• 통계학 석사로서 데이터에 대한 깊은 이해를 바탕으로 문제를 정의하고, 실제 서비스 환경까지 고려한 AI 모델을 개발하는 데 집중하고 있습니다.
• 딥러닝 기반의 새로운 모델 구조를 직접 제안하고 구현하는 도전을 즐기며, 데이터 수집부터 최적화, API 연동까지 AI 개발의 전 과정을 주도한 경험이 있습니다.
• 복잡한 문제를 해결하고 동료와 함께 성장하는 과정에서 큰 보람을 느낍니다.

• 중앙대학교 대학원 (2022.03 - 2024.02)
  • 통계데이터사이언스학과 통계학 석사 (GPA: 3.84/4.5)
  • 졸업 논문: 3D Pulmonary Nodule Segmentation Network with Self-Supervised learning and Attention Mechanism
• 한국외국어대학교 (2018.03 - 2022.02)
  • 경영학 학사 / 통계학 이학사 (복수전공) (GPA: 4.05/4.5)
  • 졸업 논문: 데이터 마이닝을 이용한 CRM(고객 관계 관리) - 고객 스코어링 방법을 활용한 정기예금 상품 신규 가입 타겟 모델 구축

• 삼성 청년 SW 아카데미 (SSAFY) 12기 (2024.07 - 2025.06)
  • 기업 연계 프로젝트 우수상 수상 (2025.06)
  • 웹 기술 스택 및 AI 모델 서비스 연동 구조 설계 경험 습득
• 중앙대학교 인공지능 연구실 (AI STAT LAB) 연구원 (2022.03 - 2024.02)
  • 딥러닝 기반 3D 의료 영상 분할 모델 연구 주도
  • 자기 지도 학습과 어텐션 메커니즘을 결합한 신규 모델 제안 및 구현
  • [Link]

AI/ML

Backend & Database

Infra & DevOps

Collaboration

실시간 CCTV 영상 스트림을 분석하여 도난, 설비 훼손 등 이상행동을 탐지하고 알림을 전송하는 서비스

• 역할: 팀장, AI 리드

• 주요 기여:

  • VLM 분석과 이벤트 클립 생성을 연계한 자체 순환형 데이터 파이프라인 설계
  • 모션 감지, YOLOv5, SSIM 유사도 분석을 결합한 프레임 필터링 전략으로 VLM 연산량 최적화
  • RTSP 스트림 데이터 자체 수집 및 FastAPI 기반 추론 서버 구축
  [ 펼쳐보기 ] End-to-End AI 개발 프로세스별 경험 상세

  
  

  본 프로젝트는 실제 서비스 환경을 가정한 데이터 파이프라인 구축, 실시간 API 연동, 리소스 최적화에 중점을 둔 경험입니다.

  • 1. 데이터 수집: PoE 허브와 IP 카메라에서 RTSP 스트리밍으로 Full-HD 영상을 실시간으로 직접 수집했습니다.

  • 3. 데이터 파이프라인 구축: VLM 1차 분석 → 이상행동 클립 생성 → VLM 2차 심층 분석으로 이어지는 자체 순환형 데이터 파이프라인을 설계하여 '신속성'과 '분석 품질'을 모두 확보했습니다.

  • 4. 모델 설계/선택: Vision-Language Model(VLM)을 채택하고, 연산량 최소화를 위해 모션 감지 + YOLOv5 + SSIM 유사도 분석을 결합한 다단계 프레임 필터링 로직을 설계했습니다.

  • 7. 최적화: 모든 프레임을 분석하며 발생하는 병목 현상을 해결하기 위해, 이상 행동일 확률이 높은 중요 프레임만 선별하여 분석하는 방식으로 연산 리소스를 최적화했습니다.

  • 8. API 서비스 연동: FastAPI로 구축된 추론 서버의 분석 결과를 백엔드 서버로 실시간 전송하는 API를 개발하여 서비스 연동을 완료했습니다.

