AI Engineer 및 MLOps Engineer 로써 데이터 수집 이후 모델 배포까지의 전 과정을 담당 및 개발하고 있습니다. - 데이터 수집 및 정제, 가공 - 데이터 신뢰도 확보 - 모델 학습 및 평가 - 모델 산출물 평가 및 개선 방안점 확인 - 모델 성능 개선을 위한 노력 - DataOps, MLOps 등의 Pipeline 구성(Kubeflow, Docker, Kubernetes) 및 수행 - AWS 를 활용한 데이터 관리 및 기타 서버 관리

더보기

인공지능 연구원으로 재직 중에 있습니다. ## AI Smart Topping Table 1. Sementic Segmentation + Object Detection, Instance Segmentation을 활용한 Pizza Topping Segmentation - 최종 목표는 자율주행 자동차의 피자 버전을 만드는 것입니다. - 이에 필요한 각종 함수, 알고리즘 등을 작성하고 프로그램에 이식하는 업무를 진행하였습니다. 2. Django, FastAPI 등의 python backend 서버를 활용하여 Frontend 와 함께 production 급의 제품 개발 - Middleware 서버, Backend 서버 등을 python 언어로 구축하여 테스트 및 실제 production에 적용하였습니다. - MLOps 경험을 통해, AI Model 개발 뿐만 아니라 실제 production 개발을 위해 어떤 데이터 통신 객체를 구현해야 하는지 개념을 가지고 있습니다. 3. Redis memory DB 를 중심으로 하는 Backend Infrastructure 구축 - 효율적인 프로세스 및 병목 현상 억제, Network delay(latency) 등을 최소화 및 최적화 하기 위해 자체적으로 해당 인프라를 구상하고 구현하였습니다. - 기존 방식 (단일 서버 내 다중 프로세스 처리, 다중 서버 구축 등) 에서는 여러 무거운 데이터를 주고받는 과정이 있었기 때문에, Redis DB를 구축하고 해당 DB에 실제 데이터를 갱신 및 삽입함으로써, 서버 간 데이터 통신을 아예 없애버리고 Redis ↔ Server 통신만으로 제품이 구동되게끔 제작하였습니다. 4. Docker Container 를 활용한 자동 실행 및 배포 구축 - 개발 및 구현 뿐만 아니라, 자동 실행 및 배포 작업 역시 굉장히 중요한 작업이라 판단하여 도커 이미지 및 컨테이너, docker compose 등을 활용하여 여러 컨테이너를 서비스하는 방식을 구축하였습니다. 5. Google Coral, Nvidia Jetson Nano에 Model Deploy - 매장마다 값비싼 GPU 장비를 넣는 것 보다, Embedded computer에 AI Module을 이식하여 매장에 배포하는 작업을 수행하였습니다. 6. GAN을 활용한 데이터셋 증대 기술 연구 및 Auto Annotation 기술 연구 - 레이블링 업무 이전에, GAN을 활용하여 재료의 컨디션을 변경시키고, 이를 데이터셋 화 하여 학습을 진행하였습니다. 7. 얼굴 인식기 모듈 구축 - Face Detection, Face Recognition - Embedding Vector and Cosine Similarity 8. Dataset 관리 및 수집 프로세스 구축 - Dataset 수집, 정제, 가공, 학습 데이터셋 관련된 모든 Flow 관리 및 프로세스 구축

더보기

1. MLOps를 위한 모델 Serving - 프레임워크 제작 - 작업(Job) 기반의 ML/DL 학습 전체 루틴 생성 - inference service 제작 - Kubernetes 기반의 모델 Serving 및 추론 전체 루틴 제작(python, pytorch, tensorflow-keras) - 학습 시에 필요한 Docker container 및 AWS cloud computing 관련 기술 - 파이썬 및 ML/DL 프레임워크를 활용한 전체 추론 루틴을 제작하였으며, Kubernetes로 해당 배포 서버(service&pods, 컨테이너)를 관리

더보기

Cyberlogitec 회사에서, 딥러닝을 활용하여 내시경 이미지로부터 위암/대장암 탐지 업무를 진행하였습니다. 5800장의 위암 내시경 사진, 3000장의 대장암 내시경 사진을 데이터셋으로 사용하였으며, YOLOv5, DetectoRS, EfficientDet 등의 Detection 네트워크와, ResNet, EfficientNet 등의 Classification 네트워크를 활용하였습니다. 실험 결과, Recall 0.80의 결과를 도출하였습니다.

더보기