• 학점 3.81 / 4.5

담당업무: Agentic AI 기반 검색·챗봇 시스템 연구개발 및 AI 모델 서빙·인프라 구성

• OpenSearch + Vector DB 인덱싱 및 RAG 파이프라인 구축
• 검색 엔진 마이그레이션: Apache 2.0 라이선스 마지막 버전인 Elasticsearch 7.10.2에서 최신 OpenSearch 3.x로 전환 — 인덱스·매핑 이관, 쿼리·클라이언트 호환성 대응
• 범용 파일 인덱싱 API 개발 (PDF, HWP, PPT 등)
• LangChain / LangGraph 기반 AI 에이전트 설계 — 고정된 워크플로(predefined path)가 아닌, 모델이 자율 판단으로 툴 호출을 이어가는 동적(agentic) 오케스트레이션 구현
• Multi-Agent + 페르소나 기반 역할 분리로 응답 일관성·역할 유지
• 배포 후 지속 모니터링으로 검색 품질 측정, 시간 경과에 따른 성능 저하(drift) 탐지·대응
• 성과: 고객사 DB 연결 없이 범용 파일 인덱싱 실현, 다국어 입출력 지원, 최근 3개월 평균 3.8k 사용자

• FastAPI 기반 API 인증 서버 및 모델 자동 라우팅 구현 — 모든 LLM 트래픽이 거쳐 가는 단일 게이트웨이(API 키 인증, IP 접근 제어, OpenAI 호환 프록시)
• Prometheus + Grafana 기반 모니터링·시각화
• 성과: 모델 상태(응답 지연·오류율) 기반 Failover 및 우선순위 라우팅, 동시 요청 100건 0.1초 내 처리, 월 평균 3만 건 API

• 네트워크: 서버 간 네트워크 구성·연결, 방화벽·ACL 정책 관리, 도메인/DNS 관리, SSL/TLS 인증서 발급·갱신
• 배포: Docker / docker-compose 기반 다중 서비스 구성·배포, Nginx 웹서버·로드밸런싱 구성으로 무중단 배포, GitLab CI · Jenkins 기반 CI/CD 파이프라인 구축, GPU 서버 세팅(드라이버·CUDA·NVIDIA Container Toolkit)
• 운영·관측: 로그 수집·관리, 장애 알림 룰 구성, 리소스 모니터링 및 용량 산정, DB 백업·복구
• 클라우드: 네이버 클라우드(NCP) 리소스(VPC·서버·스토리지) 관리 및 온프렘↔클라우드 연동, CSAP·GS 인증 취득 지원, KMS v2 키 관리
• AI 서비스: vLLM 기반 로컬 LLM·Reranker 추론 서빙 인프라 구축·운영 — H100 ×1 1대 + RTX 4090 ×2 3대(총 4대) GPU 서버에 모델 서빙 구성, 외부 API 없이 자체 서빙
• AI 가속기 도입 벤치마크 (단독 담당): Pliops SSD 레벨 KV 캐시 오프로딩 가속기에 대해 국내 유통사의 수입 검토를 위한 성능 검증을 전담 — vLLM 추론 서빙 환경에서 TTFT·프리필 지연, 처리량, KV 캐시 히트율·용량을 측정하는 벤치마크 시나리오 설계·수행 및 결과 리포팅
• 폐쇄망 로컬 LLM 서빙 검증: 폐쇄망 환경 도입을 위한 로컬 LLM 서빙 구축 — RTX 4090 ×1 / ×2, MacBook Pro 48GB, DGX Spark 하드웨어별 벤치마크 및 실사용 테스트로 도입 구성 비교·검증, Linux · CUDA 기반 AI 인프라 세팅 포함

