B2B 콘텐츠 제안 PM으로 17.18억 원 매출을 냈습니다.
협업 과정에서 다른 직군의 언어를 먼저 이해하고자 하는 기획자이자 엔지니어입니다.
지식그래프와 Agentic RAG로 문제를 정의하고 하네스를 설계합니다.
학습한 지식을 내 것으로 만들도록, 매주 지식그래프로 엮어 실제 작업에 적용합니다.
(학습한 것은 공개 지식그래프 Learning Atlas에서 확인할 수 있습니다.)
As a B2B content-proposal PM I delivered ₩1.72B in sales. I am a planner-turned-engineer who starts by learning the language of other disciplines. I define problems and design harnesses with knowledge graphs and Agentic RAG — weaving what I learn into a graph every week and applying it to real work. (Everything I study is published in my open knowledge graph Learning Atlas.)
학력
숭실대학교 언론홍보학과
2022.08 학사 졸업
경력
총 2년 7개월
- 주식회사 트루빈스 (제안 PM · 작가총괄)
- 샤이닝라이언 AI 엔지니어 인턴십
희망 직무
PM · PO · AI/ML Engineer · Model
02 — EXPERIENCE
경력
샤이닝라이언 — AI 엔지니어 인턴십
멋쟁이사자처럼 · 로켓단 프로젝트 · 사회추론 AI NPC 연구
2026.06.02 — 2026.07.011개월
「인문학을 학습한 AI는 늑대인간 게임에서 더 잘 추리할까」 — 7인 늑대인간을 불완전정보 사회추론 환경으로 삼아, 인문학 기반 학제적 스캐폴드(발화·여론·수혜자 분석·심문 전략)가 LLM NPC의 사회추론 행동을 바꾸는지 시드 고정 평가 하네스 + 출력 품질 gate로 검증한 탐색 연구.
raw/display 경계·claim gate로 정직성 통제 — 최종 RT2.3(N=20)은 품질 통제 하 양의 방향이나 strong claim gate 미통과로 탐색적 경향으로만 보고(일반적 우월성 주장 아님). 스택: llama3.1:8b · Python seed/run 하네스 · Phaser 3 데모. — 프로젝트 페이지 ↗ · GitHub ↗
“Does an AI schooled in the humanities reason better at Werewolf?” — an exploratory study that treats 7-player Werewolf as an imperfect-information social-deduction environment and tests whether a humanities-based interdisciplinary scaffold (utterance, public opinion, beneficiary analysis, interrogation strategy) changes LLM NPCs’ social-reasoning behavior, verified with a seed-fixed evaluation harness + output-quality gate. Honesty is enforced by raw/display boundaries and a claim gate — the final RT2.3 (N=20) trends positive under quality control, but reported as an exploratory tendency only (no general-superiority claim) as it did not pass the strong claim gate. Stack: llama3.1:8b · Python seed/run harness · Phaser 3 demo. — Project page ↗ · GitHub ↗
주식회사 트루빈스 — VD 프로덕션
미디어컨설팅 주임 / 제안 PM · 작가 총괄
2022.04 — 2024.092년 6개월
누적 매출 1,718,731,531원 — PM으로서 2년 연속 KPI 초과 달성(2022·2023). B2B 영상·콘텐츠 제안 PT 진행.
제안서부터 홍보, 광고 영상 기획 및 SB 제작까지 솔루션 일괄 제공.
Cumulative sales ₩1,718,731,531 — beat individual KPI two years running as PM (2022·2023). Ran B2B video/content proposal pitches, delivering the full solution from proposal to promotion, ad-video planning and storyboard production.
'22
155%
KPI 3억원
'23
121%
KPI 7억원
'24
40%
KPI 10억원 (9월 퇴사)
AI 핵심 역량
전략 수립 · 가설 검증 — 이용자 리서치 기반 접근 → AI 페르소나
시뮬레이션으로 이용자 반응 사전 검증
AI Core Strengths
Strategy & hypothesis testing — user-research-driven → pre-validated user response with AI persona simulation
Fluent communication with design / dev / biz / sales teams
Document craft with Microsoft Office
Planning with AI Agents & Figma
03 — PROJECTS
대표 프로젝트
대표 — AI 프로덕트
CH.01AI ServiceTeam Lead (FE · BE · AI)2026 진행데모(오프라인 평가 완료)
AI 북큐레이션 서비스: 북켓몬 — Objective Function 최적화 · RAG 큐레이션
AI Book-Curation Service: Bookmon — Objective-function optimization · RAG curation
HyperCLOVA X · Qdrant · PostgreSQL · Redis 기반 RAG 추천 시스템. 단순 추천을 다중 목표 최적화 문제로 재정의, 캐릭터형 독서 파트너(다마고찌·포켓몬 메타포)로 게이미피케이션 구조화.
A RAG recommendation system on HyperCLOVA X · Qdrant · PostgreSQL · Redis. Reframed recommendation as a multi-objective optimization problem and structured gamification around a character reading partner (Tamagotchi·Pokémon metaphor).
독서 앱의 리텐션 문제를 푸는 AI 독서 파트너 — 기획·RAG 설계·FE/BE/AI 3직군 팀장.
An AI reading partner that attacks the retention problem of reading apps — product design, RAG architecture, and team lead across FE/BE/AI.
데이터Data
학습 — 기업 연계 과제(클라비) 제공 도서 서지 데이터 10만 건을 원천으로, Nemotron 한국인 합성 페르소나 이벤트를 Qdrant 실제 도서와 결합해 학습 데이터 구축(synthetic·실사용자 혼합, LightFM WARP 학습용). 온보딩·서재·리뷰·평점 유저 신호 스키마 설계(17개 RDB). 평가 — 평가셋 18쿼리 직접 설계·적합도 라벨링(Avg Rel·Precision·Bad Rate 기준).
Training — from a corporate-partner corpus of 100K book records (Klavi), combined NVIDIA Nemotron Korean synthetic-persona events with real Qdrant titles to build training data (synthetic + real users, for LightFM WARP). Designed the user-signal schema for onboarding·library·reviews·ratings (17 RDB tables). Evaluation — designed an 18-query eval set with relevance labeling (Avg Rel · Precision · Bad Rate).
실행Actions
HyperCLOVA X 질의 구조화 + Qdrant 검색. 쿼리 변형 4종·리트리버 3종·룰 on/off를 각각 평가해 llm_search_query · dense · 룰 재정렬 채택(dense+BM25 RRF는 Top-10/20 품질 급락으로 기각). 선호·대중성·최신성 결합 수식 S_personal 직접 설계, 임베딩은 KURE vs CLOVA 정량 벤치로 선택.
HyperCLOVA X query structuring + Qdrant retrieval. Evaluated 4 query variants · 3 retrievers · rules on/off, adopting llm_search_query · dense · rule re-ranking (rejected dense+BM25 RRF for sharp Top-10/20 quality drops). Designed the preference·popularity·recency scoring formula S_personal; picked the embedding via a KURE vs CLOVA quantitative bench.
