AI & LLM Engineering
AI 모델 설계 및 성능 최적화
- ML 기반 추천 시스템 구현
- DL 기반 이미지 분류·시계열 예측·NLP
- LLM 기반 RAG 챗봇·멀티 에이전트 프레임워크
AI / ML Engineer
김해빈Haebin Kim
LLMRAGMulti-AgentMLOps
AI 모델을 직접 만들고, 학습시키고, 배포하며 성장해욌습니다. ML/DL 모델의 최적화부터 LLM·RAG 기반 멀티 에이전트의 설계까지, 새로운 기술을 빠르게 배우고 서비스화 하는 것이 저의 강점입니다.
- 끝까지설계부터 배포까지 완주
- 실험 지향가설을 데이터로 검증
- 빠른 학습새 기술 습득·적용
- 협업 리딩기획·개발 잇는 소통
소개
🎓 Education
- 2026.02
서강대학교 AI·SW 대학원 데이터사이언스·인공지능 석사 졸업논문: 바이오 실험 프로토콜 생성 멀티 에이전트 프레임워크 제안
- 2021.08
연세대학교 바이오융합공학 학사 졸업
- 2017.02
고양외국어고등학교 영어과 졸업
💼 Experience
- '22.12–'24.08
씨젠(Seegene) 인실리코 기획팀온프레미스 시스템 클라우드 전환 기획 · UX/UI 설계 · 운영 이슈 관리
- '21.07–'22.12
씨젠(Seegene) FDA 연구개발팀논문 리서치 · 실험 데이터 분석 · 코로나 진단키트 개발 및 허가 문서 작성
🏆 Awards & Activities
- AI Hellothon 2024 본선 진출
- LG Aimers 7기 해커톤 본선 진출
- 엔코아 플레이데이터 AI 부트캠프 수료
핵심역량
AI Service Operations & MLOps
AI 서비스 배포·운영 End-to-End
- MLflow 기반 모델 실험·버전 관리
- FastAPI 기반 AI 추론 서버 구축
- AWS(S3·EC2·RDS) 운영 인프라 구성
- LLM 검증 파이프라인 설계
Product Management
실서비스 기획 및 프로젝트 리딩
- 유저 페인포인트 분석·요구사항 정의
- 사용자 중심 UX/UI 설계, 데이터 플로우 설계
- 단위 테스트 기획·QA, 애자일 프로젝트 리딩
대표 프로젝트
01
[씨젠] 유전체 데이터 분석 웹서비스 기획
프로젝트 개요
기존 사내의 유전체 분석 및 프라이머 디자인 시스템은 온프레미스 환경에서만 운영되어 외부 사용자에게 제공할 수 없는 한계가 존재했습니다.
플랫폼 사업으로의 확장을 위해 위 시스템을 클라우드 기반 웹서비스로 전환하는 프로젝트의 초기 기획을 맡아,
사용자 인터뷰로 페인포인트를 도출하고 신규 기능 기획·UX/UI 와이어프레임·데이터 플로우 설계·QA까지 서비스 기획 전반을 리딩했습니다.
- 220p규모 화면 설계·개발·QA 완료
- On-prem → Cloud플랫폼 사업 전환 기획
- 3-party디자인·FE 외주 협업 리딩
담당 역할 · 주요 기획 사항 자세히 보기
요구사항 정의
연구원 사용자 인터뷰로 온프레미스 운영의 페인포인트를 도출해 개선 요구사항으로 구조화
기획·설계
신규 기능 기획, UX/UI 와이어프레임 디자인, 화면 간 데이터 플로우 설계
협업 리딩
디자이너·FE 외주업체와 일정 관리 및 개발 프로세스 조율, 커뮤니케이션 허브 역할
품질 관리
220p 규모 화면을 직접 QA하고, 모듈 BE 재구현으로 구동 시간 단축·불필요 로깅 제거
주요 기획 사항
01
모듈 구동 상태·실패 원인을 직관적으로 시각화하고, 재구동을 위한 버전 관리 화면 및 히스토리 기록·추출이 가능한 “디자인 노트” 기능 기획
02
웹 화면에서 데이터 수정 시 태그화·즉시 반영으로 다운로드·수정·공유 프로세스를 생략하고, 실시간 동기화·알림으로 Trackable하게 설계
03
데이터 특성을 고려한 차트·그래프를 구성하고, 유저 편의성을 위한 Drag&Drop·Scroll·Pop-up 등 인터랙션 배치
※ 사내 프로젝트로 공개 저장소는 제공되지 않습니다.
