고 운영자가 실시간으로 관리할 수 있는 프로덕션 웹 플랫폼이 필요했습니다.As enterprise AI training programs scaled, there was a critical need for a production web platform to automate course catalog discovery, monthly schedules, government subsidy guidance, corporate enrollment pipelines, and real-time back-office operations.
웹서비스 아키텍처Service Architecture
Next.js App Router와 React 기반 고성능 반응형 웹 프론트엔드 구축 → Supabase (PostgreSQL, Row-Level Security, 세션 관리) 데이터 계층 설계 → Vercel CI/CD 무중단 자동 배포 환경 구축 → 관리자 대시보드 및 수강 신청 처리 자동화 파이프라인(XLSX 및 이메일 연동)을 완결했습니다.Engineered a high-performance responsive frontend with Next.js App Router & React → designed data layer with Supabase (PostgreSQL, RLS security, session handling) → automated zero-downtime CI/CD on Vercel → implemented back-office admin dashboards, applicant management, and automated notification workflows.
핵심 기능 & 로직Core Features & Logic
월별 교육 일정 캘린더 및 과정별 커리큘럼 동적 필터링, 정부 고용노동부 직무교육 훈련비 환급 가이드 인터랙티브 UI, 기업 교육 맞춤형 신청서 폼 유효성 검증(Zod, React Hook Form), 관리자 전용 신청 현황 실시간 집계 및 엑셀 다운로드 기능을 구현했습니다.Implemented interactive monthly training calendars, dynamic curriculum filtering, government subsidy calculation guides, robust enterprise application forms with schema validation (Zod, React Hook Form), and admin analytics with live applicant status and XLSX exports.
요구사항 분석부터 UI/UX 기획, 프론트엔드 및 백엔드 기능 개발, 테스트 및 Vercel 배포, 실서비스 런칭 후 지속적인 유지보수와 운영 개선까지 서비스 라이프사이클 전 과정을 단독/주도적으로 수행.Led the entire product lifecycle end-to-end: business requirements analysis, UI/UX engineering, frontend/backend feature development, testing, Vercel production deployment, and continuous operational iteration.
결과 및 성과Results & Impact
실제 고객이 접속하는 공식 상용 서비스(link21premium.com)로 성공적으로 런칭·운영 중이며, 기업 고객의 교육 신청 전환율 향상과 운영진의 수동 수강생 관리 소요 시간을 대폭 절감했습니다.Successfully launched and operating the live commercial enterprise platform (link21premium.com), boosting corporate enrollment conversions and eliminating manual administrative management overhead.
Next.js · TypeScript · Gemini API · OpenAI API · SSE · Supabase
link21-ai-chatbot Live Service0 → 1 Built
Service🟢 실제 상용 서비스 연동 챗봇 (Live)🟢 Live Production AI Chatbot
What I Built기존 챗봇 유지보수가 아닌 대화 위젯 UI, 의도 분류 라우터, SSE 스트리밍 백엔드 엔진 전체 신규 개발Built from scratch (0 to 1): conversational widget UI, intent routing, and real-time SSE streaming backend
Tech StackNext.js App Router · TypeScript · Gemini API · OpenAI API · SSE · Supabase
문제 정의Problem Definition
LINK21 웹서비스 방문자가 수십 개의 AI 교육과정과 복잡한 환급 규정을 탐색하는 과정에서 발생하는 이탈을 방지하고, 24시간 실시간으로 방문자의 학습 목적과 직무에 최적화된 강의를 맞춤 추천·상담하는 AI 챗봇이 필요했습니다.Visitors frequently dropped off while browsing dozens of complex AI curricula and government subsidy rules. A 24/7 intelligent conversational assistant was needed to recommend tailored courses and answer policy questions in real time.
0 → 1 챗봇 아키텍처0 → 1 Chatbot Architecture
기존 솔루션을 단순 커스텀한 것이 아니라, 프론트엔드 플로팅 위젯 UI부터 Next.js 백엔드 대화 엔진, 의도 분류 라우터(classifyRoute), Server-Sent Events(SSE) 스트리밍 파이프라인, AI Provider 추상화 레이어를 0에서부터 직접 설계·구현했습니다.Engineered from ground up (0 to 1) rather than modifying legacy templates: built custom floating widget UI, Next.js backend chat orchestration engine, intent classification router, Server-Sent Events (SSE) streaming pipeline, and multi-provider AI adapters.
