"From Data to Decisions, One Model at a Time"

class AI_Developer :

def __init__(self) :

self.name = "김진식"

self.speciality = "AI 모델 개발 및 데이터 분석"

self.birth = "1992.03.11"

self.phone = "010.9329.xxxx"

self.edu = "고려대학교 (세종)"

self.major = "정보통계학과"

self.addr = "서울시 강동구"

self.email = "tarag37@xxxx.com"

def introduce(self) :

return f "안녕하세요, 저는 { self .speciality }을 하는 AI 개발자 { self .name }입니다."

me = AI_Developer( )

print(me.introduce( ))

ABOUT ME

"안녕하세요, 저는 AI 모델 개발 및 데이터 분석을 하는 AI 개발자 김진식입니다."

" 문제를 정의하고, 데이터로 해결하는 과정에 집중합니다.

단순히 모델을 학습시키는 것을 넘어, 비즈니스 문제를 데이터 관점에서 재정의하고 실행 가능한 솔루션으로 구체화합니다.
데이터 수집부터 전처리, 모델링, 시각화를 통한 인사이트 도출까지 분석 전 과정을 주도적으로 수행하며, 의사결정에 도움이 되는 결과물을 만들어내는 것을 목표로 하고 있습니다.
머신러닝 및 심층학습 모델 개발 경험을 바탕으로, 데이터의 패턴을 분석하고 예측 모델을 구축하는 과정에 익숙해지고 있으며, 데이터의 특성과 비즈니스 맥락을 함께 고려하는 시각을 갖추기 위해 노력하고 있습니다.

" 기술이 실제로 작동하는 시스템을 만듭니다.

좋은 알고리즘보다 안정적으로 운영되는 시스템이 더 큰 가치를 만든다고 믿으며, 프로토타입을 넘어 실제 환경에서 지속 가능한 서비스를 구축하는 데 집중합니다.
API 설계, 데이터 파이프라인 구축, 자동화 로직 개발 등 기술 스택 전반에 걸친 경험을 통해 백엔드부터 AI 모델 배포까지 end-to-end로 구현하는 것을 경험했습니다.
LLM 기반 시스템에서는 Langchain, ChromaDB, Redis 등을 활용하여 대규모 데이터를 처리하고, 사용자가 체감할 수 있는 응답 품질과 효율성을 구현했습니다.

" 효율과 성능, 그리고 사용자 경험 사이의 균형을 고민합니다.

빠르고 정확한 결과도 중요하지만, 그것이 사용자에게 어떻게 전달되는지, 시스템이 얼마나 직관적으로 이해되는지가 최종 가치를 결정한다고 생각합니다.
모델 성능 최적화뿐만 아니라 응답 속도 개선, 에러 핸들링, 실시간 스트리밍 등 사용자가 실제로 체감하는 경험을 개선하는 작업에 많은 시간을 투자합니다.
정확성과 효율성을 중요하게 생각하며, 끊임없는 학습과 실무 경험을 통해 더 나은 분석가이자 개발자로 성장하려고 노력하고 있습니다.

LangChain & RAG

GPT-4o 기반 클라우드 전용 챗봇 개발 경험을 통해 Chain-of-Thought 구조로 7단계 추론 파이프라인을 설계했습니다.
FAISS와 ChromaDB를 활용한 벡터 검색 기반 RAG 시스템을 구축하고, S3 기반 동적 프롬프트 관리 및 Redis를 통한 컨텍스트 윈도우 최적화로 긴 대화에서도 맥락을 유지하는 시스템을 만들었습니다.

FastAPI

클라우드 챗봇과 리소스 추천 플랫폼 개발에서 FastAPI를 활용해 RESTful API를 설계하고 구현했습니다.
SSE 스트리밍을 통한 실시간 응답 제공, ThreadPoolExecutor 기반 병렬 처리로 성능을 최적화하고, 안정적인 백엔드 시스템을 구축했습니다.

Python & Data Analysis

Pandas와 NumPy를 활용한 대규모 데이터 전처리 및 시계열 분석 경험이 있습니다.
결측치 처리, 정규화, 노이즈 필터링 등 데이터 품질 관리를 수행하고, 동적 임계치 알고리즘을 설계하여 이상 탐지 시스템을 개발했습니다.
Matplotlib과 Seaborn을 활용한 데이터 시각화로 인사이트를 도출했습니다.

Machine Learning & Deep Learning

Transfer Learning 기반 의료 도메인 특화 STT 모델 개발 및 Data Augmentation을 통한 모델 강건성 확보 경험이 있습니다.
가중치 코사인 유사도 알고리즘 설계, ARIMA 및 SEIHR 모델을 활용한 시계열 예측, 하이퍼파라미터 튜닝을 통한 성능 최적화 작업을 수행했습니다.

PROJECT

· MAIN PROJECT

LLM 기반 클라우드 전용 챗봇

Python FastAPI LangChain Redis OpenAI SSE

2025.06 ~ 2025.12 (7개월)

Overview

기간 : 2025.06 ~ 2025.12 (7개월)

역할 : AI Engineer / Backend Developer

요약 : GPT 기반 멀티모달 RAG 시스템 및 실시간 스트리밍 챗봇 AI 파이프라인 개발

Background & Objective

클라우드 기술 문의를 처리하는 AI 챗봇에서 단순 질의응답을 넘어 사용자의 사고 과정을 따라가는 AI 시스템이 필요했습니다.

해결하고자 한 문제 :

기존 LLM은 응답 생성 과정이 블랙박스로 숨겨져 있어 신뢰도 문제 발생

텍스트 전용 모델로는 이미지(오류 화면, 아키텍처 다이어그램) 분석 불가

RAG 시스템에서 검색된 문서의 품질이 최종 답변에 미치는 영향을 추적하기 어려움

다국어 사용자를 위한 실시간 번역 및 컨텍스트 유지 문제

개발 목표 :

Chain-of-Thought(COT) 기반 다단계 추론 과정을 실시간으로 시각화

GPT-4o Vision을 활용한 멀티모달 입력 처리 파이프라인 구축

FAISS 벡터 검색 기반 RAG 시스템으로 답변 정확도 향상

프롬프트 엔지니어링 최적화 및 동적 관리 체계 구축

Technical Implementation

Chain-of-Thought (COT) 기반 다단계 추론 파이프라인

LLM의 사고 과정을 7단계로 분해: 주제 추론 → 검색 쿼리 생성 → 1차 RAG 검색 → 초안 생성 → 보강 쿼리 → 2차 RAG 검색 → 최종 답변

각 단계마다 LLM이 생성한 사고 과정(reasoning)을 JSON으로 추출하여 SSE로 실시간 스트리밍

Prompt Engineering : 각 단계별로 최적화된 프롬프트 템플릿 설계 (주제 분류용, 쿼리 생성용, 답변 생성용 등)