임팩트Impact
[실측] 룰 ablation으로 Top-5 Bad Rate 15.56%→2.22%, Precision 84.44%→97.78%(오프라인 평가 18개 쿼리). 최종 운영 조합(llm_search_query·dense·룰 재정렬)은 Top-5 Precision 100% · Bad Rate 0% · 평균 지연 577ms. 임베딩은 KURE vs CLOVA 벤치(Precision@50 91.14% vs 90.09%, +590ms)로 선택.
[measured] Rule ablation cut Top-5 Bad Rate 15.56%→2.22% and lifted Precision 84.44%→97.78% (offline eval, 18 queries). The final production combo (llm_search_query · dense · rule re-rank) hit Top-5 Precision 100% · Bad Rate 0% · 577ms avg latency. Embedding chosen by KURE vs CLOVA bench (Precision@50 91.14% vs 90.09%, +590ms).
기획의 언어추천과 캐릭터 진화를 한 데이터 모델로 묶어, 좋은 추천이 다시 방문할 이유가 되도록 설계.
Planner’s languageOne data model ties recommendation to character growth, so a good pick becomes a reason to return.
CH.02AI Research · 사회추론단독 기획·구현 · 샤이닝라이언 인턴십2026.06탐색 연구 (claim gate 미통과·탐색적 경향)
AI 사회추론 시뮬레이션 — 「인문학을 학습한 AI는 늑대인간 게임에서 더 잘 추리할까」
AI Social-Deduction Simulation — “Does an AI schooled in the humanities reason better at Werewolf?”
7인 늑대인간을 불완전정보 사회추론 환경으로 삼아, 인문학 기반 학제적 스캐폴드(발화·여론·수혜자 분석·심문 전략)가 LLM NPC의 사회추론 행동을 바꾸는지 시드 고정 평가 하네스로 검증한 탐색 연구. 인문학(언론홍보) 배경을 차별축으로.
An exploratory study using 7-player Werewolf as an imperfect-information social-deduction environment, testing whether a humanities-based interdisciplinary scaffold (utterance·public-opinion·beneficiary analysis·interrogation strategy) changes LLM NPC behavior, verified with a seed-fixed evaluation harness. My humanities (journalism & PR) background is the differentiating axis.
눌러서 보는 것7인 늑대인간 시뮬 데모 + 시드 고정 하네스 결과표(RT2.3)를 한 화면에.
Tap to see7-player Werewolf sim demo + seed-fixed harness results (RT2.3) on one screen.
LLM NPC의 "발화가 그럴듯함"과 "실제 사회추론"을 분리 검증하는 게임 도메인 LLM 평가 하네스 설계 — 벤치마크 구성·지표 설계·정량/정성 평가 전 과정.
Designed a game-domain LLM evaluation harness that separates “plausible talk” from “actual social reasoning” — benchmark construction, metric design, and the full quantitative/qualitative pipeline.
데이터Data
평가 데이터 설계 — 행동 단위 정량 지표 4종 정의(승률·역할추론·정합성·생존), raw/display 라벨 경계 설계, 시드 고정 반복(N=20) 실험 로그 축적.
Evaluation-data design — defined 4 behavioral quantitative metrics (win rate·role inference·coherence·survival), designed the raw/display label boundary, accumulated seed-fixed experiment logs (N=20).
실행Actions
7인 늑대인간을 불완전정보 환경으로 삼아 같은 seed·같은 역할 구성에서 baseline vs 인문학 스캐폴드 arm 비교. 발화·여론·수혜자 분석·심문 전략을 공개 추론 frame으로 구조화, raw/display 분리 · 출력 품질 gate · claim gate로 통제. 정량 지표 4종(승률·역할추론·정합성·생존).
Compared baseline vs humanities-scaffold arms under identical seeds and role setups. Structured utterance·public-opinion·beneficiary·interrogation strategy as an open reasoning frame, controlled by raw/display separation · output-quality gate · claim gate. Four quantitative metrics (win·role·coherence·survival).
임팩트Impact
최종 RT2.3(N=20)은 품질 통제 하 양의 방향. strong claim gate를 넘지 못해 "탐색적 경향"으로만 보고하고, 시드 고정 재현·행동 단위 지표·주장 통제까지 평가 방법론 전체를 재현 가능한 형태로 남김.
Final RT2.3 (N=20) trends positive under quality control. Reported only as an exploratory tendency — it did not clear the strong claim gate — while leaving the whole methodology reproducible: seed-fixed reruns, behavioral metrics, claim control.
기획의 언어"그럴듯한 발화"와 "실제 추론"을 분리한 문제 정의. 인문학(언론홍보) 배경으로 발화·여론 분석 frame을 설계.
Planner’s languageProblem framing that separates “plausible talk” from “actual reasoning”; discourse/opinion frames designed from a humanities background.
개발의 언어시드 고정 하네스·raw/display 경계·스코어링 gate. 평가 기준을 코드로 강제해 자의적 판정을 차단.
Qwen2.5-7B-Instruct를 QLoRA(LoRA r=16 + 4-bit nf4)로 내과 도메인에 적응. Dense+BM25 Hybrid RAG로 근거를 인용하고, Mode A/B/C 3원 통제 비교로 설계 기여도를 검증(객관식 EM 0.71 · 서술형 BERTScore 0.73).
RedFlag 안전필터(응급 키워드 → Emergency Exit)를 안내문이 아닌 코드로 설계하고, UX 라이팅으로 ‘정서적 안전선’ 확보.
Adapted Qwen2.5-7B-Instruct to internal medicine with QLoRA (LoRA r=16 + 4-bit nf4). Dense+BM25 hybrid RAG cites its evidence; a Mode A/B/C three-way controlled comparison isolates each design contribution (multiple-choice EM 0.71 · free-form BERTScore 0.73). The RedFlag safety filter (emergency keywords → Emergency Exit) is enforced in code, not in a disclaimer, with UX writing as the “emotional safety line.”
눌러서 보는 것Mode A/B/C 3원 통제 비교 결과 + RedFlag 안전필터 코드 설계.
Tap to seeMode A/B/C controlled comparison + RedFlag safety-filter code design.
"의료 AI는 안전하다고 느껴지는가가 신뢰를 결정한다"는 가설 검증. 팀장으로 파인튜닝·RAG 설계 총괄, UX 라이팅 겸.
Hypothesis: “for medical AI, feeling safe decides trust.” Led the team — fine-tuning and RAG architecture — while owning the UX writing.
데이터Data
AI Hub 의학지식 데이터(필수의료·전문) 원천 — 내과 QA 12,781쌍을 CoT 3단 구조로 재구성·정제해 학습셋을 만들고(train 10,299/valid 1,248), 말뭉치 3,447문서는 27,000청크로 분할해 RAG 인덱스 구축. 객관식·서술형 평가셋 분리 구성(EM·BERTScore 채점 기준).
From AI Hub medical-knowledge data (essential·specialist care) — restructured 12,781 internal-medicine QA pairs into a 3-step CoT format (train 10,299 / valid 1,248); split a 3,447-document corpus into 27,000 chunks for the RAG index. Built separate multiple-choice and free-form eval sets (EM·BERTScore rubrics).
