AI·데이터 Technical PM 포트폴리오 · 임훈

AI 에이전트를 직접 구현하고
검증 기준까지 세우는 Technical PM

LangGraph 기반 에이전트 20개가 돌아가는 서비스를 혼자 설계·구현·운영하며 AI의 비용과 품질, 실패를 어떻게 통제해야 하는지 몸으로 익혔습니다. 그 전에는 외주 규모 20억원의 의료기기 SW 프로젝트에서 38명 TF를 기획·총괄하고 검증 체계를 0에서 세웠습니다. 현직에서는 외부 인터넷이 차단된 환경에서 ML과 로컬 LLM으로 제조 측정데이터를 판정하는 실무 프로젝트를 수행했습니다.

AI 프로젝트 보기 전체 경력 (새 탭)
개인 AI 서비스 20개 에이전트검증 리드타임 12h → 5h의료기기 SW 38명 TF 기획·총괄

찾는 자리고객 문제 정의와 제안부터 개발팀 협업, 구축·검증·운영까지 AI 프로젝트 전 과정을 책임지는 역할AI PM · AI Platform PM · Forward Deployed PM · Technical PM

AI를 직접 만들며 내린 판단

개인 R&D · 오픈소스

02 / Elseday · 관광정보 RAG 서비스

그럴듯한 답이 아니라
맞는 근거를 내놓는 RAG

개인 R&D · 설계·구현 · 개발·검증 중

공공 관광데이터를 모아 자연어 질문에 답하는 서비스를 만들고 있습니다. 테스트 중에 A 장소의 주차를 물었는데 B 장소의 원문이 근거로 섞여 들어오는 문제가 나왔습니다. 답은 그럴듯했고, 그래서 더 위험했습니다.

질문 해석과 사실 판정을 분리했습니다질문 항목마다 대상 장소와 출처를 먼저 고정하고 그 장소의 원문만으로 답을 판정하게 바꿨습니다. 질문을 제대로 이해했는지와 원문이 답을 뒷받침하는지를 따로 검사합니다.
질문 해석장소 고정원문 대조

어디까지 왔나
장소가 명시된 질문 경로 일부를 테스트 서비스에 반영했습니다. 모델 구성별로 답변 품질·응답 시간·토큰 비용을 비교해 반영 대상을 정했습니다.

이 사례가 보여주는 것RAG의 품질은 프롬프트보다 근거를 어떻게 묶느냐에서 갈립니다.

검색 구조와 검증 방법

PostgreSQL/PostGIS에 관광정보를 저장하고 Neo4j의 벡터·전문 검색과 검토된 그래프 관계를 연결했습니다. 검색된 조각만이 아니라 해당 장소의 전체 원문과 출처를 함께 대조합니다.

질문을 해석할 때 숫자·AND/OR·부정·시설 조건이 빠지지 않도록 보완했습니다. 모델별 역할과 순차·병렬 호출을 비교했습니다. 테스트 서비스에 반영한 뒤 실제 HTTP 요청으로 동작을 확인했습니다.

Elseday 서비스 소개 (새 탭)

03 / Legacy Spec Agent · 오픈소스

문서 없는 레거시 코드에서
근거가 붙은 명세를 꺼내는 도구

개인 오픈소스(MIT) · 2026.07 공개 · 현직 실무에서 사용 중

현직에서 문서 없는 레거시 코드를 파악하는 데 시간이 많이 들었습니다. LLM에게 설명을 맡기면 그럴듯한 문장에 지어낸 라인 번호가 붙어 나와 믿고 쓸 수 없었습니다. 그래서 Claude Code·Codex 플러그인을 직접 설계·구현해 공개했습니다.

추론은 LLM에, 검증은 코드에 맡겼습니다설명은 LLM이 쓰되 모든 문장에 path:line 인용을 붙입니다. 인용이 실제 코드와 맞는지는 TypeScript MCP 서버가 기계적으로 검사합니다. 근거 없는 문장은 본문에 싣지 않고 따로 격리합니다.
코드 분석명세 생성변경 추적

지금 쓰이는 방식
코드가 바뀌면 기존 명세의 인용을 유효·이동·변경·소실로 분류해 갱신할 곳을 짚어 줍니다. 현직의 코드 파악과 스펙 대조에 씁니다.

이 사례가 보여주는 것이 도구에서는 프롬프트 규칙 대신 인용 검증과 근거 없는 문장의 격리를 구조에 넣었습니다. AI 출력의 신뢰성은 아키텍처로 확보한다는 원칙을 실무에서 쓰는 도구로 만든 셈입니다.

플러그인 구조와 구현 범위

인용 검증·심볼 인덱싱·드리프트 탐지·manifest 추출 등 MCP 도구 14종을 TypeScript로 구현했습니다. Python·JS/TS·Java·C#·Go 파서를 연결해 코드와 문서가 어느 위치에서 어긋나는지 찾습니다.