LangChain의 LLMChain을 활용해 단계별 출력을 다음 단계의 입력으로 연결하는 Sequential Pipeline 구현

효과 : 사용자가 AI의 추론 과정을 단계별로 확인 가능, 잘못된 추론 지점 식별 용이

멀티모달 RAG 시스템

Vision API 통합: 업로드된 이미지(최대 3개)를 Base64 인코딩 후 GPT-4o Vision API로 분석

이미지 분석 파이프라인: 개별 이미지 분석 → 다중 이미지 종합(LLM) → 텍스트 질문과 통합 → 통합 쿼리 생성

FAISS 벡터 검색 : 4개 CSP(AWS/Azure/GCP/Oracle) 서비스별 문서를 OpenAI Embeddings로 벡터화하여 FAISS 인덱스 구축

주제 추론 로직 : LLM 예측 + 임베딩 코사인 유사도를 결합한 Hybrid 접근 방식 (LLM이 불확실할 경우 임베딩 유사도로 보정)

2단계 RAG 검색: 1차 검색 결과로 초안 생성 → 초안 기반 보강 쿼리 생성 → 2차 검색으로 더 정확한 문서 검색

효과 : 이미지 포함 질문의 답변 정확도 향상, 관련 문서 검색 정확도 개선

프롬프트 엔지니어링 및 동적 관리 시스템

S3 기반 프롬프트 저장소: 모든 프롬프트를 YAML 형식으로 S3에 저장, 코드 변경 없이 프롬프트만 수정 가능

자동 Placeholder 추출 : YAML 템플릿에서 {variable} 형태의 변수를 정규식으로 자동 추출하여 LangChain PromptTemplate 생성

프롬프트 캐싱 : S3 읽기 비용 절감을 위해 메모리 캐시 구현, 중복 로드 방지

프롬프트 버전 관리 : S3 버전 관리 기능 활용, 프롬프트 A/B 테스트 및 롤백 가능

동적 번역 : 모든 시스템 메시지와 COT 메시지를 감지된 언어로 실시간 번역

Pydantic 구조화 출력 : 번역 응답을 Pydantic BaseModel로 구조화하여 안정성 확보

효과 : 프롬프트 수정 시간 단축, A/B 테스트로 답변 품질 개선

Redis 기반 컨텍스트 윈도우 최적화 및 세션 관리

히스토리 관리 전략 : 최근 10개 대화는 Redis List에 원본 저장, 이전 대화는 LLM으로 요약 후 별도 Redis Key에 저장

컨텍스트 윈도우 관리 : 요약본 + 최근 10개 대화를 결합하여 LLM에 전달, 토큰 제한 내에서 최대한 많은 컨텍스트 유지

세션 검색 기능 : 제목 및 메시지 내용 전문 검색 / 검색어 주변 텍스트 추출하여 스니펫 생성

Pinned 세션 : 중요 대화는 상단 고정 기능으로 빠른 접근 가능

효과 : 세션 복원 성공률 99.9%, 긴 대화에서도 컨텍스트 유지율 95% 이상

System Architecture

AI Pipeline Flow

입력 레이어 : FastAPI → 이미지 전처리 → Vision API 분석

추론 레이어 : LangChain LLMChain → COT 단계별 추론 → JSON 추출

검색 레이어 : FAISS 벡터 검색 → 코사인 유사도 계산 → Top-K 문서 추출

생성 레이어 : 2단계 RAG 검색 → GPT-4o 답변 생성 → SSE 스트리밍

저장 레이어 : Redis 히스토리 저장 → 요약 생성 → 컨텍스트 윈도우 관리

기술스택

LLM : GPT-4o (텍스트), GPT-4o Vision (이미지)

Embeddings : OpenAI text-embedding-ada-002

Vector DB : FAISS (로컬 인덱스)

Orchestration : LangChain

Storage : Redis (세션), S3 (프롬프트)

Key Features

COT 기반 투명한 추론

AI가 "무엇을 생각하고 있는지" 7단계로 나누어 실시간 표시, 블랙박스 문제 해결

멀티모달 RAG

텍스트 + 이미지를 동시에 처리하고 FAISS 벡터 검색으로 관련 문서 기반 답변 생성

동적 프롬프트 관리

S3 YAML 기반 프롬프트 저장으로배포 없이 즉시 수정 가능

컨텍스트 윈도우 최적화

요약 + 최근 대화 결합 전략으로 긴 대화에서도 토큰 제한 내 최대 컨텍스트 유지

Results & Impact

7단계 COT 파이프라인으로 모든 추론 과정 시각화

멀티모달 RAG + 2단계 검색으로 이미지 포함 질문 정확도 대폭 개선

YAML 기반 관리로 수정 시간 단축, A/B 테스트로 품질 개선

요약 기반 윈도우 관리로 긴 대화에서도 맥락 손실 최소화

SSE 스트리밍으로 체감 지연 75% 감소

Tech Stack

AI/ML : GPT-4o · GPT-4o Vision · OpenAI Embeddings · FAISS · LangChain

Backend : Python · FastAPI · Redis · boto3

Data : Pydantic · NumPy · S3 · YAML

Streaming : SSE (Server-Sent Events)

멀티 클라우드 리소스 기반 자동 추천 플랫폼

Python FastAPI OpenAI RAG ChromaDB Embedding

2025.02 ~ 2025.08 (7개월)

Overview

기간 : 2025.02 ~ 2025.08 (7개월)

역할 : AI Engineer

요약 : RAG 기반 멀티 클라우드 (AWS, Azure, GCP, Oracle) 리소스 유사도 분석 및 LLM 추천 시스템 개발

Background & Objective

멀티 클라우드 환경에서 리소스 마이그레이션 시 유사한 스펙의 인스턴스/스토리지를 찾는 것은 수작업으로 진행되어 비효율적이었습니다.

