김민욱 · 데이터 엔지니어 → AI 교육

숫자로 검증하고,
안 되면 왜 안 되는지 숫자로 말합니다.

통신·금융·공공·보건의료 현장의 데이터를 14년간 다뤘고, 2026년 아이펠에서 딥러닝·NLP·LLM을 처음부터 다시 쌓았습니다. 현장 사이사이 가르치는 일도 해 왔습니다.

현장 경력

DW·데이터 14년

DW·ETL·BI 설계·개발·운영

AI 교육 이수

아이펠 3기

모두의연구소 아이펠(AIFFEL) AI 엔지니어 3기 수료 (2026.05 ~ 2026.11)

가르친 경험

강의 3회

웹 프로그래밍 강사(2010) · 기업 MSTR 사용자·개발자 교육(2013) · 중등~대학생 코딩 강사(2023)

데이터 현장

SQLOracleETL · DataStageMicroStrategy데이터 모델링정보처리기사 · OCP

AI · 배포

PythonPyTorchYOLOTransformerLangChain · RAGASFastAPIDocker · GCP

대표 프로젝트 · 아이펠 AI 엔지니어 3기 과정 (2026.05 ~ 11)

2026.09 ~ 11 · 3인 팀 · 팀장·발표 · 제조기업 협업

스마트폰 사진으로 샤프트 외경 판정하기

Ø20.020 ±0.010mm 공차를 사진으로 합격·불합격 가를 수 있는지 시험했습니다.

사진 오차 7.9µm
vs 평균값만 불러도 6.4µm
촬영 전에 정한 규칙(교정 3개 → 평가 7개)으로 판정했고, 지금 방식으로는 판정할 수 없다는 결론을 냈습니다.
현장 촬영 3회→경계 검출→교정→평가→오차 예산
  • 사진 한 장의 경계는 0.1px(약 3µm)까지 반복됐습니다. 막은 것은 해상도가 아니라 촬영 중 경계 변화와 시편별 치우침이었습니다.
  • 원인별 오차를 합성하면 약 12µm이고, 이 공차를 가르려면 1µm가 필요합니다. 이 오차 예산이 다음 시스템의 출발점입니다.
  • 반복성(%GRR)을 분석하고, 촬영 직후 다시 세팅할지 판정하는 현장 점검 도구를 만들었습니다.

숫자가 바꾼 판단 · 좋아 보이던 점수를 "평균값 부르기" 기준선과 나란히 놓자 결론이 뒤집혔습니다.

2026.06 ~ 07 · 5인 팀 · 발표자 · 해커톤

풍력터빈 블레이드 손상 탐지 (YOLO)

놓치면 안 되는 손상을 얼마나 덜 놓칠 수 있는지 다뤘습니다.

손상 recall 0.856 → 0.944 재학습 없이 5개 모델 추론을 WBF로 합쳤습니다. test 301장, 전체 후보 스크리닝 기준입니다(같은 문턱 conf 0.05에서는 0.856 → 0.894). 기수 발표 1위로 제주 런케이션 메가톤 본선(6팀)에 올라 장려상을 받았습니다.
5개 모델 비교→정상 이미지 주입→WBF 앙상블→외부 데이터 교차 검증
  • 정상 이미지 주입으로 헛경보 줄이기, WBF 앙상블, RT-DETR 발산 원인 분석을 맡았습니다.
  • 앙상블을 사용법과 함께 묶어 공유했고, 팀원들이 각자 외부 데이터로 교차 검증했습니다.
  • 대가도 함께 기록했습니다. 후보를 넓게 띄워 정밀도는 0.394 → 0.150으로 내려갔고, 위치 정확도(mAP50-95)는 단일 yolo11s가 0.547 vs 0.542로 근소하게 앞섰습니다.

숫자가 바꾼 판단 · 병목이 "놓침"이라 recall을 올리는 쪽을 택했고, 잃은 것도 같은 표에 남겼습니다.

2026.07 ~ 08 · 팀 · 팀장·발표자 · DLthon

그림체 Visual RAG: 4컷 만화 생성과 자동 검수

그림체로 레퍼런스를 찾아, 네 컷이 같은 그림체로 나오게 할 수 있는지 시험했습니다.

