노션에서 보기

백엔드 엔지니어링 역량으로 AI 기능이 안정적으로 서비스될 수 있도록 뒷받침하는 Backend + AI 엔지니어입니다.

• AI 모델/LLM 시스템을 실제 제품 형태로 연결하기 위해 API, 인증/인가, 비동기 처리, 배포/관측까지 end-to-end로 설계·구현합니다.

• 문제를 지표로 정의하고(정확도/지연/처리량), 실험→개선→운영까지 반복하며 성능을 끌어올리는 것을 지향합니다.

Profile

Core Strengths

• AI 역량: 에이전트, RAG 파이프라인을 검색·재정렬·평가까지 확장하고, 이를 제품/업무 흐름에 연결

• 백엔드 설계/구현: Spring Boot/FastAPI 기반의 MSA 아키텍처와 트렌젝션 관리 등의 역량을 갖추고 있습니다.

• 운영/배포 역량: AWS, Docker, K8S 등을 활용한 클라우드 네이티브 환경 운영 및 CI/CD 구축이 가능합니다.

Software Engineer

지속적인 학습

• 빠르게 변화하는 기술 트렌드에 맞추어 새로운 지식과 도구를 지속적으로 학습하며 자기 개발에 노력하고 있습니다.

협업과 커뮤니티

• 팀 프로젝트와 스터디를 통해 협업 능력을 기르고, 소통을 바탕으로 함께 더 나은 결과를 만들어내는 경험을 쌓고 있습니다.

기술 활용

• 문제에 따라 적절한 프레임워크를 선택하고 빠르게 학습하며, 활용할 수 있습니다.

---

Skills

ProJects

AI 지식 큐레이션 플랫폼 vantage

• 개인 프로젝트

• 기간: 2026.05 ~ 진행중

프로젝트 개요

새로운 기술, 새로운 정보가 쏟아지는 AI 시대에 뉴스, 정보 등을 한 곳에서 손쉽게 볼 수 있는 개인용 웹 개발 및 심도 있는 기술 학습이 목표.

뉴스 수집등의 저작권 문제가 발생 가능하여 제한적 공개(코드 a@11F13d8d61708e)

프로젝트 목표

• 뉴스, 기술 블로그, PDF 등 다양한 정보 수집 및 더 다양한 정보의 수집

• 정보를 쉽게 볼 수 있도록 정보 가공

• 에이전틱 RAG 챗봇을 구축하여 원하는 정보를 쉽게 찾을 수 있음

사용 기술

• AI/LLM: LangChain, OpenAI API, MinerU, Chonkie, DeepEval

• Backend: Java/Spring boot, Python/FastAPI

• DataBase: ParadeDB, Redis

• Frontend: TypeScript, NextJS

• Observability: Grafana, Prometheus, Loki

• Cloud & Infra: Oracle Cloud(ARM), GitHub Actions, Kubernetes(k3s), RabbitMQ

• 개발환경: Claude Code, Codex, Antigravity IDE, uv, ty

주요 기능

• Agentic RAG 챗봇: 수집된 정보들을 기반으로 원하는 정보를 쉽게 찾을 수 있음

• 웹 피드: AI 요약을 거쳐 짧은 단편 정보만 제공하며 원문 링크를 제공, 아티클 클러스터링을 통해 중복 기사, 연관된 기사 등을 연결

• PDF/기사 처리 파이프라인: 주로 해외 뉴스, Hacker News, 기업 기술 블로그, 최신 논문 등을 수집 및 처리하여 활용 가능하게 가공.

주요 활동 및 문제해결 등

AI를 위한 개발 환경 구축

• 문제: Claude Code와 Codex를 활용한 개발 과정에서 세션·도구 전환 시 작업 문맥이 단절되고, 이전 기록 탐색과 AI 산출물 검증에 많은 시간이 소요되었습니다.

• 해결: Notion 기반 작업 기록 Wiki를 구축해 문맥을 복원할 수 있도록 하고, AGENTS.md와 Skills에 개발 규칙을 정의했습니다. 또한 Playwright 기반 E2E 검증 환경을 구성해 AI가 직접 웹을 확인하고 변경 사항을 검증하도록 했습니다.

• 결과: AI 간 작업 문맥의 연속성을 확보하고, 개발부터 검증까지 AI가 수행할 수 있는 환경을 구축해 반복적인 문맥 전달과 수동 검증 부담을 줄였습니다.