해결하고자 한 문제 :

4개의 CSP 간 인스턴스 스펙 체계가 상이하여 직접 비교가 어려움

스토리지 클래스별 특성과 비용 구조가 복잡하여 최적 선택이 어려움

단순 스펙 매칭으로는 실제 워크로드에 적합한 추천이 불가능

수동 비교 시 시간 소요가 크고 휴먼 에러 발생 가능성 존재

개발 목표 :

벡터 유사도 기반 컴퓨트 인스턴스 매칭 알고리즘 구현

RAG 파이프라인을 통한 스토리지 클래스 추천 시스템 구축

LLM 기반 장 · 단점 분석 및 구조화된 추천 결과 생성

멀티 CSP 병렬 처리로 실시간 추천 응답 제공

Technical Implementation

가중치 코사인 유사도 기반 컴퓨트 매칭 알고리즘

vCPU · Memory · Cost 3개 feature에 가중치(0.30, 0.25, 0.45)를 적용한 Weighted Cosine Similarity 알고리즘 설계

각 feature를 0~1 범위로 정규화 (Min-Max Scaling)하여 스케일 차이로 인한 왜곡 방지

유사도 임계값(0.7) 기반 필터링으로 노이즈 후보 제거 후 Top-10 추출

GPU 포함 여부, OS 타입, 비용 상한 등 도메인 규칙 기반 사전 필터링 적용

효과 : 단순 스펙 매칭 대비 워크로드 적합성 향상, 비용 최적화된 후보 제공

RAG 기반 스토리지 추천 파이프라인

SentenceTransformer (all-MiniLM-L6-v2) 모델로 스토리지 설명 · 특성 · 비용 데이터를 문장 단위 벡터화

ChromaDB에 임베딩 저장 후 쿼리 시 코사인 유사도 기반 Top-K 문서 검색

텍스트 해시 기반 고유 ID 생성으로 중복 임베딩 방지 및 저장 효율화

임베딩 캐싱 구조 적용하여 동일 쿼리 재호출 시 연산 비용 절감

효과 : 스토리지 특성 기반 의미적 유사도 검색으로 추천 정확도 향상

LLM 기반 구조화된 추천 결과 생성

GPT-4o 모델에 RAG 검색 결과 + 필터링된 후보 목록을 컨텍스트로 전달

JSON 응답 포맷 강제 (response_format)로 파싱 안정성 확보

프롬프트 엔지니어링으로 추천 인스턴스 / 스토리지, 장·단점, 키워드를 구조화된 형태로 출력 유도

Temperature 0.0 ~ 0.4 설정으로 일관된 추천 결과 보장

효과 : 단순 스펙 나열이 아닌 비즈니스 관점의 장 · 단점 분석 제공

멀티 CSP 병렬 추론 처리

ThreadPoolExecutor 기반 최대 4 ~ 6개 워커로 CSP별 추천 로직 동시 실행

CSP별 독립적인 DB 세션 관리로 커넥션 충돌 방지

as_completed 패턴으로 먼저 완료된 CSP 결과부터 순차 수집

효과 : 4개 CSP 순차 처리 대비 응답 시간 75% 단축

System Architecture

AI Pipeline Flow

입력 레이어 : FastAPI → JWT 인증 → 요청 파라미터 검증 → CSP별 리전 매핑

데이터 레이어 : PostgreSQL 스펙/비용 조회 → 정규화 전처리 → 도메인 규칙 필터링

임베딩 레이어 : SentenceTransformer 벡터화 → ChromaDB 저장 → 해시 기반 중복 방지

추론 레이어 : 가중치 코사인 유사도 계산 → Top-K 후보 추출 → RAG 컨텍스트 검색

생성 레이어 : GPT-4o 프롬프트 구성 → JSON 구조화 출력 → 장·단점 분석 생성

병렬 처리 레이어 : ThreadPoolExecutor → CSP별 동시 추론 → 결과 병합

기술스택

LLM : GPT-4o

Embeddings : SentenceTransformer (all-MiniLM-L6-v2)

Vector DB : ChromaDB (Persistent)

Backend : FastAPI · SQLAlchemy · PostgreSQL

Cloud Integration : AWS boto3 · 멀티 CSP API

Parallel Processing : ThreadPoolExecutor · concurrent.futures

Key Features

벡터 유사도 기반 인스턴스 매칭

가중치 코사인 유사도로 vCPU · Memory · Cost 균형 잡힌 후보 추출

RAG 기반 스토리지 추천

임베딩 검색으로 스토리지 클래스 특성 기반 의미적 매칭

LLM 구조화 출력

JSON 포맷 강제 + 프롬프트 엔지니어링으로 일관된 추천 결과 생성

병렬 추론 처리

멀티스레드 기반 4개 CSP 동시 처리로 실시간 응답 제공

Results & Impact

가중치 코사인 유사도 알고리즘으로 스펙 + 비용 균형 잡힌 VM 추천 구현

RAG 파이프라인 도입으로 스토리지 특성 기반 의미적 검색 가능

임베딩 캐싱 + 해시 기반 중복 방지로 벡터 DB 저장 효율화

병렬 처리로 4개 CSP 추천 응답 시간 75% 단축

JSON 구조화 출력으로 프론트엔드 연동 및 후처리 용이성 확보

Tech Stack

AI/ML : GPT-4o · SentenceTransformer · ChromaDB · Cosine Similarity

Backend : Python · FastAPI · SQLAlchemy · PostgreSQL

Cloud : AWS boto3 · 멀티 CSP API 연동

Optimization : ThreadPoolExecutor · 임베딩 캐싱 · 해시 기반 중복 방지

동적 임계치 기반 Cloud Compute Resource 이상징후 모니터링 / 예측

Python Pandas NumPy Time Series

2022.04 ~ 2023.06 (1년 3개월)

Overview

기간 : 2022.04 ~ 2023.06 (1년 3개월)

역할 : AI Engineer / Data Analyst

요약 : 시계열 분석 기반 클라우드 리소스 사용량 예측 및 동적 임계치 이상 탐지 시스템 개발

Background & Objective

클라우드 환경에서 수집된 CPU · 메모리 사용량 데이터의 품질 저하와 패턴 분석의 어려움이 있었습니다.

해결하고자 한 문제 :

데이터 적재 과정에서 발생하는 결측치와 노이즈로 인한 분석 신뢰도 저하

고정 임계치는 시간대별 · 요일별 사용 패턴 변동을 반영하지 못함

트렌드와 계절성이 혼재된 시계열 데이터에서 단일 모델 적용의 한계

개발 목표 :