02
[석사 논문] 바이오 프로토콜 생성을 위한 멀티 에이전트 프레임워크 제안
프로젝트 개요
바이오 논문의 Methods만으로는 실험 재현에 한계가 있으며, 실험 프로토콜 생성의 인적·시간적 소모로 인해 바이오 연구의 재현성 위기가 발생합니다.
실험 프로토콜 생성에 단일 LLM을 사용 시, 재료·조건을 지어내는 심각한 할루시네이션과 단계 누락 문제를 목격했습니다.
이에 실험 프로토콜 작성 프로세스를 계획 → 구조화 → 작성의 계층으로 분해하는 멀티 에이전트 구조를 설계하고,
각 출력을 Chain-of-Verification + ReAct 방식으로 검증하는 프레임워크를 제안했습니다.
- 0.494 → 0.816Step-F1 (단일 LLM → 멀티에이전트 계층 분해)
- 0.415 → 0.456재료 매칭 IOU (CoVe 검증 적용 후)
- 5-agent계층 분해 파이프라인 설계
에이전트 설계 · 성능 개선 과정 자세히 보기
문제 정의
Methods를 실행 가능한 IR로 바꾸는 문제를 Protocol→Task→Step→Action 계층으로 정형화
에이전트 설계
LangGraph로 Planner·Extractor·Verifier·Writer 5개 노드를 상태 기반 워크플로우로 오케스트레이션
RAG · 검증
Sentence-Transformers+FAISS로 Methods 근거를 검색하고 Chain-of-Verification으로
로컬/글로벌 판정 분리
평가 설계
Step-F1, Material·Condition Soft-IOU, Grounding 등 다층 메트릭을 직접 설계하여 정확도와 신뢰성 검증
에이전트 워크플로우
- Task PlannerMethods에서 핵심 실험 태스크 추출
- Step Planner태스크를 단계별 절차로 구조화
- Action Extractor각 단계를 원자적 액션(Add·Incubate…)·재료·조건으로 구조화
- Verifier (ReAct)doc_search·RAG 등 도구를 스스로 선택·실행해 근거 기반으로 사실성 검증
- Writer구조화 IR → 자연어 프로토콜 생성
가설 → 실험 → 검증으로 성능을 끌어올린 과정
- F1 0.494 단일 프롬프트(P1) 베이스라인 — 낮은 Step 추출 정확도 확인
- 환각 문제 근거 없는 재료·조건 생성 → Verifier(ReAct) 도입으로 도구 기반 사실성 검증
- Precision↑ Task→Step→Action 계층 분해로 오추출을 단계별로 차단
- F1 0.816 멀티에이전트 계층 분해(P5)로 Step-F1 81.6%까지 개선
03
편ZIP — 편의점 신상품 리뷰 AI 감성분석 서비스
프로젝트 개요
편의점 신상품은 VoC가 활발하게 반영되는 분야임에도, 리뷰가 여러 채널에 분산되어 있으며 광고성 리뷰가 다수인 점을 발견했습니다.
또한, “가격은 창렬이지만 완전 맛도리”처럼 한 문장에 맛·가격의 극성이 공존하거나, 신조어·유행어가 포함되어 있어 범용 감성분석 API로는 분리 평가할 수 없다고 판단하고, 맛·가격에 특화된 감성분석 모델을 직접 파인튜닝해 감성 점수·키워드 리포트로 제공하는 웹서비스를 기획했습니다.