리트리버 개선

백터, FTS(ts_rank), BM25, 하이브리드 리트리버를 각각 데이터셋을 사용해 정량적 평가를 진행. 한국어 형태소 처리를 위해 Kiwi 적용. (143문항)

RAG 에이전트 성능 측정 및 개선 (GPT-5.6 Terra)

• 문제: RAG 에이전트가 검색에 실패했을 때 유사하거나 무관한 정보의 수치를 인용해 답변하는 환각 문제가 발생했습니다.

• 해결: Claude로 합성 데이터셋을 생성·검수하고, DeepEval 기반 LLM-as-a-Judge 평가 환경을 구축했습니다. 평가 결과를 바탕으로 Sufficient Context Gate를 도입해 답변 전 검색 근거의 충분성을 검증하도록 개선했습니다.

• 결과: 정량적 평가 체계를 확보하고, 근거가 불충분한 경우 답변을 제한해 환각 발생을 줄이고 응답 신뢰성을 높였습니다.

• 총 47문항 - 2회 평균 - 지표 correctness (0.811 → 0.944)

기사 클러스터 기반 검색 결과 개선

• 문제: 동일 사건의 유사 기사들이 검색 결과 Top-K를 점유하고, 대표 기사만 제공할 경우 에이전트가 연관 기사를 확인하지 않은 채 답변하는 문제가 발생했습니다.

• 해결: 클러스터별 대표 기사만 검색 결과에 노출하고, 1차 검색 결과를 메타데이터로 제한했습니다. 실제 내용 확인 시 연관 기사 확장 도구를 사용하도록 검색 흐름을 개선했습니다.

• 결과: 중복 기사로 인한 검색 결과 편중을 완화하고, 다양한 정보 탐색을 지원하면서 컨텍스트 토큰 사용량을 절감했습니다.

PDF 처리 및 리트리버 구성

• 문제: 긴 PDF는 일부 청크만으로 전체 맥락을 파악하기 어렵고, 세부 내용 검색과 문서 전체 탐색을 동시에 지원하기 어려웠습니다.

• 해결: Parent-Child 구조와 SlumberChunker 기반 의미 청킹을 적용하고, Map-Reduce 방식으로 PDF 전체 요약을 생성했습니다. 기존 Parent-Child 리트리버에 더해 전체 요약과 Parent 단위 요약을 활용하는 Wiki형 리트리버를 추가했습니다.

• 결과: 문서 전체 맥락을 파악하는 탐색 기능과 세부 내용 검색 기능을 함께 지원하는 계층적 검색 구조를 구축했습니다.

RabbitMQ 기반 비동기 작업 처리 및 데이터 일관성 확보

• 문제: PostgreSQL 기반 작업 큐에서 작업 요청과 실행 상태 관리가 결합되어 서비스 간 책임과 경계가 불명확하고, 장애 복구에 한계가 있었습니다.

• 해결: RabbitMQ 기반 Command/Event 구조로 전환하고, Outbox/Inbox 패턴과 멱등성 키를 적용해 메시지 유실 및 중복 처리 위험을 줄였습니다. 또한 작업 요청과 실행 이력을 분리해 이벤트 기반 Read Model을 구축했습니다.

• 결과: 서비스별 책임과 경계를 명확히 하고, 서비스 간 결합도를 낮추면서 장애 복구 안정성과 작업 추적성을 강화했습니다.

Spring boot RAG 에이전트 Github

• 기간: 2025.12 - 2026.02

• 개인 프로젝트

프로젝트 개요

---

현재 AI는 Spring Boot 4.0.x보다 3.5.x 버전에 더 익숙한 상태입니다. 본 프로젝트는 이러한 AI의 최신 프레임워크 대응 격차를 해소하기 위해 시작되었습니다.

LangChain 프레임워크를 기반으로 최신 개발 문서의 지식을 정확하게 검색하고 응답하는 RAG 에이전트 및 파이프라인을 구축하는 것을 핵심으로 합니다.

Spring Boot, Spring Data Redis 등의 공식 문서를 크롤링하고 하이브리드 검색과 Reranker를 결합해 높은 검색 정확도를 달성했습니다.