결측치 제거 및 정규화를 통한 고품질 분석용 데이터셋 구축

시간 단위별 동적 임계치 알고리즘으로 적응형 이상 탐지 구현

트렌드 · 계절성 분석 기반 최적 예측 모델 선정

Technical Implementation

시계열 데이터 전처리 파이프라인

클라우드 메트릭 데이터(CPU · 메모리 사용량)에서 결측치 탐지 및 제거 수행

서로 다른 스케일의 지표들을 정규화하여 동일 기준에서 비교 가능하도록 변환

노이즈 제거를 통해 모델 학습에 최적화된 데이터셋 구성

효과 : 데이터 품질 개선으로 예측 모델 학습 안정성 향상

동적 임계치 기반 이상 탐지 알고리즘

분 · 시간 · 일 단위 다양한 시간 윈도우를 활용하여 임계치를 동적으로 산출

시간대별 사용 패턴 변동성을 반영한 적응형 임계치 기준 설정

급격한 스파이크와 점진적 증가 패턴을 구분하여 탐지할 수 있도록 파라미터 튜닝 수행

효과 : 고정 임계치 대비 오탐률 감소, 시간대별 패턴 변동 자동 반영

시계열 예측 모델 비교 및 최적화

트렌드가 강한 데이터, 계절성이 반복되는 데이터, 변동성이 큰 데이터 각각에 대해 다중 모델 실험 수행

데이터 내 반복적으로 나타나는 계절성 패턴 분석으로 주요 주기 · 반복 구조 파악

트렌드 분석을 통해 장기적 증가 · 감소 추세 식별 후 모델 선택에 반영

지속적인 모델 재평가 및 모니터링으로 환경 변화(데이터 양 증가, 패턴 변화)에 대응

효과 : 데이터 특성별 최적 모델 선정으로 예측 정확도 향상

System Architecture

AI Pipeline Flow

수집 레이어 : 클라우드 메트릭 API → 시계열 데이터 적재 → 타임스탬프 정렬

전처리 레이어 : 결측치 제거 → 정규화 → 노이즈 필터링

탐지 레이어 : 다중 시간 윈도우 분석 → 동적 임계치 산출 → 이상 판정

예측 레이어 : 트렌드 · 계절성 분석 → 모델 학습 → 미래 사용량 예측

평가 레이어 : 다중 모델 성능 비교 → 최적 모델 선정 → 지속적 모니터링

기술스택

Data Processing : Python · Pandas · NumPy

Time Series Model : 시계열 예측 모델 (트렌드 · 계절성 분석)

Preprocessing : 결측치 제거 · 정규화 · 노이즈 필터링

Monitoring : 동적 임계치 알고리즘 · 파라미터 튜닝

Key Features

동적 임계치 이상 탐지

시간 단위별 변동성을 반영한 적응형 임계치로 오탐률 감소

시계열 패턴 분석

트렌드 · 계절성 분리 분석으로 장기 흐름과 반복 구조 식별

다중 모델 비교 실험

데이터 특성에 따른 모델 성능 비교로 최적 예측 모델 도출

지속적 모니터링 체계

환경 변화에 유연하게 대응하며 모델 성능 유지 및 개선

Results & Impact

환경 변화에 유연하게 대응하며 모델 성능 유지 및 개선

동적 임계치 도입으로 시간대별 패턴 변동에 유연하게 대응

트렌드 · 계절성 분석으로 리소스 사용 패턴의 주요 특성 파악

다중 모델 비교를 통해 데이터 특성별 최적 예측 모델 선정 체계 구축

지속적 모니터링으로 환경 변화에 대응하며 모델 안정성 유지

Tech Stack

Data Processing : Python · Pandas · NumPy

Time Series : 시계열 예측 모델 · 트렌드 분석 · 계절성 분석

Preprocessing : 결측치 제거 · 정규화

Algorithm : 동적 임계치 알고리즘 · 파라미터 튜닝

의료영상 판독 소견 입력을 위한 AI기반 STT 솔루션

Python STT Transfer Learning Data Augmentation

2021.07 ~ 2021.11 (5개월)

Overview

기간 : 2021.07 ~ 2021.11 (5개월)

역할 : AI Engineer

요약 : 의료 도메인 특화 음성 인식 모델 개발 및 데이터 증강 기반 STT 성능 최적화

Background & Objective

의료 인프라가 부족한 지역에서 영상 판독 · 보고서 작성 등 의료 서비스 접근성이 떨어지는 문제를 해결하기 위해 AI 기반 음성 인식 시스템을 개발했습니다.

해결하고자 한 문제 :

의료 용어가 포함된 음성 데이터는 일반 STT 모델의 인식 정확도가 낮음

다양한 발화 환경(소음, 발화 속도 차이)에서 모델 성능 저하 발생

숫자, 단위, 특수문자 등 의료 보고서 특유의 표현 처리 어려움

개발 목표 :

의료 도메인 특화 텍스트 전처리 파이프라인 구축

데이터 증강 기법을 통한 모델 강건성 확보

Transfer Learning 기반 의료 음성 인식 모델 최적화

Technical Implementation

의료 텍스트 데이터 정제 및 전처리

숫자, 단위, 연산부호, 특수문자 등을 정규화 처리하여 일관된 텍스트 형태로 변환

불용어 제거를 통해 의료 분석에 불필요한 패턴을 제거하고 목적 지향적인 데이터셋 구축

노이즈를 줄여 모델 학습에 최적화된 텍스트 기반 훈련 데이터를 구성

효과 : 전처리 파이프라인 표준화로 데이터 품질 향상 및 모델 학습 안정성 확보

데이터 증강 기반 모델 강건성 강화

White Noise Injection 기법을 적용해 다양한 환경 노이즈에 대응할 수 있도록 모델의 강건성 확보

Speed Perturbation (속도 조절) 기법을 적용하여 다양한 발화 속도의 데이터를 생성하고 모델 적응력 향상

의료 음성 데이터 특성에 맞는 증강 기법 적용으로 실제 환경 변화에도 안정적인 성능 확보

효과 : 노이즈 · 속도 변화 등 실제 환경 변동에 견고한 모델 성능 달성

Transfer Learning 기반 의료 도메인 특화 모델 개발

사전 학습된 음성 모델을 Transfer Learning 방식으로 의료 도메인에 재학습

의료 데이터 특성에 맞춰 레이어 설정 및 파라미터 조정으로 맞춤형 모델 구조 설계

지속적인 파라미터 튜닝과 반복 학습을 통해 의료 분야에 적합한 예측 정확도 확보

WER (Word Error Rate) 0.28, Recognition Accuracy 92% 달성하여 의료 현장 적용 가능성 입증

효과 : 일반 STT 모델 대비 의료 용어 인식 정확도 대폭 향상

System Architecture

AI Pipeline Flow

입력 레이어 : 의료 음성 데이터 입력 → 오디오 전처리 → 특징 추출 (MFCC 등)

