Multi-Agent 기반 Funnel Intelligence

연 750억이 새는 퍼널 병목을 진단부터 실행 전략까지 자동으로 연결하는 의사결정 시스템 설계·구현

Snowflake Hackathon 2026 Korea 결선 진출 (2026-04-29)

1. 문제 정의

통신 가입 퍼널에서 고객 이탈로 인해 연간 약 750억 규모의 손실이 발생하고 있었다.
특히 접수 → 개통 구간에서만 연 39만 건 이상의 이탈이 발생하며, 리드타임은 5.8일에서 31.8일로 5배 이상 악화되었다.

기존 분석 방식으로는 문제를 해결할 수 없었다. 이유는 세 가지였다.

• 데이터가 퍼널, 채널, 콜센터, 상품 등 11개 뷰에 분산되어 있음

• 운영, 마케팅, 전략 간 관점 충돌로 합의된 결론이 도출되지 않음

• 매출 증가, 볼륨 증가, 리드타임 악화 등 인과가 얽혀 단순 상관 분석이 무력함

이 문제는 “분석 부족”이 아니라
분석 결과를 실행으로 연결하지 못하는 의사결정 구조의 실패였다.

2. 접근 방식

문제를 “더 정교한 분석”이 아닌
분석 → 합의 → 실행 → 재분석이 이어지는 구조 문제로 재정의했다.

이를 해결하기 위해 다음과 같은 시스템을 설계했다.

3. 시스템 개요

본 시스템은 Multi-Agent, ML, Data Infrastructure를 결합하여
의사결정 루프를 자동화한다.

문제 정의 → 병목 탐지 → 원인 분석 → 실행 전략 → 효과 시뮬레이션

각 단계는 독립된 분석이 아니라
서로의 결과를 입력으로 사용하는 구조로 연결된다.

4. 핵심 설계

4.1 전문가 기반 Multi-Agent 구조

각 에이전트는 역할이 아니라 데이터와 1:1로 매핑된 전문가로 정의했다.

• 퍼널 분석가: 퍼널 전환율 및 병목 탐지

• 데이터 사이언티스트: SHAP 기반 원인 분해

• 운영 전문가: 콜센터 및 리드타임 분석

• 마케팅 전문가: 채널 및 유입 분석

• 전략 컨설턴트: 실행 전략 도출

이를 통해 각 에이전트의 책임과 근거가 명확해지고,
단순 의견이 아닌 데이터 기반 주장 구조를 형성한다.

4.2 Reconcile 기반 합의 메커니즘

기존 멀티에이전트 방식은 다음 한계를 가진다.

• RoundRobin: 의견 나열에 그침

• Voting: 근거 없는 다수결

이를 해결하기 위해 상태 기반 합의 구조(Reconcile)를 설계했다.

• 각 에이전트의 주장과 근거를 상태로 정의

• Desired State(합의 목표)와 Actual State(현재 주장)를 지속 비교

• 매 라운드마다 수렴 여부를 판단하고 조정

이 구조를 통해
의견 나열이 아닌, 근거 기반 수렴 과정을 구현했다.

4.3 분석과 실행의 분리

의사결정 과정은 다음 두 단계로 분리했다.

• 분석 단계: 어디가 문제인가 → 왜 발생했는가 → 구체적으로 무엇인가

• 실행 단계: 무엇을 해야 하는가 → 얼마나 개선되는가

이를 통해
조기 결론 도출이나 성급한 액션 결정 문제를 방지했다.

4.4 SHAP 기반 인과 필터링

SHAP 기여도는 인과가 아니라 상관이다.
이를 그대로 액션으로 연결하면 잘못된 의사결정이 발생한다.

이를 해결하기 위해 SHAP 결과를 다음 5가지 인과 유형으로 재분류했다.

• Spurious (우연 상관)

• Confounding (제3변인)

• Bidirectional (양방향 영향)

• X → Y (정방향 인과)

• Y → X (역방향 인과)

이 레이어를 통해
“매출 감소로 CVR 개선”과 같은 잘못된 전략을 구조적으로 차단했다.

4.5 분석–모델–에이전트 루프 설계

본 시스템의 핵심은 다음 루프를 실제로 동작하게 만든 것이다.

가설 생성 → 분석 설계 → 모델 학습 → 결과 검증 → 재분석

구현 방식:

• 에이전트가 가설 도출

• 데이터 사이언티스트 에이전트가 분석/모델 설계

• Snowflake Cortex Code를 통해 실제 모델 생성 및 학습

• 결과를 Model Registry 및 UDF로 등록

• 다시 에이전트의 근거로 활용

이를 통해
분석 결과가 보고서로 끝나지 않고 다음 분석의 입력으로 이어지는 구조를 완성

5. 기술 구현

데이터 및 인프라

• Snowflake (11개 View 기반 분석 환경)

• Model Registry 기반 모델 관리

• Python / SQL UDF 17개 구현 (에이전트 도구 레이어)

머신러닝

• XGBoost 기반 퍼널 전이 모델 (4단계 분해)

• SHAP 기반 피처 기여도 분석

• CVR 예측 및 리드타임 영향 모델

• Monte Carlo 기반 고객 여정 시뮬레이션

에이전트

• Multi-Agent 구조 설계 및 상태 관리

• 분석/실행 라운드 분리

• Reconcile 기반 합의 로직 구현

UI

• Streamlit 기반 4단계 인터페이스

  • 질문 → 병렬 분석 → 토론 → 보고서

6. 결과

멀티에이전트 합의를 통해 도출된 주요 전략:

• 저성과 렌탈 카테고리 정리 → CVR +3~5%p

• 결합상품 유도 → 지급 전환율 +17%p

• 특정 채널 개선 → 전환율 1%p 상승 시 +1,355건 증가

• 리드타임 단축 (31.8일 → 15일)

• 지역별 운영 최적화

모든 전략은 ML 모델과 UDF를 통해
정량적으로 검증된 결과로 도출되었다.

7. 차별화

이 프로젝트의 핵심 가치는 기술이 아니라 구조에 있다.

• Multi-Agent를 단순 대화가 아닌 의사결정 시스템으로 확장

• ML 결과를 설명이 아닌 행동 가능한 전략으로 변환

• 분석 결과를 다음 분석으로 연결하는 닫힌 루프 설계

• 데이터, 모델, 에이전트를 하나의 시스템으로 통합

특히 다음 구조를 실제로 구현했다는 점이 차별점이다.