실행Actions
Qwen2.5-7B QLoRA(r=16 · 4-bit nf4)로 내과 도메인 적응, Dense+BM25 Hybrid RAG로 근거 인용. 설계 기여도는 Mode A/B/C 3원 통제로 분리 검증, RedFlag 응급 키워드는 안내문이 아닌 코드(Emergency Exit)로 차단.
Adapted with Qwen2.5-7B QLoRA (r=16 · 4-bit nf4); Dense+BM25 hybrid RAG cites evidence. Contribution isolated via Mode A/B/C controls; RedFlag emergencies are blocked in code (Emergency Exit), not in a notice.
임팩트Impact
객관식 EM 0.71 · 서술형 BERTScore 0.73 [실측]. 평가 기준과 스코어링을 직접 설계하고, 안전선은 UX 라이팅과 코드 양쪽에 내장.
Multiple-choice EM 0.71 · free-form BERTScore 0.73 [measured]. Designed the rubric and scoring myself; the safety line is built into both UX writing and code.
기획의 언어응급 상황에서 챗봇이 설명 대신 즉시 행동(Exit)하게 하는 정서적 안전선 설계.
Planner’s languageAn emotional safety line: in an emergency the bot acts (Exit) instead of explaining.
개발의 언어3원 통제 비교로 파인튜닝·RAG·프롬프트의 기여도를 분리 측정. EM·BERTScore 이중 지표.
Engineer’s languageThree-way controls separate the contribution of fine-tuning, RAG and prompts. Dual metrics: EM · BERTScore.
증명 역량도메인 특화 LLM의 평가 설계(3원 통제·EM·BERTScore)와 안전 필터 — LLM 평가/QC·신뢰성 엔지니어링Eval design for domain LLMs (3-way controls·EM·BERTScore) + safety filters — LLM evaluation/QC & reliability engineering
소형 LLM(SLM) 도입 시 BPE 토큰 매칭 오류와 비결정적 생성으로 인한 밸런스 시뮬 재현 검증 불가. 동일 입력에도 결과가 흔들리고 지연이 인터랙션 임계점 초과. 동행자를 장식 NPC로 두면 전투 밸런스를 통제할 수 없음.
Adopting a small LM broke reproducible balance sims — BPE token-matching errors and non-deterministic generation: same input, unstable output, latency past the interaction threshold. A decorative companion NPC would leave combat balance uncontrollable.
결정·로직Decision / Logic
EXAONE 3.5 2.4B + QLoRA(r=32, α=64) 대화 학습, Seed 기반 결정론 생성·Deterministic Caching으로 재현성 확보. Mataios = 결정론 동행자(장식 NPC 아님 — 플레이어/동행자 전투 행동을 UI·시스템에서 분리). ML-Agents = 전투 설계 프로브로 AttackSpam·SkillSpam 열화 전략을 노출해 결정론 동행자 정책으로 환원. 멀티에이전트 생산 파이프라인(Command Center·System Design·Game Dev·UI/Asset·AI·Release/Ops·Portfolio) — clean worktree·evidence gate·아티팩트 SHA·배포 검증.
EXAONE 3.5 2.4B + QLoRA (r=32, α=64) dialogue training; reproducibility via seed-based deterministic generation and deterministic caching. Mataios is a deterministic companion (not decoration — player/companion combat behavior separated across UI and systems). ML-Agents as a combat-design probe, surfacing AttackSpam·SkillSpam degradation strategies and folding them back into companion policy. A multi-agent production pipeline (Command Center·System Design·Game Dev·UI/Asset·AI·Release/Ops·Portfolio) — clean worktrees·evidence gates·artifact SHA·release verification.
결과Result
플레이어블 Unity 6 Android 프로토타입(루트 선택·이벤트·2인 전투·보상·상점/휴식·보스) → 공개 포폴·AI NPC 케이스·APK로 패키징. 26턴 멀티턴 한국어 유지 25/26·공개 eval 20/20 한국어 100% · BIW 차단 · 토크나이저 진단 증거. RoguelikeSim headless + RunPolicy 5종 + BalanceMetrics 정량 집계.
게임 포폴 ↗ ·
AI NPC 케이스 ↗ ·
APK ↗경계 — 프로토타입(상용 출시 아님) · AI 학습 = 설계·증거 파이프라인(shipped runtime RL 아님) · fully on-device 배포 아님.
A playable Unity 6 Android prototype (route choice·events·2-man combat·rewards·shop/rest·boss) packaged into a public portfolio, AI-NPC case study and APK. 25/26 Korean-retention over a 26-turn multi-turn run · public eval 20/20 Korean 100% · BIW blocking · tokenizer diagnostics as evidence. RoguelikeSim headless + RunPolicy ×5 + BalanceMetrics aggregation. Game portfolio ↗ · AI NPC case ↗ · APK ↗ Boundary — prototype (not commercially shipped) · AI training = design/evidence pipeline (not shipped runtime RL) · not a fully on-device build.
증명 역량기획→구현→헤드리스 검증→배포를 닫는 AI-native 게임 개발 + 결정론 QA — 게임 AI·테크니컬 게임디자인AI-native game dev closing design→build→headless verify→release + deterministic QA — game AI & technical game design
경계 — 4종 모두 프로토타입·공개 데모·케이스스터디(상용 출시·스토어 배포·유저 지표 아님). AI = 제작 보조·검증(게임을 대신 만든 주체 아님). 자동 검증 = 도달성·엔딩 플로우·결정론·공정성 속성 회귀(재미·최종 UI 수락 아님). Bone Trail은 SPD 원작 자산·코드를 자기 것으로 주장하지 않음(GPLv3).
Boundary — all four are prototypes·public demos·case studies (no commercial launch, store release or user metrics). AI assisted production/verification (it did not make the games by itself). Automated checks regress reachability·ending flows·determinism·fairness properties (not fun or final UI acceptance). Bone Trail claims no ownership of SPD assets/code (GPLv3).
CH.13Game단독 개발 · AI-assisted프로토타입
BackRoom Level 0 — Godot 4 Web 클릭 공포
BackRoom Level 0 — Godot 4 web click-horror
STOP 표지판 뒤 공간이 플레이어의 선택·재진입을 기억하는 짧은 공포 게임. 8개 방·A/B/C 엔딩·상태 플래그를 개발 요구사항으로 고정하고, route validator(8방 도달성)와 Godot headless A/B/C QA로 회귀 검증. 위험해 보이는 길이 진짜 단서로, 안전해 보이는 길이 함정으로 이어지는 정보 설계.
A short horror piece where the space behind a STOP sign remembers your choices and re-entries. Fixed 8 rooms·A/B/C endings·state flags as dev requirements; regression-verified with a route validator (8-room reachability) and Godot headless A/B/C QA. Information design where dangerous-looking paths hold real clues and safe-looking ones trap you.
