04포트폴리오 / 주요 수행 프로젝트 및 연구

현장 데이터를 운영 서비스로

기록이 불완전하고 변수가 얽힌 현장 데이터를 정리해, 담당자와 농가가 매일 쓰는 서비스로 납품한 프로젝트 3건. 각 프로젝트에서 부딪힌 문제와 푼 방법을 순서대로 정리하고, 아래에 주요 논문 4편을 붙임.

01 이상 탐지 · 상수도 유량 데이터로 누수 찾기 Accuracy 90% · F1 score 0.63
02 시계열 예측 · 스마트팜 온실 환경 시계열 예측 AI R² 92% · MAE (℃) 1.1
03 LLM Agent · 스마트팜 LLM Agent가 쓰는 AI 컨설팅 리포트 농가별 리포트 주간 · 상시 컨설팅 24/7

이상 탐지 · 상수도·상수도사업본부 · AI 스타트업 재직 시

유량 데이터로 누수 찾기

상수도 관망의 유량 데이터로 누수 의심 구역을 실시간으로 알려 주는 탐지 모델과 대시보드. 누수 시작 시점조차 기록되지 않은 현장 데이터를 학습 가능한 형태로 다시 정의하는 것부터 시작함.

PythonXGBoostEMAFeature engineeringREST API

90%: Accuracy+19%p
0.63: F1 score+0.32
20+: 파생 변수

water-leak-detection / dashboard

실시간 유량 모니터링 · AI 탐지누수 의심 2건

실시간 유량EMA 기준선누수 의심

시간	구역	상태	신뢰도
03:20	A-12	누수 의심	92%
04:15	B-05	누수 의심	88%
05:30	C-09	주의 필요	65%

서비스 화면을 다시 그린 예시

EMA 기준선 시각화
유량 그래프에 동적 기준선을 함께 그려 현장 담당자가 이상 여부를 바로 판단
AI 탐지 알림 목록
누수 의심 구간을 실시간 알림으로 제공해 수동 감시 업무를 자동화
REST API 연동
분석 결과를 API로 제공해 기존 통합관제시스템과 연동

예측 결과를 담당자가 바로 쓸 수 있는 서비스 형태로 납품

문제 1누수 데이터 정의

기준이 모호한 현장 기록을 학습 데이터로
Problem

누수 시점이 기록되지 않음
- "복구 완료" 기록만 있고 실제 누수 시작 시점은 없음
- 복구일 기준으로 학습하면 누수가 진행 중인 패턴을 정상으로 잘못 배움
Solution

데이터 역추적 라벨링

구간 재정의
복구 1일 전은 비정상, 복구 1주일 뒤부터는 정상 구간으로 라벨링
운영 맥락 결합
계절·요일·수압 같은 운영 변수를 붙여 진짜 누수 패턴만 남김
누수 시작 시점 미기록 비정상 제외 정상

? 복구 완료 +1주

복구 1일 전 → 비정상
복구 1주 후부터 → 정상
데이터가 없는 문제를 분석으로 풀어, 불완전한 기록을 학습 가능한 데이터셋으로 재정의함
문제 2누수 판단 기준

경험으로 그은 직선을 데이터 기반 곡선으로
Problem

고정된 직선 기준
- 야간 최소유량(MNF) 제한선을 과거 경험에 기대 직선으로 일괄 설정
- 계절이나 물 사용량 변화를 반영하지 못해 정상 유량을 누수로 오인하는 일이 잦음
Solution

EMA 동적 기준선

EMA
최근 데이터에 가중치를 더 주는 지수이동평균으로 움직이는 추세선 개발
계절성 반영
직선 대신 데이터 흐름을 따르는 기준선으로 오탐을 크게 줄임
직관에 기대던 기준을 통계적 기준으로 바꿔 알림의 신뢰도를 높임
문제 3모델 고도화

비선형 상호작용까지 보는 분류 모델
Problem

단일 기준선의 한계
- 누수는 유량뿐 아니라 요일·계절·시간대·수압이 비선형으로 얽혀 나타남
- 단일 변수 기준선으로는 미세 누수나 패턴 변화를 잡기 어려움
Solution