핵심 로직 & 의도 라우팅Core Logic & Intent Routing
사용자 입력 시 의도를 사전 분류(과정 탐색, 환급 규정, 일반 질의, 상담 연결) → 필요한 강의/정책 데이터를 서버가 먼저 조회(Server-side Tool Retrieval) → 최적화된 시스템 프롬프트에 컨텍스트로 주입하여 LLM 1회 호출로 고정확도 답변 및 추천 카드 멘션을 생성하고, API 장애 시 Mock 공급자로 자동 fallback되는 안정성을 확보했습니다.Routes queries through intent classification (courses, subsidies, general, escalation) → server pre-fetches domain records before prompt injection → single-hop LLM generation with embedded course card mentions, backed by graceful mock fallbacks and token rate limiting.
사용 기술Technologies
Next.js App Router, TypeScript, Google Gemini API, OpenAI API Compatible Provider, Server-Sent Events (SSE), Supabase (대화 세션 및 피드백 로깅), Tailwind CSS, React Markdown.Next.js App Router, TypeScript, Google Gemini API, OpenAI API Compatible Provider, Server-Sent Events (SSE), Supabase (Session & Feedback Logging), Tailwind CSS, React Markdown.
내 역할My Role
챗봇 대화 UI 컴포넌트 설계, 대화 오케스트레이션 엔진(engine.ts) 및 의도 라우터(routing.ts) 구현, 프롬프트 엔지니어링, 실시간 SSE 토큰 스트리밍 연동, 실제 상용 웹사이트 통합 및 운영 모니터링을 전담 수행.Sole engineer responsible for designing the conversational widget UI, implementing the backend orchestration engine (engine.ts) and intent router (routing.ts), prompt engineering, real-time SSE token streaming, and production integration.
결과 및 성과Results & Impact
실제 LINK21 상용 웹사이트에 성공적으로 탑재되어 실시간 고객 상담을 수행하고 있으며, 초기 응답 지연을 최소화하고 교육과정 카드 직접 멘션을 통해 상세 페이지 유입 및 문의 전환을 크게 향상시켰습니다.Successfully deployed in live production on the official LINK21 website, providing reliable real-time inquiry handling and driving course page engagement through interactive embedded recommendation cards.
나라장터 등 공공입찰 제안요청서(RFP)와 과업지시서는 수백 페이지에 달하며, 참가자격·평가배점·필수요구조건 분석에 막대한 시간과 인력이 소모되고 누락 시 실격 위험이 발생합니다.Public procurement requests for proposals (RFPs) span hundreds of pages. Analyzing qualification criteria, scoring rubrics, and mandatory requirements demands significant human labor, risking disqualification if overlooked.
파이프라인 아키텍처Pipeline Architecture
공고문(PDF/HWP) 업로드 → 텍스트·표(Table) 분리 파싱 및 메타데이터(예산, 기한, 자격) 추출 → ChromaDB 벡터 임베딩 & 하이브리드 검색 → 요구사항 매트릭스(Requirements Matrix) 자동 생성 → 제안서 챕터별 드래프트 생성 Multi-Agent 워크플로우를 구축했습니다.Built an end-to-end workflow: RFP (PDF/HWP) upload → separated text & table parsing with metadata extraction → ChromaDB vector embedding & hybrid search → automated Requirements Matrix generation → chapter-by-chapter proposal drafting via Multi-Agent pipeline.
핵심 로직Core Logic
제안요청서 내 필수 요구사항과 가점 항목을 정형화된 표(매트릭스)로 자동 정리하고, 발주처 맞춤형 기술제안서 목차와 초안을 실시간 스트리밍으로 작성합니다. 또한 이전 우수 낙찰사례 제안서 RAG 인덱스와 대조하여 적합한 전략 문구를 추천합니다.Structures mandatory compliance rules and bonus-point clauses into an automated matrix, streaming customized proposal drafts in real time while referencing winning proposal knowledge bases.
공공입찰 문서 전처리 및 표/서식 파싱 모듈 개발, RAG 기반 검색기 및 요구사항 자동 분석 프롬프트 설계, FastAPI 백엔드 API와 실시간 제안서 생성 엔진 파이프라인 단독 구현.Developed procurement document parsing pipelines, designed RAG retrieval and requirements analysis prompts, and implemented FastAPI endpoints and real-time proposal generation engines.