증명 역량상태 기억·멀티엔딩을 route validator와 headless QA로 회귀 검증 — 내러티브 시스템 설계·게임 QAMulti-ending state memory regression-verified with a route validator and headless QA — narrative-system design & game QA
CH.14Game단독 개발 · AI-assisted프로토타입
Bone Trail — Java/libGDX 턴제 로그라이크
Bone Trail — Java/libGDX turn-based roguelike
게임 규칙을 렌더링과 분리해 결정론 모델 테스트로 헤드리스 검증하고, 실제 플레이 피드백을 UI 요구사항으로 되돌린 AI-assisted 개발 케이스. evidence ledger·dispatch·handoff로 멀티세션 협업을 감사 가능하게 관리, GPLv3 준수 하 소스 기반 UI 현대화.
Game rules decoupled from rendering and headless-verified with deterministic model tests; an AI-assisted case that folds live play feedback back into UI requirements. Multi-session collaboration kept auditable with an evidence ledger·dispatch·handoff; source-based UI modernization under GPLv3.
증명 역량렌더링과 분리한 결정론 모델 테스트 + evidence ledger 협업 — AI-assisted 리팩토링·오픈소스 준수Deterministic model tests decoupled from rendering + evidence-ledger collaboration — AI-assisted refactoring & open-source compliance
CH.15Game단독 개발 · AI-assisted공개 데모
지켜줘! 젤리 패닉 — 순수 JS 하이퍼캐주얼 퍼즐 디펜스
Save Them! Jelly Panic — pure-JS hypercasual puzzle defense
"모든 위협은 예고된다" 규칙으로 반사신경 대신 수읽기를 겨루는 배치 퍼즐 디펜스. 의존성 0 단일 HTML로 배포하고, 결정론 로직 테스트 90건·DOM smoke 16건·몬테카를로 200판(회피 불가 스폰 0.00%)을 릴리스 게이트로 소스와 함께 공개. coverability 룰이 막은 불공정 조건은 counterfactual 시뮬(후보 셀 19.1%)로 확인.
A placement puzzle-defense built on the rule “every threat is telegraphed” — reading the board beats reflexes. Shipped as a zero-dependency single HTML; 90 deterministic logic tests·16 DOM smokes·200 Monte-Carlo runs (unavoidable spawns 0.00%) published with the source as the release gate. The unfair condition blocked by the coverability rule was confirmed by counterfactual sim (candidate cells 19.1%).
라이브 데모 실캡처 — 하단 seed 표기 = 결정론 시드(같은 시드 = 같은 판)Captured from the live demo — the seed shown at the bottom is the deterministic seed (same seed, same game)
증명 역량결정론 테스트 90건·몬테카를로 200판을 릴리스 게이트로 소스와 함께 공개 — 하이퍼캐주얼 시스템 검증Shipped with 90 deterministic tests and 200 Monte-Carlo runs as a public release gate — hypercasual systems verification
CH.16AI Studio1인 기획·구현작동 프로토타입
AgentForge — 아이디어 한 줄로 게임을 만드는 Codex CLI 오케스트레이션
AgentForge — one-line idea to a game, Codex CLI orchestration
기획→에셋→코드→검증→자기진화 5단계 단일 파이프라인 — 게임 하나가 아니라 게임을 만드는 생산 시스템 자체가 결과물. 멈춘 화면은 proof-first 도달성 검증이 pass:false로 차단하고(위장 0), 완성 게임은 재사용 스캐폴드로 쌓이며 같은 에러 3회+는 사전 체크 룰 후보가 됨 — 검증된 픽스만 기록하고 룰 활성화는 HITL(사람 승인). 공개 repo · 시크릿 0.
A single 5-stage pipeline — plan→assets→code→verify→self-evolve. The deliverable is not one game but the production system that makes games. Frozen screens are blocked as pass:false by proof-first reachability checks (zero disguise); finished games accumulate as reusable scaffolds, errors seen 3+ times become pre-check rule candidates — only verified fixes are recorded, and rule activation is HITL (human-approved). Public repo · zero secrets.
증명 역량생성 파이프라인에 proof-first 게이트와 자기진화 메모리를 내장 — 에이전트 오케스트레이션·FDE 파이프라인Proof-first gates and self-evolving memory built into a generation pipeline — agent orchestration & FDE pipelines
Codex Asset Forge — turning generated images into game assets
image_gen raw → magenta key → grid slice → atlas → manifest → runtime proof 단일 흐름. "그럴듯한 이미지"가 아니라 검증 가능한 자산 계약 — 엔진이 읽을 frame·anchor·collision·proof 상태를 manifest가 보증. ClaudeCraft에서 glyph 경로를 sprite-first로 교체해 가시 맵의 tile/item 스프라이트 11/11 렌더를 증명. 기술 게이트 PASS ≠ 최종 아트 품질·재미 검증(케이스 페이지에 Do-not-claim 명시, MIT).
One flow: image_gen raw → magenta key → grid slice → atlas → manifest → runtime proof. Not "plausible images" but verifiable asset contracts — the manifest guarantees the frame·anchor·collision·proof state the engine reads. In ClaudeCraft, replaced the glyph path with sprite-first drawing and proved 11/11 visible tile/item sprites render. Technical gate PASS ≠ final art quality or fun (Do-not-claims stated on the case page, MIT).
증명 역량모호한 생산 병목을 계약·게이트·런타임 증거로 감싼 자동화 — FDE식 AI 파이프라인 설계An ambiguous production bottleneck wrapped in contracts, gates and runtime evidence — FDE-style AI pipeline design
CH.05AI Agents설계 · 명세 · 구현 (단독)
AI 에이전트 6종 + 검증 운영체계 — 기획 검증 자동화 · 다중 에이전트 오케스트레이션
Six AI Agents + Verification Ops — planning-validation automation · multi-agent orchestration
Gemini · Claude API 연동, 기획서 수치 변경의 게임 경제 파급력을 런칭 전 정량 예측하는 공용 인프라로 설계. 팀의 의사결정 사이클·테스트 리드타임 단축이 목표.
Gemini · Claude API integration, designed as shared infrastructure that quantifies the game-economy blast radius of a spec change before launch. Goal: shorter decision cycles and test lead time for the whole team.
역할Role
기획서 수치 변경이 게임 경제에 미칠 파급력을 런칭 전에 예측하는 팀 공용 인프라 설계.
Designed team-shared infrastructure that predicts, pre-launch, how a numeric change in a game-design doc will ripple through the game economy.
실행Actions
6도메인 에이전트(HC 운영·기획 검증·페르소나 수집·라이브 운영·법률 검토·글로벌 사업성)를 Claude·Gemini API 병렬 호출, Python 단일 진입점. 기획 데이터 입력 시 D1/D7 리텐션 · ARPPU · LTV 기대 효율 사전 시뮬레이션. 별도로 다중 에이전트 검증 운영체계 운영 — 산출물 게이트(테스트 직접 재현·해시 대조·스코프 가드)·모델 독립 하네스·권한 분리(사람=범위/리스크, AI=구현).
