문제 정의
기능 구현 전에 사용자 문제, 데이터 흐름, 운영 제약을 먼저 정리합니다.
AI 백엔드 · Agentic Workflow · FastAPI · Docker
저는 어떤 개발자인가
AI 기능을 실행 가능한 workflow로 설계하고 운영하는 백엔드 개발자
Python과 FastAPI로 API를 만들고, LLM·RAG·STT를 역할이 분리된 실행 흐름에 연결합니다. 단순 모델 호출보다 입력 수집, 판단, 검증, 기록, 운영 제어까지 이어지는 agentic workflow 구현에 집중합니다.
문제를 먼저 구조화하고, 작은 서버 환경에서도 추적 가능하고 반복 실행 가능한 AI 백엔드 시스템을 만드는 것을 중요하게 생각합니다.
주요 영역
Workflow · RAG · LLM
역할 분리형 AI 실행 흐름 구현
주요 경험
문서 검색 · 에이전트
업무형 AI와 판단 파이프라인 설계
운영 경험
Docker · Nginx · OCI/AWS
배포와 서버 운영까지 직접 진행
소개
왜 인터뷰할 만한 사람인가
문제를 먼저 이해하고, 서비스가 끝까지 굴러가게 만듭니다.
개발을 시작하기 전에는 시장조사와 사업 운영 업무를 하며 복잡한 산업 정보를 구조화하고, 이해관계자에게 설명 가능한 형태로 정리하는 일을 했습니다. 이 경험은 AI 백엔드 개발에서도 그대로 이어집니다. 어떤 데이터를 모아야 하는지, 어떤 흐름으로 처리해야 하는지, 사용자는 어떤 답을 기대하는지부터 생각합니다.
이후 AI 및 풀스택 개발 교육을 거치며 FastAPI, React, Docker 기반 프로젝트를 수행했고, 백신일보 프로젝트에서는 뉴스 수집과 AI 분석 결과를 서비스로 제공하기 위한 백엔드/인프라 영역을 맡았습니다. 개인 프로젝트에서는 RAG 기반 회의록 분석, 포트폴리오 AI 챗봇, 우주 시각화 서비스처럼 실제 서버에서 돌아가는 결과물을 만들고 있습니다.
제 강점은 화려한 데모보다 운영 가능한 구조를 선호한다는 점입니다. CPU 서버의 한계, API 비용, 컨테이너 리소스, 배포 방식처럼 실제 서비스에서 부딪히는 문제를 피하지 않고 조정하면서 완성도를 높입니다.
백엔드 구현
FastAPI 기반 API, RAG 검색, STT/LLM 연동처럼 AI 서비스의 서버 로직을 구현합니다.
운영과 배포
Docker, Nginx, 클라우드 서버를 다루며 배포 이후의 안정성과 비용도 함께 봅니다.
집중 영역
무엇을 만들 수 있는가
제가 집중하는 영역
01
문서와 지식을 검색 가능한 AI 서비스로 변환
회사 내규, 이력서, 뉴스 데이터처럼 흩어진 텍스트를 임베딩하고 검색해 답변 생성까지 이어지는 구조를 만듭니다.
02
AI API를 실제 제품 흐름에 연결
LLM API, STT, RAG 검색 결과를 단순 호출이 아니라 사용자 워크플로우 안에서 의미 있게 동작하도록 설계합니다.
03
작은 서버에서도 유지 가능한 배포 운영
OCI/AWS 환경에서 컨테이너 리소스, 포트, 도메인, Nginx, API 비용 제한까지 고려해 서비스를 운영합니다.
실제로 사용하는 기술은 무엇인가
기술
실제로 프로젝트에서 반복적으로 사용한 기술을 중심으로 정리했습니다. 백엔드와 AI 연동, 배포 운영 경험이 드러나도록 카테고리를 나눴습니다.
백엔드
Python
FastAPI
SQLAlchemy
REST API
AI / ML
LLM API
RAG
STT
Vector Search
Clustering
AI Pipeline
인프라
Docker
AWS EC2
OCI
Nginx
Docker Compose
프론트엔드
React
JavaScript
Vite
도구
Git
GitHub Actions
Postman
Linux
어떤 문제를 해결해 왔는가
프로젝트 모음
프로젝트
서비스 구현, AI 파이프라인, 실무형 MVP, 배포 운영 경험을 함께 정리했습니다.