Agent → ML → Registry → UDF → Agent

8. 한계 및 개선 방향

• 설치 인력, 재고 등 비정형 운영 요소는 데이터에 포함되지 않음

• 일부 모델은 설명력(R²)이 낮아 불확실성이 존재함

• 복잡한 구조로 인해 운영 단순화가 필요

향후에는
경량화된 단일 에이전트 버전 및 실시간 운영 적용을 목표로 한다.

9. 요약

본 프로젝트는
복잡한 데이터 환경에서 발생하는 의사결정 단절 문제를 해결하기 위해

• Multi-Agent 구조

• SHAP 기반 인과 필터링

• ML–Agent 루프

• Reconcile 합의 메커니즘

을 결합한 시스템을 설계·구현했다.

Multi-Agent 기반 아정당 Funnel Intelligence

연 750억이 새는 퍼널 병목을 진단부터 실행 전략까지 자동으로 연결하는 의사결정 시스템 설계·구현

Snowflake Hackathon 2026 Korea 본선 통과 (결선 진출, 2026-04-29)

한 줄 요약

단일 관점 분석으로는 풀 수 없는 통신 가입 퍼널 병목 문제를 더 효율적이고 다각도에서 풀기 위해, Cortex Code 기반 분석 , ML 설계 Output을 기반으로 한 5인 전문가 페르소나 + Reconcile 의사결정 구조 로 엮은 멀티에이전트 시스템을 설계하고 구현했다.

프로젝트 배경

아정당은 2023–2025년 매출이 19배 성장했으나 운영 인프라가 따라가지 못해 리드타임이 5.8일 → 31.8일(5배)로 악화됐다. 인터넷·렌탈 접수→개통 한 구간에서만 연 39만 건 이탈 · 약 750억 손실이 발생하고 있었다.

원인은 11개 데이터 뷰(V01~V11)에 흩어져 있었고, 운영·마케팅·전략 관점이 충돌해 단순 분석만으로는 합의된 실행 전략이 나오지 않았다.

문제 정의 — 분석이 아니라 의사결정 구조의 문제

세 가지 한계를 시스템이 풀어야 할 요구사항으로 재정의했다.

• 데이터 분산: 11개 뷰에 분산된 퍼널·콜센터·채널·상품 데이터

• 관점 다양성: 운영·마케팅·전략 이해관계자의 상충하는 결론

• 판단 복잡성: 매출 성장 → 볼륨 증가 → 리드타임 악화 같은 제3변인 인과를 분리해야 하는 판단

시스템 설계 (핵심 기여)

1. 페르소나 아키텍처

직급·관점·기능 기반 대안을 기각하고 전문가 기반 페르소나를 채택.

에이전트 전문 데이터 라운드 주역 퍼널 분석가 V03, Model 1/7 R1 데이터 사이언티스트 Model 8/9, SHAP 전체 R2 (+R5) 운영 전문가 V09/V10/V11, V06 R3 마케팅/채널 전문가 V04/V07/V08, Model 10 R3 전략 컨설턴트 V01/V02, 전체 종합 R4 (+R5) Moderator 없음 (순수 중재) 전 라운드

각 에이전트가 데이터와 1:1 매핑되어 책임 경계가 명확하다.

2. Reconcile 의사결정 메커니즘

Desired State(합의 도달 상태)와 Actual State(각 에이전트의 주장·근거·Confidence)를 매 라운드 비교해 유지/수정 관점을 사회자가 구조화한다. RoundRobin 발화 순서가 아니라 상태 동기화 기반 수렴이 차별점이다.

3. 분석/실행 라운드 분리

분석 라운드                         실행 라운드
R1 어디가?  →  R2 왜? (Global)  →  R3 구체적으로? (Local)  →  R4 뭘?  →  R5 얼마나?
매 라운드 Reconcile 적용

앞 3개는 분석 전용, 뒤 2개는 실행 전용으로 명시적 분리하여 조기 수렴 리스크를 제거했다.

4. 인과관계 5-Type 분류 (DS 특수 능력 1)

DS 에이전트가 SHAP 기여도를 5가지 인과 유형으로 분류해 잘못된 실행 트리거를 사전 차단한다.

Type 정의 예시 1. Spurious 우연의 상관 — 2. Confounding 제3변인 매출↑→CVR↓ (제3변인=볼륨) 3. Bidirectional 양방향 연결률↓↔CVR↓ 4. X→Y 정방향 인과 리드타임↑→CVR↓ 5. Y→X 역방향 인과 —

"매출 축소로 CVR 개선" 같은 오역을 구조적으로 차단한다.

5. 인풋·아웃풋 연결 루프 — 에이전트 토론과 Cortex Code를 잇는 운영 구조

Cortex Code는 Snowflake가 2026년 2월 공개한 데이터 네이티브 AI 코딩 에이전트로, 엔터프라이즈 데이터 컨텍스트를 이해한 상태에서 노트북·파이프라인·ML 워크플로를 직접 생성해 Snowflake 안에서 바로 실행시킬 수 있다. 즉 이 시스템에서 Cortex Code는 "새로운 분석 요청이 들어왔을 때 실제로 노트북을 작성하고 학습을 돌려 Registry에 등록해 주는 실행 엔진"으로 쓰인다.

토론 중 미검증 가설이 나오면 DS 에이전트가 "어떤 분석·ML 모델이 필요한지"를 설계안으로 정리하고, 그 설계안이 Cortex Code의 입력이 되어 노트북 작성 → 학습 → SHAP → Model Registry 등록까지 실제로 수행된다. 산출된 모델·분석은 UDF·Registry 경로로 다시 에이전트 도구 레이어에 꽂혀 다음 라운드 토론의 근거로 쓰인다.

토론 중 가설 발생
  → DS가 "필요한 분석/ML 설계안" 정리
    → Cortex Code가 노트북 생성 · 학습 · SHAP · Registry 등록 수행
      → 산출물을 UDF/Tool로 에이전트에 재연결
        → 다음 라운드에서 새 근거로 재토론

이 프로젝트에서 직접 설계한 것은 멀티에이전트의 출력 형식과 Cortex Code의 입력 형식을 맞추고, Cortex Code의 출력(모델·노트북·Registry 엔트리)이 UDF·에이전트 Tool로 다시 흘러 들어오도록 경계를 붙여 놓은 운영 구조다. Snowflake 스택(Registry + UDF + Notebook + 에이전트 Tool) 한 벌 위에서 분석 → 가설 → 보강 분석 → 재토론 루프가 닫힌다는 점이 차별점이다.

