AI가 만든 슬라이드의 품질이 곧 서비스의 가치인 환경에서, 맡은 기능 너머의 문제를 직접 찾고 설계했습니다.

핵심 성과

• LLM Cost Tracker 자체 설계·개발 → 팀 내 LLM 호출 비용 모니터링 체계 구축
• 슬라이드 품질 개선을 위한 E2E 테스트 파이프라인 구축 → CanonicalTemplate 문제 특정 및 수정
• 결제 연동 버그 2건 직접 발견·원인 특정 → MVP 출시 전 결제 안정성 확보

Why

스타트업이 미국 투자자에게 pitch deck을 만들려면 시간과 비용이 많이 듭니다. Pitch:US는 AI로 SV 스타일의 슬라이드를 빠르게 생성해 이 과정을 단축하는 서비스입니다. AI가 만든 슬라이드의 품질이 곧 서비스의 가치였기 때문에, 품질과 안정성을 유지하는 것이 개발의 핵심 기준이었습니다.

How

LLM Cost Tracker — 문제를 먼저 발견하고 설계했습니다

PM의 반복된 비용 문의에서 구조적 문제를 인지했습니다. 팀이 LLM 호출 비용을 파악하지 못하면 모델 선택과 운영 판단을 제대로 할 수 없습니다. 아무도 시키지 않았지만, 기존 로직을 건드리지 않고 기능을 덧붙이는 방식으로 직접 설계하고 개발했습니다.

왜 DB 저장 방식을 선택했는가

OpenRouter API를 직접 호출하는 방식을 먼저 검토했습니다. 하지만 수십 건이 넘는 LLM 호출마다 외부 API를 호출하는 건 비효율적이고 rate limit 위험이 있었습니다. 기존 DB 테이블을 분석해 요청 정보가 이미 저장되고 있음을 확인했고, 컬럼을 추가해 비용과 누적값을 함께 저장하는 방식으로 설계했습니다.

AI로 구현하고, 직접 검증했습니다

구현을 AI에게 맡긴 후 성능을 분석했을 때, 한 사이클에 DB를 반복 접속하며 값을 꺼내고 더하는 구조를 발견했습니다. 메모리 변수로 중간값을 관리하고 DB 커넥션을 최소화하는 방식으로 직접 수정했습니다.

슬라이드 품질 개선 — 검증할 수 없으면 고칠 수 없습니다

슬라이드 품질 개선을 위한 프롬프트 수정을 요청받았습니다. 프롬프트를 바꿔도 어느 단계에서 품질이 떨어지는지, 수정이 실제로 효과가 있는지 확인할 방법이 없었습니다. 배포 환경에서는 각 단계의 결과를 직접 볼 수 없었기 때문입니다.

E2E 테스트 파이프라인을 직접 구축했습니다

슬라이드 생성 사이클의 각 단계별 입력과 출력을 직접 확인할 수 있는 테스트용 웹페이지를 만들었습니다. 이를 통해 프롬프트 수정 결과를 단계별로 검증하고 증명할 수 있는 환경을 구축했습니다.

기존 로직을 분석해 문제를 특정했습니다

기존 코드를 AI와 함께 분석하며 파고든 끝에, 고정된 CanonicalTemplate를 사용하고 있어 domain과 stage에 따라 슬라이드가 다르게 생성되지 않는 문제를 특정했습니다. 이를 수정해 슬라이드 품질을 개선했습니다.

버그 발견 — 서비스를 직접 써보며 찾았습니다

맡은 기능만 개발하는 데 그치지 않고, 사용자 입장에서 서비스를 반복 테스트했습니다. 문제가 생겼을 때 프론트 문제인지 백엔드 문제인지 직접 분석하고 원인을 특정했습니다.

• 결제 완료 후 슬라이드 잠금이 해제되지 않는 문제 발견 → Stripe webhook 수신 후 DB 상태값이 업데이트되지 않는 문제 식별
• 슬라이드 재생성 idempotency 문제 확인 → 재현 조건을 특정하고 수정 요청

Result

• 팀이 기능별, 모델별 LLM 비용을 직접 확인하고 모델 선택 판단에 활용
• 단계별 검증 환경 구축으로 프롬프트 수정 효과를 확인하고 슬라이드 품질 개선
• 결제 버그 2건 사전 발견으로 MVP 출시 전 안정성 확보

처음 접하는 기술 도메인에서 성능 문제를 직접 찾아 해결하고, 팀을 이끌어 완성했습니다.

핵심 성과

• numpy 벡터 연산 최적화로 얼굴 인식 로그인 매칭 성능 개선
• 애자일 방법론 도입 및 기능 명세 문서화로 팀 협업 프로세스 체계화
• LG전자 WebOS 환경에서 통합 테스트 및 검증 완료

Why

소상공인이 키오스크를 더 편리하게 운영할 수 있어야 합니다. 얼굴 인식 기반으로 사용자를 식별하고 개인화된 경험을 제공하는 키오스크를 LG전자 WebOS 환경에서 개발했습니다.

How

성능 문제를 직접 찾고 해결했습니다

얼굴 인식 로그인 과정에서 응답 속도가 느린 문제가 있었습니다. DB를 순회하며 고차원 벡터를 하나씩 비교하는 구조가 원인이었습니다. numpy 벡터 연산으로 거리 계산 로직을 최적화해 매칭 성능을 개선했습니다.

팀 방향이 흩어질 때 문서로 정렬했습니다

팀원들이 같은 기능을 다르게 이해하고 있다는 걸 인지했습니다. 기능 명세를 문서화하고 애자일 방법론을 도입해 스프린트별 역할을 명확히 나눴습니다. 방향을 맞추는 것이 개발 속도보다 먼저라고 판단했습니다.

