무엇을 만들었고, 어떤 문제에서 시작해 어떻게 검증했는지 프로젝트별로 정리했습니다.
2026.05–07 · 무신사 AX TF Round 1·2
비개발 조직마다 반복 업무가 달랐습니다. 테크 조직이 과제별로 자동화를 대신 개발하면 요청이 늘수록 병목이 생기므로, 현업이 자기 업무에 맞게 만들고 고칠 수 있는 공통 기반이 필요했습니다.
해결 과정
OBSERVE
현업 업무 화면을 녹화·재분석해 입력, 데이터 출처, 수작업 판단을 분리했습니다. 서로 다른 요청에서 Databricks 조회와 데이터 가공이 반복되는 것을 확인했습니다.
BUILD
개인 권한으로 연결하는 Databricks 로컬 MCP와 설치 스크립트·가이드를 만들었습니다. 담당자가 각자의 PC에서 쓰도록 배포했습니다.
HANDS-ON
업무별 자동화 시안을 먼저 보여주고, 핸즈온에서 담당자가 자신의 Skill과 Routine을 직접 만들도록 도왔습니다.
2026.07–08 · 무신사
현업이 자동화를 쓰기 시작하자 노트북을 닫으면 Routine이 멈추고, Skill을 고칠 때마다 파일을 팀에 수기로 전달해야 했습니다. 사내 API를 연결하려면 실행자별 권한도 확인할 수 있어야 했습니다.
해결 과정
동료와 중앙 실행 구조를 설계하고 HLD를 작성했습니다. 현업이 자연어로 업무를 설명하면 Bedrock 모델이 실행 단계를 만들어 Registry에 등록하고, 워크스페이스 오너가 사용을 승인하도록 구현했습니다. 실행 시에는 AgentCore Policy로 호출 권한을 확인했습니다.
2026.07 · 무신사
상담 운영팀이 사내 위키의 정책을 수정할 때마다 외주 상담사용 Salesforce 지식 베이스에도 문서를 수기로 옮겨야 했습니다. 문서 내용과 이미지를 유지하면서 변경된 문서만 안전하게 갱신해야 했습니다.
해결 과정
UNEXPECTED FAILURE
두 시스템의 문서 형식이 달랐습니다. 원본 이미지 저장소에서 파일을 읽어 대상 시스템으로 스트리밍 전송·저장하고, Python으로 본문을 변환한 뒤 대상 시스템의 이미지 태그로 다시 연결했습니다.
OPERATIONAL RISK
운영팀·담당 개발팀과 게시 기준과 위험을 검토했습니다. 관련 지식 베이스만 수정할 수 있는 전용 계정을 마련하고, 문서 ID를 기준으로 수정된 위키 문서가 기존 문서를 갱신하도록 연결했습니다.
검증. 개발팀이 마련한 두 개발 환경에서 여러 문서를 게시·수정했습니다. 게시 성공, 본문·이미지·표 표시, 원본 위키의 문서 계층 반영과 기존 문서 갱신을 확인했습니다.
인계. 검증한 코드와 현업 PC 설정용 Skill을 전달했습니다.
2026.03–04 · 무신사
담당 마케터가 매일 발행된 콘텐츠를 직접 찾아 읽고, 퀴즈 소재와 문제를 골라 작성했습니다. 담당자의 반복 작업을 줄이되 어떤 콘텐츠를 다시 쓰고 정답을 어떻게 만들지 운영 기준부터 정해야 했습니다.
해결 과정
POLICY
담당자와 콘텐츠당 퀴즈 한 개, 사용 콘텐츠의 7일간 재사용 금지를 합의했습니다. 운영 정책은 PRD에, 구현 구조는 HLD에 정리했습니다.
IMPLEMENT
내부 API에서 가져온 콘텐츠 ID를 Redis에 7일 저장했습니다. 정답에 브랜드명이 노출되지 않도록 작성 규칙을 프롬프트에 반영했습니다.
RELEASE
생성 결과를 2주간 담당자에게 보여주며 수정한 뒤 운영에 배포했습니다. 퀴즈 생성 약 30초를 실측했고, 최종 검토·발행은 사람이 맡았습니다.
2022.07–09 · 학부 팀 프로젝트
학부 AI 초상화 모델은 초기 데이터 품질 문제로 분류 정확도가 43%에 그쳤습니다. 전시로 확장한 뒤에는 전시용 PC에서 이미지 한 장을 생성하는 데 10분 이상 걸려, 데이터와 현장 실행 속도를 모두 개선해야 했습니다.
해결 과정
MODEL & DATA
이미지를 수집·필터링하고 팀과 함께 오류를 검수했습니다. 같은 평가셋에서 분류 정확도는 43%에서 66%로 올랐고, StyleGAN2로 초상화 생성 결과를 만들었습니다.
SERVICE CONSTRAINT
전시 PC에서 일부 계산만 해도 대기가 길었습니다. 추론을 성능이 높은 서버 컴퓨터로 옮기고 FastAPI로 화면·파일 연동을 완성했습니다. 현장 반복 관찰에서 대기가 10분 이상에서 대체로 2분 이내로 줄었습니다.
2022.04–11 · 학부 4인 팀 프로젝트
매일 날씨에 맞는 옷을 고르는 고민을 줄이고 싶었습니다. 날씨와 사용자 취향을 반영해 코디를 추천하고, 마음에 드는 옷을 저장해 다시 볼 수 있는 서비스를 목표로 했습니다.
해결 과정
PRODUCT
지역별 날씨를 반영한 추천, 마음에 드는 옷의 저장·재추천 흐름을 팀과 함께 정의했습니다. 일정과 역할은 WBS와 이슈로 관리했습니다.
DATA & MODEL
K-Fashion 데이터의 세부 의류·스타일 라벨을 8개 카테고리로 재구성하고, 부적절한 이미지를 정제했습니다. 경량 MobileNet을 추천 모델에 활용했습니다.
DELIVERY
Django·React·MySQL·TensorFlow를 사용했습니다. KT AI 경진대회 TOP3와 교내 캡스톤디자인 대상을 기록했습니다.