Six domain agents (HC ops·design validation·persona collection·live ops·legal review·global market fit) called in parallel over Claude·Gemini APIs from a single Python entrypoint. On design-data upload, pre-simulates expected D1/D7 retention · ARPPU · LTV efficiency. Separately operates a multi-agent verification regime — output gates (reproduce tests·hash matching·scope guards)·model-independent harness·separation of duties (humans own scope/risk, AI owns implementation).
임팩트Impact
신규 기획안 업로드 → 6종 병렬 사전 검증 → PM은 최종 판단에 집중. 같은 검증 원칙의 공개 구현은 AgentForge(AI 게임 스튜디오) — 플레이 불가 화면을 pass:false로 차단하고, 룰 승격은 사람이 승인(HITL). 집계 효율 수치는 [측정전].
Upload a new design doc → six agents pre-review in parallel → the PM focuses on the final call. The same verification principles are public in AgentForge (AI game studio) — unplayable screens are blocked as pass:false, and rule promotion requires human approval (HITL). Aggregate efficiency figures are [not yet measured].
기획의 언어회의와 직관에 의존하던 검증을 "업로드하면 6개 관점이 먼저 검토하는" 프로세스로 재설계.
Planner’s languageValidation redesigned from meetings-and-intuition into “upload it and six perspectives review first.”
개발의 언어API 병렬 오케스트레이션과 게이트 기반 품질 통제. 생성물은 재현·대조를 통과해야 반영.
Engineer’s languageParallel API orchestration with gate-based quality control. Nothing lands without passing reproduction and cross-checks.
증명 역량기획 리스크를 사전 정량화하는 병렬 에이전트 인프라 — AI 자동화·의사결정 지원Parallel agent infrastructure that pre-quantifies planning risk — AI automation & decision support
외국어 음성을 실시간 한국어로 통역해 이미 착용한 MFi 보청기·AirPods로 직접 재생하는 핸즈프리 통역 앱. 청각장애 2급 당사자가 자신을 위해 1인 설계·구현.
A hands-free interpreter that translates foreign speech into Korean in real time and plays it directly through the MFi hearing aids · AirPods you already wear. Designed and built solo, by a user with grade-2 hearing disability, for himself.
눌러서 보는 것실기기 통역 데모 + WebRTC 보청기 라우팅 아키텍처 다이어그램.
Tap to seeOn-device interpreting demo + WebRTC hearing-aid routing architecture diagram.
3쌍
EN·JA·ZH→KO
500ms
에코가드 버퍼
13
디버깅 포스트모템
Gemini Live TranslateLiveKit · WebRTClivekit-agentsSwift / SwiftUIAVFoundationPython 3.11 · 토큰서버Silero VAD
문제Problem
청각장애인에게 외국어 대면 대화는 이중 장벽 — 안 들리고, 기존 통역 앱은 폰 화면을 손에 들고 봐야 한다. 화면 없이 보청기로 듣는 핸즈프리 통역이 필요.
For deaf and hard-of-hearing users, face-to-face foreign conversation is a double barrier — you can’t hear it, and existing interpreter apps demand eyes on a handheld screen. What’s needed is screen-free interpreting through the hearing aid.
결정·로직Decision / Logic
Gemini Live가 turn 기반이 아닌 연속 스트리밍 번역 모델임을 파악해 turn-taking 인프라 전부 비활성화. LiveKit 자동 오디오 구성이 AVAudioSession을 리셋하는 문제를 LKRTCAudioSession 수동 락으로 보청기 라우팅 보존. 재유입 에코는 반이중 마이크 제어(500ms 안전버퍼)로 차단.
Recognized Gemini Live as a continuous streaming translator, not turn-based, and disabled the entire turn-taking stack. Preserved hearing-aid routing against LiveKit’s auto audio-config resets with a manual LKRTCAudioSession lock; killed re-entry echo with half-duplex mic control (500ms guard buffer).
결과Result
13개 디버깅 포스트모템을 거쳐 번역+음성출력+보청기 라우팅 연속 동작 확보. EN·JA·ZH→KO 3개 언어쌍, MFi 보청기·AirPods·BT 출력 지원. 작동 프로토타입(실기기 사이드로딩 단계) — "sub-second 지연"은 설계 목표이며 독립 벤치마크 미수행.
Through 13 debugging postmortems, achieved continuous translate→speak→hearing-aid routing. EN·JA·ZH→KO pairs; MFi hearing aids·AirPods·BT output. Working prototype (sideloaded on-device) — “sub-second latency” is a design target, no independent benchmark yet.
증명 역량실시간 오디오 파이프라인 통합과 플랫폼 제약 디버깅 — Realtime/멀티모달 AI 엔지니어링Realtime audio-pipeline integration and platform-constraint debugging — realtime/multimodal AI engineering
LLM 판단과 결정론적 실행을 분리한 model + harness 구조의 자동매매 에이전트. Rust+Python·리스크 레이어·HITL 안전장치. 실거래가 아닌 dry-run(모의) 환경에서 재귀개선 루프를 검증.
A trading agent with a model + harness architecture that separates LLM judgment from deterministic execution. Rust+Python·risk layer·HITL safeguards. The recursive-improvement loop is verified in dry-run (simulated) environments, not live trading.
눌러서 보는 것model+harness 아키텍처 다이어그램 + dry-run 백테스트 리포트.
Tap to seemodel+harness architecture diagram + dry-run backtest report.
Hand trading to an LLM wholesale and non-determinism and hallucination convert directly into real losses. Autonomy and safety pull against each other.
결정·로직Decision / Logic
LLM은 판단(JSON 스키마)만, 실제 주문·리스크는 결정론적 코드가 실행하도록 분리. 리스크 레이어 + HITL 승인을 비협상 안전장치로. 재귀개선 루프가 로그를 분석해 전략을 갱신.
The LLM produces judgment only (JSON schema); orders and risk run in deterministic code. A risk layer + HITL approval are non-negotiable safeguards. The recursive loop analyzes logs to update strategy.
100% pass on dry-run (simulated) evals — no live P&L or return claims (working prototype). Zero secrets in code (separate repo). Judgment/execution separation bakes safety into the architecture.
증명 역량자율 에이전트의 안전 경계 설계(리스크 레이어·HITL) — Agent 엔지니어링Safety-boundary design for autonomous agents (risk layer·HITL) — agent engineering
광복 80주년 디스토피아 배경 사회적 추론 보드게임. 게임 기획, 밸런스 설계 및 AI 시뮬레이션으로 게임 QA.
A social-deduction board game set in a dystopia on the 80th anniversary of Korean liberation. Game design, balance work, and AI-simulated QA.
Monte CarloAI PersonaExpected RewardGame Refinement TheoryBM DesignTumblbugLegal Review
문제Problem
마피아 장르 특성상 카드 밸류·진영 비율이 밸런스(Game Refinement Theory)에 미치는 영향을 수작업으로 검증 불가능. 조합론적 경우의 수가 폭발적으로 증가해 QA 리드타임이 임계점을 넘고, 펀딩 런칭 일정에 직접 영향.