10개 언론사 뉴스를 수집해 이슈 단위 군집화, AI 리포트 생성, 언론사별 비교 분석으로 연결한 뉴스 인텔리전스 서비스입니다.
담당 역할
뉴스 군집화 파이프라인 설계와 Docker Compose · Nginx · AWS EC2 배포 운영을 맡았습니다.
문제 해결
기사 수가 늘어날수록 재계산 비용이 커지는 문제를 줄이기 위해 임베딩 캐시와 대표 벡터 비교를 적용했고, 군집 품질은 형태소 검증과 LLM 2차 확인으로 보정했습니다.
기술 스택
PythonFastAPIPostgreSQLVector SearchClusteringDockerAWS EC2NginxLLM API
핵심 포인트: AI 기능은 모델 호출만으로 끝나지 않고, 수집 · 저장 · 검색 · 생성 · 배포가 함께 이어져야 서비스가 된다는 점을 팀 프로젝트와 실제 운영 환경에서 체감했습니다.
개인 프로젝트 · 멀티에이전트 투자 판단 연구
AI Trading Agent
멀티에이전트 역할 분리, workflow orchestration, Redis runtime guard, broker adapter, guard test를 묶은 AI Agent 플랫폼
Market, Decision, Risk, Order, Logger, Evaluation, Memory 역할을 분리하고 각 단계가 workflow run/step으로 남도록 구성한 AI Agent 연구 프로젝트입니다. Redis 중복 실행 방지, PostgreSQL audit trail, env 기반 paper/live 실행 분기, LLM 비용 추적, 핵심 guard 단위 테스트를 통해 판단과 외부 API action을 감사 가능한 흐름으로 연결했습니다.
담당 역할
FastAPI 백엔드, React 대시보드, Docker Compose 실행 구조, agentic workflow orchestration, step audit, Redis runtime guard, PostgreSQL persistence를 전체적으로 직접 설계하고 구현했습니다.
문제 해결
LLM 판단이 바로 action으로 이어지지 않도록 Decision → Execution Risk → Order → Logger 단계를 분리하고, Redis lock, 관리자 API guard, env opt-in broker adapter, 응답/리스크 guard 테스트로 실행 경계를 명확히 했습니다.
기술 스택
PythonFastAPIPostgreSQLRedisReactDockerBroker APIAgent Workflowunittest
핵심 포인트: LLM 기반 자동 판단을 단일 함수가 아니라 역할 분리된 workflow, 실행 관측성, runtime guard, 감사 가능한 의사결정 로그, 외부 시스템 adapter가 있는 시스템으로 풀어낸 프로젝트입니다.
회의 음성 요약과 사내 문서 질의응답을 분리된 기능이 아니라 하나의 지식 흐름으로 연결한 업무 지원 AI 프로젝트입니다.
담당 역할
기획, 백엔드, 문서 검색 구조, 서비스 화면, 공개 운영 보호 설정까지 전체 흐름을 직접 설계하고 구현했습니다.
문제 해결
메모리 기반 검색은 서비스 운영에 불안정하다고 판단해 영속 벡터 저장소를 붙였고, 문서 보관함과 벡터 인덱스를 같은 생명주기로 동기화했습니다.
기술 스택
PythonFastAPISTTLLM APIVector SearchRAGReactDockerOCI
핵심 포인트: RAG는 검색 정확도뿐 아니라 문서 관리, 근거 노출, 공개 운영 제어까지 함께 설계해야 실제로 쓸 수 있는 서비스가 된다는 점을 정리할 수 있었습니다.
로또 6/45와 연금복권720+ 당첨 데이터를 수집·분석하고, 추천 조합 생성, 실제 결과 비교, 예측 기록 누적까지 자동화한 개인 데이터 파이프라인 프로젝트입니다.
담당 역할
데이터 수집 흐름, Supabase 저장 구조, 주간 추천 생성 로직, 결과 검증 API, 프론트 히스토리 UI까지 전체 운영 흐름을 직접 설계하고 구현했습니다.
문제 해결
매 요청마다 외부 사이트를 다시 조회하지 않도록 회차 캐시 테이블과 예측 기록 테이블을 분리했고, 로또와 연금720의 발표 주기가 다른 점은 별도 스케줄러로 운영되게 구성했습니다.
