AI 기능을 먼저 정하기보다, 누가 어떤 판단에서 시간을 잃고 있는지부터 확인합니다.
현장의 말과 업무 흐름을 문제 정의, 데이터 구조, 기능 경계와 검증 기준으로 바꾸는 일을 좋아합니다.
지금은 제조·안전·협업 현장에서 AI가 실제 의사결정을 어떻게 보조해야 하는지 탐구하고 있습니다. 모델의 성능만큼이나 근거를 확인할 수 있는지, 실패했을 때 사람이 개입할 수 있는지, 다른 환경에서도 결과가 재현되는지를 중요하게 봅니다.
제조 AI에서 높은 정확도가 곧 현장 성능을 의미하는지 의문을 가졌습니다. 같은 사건에서 파생된 행이 학습·평가에 나뉘거나, 라벨을 만든 정보가 입력값에 다시 포함되거나, 시간 변화가 무작위 분할에 가려지면 숫자는 좋아도 다음 배치에서 실패할 수 있기 때문입니다.
- 모델 학습 전 데이터 감사 지표 설계
- 합성 병리 주입으로 지표 민감도 확인
- Siemens SMT AOI 440,274행 외부 검증
- 무작위 성능과 미래 시간 성능, AUROC와 실제 업무지표를 분리해 해석
- 실패한 가설과 해석 제한까지 실행 결과로 보존
Python · pandas · scikit-learn · reproducible research · manufacturing data quality
산재 업무의 병목을 단순한 판정 자동화가 아니라, 담당자가 서로 다른 형식의 자료와 과거 판정 근거를 교차 검토하는 과정으로 보았습니다. 그래서 결론을 대신 내리는 모델보다 근거를 찾아 보여주고 최종 판단은 사람에게 남기는 도구를 설계했습니다.
- 공공 판정서 기반 근거 검색과 사실관계 타임라인
- 판정 권한을 침범하지 않는 Human-in-the-loop 경계
- 1,253건 질병분류 평가, 전체 Top-3 79%
- 폐쇄망을 고려한 Python 표준 라이브러리 기반 구현
- 문제 정의부터 프론트엔드·백엔드·평가·배포까지 담당
Python · Vanilla JavaScript · SVG · Public Data API · Information Retrieval
회의록이 많아져도 실행 누락이 줄지 않는 이유는 기록량보다, 대화가 결정·담당자·미결 쟁점으로 합의되는 순간이 관리되지 않기 때문이라고 보았습니다. AI가 계속 듣고 저장하는 방식 대신, 명시적으로 호출된 순간만 분석하고 사람이 승인한 결과만 남기는 흐름을 실험합니다.
- 로컬 호출 게이트와 선택적 모델 승격
- Structured Outputs, 근거 범위와 담당자 명단 검증
- 전사 원문을 저장하지 않는 데이터 경계
- 평가 세트와 출시 기준을 코드로 관리
Nuxt 4 · Vue 3 · TypeScript · OpenAI API · Zod · PostgreSQL · Vitest
날씨 서비스가 숫자를 정확히 보여주더라도 창문이 없는 공간에서는 지금 바깥의 감각을 전달하지 못한다는 문제에서 시작했습니다. 기상·천문 데이터를 빛, 구름, 태양 위치와 강수 장면으로 번역하는 디지털 창문을 만들었습니다.
- 기상청·천문연구원 데이터를 하나의 화면 모델로 정규화
- 규칙 기반 장면 분류와 팔레트·영상·강수 레이어 합성
- API 실패 시 캐시와 대체 데이터의 출처를 화면에 명시
- 전국 17개 광역시·도와 229개 시·군·구 탐색
Vue 3 · Pinia · Vite · Leaflet · Axios · Canvas
- 사용자와 현장의 언어에서 반복되는 판단·대기·누락을 찾습니다.
- AI가 해야 할 일과 해서는 안 되는 일을 함께 정의합니다.
- 요구사항을 데이터 계약, 화면 흐름, 평가 기준으로 번역해 협업합니다.
- 성공 사례뿐 아니라 실패 조건과 해석할 수 없는 범위도 기록합니다.
- 데모가 아니라 다시 실행하고 검증할 수 있는 상태까지 만듭니다.
이 계정은 완성된 결과만 모아두기보다, 문제를 좁히고 가설을 검증한 과정이 남도록 관리합니다.