6. 기술 스택

레이어 기술 Data Snowflake V01~V11, Cortex Code, Model Registry ML XGBoost + SHAP, 10개 모델 (Model 7~10 XGBoost+SHAP 메인) Tool Python UDF 17개 (TELECOM_ML.MCP 스키마) Agent AG2 (AutoGen 2) ConversableAgent + RoundRobinPattern LLM Anthropic Claude Sonnet-4 / OpenAI GPT-4o (선택) UI Streamlit 4단계 (질문 → 병렬 분석 → 토론 → 보고서+Q&A)

개인 실행 기반 — 멀티에이전트가 올라앉은 분석·엔지니어링 레이어

멀티에이전트 시스템이 의미 있게 작동하려면 그 아래에 정교한 ML·SHAP·Registry·UDF·UI 레이어가 먼저 깔려 있어야 했다. 아래의 ML 모델·SHAP 분석·Registry 등록·UDF는 전부 Snowflake Cortex Code를 직접 조작해 수작업으로 설계·학습·등록한 결과물이다(실사용 비용만 약 $500 수준). 이 기반이 있었기에 에이전트가 "데이터와 1:1 매핑"되고 "토론 결과가 다시 분석 입력으로 되돌아오는 루프"가 실제로 가능해졌다.

ML 모델링 · SHAP 귀인 분석 (직접 수행)

• XGBoost 기반 퍼널 전이 모델 (Model 7) — 접수→동의→품의→설치→개통 4단 구간을 각각 이진분류로 분해해 학습. TreeExplainer로 단계별 SHAP 기여도를 산출하고 FUNNEL_SHAP_FEATURE_IMPORTANCE 테이블로 영구 저장.

• 병목 식별 SHAP 분석 (Part 1~5) — V03 병목 / V04+V07 채널×퍼널 / V07 GA4 UTM 귀인 / V09+V11+V03 콜센터 품질 / 월별 병목 트래킹까지 5개 파트를 독립 노트북으로 구현. 콜센터 품질 부문에서는 INBOUND_CONN_RATE, OUTBOUND_CONN_RATE, 평균 통화초 등 운영 지표를 SHAP으로 귀인.

• Model 8/9/10 연속 학습 — REG→OPEN 회귀(R²=0.33, 18 features), LEADTIME_IMPACT(R²=0.63, 17 features), CHANNEL_REG_OPEN(15 features)을 각각 설계·학습·평가.

• Z-score 이상치 탐지 — 월별 병목 전이율에 롤링 Z-score를 적용해 자동 이상 구간 탐지 로직 직접 구현.

• Monte Carlo 고객 여정 시뮬레이션 — simulate_customer_journey() 함수를 n=1,000 / 5,000으로 설계해 가상 시나리오 CVR 분포 산출.

Snowflake ML Registry 등록 · 커스텀 추론 (직접 수행)

• 8개 모델 Registry 등록 — TELECOM_ML.ML 스키마에 TELECOM_FUNNEL_BOTTLENECK, TELECOM_CHANNEL_IMPACT, TELECOM_UTM_ATTRIBUTION, TELECOM_CALL_QUALITY, TELECOM_REVENUE_OPPORTUNITY, TELECOM_CVR_FORECAST, TELECOM_FUNNEL_TRANSITION, TELECOM_REG_TO_OPEN까지 reg.log_model로 버저닝 등록.

• 커스텀 추론 클래스 작성 — FunnelTransitionModel(custom_model.CustomModel)을 직접 정의하고 @custom_model.inference_api 데코레이터로 4단 전이 추론을 단일 API로 래핑.

• CVR Forecast 앙상블 — GradientBoosting 앙상블 모델을 별도 학습해 예측 모델군에 편입.

• Cutoff 2026-03-01 — 전체 모델에 동일 컷오프 일자를 강제해 시간 누수 방지를 구조적으로 보장.

UDF 엔지니어링 (직접 수행)

• 17개 Python UDF — TELECOM_ML.MCP 스키마에 에이전트가 호출할 도구 계층으로 구현. 에이전트는 이 UDF만 호출하면 되므로 프롬프트에서 SQL을 생성할 필요가 없다(환각 리스크 제거).

• SQL UDF 래핑 — CREATE OR REPLACE FUNCTION TELECOM_ML.MCP.PREDICT_FUNNEL_TRANSITION(...) 형태로 Registry 모델을 SQL 호출 가능하도록 직접 래핑해 Streamlit·에이전트 양쪽에서 쓰게 함.

UI 설계 · 데모 아티팩트 (직접 수행)

• screen-design.md (89KB) — 4단계 Streamlit UI(질문 → 병렬 분석 → 토론 → 보고서+Q&A) 전체 화면 설계서를 직접 작성. 각 화면별 상태·컴포넌트·트랜지션·빈 상태·실패 상태까지 명세.

• 기승전결 데모 노트북 — 현황(기) → 원인(승) → 시간축(전) → 대응(결) 구조의 발표용 노트북을 Plotly·matplotlib·Sankey 다이어그램으로 자력 제작. 심사위원 앞에서 스토리 라인이 막히지 않도록 내러티브 순서를 코드 레벨에서 강제.

왜 이 레이어가 먼저였는가

"에이전트 토론 결과 → Cortex Code 입력 → 새 모델·분석 → 다시 에이전트 근거"로 이어지는 루프를 설계할 수 있었던 이유는, 위 모델·SHAP·Registry·UDF 전부를 Cortex Code로 직접 수차례 돌려 본 경험(누적 실사용 비용 약 $500)에서 입력 포맷과 산출물 스키마가 이미 몸에 익었기 때문이다. 덕분에 에이전트 출력과 Cortex Code 입력의 경계, Cortex Code 산출물과 UDF·Tool 경계를 정확히 어디에서 끊어야 루프가 닫히는지 판단할 수 있었다. SHAP 5-Type 인과 분류 레이어 역시 실제 SHAP 결과와 도메인 사실을 맞대어 본 후 "단순 상관을 액션으로 번역하면 무엇이 깨지는지"를 직접 목격했기에 설계에 넣을 수 있었다. 즉 시스템 설계는 분석·엔지니어링 실무 경험 위에서만 가능한 산출물이었고, 두 레이어 모두 동일 인물의 결과물이다.

시스템 출력물 (설계의 결과로 실제 도출된 전략)

멀티에이전트가 5라운드 토론과 Reconcile을 거쳐 아래 5대 액션에 합의. 기대 효과는 UDF·ML 모델이 정량 산출.