- 0.522 → 0.898F1-score (약 72% 상대 향상)
- +32.65%p커스텀 토크나이저 정확도 개선
- 2-serverWeb·추론 분리 아키텍처 설계
담당 역할 · 성능 개선 과정 자세히 보기
데이터
마켓컬리 리뷰 11.6만 건 수집 → 문장 분리 후 약 1만 건 도메인 라벨링 데이터셋 직접 구축
모델링
도메인 신조어를 반영한 커스텀 토크나이저 재학습 + klue/bert-base 파인튜닝
서빙·인프라
Django(웹) ↔ FastAPI(추론) 분리 설계, AWS EB·EC2·RDS·S3 배포, GitHub Actions CI/CD
서비스 설계
확신도 임계값 필터링·콜드스타트 방어 등 “신뢰할 수 없는 점수를 노출하지 않는” 로직 설계
가설 → 실험 → 검증으로 성능을 끌어올린 과정
- F1 0.522 4개 사전학습 모델 비교 →
klue/bert-base베이스라인 선정 - Acc 0.83 신조어가
[UNK]로 깨지는 문제 → 커스텀 토크나이저 재학습 (0.50→0.83) - F1 0.858 낮은 Precision을 클래스 불균형으로 가설 → 다운샘플링·증강
- F1 0.866 경계 케이스에 Focal Loss 적용해 학습 신호 집중
- F1 0.898 오분류 202건을 모아 재학습 → 최종 맛 0.898 / 가격 0.900
기타 프로젝트
ML 기반 와인 추천 서비스
Vivino 와인 사이트의 테이스팅 점수·리뷰 데이터를 크롤링·전처리해 ML 기반 와인 추천 시스템을 구현했습니다. 와인 지식과 미각 경험을 축으로 사용자군을 와못알·와잘알·맛잘알로 세분화하고, 각 사용자군의 콜드스타트 정도에 맞춰 회귀 기반 평점 예측 · 콘텐츠 기반 · 아이템 기반 협업 필터링으로 추천 전략을 차등 설계했습니다.
CNN 기반 탈모 단계 분류 서비스
두피 이미지 공공데이터를 활용해 탈모 단계를 분류하는 시스템을 구현했습니다. ResNet50 · EfficientNet-B0 · MobileNetV2 등 CNN 모델의 성능을 비교 후, 중요 채널에 집중하는 SE Layer를 더한 SE-ResNet50으로 accuracy 0.73→0.75 개선하고, 데이터 증강 및 파인튜닝으로 최종 accuracy 0.81 확보했습니다.
RAG 기반 약사 챗봇
임산부 복약 안내의 LLM 환각을 억제하기 위해 식약처 의약품 DB·DUR 정보로 Vector DB를 구축하고, LangChain으로 RAG 기반 응답 챗봇을 구현했습니다. 디버깅·평가에 LangSmith 활용하여 성능을 검증했습니다.
식음업장 수요 예측 🏆 LG Aimers 7기 본선
변동성·계절성이 큰 매출 데이터에 강한 NHiTS를 선택하고, 분포 비대칭에 log 변환·멀티 윈도우 검증을 적용해 성능을 확보했습니다. 특히 EDA로 매장별 패턴 차이를 발견해 군집별 모델링을 함으로써 성능을 크게 향상(SMAPE −0.03)할 수 있었습니다. 해커톤 참가자 총 2,570명 중 예선 29위·본선 23위의 성적을 기록했습니다.
교육용 AI 라이어 게임 🏆 AI Hellothon 2024 본선
Elice 생성형 AI Helpy Pro와 대결하는 교육용 온라인 라이어 게임을 기획했습니다. True/False 판단에 특화된 sLLM과 표정 인식 모델 DeepFace를 적용해 게임 규칙을 설계했습니다.
청소년 비행 범죄 예측
교내 활동으로 청소년 비행·아동 학대·학교폭력 신고 건수 데이터 간 상관관계를 분석해 시계열 모델링을 수행했습니다. 특히 PCA로 24시간을 4개 시간 그룹으로 차원 축소해 성능을 크게 개선할 수 있었습니다.