AI / AX · ARCHITECTURE & PIPELINEFULL-STACK · PRODUCTION TOOLS

AI & AX ENGINEERING PORTFOLIO / 13 YEARS EXPERIENCE

업무의 문제를 발견하고,
AI를 실제로 일하는 도구로 만듭니다.

13년간 웹·모바일·업무 시스템을 개발해 온 AI·AX 풀스택 소프트웨어 엔지니어입니다. 현업의 요구와 업무 데이터를 분석해 AI 적용 과제를 발굴하고, 서비스 기획·아키텍처 설계부터 프런트엔드·백엔드 개발, 배포·운영까지 직접 수행했습니다.
LLM·RAG·생성형 AI를 기존 데이터·업무 도구와 연결하고, 비동기 처리·응답 검증·사용자 승인 기준을 갖춘 서비스로 구현했습니다.

공정 간 공통 파이프라인멀티 AI 집필·검증Milvus 기반 유사 견적 검색TransNetV2 영상 분할단독 기획·설계·개발
ENGINEERING CASE STUDIES [01 — 06]PROBLEM → DESIGN → IMPLEMENTATION → VALIDATION
PROJECT 01

시나리오 분석·제작 지원 플랫폼

AGENT TOOL LAYER · GENERATIVE PIPELINE
ROLE기술 리드 · 기획 · 아키텍처 설계 · 프론트엔드·백엔드 개발 · 제작 관리 Agent의 Tool·Action 설계

시나리오 분석과 견적·이미지·영상 생성을 연결하고, 조회 Tool과 실행 Action으로 제작 관리를 보조하는 AI VFX 플랫폼 — 문화체육관광부·한국콘텐츠진흥원 '2025년 K-콘텐츠 AI 혁신 선도 프로젝트' 과제(CJ 4DPLEX 주관 컨소시엄)

Next.jsReactTypeScriptPythonFlaskSQLAlchemyMilvusvLLMLM StudioComfyUICeleryRedisPostgreSQLPydanticPrometheuspytestFFmpeg

PROBLEM & CONTEXT

시나리오를 분석한 결과가 견적 검토와 이미지·영상 제작에 이어지려면, 장면·인물·샷 정보를 각 작업에서 재사용할 수 있어야 했습니다.
시나리오를 공통 제작 데이터로 구조화하고, 분석 결과를 후속 작업에 전달하는 플랫폼을 제안했습니다.

시나리오 입력을 출발점으로 씬 분석·견적과 컨셉·영상 제작을 연결했습니다. AI 추천과 생성 결과를 사용자가 검토·선택할 수 있도록 구성하고, 장시간 작업은 비동기 처리했습니다.
2026년 5월부터는 PM·PD·슈퍼바이저의 질문에 근거 데이터로 답하고 작업을 실행하는 제작 관리 Agent를 더했습니다. 조회 Tool 6개를 통일 계약으로 등록하고, 실행 Action 28개는 현재 작업 단계에 속한 것만 발화하도록 범위를 제한했습니다.

SCENARIO TO TRAILER기능 구성 예시
시나리오 분석·제작 지원 플랫폼 · 기능 구성 예시

[시나리오 분석·제작 지원 플랫폼 · 기능 구성 예시] 처리 흐름: 시나리오 입력 → 씬·샷 구조화 → 견적 분석·유사 사례 검색 → 컨셉 선택 → 비동기 영상 생성 → 트레일러 출력

ARCHITECTURE & DECISIONS

01

RAG를 업무 목적에 맞게 분리

입찰 견적은 RAG 비활성 경로로 유지하고, 과거 사례를 참고하는 실적 전망을 별도로 산출했습니다.

02

모델 응답을 검증한 뒤 다음 단계로 전달

씬 식별자 검사·교정 재요청·규칙 기반 대체 처리로 잘못된 추천의 후속 전달을 방지했습니다.

03

Tool 계약과 실행 범위 제어

조회 Tool 6개를 같은 계약으로 레지스트리에 두고, 실행 Action 28개는 작업 단계별로 허용 범위를 제한했습니다. LLM 호출에는 서킷 브레이커를 적용했습니다.