1. 저성과 렌탈 소분류 정리 — 태블릿 2.9% · 노트북 7.1% 정리 → 렌탈 CVR +3~5%p

2. 결합상품 유도 — 단독 26.1% vs 결합 43.1% → 지급 CVR +17%p

3. 바로가입 채널 재설계 — 볼륨 13만·CVR 78% → 1%p 개선 시 +1,355건

4. 리드타임 단축 — 31.8일 → 15일 프로젝트

5. 전북 지역 운영 보강 — 72.6% → 전국 평균 83% → 연 +160건

기여 (정량 · 기술 · 철학)

• 문제 정의: 데이터 선택부터 어떤 문제를 풀 것인지 SHAP 기반 퍼널 분석, 콜센터, 영업

• 시스템 설계·구현: 페르소나 + Reconcile + 분석/실행 라운드 분리 + 인풋·아웃풋 연결 루프까지 엔드투엔드 설계. 33장 발표 자료와 Streamlit 앱, 10 ML 모델 + 17 UDF가 결합된 재현 가능한 산출물로 본선 통과.

• 인과 기반 실행 안전장치: SHAP 상관을 인과 5-Type으로 재분류해 잘못된 트리거를 구조적으로 차단.

• 운영 루프 설계: 에이전트 토론의 가설을 Snowflake Cortex Code의 입력 포맷으로 정형화하고, Cortex Code가 만든 모델·노트북·Registry 엔트리가 다시 UDF·에이전트 Tool로 흘러 들어오도록 경계를 맞춰 "분석이 보고서가 아닌 다음 분석의 트리거"가 되는 운영 구조를 증명. 도구 자체를 만든 것이 아니라, 도구와 도구 사이의 인풋·아웃풋을 끊김 없이 이어붙인 것이 실제 기여.

• 정량 합의 산출: 각 액션이 +1,355건 · +17%p · +6.5%p 식으로 수치화되어 의사결정자가 우선순위를 즉시 합의 가능.

• 한계의 명시: 설치 인력·재고 등 데이터에 없는 요소는 시스템이 먼저 선언하게 하여 제안의 신뢰도 확보.

배운 것 · 한계

• LLM 멀티에이전트의 합의는 프롬프트가 아니라 구조에서 나온다 — RoundRobin + 신뢰도 임계값만으로는 의견 충돌이 묻혀버림. Reconcile처럼 상태를 명시적으로 다뤄야 합의 품질이 올라감.

• SHAP은 인과가 아니다 — 기여도를 그대로 액션으로 번역하면 Type 2 제3변인 오역이 발생. 5-Type 분류 레이어가 필수.

• R² = 0.33 같은 약한 모델도 쓸모는 있다 — 설명 못 하는 67%가 있다는 사실을 프롬프트가 먼저 선언하게 만들면, LLM이 근거 없는 단정 대신 가설 제안 모드로 전환됨.

• 데이터가 없는 영역(설치 인력 배치 등)은 시스템이 스스로 선언하고 그만두는 것이 신뢰도를 높임.

Project 1. Find a Doc — Graph 기반 의료 AI Doctor Matching System

프로젝트 개요

환자 증상 기반으로 적절한 진료과 및 전문의를 탐색할 수 있도록 지원하는 의료 AI 검색 및 reasoning 시스템 개발

주요 업무 (Key Responsibilities)

Clinical Flowchart → Ontology 기반 Medical Reasoning Pipeline 구축

• 진료지침서(Clinical Guideline)의 Clinical Flowchart 구조를 분석하여 의료 온톨로지 및 그래프 구조로 변환

• 증상 → 분기점(Decision Point) → 감별진단(Differential Diagnosis) → 전문분야(Field) → 전문의(Doctor)로 이어지는 계층형 clinical reasoning pipeline 설계

• Neo4j 기반 그래프 구조 위에서 DFS 기반 Flowchart 탐색 로직 구현

• 한국어 증상 정규화 및 동의어 확장 파이프라인 구축

• 구조화된 그래프 탐색 결과를 LLM reasoning context로 변환하여 reasoning 품질 향상

• 76개 이상의 증상 기반 임상 Flowchart를 graph-explorable structure로 구조화

Medical AI Agent & Retrieval Architecture

• LangGraph 기반 의료 AI Agent workflow 설계 및 개발

• 증상 분석 → Clinical Flowchart 탐색 → 진료과 검색 → 전문의 검색으로 이어지는 multi-stage orchestration pipeline 구축

• Neo4j hybrid retrieval 기반 symptom-to-doctor matching workflow 구현

• LLM hallucination을 최소화하기 위한 tool-grounded retrieval architecture 설계

• 실제 DB 기반 field validation pipeline 구축을 통해 hallucinated specialty generation 방지

• 의료법 및 광고 규제를 고려한 “추천”이 아닌 “안내” 중심 interaction policy 설계

• 응급 징후 탐지, 추측 금지, 반복 질문 제한 등 의료 안전 중심 prompt orchestration 설계

AG-UI & Interactive Medical Interface

• AG-UI 기반 의료 AI interaction system 통합 및 개발

• CopilotKit + LangGraph 기반 streaming AI interaction architecture 구축

• Next.js 기반 AI doctor search interface 개발

• Cytoscape 기반 ontology graph visualization 구현

• 병원 / 진료과 / 전문의 / 전문분야 관계 그래프 시각화 시스템 개발

• AI tool-calling 상태를 실시간으로 시각화하는 interactive UI 개발

• 의료 검색 UX를 위한 filtering / ranking / retrieval visualization pipeline 설계

주요 성과 (Key Achievements)

• 76개 이상의 임상 증상 Flowchart를 구조화하여 graph-explorable clinical reasoning pipeline 구축

• Differential diagnosis 기반 의료 reasoning workflow 설계

• Hallucination-resistant medical AI agent architecture 구축

• Neo4j + LangGraph 기반 symptom-to-doctor retrieval pipeline 개발

• Tool-grounded medical retrieval architecture 설계를 통한 검색 신뢰성 향상

• 의료 안전성과 규제 준수를 고려한 LLM orchestration architecture 설계

• AG-UI 기반 의료 AI interaction system 구현

Project 2. Cerebrovascular AI Research

프로젝트 개요

뇌혈관 구조를 그래프 기반으로 모델링하고, 혈관 branching prediction 및 clinical simulation 활용 가능성을 연구하는 의료 AI 프로젝트