증강 레이어 : White Noise Injection → Speed Perturbation → 증강 데이터셋 생성

전처리 레이어 : 텍스트 정규화 → 불용어 제거 → 특수문자 처리

학습 레이어 : 사전 학습 모델 로드 → Transfer Learning → 파라미터 튜닝

평가 레이어 : WER · Accuracy 측정 → 모델 성능 검증 → 최적 모델 선정

기술스택

Speech Recognition : Transfer Learning 기반 음성 인식 모델

Data Augmentation : White Noise Injection · Speed Perturbation

Text Processing : 정규화 · 불용어 처리 · 특수문자 정제

Evaluation : WER(Word Error Rate) · Recognition Accuracy

Key Features

의료 도메인 특화 전처리

숫자 · 단위 · 특수문자 정규화로 의료 보고서 특유의 표현 처리

데이터 증강 기반 강건성

노이즈 주입 · 속도 변화 증강으로 실제 환경 변동에 견고한 모델 구축

Transfer Learning 최적화

사전 학습 모델을 의료 도메인에 재학습하여 도메인 특화 성능 확보

높은 인식 정확도

WER 0.28, Recognition Accuracy 92% 달성으로 실무 적용 가능성 검증

Results & Impact

의료 도메인 특화 전처리 파이프라인 구축으로 데이터 품질 향상

데이터 증강 기법 적용으로 노이즈 · 속도 변화 등 실제 환경 변동에 강건한 모델 확보

Transfer Learning 기반 재학습으로 일반 STT 모델 대비 의료 용어 인식 정확도 향상

WER 0.28, Recognition Accuracy 92% 달성으로 의료 현장 적용 가능성 입증

의료 영상 판독 보고서 자동화를 지원하여 의료 인력 부족 문제 완화에 기여

Tech Stack

Speech Recognition : Transfer Learning 기반 음성 인식 모델

Data Augmentation : White Noise Injection · Speed Perturbation

Text Processing : Python · 정규화 · 불용어 처리

Evaluation : WER · Recognition Accuracy

Post-코로나 도시감염병 대응을 위한 솔루션

Python ARIMA SEIHR Visualization

2021.02 ~ 2021.06 (5개월)

Overview

기간 : 2021.02 ~ 2021.06 (5개월)

역할 : AI Engineer / Data Analyst

요약 : 빅데이터 · AI 기반 지역별 감염 취약성 분석 및 확진자 발생 예측 모델 개발

Background & Objective

코로나19로 인한 사회 · 경제적 피해와 의료 부담을 줄이기 위해 빅데이터와 인공지능을 활용한 감염병 확산 예측 시스템을 구축했습니다.

해결하고자 한 문제 :

데이터 적재 과정에서 발생하는 결함 및 결측치로 인한 분석 신뢰도 저하

지역별 감염 취약성을 정량적으로 분석할 수 있는 체계 부재

단기 · 중장기 확진자 발생 추이를 예측할 수 있는 모델 필요

개발 목표 :

결측치 처리 및 데이터 최적화를 통한 고품질 분석 데이터셋 구축

ARIMA · SEIHR 모델 기반 시계열 예측으로 확진자 발생 추이 예측

시각화 기반 분석 결과 전달로 방역 의사결정 지원

Technical Implementation

데이터 관리 및 품질 모니터링

데이터 적재 과정에서 발생할 수 있는 결함 · 결측치를 식별하고 즉각 대응하여 데이터 품질 유지

문제 발생 시 이슈 관리 체계를 통해 데이터 상태를 지속적으로 추적하고 안정적인 적재 환경 유지

품질 보증 중심의 데이터 관리 프로세스 구축

효과 : 분석 신뢰도 향상을 위한 고품질 데이터 파이프라인 확보

결측치 처리 및 데이터 최적화

결측치 처리 · 변수 선택 등을 수행하여 분석의 정확성과 효율성 극대화

샘플링 · 스케일링을 통해 데이터 대표성을 확보하며 모델의 일관성 유지

카테고리형 변수를 더미화하여 모델 해석성과 분석 효율성 향상

효과 : 예측 모델링에 최적화된 데이터셋 구성

감염병 확진자 예측 모델링

ARIMA, SEIHR 모델을 활용하여 단기 · 중장기 확진자 수 예측

RMSE 8.29, MAE 6.19의 성능 지표를 달성하여 모델 정확성 검증

모델 성능 지표를 지속적으로 분석하고 모니터링하여 예측 정밀도 향상

전염병 확산 패턴을 수학적 · 통계적 모델로 해석하고 정책적 의사결정에 필요한 핵심 정보 제공

효과 : 방역 자원 배분 및 공중보건 전략 수립에 활용 가능한 예측 지표 도출

시각화 기반 분석 결과 전달

Matplotlib, Seaborn, Plotly 등 시각화 도구로 확진자 증가 추세 및 예측 결과 시각화

시각화를 통해 방역 전략 수립에 필요한 인사이트 생성

모델 결과의 해석 · 활용도를 높이기 위한 시각적 데이터 표현 체계 구축

효과 : 정책 수립 시 직관적인 데이터 기반 의사결정 지원

System Architecture

AI Pipeline Flow

수집 레이어 : 감염병 데이터 수집 → 데이터 적재 → 품질 모니터링

전처리 레이어 : 결측치 처리 → 변수 선택 → 샘플링 · 스케일링 → 더미화

모델링 레이어 : ARIMA 모델 학습 → SEIHR 모델 학습 → 성능 평가

예측 레이어 : 단기 · 중장기 확진자 수 예측 → 신뢰 구간 산출

시각화 레이어 : 예측 결과 시각화 → 인사이트 도출 → 리포트 생성

기술스택

Prediction Model : ARIMA · SEIHR

Data Processing : Pandas · NumPy · 결측치 처리 · 스케일링 · 샘플링

Visualization : Matplotlib · Seaborn · Plotly

Evaluation : RMSE · MAE

Key Features

데이터 품질 관리 체계

적재 과정 결함 탐지 및 결측치 처리로 분석 신뢰도 확보

다중 예측 모델 적용

ARIMA · SEIHR 모델을 활용한 단기 · 중장기 확진자 예측

시각화 기반 인사이트 전달

확진자 추이 및 예측 결과를 직관적으로 전달하는 시각화 체계

정책 의사결정 지원

방역 자원 배분 및 공중보건 전략 수립에 활용 가능한 지표 제공

Results & Impact

데이터 품질 관리 및 정제 과정을 통해 안정적이고 신뢰도 높은 분석 데이터셋 확보

ARIMA · SEIHR 모델 기반 예측에서 RMSE 8.29, MAE 6.19 달성으로 높은 예측 정확성 검증

방역 자원 배분 및 공중보건 의사결정에 활용 가능한 지표 제공

감염 취약성 분석을 통해 지역별 대응 전략 수립 가능

시각화 기반 리포트로 정책 수립 시 활용도 증가

Tech Stack

Prediction Model : ARIMA · SEIHR

Data Processing : Python · Pandas · NumPy

Preprocessing : 결측치 처리 · 변수 선택 · 스케일링 · 샘플링 · One-Hot Encoding

Visualization : Matplotlib · Seaborn · Plotly

Evaluation : RMSE · MAE

· SUPPORTING & PERSONAL PROJECTS

통합 심사분석 시스템 Text Analysis

Python NLP 형태소 분석 Visualization

2020.09 ~ 2021.01 (5개월)

Overview

기간 : 2020.09 ~ 2021.01 (5개월)

역할 : AI Engineer / Data Analyst

요약 : 대규모 비정형 텍스트 데이터 기반 NLP 전처리 파이프라인 구축 및 키워드 분석 시스템 개발

Background & Objective

내부 보고서 (PDF · HWP)와 신문기사 등 대규모 비정형 텍스트 데이터를 통합적으로 수집 · 정제하여 데이터 기반 의사결정을 지원하는 분석 환경이 필요했습니다.

