김원혁 복잡한 데이터 특성을 파악해 모델 성능을 극대화하는, AI 분야 10년 차 AI/ML 엔지니어입니다 (석사 연구 포함). 보안 데이터와 같이 특수성이 강한 도메인에서도 최적의 모델을 설계하고 파인튜닝할 수 있는 응용력을 갖췄으며, TB급 대용량 데이터 처리부터 MLOps 파이프라인 구축까지 문제를 AI 기술로 해결하는 End-to-End 엔지니어링에 주력합니다. 최근에는 LLM 에이전트를 실제 서비스에 적용하는 영역으로 넓혔고, 특히 Claude Code를 적극 활용해 개발 하네스와 멀티에이전트로 개발 과정 자체를 자동화하며 여러 개인 프로젝트를 빠르게 구현하고 있습니다.

AI로 실생활과 산업 현장의 불편을 해소하는 데 흥미를 느껴 이 길을 걸어왔습니다. 지난 7년간 보안이라는 특수 도메인에서 '이론'을 '현장의 가치'로 전환하는 엔지니어링의 본질을 체감했고, 최근에는 생성형 AI·에이전트 기술을 실무에 적용하는 영역으로 역량을 넓혀왔습니다. 앞으로도 최신 AI 기술을 PoC로 빠르게 검증하고 확장형 시스템으로 안착시켜, 사용자가 체감할 수 있는 실질적 가치를 만드는 엔지니어가 되고자 합니다.

안랩 7년 2개월간 AI 엔지니어링 전 과정을 End-to-End로 수행했습니다. Spark 기반 TB급 빅데이터 처리(조회 성능 70% 개선·인프라 비용 30% 절감), 보안 도메인 LLM 파인튜닝·최적화(LoRA·DeepSpeed·Unsloth, 학습 속도 50% 개선), Airflow·Kubernetes 기반 MLOps 자동화까지 담당했습니다. 이직 후에는 LangGraph 멀티에이전트·RAG·MCP 기반 AI Agent를 직접 구현·검증하고, Claude Code 기반 개발 하네스를 설계해 개발 과정 자체를 자동화하며 다수 개인 프로젝트를 선구현하고 있습니다.

주니어 시절 보안 관제 모델의 오탐을 '틀린 데이터 재학습'으로만 대응했으나 해결되지 않았습니다. 수석 연구원의 '이 파일이 왜 탐지되면 안 되는지 분석했냐'는 질문을 계기로, 문제를 '모델 성능 개선'이 아닌 '파일 분석 기반 예외 처리(화이트리스트)'로 재정의해 해결했습니다. 이후 '어떻게 구현하지'보다 '왜 해야 하고 근본 원인이 무엇인지'를 먼저 묻는 공학적 사고를 체득했습니다.

'궁즉변 변즉통 통즉구'를 좌우명으로 삼아, 막힌 문제일수록 관점을 바꿔 돌파구를 찾습니다. 신중한 성향을 보완하기 위해 PoC 기반 단계별 일정 관리를 실천합니다 — 빠른 PoC로 타당성을 먼저 검증하고, 확장형으로 설계한 뒤, 기본 요구사항을 충족하고 신기능을 추가합니다. 흥미로운 기술은 TODO로 관리해 본류 작업의 리듬을 잃지 않습니다.

레퍼런스가 전무한 상황에서 보안 로그라는 특수 데이터에 NLP를 접목했습니다. CNN·RNN·LSTM을 밑바닥부터 실험해 BERT 입력 구조 커스터마이징이 최선임을 증명했고, Airflow로 학습 파이프라인을 자동화하며 고객사 저사양 환경을 위해 경량화·양자화로 상용화까지 이끌었습니다. 다만 PoC부터 무작정 시작해 요구사항 변경으로 재작업한 경험에서, '무엇을 만들 것인가'의 초기 설계가 구현력만큼 중요함을 배웠습니다.