주요 업무 (Key Responsibilities)

• 그래프 기반 cerebrovascular vessel branch prediction 연구

• 구조화된 혈관(branching) representation 기반 predictive modeling 수행

• Ontology-guided graph representation을 활용하여 vessel branch prediction 성능 개선

• 디지털 트윈 및 clinical simulation 활용을 고려한 vascular structure modeling 연구

• Cerebrovascular ontology 및 graph representation 기반 의료 지식 구조화 수행

주요 성과 (Key Achievements)

• Graph representation 기반 혈관 branching prediction 성능 개선

• 의료 ontology와 graph structure를 활용한 vascular reasoning representation 연구

• Cerebrovascular structure modeling 기반 digital twin 활용 가능성 탐색

• 구조화된 혈관 지식 표현을 통한 graph-based predictive modeling pipeline 구축

Project 3. Hypher Mirror — Wellness-oriented Voice AI Agent

프로젝트 개요

실시간 음성 인터랙션 기반 wellness-oriented AI agent를 통해 neurological wellness screening 및 self-check를 지원하는 conversational healthcare AI 프로젝트

주요 업무 (Key Responsibilities)

• 음성 기반 Wellness AI Agent 프로젝트인 Hypher Mirror 설계 및 개발

• 실시간 음성 인터랙션 기반 AI agent workflow 및 medical tool-calling architecture 구축

• 건강 상태 self-check 및 neurological wellness screening을 위한 conversational AI pipeline 연구

• OpenAI Realtime API 기반 low-latency voice interaction architecture 실험 및 통합

• Wellness-oriented AI interaction을 위한 context-aware conversational workflow 설계

• NIHSS 유사 neurological assessment support workflow 연구

• Fazekas score 기반 neurological risk/wellness support tooling 연계 연구

주요 성과 (Key Achievements)

• Real-time voice interaction 기반 healthcare AI workflow 구현

• Low-latency conversational AI architecture 구축

• Wellness-oriented neurological self-check interaction 설계

• Voice AI 기반 medical tool orchestration workflow 개발

• Realtime multimodal interaction 기반 healthcare AI UX 연구

참고자료

• 1인 개발한 Find a Doc 서비스 배포 링크(현재 활성화 X, 궁금한 점 있을시 개인 연락 바랍니다.)
  - "건강 신호 확인해줘"...집에서 뇌혈관질환 잡는다 / YTN
  - "스마트기기와 대화하며 뇌졸중 이상 신호 발견한다"/연합뉴스

프로젝트 소개

“Ontology 기반 RAG를 활용한 USTR 및 Supply Chain 관계 분석 AI 시스템”

공급망 데이터를 중심으로 한 글로벌 정책(USTR 등) 문서를 효과적으로 이해하고, 다양한 주체 간의 관계를 AI 기반으로 분석할 수 있도록 돕는 프로젝트입니다. Ontology 기반의 Graph RAG와 Light RAG 기법을 접목하여, 복잡한 공급망 이슈를 직관적이고 정밀하게 파악할 수 있는 분석 시스템을 구현하였습니다.

목표

정형·비정형 데이터를 통합 분석하고, 국가 정책과 공급망 이슈 간의 연관 관계를 자동으로 시각화 및 설명할 수 있는 AI 분석 시스템 구축

기여

• 프로젝트 설계 및 개발 주도: Ontology 기반 RAG 아키텍처 설계 및 USTR 문서와 Supply Chain 데이터를 통합 분석하는 시스템 구현

• 관계 중심의 분석 기능 개발: Graph RAG를 활용해 정책 간, 기업 간, 국가 간의 다층적 관계를 시각화 및 설명하는 기능 제공

• Light RAG github 기여: Light RAG에서 동일 Entity 발생 시 처리의 대한 문제점을 발견하여 개선안을 제시

문제 정의

복잡한 정책 및 공급망 데이터의 관계성 파악의 어려움

• 수많은 문서와 다양한 이해관계자 사이의 연관성을 사람이 수작업으로 분석하기엔 한계

• 글로벌 정책 변화(USTR 문서 등)와 국내 공급망 이슈 간의 영향도 실시간 분석 필요

RAG 응답 품질 및 정확성 문제

• 단순한 RAG 기법만으로는 깊은 관계 분석에 한계

• 비정형 데이터의 해석에 있어 컨텍스트 손실 및 Hallucination 발생

Document 기반 RAG에 최적화된 Light RAG

• 도메인별 개념 구조가 미정의된 상태에서는 고차원적 의미 연결 불가

문제 해결 방안

Ontology 기반의 Graph RAG + Light RAG 파이프라인 구축

• Graph RAG로 관계형 그래프 기반 문맥 파악

• Light RAG로 빠른 질의응답 처리 및 추론 보조

• neo4j mcp를 구축하고 이를 활용하여 Agent가 Neo4j DB와 소통

Multi-agent 아키텍처 설계

• USTR 문서를 다루는 USTR Agent

• Supply Chain 데이터를 분석하는 SupplyChain Agent

• 위 두 Agent를 관리하는 Supervisor Agent로 관리

• 각 Agent가 독립적으로 응답하되, LangGraph를 활용해 협력 및 조율

결과

• 정책-공급망 간 연관 분석 파이프라인 완성

  • USTR 문서, 기업 데이터, 수출입 흐름 간 관계를 자동 분석 및 시각화

  • 관계 추론을 통한 위험 요소 사전 탐지 가능

• Ontology 기반의 지식 그래프 구축

  • 산업군, 국가, 정책 키워드 간의 다층적 Ontology 설계 및 추론 기반 질의 지원

• RAG 품질 향상 및 응답 속도 개선

  • Graph RAG로 깊이 있는 관계 분석, Light RAG로 빠른 응답 제공

성과

• AI Supply Chain 분석 플랫폼 MVP 개발 완료

• 1, 2주차 후기 블로그

• 3,4주차 후기 블로그

• 5, 6주차 후기 블로그

  
  유튜브

  • https://www.youtube.com/live/793bvM1Mrtg?si=9wfac2VxEvOiLaMX&t=3772

• POC 팀으로 합류하여 처음부터 AI Product 기획 및 리드

• Neo4j 기반 text to knowledge graph 파이프라인 구축 및 construction Knowledge graph 연구

• 데이터 전처리

• Langgraph 기반 AI agent 고도화

• LinkBrain AI 개발 및 기획

  LinkBrain 홈페이지: https://link-brain-client-web.vercel.app/
  
  LinkBrain AI 개발 및 연구
  1. Link To Construct Knowledge Graph Pipeline 설계 및 개발
  2. VIBE SEARCH ENGINE 개발(지식 검색, 웹검색, 링크 검색)
  3. 사용자 중심의 Agentic workflow 설계 및 개발
  