프로젝트 목표

---

• RAG 파이프라인 구축: 단순 DB 임베딩 방식 단일 검색을 넘어, 의미 기반 검색과 키워드 기반 검색의 이점을 살린 하이브리드 검색 및 딥러닝 기반 Reranking 처리로 응답의 정확성과 신뢰성 확보.

• RAG 에이전트 구축: Spring 공식 문서 등 방대한 기술 문서를 학습(Indexing)하여, 할루시네이션을 최소화하고 최신 정보에 기반한 정확한 기술 답변을 제공합니다

• MCP 서버 구축: MCP 서버를 구축하여 외부 AI 어시스턴트 환경에서도 RAG 파이프라인의 검색 결과를 실시간 도구로 연동하고 확장할 수 있는 범용적인 아키텍처 구현

• RAG 시스템 평가 도입 (LLM-as-a-Judge): LangSmith와 LLM을 통해 RAG 파이프라인의 핵심 성능 지표(정확성, 검색 결과 적합성, 근거성 등)를 정량적/정성적으로 모니터링하여 평가 자동화 환경 구축.

사용 기술

---

• AI & Frameworks : LangChain, LangGraph, OpenAI GPT-5-mini, Cohere Reranker API

• Database: ChromaDB, Redis

• Evaluation: LangSmith, openevals

• Data Collection & Parsing: BeautifulSoup, markdownify

• Data Visualization: Matplotlib

주요 기능

---

• RAG 검색 엔진 설계
  • Markdown 정규화 및 하이브리드 청킹 전략: BeautifulSoup과 markdownify 라이브러리를 사용해 복잡한 HTML 기술 문서를 Semantic Markdown 구조로 데이터 정제.
  • 하이브리드 검색 (Hybrid Search): 의미론적 검색인 Dense 검색(ChromaDB, 가중치 0.7)과 키워드 기반인 Sparse 검색(BM25, 가중치 0.3) 방식을 RRF 알고리즘으로 결합시켜 1차 후보군 데이터 넓게 확보.
  • Cohere Reranker 통합: 초기 추출된 후보군 문서를 Cohere Reranker 딥러닝 기반 재배열 처리 모듈에 통과시켜 최종 우선순위를 정밀하게 재배치해 도출, Top-1 / Top-5 검색 적중률 대폭 개선.

• 시스템 자동 성능 평가
  • LangSmith 연동: 평가관 LLM을 활용한 LLM-as-a-Judge 도입. 정확성(Correctness), 사실 근거 일치성(Groundedness), 질의와 검색 문서 연관성(Retrieval relevance) 에 대해 정량/정성 평가 진행 후 LangSmith 대시보드를 통해 실시간 트래킹 모니터링.
  • Retriever 자체 벤치마킹: Top-1/5/10 Hit Rate, MRR, Redundancy 와 같은 핵심 성능 평가 지표를 로컬에서 자동 산출.

• 에이전트 워크플로우
  • 단순 검색이 아닌 사용자의 질문 의도를 파악하고, 필요시 쿼리를 재작성 하거나 도구를 선택하여 답변을 생성하는 에이전트 로직을 포함합니다.
  • MCP 서버를 통해 외부 도구와의 연동 가능성을 열어두었습니다.

• Semantic Caching
  • 사용자의 질문에 대한 답변을 캐싱하여 비슷한 질문에 대해 캐싱된 답변을 사용하여 응답 속도 향상 및 API 비용 절감(Reranker API, GPT API 호출 스킵).

프로젝트의 성과 및 인사이트

---

• 고도화된 하이브리드 검색 기반 및 성능 벤치마킹 실험을 통해 단순 Vector 임베딩 검색 구조가 갖는 전문 용어 및 특정 기술 코드 검색에 대한 한계점을 검증할 수 있었으며, 이를 Reranker 모델 투입 과정으로 보완함으로써 안정성 높은 자체 검색 엔진 튜닝 경험을 만들었습니다.

• LangSmith와 자동화된 스크립트 시스템 파이프라인을 구축해 시스템 품질을 명확한 지표(Hit Rate, MRR, Correctness 등)로 가시화하여 프로젝트 결과를 명료하게 증빙하고, 품질 통제를 개발하는 역량을 크게 키울 수 있었습니다.