해결하고자 한 문제 :

PDF · HWP 등 다양한 문서 형식에서 텍스트 추출 및 통합 처리의 어려움

특수문자 · 광고성 문구 · 중복 문장 등 노이즈로 인한 분석 품질 저하

대규모 텍스트에서 핵심 키워드와 패턴을 효율적으로 식별하기 어려움

개발 목표 :

다양한 문서 형식을 통합 처리하는 텍스트 변환 파이프라인 구축

형태소 분석 기반 토큰화 및 NLP 전처리 데이터셋 생성

키워드 분석 및 시각화를 통한 인사이트 도출 체계 구축

Technical Implementation

텍스트 데이터 변환 및 정제

내부 보고서 약 5,000건 (PDF, HWP)과 신문기사 약 6,221,755건 (RDB)을 텍스트로 변환하여 분석 가능한 형태로 가공

PDF · HWP 각각에 맞는 파싱 기법을 활용해 구조화된 텍스트 데이터셋 구축

문서 내 반복 발생하는 문장을 제거해 중복 데이터를 최소화하고 데이터 간결성 확보

효과 : 이기종 문서 형식을 통합 처리하는 표준화된 파이프라인 확보

형태소 분석 및 데이터셋 생성

정제된 문서에 대해 특수문자 · 광고성 문구 · 불필요한 공백 제거로 데이터 일관성 확보

품질 저하 요소(부정확한 정보 · 불필요한 문구)를 제거하여 NLP 모델 학습에 적합한 데이터 구성

형태소 분석 기반 토크나이징을 수행해 텍스트를 세분화하고, 최종적으로 학습용 데이터셋으로 변환

토크나이징된 결과를 분석 입력값으로 최적화하여 모델이 활용 가능한 형태로 준비

효과 : 형태소 단위 분석이 가능한 고품질 NLP 데이터셋 구축

키워드 분석 및 시각화 기반 패턴 탐지

형태소 단위의 가중치 분석을 통해 문서 내 핵심 요소를 선별

워드클라우드를 생성해 주요 키워드를 시각적으로 표현

단어 비율을 기반으로 파이 차트, 단어 빈도수를 기반으로 막대그래프를 제작

가중치가 높은 핵심 단어와 연관어를 분석해 단어 간 관계 구조 파악

문서 내 핵심 단어 포함 문장을 추출하여 주요 패턴 및 흐름 분석

효과 : 대규모 텍스트에서 핵심 키워드 및 연관 관계 시각적 식별 가능

System Architecture

AI Pipeline Flow

수집 레이어 : PDF · HWP 파싱 → RDB 텍스트 추출 → 통합 데이터 적재

전처리 레이어 : 특수문자 제거 → 중복 문장 제거 → 광고성 문구 필터링

분석 레이어 : 형태소 분석 → 토크나이징 → 가중치 산출

시각화 레이어 : 워드클라우드 생성 → 파이차트 · 막대그래프 제작 → 연관어 분석

출력 레이어 : 핵심 키워드 추출 → 문장 추출 → 인사이트 리포트 생성

기술스택

Document Parsing : PDF · HWP 파싱

NLP : 형태소 분석 · 토크나이징 · 불용어 처리

Text Processing : 특수문자 제거 · 중복 제거 · 정규화

Visualization : WordCloud · Matplotlib · Seaborn · Plotly

Key Features

이기종 문서 통합 처리

PDF · HWP · RDB 등 다양한 형식의 문서를 통합 파싱하여 텍스트 추출

형태소 분석 기반 전처리

토크나이징 및 불용어 처리로 NLP 모델 학습에 최적화된 데이터셋 생성

키워드 가중치 분석

형태소 단위 가중치 산출로 문서 내 핵심 요소 정량적 식별

시각화 기반 인사이트 도출

워드클라우드 · 그래프 분석을 통한 주요 키워드 및 패턴 시각화

Results & Impact

대규모 비정형 텍스트 데이터를 구조화하여 분석 가능한 고품질 NLP 데이터셋 확보

중복 제거 · 정제 과정을 통해 데이터 품질과 일관성을 크게 향상

형태소 분석 기반 토크나이징으로 모델 학습용 데이터 구성 효율성 향상

워드클라우드 · 그래프 분석을 통한 주요 키워드 및 패턴 시각화 제공

내부 보고서 및 기사 데이터에서 도출된 인사이트를 통해 데이터 기반 의사결정 지원

Tech Stack

Document Parsing : PDF · HWP 파싱

NLP : 형태소 분석 · 토크나이징 · 불용어 처리

Text Processing : Python · 특수문자 제거 · 중복 제거

Visualization : WordCloud · Matplotlib · Seaborn · Plotly

데이터품질 - 활용체계 구축 (KAI 파견)

Python Machine Learning Random Forest XGBoost Deep Learning

2021.12~2022.03 (4개월)

Overview

기간 : 2021.12 ~ 2022.03 (4개월)

역할 : AI Engineer / Data Analyst

요약 : 머신러닝 기반 Lead Time 예측 모델 개발 및 다중 알고리즘 성능 비교 실험

Background & Objective

내부 데이터의 품질 문제와 Lead Time 예측의 부정확성으로 인해 리소스 운영 및 일정 계획 수립에 어려움이 있었습니다.

해결하고자 한 문제 :

내부 데이터에 포함된 결측치와 불필요한 데이터로 인한 분석 신뢰도 저하

Lead Time 예측의 부정확성으로 인한 일정 계획 수립의 어려움

단일 모델 적용으로는 다양한 데이터 특성에 대응하기 어려움

개발 목표 :