PROJECT 02

MUSE Studio · 통합 콘텐츠 제작

MULTI-MODEL ORCHESTRATION
ROLE제품 기획 · 시스템·데이터 설계 · 웹·데스크톱·API 개발 단독 수행

멀티 AI 생성과 버전·채택·QA 승인을 통합한 콘텐츠 제작 플랫폼

ReactTypeScriptElectronNode.jsFastifySQLiteFirestoreClaude·OpenAI·Gemini APIFFmpegGitHub Actions

PROBLEM & CONTEXT

멀티 모델 기반 콘텐츠 제작의 핵심 과제는 생성 결과를 일관된 제작 데이터로 관리하는 것이었습니다.
글·이미지·영상의 버전과 채택 이력, 캐릭터·설정 정보가 후속 작업에 함께 전달되도록 프로젝트 데이터 구조와 단계별 확정 기준을 설계했습니다.

기획·각본·스토리보드부터 미디어 생성·편집·QA·출력까지 연결하는 제작 워크플로를 기획하고 단독 구현했습니다.
AI 변경안과 사용자가 채택한 결과를 분리하고, 승인된 버전을 기준으로 후속 작업을 진행하도록 구성했습니다. QA 승인 스냅샷은 자동 정리·삭제 대상에서 제외해 검수 기준이 되는 데이터를 보존했습니다.

MUSE / HM STUDIO기능 구성 예시
MUSE Studio · 통합 콘텐츠 제작 · 기능 구성 예시

[MUSE Studio · 통합 콘텐츠 제작 · 기능 구성 예시] 제작 흐름: 기획·세계관 설정 → AI 집필 → 비평·검증 → 사용자 채택 → 미디어 생성 → QA 승인·출력

ARCHITECTURE & DECISIONS

01

멀티 모델을 역할과 예산으로 제어

작가·비평가·검증자·편집자 역할을 매핑하고,
병렬 리뷰와 반복 횟수·토큰 예산을 제어했습니다.

02

승인을 데이터 상태와 버전으로 보존

사용자가 채택한 결과를 다음 단계로 전달하고, QA 승인 스냅샷은 자동 정리와 삭제에서 제외했습니다.

03

배포 파일과 사용자 데이터의 수명 분리

배포 파일과 영속 데이터 경로를 분리하고,
Firestore 이관·사용량 집계·앱 업데이트를 연결했습니다.

PROJECT 03

VFX 공통 제작 파이프라인

CROSS-TEAM ALIGNMENT
ROLE업무 개선 제안 · 7개 제작 파트와 PM·슈퍼바이저 요구사항 조율 · 파이프라인 기획·설계·개발 단독 수행

7개 제작 파트와 PM·슈퍼바이저의 요구사항을 조율해 공정 간 파일 처리와 검수·등록을 표준화한 제작 파이프라인

PythonShotGrid APIMayaNuke파일 검수·등록·승인·버전 관리

PROBLEM & CONTEXT

모델링·룩뎁·리깅·애니메이션·라이팅·FX·컴포지팅의 7개 제작 파트는 사용하는 프로그램과 데이터 형식, 인계 기준이 달랐습니다.
공정 간 파일 전달과 작업 상태 관리를 연결하기 위해 각 파트장과 PM·슈퍼바이저의 요구사항을 함께 조율했습니다.

7개 제작 파트의 파트장과 PM·슈퍼바이저의 요구사항을 조율했습니다.
각 공정에서 필요한 입출력 조건과 검수·등록·승인 절차를 정리하고,
여러 파트가 공통으로 사용할 제작 파이프라인으로 구현했습니다.