• 보유기술: Knowledge Graph · 대규모 언어 모델 운영(LLMOps) · AI 에이전트 · Graph RAG

프로젝트 소개

"모두가 잘 먹고 잘 살 수 있는 지역 음식 펀딩 플랫폼"

소상공인의 홍보와 수요조사, 고객과의 소통을 지원하는 펀딩 플랫폼을 통해 로컬 식당(F&B)의 성장과 소비자의 선택지 확대를 촉진하고, 지역 경제 활성화를 목표로 하는 지역 상생 프로젝트

기여

프로젝트 기획자로서 기획 전반을 리드하며 AI 해시태그 기능을 개발하여 소상공인 홍보 및 소비자 연결 강화에 기여

문제 정의

1. 소상공인의 데이터 활용 및 홍보 한계

   • 대기업에 비해 데이터 기반 의사결정 및 홍보에 어려움을 겪으며, 새로운 시도를 하기에는 리스크가 큰 구조.

2. 성장 기회 제한

   • 이러한 한계가 소상공인의 성장 가능성을 저해.

3. 소비자와의 연결 부족

   • 판매자와 소비자가 만나는 접점이 부족하여 직접적인 소통 기회가 적음.

4. 디지털 격차 문제

   • 소상공인이 디지털 기술을 활용하는 데 어려움이 존재.

문제 해결 방안

1. 가까운 거리 기반 음식점 페이지

   • 판매자와 소비자 간의 연결 지점 확보로 접근성 강화.

2. 신메뉴 펀딩 페이지 기획

   • 무지출 펀딩을 통해 소상공인이 신메뉴 구상 시 홍보와 수요조사를 동시에 가능하도록 지원.

3. AI 해시태그 생성 기능

   • GPT-4 Vision 기반 AI 해시태그 생성 기능을 구현하고 FastAPI를 통해 서빙하여 판매자의 홍보 시간과 비용 절감.

결과

• 프로젝트 데모: 참신함과 지역 상생 효과에 대해 긍정적인 평가를 받음.

• 판매자 해시태그 입력 시간: 90% 이상 단축하여 효율성 증대.

관련 자료

• Github 링크: https://github.com/9roomthon-sixpack

• 기사: https://blog.goorm.io/goorm_beotkkotthon/

프로젝트 소개

"TGO와 함께 떠나는 나 그리고 동행자의 여행"
여행 계획 세우기의 번거로움을 해결하고, 데이터 기반 AI 기술을 활용해 스마트하고 빠르게 여행 계획을 수립할 수 있도록 돕는 프로젝트

• 목표: 사용자 맞춤형 여행 일정을 자동으로 생성하여 간편하고 만족스러운 여행 경험 제공

기여

• 프로젝트 설계 및 개발 주도: 여행 일정 수립을 위한 AGI 시스템 설계 및 구현

• 사용자 중심의 기능 개발: 맞춤형 여행 일정을 자동으로 생성할 수 있는 기능 제공

문제 정의

1. CX(사용자 경험) 향상 필요성

   • 지속적인 정보 State 관리의 필요

   • 여행 계획에 중요한 사용자 정보를 적절히 수집하고 이에 맞는 응답 제공

2. Agent 간 상호작용 조율 및 할루시에이션 문제

   • Multi-Agent 간의 상호작용 최적화 필요

   • 할루시에이션 발생으로 인해 일정의 정확성과 신뢰성 저하

3. 데이터 부족 문제

   • 여행 데이터의 부재로 인해 AI 모델 학습 데이터가 제한적

문제 해결 방안

1. 여행 계획 생성, 업데이트, 검색을 위한 멀티에이전트 기반 LLMOps 파이프라인 구축

   • Langgraph와 crewai로 워크플로우 구현

   • 안정적인 데이터 흐름 및 관리: Pydantic 구조를 사용해 단일 State를 안정적으로 관리.

2. 사용자 경험 강화

   • 동행자 정보를 추가 수집하고 이를 기반으로 맞춤형 여행 계획 생성.

   • Prompt Engineering을 활용해 친근한 AI 에이전트 구현.

3. 정확성 및 품질 개선

   • Self-Reflection을 통한 할루시에이션 감소.

   • Human-in-the-Loop 프로세스로 사용자 피드백 반영.

4. 여행 데이터 확보

   • Web Crawling으로 다양한 여행 데이터를 수집하고 이를 구조화.

결과

1. 사용자 중심의 여행 생성 파이프라인 완성

   • 사용자의 여행 요구사항 수집부터 여행 일정 생성 그리고 업데이트까지의 langgraph 구현.

   • 여행 일정 추천 및 업데이트 기능 구현

2. 안정적인 State 관리

   • Pydantic 구조 기반 State 관리로 데이터 흐름의 안정성 확보.

   • 유저 의도를 추출하고 JSON Patch를 적용하는 방식의 안정적인 여행 일정 업데이트

3. PAA 컨셉의 여행 에이전트 구현

   • 사용자의 성향에 맞춘 정교한 여행 스타일 분석 및 일정 생성.

4. CX(사용자 경험) 향상

   • 동행자 정보를 반영한 맞춤형 일정으로 높은 사용자 만족도 달성.

성과

• 제6회 DEVOCEAN Tech Day 데모 부스 시연

• SK Tech Summit 세션

• 제7회 DEVOCEAN Tech Day 발표:

  • 발표 제목: "에이전트 고도화 전략을 통한 새로운 여행, TGO"

  • 발표 영상 및 후기 포스팅

프로젝트 소개

"Virtual Try-On 기술 개발 연구 프로젝트"

의류 가상 피팅을 위한 Virtual Try-On 기술 개발 프로젝트로, 의류 데이터를 기반으로 사용자 맞춤형 가상 시착을 구현하는 것이 목표입니다. 특히, 자동화와 효율성을 통해 데이터 처리 과정의 시간을 단축하고, 높은 정확도로 사용자의 요구에 부합하는 경험을 제공하는 것에 중점을 두었습니다.

기여

• 프로젝트 참여 및 연구 계획서 제출

  • 약 70장의 PPT로 구성된 연구 계획서를 제출하여 1:20의 경쟁률을 뚫고 프로젝트에 합류.

