2024.07 — 현재
ML 엔지니어 · 삼성전자 MX사업부 Language AI (새 탭에서 열림)
0000건 규모의 라우팅 TC로 상위 에이전트의 decision boundary를 평가하고, 실패 버킷 분석과 개선 대상·반대 영역 회귀 검증을 통해 라우팅 설명과 정책을 보강하는 반복 루프를 설계했습니다.
About
삼성전자 MX사업부 Language AI 팀에서 Bixby의 LLM 모델과 에이전틱 플랫폼을 개발합니다. 상위 에이전트의 라우팅 경계를 재현 가능하게 평가하고, 실패 사례를 경계 보강과 회귀 검증으로 되돌리는 evaluation-driven refinement loop를 설계했습니다.
Experience
2020 — 2023
학부 연구·산학 프로젝트 · KAIST
Metric learning과 준지도 학습 기반의 산학·연구 프로젝트를 수행했습니다.
2017.03 — 2024.02
KAIST 전산학부 학사 Education
학부 과정 중 metric learning·준지도 학습 연구 참여.
Projects
상위 에이전트 라우팅 경계 평가·보강 루프
0000건 규모의 라우팅 TC를 결정론적으로 평가하고, 경계 실패를 분석해 설명·정책을 보강한 뒤 반대 방향 회귀까지 검증하는 루프를 구축했습니다.
- 경계 평가 — 실제 action과 기대 routing을 비교하고, 정답 영역 이탈과 다른 영역의 과잉 흡수를 양방향으로 분석했습니다.
- 보강 루프 — 실패를 후보 미노출·기능 미노출·후보 내 오선택으로 분해하고, 동일 후보군의 before/after 평가로 기능 설명·경계 지식·도구 계약 변경 효과를 검증했습니다.
- 재현성 — JSON Schema·CI preflight, deterministic scoring, 실행 조건과 revision을 포함한 artifact로 변경 전후 비교 기준을 고정했습니다.
- 확장 과제 — 현재 범위는 라우팅 판단 회귀이며, 실제 chaining·자유로운 multi-step trajectory·stateful outcome 평가는 후속 과제로 구분했습니다.
OpenClaw 기반 서버형 Bixby 에이전트 PoC
디바이스 어시스턴트 기능을 서버형 에이전트 실행 구조에 연결하고, 요청 라우팅부터 도구 실행·후속 대화까지 end-to-end로 검증했습니다.
- Agent 라우팅 — Skill 정의를 바탕으로 요청에 적합한 Agent를 선택하고 실행 query를 구성하는 흐름을 설계했습니다.
- 도구 연동 — Bixby 기능을 OpenClaw tool interface로 연결하고 세션 문맥을 유지하는 요청·응답 파이프라인을 구현했습니다.
- 멀티턴 처리 — 확인과 값 선택이 필요한 대화에서 이전 요청을 참조해 실행을 이어가는 흐름을 구현했습니다.
- 안정성·관측성 — 실행 이벤트 정규화, 비정상 응답 방어, URL·이미지 데이터 마스킹과 도구 호출 로깅을 적용했습니다.
- 실행 환경 — Docker Compose 기반 서버 실행·배포 구성과 Agent Skill 정의 주입 구조를 구축했습니다.
제품 에이전트 도구 실행·관측 플랫폼
서로 다른 모델 제공자와 도구 실행을 공통 계층으로 묶고, 요청부터 실행 결과까지 추적 가능한 제품 기반을 구축했습니다.
- 실행 구조 — 에이전트의 요청 해석과 도구 호출 흐름을 설계하고, 미들웨어로 실행 정책과 예외 처리를 공통화했습니다.
- Provider 호환 — 모델 제공자별 차이를 공통 설정과 adapter 경계로 분리해 제품 코드의 결합도를 낮췄습니다.
- 관측·운영 — Langfuse와 OpenTelemetry를 연결해 요청·모델 판단·도구 실행을 다시 확인할 수 있게 하고, 프롬프트·하네스 전략을 함께 운영했습니다.
Posts
논문 리뷰
Attention Is All You Need [1] — Encoder · Decoder (새 탭에서 열림)
Transformer의 인코더·디코더 구조를 그림과 코드로 따라가며 정리했습니다.
논문 리뷰
Attention Is All You Need [2] — Attention (새 탭에서 열림)
Self-Attention과 Multi-Head Attention을 병렬성 관점에서 뜯어봤습니다.
논문 리뷰
Attention Is All You Need [3] — Feed-Forward · Positional Encoding (새 탭에서 열림)
위치 정보를 인코딩하는 방식과 FFN의 역할을 정리했습니다.