VFX PIPELINE / CROSS-TEAM ALIGNMENT공정 연결 구조
모델링룩뎁리깅애니메이션라이팅FX컴포지팅PM슈퍼바이저
↓
7개 제작 파트와 PM·슈퍼바이저 요구사항 조율공통 처리 절차 합의

공정별 도구 · 데이터 형식 · 인계 조건

↓
불러오기 → 검수 → 등록·버전 → 내보내기·승인
현업 조율을 공통 파이프라인으로 연결한 설계 구조

[공정별 작업 방식과 공통 처리 절차의 연결 구조] 공정 연결: Maya·Nuke 작업 파일 → 공통 처리 규약 → 4단계 검수 → 제작 데이터·버전 등록 → 내보내기·승인 → ShotGrid 상태 갱신

ARCHITECTURE & DECISIONS

01

개발 이전에 공정 간 합의부터 정리

7개 제작 파트의 파트장과 PM·슈퍼바이저의 요구사항을 조율해
공통 처리 절차를 합의했습니다.

02

도구와 형식의 차이를 공통 처리 절차로 연결

Maya·Nuke·ShotGrid를 연동하고 5개 공정의 불러오기·검수·내보내기와 4단계 자동 검수를 구현했습니다.

03

제작 이벤트와 관리 상태 갱신을 연결

파일 업로드·승인 이벤트와 관리 상태 갱신을 연결하고
기존 제작 도구를 Python 3로 전환했습니다.

PROJECT 04

SV Cut · 딥러닝 영상 자동 분할

DEEP LEARNING · FRAME ACCURACY
ROLE자동화 도구 제안 · 기획 · 감지·출력 파이프라인 설계 · CLI·GUI 개발 단독 수행

영상의 컷 경계를 검출하고 프레임 단위 클립과 편집 타임라인으로 연결한 영상 분할 도구

PythonPyTorchTransNetV2PySceneDetectOpenCVFFmpegPySide6PyInstallerEDL·OTIO·FCP7 XML

PROBLEM & CONTEXT

긴 영상을 씬별로 분리해 제작에 사용하려면 컷 위치 탐색, 클립 생성, 썸네일·메타데이터 정리가 필요했습니다.
감지 결과가 실제 편집 환경에서 맞는 프레임과 원본 미디어를 가리키도록 자동 분할 도구를 설계했습니다.

딥러닝 기반 경계 감지와 경량 감지 백엔드를 구성하고, 공통 씬 모델에서 클립·썸네일·메타데이터·편집 타임라인을 생성하도록 구현했습니다.
실제 사용자 피드백으로 경계 프레임과 검출 설정을 보정했습니다.

SV CUT / SHOT DETECTION기능 구성 예시
SV Cut · 딥러닝 영상 자동 분할 · 기능 구성 예시

[SV Cut · 딥러닝 영상 자동 분할 · 기능 구성 예시] 6단계 처리 구조: 원본 영상 → FFprobe 메타데이터 확인 → TransNetV2 컷 경계 추론 → 프레임 경계 변환 → FFmpeg 클립 분할 → 편집 타임라인 출력

ARCHITECTURE & DECISIONS

01

감지 백엔드와 후처리·출력 분리

TransNetV2와 경량 감지 백엔드를 공통 씬 처리·출력 계층에 연결해 CLI와 GUI에서 재사용했습니다.

02

모델의 프레임 의미를 원본 픽셀로 검증

모델의 전환 피크와 새 샷 시작의 1프레임 차이를 원본 픽셀로 확인하고 경계 변환을 수정했습니다.

03

실영상과 소비 도구를 기준으로 보정

실영상 피드백으로 감지 설정과 타임라인 경로 형식을 보정하고 소재별 운용 가이드를 작성했습니다.

PROJECT 05

SV Player · 영상 리뷰·평가 도구

REVIEW · RATING WORKFLOW
ROLE리뷰 업무 개선 제안 · 기획 · 데이터·계산 규칙 설계 · 데스크톱 개발 단독 수행

영상 리뷰와 샷 평가를 연결하고 승인 후 ShotGrid에 반영하도록 설계한 제작 리뷰 도구

PythonPySide6libmpvPyAVFFmpegShotGrid APIPyInstallerGitHub Actions

PROBLEM & CONTEXT

영상을 확인하는 작업과 샷 난이도를 평가·집계하는 작업이 연결되려면, 같은 샷을 정확히 탐색하고 동일한 기준으로 계산해야 했습니다.
평가자·팀별 기록을 보존하고 승인된 결과만 제작 데이터에 반영하는 리뷰 도구를 제안했습니다.