In the mafia genre, hand-verifying how card values and faction ratios affect balance (Game Refinement Theory) is impossible — the combinatorial space explodes, QA lead time crosses the threshold, and the funding launch date is on the line.
결정·로직Decision / Logic
성급한 · 룰 이해가 느린 · 전략적 등 행동패턴이 다른 AI 페르소나 모델을 구축, 특정 진행 상태에서 에이전트의 기대 보상(E[R])을 측정하는 Monte Carlo 기반 가상 시뮬레이션 1,000회 이상 실행. 페르소나 × 카드 발도별 승률 분포를 상태도(state distribution)로 집계.
Built AI personas with distinct behavior patterns — hasty, slow-to-learn, strategic — and ran 1,000+ Monte-Carlo simulations measuring expected reward (E[R]) from given states. Aggregated win-rate distributions per persona × card draw as state distributions.
결과Result
밸런스 붕괴 엣지 케이스를 통계적으로 사전 도출해 카드 밸류·진영 비율 재조정. 물리적 QA 리드타임을 대폭 단축,
Statistically pre-identified balance-breaking edge cases, re-tuned card values and faction ratios, and cut physical QA lead time sharply. Funding reached ₩1.4M; re-launch planned for H2 2026. — tumblbug.com/2910-bdstories ↗
증명 역량Monte Carlo 시뮬로 밸런스 QA를 자동화 — 게임 시스템 검증Balance QA automated with Monte-Carlo simulation — game-systems verification
CH.09Team Tool아키텍처 · 디자인 스탠다드 · 배포 (단독)2026.05 — 진행
ParkDal WIKI — Gemini × Claude 듀얼 엔진 지식 Vault · 팀 AI 역량 부스트 스타터팩
ParkDal WIKI — Gemini × Claude dual-engine knowledge vault · team AI booster starter pack
Gemini(생성·확장)와 Claude(무결성·검증)를 단일 Vault로 묶어 SSOT(Single Source of Truth)를 형성하는 듀얼 엔진 위키 아키텍처. 동료들이 즉시 자기 환경에 구축할 수 있는 4단계 온보딩 스타터팩으로 배포.
A dual-engine wiki architecture binding Gemini (generation·expansion) and Claude (integrity·verification) into one vault that forms an SSOT (single source of truth). Shipped as a 4-step onboarding starter pack teammates can stand up in their own environment immediately.
Gemini × ClaudeSSOTKnowledge GraphDual-EngineIBM Plex Sans KROKLCH 6:3:1premium-web-guide v2.1
문제Problem
팀원 각자가 AI를 쓰지만 결과물이 채팅창에서 휘발되고, 동일한 질문·검증이 반복되며 지식이 개인 단위에 갇힘. 팀 단위 학습이 누적되지 않아 AI 도입 효과가 사람마다 들쭉날쭉.
Everyone uses AI, but outputs evaporate in chat windows; the same questions and checks repeat, knowledge stays locked per person, and AI gains vary wildly by individual.
결정·로직Decision / Logic
듀얼 엔진 아키텍처를 설계 — Gemini는 아이디어 확장, Claude는 주기적 무결성 검증 담당. 두 엔진이 동일 Vault 안에서 상호보완적으로 작동하며 모든 산출물을 SSOT로 확정. premium-web-guide-standard v2.1(OKLCH 6:3:1 · IBM Plex Sans KR · Newsreader · JetBrains Mono)로 가독성·일관성을 디자인 레벨에서 보장.
Designed the dual-engine architecture — Gemini expands ideas, Claude periodically verifies integrity. Both operate complementarily inside one vault, and every output is committed as SSOT. Readability and consistency guaranteed at the design level by premium-web-guide-standard v2.1 (OKLCH 6:3:1 · IBM Plex Sans KR · Newsreader · JetBrains Mono).
결과Result
4단계 온보딩 프로토콜 + Starter Pack으로 배포해 동료들이 즉시 자기 환경에 구축. 팀 AI 역량의 진입장벽 제거, 지식 휘발 방지로 생산성 복리 누적 — "각자 빠른 사람"이 아닌 팀 전체의 의사결정 사이클을 줄이는 워크플로우 인프라. — 데모 열기 ljhljh0703-cmd.github.io/Park-Dal-Wiki ↗
Shipped as a 4-step onboarding protocol + starter pack teammates deploy immediately. Removes the entry barrier to team AI; stops knowledge evaporation so productivity compounds — workflow infrastructure that shortens the whole team’s decision cycle, not just one fast individual. — Open demo ljhljh0703-cmd.github.io/Park-Dal-Wiki ↗
증명 역량듀얼 엔진 지식 Vault·온보딩 스타터팩 — 팀 AI 워크플로우 설계Dual-engine knowledge vault & onboarding starter pack — team AI workflow design
CH.10Lecture단독 연사 · 자료 기획 (PPT)2026.05.15
AI 기초 역량 강화 강연 — 성동구 수어통역센터 · Technical Communication & Literacy
AI Literacy Lecture — Seongdong-gu Sign-Language Interpreter Center · technical communication & literacy
생성형 AI 원리와 접근성 활용 가이드를 비전문가 눈높이로 단독 강연. 청각장애인 당사자이자 PM·작가의 시점에서, 추상적 AI 개념을 일상 메타포로 치환해 전달.
A solo lecture translating generative-AI fundamentals and an accessibility usage guide to a non-technical audience. From the perspective of a deaf community member who is also a PM and writer, abstract AI concepts were recast as everyday metaphors.
Generative AI LiteracyAccessibilityTechnical CommunicationPPT
문제Problem
AI 도구의 가능성과 실제 활용 사이에 접근성 격차가 존재. 특히 청각장애인 커뮤니티에서는 자료·튜토리얼의 음성 의존도가 높아 진입장벽이 누적됨.
An accessibility gap separates what AI tools promise from how they’re used. In the deaf community especially, tutorials lean on audio, so entry barriers compound.
결정·로직Decision / Logic
당사자 시점의 단독 강연으로 신뢰 확보. 토큰화 · 컨텍스트 윈도우 · 환각 같은 추상 개념을 일상 메타포로 치환하고, 청중이 즉시 따라할 수 있는 접근성 활용 시나리오(자막·요약·문서화)를 PPT로 제공.
Credibility through a first-person solo lecture. Abstract ideas — tokenization · context windows · hallucination — recast as everyday metaphors, plus accessibility scenarios the audience could follow immediately (captions·summaries·documentation) in the deck.
결과Result
비전문가 대상 AI 리터러시 강연 완료. 복잡한 AI 기술 개념을 청중 언어로 번역하는 Technical Communication 역량과 발표 자료(PPT) 완비.
Completed the AI-literacy lecture for a non-technical audience — technical-communication practice in translating complex AI concepts into audience language, with the full deck.
증명 역량추상 개념을 청중 언어로 번역 — Technical CommunicationTranslating abstractions into audience language — technical communication
이전 커리어 · 창작
CH.11Content작가 총괄 · 제안 PM2022.04 — 2024.09
트루빈스 VD프로덕션 — 누적 17.18억 · KPI 2년 연속 초과
Truevines VD Production — ₩1.72B cumulative · KPI beaten two years straight
제안서 완성 기간을 5일 → 2일로 단축 (LLM 기반 리서치 · 레퍼런스 · 초안 구조화 사이클).