담당업무: 도메인 특화 sLLM 파인튜닝 · LLMOps · 서빙 및 LLM 평가 벤치마크 연구개발

• 데이터 정제·수집, 학습 파이프라인 구축, Docker 기반 sgLang 서빙
• LLMOps: MLflow · WandB · DVC로 튜닝 데이터셋 · 하이퍼파라미터 레시피 · 모델 아티팩트를 버전 관리 — 실험 이력 추적 및 재현 가능한 학습 파이프라인 구성
• SFT 기법(FFT · LoRA · QLoRA) 비교 및 양자화(Quantization) 기반 경량 파인튜닝, CoT 데이터 학습
• H100 80GB × 8 단일 노드에서 FSDP · DeepSpeed ZeRO 샤딩으로 분산 학습 환경 구성 — LLaMA-Factory 기반 학습 구성에 Mixed Precision · Gradient Checkpointing · FlashAttention · FlashInfer 커널 백엔드 적용
• vLLM Prefill/Decode 분리(P/D Disaggregation) 서빙 구성 — KV 캐시 전송 경로 및 인스턴스별 병렬도·배치 정책 분리 조정
• 성과: Base 모델 33점 → 파인튜닝 67점 (2배), 사내 배포 및 QA 실사용 검증

• Chain-of-Thought(CoT) 기반 평가 템플릿, 10개 세부 항목 설계
• 성과: GT 데이터 100개 기준 신뢰도 89.5%

• 커스텀 스킬 개발·공유: 사내에서 자주 쓰는 업무를 스킬(Skill)로 직접 제작해 팀에 공유·활용
• 에이전트 하네스 구축: oh-my-claudecode 등 플러그인·스킬·서브에이전트를 조합해 멀티에이전트 오케스트레이션 환경 구성 — 구현 → QA · 테스트 · 검증까지 자동으로 수행되는 파이프라인 운영
• Hooks 기반 정책 자동화: 훅(Hooks)으로 개발 정책·점검 규칙을 자동 강제
• 토큰 최적화: 토큰 최적화 프록시(RTK) 를 실무에 적용해 토큰 사용량·비용 절감
• 컨텍스트 엔지니어링: CLAUDE.md로 프로젝트 공용 지침·개발 방식·점검 방식을 정의해 에이전트의 정확도와 일관성 확보
• AI 활용 Full-stack 확장: 백엔드·AI 중심 업무를 AI 코딩 에이전트를 활용해 프론트엔드까지 Full-stack으로 확장, 서비스 개발 전 영역 겸임

• 이노디스AX에서 Claude Code 활용 사내 세미나 개최 — 토큰 최적화 프록시, codebase-mcp 등 실전 활용법 공유
• 프로젝트별 표준 가이드·설정 구축: 프로젝트마다 CLAUDE.md·공용 설정·개발 표준 가이드를 정비해 팀 단위 AI 도입 기반 마련
• 비개발 직군 대상 AX 교육 — 현업 부서가 업무에 AI를 활용할 수 있도록 교육·지원

• Mammogram Processing for All — 맘모그램 영상 분석용 오픈소스 뷰어/편집 프로그램 및 관련 문서 제공

• WiFi CSI 기반 인간 행동 인식, 프라이버시 보존 분산 센싱
• 라즈베리파이 4B + Nexmon CSI로 CSI 수집 노드를 구성해 분산 센싱 환경 구축 및 데이터 수집
• 논문: Distributed HAR System for Scalable Wi-Fi Sensing — 확장 가능한 WiFi 센싱을 위한 분산 행동 인식 시스템 (CSI 스펙트로그램 → ViT 분류, 데이터 1/N로 정확도 90%, 도청 모델 정확도 ~30% 이하)

• EDA, 통계 분석, NLP 전처리

• GPA 3.81 / 4.5

Scope: R&D on agentic-AI search and chatbot systems, and AI model serving & infrastructure

• Built OpenSearch + Vector DB indexing and a RAG pipeline
• Search engine migration: moved from Elasticsearch 7.10.2, the last Apache-2.0-licensed release, to the latest OpenSearch 3.x — index/mapping migration and query/client compatibility work
• Developed a general-purpose file indexing API (PDF, HWP, PPT, etc.)
• Designed AI agents with LangChain / LangGraph — dynamic, agentic orchestration where the model autonomously directs its own tool calls, rather than a predefined workflow path
• Role separation via multi-agent + persona design for consistent responses and stable role adherence
• Continuous post-deployment monitoring to measure search quality and counter performance drift over time
• Impact: general-purpose file indexing without connecting to customer DBs, multilingual I/O, avg. 3.8k users over the last 3 months

• Implemented a FastAPI-based API auth server and automatic model routing — a single gateway all LLM traffic passes through (API key auth, IP access control, OpenAI-compatible proxy)
• Monitoring and visualization with Prometheus + Grafana
• Impact: failover and priority routing based on model status (latency, error rate), 100 concurrent requests handled within 0.1s, ~30k API calls/month