프레임 단위 재생·주석·구간 편집과 ShotGrid 조회·난이도 평가를 한 도구에 구성했습니다. 난이도는 명시적 계산 규칙으로 처리하고, 평가 기록 저장과 최종 필드 반영의 조건을 분리했습니다.

SV PLAYER / REVIEW & RATING기능 구성 예시
SV Player · 영상 리뷰·평가 도구 · 기능 구성 예시

[SV Player · 영상 리뷰·평가 도구 · 기능 구성 예시] 리뷰 흐름: 영상·ShotGrid 데이터 불러오기 → 샷 리뷰·평가 → 최신 유효 평가 집계 → 권한·상태 검사 → 사전 점검 → 승인 후 반영

ARCHITECTURE & DECISIONS

01

웹과 데스크톱의 계산 규칙 일치

평가 계산·입력 정규화를 공통 코어로 분리하고
웹·데스크톱 파일 동기화 검사로 결과 차이를 확인했습니다.

02

평가 기록의 기준을 ShotGrid로 통일

ShotGrid에 이력을 누적하고 최신 유효 평가로 집계해,
미평가 상태가 0점으로 반영되지 않게 했습니다.

03

최종 반영을 별도 승인 절차로 설계

완료 여부·권한·대상 필드를 검사하고 승인 후 반영하도록 설계했으며, 실제 서버는 사전 점검까지 검증했습니다.

PROJECT 06 · PERSONAL

ComfyUI MCP 서버 · 에이전트용 이미지 생성 도구

MCP · TOOL INTERFACE DESIGN
ROLE개인 프로젝트 · 2026.10 · 설계·구현·테스트 단독 수행

LLM 에이전트가 노드 그래프 대신 의미 파라미터만으로 ComfyUI 이미지 생성을 실행하도록 설계한 MCP 어댑터 서버

Python 3.11asyncioFastMCPhttpxwebsocketsPyYAMLPillowpytestComfyUI API

PROBLEM & CONTEXT

ComfyUI를 프로그램에서 쓰려면 수백 줄의 노드 그래프 JSON을 만들어야 합니다. LLM 에이전트가 이를 직접 조립하면 링크 누락·노드 ID 오류·토큰 낭비가 생기고, 실행 중 상태를 알 수 없어 긴 작업이 실패로 오인됩니다.

에이전트와 ComfyUI 사이에 MCP 서버를 두어 "워크플로 템플릿 + 파라미터" 수준의 Tool을 노출하고, WebSocket 진행률을 MCP 알림으로 중계하며, 실패 원인을 에이전트가 읽고 재시도할 수 있는 형태로 돌려주도록 설계했습니다.

COMFYUI MCP / ARCHITECTURE구성 요소
ComfyUI MCP 서버 아키텍처 · MCP 클라이언트, FastMCP 서버, ComfyUI

[ComfyUI MCP 서버 · 구성 요소] 처리 흐름: tools/call → YAML 매핑으로 템플릿 치환 → /prompt 큐잉 → WebSocket 진행률 → MCP progress 알림 → 썸네일 + 원본 경로 반환

ARCHITECTURE & DECISIONS

01

그래프가 아니라 의미 파라미터를 노출

원시 워크플로 JSON을 받는 단일 Tool 대신
템플릿별 generate_* Tool로 호출 정확도와 토큰 비용을 함께 개선했습니다.

02

매핑을 코드 밖으로 — YAML 1장이 Tool 1개

노드 제목 기반 매핑과 기동 시 Schema 생성으로
코드 수정 없이 워크플로를 추가하고, 설치된 모델만 enum으로 노출했습니다.

03

실패를 예외가 아니라 에이전트의 다음 행동으로

원인과 재시도 힌트를 구조화 텍스트로 돌려주고,
진행률 중계·타임아웃 계층·/history 폴백으로 긴 작업의 오인 실패를 막았습니다.