5개 직군(디자이너 · PD · AE · 개발자 등) 협업 라이프사이클 단독 책임.
Cut proposal turnaround from 5 days → 2 (an LLM-based research·reference·draft-structuring cycle). Solely owned the collaboration lifecycle across 5 disciplines (designers·PDs·AEs·developers). — Work log ↗
의료 챗봇 3원 통제 ablation(EM 0.71·BERT 0.73), 북켓몬 룰 ON/OFF ablation·KURE vs CLOVA 임베딩 벤치
Medical chatbot 3-way controlled ablation (EM 0.71·BERT 0.73); Bookmon rule ON/OFF ablation · KURE vs CLOVA embedding bench
멀티에이전트 오케스트레이션 · MCP 중상
Multi-Agent Orchestration · MCP Upper
Claude · Gemini · Codex 역할분리 협업 + MCP·하네스로 AI 워크플로우 자동화·거버넌스 운영
Role-separated Claude·Gemini·Codex collaboration + MCP & harnesses for AI workflow automation and governance
지식그래프 운영·공개 발행 (LLM-Wiki) 중상
Knowledge-Graph Ops & Publishing (LLM-Wiki) Upper
개인 지식그래프(Sub-brain)를 공개 repo Learning Atlas ↗로 발행 — 약 180편, [[wikilink]]→상대링크 2-pass 변환·자동 인덱스 파이프라인 (Phase 1 라이브)
Published my personal knowledge graph (Sub-brain) as the public repo Learning Atlas ↗ — ~180 notes, [[wikilink]]→relative-link 2-pass conversion · automated index pipeline (Phase 1 live)
데이터셋 구축(설계·라벨링·정제) · 새니타이즈 · 릴리스 게이팅 중
Dataset Construction (design·labeling·cleaning) · Sanitization · Release Gating Mid
공개 발행 전 누출 탐지·차단(로컬 경로·API 키·실명/이메일) HARD 백스톱 + 4중 안전검증(원격 부재·공개트리 0·visibility·소스 무수정)
Leak detection & blocking before publish (local paths·API keys·names/emails) as a HARD backstop + 4-fold safety verification (no remotes·zero public tree·visibility·source untouched)
QLoRA 파인튜닝 · 4-bit Quantization 중
QLoRA Fine-Tuning · 4-bit Quantization Mid
의료 자문 챗봇 Qwen 도메인 특화
Domain-specialized Qwen for the medical advisory chatbot
SQL · Excel 중
데이터 추출·집계, 성과·리소스 관리
Data extraction & aggregation; performance and resource management
Python · FastAPI 중
북켓몬 백엔드, AI 에이전트 6종 구현 환경
Bookmon backend; build environment for the six AI agents
[Planning / Document]
기획 · 문서
PowerPoint 상
기획안·발표 시각자료, 스토리보드, AI 에이전트 포트폴리오 (python-pptx 자동 빌드)
Plans & presentation visuals, storyboards, AI-agent portfolio (auto-built with python-pptx)
Word / 한글 상
Word / HWP Adv
시나리오·기획안·제안서·내러티브 문서. 17억 매출 제안서 다수 작성
Scenarios·plans·proposals·narrative documents. Wrote many of the proposals behind ₩1.72B in sales
Bookmon (GitLab cross-team collaboration); led two bootcamp projects (GitHub)
VS Code + Copilot 중
코딩 에이전트 툴 활용, 바이브 코딩으로 PoC 빠른 구현
Coding-agent tooling; fast PoC builds via vibe coding
[Visual / Video]
비주얼 · 영상
Adobe Photoshop 중
비주얼 스케치, 기초 시각자료 제작
Visual sketches; base graphics
Adobe Premiere 중
영상 언어 이해, 시나리오 내 화면 연출 구성, 콘텐츠 효율 사전 검증 시 활용
Film language; scene direction within scenarios; pre-validating content efficiency
05 — EDUCATION
교육 이수
멋쟁이사자처럼
11주 완성 AI 엔지니어 자연어처리(NLP) 과정 4기
2026.03.17 — 2026.05.28
LLM · RAG · 트랜스포머 · 어텐션 · 페르소나 부여 · LoRA 파인튜닝
팀 프로젝트 3건 모두 팀장 역임 — Multi-hop 팩트체킹 · 의료 자문 챗봇 · AI 북큐레이션 서비스
Led all three team projects — multi-hop fact-checking · medical advisory chatbot · AI book-curation service
스파르타캠프
SQL 베이스 교육
2024.10 — 2024.11
데이터베이스 설계 및 분석 실습
아르떼
문화예술교육 AI 해커톤
2025.12
AI 에이전트 실무 툴 제작 (해커톤 단기 집중)
06 — ABOUT ME
자기소개
01
다른 직군의 ‘언어’를 이해하는 것에서 시작하는, 성과를 창출하는 협업 역량
Collaboration that delivers — starting from the “language” of other disciplines
2년 6개월간 누적 1,718,731,531원의 매출을 책임진 PM. 가능했던 이유는 ‘데이터’와 ‘언어’.
A PM accountable for ₩1,718,731,531 in cumulative sales over 2.5 years. The reasons: data and language.
영상 컨설팅 조직의 제안 PM이자 콘텐츠 기획자로서 2년 6개월간 누적 1,718,731,531원의 매출을 책임져 왔습니다. 동료들과의 원활한 협업을 위한 ‘언어’로 조직 내 생산성을 높여 2년 연속 정량 목표를 초과 달성했으며, 모든 분기에서 "기획안이 시장에서 어떻게 작동할지"를 데이터로 선제 검증해 왔습니다.
As proposal PM and content planner in a video-consulting organization, I was accountable for ₩1,718,731,531 in cumulative sales over 2 years 6 months. Speaking each discipline’s “language” raised our internal productivity — we beat quantitative targets two years running, and every quarter I pre-validated with data how a plan would behave in the market.
제안 수주는 동종 업계와의 경쟁 PT에서 결정됩니다. 한정된 시간 내에 의사결정자에게 "왜 이 기획이 정량적 효과를 내는가"를 설득하지 못하면 수주 가능성은 희박해집니다. 가능성을 높이기 위해 세 가지 프로세스를 전략화했습니다.
Proposals are won in competitive pitches. If you cannot convince the decision-maker, in limited time, why this plan produces quantitative effect, your odds collapse. I systematized three processes to raise them.
실제 타겟 이용자 리서치로 Pain Points를 정량 도출, 가설을 데이터로 검증해 "행동·지표를 바꾸는 제안"을 설계.
Quantified pain points from real target-user research; validated hypotheses with data to design proposals that change behavior and metrics.
인하우스 5개 직군과의 협업 라이프사이클 단독 책임. 직군별 업무를 공부하고 언어를 숙지해 파이프라인 전체 총괄 — 리드 타임 단축과 17억 성과로 직결.