• 데이터 수집 및 처리 자동화

  • 자동화된 쇼핑몰 크롤링 알고리즘을 설계하여 7,000개 이상의 구조화된 데이터를 빠르게 확보하였고, 이를 통해 시간 및 리소스 절감을 달성.

• CHAMP 모델 파인튜닝

  • I2V 모델의 세부적인 성능을 향상하기 위해 CHAMP 모델의 데이터 프로세싱 단계를 셸 스크립트를 통해 자동화하여 처리 속도를 대폭 향상.

문제 정의

1. 구조화된 의류 데이터 부족

   • 기존의 의류 이미지는 대부분 라벨링이 되어 있지 않아, 데이터를 수집해도 이를 사용하기 위해서는 많은 수작업이 필요.

2. 복잡한 데이터 처리 단계

   • Image to Video (I2V) 모델의 데이터 처리에는 총 6단계가 필요하며, 이 과정을 수동으로 처리할 경우 약 1시간 소요.

3. 일관성 유지의 어려움

   • 모델이 시간적 일관성(temporal consistency)을 유지하는 데 어려움이 있어, 특정 상황에서 결과 품질이 저하되는 문제가 발생.

     ---

문제 해결 방안

1. 자동화된 크롤링 알고리즘

   • 다양한 쇼핑몰에서 의류 데이터를 자동으로 수집하여 구조화함으로써 데이터 부족 문제를 해결하고, 효율적인 학습을 위한 양질의 데이터셋을 확보했습니다.

2. 데이터 처리 자동화

   • I2V 모델 CHAMP의 데이터 프로세싱을 자동화하는 셸 스크립트를 개발하여, 수동 처리로 인한 시간 낭비를 최소화하고 효율성을 크게 향상시켰습니다.

3. 로고 보존을 위한 세밀한 파인튜닝: 작은 영역에서도 로고와 같은 주요 디테일을 보존할 수 있도록 모델을 세밀하게 파인튜닝하여 높은 품질의 결과를 유지.

결과

• 데이터 수집 효율성 향상: 7,000개 이상의 데이터를 자동으로 구조화하여 수집하고, 데이터 준비 과정에서 시간을 크게 절감.

• 처리 시간 단축: 자동화된 프로세스 -> 데이터 처리에 걸리는 시간 90% 이상 감소.

• 연구 성과 발표 및 자료:

• Virtual Try-On 기술 개발 - 연구계획(1),

• Virtual Try-On 기술 개발 - 연구개발(2)

프로젝트 소개

"서로에게 말 못 할 이야기와 잊기 쉬운 것들을 위한 케어 서비스"

Multi-agent 기반의 양방향 소통을 통해 AI가 맞춤형 케어를 제공하는 프로젝트로, SKT NUGU Speaker를 활용해 부모와 자녀 간 원활한 소통과 지원을 돕습니다

기여

프로젝트 기획을 주도하고, Multi-agent 시스템을 구축하여 FastAPI로 서비스화하여 운영하였습니다.

문제 정의

• 소통의 어려움

  • 자녀와 부모 간 서로에게 말하기 불편한 주제가 많아 의사소통이 원활하지 않음.

• 부재로 인한 케어의 어려움

  • 의사소통 부재로 부모님을 충분히 케어하기 어려운 상황 발생.

• 경제적·시간적 부담

  • 자녀가 부모를 전담하여 부양하고 케어할 여유가 부족함.

• 사용 편의성 부족

  • 고령층이 손쉽게 사용할 수 있는 애플리케이션의 부재.

문제 해결 방안

1. 초개인화 멀티 에이전트 대화 챗봇 개발

   • Autogen과 GPT Assistant를 활용하여 thread data 기반으로 자녀와 부모 각각의 이야기를 수집하고 필요에 맞는 상호작용을 수행하는 챗봇을 개발. 예를 들어, 부모의 위시리스트 관리, 건강 상태 파악, 자녀와의 유대감 증대 기능 제공.

2. NUGU Speaker 연동

   • SKT NUGU Speaker SDK를 연동하여 가정 내에서도 손쉽게 서비스를 이용할 수 있도록 설계.

3. STT 및 TTS 적용

   • 텍스트 입력 없이 음성으로 챗봇과 상호작용 가능.

4. 위시리스트 자동 등록

   • 부모가 필요한 물품을 위시리스트 페이지에 자동으로 등록

5. 공유 알람 기능

   • 자녀가 알람을 설정하면 부모가 해당 알림을 받아볼 수 있도록 공유 알람 기능 추가.

결과

• 프로젝트 발표 및 데모 부스 운영: 프로젝트의 유용성과 혁신성을 시연.

• KCCI 논문 출판: "A Design and Implementation of The Deep Learning-Based Senior Care Service Application Using AI Speaker" 논문 발표로 기술적 성과 공유.

관련 자료

• 논문: A Design and Implementation of The Deep Learning-Based Senior Care Service Application Using AI Speaker

• 프로젝트 발표 자료: https://drive.google.com/file/d/1-DorF8JcwG-cLbO54yUbwzz5X8VA_Vtv/view

프로젝트 소개

AI로 꿈의 틀을 만들어, 당신의 첫 '꿈틀'을 돕는 앱"

오타니의 만다라트 계획표를 활용하여 사용자의 꿈과 목표를 AI 기반으로 체계적으로 생성하고 관리하는 프로젝트입니다. 개인 정보와 목표를 반영해 메인 목표와 세부 목표를 세우고, 꿈을 이루기 위한 구체적인 계획을 돕는 애플리케이션입니다.

기여

프로젝트 팀장으로서 기획을 주도하며, 사용자 정보에 기반해 AI로 만다라트 계획표를 자동 생성하는 기능을 구현하였습니다.

문제 정의

1. 꿈 또는 버킷리스트를 사치로 여기는 사회

   • 꿈을 이루려는 시도가 자주 현실적으로 어려운 사치로 치부되는 상황.

2. 목표 설정의 어려움

   • 목표가 있어도 이를 이루기 위한 구체적 계획이 막연함.

3. 체계적 접근의 부담

   • 목표를 체계적으로 달성하기 위한 계획 수립이 어려움.

4. 시간과 노력의 부담

   • 계획을 세우는 데 많은 시간을 투자해야 하는 부담.

5. 계획의 딱딱함

   • 계획과 체크리스트가 딱딱하고, 압박감으로 작용하는 문제.