• Networking: server-to-server network setup, firewall / ACL policy management, domain & DNS management, SSL/TLS certificate issuance and renewal
• Deployment: multi-service setup and deployment with Docker / docker-compose, zero-downtime deployment via Nginx web servers and load balancing, CI/CD pipelines with GitLab CI / Jenkins, GPU server provisioning (drivers, CUDA, NVIDIA Container Toolkit)
• Operations & observability: log collection and retention, alerting rules for incidents, resource monitoring and capacity planning, DB backup and recovery
• Cloud: Naver Cloud (NCP) resource management (VPC, servers, storage) and on-prem ↔ cloud integration, supported CSAP / GS certification, KMS v2 key management
• AI services: built and operated the vLLM-based local LLM / Reranker inference serving infrastructure — model serving across four GPU servers — one with 1× H100 and three with 2× RTX 4090, served in-house without external APIs
• AI accelerator benchmarking (sole owner): led the performance validation for a Korean distributor’s import evaluation of Pliops SSD-level KV-cache offload accelerators — designed and ran the benchmark scenarios on vLLM inference serving (TTFT / prefill latency, throughput, KV-cache hit rate and capacity) and reported the results
• Air-gapped local LLM serving validation: built local LLM serving for closed-network deployment — benchmarked and real-use-tested candidate setups across RTX 4090 ×1 / ×2, MacBook Pro 48GB, and DGX Spark hardware, including Linux / CUDA-based AI infrastructure provisioning

Scope: Domain-specific sLLM fine-tuning, LLMOps, serving, and LLM evaluation benchmark R&D

• Data cleaning/collection, training pipeline, Docker-based sgLang serving
• LLMOps: versioned tuning datasets, hyperparameter recipes, and model artifacts with MLflow · WandB · DVC — experiment tracking and a reproducible training pipeline
• Compared SFT methods (FFT · LoRA · QLoRA) and applied quantization for lightweight fine-tuning, trained on Chain-of-Thought (CoT) data
• Distributed training on a single node with 8× H100 80GB — FSDP / DeepSpeed ZeRO sharding, with mixed precision, gradient checkpointing, and FlashAttention / FlashInfer kernel backends applied in a LLaMA-Factory training setup
• vLLM prefill/decode disaggregated (P/D) serving — KV-cache transfer path and per-instance parallelism/batching policies tuned separately
• Impact: base model 33 → fine-tuned 67 (2×), internal deployment and QA real-use validation

• Chain-of-Thought (CoT) evaluation templates, 10 detailed criteria
• Impact: 89.5% reliability on 100 ground-truth samples

• Custom skill development & sharing: built frequently-used internal workflows into reusable Skills and shared them across the team
• Agent harness engineering: composed plugins, skills, and subagents (e.g. oh-my-claudecode) into a multi-agent orchestration setup — a pipeline that runs implementation through QA, testing, and verification automatically
• Hook-based policy automation: enforced development and review policies automatically via hooks
• Token optimization: applied a token-optimizing proxy (RTK) in production use, cutting token usage and cost
• Context engineering: defined project-wide conventions, development practices, and review criteria in CLAUDE.md for accurate, consistent agent behavior
• AI-augmented full-stack: extended a backend/AI-focused role into full-stack development by leveraging AI coding agents, covering the frontend side of services as well

• Hosted an in-house Claude Code seminar at innodisAX — covering the token-optimizing proxy, codebase-mcp, and hands-on usage patterns
• Per-project standard guides & configuration: set up CLAUDE.md, shared settings, and development standards for each project, laying the groundwork for team-wide AI adoption
• AX training for non-developer roles — helped business teams apply AI to their daily work

• Mammogram Processing for All — Open-source mammogram viewer/editor with accompanying documentation

• WiFi CSI-based human activity recognition, privacy-preserving distributed sensing
• Built the distributed sensing testbed and collected data with Raspberry Pi 4B + Nexmon CSI capture nodes
• Paper: Distributed HAR System for Scalable Wi-Fi Sensing — distributed activity recognition for scalable Wi-Fi sensing (CSI spectrograms classified by a ViT, 90% accuracy with 1/N of the data, eavesdropper accuracy kept below ~30%)

• EDA, statistical analysis, NLP preprocessing