현실의 모호한 문제를 구조화하고 데이터를 연결하여,
AI가 실제 사용자 행동과 제품 가치로 이어지는 시스템을 만듭니다.
저는 단순히 모델을 학습시키는 것보다
문제 정의부터 데이터, AI, 시스템, 사용자 경험까지 연결하는 과정에 관심이 있습니다.
- EV 구동계 이상 진단과 신뢰도 높은 AI 시스템
- V2X 기반 실시간 차량 안전 분석
- Calibration, XAI, Safety Rule을 활용한 Trustworthy AI
- Multimodal AI와 LLM Agent 기반 제품
- Data Pipeline, API, TCP/IP, State Management 설계
- 실제로 실행하고 검증할 수 있는 웹·모바일 프로덕트
Real-world Problem
↓
Problem Definition
↓
Data & Context Modeling
↓
AI / ML / Rule System
↓
Reliability & Explainability
↓
Usable Product Experience
| 🔍 DEFINE | 모호한 현상을 사용자, 데이터, 제약조건을 기준으로 검증 가능한 문제로 정의합니다. |
| 🧩 DESIGN | 데이터 흐름, 상태 변화, API 경계와 사용자 행동을 먼저 설계합니다. |
| ⚙️ BUILD | 모델, 백엔드, 통신, 저장소와 인터페이스를 하나의 시스템으로 연결합니다. |
| 🛡️ VALIDATE | 정확도뿐 아니라 신뢰도, 예외 상황, 실패 대응과 안전성을 함께 검증합니다. |
| 🚀 SHIP | 분석 결과를 실제 사용 가능한 제품과 사용자 경험으로 완성합니다. |
| PROJECT 01 |
Explainable & Reliable EV Fault Diagnosis PMSM 10Hz 시계열 데이터를 기반으로 이상 진단 → 신뢰도 보정 → 설명 가능성 → 운전자 행동 안내까지 연결한 엔드투엔드 EV 구동계 이상 진단 시스템입니다.
|
🔎 Project Details
일반적인 이상 진단 모델은 분류 결과만 제공하기 때문에 다음과 같은 한계가 있습니다.
- 예측 확률을 실제 신뢰도로 해석하기 어려움
- 모델이 특정 이상으로 판단한 근거가 불명확함
- 운전자가 현재 취해야 할 행동을 알기 어려움
- 고위험 상황에서 LLM의 자유로운 응답이 안전 문제를 만들 수 있음
- CSV 스키마 차이를 흡수하는 데이터 매핑
- 시간축 정렬과 10Hz 리샘플링
- Sliding Window 기반 학습 데이터 생성
- 1D-CNN + Residual Block 기반 분류
- Temperature Scaling 기반 확률 보정
- Grad-CAM 및 Channel Saliency 기반 XAI
- LLM 설명과 Rule 기반 안전 경고 결합
- 운전자용 화면과 연구자용 화면 분리
- Streamlit 기반 진단 시뮬레이터 구현
PMSM Time-series Data
↓
Preprocessing & Windowing
↓
1D-CNN Fault Classification
↓
Probability Calibration
↓
Grad-CAM & Channel Saliency
↓
LLM Explanation / Safety Rule
↓
Driver & Researcher Interface
| PROJECT 02 |
TCP/IP-based Intelligent V2X Safety System V2X 환경의 위험 데이터를 실시간으로 분석하고, 운전자에게 위험도·판단 근거·행동 지침을 제공하는 차량용 지능형 안전 에이전트입니다.
|
🔎 Project Details
Scenario Selection
↓
React Cockpit UI
↓ HTTP
FastAPI HTTP-to-TCP Bridge
↓ TCP/IP
Python TCP Server
↓
Agent Controller
↓
MCP Tool Chain
↓
Gemini XAI Briefing
↓
Driver Cockpit Rendering
- React 기반 차량 Cockpit UI
- FastAPI 기반 HTTP-to-TCP Bridge
- Python TCP Client·Server 통신
- JSON +
<END>Marker 기반 메시지 경계 처리 - Agent Controller 기반 Tool 실행 순서 관리
- 차량·날씨·교통·위험도·QoS Tool Chain
- TTC와 거리 기반 위험도 분석
- Gemini 기반 운전자 XAI 브리핑
- Web Speech API 기반 TTS
- 외부 API, LLM, 통신 장애 Fallback
| Layer | Responsibility |
|---|---|
| React UI | 시나리오 선택 및 위험 분석 결과 표시 |
| FastAPI Bridge | HTTP 요청을 TCP 요청으로 변환 |
| TCP Client | TCP 연결 및 데이터 송수신 |
| TCP Server | Agent 실행 및 응답 반환 |
| Agent Controller | MCP Tool 호출 순서 관리 |
| MCP Tools | 차량·환경·위험도·네트워크 분석 |
| Gemini Agent | 운전자가 이해할 수 있는 브리핑 생성 |
| PROJECT 03 |
AI Home-Repair Request Product 수리가 필요한 부위의 사진과 증상을 AI가 분석해 공종·위험도·비용 감각·전문가용 요청서로 구조화하는 생활시공 요청 모바일 제품입니다.
|
🔎 Project Details
생활시공이 필요한 사용자는 다음과 같은 어려움을 겪습니다.