결과 및 성과Results & Impact
기존 수일이 소요되던 100페이지 이상 RFP 분석 및 요구사항 매트릭스 도출 시간을 수 분 이내로 단축시키고, 맞춤형 제안서 초안 작성을 신속 지원하여 기업 입찰 대응 생산성을 극대화했습니다.Reduced the time required to analyze 100+ page RFPs and extract requirement matrices from several days to minutes, maximizing corporate bidding productivity.
Python · Multi-Agent Orchestration · Codex · Antigravity · Claude
tri-agent-control
문제 정의Problem Definition
단일 LLM 코딩 도구는 편향, 환각, 컨텍스트 한계로 대규모 작업에서 실패하기 쉽습니다. 서로 다른 강점을 지닌 상용 AI 코딩 CLI(Codex, Antigravity, Claude Code)들을 연결해 서로 비판하고 역할을 분담하며 실제 코드를 협력 구현하는 통제 시스템이 필요했습니다.Single LLM tools suffer from bias, hallucinations, and context limits in complex projects. A unified orchestration system was needed to coordinate heterogeneous commercial coding CLIs (Codex, Antigravity, Claude Code) into peer critique, role division, and collaborative implementation.
오케스트레이션 아키텍처Orchestration Architecture
브라우저 Web 대시보드 ↔ 백엔드 파이썬 Orchestrator ↔ 3개 비동기 CLI 서브프로세스. 토론 모드(Debate Mode: 역할 배분 및 방향 논쟁) → 사용자 승인 게이트 → 코딩 모드(Coding Mode: 턴제 코드 작성, 린트/빌드/테스트 자동 검증, 교차 코드 리뷰)의 단계별 파이프라인으로 동작합니다.Browser Web Dashboard ↔ Python Orchestrator ↔ 3 asynchronous CLI subprocesses. Operates through a structured pipeline: Debate Mode (role assignment & peer critique) → User Approval Gate → Coding Mode (turn-based coding, automated lint/build/tests, and cross-model code review).
핵심 기술 및 메모리 최적화Core Logic & Memory Optimization
서로 다른 CLI의 출력 포맷을 정규화하는 ANSI 스트림 파서, 사이클별 코드 변경사항을 보존하는 Git Diff 체크포인트, 독립 세션 간 토큰 낭비를 차단하기 위해 핵심 상태만 6줄로 압축 전달하는 brief.md 및 TEAM_PROMPT.md 메모리 관리 기법을 구현했습니다.Built an ANSI stream parser normalizing disparate CLI outputs, turn-by-turn Git diff checkpointing, and aggressive memory compression using 6-line brief summaries (brief.md) and bounded team prompts to eliminate token waste.
내 역할My Role
멀티 에이전트 서브프로세스 통제 엔진 설계, 실시간 브라우저 웹 대시보드 구현, 라운드로빈 토론 상태 머신 및 TDD 기반 자동 빌드·테스트 배포 게이트 전 과정 단독 기획 및 개발.Designed the multi-agent subprocess control engine, created the real-time browser dashboard, implemented round-robin debate state machines, and built automated TDD test verification gates.
배운 점Key Takeaways
최신 AI CLI 도구들의 내부 프로세스 라이프사이클 제어 기법과 독립 에이전트 간 컨텍스트 동기화 및 토큰 압축의 핵심 엔지니어링 패턴을 깊이 체득했습니다.Gained deep expertise in process lifecycle management for cutting-edge AI CLIs, inter-agent context synchronization, and high-efficiency prompt compression engineering.
Python · RAG · Safety Management
k-safety-law-rag
문제 정의Problem Definition
건설현장 안전관리 프로젝트에서 사고 상황을 입력했을 때 관련 중대재해처벌법, 산업안전보건법 조항과 위반 가능성을 빠르게 확인할 수 있는 관련법령 RAG 파트가 필요했습니다.Needed a regulation RAG component to quickly check relevant clauses of the Serious Accident Punishment Act and Occupational Safety and Health Act, along with violation probability, when accident details are input in a site safety management project.
데이터 흐름Data Flow
법령 PDF를 pdfplumber로 본문·표 분리 추출 → Text·Table 각각 ChromaDB에 임베딩 → 통합 retriever로 유사도 합산 → 질문 유형 판단(direct route / LLM route) → 위반 조항·책임 주체·법령 페이지 출력Extract law texts and tables separately via pdfplumber → Embed Text and Tables into separate ChromaDB → Combined retriever calculates similarity sum → Route query type (direct route vs. LLM route) → Output violated clauses, responsible parties, and reference pages.