RAG 성능 평가

---

평가 셋

• Dev 182 / Test 77

평가 방법(요약)

• 벡터스토어에서 임의의 청크를 샘플링한 뒤, LLM으로 해당 청크 기반 질문을 생성
  • 일반적인 질문이 아닌 Hit Rate 를 낮추기 위해 키워드 제한, 다른 의미의 단어를 사용하였음

• Retriever가 질문에 대해 원본 청크를 Top-k로 회수하는지로 평가

• Metrics: Recall@1/5/10, MRR

관찰 및 해석

• BM25 가중치가 증가할수록 Recall@1(Top-1) 성능은 상승, Recall@5 이상 구간에서는 성능 감소 경향
  • 키워드 매칭(BM25)이 최상위 1개를 정확히 올리는 데 유리한 반면, Dense 기여도가 줄어 상위 후보군 다양성이 감소한 것으로 해석

• LangSmith(LLM-as-a-Judge) 기반 평가는 질문 난이도 영향으로 전반적으로 고득점(0.9+)이 많았으나, 저득점 케이스는 리트리버 점수가 낮은 케이스와 대부분 겹쳤음
  • 절대 점수보다 저득점 케이스 분석 중심으로 해석했으며, 최종 응답 품질의 병목이 retrieval 품질에 크게 좌우됨을 확인

• LLM을 검색 도구(tool)와 연결해 Query Rewrite를 제한 없이 적용했을 때, 원문 질의 그대로 검색하는 방식 대비 검색 정확도 저하와 지연 시간 증가를 확인
  • 따라서 운영/평가 파이프라인에서는 기본적으로 rewrite를 사용하지 않는 방향으로 설계

MMR 실험 (Dense vs Dense+MMR)

• Spring Boot 공식 문서는 기능 단위로 내용이 분리되어 문서 간 의미적 중복도가 상대적으로 낮음

• 따라서 다양성 확보 목적의 MMR 효과가 제한적으로 나타난 것으로 해석

RAG 에이전트 실험 (query rewrite)

• 평가 방법: LLM-as-a-judge (openevals, LangSmith)

• 데이터셋: 임의의 청크 추출 및 LLM 질답 생성

• A: 청록 B: 분홍 C: 파랑

• A: 기본 입력 사용후 필요시 1회 재작성 B: 기본 입력 사용 C: 매번 재작성

결과 해석

A. 기본 검색 후 필요 시 쿼리 재작성

• 먼저 원문 질의로 검색을 수행한 뒤, 검색 결과가 부족할 경우에만 질의를 보완하는 방식.
  • 세 가지 방법 중 비교적 높은 정확도와 검색 관련성을 보였지만, 지연시간과 토큰 사용량이 증가하는 trade-off가 확인.

B. 기본 입력 사용

• 사용자 질의를 그대로 검색에 사용하는 방식.
  • 성능은 A보다 약간 낮았지만 지연시간과 토큰 사용량 측면에서 가장 효율적인 결과를 보임.

C. 처음부터 쿼리 재작성

• 검색 전에 질의를 LLM으로 재작성한 뒤 검색하는 방식.
  • 질의의 일부 기술 용어가 변형되면서 검색 관련성과 정확도가 상대적으로 낮게 나타난걸로 추정.

결론

• 필요시 질의 재작성을 적용하는 방식이 가장 높은 정확도를 보였으나, 지연 시간과 토큰 사용량 측면에서의 trade-off가 확인되었다.

• 기본 질의를 그대로 사용하는 방식도 준수한 정확도를 보였지만, 사용자의 질문이 모호하거나 품질이 낮아질수록 두 방식 간 정확도 차이가 커질 가능성이 있을 것으로 판단된다.

비전 AI 기반 완성차 검사 플랫폼 checkcar

• 비전 AI 검사 결과를 웹으로 요청/처리/모니터링하는 서비스형 품질 검사 플랫폼

• 맡은 역할
  • AWS EKS 기반 컨테이너 배포 및 Jenkins CI/CD 구축, Istio Ingress·Grafana 모니터링 구성
  • JWT 기반 인증/인가 및 백엔드 기능 구현/안정화, Kafka 기반 비동기 처리
  • ViViT 기반 와이퍼 동작 분류 모델 학습·튜닝 및 성능 개선(70%대 → 80%대)

• 기간: 2025.07 – 2025.09

• 참여 인원: 7명

• 역할: AI 모델링, 백엔드(BE), 프론트엔드(FE), 클라우드 배포

프로젝트 개요

---

완성차 제조 마지막 단계의 외관 품질 검사를 자동화하는 웹 기반 비전 AI 시스템입니다. 도장면, 램프, 와이퍼, 워셔액의 결함과 부품 작동 상태를 점검하여 자동으로 식별합니다. 통합 대시보드를 통해 실시간으로 검사 결과 확인이 가능합니다.