- 문제 부위의 정확한 명칭을 모름
- 어떤 분야의 전문가가 필요한지 판단하기 어려움
- 합리적인 비용 범위를 알기 어려움
- 위험한 문제를 직접 해결하려고 할 수 있음
- 전문가에게 동일한 설명을 반복해야 함
사진 촬영 또는 업로드
↓
위치·증상 선택
↓
Gemini Multimodal Analysis
↓
공종·위험도·비용 감각 구조화
↓
전문가용 요청서 생성
↓
사용자 검토 및 수정
↓
전문가 비교
↓
상담 준비
- 카메라·갤러리 기반 다중 이미지 입력
- Gemini 2.5 Flash 멀티모달 분석
- 공종 자동 분류와 위험도 평가
- 비용 감각과 자가 점검 가이드 제공
- 전문가용 구조화 요청서 생성
- 전문가 응답을 동일 기준으로 비교
- AI 응답 정규화와 Mock Fallback
- React Context 기반 상태 관리
- 모바일 중심 디자인 시스템
| PROJECT 04 |
Immersive Focus Management Product 계획, 집중, 휴식, 기록과 회고를 하나의 흐름으로 연결하고, 3D 인터랙션과 AI 작업 분해를 결합한 개인화 집중 관리 웹 제품입니다.
|
🔎 Project Details
작업 계획
↓
집중 타이머
↓
휴식
↓
완료 기록
↓
아카이브 회고
Date.now()기반 타이머 드리프트 최소화- 작업 생성·수정·삭제 기능
- 작업별 집중 시간과 테마 설정
- Three.js 기반 3D Glass Tomato
- 세션 상태와 3D 시각 피드백 연결
- GSAP 기반 모션 인터랙션
- Gemini 기반 AI Task Slicing
- 한국어·영어 다국어 지원
- PWA 및 Service Worker 구성
- 모듈 기반 SPA 구조
| MORE |
Experimental Project Repository 추가적인 실험과 프로토타이핑 결과를 관리하는 프로젝트 저장소입니다.
|
| Area | Building & Exploring |
|---|---|
| 🛡️ Trustworthy AI | Calibration, XAI, Safety Rule, Failure Fallback |
| 🚘 Mobility Intelligence | EV Diagnostics, V2X, Vehicle Safety Agent |
| 🤖 AI Product | Multimodal AI, LLM UX, Agent Workflow |
| 📊 Machine Learning | Time-series Analysis, Classification, Anomaly Detection |
| ⚙️ System Engineering | Data Pipeline, API Orchestration, TCP/IP, State Management |
| 🧩 Product Experience | Problem Definition, UX Flow, Prototype, Validation Metrics |
Mobility & Product Data
↓
Context Modeling
↓
AI / ML / Agent
↓
Reliability & Explainability
↓
User Decision & Action
A model prediction is not the final product.
결과는 사용자가 이해할 수 있어야 하며, 신뢰할 수 있고, 실제 행동으로 연결되어야 합니다.
기술을 먼저 선택하지 않고
사용자, 데이터, 환경에서 발생하는 문제를 먼저 정의합니다.
구현 전에 데이터가 어디에서 생성되고,
어떻게 이동하며, 어떤 상태로 저장되는지 설계합니다.
정상 동작뿐 아니라 다음 조건도 함께 검토합니다.
- 데이터 누락과 스키마 오류
- 외부 API 실패와 응답 지연
- 네트워크 연결 실패
- LLM 응답 오류와 Hallucination
- 모델의 과도한 확신
- 고위험 상황의 안전 통제
Problem
↓
Data
↓
Model
↓
API & System
↓
Interface
↓
Validation
| Project | Domain | Core Capability | Link |
|---|---|---|---|
| ⚡ EV Fault GPT | EV · Trustworthy AI | Diagnosis, Calibration, XAI, Safety UX | Repository |
| 🛰️ V2X Safety Agent | Mobility · AI Agent | TCP/IP, MCP Tool Chain, XAI Briefing | Repository |
| 🛠️ Gochida | Multimodal AI Product | Image Analysis, Request Structuring, Product UX | Repository |
| 🍅 Tomato | Productivity Product | Focus UX, 3D Interaction, AI Task Slicing | Repository |
| 🧪 Fig | Experimental Project | Prototype and Technical Experiment | Repository |
| 🌐 Portfolio | Portfolio | Project Storytelling and Case Study | Website |
프로젝트의 자세한 문제 정의,
설계 의사결정과 구현 결과는 포트폴리오에서 확인할 수 있습니다.