컷2~4 그림체 정확도
0.185 → 0.370
첫 컷을 3장 뽑아 채점기로 고른 뒤 이어 그렸습니다. 확장 코퍼스 기준 27편·126장, 95% 구간 +0.037 ~ +0.333입니다.
그림체 레퍼런스 검색→4컷 생성→채점기 검수→첫 컷 보증
  • 주제를 기획하고 채점기를 설계했습니다. 수묵화 9종 코퍼스에서 그림체 판별 정확도는 무작위 0.111 · CLIP 0.296 · Gram(VGG19) 0.440이었습니다.
  • 코사인 유사도와 정확도의 상관이 0.290에 그쳐, 코사인을 품질 지표로 쓰지 않았습니다.
  • 심사에서 아이디어의 출발점과 실험의 탄탄함을 평가받았고, 기술 구조를 더 보여 달라는 피드백도 받았습니다.

숫자가 바꾼 판단 · 채점기가 진짜 그림의 56%를 틀리게 짚는다는 것을 확인하고, 그 채점기로 자동 재생성 루프를 돌리면 손해라고 판단했습니다.

2026.06 ~ 07 · 개인

직접 구현: 번역기 → 트랜스포머 → GPT-1 → mini BERT

트랜스포머 계열 모델을 구조부터 손으로 짜며 이해했습니다.

mini BERT 1.86M 파라미터
MLM loss 7.365 → 6.461
한국어 위키 일부로 12 epoch 사전학습했습니다. BERT-base(약 1.1억)의 약 1/60 크기입니다.
seq2seq + attention→Transformer→GPT-1→mini BERT
  • 아이펠 노드 코드를 출발점으로 문제를 고치고 개조했습니다. 한→영 번역기에서 트랜스포머 챗봇·번역기를 거쳐 디코더 전용 GPT-1까지 이어 갔습니다.
  • BLEU는 챗봇 4.13, 번역 2.26으로 낮습니다. 목표는 점수가 아니라 구조를 손으로 이해하는 것이었습니다.
  • 논문 주장(label smoothing은 perplexity를 나쁘게 한다)을 제 데이터에서 다시 재 보니 결과가 달랐던 점도 기록했습니다.

숫자가 바꾼 판단 · 낮은 BLEU를 숨기지 않고, 무엇을 확인했는지(loss의 단조 감소)로 설명했습니다.

2026.07 · 개인

LLM 응용과 평가: RLHF · RAG · 로컬 LLM

모델이나 지표를 바꾸면 무엇이 정말 달라지는지 확인했습니다.

로컬 LLM으로 바꿔도
품질은 같고 속도만 달랐습니다
임베딩·문서·심판·질문 20개를 고정하고 LLM만 교체했습니다. 로컬 15.3분 vs API 8.1분입니다.
조건 고정→LLM만 교체→RAGAS 채점→시간·지표 비교
  • answer_relevancy는 0.146 / 0.421 / 0.637로 갈렸지만 세 모델 모두 맞게 답했습니다. 간결하게 답한 모델이 가장 낮아, 지표가 품질보다 답변 형태에 흔들린다는 것을 확인했습니다.
  • KoChatGPT RLHF(SFT → RM → PPO)를 로컬 ROCm에서 재현하고, 베이스를 KoGPT2(117M)에서 1.2B로 교체해 SFT 단계 ROUGE-1을 0.253 → 0.304로 올렸습니다(학습 데이터 기준 상대 비교).
  • Advanced RAG(Multi-Query, HyDE, Reranker, Self-RAG)를 RAGAS로 비교했습니다.

숫자가 바꾼 판단 · 한 번에 하나만 바꿔야 원인을 말할 수 있습니다. 로컬 LLM의 선택 기준은 품질이 아니라 비용·보안·시간입니다.

그 밖의 프로젝트

프로젝트내용링크
집값 예측 (Kaggle)한 단계씩 바꿔 가며 실험해 private RMSE를 단일 LightGBM 112,245에서 5모델 블렌드 106,130으로 낮췄습니다. 효과가 없던 피처 시도도 기록했습니다.DA02
스페이스십 타이타닉RandomForest 베이스라인과 CatBoost를 비교하고, 기각된 가설까지 남겼습니다.MQ01
얼굴 스티커 · 인물 모드얼굴 랜드마크를 다루고, 세그멘테이션 실패 사례를 분석했습니다.CV01 · CV02
모델 배포FastAPI · Streamlit · 비동기 서빙을 실습했습니다.DP01 ~ DP08
MLOps분류 모델 API를 Docker로 묶어 GitHub Actions → Docker Hub → GCP VM으로 자동 배포했습니다.mlops_serving

일하는 방식