결측치 제거 및 데이터 정제를 통한 고품질 분석용 데이터셋 구축

Random Forest, XGBoost, Deep Learning 등 다중 모델 비교 실험 수행

최적 모델 선정을 통한 Lead Time 예측 정확도 향상

Technical Implementation

내부 데이터 정제 및 결측치 처리

불필요하거나 손상된 데이터를 선별하여 제거해 데이터 품질을 향상

결측치를 제거하여 분석 결과의 신뢰성을 확보하고 데이터셋 일관성 유지

결측치 처리와 정제 과정을 통해 모델 학습에 적합한 데이터 구조를 구축

효과 : 정제된 데이터셋 구축으로 예측 모델 학습 안정성 향상

머신러닝 기반 Lead Time 예측 모델 구축

정제된 데이터를 기반으로 Random Forest, XGBoost, Deep Learning 모델을 적용해 Lead Time 예측 수행

다양한 모델을 실험하여 알고리즘별 성능을 비교하고 최적의 모델을 도출

모델 최적화 및 하이퍼파라미터 조정을 통해 예측 성능을 지속적으로 개선

효과 : 데이터 특성에 맞는 최적 모델 선정으로 예측 정확도 향상

모델 성능 평가 및 검증

각 모델의 성능을 정량적으로 평가하여 비교 분석 수행

교차 검증을 통해 모델의 일반화 성능 검증 및 과적합 방지

예측 결과를 통해 리소스 배분 · 일정 관리 의사결정에 활용 가능한 기반 확보

효과 : 신뢰성 있는 모델 선정으로 의사결정 품질 향상

System Architecture

AI Pipeline Flow

수집 레이어 : 내부 데이터 로딩 → 데이터 탐색 → 품질 점검

전처리 레이어 : 불필요 데이터 제거 → 결측치 처리 → 데이터 정규화

모델링 레이어 : Random Forest 학습 → XGBoost 학습 → Deep Learning 학습

평가 레이어 : 성능 지표 산출 → 모델 비교 → 교차 검증

출력 레이어 : 최적 모델 선정 → Lead Time 예측 → 결과 제공

기술스택

Machine Learning : Random Forest · XGBoost

Deep Learning : Deep Learning 모델

Data Processing : Python · Pandas · NumPy

Preprocessing : 결측치 처리 · 불필요 데이터 제거 · 정규화

Key Features

데이터 품질 개선

결측치 제거 및 데이터 정제로 분석에 적합한 고품질 데이터셋 구축

다중 모델 비교 실험

Random Forest, XGBoost, Deep Learning 등 다양한 알고리즘 성능 비교

하이퍼파라미터 최적화

모델별 파라미터 튜닝을 통한 예측 성능 지속적 개선

Lead Time 예측

최적 모델 기반 Lead Time 예측으로 일정 계획 수립 지원

Results & Impact

결측치 제거 및 데이터 정제를 통해 분석에 적합한 고품질 데이터셋 확보

Random Forest, XGBoost, Deep Learning 등 다양한 모델 실험으로 최적 예측 성능 달성

예측 정확도 향상으로 내부 리소스 운영 및 일정 계획의 효율성 강화

Lead Time 예측의 신뢰성 확보로 의사결정 과정의 품질 개선

다중 모델 비교 체계 구축으로 향후 유사 프로젝트에 재활용 가능한 파이프라인 확보

Tech Stack

Machine Learning : Random Forest · XGBoost

Deep Learning : Deep Learning 모델

Data Processing : Python · Pandas · NumPy

Preprocessing : 결측치 처리 · 불필요 데이터 제거 · 정규화

Evaluation : 성능 지표 비교 · 교차 검증

클라우드 API 사전 활용을 통한 위협 탐지 및 대응

Python Selenium XPATH Markdown

2022.10 ~ 2024.04 (1년 7개월)

Overview

기간 : 2022.10 ~ 2024.04 (1년 7개월)

역할 : AI Engineer / Data Engineer

요약 : AWS API 이벤트 자동 수집 크롤러 개발 및 XPATH 변경 자동 탐지 시스템 구축

Background & Objective

AWS API에서 발생하는 다양한 이벤트 정보를 수동으로 수집하는 것은 비효율적이고, 웹 페이지 구조 변경 시 크롤링이 실패하는 문제가 있었습니다.

해결하고자 한 문제 :

AWS API 이벤트 정보를 수동으로 수집하는 방식의 비효율성

크롤링 대상 페이지의 HTML 구조 변경 시 XPATH가 무효화되어 수집 실패 발생

이벤트 데이터의 변경 이력을 추적하고 관리할 수 있는 체계 부재

개발 목표 :