기술 스택
Next.jsReactFastAPISupabasePostgreSQLDocker ComposeVercel
핵심 포인트: 작은 서비스라도 수집 · 저장 · 배치 실행 · 결과 검증 · 프론트 조회가 이어져야 기록형 제품으로 운영될 수 있다는 점을 직접 구조화해 본 프로젝트입니다.
엑셀로 관리하던 재고 업무를 웹으로 옮겨 월별 업로드와 일일 재고 조정을 함께 처리할 수 있게 만든 실무형 운영 MVP입니다.
담당 역할
업무 흐름 분석, 화면 설계, 업로드 처리, 재고 계산 로직, 부족 판단 기준까지 실무 사용 관점에서 직접 설계했습니다.
문제 해결
월별 기준 재고와 일일 조정 내역이 함께 존재해 단순 합산으로는 맞지 않는 문제를 기준 재고 + 이후 조정 반영 구조로 풀고, 업로드는 미리보기 후 선택 반영으로 실수를 줄였습니다.
기술 스택
ReactViteFastAPISQLiteSQLAlchemyopenpyxlDocker Compose
핵심 포인트: 실무형 시스템은 기능을 많이 넣는 것보다 기존 업무 언어와 판단 기준을 화면에 잘 옮기는 것이 중요하다는 점을 다시 확인했습니다.
Night Sky, Aurora Night, 깊은 숲의 비 테마를 하나의 제품 구조로 묶은 몰입형 디지털 테마 플랫폼입니다.
담당 역할
프론트엔드 감상 흐름, Three.js 장면 구현, FastAPI 연결, 배포 자동화와 운영 분리까지 제품 단위로 직접 다듬고 있습니다.
문제 해결
테마가 늘어날수록 제품이 분산되는 문제를 막기 위해 공통 제어 규칙과 테마 구조를 먼저 정리하고, 배포도 dev/main 분리와 GitHub Actions로 안정화했습니다.
기술 스택
ReactViteThree.jsReact Three FiberFastAPISupabaseDocker ComposeGitHub ActionsOCI
핵심 포인트: 한 장면의 완성도뿐 아니라 제품 경험, 확장 구조, 운영 안정화를 함께 맞추는 풀스택 관점을 더 깊게 익히고 있습니다.
제한된 자원과 자동화 설비를 활용해 산업 기반을 만들고, 최종적으로 로켓을 발사해 탈출하는 2D 산업 자동화 생존 전략 게임입니다.
담당 역할
게임 루프 설계, 자원 · 전력 · 오염 시스템, 건물 자동화, 로켓 진행 구조를 개인 프로젝트로 직접 구현하고 있습니다.
문제 해결
자원, 전력, 오염, 진행 목표가 따로 놀지 않도록 상호 의존적인 상태 시스템으로 설계해 자동화 기반 성장의 긴장감을 만들고 있습니다.
기술 스택
GodotGDScript2D Top-downTile WorldAutomation
핵심 포인트: AI 백엔드와는 다른 영역이지만, 상태 관리와 시스템 간 상호작용을 설계하는 감각을 더 넓힐 수 있는 프로젝트였습니다.
RAG 데모
AI 챗봇
이력, 프로젝트, 기술 스택을 질의응답 형태로 탐색할 수 있는 RAG 데모입니다. 포트폴리오 문서를 임베딩하고 검색한 뒤, 검색 결과를 바탕으로 응답을 생성하는 구조를 직접 구현해 운영 중입니다.
확인할 수 있는 점
포트폴리오 내용을 검색 가능한 문서 집합으로 만들고 질의응답에 연결한 RAG 구성
로컬 임베딩 기반 검색과 LLM 응답 생성을 묶은 실사용형 데모
프로젝트와 기술 스택을 실제 질문 형태로 바로 검증할 수 있는 인터페이스
미리보기
RAG 이력서 챗봇
경력과 교육
네이슨리서치그룹
2024.08 ~ 2025.03 · 시장조사 및 산업분석
NdFeB 자석 시장 KSF 분석, EPC 관점 에너지·석유화학 공급망 분석 등 데이터 기반 리서치 프로젝트를 수행했습니다.
IBM X RedHat AI Transformation AX Academy
2025.08 ~ 2026.02
AI 및 풀스택 개발 교육 과정을 수료하고, 최종 프로젝트 백신일보로 최우수상을 수상했습니다.
연락처
연락과 프로젝트 확인은 아래 경로로 가능합니다. 현재 저장소 안에는 이력서 PDF 파일이 없어, 요청 시 별도로 전달드릴 수 있습니다.