천희정 · AI · Backend Engineer
데이터에서 원인을 찾고,
시스템으로 해결합니다.
모델을 만들고, 서비스에 붙이고, 운영까지 해본 개발자입니다.
Highlights
AI 제조 품질 예측부터 장애 대응, RAG까지.
카드 위에 마우스를 올리면 멈춥니다.
About
언어에서 시작해
데이터와 시스템으로.
중어중국학을 전공하며 컴퓨터학을 복수전공했고, 클라우드 기업에서 7개월간 백엔드 인턴으로 일했습니다.
Profile
- 학력
- 동덕여자대학교
중어중국학 주전공 · 컴퓨터학 복수전공 - 경력
- 이노그리드 하이브리드 플랫폼팀
백엔드 인턴 · 2026.02 – 2026.08 - 자격
- 정보처리기사 · SQLD
- 수상
- 코스콤 AI 경진대회 결선 진출 (2025)
교내 SW 경진대회 장려상 (2024)
캠퍼스 특허전략 유니버시아드 본선 진출 (2023) - 동아리
- UMC 7 · 8 · 9기
Ping! 정보보안 동아리 · AWS 동아리 ASBG
동덕 RCY 회장 (2023)
Skills
AI · Data
Backend
Infra · Observability
Frontend · App
For Reviewers
어떤 개발자를
찾고 계신가요?
필요한 역량을 골라 주세요. 그 역량을 가장 잘 보여주는 프로젝트를 골라 드립니다.
Projects
지금까지 만든 것들.
01 · 사출성형 품질불량 예측
검사하기 전에
불량을 먼저 찾습니다.
공정 데이터만으로 한 번의 사출(shot)이 불량일 확률을 예측하고, 위험한 순서대로 검사 우선순위를 정합니다.
F1 0.343. 베이스라인 대비 향상
PR-AUC 0.258. 무작위 대비
2,393 shot 중 불량 42개. 극단적인 불균형
검사량은 줄이고, 불량은 더 많이.
위험도 상위 shot부터 검사했을 때 잡아낸 불량 비율입니다. 회색은 무작위로 같은 양을 검사한 경우입니다. 검사량을 바꿔 보세요.
같은 검사량으로 불량을 3.1배 더 찾습니다.
실제 분석 산출물: 앙상블 모델 검사 우선순위 효과 곡선 (CV holdout 기준)
전통 품질관리와 머신러닝을 한 파이프라인으로.
현장에서 쓰던 SPC 관리한계와 EWMA 추세 신호를 피처로 넣어 상위 20% 포착률을 10%p 더 올렸습니다.
02 · 이노그리드 백엔드 인턴
GPU 자원을 한눈에.
장애는 이틀 안에.
멀티클라우드 관리 플랫폼에서 GPU 모니터링을 새로 만들고, 운영 중 터진 장애의 원인을 스레드 단위까지 추적했습니다.
흩어진 GPU 메트릭을 하나의 저장 구조로.
NHN, GPU Live, BackendAI에 흩어진 지표를 모아 시계열과 현황을 나눠 저장하고, 과거 데이터는 배치로 옮겼습니다.
숫자로 확인한 개선.
버튼을 눌러 개선 전과 후를 비교해 보세요.
스레드 폭주 장애 · 2일 내 안정화개선 후
| Load average | 0.5 |
| CPU 사용률 | 0.37% |
| 프로세스 수 (PIDS) | 110 |
HTTP 클라이언트에 타임아웃이 없어 스레드가 21,388개까지 쌓였습니다. jstack과 컨테이너 지표로 원인을 특정하고 타임아웃을 설정했습니다.
알람 이력 조회 · 377,882건 기준개선 후
| 응답 시간 | 0.5초 |
| 페이지네이션 | 키셋 (No-Offset) |
| 공유 스토리지 용량 | 정상 집계 |
복합 인덱스와 No-Offset 페이지네이션으로 쿼리를 다시 짰고, 하이퍼바이저별 중복 합산을 찾아 용량 집계를 바로잡았습니다.
03 · APEX 감정 억제 투자 에이전트
모든 답에는
근거가 따라옵니다.
개인 투자자의 감정적 판단을 줄이기 위해, 실제 문서를 인용해야만 답하는 RAG 에이전트를 만들었습니다.
AI 결과를 사람이 읽을 수 있는 화면으로.
- React · Vite로 데모 대시보드를 혼자 구현
- 감정 비율과 근거를 Recharts 차트로 시각화
- 대화형 채팅 시트와 n8n Webhook API 연동
- Docker Compose로 4개 서비스 온프레미스 배포
근거가 부족하면 스스로 다시 찾습니다.
설문한 개인 투자자 44명 중 62%가 감정적으로 투자한 경험이 있었습니다. 판단 과정을 노드 단위로 쪼개 어디서 어떤 근거를 썼는지 추적할 수 있게 했습니다.
What I Learned
모델보다 먼저,
데이터를 의심합니다.
로그 탐지 프로젝트에서 서로 다른 로그 유형이 섞인 걸 늦게 발견해, 기간 안에 모델을 완성하지 못했습니다.
미완성을 숨기지 않고 원인 분석과 개선 방향으로 발표를 다시 짰고, 장려상을 받았습니다.
KAMP에서는 모델링 전에 시간 순서와 불량 분포부터 검증했고, 그 근거 위에서 피처를 설계했습니다.
Chronicle
2023년부터 지금까지.
최신순입니다. 항목을 누르면 자세한 내용이 열립니다.
함께 만들 다음 문제를
기다리고 있습니다.
AI 모델이 실제 서비스에서 안정적으로 돌아가도록, 데이터부터 운영까지 책임지겠습니다.