주요 목표

---

• 품질 및 안정성 향상: 불량률 감소 및 일관된 품질 기준 유지

• 접근성 및 효율성 증대: 웹 기반으로 언제 어디서나 검사 요청 및 실시간 모니터링 가능

• 정확도 및 신뢰성 확보: 결함 검출 정확도 80% 이상 달성 목표 및 검사 시간 단축

사용 기술 및 도구

---

• AI: YOLOv8n, ViViT, OpenAI API, RAG, PyTorch

• Backend: Java, Spring Boot,, FastAPI, Python

• Frontend: JavaScript, React

• Database: MySQL

• Cloud & Infra: AWS, Amazon EKS, Istio, Docker, Kafka, Amazon RDS, Amazon S3

주요 기능

---

• AI 모델
  • 도장면 결함 탐지: 이미지 분석을 통해 스크래치, 찌그러짐 등 결함 식별
  • 램프 밝기 검사: 램프의 ON/OFF 상태 및 밝기 균일도를 정량적으로 측정하여 결함 탐지
  • 워셔액 분사 감지: 분출 영상을 프레임 단위로 분석하여 분사 각도, 분포 등을 계산하고 결함 판단
  • 와이퍼 이상 동작 인식: Blender와 Unreal 엔진으로 데이터셋을 구축하고, ViViT 모델을 활용해 7가지 동작 클래스 분류
  • RAG 기반 조치 제안: 결함 유형에 따라 맞춤형 수리 가이드 및 작업 보고서 자동 생성

• 웹 애플리케이션
  • 관리자와 작업자 권한을 분리한 체계적인 접근 제어 구현
  • 관리자 대시보드에서 전체 검사 현황 모니터링 및 통계 조회 가능
  • 작업자는 할당된 검사 업무 수행 및 결과 보고서 작성
  • Kafka를 활용한 비동기 메시징 시스템으로 다수의 차량 동시 검사 처리

주요 기여 및 담당 업무

---

제가 담당한 주요 역할은 AI 모델링, DevOps 구축, 그리고 개발의 핵심적인 부분을 완성하는 것이었습니다.

• 클라우드 배포 및 CI/CD 환경 구축 (DevOps)
  • 프로젝트의 모든 서비스를 Docker 컨테이너화하여 AWS EKS 환경에 성공적으로 배포했습니다.
  • Jenkins를 활용한 CI/CD 파이프라인을 구축하여 코드 변경 시 자동으로 빌드 및 배포가 이루어지도록 프로세스를 자동화했습니다.
  • Istio ingress gateway를 통한 프론트/백엔드 API 게이트웨이 분기, Grafana 기반 모니터링 환경을 구축했습니다.
  • 간헐적으로 노드 전체가 다운되는 문제를 확인하여 AI 서빙 서버를 다른 노드 그룹으로 구성하여 리소스 문제로 노드가 연쇄적으로 죽는 문제를 해결하였습니다.

• AI 모델 개발 및 데이터 엔지니어링
  • 와이퍼 고장 시나리오의 데이터셋 구축이 어렵다는 문제를 해결하기 위해, Unreal 엔진 5, blender를 통해 기존 차량 샘플을 사용해 해당 시나리오의 데이터셋을 구축하였으며, 데이터 전처리 파이프라인을 구축하였습니다.
  • ViViT 모델의 학습 및 전처리 조정을 통해 와이퍼 이상 동작 인식 정확도를 초기 70%대 → 80%대로 높였습니다.

• 개발 및 시스템 안정화
  • 백엔드: 로그인, 회원가입(JWT) 기능과 API 게이트웨이를 구현하였으며, 다른 팀원의 게시판 기능 구현을 이어받아 최종적으로 완성하고, 검토 및 수정하여 안정성을 확보했습니다.
  • 프론트엔드: 백엔드와 연동되는 회원가입 및 로그인 페이지를 구현했으며, Redux 상태 관리를 통해 사용자의 역할에 따른 UI 접근 제한 기능을 개발했습니다.
  • 코드 리뷰 및 디버깅: 프로젝트 코드 품질을 높이기 위해 다른 페이지들 전반의 코드를 검토 및 수정하고, 발생한 버그들을 해결하여 시스템 전반의 안정화에 기여했습니다.

