덕성여자대학교 연구실 · 학부연구생
시선추적(Computer Vision) 기반 학습 진단 연구
- 시선 기반 학습 진단 앱의 데이터 층을 맡아, 출제 가능 문항을
0개 → 109개로 열었습니다. - 예외도 로그도 없이 3개월간 시선 좌표의 90%를 버리고 있던 파이프라인 결함을 찾아냈습니다.
- 이번에 실제로 터진 검사만 모아
재발 방지 스크립트를 커밋했습니다. 문제가 있으면 종료 코드 1을 냅니다.
멀리서 구조를 잡고, 가까이서 근거를 확인합니다
미대 입시에서 형태를 쪼개던 훈련이, 데이터를 보는 방식이 되었습니다.
없는 지표를 직접 정의하는 일과, 그 지표를 믿어도 되는지 검증하는 일을 함께 해왔습니다. 앞으로는 텍스트와 시계열을 함께 보는 금융 리스크 탐지 쪽으로 더 깊이 가려 합니다.
정의되지 않은 것을 지표로 만들어 왔습니다. 2022년 범죄율과 대중교통 접근성의 관계를 지수화한 것이 시작이었고, 이후 도봉구 접근성 지수, 광진구 결빙 RiskIndex, 그리고 공시 언어의 변화를 점수화한 드리프트 지표까지 같은 작업을 반복해 왔습니다. 금융의 신용 스코어링과 리스크 지표 설계가 정확히 이 일이라고 생각합니다.
텍스트에서 위험 신호를 찾는 일을 이어왔습니다. 다크웹 게시글의 범죄 유형 분류에서 시작해, 피싱 문자 탐지(Recall 0.9672)와 그 모델의 웹 서비스화, 공시 기반 협력사 위기 탐지로 이어졌습니다.
만든 것을 스스로 의심합니다. 백테스팅에서 상관이 0.97로 나왔을 때 기뻐하는 대신 데이터 누수를 찾았고, 막고 나니 0.72였습니다. 제출 코드의 상수 12건을 전수 재현해 8건을 해소하고 재현되지 않는 2건을 먼저 드러냈습니다.
“맡은 일은 끝까지 책임집니다”
프로젝트를 하다 보면 마감 직전에 주제가 통째로 바뀌거나 엎어지는 일이 생깁니다. 저는 조급해하지 않는 편이라, 팀에 문제가 생겼을 때 함께 당황하기보다 무너진 부분과 살릴 부분을 나누고 다음 방향을 잡아 완성까지 끌고 온 경험이 많습니다. 졸업 프로젝트에서 마감을 앞두고 분류 로직과 모델이 동시에 무너졌을 때도, 분류 단계를 제거하고 추론 모델로 피벗하는 결정을 먼저 제안해 마감 안에 핵심 기능을 뽑아냈습니다.
“복잡한 형태 뒤에는 항상 규칙이 있습니다”
미대 입시를 준비하며 복잡한 형태를 구조적으로 쪼개보는 훈련을 오래 했습니다. 그 과정에서 형태 뒤에는 언제나 규칙과 패턴이 있다는 걸 알게 됐고, 그 규칙을 데이터로 직접 증명할 수 있다는 점에 끌려 진로를 바꿨습니다. 정의가 없던 접근성과 위험도를 지표로 만들어 온 것도 같은 습관에서 나왔다고 생각합니다.
“제 결론이 틀렸을 지점을 먼저 적어둡니다”
파이프라인이나 보고서를 넘길 때는 "이 결과가 틀렸을 수 있는 지점"을 함께 적습니다. 재현하지 못한 상수 두 건을 보고서 맨 앞에 올린 것도, 백테스팅 표본이 5개라는 사실을 결론과 같은 크기로 쓴 것도 같은 이유였습니다. 나중에 남이 발견하는 것보다 내가 먼저 말하는 편이 팀에 이득이라고 생각합니다.