AWS API 이벤트 정보를 자동으로 수집하는 크롤러 설계 및 구축

XPATH 변경을 자동으로 탐지하고 업데이트하는 기능 구현

이벤트 데이터를 마크다운 형식으로 변환하여 저장하고 변경 이력을 버전 관리

Technical Implementation

API 이벤트 크롤러 개발

AWS API에서 발생하는 이벤트 정보를 자동으로 수집하기 위한 크롤러를 설계 및 개발

이벤트 카테고리, 서비스명, 이벤트 이름, 설명, URL, 이벤트 페이지 전체 HTML 등 모든 핵심 요소를 수집하도록 구성

크롤러 성능 향상을 위해 지속적인 테스트 및 파라미터 조정 수행

효과 : 수작업 없이 AWS API 이벤트 데이터를 자동으로 수집하는 안정적 시스템 구축

XPATH 변경 자동 감지 및 업데이트

크롤링 대상 페이지의 XPATH 구조가 변경될 경우 이를 자동으로 탐지하는 로직 구현

변경된 XPATH를 실시간으로 반영하여 수집 작업이 즉시 정상화되도록 자동 업데이트 적용

자동화된 경로 업데이트 기능으로 XPATH 변경으로 인한 크롤링 실패를 최소화

구조 변경 시 발생할 수 있는 오류를 줄이고, 데이터 수집 과정의 안정성을 강화

효과 : HTML 구조 변경에도 크롤링 연속성 유지, 운영 안정성 향상

마크다운 기반 이벤트 데이터 저장

크롤링하여 수집된 이벤트 데이터를 마크다운 형식으로 변환하여 구조화

변환된 데이터는 데이터베이스에 저장되어 다양한 조회 및 분석 요청에 쉽게 활용 가능

모든 이벤트를 동일한 포맷으로 관리해 사용자에게 일관된 정보 제공

자동 변환 · 저장 파이프라인을 구축하여 분석 · UI 표출 · 문서화 모두 쉽게 처리 가능한 데이터셋 확보

효과 : 검색 · 조회 · 문서화 효율성 증가

이벤트 변경 이력 추적 및 관리

지속적인 크롤링을 통해 새로운 이벤트와 변경된 이벤트를 자동으로 식별

변경 발생 시, 변경 전 · 후 데이터를 비교하여 바뀐 부분을 정확히 기록하고 이력 관리하도록 설계

변경 이력을 버전 관리 방식으로 저장하여 과거 상태를 언제든지 조회 가능

보안 및 운영 관점에서 중요한 데이터 변화 관리를 자동화하여 추적성과 안정성을 확보

효과 : 장기적 관점에서 유지보수 부담 감소 및 시스템 안정성 증대

System Architecture

AI Pipeline Flow

수집 레이어 : AWS 이벤트 대상 페이지 → Selenium 크롤링 → HTML 파싱

탐지 레이어 : XPATH 구조 분석 → 변경 감지 → 자동 경로 업데이트

변환 레이어 : 이벤트 데이터 추출 → 마크다운 변환 → 구조화

저장 레이어 : 데이터베이스 저장 → 변경 이력 기록 → 버전 관리

모니터링 레이어 : 신규 · 변경 이벤트 식별 → 변경 전후 비교 → 이력 추적

기술스택

Crawling : Python · Selenium · HTML Parsing

Path Detection : XPATH 변경 자동 감지

Data Processing : 마크다운 변환 · 데이터 구조화

Storage : 데이터베이스 저장 · 버전 관리

Key Features

자동화된 이벤트 크롤링

AWS API 이벤트 정보를 자동으로 수집하는 크롤러로 수작업 제거

XPATH 변경 자동 탐지

HTML 구조 변경 시 XPATH를 자동으로 감지하고 업데이트하여 크롤링 연속성 유지

마크다운 기반 데이터 관리

모든 이벤트 데이터를 일관된 마크다운 형태로 저장하여 검색 · 조회 · 문서화 효율성 증가

버전 기반 변경 이력 관리

변경 전후 데이터를 비교하고 버전 단위로 저장하여 과거 상태 조회 및 추적 가능

Results & Impact

수작업 없이 AWS API 이벤트 데이터를 자동으로 수집할 수 있는 안정적 크롤링 시스템 구축

XPATH 변경 자동 감지 기능으로 크롤링 실패율을 크게 감소시키며 운영 안정성 향상

모든 이벤트 데이터를 마크다운 형태로 일관성 있게 저장해 검색 · 조회 · 문서화 효율성 증가

변경 이력을 버전 단위로 관리함으로써 보안 · 운영 측면의 데이터 추적성과 관리 편의성 강화

장기적 관점에서 유지보수 부담 감소 및 시스템 안정성 증대

Tech Stack

Crawling : Python · Selenium · HTML Parsing

Path Detection : XPATH 변경 자동 감지

Data Processing : 마크다운 변환 · 데이터 구조화

Storage : 데이터베이스 저장 · 버전 관리 · 변경 이력 추적

Kraton VPN

Python NestJS TypeScript TypeORM

2024.11 ~ 2025.02 (4개월)

Overview

기간 : 2024.11 ~ 2025.02 (4개월)

역할 : Backend Developer

요약 : VPN 애플리케이션 백엔드 시스템 설계 및 RESTful API 서버 구축

Background & Objective

VPN 애플리케이션의 안정적인 서비스 운영을 위해 백엔드 시스템을 설계하고 API 서버를 구축해야 했습니다.

해결하고자 한 문제 :

VPN 애플리케이션의 안정적인 서비스 운영을 위해 백엔드 시스템을 설계하고 API 서버를 구축해야 했습니다.

데이터 흐름 최적화를 통한 서비스 응답 속도 개선 필요

서버 성능 및 안정성 확보를 위한 체계적인 아키텍처 설계 필요

개발 목표 :

VPN 서비스에 필요한 백엔드 아키텍처 설계 및 서버 환경 구축

사용자 요청 처리 로직 및 데이터 흐름 최적화

서버 성능 개선 및 운영 안정성 확보

Technical Implementation

VPN 백엔드 아키텍처 설계 및 서버 환경 구축

VPN 서비스에 필요한 백엔드 아키텍처를 설계하고 데이터 처리 기반을 구성

클라이언트 요청을 처리하는 RESTful API를 설계 · 개발하여 안정적인 데이터 흐름 확보

Controller, Service, Module 구조를 바탕으로 RESTful API를 설계하고 구현

데이터베이스 구조를 최적화하여 빠른 데이터 읽기 · 쓰기 성능을 지원

효과 : 데이터 일관성과 보안성을 고려한 백엔드 구조 구성

사용자 요청 처리 로직 및 데이터 흐름 최적화

사용자 인증 및 요청 처리를 위한 서버 로직을 구현하여 안정적인 서비스 운영 지원

DTO와 데코레이터를 활용한 데이터 유효성 검사 및 요청 데이터 처리 작업 진행

TypeORM을 이용해 데이터베이스와 연동 및 CRUD 작업 수행

요청 · 응답 사이의 데이터 흐름을 최적화하여 전반적인 서비스 처리 속도 개선

효과 : 응답 속도 향상 및 서버 부하 최소화

서버 성능 개선 및 운영 안정성 확보

백엔드 서버의 성능을 개선하여 고가용성을 유지하고 서비스 장애를 예방

로그 관리 및 예외 처리 시스템을 구축해 오류 발생 시 즉각적인 대응 가능

서버 리소스 사용량 분석을 통해 최적화 작업을 수행하여 운영 효율성 향상

효과 : 안정적인 서비스 운영 환경 구축 및 유지보수 용이성 확보

System Architecture

Backend Pipeline Flow

입력 레이어 : 클라이언트 요청 → 인증 미들웨어 → 요청 파라미터 검증

처리 레이어 : Controller → Service → 비즈니스 로직 처리

데이터 레이어 : TypeORM → 데이터베이스 연동 → CRUD 작업

응답 레이어 : 응답 데이터 구성 → 클라이언트 반환

모니터링 레이어 : 로그 관리 → 예외 처리 → 성능 모니터링

기술스택

Backend Framework : NestJS · TypeScript

Database : TypeORM · 데이터베이스 설계 및 최적화

API : RESTful API · DTO · 데코레이터

Monitoring : 로그 관리 · 예외 처리 시스템

Key Features

RESTful API 설계 및 구현

Controller · Service · Module 구조 기반의 체계적인 API 설계

데이터 유효성 검사

DTO와 데코레이터를 활용한 요청 데이터 검증 및 처리

데이터베이스 연동

TypeORM 기반 데이터베이스 연동 및 CRUD 작업 수행

운영 안정성 확보

로그 관리 및 예외 처리 시스템으로 장애 대응 체계 구축

Results & Impact

VPN 서비스의 핵심 백엔드 흐름을 구축하여 안정적인 데이터 처리 기반 확보

RESTful API 설계로 클라이언트 요청 처리의 일관성 및 확장성 확보

데이터 흐름 최적화를 통해 응답 속도 개선 및 서버 효율성 증가

로그 및 오류 처리 시스템 도입으로 운영 유지보수 효율 상승

서버 리소스 최적화를 통해 지속 가능한 서비스 운영 환경 마련

Tech Stack

Backend Framework : NestJS · TypeScript

Database : TypeORM · 데이터베이스 설계 및 최적화

API : RESTful API · DTO · 데코레이터

Monitoring : 로그 관리 · 예외 처리 시스템

CONTACT

Smartphone

PHONE

010.9329.xxxx

Mail

E-MAIL

tarag37@xxxx.com

Note

RESUME

이력서