Skip to content

남도현 | AI CV Engineer Portfolio

"낯선 문제에 신속히 적응하며, 데이터와 시스템 관점에서 정밀한 솔루션을 만드는 AI 엔지니어"

단순히 모델이나 도구를 가져다 쓰기보다, 새로운 언어(Rust) 및 최신 논문(Paper-to-Code)에 대한 빠른 적응력을 바탕으로 문제의 본질을 분석합니다. 데이터 불균형 상황에서의 문제 정의 변경 및 2-Stage 파이프라인 설계, 그리고 비동기 추론 시스템(FastAPI, TaskIQ) 및 메모리/VRAM 최적화를 통해 신뢰성 있고 확장 가능한 AI 솔루션을 구축합니다.

🛠️ Core Strengths (핵심 역량)

1. Fast Adaptation & Paper-to-Code (빠른 기술 적응력 및 원리 기반 구현력)

  • 낯선 도구/언어에 대한 빠른 적응: 익숙지 않은 언어(Rust)나 복잡한 C/C++ 오픈소스 코드베이스라도 공식 문서와 라이브러리 구조를 빠르게 분석하여 원하는 LLM 퍼징 파이프라인을 직접 구현해냅니다.
  • Paper-to-Code & 원리 이해: 공식 구현체가 없는 최신 논문(UNITE)의 아키텍처를 직접 코드로 옮기고, 역전파가 불가능한 손실 함수 수식의 한계를 분석하여 이론적으로 보완할 수 있습니다.
  • 새로운 생태계 적극 도입: 보일러플레이트에 의존하기보다 생산성과 코드 신뢰도를 높이기 위해 uv 워크스페이스, PyTorch Lightning, Type Hinting 등 최신 엔지니어링 도구를 적극적으로 도입합니다.

2. Data-Centric Problem Redefinition (데이터 중심 문제 재정의 및 파이프라인 설계)

  • 문제 정의 변경 (Problem Redefinition): 35:1의 극심한 클래스 불균형과 미라벨링 객체가 존재하는 한계 상황에서, 1-Stage 탐지에 고집하지 않고 '위치 탐지 + 13채널 특성 분류' 문제로 재정의하여 성과를 만들어냅니다.
  • 2-Stage Architecture 설계: 단일 모델로 풀기 어려운 복잡한 문제를 '위치 탐지(Detection)'와 '세부 진단(Classification)'으로 분리 설계하여 정밀도와 모델 효율성을 최적화합니다.
  • 라벨 결핍 및 I/O 병목 극복: Positive-Unlabeled(PU) 상황에서 Pseudo-Labeling 기법을 적용해 Recall을 9% 향상시키고, 메모리 스트림 기반 전처리로 대용량 압축 파일의 디스크 I/O 병목을 근본적으로 해결합니다.

3. Systems & Inference Optimization (시스템 관점의 병목 해소 및 최적화)

  • 비동기 추론 파이프라인: 고부하 AI 모델 추론 시 발생할 수 있는 서버 블로킹을 방지하기 위해 FastAPI, TaskIQ, Redis 기반의 비동기 작업 큐 시스템을 설계하여 안정적인 백엔드를 구축합니다.
  • 하드웨어 & 메모리 최적화: ONNX Runtime CUDA Execution Provider VRAM 할당 전략을 최적화하여 메모리 단편화 및 서버 크래시를 방지하고, PyTorch Lightning 체크포인트 파라미터 필터링으로 디스크 용량을 기가바이트(GB)에서 메가바이트(MB) 단위로 경량화합니다.

📂 Projects Overview (프로젝트 요약)

프로젝트명 기간 핵심 기술 스택 주요 성과 & 해결한 문제 상세 링크
PromptFuzz (문서 기반 퍼징 가이드 추출) 2025.05 ~ 2025.06 Rust, Tokio, async-openai, Clang/LLVM 18 • C/C++ 헤더 & README 기반 퍼징 가이드 자동 추출
• Structured Outputs (JSON Schema) 메모리 소유권 추출
• cJSON 커버리지 9.01%p 상승 & 유효 하니스 최대 4.5배 증가		 상세 보기
딸기 질병 객체 인식 및 진단 2026.01 ~ 2026.01 YOLOv11, EfficientNet, Albumentations • Pseudo-Labeling 적용 (Recall 9% 향상)
• 중첩 ZIP 스트림 전처리로 I/O 병목 해결
• 이미지 리사이징 최적화 (학습 시간 50% 단축)		 상세 보기
차선 위반 차량 탐지 시스템 2026.01 ~ 2026.01 YOLOv26-seg, ResNet, Streamlit, Lightning • 극심한 클래스 불균형(35:1) 해결
• 1-Stage Detection -> 2-Stage 분류 전환
• 13채널 TIFF 입력 파이프라인 구축		 상세 보기
딥페이크 탐지 어플리케이션 2026.01 ~ 2026.02 ViT, FastAPI, TaskIQ, SQLModel, uv, ONNX • 공식 구현체 없는 최신 논문 직접 구현
• TaskIQ 기반 비동기 추론 파이프라인 구축
• ONNX & CUDA VRAM 최적화		 상세 보기