6. GPT-3.5-turbo의 한계

   • GPT-3.5-turbo가 표 생성 및 이해가 불가능하여 사용자 맞춤형 계획표 생성에 한계.

문제 해결 방안

1. AI 기반 만다라트 계획표 생성

   • 메인 목표와 세부 목표를 9x9 구조로 체계화하여 AI로 생성.

2. 사용자 맞춤 계획표

   • 사용자의 나이, 직업, 특이사항을 반영해 맞춤형 만다라트 계획표를 자동 생성하도록 구현.

3. JSON 스키마와 Function Calling 활용

   • JSON 스키마로 계획표를 구조화하고 Function Calling으로 안정적인 계획표 생성.

4. 친숙한 꿈틀 나무 UI 컨셉

   • 친숙한 꿈틀 나무 UI를 적용하여 목표를 하나씩 성취해가는 과정을 시각적으로 제공.

5. 목표 관리 페이지

   • 사용자 목표 관리 페이지를 통해 목표 진행 상황을 체계적으로 확인.

6. 체크리스트 기능

   • 목표 완료 여부를 체크리스트를 통해 직관적으로 관리 가능.

결과

• "당장 상용화 해도 좋겠다"는 평을 받음

• 중간 발표와 기말발표에서 긍정적인 피드백

• 최종 우수활동자 수상

• 관련 자료:

  • 포스팅 링크: 꿈틀 프로젝트 포스팅

  • 꿈틀 시연 영상: https://drive.google.com/file/d/1XDRvQX9UYGxK-r05JQUQ_gXwt1IACh3W/view?usp=sharing

프로젝트 소개

"TEXT2POKEMON: 포켓몬의 색상을 텍스트로 창조하는 AI 웹사이트"

Text-to-Image 모델인 Instruct Pix2Pix를 포켓몬 데이터셋에 맞게 fine-tuning하여, 텍스트 입력만으로 포켓몬 이미지의 부분을 지정한 색상으로 채색할 수 있는 웹사이트를 제작하는 프로젝트입니다. 이를 통해 사용자는 새로운 색상의 포켓몬을 손쉽게 만들 수 있습니다.

기여

• 모델 파인튜닝

  • 포켓몬 데이터셋을 사용해 모델을 텍스트 기반 이미지 채색 작업에 최적화.

• 캡션 데이터 생성

  • LLM을 활용해 학습에 필요한 캡션 데이터를 구축하여 모델 성능 향상에 기여.

문제 정의

• Instruct Pix2Pix 모델의 도메인 확장성

  • 다양한 도메인에 적용 가능한 Instruct Pix2Pix 모델을 포켓몬 캐릭터의 채색 작업에 특화하여 응용할 필요가 있음.

• 객체와 배경 구분 문제

  • 모델이 포켓몬의 특정 부분을 채색하면서 배경과 객체의 경계를 구분하지 못하는 경우 발생.

• 텍스트 색상 정보 인식 문제

  • 텍스트에 포함된 색상 정보를 정확하게 반영하지 못함.

문제 해결 방안

• 도메인 구체화

  • Image Translation에서 Image Coloring으로 프로젝트 도메인을 구체화하여 모델을 해당 작업에 맞게 파인튜닝.

• 데이터셋 구축

  • 변환 전후의 이미지를 포함하고 변환에 대한 캡션을 담은 데이터셋을 개발하여 모델이 텍스트를 통해 색상 정보를 정확히 반영할 수 있도록 개선.

결과

• 색상 정확도 및 이미지 퀄리티 향상: 텍스트의 색상 정보를 반영해 세밀하게 색을 입히는 기능을 성공적으로 구현하였으며, 이미지 품질이 전반적으로 향상됨.

• 수상 내역:

  • 수원대학교 학술제 3학년 부문 1위

  • 수원대학교 AISW Developer 최우수상

• 관련 자료:

  • Github 링크: GitHub Repository

OpenLab 1기에서 하던 여행 프로젝트를 OpenLab 2기로 이어서 AGI 파트를 리드하며 프로젝트 고도화를 진행하였습니다.

관련 링크

LLMOps에 관심이 있는 사람들이 모여서 격주로 SKT 판교 사옥에서 스터디를 하였습니다.

스터디 내용은 AutoRAG, LLM 평가, AGI, LLM fine-tuning이고 각자 공부한 것을 공유하며 자유롭게 이야기 하는 형식이었습니다.

저는 Multi-agent 기반 프로젝트 한 경험을 살려 AGI 파트에서 Multi-agent에 대해 주로 공유하였고

전과정을 참여하며 인사이트를 얻고 이를 여행 계획 생성 프로젝트로 발전시켰습니다.

더 깊게 AI에 다가가기 위해 지원한 부트캠프입니다.

커리큘럼은 다음과 같고

1. 빅데이터분석

2. AI프로그래밍

3. ML프레임워크

4. 딥러닝모델

5. DevOps실습

6. 컨테이너 인프라환경구축

7. 클라우드 서비스

8. Langchain을 활용한 챗봇

이 커리큘럼을 수행하며 MLOps에 관심이 생겨 MLOps 스터디를 주최하고 운영하며 6주간 MLOps에 대해 스터디원과 공부하였습니다.

github: https://github.com/SK-AI-FLY-MLOps-Study/MLOps-Study

프로젝트 기간에는 초개인화 AI 케어 플랫폼 POOM을 개발하고자 하였고 2달이라는 짧은 기간에 팀에 앱 개발 스택이 없음에도 불구하고 기획부터 데모까지 불철주야로 협업하여 만들어낸 뜻깊은 경험이었습니다.

SKT DEVOCEAN의 테크 인플루언서로서 다양한 활동을 하며 개발 생태계를 이해하게 되었습니다.

개발 컨퍼런스를 가거나 홍보영상을 만들거나 책 리뷰를 하고 전문가님과 커피챗을 하는 등등 활동을 하였습니다.

매달 주어지는 미션을 완수하며 이런 모든 경험을 DEVOCEAN이라는 개발 커뮤니티에 기록하였습니다.

적극적으로 참여를 한 결과, 최종 우수활동자에 선정되었습니다.

팀별로 프로젝트를 진행했습니다.

이때 팀장의 역할을 수행하며 SKT 인재개발원에서 발표하고 현업자 분들에게 피드백을 받는 뜻깊은 경험을 하게 되었고

이런 경험을 통해 개발 문화를 향유하고 앞으로의 커리어에 있어서 큰 동기부여가 되었던 대외활동이었습니다.