시나리오 검증Scenario Verification
아파트 신축 현장에서 철제 자재 낙하로 근로자가 사망한 사례를 입력하고, 해당 사고가 중대재해처벌법상 중대산업재해에 해당하는지와 판단 근거를 함께 질의했습니다.Input a case where a worker died due to falling steel materials at an apartment construction site, and queried whether this falls under serious industrial accidents under the Serious Accident Punishment Act, along with the reasoning.
Text RAG(500자 청킹) + Table RAG(행단위 청킹) 이중 구조 설계, 질문 유형별 direct route 및 6노드 경량 질문 그래프 구현, Citation Validator 출처 검증기 구축, 관리자/일반 계정 분리, SQLite 대화 이력 저장, CLI + HTML/FastAPI 웹 챗봇 UI 2종 구현, 법령 참고 JSON 자동 저장 구조 전체 단독 개발 (수동 평가 정확도 44.4점 ➔ 97.8점 달성)Sole developer. Designed dual Text+Table RAG structure, implemented 6-node question graph and direct routing, built Citation Validator, set up admin/user role separation, configured SQLite chat history, and developed CLI + FastAPI chatbot interfaces (boosted accuracy from 44.4 to 97.8).
답변 결과Results & Outputs
EXAONE-4.0-32B 모델이 사고를 중대산업재해로 정확히 판단하고, 사망자 1명 발생 및 상시 근로자 5명 이상 사업장 기준을 근거로 중대재해처벌법 제2조와 제3조를 제시하도록 응답을 받았습니다. (Pytest 유닛 테스트 38/38 및 시나리오 검증 30/30 100% 통과)The EXAONE-4.0-32B model correctly classified the incident as a serious industrial accident, citing the occurrence of 1 death and the 5+ regular workers criteria, presenting Articles 2 and 3 of the Serious Accident Punishment Act (100% PASS on 38/38 unit tests and 30/30 scenarios).
결과 화면Result Interface
건설현장 안전관리 화면에서 사고 정보, 위반 판단, 판단 근거, 관련 법령 조항, 참고 근거 유사도, 응답 시간을 함께 확인할 수 있도록 구성했습니다.Configured the interface to display accident info, violation judgment, reasoning grounds, relevant clauses, reference similarity score, and API response time.
한계와 개선점Limitations & Improvements
법령 조항의 최신성 관리와 답변 검증 체계를 더 강화하고, 사고 유형별 평가 기준을 구조화하면 실무 적용성이 높아질 수 있습니다.Strengthening version management for regulations, enhancing verification metrics, and structuring evaluation criteria by accident type would improve practical utility.
기존의 정적 금융 대시보드는 글로벌 자산 간의 유기적 상관관계와 거시경제 흐름을 입체적으로 조망하기 어렵고, 데이터 조회와 시황 해석이 분리되어 투자 판단에 지연이 발생합니다.Traditional static financial dashboards struggle to present multi-dimensional correlations across global assets and macro trends, separating data lookup from contextual analysis and delaying decision-making.
시스템 아키텍처System Architecture
Yahoo Finance 및 실시간 금융 지표 수집 → SQLite 시계열 DB 적재 → FastAPI 비동기 API 서빙 → LangGraph 다단계 리서치 에이전트(거시지표 분석, 변동성 감지, 포트폴리오 리스크 평가) → React 19 + Three.js 3D 금융 지구본 및 인터랙티브 인터페이스 렌더링.Yahoo Finance & macro indicators ingestion → SQLite time-series storage → FastAPI async API serving → LangGraph multi-node research agent (macro analysis, volatility detection, risk assessment) → React 19 & Three.js 3D financial globe and interactive UI rendering.
핵심 기능 및 3D 시각화Core Features & 3D Visualization
WebGL 기반 Three.js 3D 지구본에서 글로벌 지수 및 자금 흐름을 시각화하고, RSI·MACD·볼린저 밴드 등 보조지표 자동 계산, 이상 징후 발생 시 LangGraph 에이전트가 인과 관계를 추론해 일일 브리핑 카드를 자동 생성합니다.Visualizes global indices and capital flows on an interactive Three.js 3D globe, automatically calculates technical indicators (RSI, MACD, Bollinger Bands), and triggers LangGraph agents to reason through anomalies and generate daily briefings.
