백엔드 개발자

김민석

실제 지표로 개선 효과를 증명하는 개발자입니다.
문제 해결에서 얻은 인사이트를 적용하며, 블로그 기록과 복기를 통해 지속적으로 성장합니다.

인프콘 2024

성실함

책임감

분석적

전략적

커뮤니케이션

<ul><li>매주 토요일 오전 10시 온라인 미팅에 참여하여 이번 주 학습 내용을 공유하고, 개선점을 찾으며 다음 주 계획을 수립하며 다른 스터디원들과 피드백을 주고받으며 학습 방향을 조정하고, 더 효과적인 학습 방법을 탐색했습니다.</li><li>하루를 시작할 때 학습 목표를 정리하고, 하루가 끝날 때 오늘 한 일을 공유하며 학습의 연속성을 유지했으며 학습 계획을 더 체계적으로 세우고, 꾸준한 실행력을 기를 수 있었습니다.</li><li>스터디원들과 함께 목표를 공유하며 서로 피어 프레셔와 동기부여를 제공하며 학습 과정에서 어려운 점을 공유하고 해결책을 논의하며 함께 성장하는 경험을 했습니다.</li></ul>

신입 개발자 취업 준비 스터디 2기

<ul><li>기술적 성장과 글쓰기 역량 강화를 목표로 정기적인 활동에 참여하며 현업 선배들과의 네트워킹을 통해 성장 방향에 대한 조언을 받으며 다양한 피드백을 주고 받았습니다.</li><li>복잡한 기술 개념을 쉽게 전달하기 위해 매주 기술적인 주제를 설명하는 활동을 진행하며, 스터디원이 어려움을 느끼는 부분을 지속적으로 개선해 나가며, 글쓰기와 말하기 역량을 함께 키웠습니다.</li></ul>

글또 10기 – 개발자 글쓰기 커뮤니티

<code>8년</code> 동안 매년 꾸준히 봉사활동에 참여하고 있습니다.<ul><li>활동 중 발생한 문제에 대해 함께 고민하고 해결책을 찾아 나가며 협업의 가치를 경험했습니다.</li><li>맡은 역할을 끝까지 책임감 있게 수행하는 법을 배웠습니다.<ul><li>팀원들과 서로 배려하는 과정을 통해 공동의 목표를 달성하는 법을 익혔습니다.</li></ul></li><li>봉사활동 과정에서 상대방의 입장을 이해하며 소통하는 법을 배웠습니다. <ul><li>명확한 전달과 의견 교환을 통해 문제 해결에 기여했습니다.</li></ul></li></ul>

자원봉사활동

<ul><li>학회원들과의 원활한 소통을 위해 정기적인 회의를 주재하며 다양한 의견을 수렴하고 반영했습니다.</li><li>학술 세미나와 워크숍을 기획하여 산업 현장 전문가를 초청하고 실무 중심의 특강을 마련해 학회원들의 전문 역량을 강화했습니다.</li><li>책임감을 바탕으로 학회를 운영하며, 협력과 리더십의 중요성을 배우는 경험을 쌓았습니다.</li></ul>

[대학교] 학회장

자동화설비기능사

전자기능사

김민석-이력서.pdf

김민석-포트폴리오.pdf

깃허브

기술 블로그

<ul><li>PDF를 TXT로 변환해 <code>데이터 크기 평균 5MB에서 200KB로 감소</code>했습니다, <code>Gzip 압축으로 네트워크 전송량을 80% 압축</code>했습니다. 결과적으로 응답시간을 약 25초 가량 소요되는 이슈를 데이터 포맷 변환과 압축을 활용하여 11초로 개선했습니다.</li></ul><ul><li>이러한 문제로 초기 JSON 파싱 실패율은 17%에 달했습니다. 이를 해결하기 위해 11가지 주요 실패 패턴을 정리하고, 오류 유형별로 자동 복원 로직을 구현했습니다. 이후 누락된 필드를 자동 보완하거나 자료형 오류를 보정하는 자동 수정 로직과, 파싱 실패 시 최대 3회까지 재시도하는 로직을 적용했습니다. 그 결과 파싱 실패율은 2%로 줄며 83% 감소했습니다.응답 성공률은 75%에서 99%로 향상되었습니다. 응답 성공률은 정상적으로 JSON 파싱이 완료되어 사용자가 피드백을 받을 수 있는 상태에 도달한 비율로 측정했고, 서비스 안정성 기준(SLO)은 99%로 설정했습니다. 단순 예외 처리를 넘어서 실패 원인을 분석하고, 구조 개선과 예외 대응 로직으로 연결한 결과 AI 피드백 시스템의 안정성을 향상시킬 수 있었습니다.</li></ul>복원 자동화를 위해, 오류 유형에 대응하는 파싱 복원 로직을 구현하고, 파싱 실패율을 17%에서 2%로 줄이며 83% 감소시켰습니다.<ul><li>AI 분석 정확도 측정 기준을 정리하고, 기존 방식의 한계를 분석했습니다. 기존에는 단순 키워드 기반 피드백으로, 문맥을 반영하지 못하거나 일관되지 않은 결과가 반복적으로 발생했습니다. 이러한 한계를 개선하고자, 논리적 사고를 유도하는 Chain-of-Thought 기법과 예제 기반 응답을 유도하는 Few-shot Learning 기법을 적용했습니다. 그 결과, 문장 구조와 의미를 더 잘 파악하는 응답을 도출할 수 있었고, 분석 정확도를 37% 개선할 수 있었습니다.</li></ul>

이력서 분석 서비스

<h5>개요</h5><ul><li>채용 공고 스크래핑 서비스는 다양한 채용 정보를 수집하고, 사용자 맞춤형 공고를 제공하는 시스템입니다. 사용자의 클릭 패턴과 관심 지역을 분석하여 채용 정보를 추천할 수 있도록 설계되었습니다.</li></ul>액션<ul><li>X-Forwarded-For 활용한 표준화된 IP 조회 방식을 채택했고, 서블릿이 제공하는 getRemoteAddr()을 메서드를 활용하며 코드 구현을 줄였습니다. 또한, Spring 6. 버전부터 제공하는 <code>http interface</code>를 적용해 API 요청 코드 라인을 감소시켰습니다.</li><li>ArrayDeque에서 발생하는 <code>Race Condition</code> 문제를 해결하기 위해 동기화했습니다. Race Condition 문제 해결을 확인하기 위해 동시성 검증을 테스트 코드로 자동화하기도 했습니다.</li></ul>