드리프트 판정은 명세가 기록한 생성 시점 커밋을 기준으로 git에서 당시 원문을 꺼내 현재 코드와 기계적으로 대조합니다. 실행할 때마다 판정이 흔들리지 않도록 LLM 재해석을 배제했습니다. 설치형 플러그인으로 공개했습니다.

Legacy Spec Agent 보기 (새 탭)

WHERE I FIT

이런 문제를 맡기면 됩니다

반도체 팹에서 헬스케어, AI 서비스로 도메인은 바뀌었지만 푸는 문제는 네 가지로 같았습니다.

01

데이터 추상화

규격이 다른 다종·다세대 장비 데이터를 상위 시스템이 같은 형태로 쓰게 만들어 온 경험으로, AI 도입의 전제인 데이터 기반부터 함께 세우는 데 강합니다.

02

품질 거버넌스

검증 범위와 통과 기준을 정해 리드타임을 12h → 5h로 줄이고 Coverage 95%를 만든 경험으로, 거버넌스를 문서가 아니라 통과 기준과 승인 게이트로 구현하는 데 강합니다.

03

복잡계 조율

임원 5명을 포함한 38명 TF에서 HW팀과 SW팀의 상충을 패킷 데이터·전력 예산이라는 숫자로 합의시킨 경험으로, 이해관계가 갈리는 조직을 데이터로 조율하는 데 강합니다.

04

의사결정 자동화

에이전트 20개의 실행·비용·실패 복구를 직접 설계·운영한 경험으로, 어디까지 AI에 맡기고 어디서 사람이 개입할지 선을 긋는 데 강합니다.

COMPANY EXPERIENCE

회사에서는 이렇게 일했습니다

제조 측정데이터를 판정하는 AI 실무부터 의료기기 SW의 검증 기준과 38명 TF 총괄까지.

코비스테크놀로지 · 현직

인터넷이 끊긴 현장에서
ML과 로컬 LLM으로 측정데이터를 판정

IT System Architect · 2026.03 ~ 현재

외부 인터넷이 차단된 환경에서 제조 측정데이터를 ML로 분석하고 그 결과를 로컬 LLM이 해석해 최종 판정하는 실무 프로젝트를 수행했습니다. 외부망 없이 AI를 실제 판정 업무에 붙인 경험입니다.

제조 측정데이터ML 분석로컬 LLM 판정
함께 맡고 있는 일 · IT 시스템 구축과 레거시 리팩토링

IT 시스템 구축과 레거시 리팩토링을 맡아 전체 10명 내외를 이끌고 프로젝트마다 개발자 3~4명과 일합니다. 프로젝트 문서화와 감사로그 추적에 Claude를 적용하는 워크플로를 구축해 운영합니다.

직접 만든 greplet·Legacy Spec Agent·Agent Policy Radar·CLI Account Switch를 코드 파악·문서화·스펙 대조에 씁니다. Gemma 생성 모델을 로컬로 구동해 평가한 뒤 장비 사양 제약을 확인하고 Claude 연동으로 전환한 판단도 이 업무에서 내렸습니다.

SD Biosensor / Nemesis · 검증 자동화

수기 검증 12시간을 5시간으로,
무엇이 통과인지부터 정했습니다

PM · 검증 자동화 · 2022.01 ~ 2024.03

검증 결과를 사람이 손으로 확인하다 보니 사람과 상황에 따라 판정이 흔들렸습니다. 속도보다 큰 문제는 무엇을 통과로 볼지 기준이 없다는 것이었습니다. 검증의 성공 기준을 Functional Coverage로 정의하고 HW 제어 시나리오와 자동화 시퀀스로 수기 검증을 대체해 검증 결과로 배포를 승인하는 체계를 만들었습니다.

12h → 5h검증 리드타임95%Functional Coverage

이 사례가 보여주는 것기능이 늘어도 검증이 따라가는 구조입니다. 거버넌스는 문서가 아니라 통과 기준으로 만들었습니다.

Nemesis 검증 자동화 보기 (새 탭)

SD Biosensor · 연속혈당측정(CGM) 플랫폼

배터리냐 데이터냐,
38명 TF의 선택을 숫자로 정리했습니다

센서 데이터팀 팀장(겸임) · Product Owner & TF Lead
2022.01 ~ 2024.03

외주 규모 20억원의 의료기기 SW 프로젝트. 1회용 배터리로 14일을 버텨야 하는데 통신은 불안정하고 데이터는 빠짐없이 모아야 했습니다. HW팀은 배터리를 지키려 했고 SW팀은 실시간 동기화를 원했습니다. 둘 다 옳았습니다. 저는 전력 소모를 SW가 관리하는 예산으로 다시 정의하고 14일 완주가 가능한 전압 임계선을 시뮬레이션으로 잡은 뒤, 패킷 데이터와 전력 예산을 공통 기준으로 HW·SW 요구를 비교해 Offline-first·Dual-layer Sync 구조를 확정했습니다.