React 19 기반 3D 인터랙티브 대시보드 UI/UX 설계 및 Three.js 씬 최적화, FastAPI 백엔드 엔드포인트 구축, LangGraph 금융 리서치 에이전트 워크플로우 엔드투엔드 단독 개발.Designed the React 19 3D interactive dashboard UI/UX and Three.js scene optimizations, built FastAPI endpoints, and engineered the LangGraph financial research agent workflows end-to-end.
Next.js 14 · TypeScript · Tailwind CSS · Vercel
business-card-auto Live Service
문제 정의Problem Definition
명함 제작 과정에서 디자인 도구의 진입 장벽과 복잡한 인쇄 규격 세팅으로 인해 발생하는 번거로움을 해결하고, 브라우저에서 즉시 개인·기업 맞춤형 명함을 실시간 생성·다운로드할 수 있는 직관적 솔루션이 필요했습니다.Eliminated the high friction of graphic design tools and complex print specification setups by building an intuitive web solution that lets users customize, preview, and generate digital/printable business cards in real time.
프론트엔드 아키텍처Frontend Architecture
Next.js 14 App Router 기반으로 클라이언트 상태 변화를 실시간 감지하여 캔버스/SVG 명함 그래픽을 60fps로 즉각 렌더링하며, 동적 QR 코드(vCard) 연동 및 인쇄 표준(고해상도 PNG/PDF) 변환 파이프라인을 구축했습니다.Built on Next.js 14 App Router, rendering dynamic canvas/SVG business card graphics at 60fps upon client state changes, integrated with dynamic vCard QR codes and high-resolution print export pipelines.
핵심 기능Core Features
가로/세로 비율 지원, 모던·미니멀·테크 등 다양한 프리셋 템플릿, 실시간 컬러 팔레트 커스텀, 스마트폰 카메라로 스캔 가능한 vCard QR 코드 자동 생성, 브라우저 로컬 저장 및 즉각 다운로드 지원.Supports horizontal/vertical layouts, modern/minimalist preset templates, real-time color customizers, smartphone-scannable vCard QR codes, local draft saving, and instant high-res downloads.
컴포넌트 설계부터 렌더링 엔진, QR 코드 생성 모듈, 반응형 UI/UX 인터랙션 디자인 및 Vercel 실서비스 배포·도메인 운영 전 과정 단독 개발.Independently designed component modularity, rendering engines, QR code generation, responsive UX design, and Vercel production deployment and live operations.
Python · Qwen2.5-VL · Computer Vision
construction-accident-vl-agent
문제 정의Problem Definition
건설현장 CCTV 영상에서 사고 상황을 자동으로 신속하게 감지하고 사고 유형, 피해 규모 및 원인 파악을 자동화하여 현장 안전관리를 개선하고자 했습니다.Aimed to improve site safety management by automatically and rapidly detecting accident situations from CCTV footage and automating analysis of accident type, severity, and cause.
데이터 흐름Data Flow
CCTV mp4 비디오 파일로부터 프레임 이미지를 주기적으로 추출하고, 주요 움직임이 포착된 전후 프레임을 결합해 Contact Sheet 이미지를 구성해 Qwen2.5-VL 서버에 전달합니다.Periodically extract frames from CCTV MP4 video files, combine the before/after frames capturing major movements into a Contact Sheet image, and transmit it to the Qwen2.5-VL server.
핵심 로직Core Logic
전체 비디오를 LLM에 전송하는 대신, Agent 로컬 단에서 OpenCV를 활용해 대표 프레임을 추리고 사고 위험이 높은 시점의 전후 프레임을 경량화하여 처리 효율을 극대화했습니다.Instead of uploading the full video to the LLM, the local agent uses OpenCV to filter representative frames and lightweight the before/after frames at high-risk moments to maximize processing efficiency.
사용 기술Technologies
Python, OpenCV, Qwen2.5-VL (Colab Server API), Pydantic(검증 스키마 설계), .env 환경 변수를 구성해 외부 API 클라이언트 흐름을 연동했습니다.Python, OpenCV, Qwen2.5-VL (Colab Server API), Pydantic (schema validation), .env configurations for external API client flow integration.
