Projects / 3개

현장 AX와 고객 커뮤니케이션

고객사와 과제를 함께 정의하고, 현장에서 AI가 실제로 쓰이게 만듭니다.

항목을 누르면 내용이 펼쳐집니다.

01 / KMAC / 정부 지원사업 / 팀 프로젝트

AI 데이터 문제해결은행 참여 기업 과제 정의

참여 기업 50개의 대표 및 임원급 담당자와 기업별 AI 활용 과제를 정의하고, 교육 현장에서 업무 상황별 AI 도구를 안내한 정부 지원사업

목표: 정부 지원사업 참여 기업의 AI 활용 과제 정의와 현장 지원
한 일: 참여 기업 50개의 대표 및 임원급 담당자와 기업별 과제 정의
교육 현장에서 Excel MCP, Claude 크롬 확장, Python 크롤링 같은 AI 도구를 업무 상황별로 1대1 안내
결과: 데이터 상태를 기준으로 선별해 권유한 2개 기업 모두 심화 과정 참여
역할: 팀 프로젝트에서 담당 PA를 맡았습니다.

02 / KMAC AX 컨설팅 / 고객사 프로젝트 / 진행 중

관광 기업 축제 안내 RAG 챗봇 PoC

모델 학습 없이 지식베이스 교체만으로 다른 축제에 적용할 수 있는 축제 안내 챗봇. 완성된 서비스가 아니라 고객사가 이어받아 자사 플랫폼에 직접 붙일 수 있는 코드와 인계 자료를 만드는 PoC입니다.

목표: 고객사가 혼자서 새 축제를 추가하고 확장할 수 있는 구조를 만들어, 지식베이스 교체만으로 다른 축제에 적용된다는 것을 증명
지식베이스: 원천 자료는 텍스트 레이어가 없는 스캔 PDF였지만, 다음 축제 자료는 텍스트나 CSV로 올 수 있어 OCR 파이프라인 대신 원천 형식과 무관한 표준 마크다운을 입력으로 받는 구조로 바꿨습니다. 변환은 AI 보조 추출과 원문 대조 검수로 진행했습니다.
모든 항목에 원문, 추정, 기획안에 없음 태그와 출처 페이지를 줄 단위로 붙였습니다. 생성 단계에서 추정 정보는 단정하지 않고, 기획안에 없는 정보는 답하지 않고 운영본부로 안내합니다.
청킹은 섹션 단위로 하되, 표 하나와 하루치 시간표 하나를 각각 한 청크로 묶었습니다.
기획안 안의 일정 불일치와 빠진 응대 정보는 고객사 확인 요청 목록으로 정리했습니다.
처리 흐름: 질문은 입력 가드, 안전 라우터, FAQ 캐시, 하이브리드 검색, 근거 기반 생성, 로그 순서로 처리합니다. 미아나 사고 키워드는 안전 라우터에서 LLM을 거치지 않고 고정 문구와 종합상황실 연결로 바로 응답합니다.
검증된 QnA와 유사도가 높은 질문은 FAQ 캐시에서 즉시 반환하고, 나머지는 축제별 ChromaDB 컬렉션에서 BM25와 벡터 검색을 RRF로 융합해 찾습니다. 답변에는 출처와 플랫폼 링크를 붙입니다.
멀티턴은 직전 2~3턴만 쓰고, 사용자가 말한 현재 위치는 세션에 따로 저장해 다시 묻지 않습니다.
방문객 109명 설문에서 주차 공간 부족이 82표로 가장 많았지만 기획안에는 주차장별 수용 대수가 없어 확인 요청 1순위로 두었습니다. 대기 시간 불만 68표는 실시간 문의로 이어질 것으로 보고, 실시간 정보는 제공하지 않는다고 밝히되 그 수요를 로그 플래그로 측정합니다.
앱 구조: 할당 포트가 하나라 Flask 앱 하나에 챗봇 화면, 스트리밍 API, 어드민을 경로로 나눴습니다. 답변은 SSE로 스트리밍하고, 어드민은 Basic Auth로 보호합니다.
축제별 컬렉션을 서버 시작 시 모두 불러두고 활성 축제를 SQLite 설정 테이블에 저장해, 어드민에서 재시작 없이 축제와 화면 테마를 전환합니다. 축제 ID는 코드 한 곳에서만 읽게 해, URL 기반 동시 운영으로 넓힐 확장 지점을 인계 문서에 남깁니다.
LLM과 임베딩 호출은 각각 함수 하나로 감싸 mock 모드를 두었고, 메시지마다 문의 유형, 캐시 적중, 응답 시간, 출처 문서를 개인정보 마스킹 후 기록합니다.
진행 상황: 위 구조를 구현하고 있습니다. 축제 현장에서 고객사가 주도하는 소수 사용자 테스트와 인터뷰를 앞두고 테스트 과제와 관찰 시트를 먼저 설계해 제안할 예정이며, 이후 코드와 인계 자료를 전달합니다.
역할: 팀이 정한 큰 방향 아래에서 지식베이스 작성, 챗봇 세부 설계와 구현, 인계 자료와 사용자 테스트 설계를 맡고 있습니다.
기술: PythonFlaskSQLiteChromaDBBM25 + RRFSSEgpt-ossLlama 4

03 / 거래량 데이터 분석 / 시계열 예측 방법론 비교

수산물 유통 회사 거래량 예측

Naive 베이스라인부터 통계 모델과 ML 모델까지 동일 조건에서 비교해, 이 데이터로 예측이 성립하는 해상도와 대상을 먼저 특정한 분석 프로젝트

접근: 무거래일이 28%라 일별 예측은 부적합하다고 판단하고, 발주 주기에 맞춘 2주 누적 판매량으로 예측 단위를 재정의했습니다.
Naive를 기준선으로 통계 모델과 ML 모델을 Walk-forward 방식으로 같은 조건에서 비교했습니다.
결론: 전체 합산에서는 2주 단위 WAPE 21.7%로 예측이 성립했지만, 제품군별로 전수 검증하자 8개 중 실무 적용이 가능한 것은 1개뿐이었습니다. 이 결론을 그대로 보고했습니다.
전체 집계에서 성립한 결론이 실제 의사결정 단위에서도 성립하는지는 따로 검증해야 합니다.
역할: 방법론 비교 실험 설계와 결과 보고를 담당했습니다.
기술: Python시계열 예측Walk-forward 검증