업무 요구사항을 데이터, 권한, 처리 상태와 실패 조건이 명확한 백엔드 시스템으로 구현합니다.
AI 기능은 결과를 그대로 신뢰하지 않고, 서버의 검증과 사람의 승인 안에서 실제 업무와 연결합니다. Java/Spring과 Python/FastAPI를 업무 특성에 따라 사용해 왔으며, 현재 독립 공개 재현 샘플은 Java/Spring 쪽이 더 강합니다. SQL, Docker와 LLM은 필요한 문제를 해결하기 위한 도구로 사용하고, 자동 테스트와 실제 실행 환경 검증으로 동작 범위와 실패 조건을 확인합니다.
포트폴리오 | 코드와 검증 근거 | 어떻게 개발하는가 | 실무 기술 사례
| 영역 | 쉽게 설명하면 | 기술적으로는 |
|---|---|---|
| 업무 요구사항을 시스템으로 구조화 | 모호한 요청을 구현 범위, 처리 단계와 완료 조건으로 정리합니다 | system boundary, state, transaction, acceptance criteria |
| 백엔드와 데이터 연결 | 화면이나 AI 기능이 실제 업무 데이터와 안전하게 연결되도록 만듭니다 | API, SQL, Oracle, PostgreSQL, Spring Boot, FastAPI |
| AI 기능 통합 | AI가 제안할 일과 서버 또는 사람이 최종 책임질 일을 분리합니다 | LLM integration, structured output validation, Text2SQL/NL2SQL |
| 잘못된 처리 차단 | 권한이 없거나 입력과 결과가 잘못되면 중요한 처리가 진행되지 않게 합니다 | RBAC, validation, idempotency, fail-closed |
| 실제 동작 검증 | 정상 상황뿐 아니라 실패, 권한, 중복과 외부 장애까지 확인합니다 | unit, integration, E2E, regression, eval |
| 배포와 복구 | 개발한 시스템을 실행하고 상태를 확인하며 문제가 생기면 복구할 수 있게 합니다 | Linux, Docker, Tomcat, Nginx, CI/CD, health check, rollback |
구매 요청부터 승인, 반려, 발주까지의 업무 흐름에 AI를 연결하되, 중요한 업무 결정은 서버의 규칙과 사람의 승인 안에서만 일어나도록 만든 프로젝트입니다.
- AI는 자연어 요청을 바탕으로 초안을 제안
- 서버는 사용자 권한, 업무 상태, 중복 요청과 발주 가능 여부를 최종 확인
- 모델 오류나 잘못된 출력은 저장 전에 차단
- 실제 로컬 LLM
gemma3:12b로 9개 핵심 합성 업무 시나리오 E2E 전건 성공 - 실제 Internet HTTPS 경로에서 사용자 작업 분리, rate limit, DB/model 비노출, close/reopen 검증
사용자의 자연어 질문을 SQL과 데이터 조회로 연결하고, 단순 생성 결과가 아니라 SQL 문법, 실행 가능성, 업무 정답 여부와 모델별 차이를 따로 검증했습니다.
- Python / FastAPI 기반 API
- SQL 검증과 실행 흐름
- validation set과 다중 모델 비교
- 실패 유형 분류와 결과 기록
이 경험은 공개 가능한 실무 evidence가 중심이며, Java/Spring 사례와 같은 수준의 독립 실행 가능한 Python/FastAPI 공개 샘플은 다음 보강 대상으로 두고 있습니다.
회사 코드를 공개하지 않고, 실제 업무에서 다뤘던 문제를 일반화해 다시 구현하고 정상, 실패, 경계 조건을 테스트했습니다.
- 서로 다른 로그인 방식에서 사용자와 권한이 잘못 연결되지 않는지 검증
- 여러 기간을 조회할 때 데이터가 빠지거나 겹치지 않는지 검증
- 서버 환경이 달라도 같은 애플리케이션을 배포하고 복구할 수 있는지 검증
- 사용자 식별과 업무 기준이 화면, API, DB에서 다르게 적용되지 않는지 검증
AI는 조사, 구현과 리뷰를 빠르게 만드는 도구로 사용합니다. 완료 여부는 AI의 설명이 아니라 테스트와 실제 실행 결과로 판단합니다.
문제와 제약 정의
-> 필요한 정보와 기존 코드 확인
-> 구현 계획
-> AI를 활용한 탐색과 구현
-> 자동 테스트와 리뷰
-> 실제 실행 환경 검증
-> 결과와 한계 기록
다른 개발자나 AI가 작업을 이어받아도 프로젝트의 목표, 현재 상태와 검증 기준을 다시 파악할 수 있도록 문서와 근거를 함께 관리합니다.
기술 스택은 정체성보다 백엔드 시스템을 구현하기 위한 도구로 관리합니다.
- Backend: Java, Spring Boot, Python, FastAPI
- Data: Oracle, PostgreSQL, SQL
- AI integration: LLM integration, structured output validation, Text2SQL/NL2SQL
- Operations: Linux, Docker, Tomcat, Nginx, Jenkins, GitHub Actions
- Security: 인증, 권한 통제, session, audit, secure failure handling
보안 운영 경험을 바탕으로 개발 단계에서도 권한, 로그, 감사 가능성과 운영 실패를 함께 고려합니다. IT 내부통제와 IT 리스크 관점의 공개 작업 표본은 IT Audit Work Samples에 정리했습니다.
공개 저장소에는 회사 코드, 고객 데이터, 내부 URL과 실제 업무 규칙을 포함하지 않습니다. 확인하지 않은 성능, 운영 규모와 성과는 주장하지 않습니다.