| Language | 전 프로젝트 · R은 통계 분석 과정 | |
|---|---|---|
| ML · Boosting | LG Aimers · 하나금융 청년인재 | |
| DL · NLP | 피싱 문자 탐지 | |
| LLM · RAG | Dartrio · CashMap · math_gaze | |
| 모델 검증 | LG Aimers · 피싱 · CashMap | |
| Data Eng. | Dartrio · CashMap | |
| Geo · GIS | 광진 결빙 · 도봉 접근성 | |
| Optimization | 관광 순환 택시 최적화 | |
| Viz · BI | 광진 위험지도 · 분석 리포트 | |
| Backend | Dartrio · 도봉 챗봇 · 고르게 | |
| Infra · 재현성 | Dartrio · 피싱 배포 · math_gaze | |
| Domain Data | CashMap · Dartrio · 공공 분석 | |
| CS 기반 | 전공 과정 · 학부연구생 | |
| Collaboration | 전 팀 프로젝트 |
| 리스크 지표 설계 | 이상탐지 · 불균형 | 모델 검증 · 재현성 | LLM · RAG | 데이터 파이프라인 | 공간분석 · GIS | 최적화 | 서비스 배포 | |
|---|---|---|---|---|---|---|---|---|
| NOVA — 협력사 위기 조기탐지 시스템 | ● | ○ | ○ | ● | ● | |||
| 고르게 (Goreuge) | ○ | ● | ○ | |||||
| 공시 Agent · Dartrio | ○ | ○ | ● | ● | ○ | |||
| LG Aimers · 학습코드 재현 검증 | ○ | ○ | ● | ○ | ||||
| FHTC — 시선으로 오답 원인을 진단하는 시스템 | ○ | ● | ● | ● | ||||
| 도로 결빙 위험지수 설계 | ● | ○ | ○ | ● | ||||
| 관광 순환 택시 경로 최적화 | ○ | ○ | ○ | ● | ● | |||
| 지역 접근성 지수 · 추천 챗봇 | ○ | ○ | ○ | ● | ○ | |||
| 피싱 문자 탐지 — 모델부터 서비스까지 | ○ | ● | ○ | ○ | ● | |||
| NearFind — 실종 시민 제보망 | ○ | ○ | ○ | |||||
| 개화 — 소통 약자를 위한 AAC 서비스 | ○ |
● 주력 ○ 부분적으로 다룸
프로젝트마다 검증 방법이 달랐습니다. 무엇을 의심해야 하는지가 매번 달랐기 때문입니다.
질문에서 슬롯 분해 · 문서 · 근거 · 답변까지 전 구간의 정답을 미리 정의하고, 8개 지표를 자동 측정하는 평가 하네스를 만들었습니다. 고치면 무엇이 좋아졌고 무엇이 깨졌는지 바로 보입니다.
모델을 다시 돌릴 수 없는 조건에서, LightGBM이 남기는 잎별 학습 행 수로 평균 예측을 역산해 상수 12건을 검증했습니다. 8건을 오차 0.0으로 재현하고 2건은 재현 불가로 밝혔습니다.
한 모델의 판정을 믿지 않고 다른 모델로 다시 받아 라벨과 함께 셋을 맞춰 봤습니다. 제외한 11문항 중 원본 라벨이 틀린 것은 0건이었습니다.
가중치를 정당화할 데이터가 없어서, 산출한 상위 10% 구간을 실제 민원 다발 구간과 겹쳐 봤습니다. 80% 이상 일치했습니다.
상관이 r = 0.97로 나왔을 때 기뻐하는 대신 새는 곳을 찾았습니다. 신호 구간과 검증 구간이 겹치고 있었고, 분리하자 0.72로 떨어졌습니다. 그게 진짜 숫자였습니다.
정상 풀이를 일부러 섞어 오탐(FP)이 잡히는지 확인하는 실험을 짜고, 과적합을 의심받을 지점에 미리 반증을 준비했습니다.
각 기술을 실제로 쓴 프로젝트를 함께 적었습니다. 써본 적 없는 것은 넣지 않았습니다.
지금까지가 지표를 만들고 검증하는 일이었다면, 앞으로는 두 가지를 더 하고 싶습니다.● 주력으로 다룬 것, ○ 부분적으로 다룬 것입니다.
지금은 공시 텍스트의 변화와 재무 시계열을 따로 다뤘습니다. 둘을 같은 축에 놓고 보면 "말이 먼저 바뀌는가, 숫자가 먼저 바뀌는가"를 물을 수 있습니다. NOVA에서 드리프트 점수와 매출 상관을 lag 0~3분기로 옮겨가며 본 것이 그 출발점이었고, 여기서 더 나아가고 싶습니다.
하네스는 에이전트를 제한하는 장치가 아니라 제한하는 동시에 일할 수 있게 해주는 구조라고 생각합니다. 어떤 툴을 줄지 정하고, 모델 출력을 실제 행동으로 바꾸고, 관찰–판단–행동 루프를 관리하고, 그 안에 안전장치를 거는 것까지가 하네스입니다. 툴이나 정보를 의도적으로 제한했을 때 에이전트가 스스로 한계를 인지하고 우회하거나 도움을 요청하는지를 관찰해보고 싶습니다. 규제 산업에서 AI를 쓰려면 결국 이 구조를 다룰 줄 알아야 한다고 봅니다.
0개 → 109개로 열었습니다.재발 방지 스크립트를 커밋했습니다. 문제가 있으면 종료 코드 1을 냅니다.ATSP-MTZ)을 구축했습니다.Global Time Multiplier와 Short-hop 휴리스틱으로 실측–예측 오차를 ±4.8%까지 좁혔습니다.20% 단축, 경로 안정성(표준편차) 65% 개선, 피크·야간·주말 강건성을 확보했습니다.K-Means)와 서울 따릉이 수요 분석을 수행했습니다.Deep Generative Modelling)을 포함한 주차별 정규 세션 과제를 이수했습니다.r=0.90, 폭력 -0.44. 지금까지 이어지는 지표 설계 작업의 시작점입니다.