Solely owned the collaboration lifecycle across five in-house disciplines. Studied each role’s work and language to run the whole pipeline — directly shortening lead time and driving the ₩1.72B result.
기획의 임계점을 데이터로 직시하고 AI로 돌파. 콘텐츠 기획만으로는 정량 효과를 완벽히 예측하기 어렵다는 자각이 AI 프로덕트 기획자로의 전환점.
Faced planning’s ceiling in the data and broke through it with AI — realizing content planning alone can’t fully predict quantitative effect was my turning point toward AI product work.
02
조직의 일하는 방식을 AI로 새로 정의하는 기획자 출신 엔지니어
A planner-turned-engineer who redefines how organizations work with AI
제안서 5일 → 2일 단축. AI 서비스 직접 빌드. 6종 에이전트로 의사결정 사이클 단축.
Proposals cut from 5 days → 2. Built AI services hands-on. Six agents shortening decision cycles.
AI는 기획자 개인의 도구를 넘어 조직 전체의 업무 방식 자체를 재정의한다고 확신합니다.
I am convinced AI goes beyond a planner’s personal tool — it redefines how the whole organization works.
콘텐츠 제안 현장 — 제안서 완성까지 5일 → 2일로 단축. 리서치·레퍼런스·초안 구조화를 LLM 사이클로 통합. AI가 사람을 대체가 아니라 시간 자산을 확보하는 것.
On the proposal floor — proposal turnaround cut from 5 days to 2 by consolidating research·references·draft structuring into an LLM cycle. AI didn’t replace people; it reclaimed time as an asset.
AI 서비스 직접 기획·개발 협업 — 북켓몬(HyperCLOVA X · Qdrant · PostgreSQL · Redis 결합 RAG)을 팀장으로 리딩. Claude · Codex · Karpathy LLM WIKI 활용해 9개 기능 + 17개 RDB 테이블 설계, GitLab 자동 배포. 콜드스타트·JWT·DB 동시성 같은 기술 결정을 비즈니스 비용 관점에서 직접 판단.
Building AI services directly — led Bookmon (RAG on HyperCLOVA X · Qdrant · PostgreSQL · Redis) as team lead. Designed 9 features + 17 RDB tables using Claude · Codex · Karpathy’s LLM WIKI, with GitLab auto-deploys. Made calls like cold-start branching, JWT, and DB concurrency from a business-cost perspective.
AI 에이전트 6종 빌드 — BM/이벤트 효율 사전 예측, 1030 페르소나 기획 검증, 글로벌 사업성 측정 등. 팀의 공용 인프라로 설계해 사전 검증 병렬 실행 → PM은 최종 판단에 집중.
Built six AI agents — pre-launch BM/event efficiency prediction, 1030-persona design validation, global market-fit scoring and more, designed as shared team infrastructure: parallel pre-checks run first, so the PM focuses on the final call.
"함께 일하고 싶은 동료"는 자기 업무만 빠른 사람이 아니라 팀 전체의 의사결정 단계를 줄이는 워크플로우 설계자. 첫 주에 팀의 반복 업무를 진단하고 ROI 기준으로 가장 임팩트 있는 에이전트부터 빌드하겠습니다.
The colleague people want isn’t the one who is merely fast alone, but the workflow designer who removes decision steps for the whole team. In week one I would map the team’s repetitive work and build the highest-ROI agent first.
03
AI와 사람을 연결하는 창작자
A writer who connects AI and people
5년의 글쓰기 · 17억의 PM · AI 파이프라인 빌드 — 세 정체성으로 ‘사람이 머물고 싶은 세계’를 설계.
Five years of writing · a ₩1.72B PM · hands-on AI pipelines — three identities designing “a world people want to stay in.”
장편소설 「초파리」(2024) 출간과 5년간의 집필 활동을 통해 훈련해 온 서사적 감각은 AI 프로덕트 기획에서의 강점입니다. AI의 정확도와 비용은 엔지니어링의 영역이지만, ‘AI가 사용자에게 어떤 존재로 느껴지는가’를 정의하는 것은 기획자의 영역이며, 이것이 최종 리텐션·신뢰·충성도를 결정합니다.
The narrative sense trained through publishing the novel “Chopari” (2024) and five years of writing is my edge in AI product work. Accuracy and cost belong to engineering; defining what the AI feels like to its user belongs to the planner — and that decides retention, trust and loyalty.
북켓몬 — 페르소나 설계. RAG/Reranking의 정확도 너머에서, 사용자가 고정적으로 돌아올 콘텐츠가 필요하다 판단. 다마고찌·포켓몬 메타포로 캐릭터형 독서 파트너 기획. 17개 RDB 테이블의 절반이 정교한 로직이라면 나머지는 ‘AI가 어떻게 유저의 친구가 되는가’에 대한 서사적 설계.
Bookmon — persona design. Beyond RAG/Reranking accuracy, users needed content worth returning to. Designed a character reading partner on the Tamagotchi·Pokémon metaphor. If half of the 17 RDB tables were precise logic, the other half were narrative design for how an AI becomes a user’s friend.
의료 자문 챗봇 — 신뢰 설계. Qwen2.5-7B-Instruct를 QLoRA(LoRA r=16 + 4-bit nf4)로 적응시키면서, RedFlag 안전 필터와 UX 라이팅을 직접 설계. 의료 자문에서 AI 답변은 사용자 행동과 직결, ‘정서적 안전선’은 기획자의 책임.
Medical chatbot — trust design. While adapting Qwen2.5-7B-Instruct with QLoRA (r=16 + 4-bit nf4), designed the RedFlag safety filter and UX writing myself. In medical advice, output drives user action — the emotional safety line is the planner’s responsibility.
보드게임 2910 — 페르소나 시뮬레이션. 텀블벅 데이터 기반 키워드 정량 도출 후, 보드게이머 롤 AI들의 페르소나를 직접 설정 — 성급한 게이머, 룰 이해가 늦는 게이머, 전략적 게이머 등 — 으로 1차 밸런스 검증. 인물 내면을 설계해 본 기획자의 시뮬레이션은 일반 검증보다 신뢰도가 높습니다.
Board game 2910 — persona simulation. After quantifying success keywords from Tumblbug data, hand-built AI board-gamer personas — hasty, slow-to-learn, strategic — for first-pass balance verification. A planner who has designed characters’ inner lives runs simulations that deserve more trust.
모델과 파이프라인은 보편화될 수 있지만, ‘이 AI가 사용자에게 어떤 존재인가’를 정의하는 역량은 희소합니다. 5년의 글쓰기로 마음을 설계해 온 작가, 17억을 책임진 PM, AI 파이프라인을 직접 빌드한 기획자 — 세 정체성으로 ‘사람이 머물고 싶은 세계’를 얹는 기획자가 되겠습니다.
Models and pipelines commoditize; the ability to define what this AI is to its user stays scarce. A writer who has designed minds for five years, a PM who answered for ₩1.72B, a planner who builds AI pipelines — with these three identities I add “a world people want to stay in” on top of the org’s pipelines.