• 기술 스택: Python, FastAPI, YOLOv5, Docker, AWS EC2, Jenkins, Git, Jira

• [Repository]

블랙박스 영상 분석을 통해 교통사고 유형을 분류하고 과실 비율을 산정하는 서비스

• 역할: AI 리드

• 주요 기여:

  • Zero-shot 스크리닝 실험을 통해 학습 전 최적 모델(TSN)을 효율적으로 선정
  • 데이터 병목 현상 해결을 위해 배치 사이즈, 워커 수 등을 조정하여 GPU 활용률 최적화
  • Kinetics-400 사전 학습 모델을 활용한 전이 학습 및 다양한 학습 전략(스케줄러, 데이터 증강 등) 적용으로 성능 향상
  [ 펼쳐보기 ] End-to-End AI 개발 프로세스별 경험 상세

  본 프로젝트는 제한된 리소스 하에서 최적 모델을 효율적으로 탐색하고 GPU 성능을 극한으로 활용하며 모델 성능을 높이는 데 강점이 있는 경험입니다.

  • 2. 데이터 전처리: 비디오당 8개 프레임 샘플링, 무작위 자르기, 좌우 반전 등 다양한 데이터 증강 및 전처리 기법을 적용했습니다.

  • 4. 모델 설계/선택: 학습 리소스 제약 하에 Zero-shot 스크리닝 실험을 통해 여러 후보군 중 TSN을 최종 모델로 합리적으로 선정했습니다.

  • 5. 학습 및 튜닝: Kinetics-400 데이터셋으로 전이 학습을 진행하고, Linear Warmup & Cosine Annealing 스케줄러 등 다양한 하이퍼파라미터 튜닝 전략을 적용했습니다.

  • 7. 최적화: 데이터 로딩 병목 현상 해결을 위해 배치 사이즈와 CPU 워커 수를 조정하여 GPU 활용률을 최적화했습니다.

• 기술 스택: Python, PyTorch, TSN, YOLOv8, Kinetics-400, Jupyter Lab

• [Repository]

자기 지도 학습(Self-Supervised Learning)과 어텐션 메커니즘을 활용한 3D 폐 결절 분할(Segmentation) 네트워크

• 역할: 단독 연구 및 개발

• 주요 기여:

  • 라벨링된 의료 데이터 부족 문제를 해결하기 위해 자기 지도 학습 기반의 새로운 모델 아키텍처 직접 제안 및 구현
  • Ablation Study를 통해 제안한 어텐션 모듈과 자기 지도 학습의 효과를 정량적으로 검증
  • 3D 데이터의 구조적 복잡성을 해결하고 기존 모델 대비 성능 향상 (CPM 0.019↑) 달성
  [ 펼쳐보기 ] End-to-End AI 개발 프로세스별 경험 상세

  본 프로젝트는 기존 모델의 한계를 극복하기 위해 새로운 모델 아키텍처를 직접 제안하고, Ablation Study를 통해 유효성을 스스로 검증하는 깊이 있는 연구 역량을 보여줍니다.

  • 2. 데이터 전처리: 의료 영상 데이터의 특성을 고려하여 1x1x1mm 리샘플링, 3D 폐 분할 마스크 생성 등 전문적인 전처리 과정을 수행했습니다.

  • 4. 모델 설계/선택: 라벨링 데이터 부족 문제를 해결하기 위해 **자기 지도 학습(Self-Supervised Learning)**과 3D 데이터의 복잡성 극복을 위한 어텐션 메커니즘을 결합한 새로운 3D Segmentation 모델 구조를 직접 제안 및 설계했습니다.

  • 6. 성능 평가: **Ablation Study(절제 연구)**를 통해 제안한 구성 요소들이 모델 성능에 미치는 영향을 정량적으로 철저하게 검증했습니다.

• 기술 스택: Python, PyTorch, 3D U-Net, Self-Supervised Learning, Attention Mechanism

• [논문 링크]

데이터 마이닝의 고객 스코어링 기법을 활용, 은행의 정기예금 상품 가입 가능성이 높은 고객을 예측하여 타겟 마케팅 효율을 높이는 모델 개발

• 역할: 단독 연구 및 개발
• 주요 기여:
  • UCI Bank Marketing 데이터를 활용하여 고객의 상품 가입 확률을 예측하는 스코어카드 모델 설계
  • 로지스틱 회귀분석을 적용하고, K-S 통계량(0.27) 및 PSI(0.0018) 지표를 통해 모델의 예측력과 안정성을 검증
  • 데이터 기반의 효율적인 마케팅 전략 수립 가능성 제시
• 기술 스택: R, scorecard, creditmodel, ggplot2

• Email: eunah320@gmail.com