ViViT 학습 결과 (와이퍼 이상 동작 인식)

---

AI 기반 주식 투자 분석 플랫폼 investica

• 주식 데이터/리포트를 수집·분석해 LLM 에이전트와 UI로 제공하는 데모 플랫폼

• 내 역할(백엔드 중심)
  • PDF 리포트 수집 → 파싱 → 분류/요약 → 결과 저장 → 조회 API 제공까지 파이프라인 설계·구현
  • NestJS + Nestia 기반으로 타입/스키마 중심의 REST API 계약 설계 및 엔드포인트 구현
  • 프론트 UI(보고서 조회)까지 연결해 end-to-end 기능 완성

• 기간: 2025.07 – 2025.11

• 참여 인원: 5명

• 역할: 백엔드(BE), 프론트엔드(FE)

프로젝트 개요

---

Agentica 프레임워크를 활용한 AI 기반 주식 투자 분석 및 자동화 데모 플랫폼

2025 오픈소스 개발자대회 출품작으로, LLM 기반 에이전트 프레임워크인 'Agentica'의 실질적이고 긍정적인 활용 사례를 증명하기 위해 개발됨.

주요 목표

---

• Agentica 프레임워크의 효용성 입증
  • 잘 정의된 API와 AI 에이전트(Agentica)를 결합하여, 얼마나 빠르고 완성도 높은 챗봇 서비스를 구축할 수 있는지 보여주는 기술적 데모 역할을 수행합니다.

• 디지털 소외 계층의 투자 장벽 제거
  • 기존 HTS/MTS의 복잡한 UI와 어려운 금융 용어로 인해 투자를 어려워하는 고령층 및 초보자들의 진입 장벽을 낮춥니다.
  • 정보의 비대칭성을 해소하고 누구나 쉽게 금융 시장 데이터에 접근하도록 돕습니다.

사용 기술 및 도구

---

• AI: ChatGPT, Gemini

• Backend: TypeScript, NestJS, Agentica

• Frontend: TypeScript, React, Vite

• 기타: pnpm, KIS (한국투자증권) API, Naver News API

주요 기능

---

• AI 투자 상담: 실시간 에이전트 상호작용

• 주식 데이터: 실시간 시세, 차트, 뉴스 분석

• 포트폴리오: 보유 주식 및 수익률 추적

• 모의거래: KIS API 연동 (실제 거래 미지원)

• AI 분석: 미래에셋 보고서 기반 AI 보고서 제공

주요 기여 및 담당 업무

---

LLM를 활용해 원시 데이터를 가공하고, 사용자에게 전달하는 핵심 기능을 설계하고 개발했습니다.

• 기존 단순히 보고서를 수집하는 형태에서 보고서를 분류 및 분석하여 제공하는 아이디어 제시

• AI 분석 및 보고서 생성 파이프라인 구축
  • 데이터 수집 및 파싱: 증권사 리포트(PDF) 데이터를 수집하고 텍스트, 그래프, 표 등의 비정형 데이터를 LLM을 사용해 파싱하는 기능을 개발했습니다.
  • LLM 기반 분석/요약 로직 구현: LLM을 활용하여 수집된 데이터를 분석하고, 핵심 내용을 요약하여 산업 평가, 종목 분석 등의 내용을 담은 보고서를 생성하는 로직을 구현했습니다.
  • API 설계 및 개발: 생성된 보고서 데이터를 프론트엔드 및 에이전트에 제공하기 위한 RESTful API를 NestJS와 Nestia를 사용하여 설계하고 구현했습니다.
  • 보고서 조회 프론트엔드 구현: 백엔드 API와 연동하여 AI 보고서 UI를 React로 구현했습니다.

Certifications

• AICE associate 2025.04.26

• 정보처리기사 2025.12.24

Awards

• 2025 오픈소스 개발자 대회 2025.12.05 - 동상(뤼튼테크놀러지스 대표상) 수상

Active

KT AIVLE School 2025.03.25 - 2025.09.09

• 비전 AI기반 완성차 검사 플랫폼: Checkar 개발

2025 오픈소스 개발자 대회 2025.07.04 - 2025.12.05

• 주식 투자 분석 에이전트 플랫폼: investica 개발