Projects / 4개

AI 구현과 검증

모델과 AI 기능을 직접 만들고, 기준을 세워 결과를 검증합니다.

항목을 누르면 내용이 펼쳐집니다.

01 / 2인 팀 / 시스템 설계, SFT, Guardrail

신메뉴 추천 AI

"생성은 LLM, 신뢰성은 Guardrail"이라는 하이브리드 구조로, 마진 위반 메뉴를 구조적으로 차단한 AI 시스템

문제: LLM이 생성하는 메뉴 제안은 창의적이지만 원가와 마진 조건을 지키지 못하는 경우가 잦습니다. 소상공인에게는 마진을 위반하는 제안이 하나라도 섞이면 신뢰할 수 없는 도구가 됩니다.
구조 설계: Qwen3-4B를 QLoRA로 SFT하여 생성 결과가 실제 원가에 근접하도록 학습했습니다.
생성 결과를 규칙 기반 Guardrail이 마진 조건으로 검사해 위반 메뉴를 구조적으로 차단합니다. 모델이 틀려도 최종 출력에서 위반이 살아남지 않습니다.
검증: SFT로 원가 근접율 7.5% → 35%
Guardrail 구조로 마진 위반율 0%
역할: 2인 팀에서 시스템 설계, SFT 학습, Guardrail 구현, 실험까지 전 과정을 단독으로 수행했습니다.
기술: Qwen3-4BQLoRAPython

02 / KMAC AX 컨설팅 / 업무 자동화 / 단독 수행

편당 6~7시간 → 약 30분

목표: 실시간 교육에 불참한 기업도 이수할 수 있도록 강의 녹화본을 사업 포털에 게시하는데, 편당 6~7시간 걸리던 후처리를 담당자가 바뀌어도 반복 사용할 수 있는 구조로 자동화
한 일: 쉬는시간 확정과 자막 교정 채택처럼 사람이 판단할 지점만 남기고 구간 탐지, 음성 인식 자막, 웹캠 마스킹, 분할을 단일 FFmpeg 파이프라인으로 통합
자막 오인식 후보를 AI가 전수 탐지하고 사람은 채택만 판정하는 검증 단계 구축
검증 중 자막이 최대 25초간 남는 표시시간 결함을 직접 발견해 수정
영상별 설정을 JSON으로 분리하고 인수인계 문서 작성
결과: 편당 사람 작업 약 30분
녹화본 3편 → 게시용 6편
사업 포털 게시 후 9개 기업 이수
역할: 설계, 구현, 검증, 문서화까지 단독으로 수행했습니다.
기술: Pythonfaster-whisper large-v3FFmpegClaude Code

03 / KMAC AX 컨설팅 / 고객사 프로젝트

후속 질문 정답률 47% → 97%

목표: 검색 대상 메일을 직원 1명분 2.2만 통에서 3명분 5.4만 통으로 넓혀도 정확도를 지키고, "그 사람 회사는?" 같은 후속 질문에도 답하는 챗봇
한 일: 대화 이력 토큰을 늘려 달라는 고객 요청대로 숫자부터 바꾸지 않고, AI 코딩 에이전트에 시스템 구조를 먼저 파악시켜 원인이 대화 처리 구조에 있음을 확인
실제 실패 사례 기반 평가셋으로 수정마다 회귀 검증
메일 원문의 56%가 반복 인용임을 측정해 청킹 재설계
답변 문장별 출처칩과 근거 카드 추가
결과: 토큰 예산 그대로 구조 6건만 수정해 정답 15 → 26턴
실패 사례 평가셋 기준 연속 대화 정답률 약 60% → 97%, 후속 질문 정답률 47% → 97%
답변 생성 시간 14.8초 → 7.4초
메일당 청크 약 69% 감소, 근거 카드 LLM 비용 추가 0
역할: 문제 정의, 검증 설계, 고객 보고를 맡았습니다. 구현은 AI 코딩 에이전트가 했고, 최종 방향은 시니어가 결정했습니다.
기술: bge-m3ChromaDBBM25 + RRFgpt-oss:120bOllamaFastAPIOpen WebUIClaude Code

04 / KMAC 고도화 컨설팅 / 부산테크노파크 주관 / 4차 활용 컨설팅 단독 수행

한 사람의 여러 사진이 피부가 아니라 얼굴 형상을 학습시키지 않도록, 1인 1장 원칙으로 학습 데이터를 설계한 이미지 분류 모델

문제: 고객사 요청으로 이미지 기반 피부 상태 진단 모델이 과업에 추가되었습니다. 학습에는 성인 1,072명의 얼굴 부위별 사진과 측정 수분값을 담은 AI Hub 공개 데이터 「한국인 피부상태 측정 데이터」를 사용했습니다.
데이터 설계: 한 사람을 여러 각도로 찍은 데이터라 모델이 피부가 아니라 얼굴 형상을 외울 수 있다고 판단했습니다. 그래서 한 사람당 대표 이미지 1장만 쓰는 1인 1장 원칙을 세우고, 부족한 양은 증강으로 보완했습니다.
수분값 분포의 하위 30%를 건조, 상위 30%를 촉촉으로 라벨링하고 중간 40%는 제외했습니다.
턱 부위 수분값은 턱 전체에 해당하는 측정값이라, 측정 단위에 맞춰 224×224px 격자로 분할했습니다.
보고: 검증 정확도 66%, 그리고 건조 72%와 촉촉 58%로 갈린 클래스별 비대칭을 숨기지 않고 그대로 보고했습니다. 정확도보다 먼저 "모델이 무엇을 외울 수 있는가"를 확인하는 것이 이 과제의 핵심이었습니다.
역할: 진행 중인 컨설팅을 중간에 이어받아, 4차 활용 컨설팅에서 피부 상태 진단 모델의 데이터 구성, 학습, 보고를 단독으로 수행했습니다.
기술: Python이미지 분류 모델Image Augmentation