딥러닝 모델에서 음의 높이, 음의 길이를 infer해서 얻은 미디를 구글 드라이브에 업로드하는 파이프라인 구축 [기술 스택] - language: python, bash - backend: docker - ncloud object storage - google drive api, sheet api [역할] - 사내 엔진과 프레임워크를 이용해 딥러닝 모델 인퍼하는 로직 구현 - local에 없는 리소스를 오브젝트 스토리지에서 다운로드 하는 로직 구현 - 넘겨준 args에 맞게 도커 볼륨 설정 및 실행하는 배쉬 스크립트 작성

구글 드라이브에 있는 미디 데이터를 다운로드 받아 미디에 있는 다양한 정보를 파싱한 뒤, DB에 저장 [기술 스택] - language: python - backend: mysql, django ORM - google drive api - slack webhook [역할] - 각각의 데이터를 저장할 table 설계 - 파이썬 스크립트에서 장고를 이용해 다운로드, 밸리데이션, 저장하는 파이프라인 구축 - 사내 프레임워크에 파싱하는 함수 추가 - slack에 처리 결과를 알려주는 webhook 설정 추가 및 사용

[주요 내용] - 일상 대화 기술 개발에 적합한 대화 데이터 정제 루틴 개발  - 약 100억 건의 카카오톡 대화 데이터 정제를 통한 학습용 데이터 구축 [사용 기술] - Python [수행 역할] (참여 인원: 기획자, ML 엔지니어 등 3명) - 기존 정제 루틴 점검 및 공유 - 대화 데이터 정제 파이프라인 개발 - 문서화, 테스트 코드 작성 [결과] - 일상 대화 기술 개발에 적합한 정제 루틴 개발 - 내부 프레임워크로 정제 루틴 포팅 - 대화체 BERT의 효과적인 학습 기반 마련

[주요 내용] - 일상 대화 챗봇 빌더를 위한 머신러닝 모델 개발 및 서빙 - 기존 모델의 성능 개선 - 모델의 서빙을 위한 Restful API 개발 [사용 기술] - Python - Tensorflow - XGBoost [수행 역할] (참여 인원: 기획자, 백엔드/머신러닝 엔지니어 등 9명) - 기능 대화 필터/매칭 모델 개발 협업 - 커스텀 답변 모델 성능 개선 - 테스트 코드 작성 및 디버깅 [결과] - 각 모델들의 목표 성능 달성 - 기한 내 API 개발 완료 및 서비스 런칭

[주요 내용] - 일본어 라인 대화 데이터를 이용한 상호 감정 점수 예측 - 연애의 과학 일본어 버전에 탑재를 위한 유저 상호 감정 예측 모델 개발 [사용 기술] - Python - XGBoost [수행 역할] (참여 인원: 머신러닝 엔지니어 2명) - 일본어 대화 데이터 전처리 - Feature Engineering - 모델 실험/개발 [결과] - 기획 의도에 맞는 모델 개발 - 개발 완료 모델 패키지화