내 역할My Role
단독 개발로 OpenCV 기반 프레임 분석 및 사고 유력 구간 탐지 모듈 설계, Qwen2.5-VL용 다중 이미지 프롬프트 엔지니어링, SPilot ERD 데이터 규격 매핑 및 DB payload JSON 가공 로직 구현.Sole developer. Designed the OpenCV-based frame analysis and high-probability segment detection module, engineered multi-image prompting for Qwen2.5-VL, mapped SPilot ERD data specs, and implemented DB payload JSON processing.
답변 결과Results & Outputs
추락 사고가 감지된 영상 분석 시, 사고 유형을 "fall_from_height"(추락)로 정확히 탐지하고, 이동식 비계 위 작업자 위치 변화와 붕괴 과정에 대한 구체적인 사고 원인 경위(Details)를 JSON 형태로 도출해 냈습니다.When analyzing footage detecting a fall accident, it accurately identified the type as "fall_from_height", and generated detailed narratives (Details) on the scaffold worker's position change and the collapse progression in JSON.
한계와 개선점Limitations & Improvements
추가적인 YOLO 객체 추적(Worker tracking) 모델 및 작업자 포즈 추정(Pose estimation) 모듈과 결합 시, 작업자 개별 식별 및 사고 전 거동 분석 성능이 더욱 극대화될 수 있습니다.Integrating with a YOLO worker tracking model and pose estimation module would maximize individual worker identification and pre-accident behavior analysis performance.
Python · Flask · Public Data
O2O-demand-forecasting-solution
문제 정의Problem Definition
오늘의집 O2O 서비스 관점에서 어느 지역의 인테리어 시공 수요가 높은지 판단할 수 있도록, 실거래 데이터 기반 수요 점수 체계가 필요했습니다.Needed a transactional-data-based demand scoring framework to identify high-potential interior renovation regions from the perspective of Oohya (Today's House) O2O services.
데이터 흐름Data Flow
공공 API 5종 자동 수집(국토부 매매·전월세·건축HUB 대수선·인테리어업체·상가정보) → 전처리·세그먼트 분류 → 7개 지표 정규화 → Flask API → 네이버 지도 + 대시보드 + AI 챗봇 2종Automated collection of 5 public APIs → Preprocessing & segmentation → 7-metric normalization → Flask API → Naver Maps + Dashboard + Dual AI Chatbots.
핵심 로직Core Logic
7개 지표(거래건수·전월세건수·거래금액·노후도·면적·신규입주·대수선이력) Min-Max 정규화 + 가중합산 수요점수 0~100 산출. 등급 S+/S0/S-/A+/A0/A-/B+… 세분화. 예상 시공비·시장규모 추정 컬럼 자동 산출.Min-Max normalization and weighted sum of 7 indicators (transactions, rents, prices, building age, area, new moves, renovations) to yield a 0-100 demand score. Finely graded (S+, S0, S-, etc.) and estimated market size and renovation costs dynamically.
내 역할My Role
공공 API 5종 연동 · 파이프라인 설계 · Flask RESTful API 10개 엔드포인트 · 네이버 지도 마커 연동(등급/시장규모 모드 토글) · AI 챗봇 2종(Ollama qwen2.5:3b, SQLite 대화 이력) · fuzzy 검색 전체 단독 개발Independently built the 5-API integration, pipeline architecture, 10 Flask API endpoints, Naver Maps marker toggle modes (Grade vs. Market Size), and dual AI Chatbots (Ollama, SQLite chat history).
결과 화면Result Interface
KPI 카드, TOP 10 수요 점수 차트, S/A/B 등급 랭킹 테이블, 시도 필터, 지역·단지명 검색, 점수 산정 설명 화면을 구성했습니다. AI 챗봇 2종(수요점수 챗봇·첫집 구매 가이드)과 네이버 지도 수요 등급 마커까지 통합한 end-to-end 서비스로 완성했습니다.Designed KPI cards, top-10 demand charts, S/A/B rank tables, search filters, and formula explanations. Delivered an end-to-end service integrating dual AI chatbots (demand helper & home buyer guide) and Naver Maps markers.
한계와 개선점Limitations & Improvements
cron 기반 월별 자동 갱신 스케줄러 추가, AI 챗봇 응답 품질 평가 지표(RAGAS 등) 도입, 지도 클러스터링 고도화를 통해 실 서비스 수준으로 확장 가능.Can be scaled by adding monthly cron schedulers, introducing LLM evaluation metrics (e.g., RAGAS), and implementing advanced map marker clustering.