99.9%데이터 정합성14일연속 구동 검증ValidationMDR/FDA 요건 기준 통과

내부 9명·임원 5명·외부 개발사 24명이 한 기준으로 움직이게 하는 것이 제 역할이었습니다. 개발은 외부 개발사가 실행했습니다. TF와 별도로 CGM 센서 데이터 정확도를 맡는 센서 데이터팀 팀장도 겸임했습니다. 해당 TF의 결과로 Validation을 통과해 출시 가능한 상태까지 확보했습니다. 인허가 제출은 그다음 단계였습니다.

SD Biosensor 사례 보기 (새 탭)

함께 볼 수 있는 경험

링크제니시스장비마다 다른 데이터를 상위 시스템이 같은 형태로 쓰게 만든 연동 레이어 · 셋업 10일→5일

Technical Lead · PM · Engineer / 2011.05 ~ 2016.01

고객 기술 컨설팅으로 반도체·디스플레이 제조사의 요구를 기능 사양과 MES-장비 연동 구조로 구체화하고 팹 현장 설치·시운전·운영 안정화까지 맡았습니다. 공통 통신·예외 처리는 코어로, 장비·고객별 차이는 플러그인으로 나눠 셋업 기간을 10일에서 5일로, 장애 복구 시간을 4시간에서 1.5시간으로 줄였습니다.

장비 파라미터를 추적·정제해 호스트의 이상감지·공정제어에 필요한 입력 데이터를 공급했습니다. 판단 로직은 호스트 몫이었고 저는 그 입력의 품질을 책임졌습니다.

링크제니시스 사례 보기 (새 탭)
엔비스아나초당 3,000건이 몰리는 측정데이터 파이프라인 · 처리 지연 500ms→130ms

Technical PM · Platform Architecture / 2020.02 ~ 2021.12

반도체·디스플레이 공정의 케미컬 측정 자동화 장비에 붙는 실시간 모니터링 플랫폼입니다. 병목 구간을 분리해 비동기·병렬 구조로 재설계했습니다. 경량 메시지 브로커를 직접 설계·구현해 큐와 유입량을 제어했습니다. Queue·Throttling과 Circuit Breaker로 과부하에 대응해 장애 오류율을 2% 미만으로 안정화했습니다.

엔비스아나 사례 보기 (새 탭)
Studio Video Pipeline광고영상 판매를 목표로 만든 AI 제작·검수·승인 공정

개인 프로젝트 · 개발·검증 중

유료 광고영상 제작·판매를 목표로 Python·ComfyUI·FFmpeg/PyAV 기반 생성·편집·기술 검수·승인 기록·로컬 패키징 공정을 설계·구현했습니다. 입력이 바뀌면 이후 단계의 승인을 무효화하고 생성 접수·실패 이력을 남겨 중복 제출을 막습니다.

기술 검사와 내용·품질 검토는 단계를 나눴습니다. FastAPI 기반 A/B 영상 비교·시점별 검수 대시보드로 샘플 품질과 공정의 반복성을 높이고 있습니다.

greplet에이전트가 grep 대신 쓰는 코드·문서 하이브리드 검색 서버 · 현직 활용

개인 오픈소스 · 실무에 직접 활용

기성 RAG 도구로 하던 검색·인덱싱을 TypeScript·MCP 서버로 직접 만들어 Claude Code·Codex에 붙였습니다. 현직의 코드 파악과 스펙 대조에 쓰면서 여러 임베딩 모델과 지식그래프 활용 방식을 비교해 검색 품질을 튜닝·검증하고 있습니다.

greplet 코드 보기 (새 탭)
연세대 연구 데이터 자문연구 데이터의 품질 기준과 승인 절차 · 입력 완료율 20% 개선

Yonsei University Research Group · 연구 데이터 자문 / 2024.07 ~ 2025.05

교수진·외부 개발사와 함께 연구 데이터 수집 요구사항과 품질 기준을 정하고 검증 체크리스트에 따른 승인 절차를 세웠습니다. GA4 사용자 행동 데이터로 입력 동선을 단순화해 입력 완료율을 20% 개선했습니다.

연구 데이터 자문 사례 보기 (새 탭)
임훈
임훈 · Hoon Lim

AI 프로젝트를 끝까지 책임질 PM을 찾고 계시다면 이메일로 연락 주세요.

hoonlim1210@gmail.com LinkedIn (새 탭)GitHub (새 탭)