문제를 재현하고.
시스템 경계를 다시 설계하고.
운영 경로에서 끝까지 검증합니다.
운영 환경에서 검증한 대표 작업
문제를 재현하고 구조를 다시 설계해, 실제 사용자가 신뢰할 수 있는 흐름으로 만든 작업들입니다.
-
생성형 AI(K-Bot) 문서 유형별 파싱·청킹 파이프라인
문서 유형별로 파싱·청킹·임베딩 전략을 분리해 RAG 검색 품질을 끌어올린 전처리 시스템
문서 유형과 사용 목적에 따라 전처리 경로를 분리하는 RAG 문서 처리 구조 설계 Backend · AI/RAG · 2025.11 ~ 2026.02 -
생성형 AI(K-Bot) RAG 메타데이터 기반 문서 출처 추적
LLM 답변의 인라인 출처 표기를 청크 메타데이터와 매칭해 실제 문서 근거까지 추적하는 end-to-end 그라운딩 시스템
RAG 답변의 근거를 실제 문서 위치(페이지·슬라이드·행)와 연결해 검증 가능한 답변으로 개선 AI/RAG · Backend · 2025.12 ~ 2026.01 -
생성형 AI(K-Bot) Vector DB 구조 설계 및 임베딩 마이그레이션
partition key 멀티테넌트 구조와, 서비스를 멈추지 않는 임베딩 모델 교체 체계
컬렉션/파티션이 고객·파일 수에 비례해 증가하던 구조를 모델·차원 단위 공용 컬렉션으로 전환해 물리 리소스 증가를 차단 Backend · Database · 2025.11 ~ 2026.04
모델 교체를 설정 변경이 아닌 데이터 마이그레이션으로 다뤘습니다.
기존 서비스를 유지한 채 새 임베딩을 준비하고, 검증이 끝난 뒤에만 적용하는 운영 흐름입니다.
전체 사례 연구 읽기- Prepare 신규 컬렉션 생성
- Migrate 배치 재임베딩
- Verify 개수·정합성 검증
- Apply 서비스 전환
- Observe 실패·복구 추적
기술보다, 어디에서 어떻게 썼는지를 보여줍니다.
각 역량을 실제 프로젝트와 연결해 구현 범위와 판단의 근거를 확인할 수 있습니다.
RAG 검색 품질을 좌우하는 전처리, 청킹, 임베딩, 출처 추적 흐름을 제품 구조 안에서 설계합니다.
-
AI 개발 · 생성형 AI(K-Bot)
영림원소프트랩 AI ERP에 탑재된 생성형 AI(K-Bot)의 백엔드를 개발하며, 문서 전처리부터 Vector DB 구조 및 메타데이터 설계, RAG 답변 출처 추적까지 RAG 파이프라인 전반을 구현했습니다. 이와 함께 AI 에이전트가 자연어만으로 Google Workspace·Microsoft 365 업무를 수행하도록 하는 MCP 서버도 개발했습니다. -
데이터 분석 인턴 · SCR 공정 데이터 진단
LS전선 SCR 단선 영향인자·공정조건 데이터 레디니스 진단 프로젝트에서 데이터 처리·분석을 담당했습니다(기여도 30%). 공정 데이터를 분석해 전선 크랙 발생 원인과 패턴을 규명하고 baseline 예측 모델로 제조 시스템 개선안을 제안했습니다.
복잡한 시스템을 팀이 이해하고 운영할 수 있는 구조로 바꿉니다.
기능을 만드는 데서 멈추지 않고 문제 재현, 경계 설계, 배포, 검증 과정을 기록해 다시 사용할 수 있는 판단으로 남깁니다.
데이터 분석으로 개발을 시작해, 지금은 영림원소프트랩에서 실제 서비스되는 생성형 AI(K-Bot)를 개발하고 있습니다. Python·FastAPI 기반의 백엔드와 Vector DB·임베딩을 활용한 RAG 검색, Azure 기반 데이터 파이프라인을 주로 다루며, 필요할 때는 Svelte·TypeScript로 프론트엔드까지 직접 구현합니다.
소개와 경력 더 보기이력서보다 구체적인 질문을 해보세요.
공개된 프로젝트, 경력, 기술 기록만을 근거로 답합니다.