글로벌 EPC PM으로 장기 프로젝트의 시작과 끝을 관리한 경험이, 기획·데이터·ML·인프라·배포·운영까지 전 계층을 잇는 풀스택 실행으로 이어집니다. 실제 제조 공정에 GitOps·k3s로 AI를 배포·운영하며 비즈니스 임팩트를 증명했습니다.

입사 1주차, 공식 API 부재 제약에서 수만 건 결재 문서 수작업 병목을 Playwright Agentic 파이프라인으로 100% 정합성 무인 자동화 전환. 단, git worktree 멀티 브랜치 병렬 개발에선 인간의 인지 맥락 한계가 실질적 병목임을 확인 — 자동화 범위를 먼저 정의해야 yak shaving을 피한다.

다축 센서 데이터를 타임스탬프만으로 연결할 수 없는 문제에서 Cycle_ID를 Golden Key로 설정, 전 계층 단일 키 조인과 이상 구간 즉시 재현·처방 루프를 확보했습니다. 인프라 설계 전 데이터 모델 정의가 선행되어야 합니다.

Edge AI LMR에서 이상 발생률 1% 미만이라 accuracy 99%는 무의미 → AUROC를 핵심 메트릭으로 재정의. Dotodo에서는 LLM-as-a-Judge 자율 평가 루프로 사람 없이 품질을 검증하고 API 비용 60% 절감. 평가 없이 배포는 없다.

AlignAI에서 TensorRT 대신 CPU ONNX Runtime을 선택한 것은 현장 추론 빈도·하드웨어를 측정한 결과. ~330ms가 공정 사이클 대비 충분함을 데이터로 확인 후 단순 구조를 유지했다. 최신 기술이 항상 현장 최적해는 아니다.

다중 클래스 학습에서 latest=best 복사 방식이, best가 초반 epoch일 때 resume이 퇴보가 되는 버그를 경험. latest.pth / best_vN.pth / best_vN.onnx 3파일 분리로 역할 혼용을 구조적으로 제거했다. 파일 하나에 두 역할을 섞으면 반드시 충돌한다.

tool_calls 분기(코드 제어)와 ReAct 루프(모델이 while True 종료를 매 턴 결정)를 순서대로 직접 구현하며 구조적 차이를 코드 레벨로 체득했습니다. 제어권이 모델로 넘어갈수록 표현력과 디버깅 난이도가 함께 오릅니다.

EPC PM 시절 최적 기술 스펙보다 3국 이해관계자가 납득하는 스펙을 선택해 완수. AOI에서도 SAM의 기술적 정밀함보다 다현장 재라벨링 병목을 근거로 이미지 단위 접근의 배포 우위를 공유. 기술 선택이 곧 운영 비용임을 현장에서 증명.

CLI AI 세션 종료 시 맥락 소실 문제를, Obsidian Smart Connections(로컬 임베딩)로 노트를 벡터 인덱스화하고 세션 맥락을 Zettelkasten에 연결하는 워크플로우로 해결. RAG 아키텍처를 학습 도구에 내재화했다.