AI 기능을 실제 서비스로 연결하는 AI 서비스 개발자를 지향합니다.

학교와 프로젝트를 통해 데이터 처리, AI·SW 기능, 웹·API를 단위별로 구현하고 실습해 왔습니다.

현재는 과거 프로젝트와 실습을 다시 실행·수정·검증하면서, 데이터·모델/LLM·API·DB·도구를 하나의 서비스 흐름으로 연결하는 역량을 강화하고 있습니다.

• Generative AI / LLM
• Backend / API
• AI Agent / Tool Use / Evidence
• Manufacturing Data / AI

Status: Implemented · Re-validation Priority

제조 현장의 자연어 질문을 목적에 맞는 데이터 분석 기능으로 연결하고, 분석 결과와 근거 데이터를 함께 반환하는 Agent API입니다.

Question → Intent → Router → Manufacturing Tool → Answer + Evidence

• 규칙 기반 4개 Intent 분류
• 4개 제조 데이터 분석 Tool
• 동일 분석 기능을 4개 MCP Tool로 제공
• FastAPI 기반 Agent API
• Agent Flow · Tool · Model 핵심 테스트 9개
• 분석 결과와 함께 사용한 Tool과 Evidence 반환

Tech: Python · FastAPI · pandas · Pydantic · LangGraph · FastMCP · pytest

현재 Intent와 Answer 생성에는 외부 LLM을 사용하지 않습니다.
Agent API는 MCP Client를 통해 MCP Server를 호출하는 구조가 아니라, Python 분석 Tool을 직접 실행하며 FastMCP Server는 동일 분석 기능을 별도로 제공합니다.

Repository

Status: Local Re-validation Complete

AI웹융합 과제에서 구현한 React + FastAPI + OpenAI API 기반 웹 서비스입니다.

React → FastAPI → OpenAI → JSON Parsing → Pydantic Validation → UI

사용자의 상태와 사용 가능한 시간을 입력받고, LLM 응답을 JSON으로 받아 Backend에서 구조를 검증한 뒤 React 화면에 결과를 표시하도록 구성했습니다.

최근 기존 구현을 다시 실행·수정하며 다음 범위를 직접 재검증했습니다.

• React와 FastAPI의 HTTP 요청·응답 흐름
• 실제 OpenAI API 호출
• JSON Parsing과 Pydantic Response Validation
• Frontend ↔ Backend End-to-End 흐름
• CORS 동작
• Frontend API URL 환경별 분리
• Production Build 및 ESLint
• Hugging Face 배포 환경과 실행 로그 확인

Frontend API URL을 VITE_API_BASE_URL로 분리해 개발 환경에서는 로컬 FastAPI를 사용하고, Production Build에서는 기존 Hugging Face Backend를 기본값으로 사용하도록 수정했습니다.

현재 GitHub Backend와 Hugging Face에 배포된 Backend는 서로 다른 코드 버전이며, 배포 버전 차이는 현재 프로젝트의 제한사항으로 문서화했습니다.

Tech: React · JavaScript · FastAPI · OpenAI API · Pydantic · Vite

Repository

Status: Work in Progress · Team Lead / Agent·Backend

웹서비스 요청 로그에서 이상 사건을 탐지하고, 관련 사례와 Runbook을 검색하여 근거 기반 원인 후보와 사건 분석 결과를 제공하는 AI종합설계 졸업작품입니다.

Request Logs → Anomaly Detection → Case / Runbook Retrieval → Evidence-based Cause Analysis → Incident Report

팀장으로 프로젝트 범위와 모듈 간 데이터 전달 규격을 조율하고 있으며, Agent·Backend 영역을 담당하고 있습니다.

현재 팀별 모듈을 구현·검증하는 단계이며, 전체 End-to-End 연결은 아직 완료되지 않았습니다.

공개 저장소에는 Agent·Backend 연결을 위한 규칙 기반 사건 분석 Draft와 테스트·예제 JSON을 포함하고 있습니다.

현재 공개 구현과 전체 목표를 구분합니다.

현재 공개 구현

• 규칙 기반 사건 분석 Draft
• 입력·출력 JSON 예제
• Evidence 기반 분석 결과 구조
• Unit Test

진행 중인 전체 프로젝트 범위

• AI 기반 이상탐지
• 사례 / Runbook 검색
• Agent 기반 원인 후보 분석
• Backend 연결
• 사건 분석 결과 제공

실제 AI 이상탐지, TF-IDF 검색, LLM 연결과 전체 End-to-End 통합은 아직 진행 중입니다.

Repository

2026 스마트제조 전문인력 육성사업 제조AI 직무교육 참여 중

제조 시스템의 이름을 암기하기보다, 생산 문제를 데이터와 업무 흐름으로 연결하는 관점에서 학습하고 있습니다.

현재 교육에서 다루고 있는 주요 내용은 다음과 같습니다.

• ISA-95 기반 제조 활동과 데이터 흐름
• ERP / SCM / PLM / MES / POP / QMS / CMMS / WMS의 역할
• Sensor · Actuator · PLC · DCS와 실제 공정의 관계
• Order · Work Order · Lot · Equipment · Inspection 등 추적성 식별키
• 제조 문제를 Problem → Data → System → Action → KPI로 구조화하는 방법
• 확인된 사실과 원인 가설의 분리
• 제조 데이터와 RDB / 시계열 데이터 / 문서 지식의 역할 구분
• 생성형 AI 답변의 사실·가정·근거·추가 확인사항 검토

교육 내용을 단순 수료 기록으로 남기기보다, 개발 직무 관점에서 데이터 구조와 Backend 기능으로 직접 확장·검증하는 과정을 진행하고 있습니다.

