[DataUI & ML Agent]

개인별로 흩어져 ML 적용이 불가능했던 연구 데이터를, 비전문가도 분석 가능하게 만든 ML 플랫폼

[Pain Point]

개인별로 사일로화된 연구 데이터, 통일되지 않은 엑셀 형식으로 인해 실험 설계에 많은 시간 소요

연구원들의 머신러닝 역량 부족으로 인한 실험 결과 예측 불가능

[Solution]

openpyxl & LLM 기반 엑셀 데이터 정형화 파이프라인 구축

엑셀 데이터를 Long 형식으로 저장하여 Data 축적성 향상

Grid Search를 통한 R 기반 RandomForest AutoML 구축

[Impact]

Target Etch Rate를 만족하기 위한 식각액 1차 실험 설계 간결화

전처리~모델링 까지의 파이프라인을 버튼 클릭만으로 실행할 수 있는 서비스 개발

모델링 결과를 설명하는 AI Report를 통해 비전공자 연구원이 이해할 수 있는 머신러닝 툴 개발

Stack : Python, R, FastAPI, React, Parquet, LangChain

[PPT Assistant]

사내 AI 플랫폼에 부재했던 PPT 자동 생성 기능을 제공한 LLM 에이전트

Details

[Pain Point]

기존 사내 챗봇 서비스(OpenWebUI) 내에 PPT 생성 기능 부재

OpenWebUI의 Source 직접 수정 불가능

[Solution]

OpenWebUI의 Pipe + 별도 LangGraph Agent Server로 우회

유저 요청을 PPT 생성/일반 질의로 분기하는 라우터, 페이지 별 병렬 생성 파이프라인 설계

Image 필요 여부를 페이지 별로 판단하는 라우터 설계

최신 정보가 필요할 경우 Perplexity API를 활용하도록 설계

[Impact]

사내 특화 챗봇 모델 사용량 1위 달성 | 매달 대화 세션 142개 (사용자 470명)

Stack : Python, LangGraph, FastAPI, Freepik API, Perplexity API

GitHub 디렉터리 구조 기반 계층적 임베딩으로 자소서를 작성·첨삭하는 RAG 에이전트

Details

[Pain Point]

일반 RAG는 자소서 같은 문서의 계층적·맥락적 구조를 평탄화해서 검색 정확도 한계

합격 자소서 데이터의 비정형성으로 직접 활용 어려움

[Solution]

RAPTOR 논문 아이디어 응용 → GitHub 디렉터리 구조를 계층적 임베딩으로 변환

LangGraph 기반 작성 에이전트 / 첨삭 에이전트 분리 설계 (Multi-Agent)

합격 자소서 크롤링 → DB화 → RAG 파이프라인 구축

[Impact]

RAPTOR 논문 아이디어를 학부 수준에서 구현 가능한 형태로 단순화

GitHub 디렉터리 구조라는 새로운 도메인에 적용

RAG·LangGraph·Multi-Agent·크롤링 파이프라인을 하나의 프로덕트로 통합 경험

Stack : Python, FastAPI, LangGraph, LangChain, ChromaDB

가족 대화 기록 기반 개인화 후속 질문·요약을 제공하는 RAG AI 서버

[Pain Point]

가족 간 대화가 형식적·반복적으로 흘러 깊이 있는 소통 단절

단순 청킹 RAG는 질문 맥락을 무시해 중복·진부한 후속 질문 생성

[Solution]

가족/멤버별 과거 Q&A를 ChromaDB 기반 벡터 검색(RAG)으로 개인화 후속 질문 생성

이중 RAG + Self-Consistency 도입으로 중복 질문 24% 감소

매 요청마다 모델·DB 초기화 비효율을 FastAPI Lifespan + 싱글톤 패턴으로 해결

동기 DB 한계를 Python 비동기 원리 학습 후 Thread Pool 방식으로 직접 최적화

Clean Architecture (Domain·Application·Infrastructure·Presentation) 4계층 분리

[Impact]

중복 질문 24% 감소로 가족 대화 다양성 확보

Stack : Python, FastAPI, LangChain, OpenAI, ChromaDB, Docker, AWS EC2

세션 기반 플레이리스트 추천 풀스택 서비스 (0→1 단독 구축)

[Pain Point]

일반 추천은 청취 순서·맥락 무시한 정적 추천이라 "다음 곡" 추천 약함

Spotify Million Playlist는 팝송 위주로 국내 사용자 니즈 미충족

두 데이터셋(Spotify·Melon)의 item_id 체계 달라 병합 불가

Transformer 계열 SASRec 학습에 필요한 GPU 자원이 로컬 환경으로 감당 불가

[Solution]

Spotify API 활용 ID 매핑 파이프라인 구축

Melon 메타정보 → Spotify ID 매칭으로 115만 건 통합 데이터셋 구축

RunPod GPU 인스턴스 대여, Transformer 계열 모델 End-to-End 학습 수행

GRU4Rec vs SASRec 성능 비교 후 SASRec 채택, MRR@10 0.7140 → 0.9390 (31% 향상, MostPOP Baseline 대비)

추론 시 행렬 연산 병목을 FAISS 벡터 인덱싱으로 대체, Latency 125ms → 7ms (95% 단축)

[Impact]

모델 비교·학습·서빙·재생까지 추천 시스템 전 과정 단독 경험

Stack : Python, PyTorch, SASRec, FAISS, Docker, Runpod

GPA : 3.82/4.5