C# · Unity2D · Project Management
Artesia
문제 정의Problem Definition
짧은 기간 안에 Unity2D 게임의 핵심 플레이 흐름, 화면 구성, 팀원별 구현 범위를 정리하고 완성 가능한 개발 계획으로 바꾸는 것이 필요했습니다.Needed to structure the core gameplay loop, screen layouts, and developer scopes for a Unity2D game, transforming them into an achievable production schedule in a limited timeframe.
진행 방식Methodology
게임 시작, 거점, 던전 입장, 탐색 턴, 이벤트 선택, 전투 처리, 아이템 처리, 결과 분기까지 전체 유저 흐름을 정의하고 단계별 구현 우선순위를 정했습니다.Mapped out the complete user journey (game startup, base town, dungeon entry, turn-based exploration, event selection, combat, items, and branching endings) and prioritized feature tasks.
사용 기술Technologies
C#과 Unity2D를 기반으로 캐릭터, 던전, 이벤트, 전투, 아이템, UI 화면이 하나의 플레이 루프로 연결되도록 프로젝트 범위와 기능 단위를 관리했습니다.Managed the scope and feature units based on C# and Unity2D to connect characters, dungeons, events, combat, inventory, and UI screens into a single gameplay loop.
내 역할My Role
PM으로서 게임 콘셉트 정리, 기능 명세, 역할 분배, 일정 관리, 진행 상황 점검을 맡아 팀이 같은 목표와 우선순위로 움직이도록 조율했습니다.As PM, formulated the concept, wrote functional specs, assigned developer roles, scheduled sprints, and tracked progress, keeping the team aligned on unified goals.
결과 화면Result Interface
유저 게임 진행 흐름도와 캐릭터·던전·전투·인벤토리 화면을 연결해, 기획한 플레이 루프가 실제 화면으로 구현되는 과정을 정리했습니다.Linked the user gameplay flowcharts with screens of characters, dungeons, combat, and inventory to document the realization of the conceptualized loop.
배운 점Key Takeaways
PM 역할을 통해 기능을 많이 넣는 것보다 완성 가능한 범위를 정하고, 팀원 간 책임과 의사결정 기준을 명확히 하는 것이 프로젝트 완성도에 중요하다는 점을 배웠습니다.Through the PM role, I learned that setting a realistic scope and defining clear responsibilities and decision-making criteria among team members are far more critical than feature bloating.
Strengths
💡핵심 강점Core Strengths
01
데이터 분석Data Analysis
빅데이터분석기사 보유. 공공 API 5종 파이프라인, RFM·Prophet·SHAP 실전 적용, Flask 서비스 배포까지 end-to-end 구현 경험.Holds Big Data Analysis Engineer certification. End-to-end implementation experience: 5-API pipelines, RFM/Prophet/SHAP analytics, and Flask service deployment.
02
AI 개발AI Development
Azure AI Fundamentals(AI-901) 보유. Text RAG + Table RAG 이중 구조 직접 설계, CCTV 영상 → Contact Sheet → VL 판단 파이프라인 구현, Colab 원격 LLM 서버 아키텍처 구성.Certified Azure AI Fundamentals (AI-901). Designed dual Text+Table RAG structures, implemented CCTV footage-to-Contact Sheet VL analysis pipelines, and configured Colab remote LLM server architectures.
03
인프라 이해Infrastructure & Operations
네트워크관리사 2급. Flask RESTful API 설계, SQLite DB 모델링, TypeScript 프론트엔드, Django 앱 개발 경험 보유.Holds Network Administrator (Level 2) certification. Experienced in Flask RESTful API design, SQLite DB schema design, TypeScript frontends, and Django app development.
희망 근무지Desired Location서울 · 경기 전지역All areas of Seoul and Gyeonggi
지원 직무Target Positions데이터엔지니어 / AI 개발Data Engineer / AI Development
희망 연봉Desired Salary면접 후 결정Negotiable after interview
Contact
데이터와 AI가 만나는 지점에서 일하고 싶습니다.I want to work at the intersection of data and AI.
프로젝트 협업, 채용 제안, 포트폴리오 피드백은 이메일 또는 GitHub로 연락해 주세요.Please reach out via Email or GitHub for project collaborations, job offers, or feedback on my portfolio.