Status: Partial Implementation — State / Action Core

캐릭터의 현재 상태와 행동 조건을 코드로 관리하고, 검증된 행동만 세계 상태에 반영하는 Python 기반 상태·행동 엔진입니다.

현재 구현 범위

• 상태 생성 및 관리
• 행동 허용 여부와 선행 조건 검증
• 성공한 행동의 상태 반영
• 실패 시 상태 유지
• 중복 행동 처리
• 성공·실패·누락·중복 경로 자동 테스트 13개

아직 구현하지 않은 범위

• LLM 연동
• 장기 기억 / RAG
• XR 연동

Tech: Python

Repository

현재 프로젝트에서 확인할 수 있는 구현 경험과 학교·교육에서 수행한 실습 경험을 구분해 정리합니다.

현재 공개 프로젝트에서 실제 사용되거나 구현된 기술입니다.

• Python — 데이터 처리, 상태·도구 로직, API 구현
• FastAPI — Endpoint와 Backend API 구성
• Pydantic — Request / Response Schema와 Validation
• pandas — 제조 데이터 집계·분석 Tool
• LangGraph — State 기반 Agent Workflow
• FastMCP — Python 분석 기능을 MCP Tool로 노출
• pytest — 핵심 기능과 Workflow 검증
• React / JavaScript — AI Web Service Frontend
• OpenAI API — Structured Response 기반 AI 기능 연결

학교·교육에서 직접 실행하거나 구현한 경험이 있으며, 현재 대표 사례를 다시 실행하고 원리를 설명할 수 있도록 복습하고 있습니다.

• Data Analysis

  • DataFrame
  • groupby / aggregation
  • merge / concat
  • 결측치·이상치 처리
  • 데이터 시각화

• Machine Learning

  • Classification / Regression
  • SVM / KNN / Logistic Regression
  • Decision Tree / RandomForest / Ensemble
  • Clustering / PCA
  • Model Evaluation

• PyTorch / Deep Learning

  • Tensor
  • Dataset / DataLoader
  • nn.Module
  • Training Loop
  • MLP / CNN
  • AutoEncoder

• Computer Vision

  • CNN / ResNet
  • Image Classification
  • Segmentation
  • OpenCV / YOLO 실습

• NLP

  • BoW
  • TF-IDF
  • Word Embedding
  • Word2Vec / FastText
  • LDA

• SQL / DB

  • SELECT / WHERE
  • GROUP BY
  • JOIN
  • 데이터 저장·조회와 관계형 데이터 구조

• Generative AI

  • OpenAI API
  • Structured Output
  • Function / Tool Calling 실습
  • RAG 구조 설계 및 검색 흐름 학습

Practice Experience는 수업·교육·과제에서 기능을 직접 실행하거나 구현해본 경험을 의미하며, 현재 모든 영역을 독립적으로 숙련했다는 의미로 사용하지 않습니다.

과거 프로젝트와 수업 실습을 그대로 현재 역량으로 간주하지 않고, 다음 기준으로 다시 확인하고 있습니다.

Run → Explain → Modify → Test → Document

현재 우선적으로 재검증하는 영역:

React → FastAPI → OpenAI → JSON Parsing → Pydantic Validation → UI

Structured Bloom을 기준으로 로컬 실행, 실제 OpenAI API 호출, Frontend ↔ Backend End-to-End 흐름, 코드 수정, Build·Lint까지 재검증했습니다.

Intent → Router → Tool → Evidence → Response

Manufacturing Data → SQL / DB → Traceability → API

Data → ML / PyTorch / Vision / NLP

재실행·수정·검증한 범위부터 현재 프로젝트 경험으로 반영합니다.

프로젝트에서는 기능의 개수보다 입력부터 결과와 검증까지의 흐름을 확인하는 것을 중요하게 생각합니다.

Data → AI / LLM → API / DB → Tool → Evidence → Test

• 구현된 기능과 계획 단계 기능을 구분합니다.
• 교육·수업 예제와 개인 구현 범위를 구분합니다.
• 실행 결과와 성능 수치는 검증 조건과 함께 기록합니다.
• AI가 생성한 결과와 실제 데이터 근거를 구분합니다.
• 과거 실습은 다시 실행하고 설명 가능한 범위부터 현재 역량으로 반영합니다.
• 모델이나 LLM 자체뿐 아니라 API·DB·도구·검증까지 연결되는 흐름을 확인합니다.

• Programming / Software
• Web / Backend / Database
• Data Analysis / Machine Learning
• Deep Learning / Computer Vision
• Natural Language Processing
• Generative AI
• AI Service Analysis & Design

• Smart Manufacturing
• Manufacturing Data
• Manufacturing System / Traceability
• AI Service Development
• Manufacturing AI Practice

• ADsP · 데이터분석 준전문가

GitHub · lightleaping · workingskyroad@gmail.com

_{Updated 2026-10-04 · 구현·실습·진행 중인 범위를 구분하고, 재검증한 경험부터 현재 역량으로 반영합니다.}