• 주간 회의 진행 및 일정 조율, 이슈 관리 등 프로젝트 운영 총괄
• Notion을 활용한 스프린트 관리 / 작업 분배 / 설계 문서화

한 번도 접해본 적 없는 도메인을 이해하고, 이를 알고리즘으로 추상화해 논문으로 완성했습니다.

핵심 성과

• 한국정보기술학회 대학생 논문경진대회 우수논문상(동상) 수상
• 항공·UAM 도메인 요구사항 분석 후 MILP 모델로 추상화, 버티포트 리소스 최적해 도출 검증
• 팀 내 갈등 조율 후 프로젝트 성공적 마무리

Why

UAM 버티포트에서 이착륙 패드, 게이트, 지상 이동 경로를 비효율적으로 운영하면 병목이 생깁니다. 리소스를 최적으로 스케줄링해 운영 효율을 높이는 것이 이 프로젝트의 목표였습니다.

How

낯선 도메인을 구조로 만들었습니다

항공·UAM은 완전히 처음 접하는 도메인이었습니다. 기술보다 도메인 이해를 먼저 했습니다. UAM 이착륙 프로세스를 깊이 분석하고 이를 혼합정수선형계획(MILP) 모델로 추상화했습니다. 도메인을 모르면 올바른 알고리즘을 설계할 수 없다는 판단이었습니다.

• 항공·UAM 도메인 요구사항 분석 후 UAM 이착륙 프로세스 추상화
• Python PuLP 라이브러리를 활용한 MILP 모델 설계 및 성능 테스트
• 「혼합 정수 선형 계획법을 활용한 단일 버티포트 내 UAM 리소스 최적화」 논문 작성

갈등을 조율하고 프로젝트를 살렸습니다

촉박한 일정 속에서 기능 설계 방향에 대한 의견 충돌이 생겼습니다. 요구사항과 프로젝트 가치를 기준으로 방향을 재정의하고, 일단위 일정을 새로 잡아 팀을 설득했습니다. 이 과정을 거쳐 논문을 쓸 수 있는 프로젝트를 완성했습니다.

핵심 성과

• 프론트엔드 단독 개발로 MVP 완성 및 Netlify 배포
• 전역 상태 캐싱 구조 도입으로 중복 API 호출 제거
• i18n 다국어(한/영) 지원 및 박람회 시연용 인터랙션 UI 구현

Why

키오스크를 사용하는 점주가 매출을 직접 확인하고 분석할 수 있어야 합니다. 일간, 주간, 월간 단위로 매출 데이터를 시각화하는 대시보드를 만들었고, 박람회 시연과 글로벌 서비스를 위한 기능까지 혼자 구현해 배포했습니다.

How

API 호출 구조 개선 — 성능 여유를 먼저 확보했습니다

일간, 주간, 월간, 달력 전환마다 동일한 API를 반복 호출하는 구조였습니다. 화면 전환이 잦은 대시보드에서 매번 API를 호출하는 건 불필요한 비용이라고 판단했습니다. 한 번에 데이터를 가져오고 전역 상태에 캐싱해 화면 전환에서 자유로운 구조를 먼저 만들었습니다.

• 날짜별, 단위별 결과를 전역 상태에 캐싱해 중복 호출 제거
• Key 기반 화면 전환으로 캐싱된 데이터 재사용
• 사용자 데이터를 Redux-store 전역 상태로 관리해 화면 전환 시 초기화 문제 해결

혼자 끝까지 완성했습니다

기획부터 배포까지 프론트엔드 전체를 혼자 담당했습니다. 처음 접하는 도메인이었지만 요구사항을 파악하고 필요한 기능을 직접 판단해 구현했습니다.

• 매출 분석 대시보드 구조 설계 및 차트 UI 구현
• Framer-motion 기반 박람회 시연용 인터랙션 애니메이션 구현
• i18n 기반 다국어(한/영) 지원
• Netlify를 활용한 MVP 배포

Result

• 프론트엔드 단독 개발로 MVP 완성 및 박람회 시연
• 중복 API 호출 제거로 화면 전환 성능 개선

인도 뱅갈루루 LG전자 연구소에서 약 70만건 규모의 에어컨 사용 데이터를 분석하고, ML 모델 성능을 검증했습니다. 처음 접하는 도메인에서 가설을 세우고 반복 검증하며 인사이트를 도출했습니다.

핵심 성과

• 약 70만건 규모 사용자 데이터 EDA 수행 및 데이터 클렌징 파이프라인 구축
• ML 모델 성능 비교 평가 (MAE, RMSE 기준) → 최적 모델 선정 근거 제시
• 분석 인사이트 기반 프레젠테이션 수행, 글로벌 R&D 환경 협업 경험

How

모르면 가설을 세우고 검증했습니다

초기 EDA 단계에서 어떤 지표를 중심으로 데이터를 해석해야 하는지 명확하지 않았습니다. 여러 가설과 시각화 샘플을 직접 정리해 현지 멘토에게 피드백을 요청했고, 반복 검증을 통해 outlier를 파악하고 데이터 분석 방향을 잡았습니다. 답을 기다리지 않고 먼저 시도했습니다.

• pandas 기반 이상치 제거·결측치 처리·데이터 구조화 파이프라인 구축
• seaborn/matplotlib 활용 통계 분석 및 시각화 자료 제작
• Azure ML Studio 기반 회귀 모델 실험 및 MAE, RMSE 지표 비교 평가