AI 분류 모델 도입

Feature engineering
시간·요일·계절, 이동평균 차이, 수압 변동성 등 20개 이상 파생 변수
XGBoost
앙상블 모델로 비선형 패턴 분류 성능을 끌어올림
임계값 최적화
Precision-Recall 균형을 보고 임계값을 조정해 오탐 최소화
Accuracy

기존 71%
개선 90%

F1 score

기존 0.31
개선 0.63
정확도 71% → 90%, F1 0.31 → 0.63

시계열 예측 · 스마트팜·2025 · 스마트팜 기업

온실 환경 시계열 예측 AI

온실 관리 소프트웨어 안에서 미래 24시간의 온도·환경 변화를 예측하고, 그 예측으로 천창·난방기 작동 시점을 미리 시뮬레이션하는 모델. 환경·제어·기상 예보가 얽힌 다변량 시계열을 구조부터 다시 설계함.

PyTorchPatchTSTMulti-stream embeddingTrend decomposition

92%: R²안정 조건
1.1: MAE (℃)안정 조건
1/3: 입력 변수 수

smart-greenhouse / control-simulation

온실 환경 예측 · 시뮬레이션 (온도)AI 제어 모드 ON

실측 온도AI 예측 온도

시간	예상 온도	천창	난방기
14:00	24.5℃	개방 30%	OFF
15:00	23.8℃	개방 10%	OFF
16:00	21.2℃	닫힘	ON (1단계)

서비스 화면을 다시 그린 예시

온실 관리 SW 통합
기존 통합 관제 시스템에 예측 모델을 탑재해 미래 24시간 환경 변화를 실시간 확인
장치 제어 시뮬레이션
천창·난방기 작동 시점을 시뮬레이션해 능동적인 생육 관리를 지원
운영 가능한 성능
MAE 1.1, R² 92%로 환절기에도 안정적인 제어 가이드 제공

농가의 실제 의사결정을 돕는 운영 서비스로 완성

문제 1다변량 학습

트랜스포머와 스트림 임베딩으로 기존 모델의 한계를 넘음
Problem

RNN·LSTM의 다변량 한계
- 입력 변수가 많고 복잡해질수록 RNN 계열 모델의 성능이 떨어짐
- 환경·제어·기상 예보 변수의 성격을 구분하지 못하고 한데 섞음
Solution

구조 재설계

PatchTST
시계열을 패치 단위로 처리해 긴 맥락을 잡고 연산 효율을 높임
Multi-stream embedding
환경·제어·기상 변수군을 독립 스트림으로 넣어 각 특성을 유지하며 상호작용을 학습
환경제어 설정값기상 예보
Multi-stream embeddingPatchTST미래 24시간 예측
환경과 제어 변수의 상호작용을 구조적으로 학습해 예측 정확도를 끌어올림
문제 2제어 데이터 구조화

복잡한 제어 설정값을 학습하기 좋은 구조로
Problem

반정형 데이터와 차원의 저주
- 장치별·시간대별 설정값이 복잡하게 얽혀 시계열 모델 입력으로 비효율적
- 단순 전개하면 변수가 폭증해 학습이 느려지고 과적합 위험이 커짐
Solution

도메인 기반 압축

제어 주기 매핑
온실 제어 로직(4~6구간)을 반영해 시간대별 설정값을 재할당
변수 1/3로 축소
통합·재구조화로 핵심 정보는 지키고 변수 차원을 크게 줄임
장치별·시간대별 단순 전개
24

제어 주기(4~6구간) 매핑
8 (1/3)
도메인 지식을 데이터 구조 설계에 반영해 최적화
문제 3환경 적응성

계절과 환경 변화에도 버티는 예측 구조
Problem

환경 변화 시 오차 급증
- 계절 변화나 새 온실 설정값으로 데이터 분포가 바뀌면 성능이 급격히 떨어짐
- 적응하려면 매번 대량 데이터를 다시 모아 재학습해야 하는 비효율
Solution

추세 분해 (Trend decomposition)

추세
입력 길이만큼의 이동평균을 베이스라인으로 써서 급격한 변화를 완충
잔차 예측
전체 값 대신 변동분만 예측해 학습 난이도를 낮춤
Autoformer
아이디어를 적용해 변화 조건에서 성능을 80~100% 개선
R²

안정 조건 92%
변화 조건 84%

MAE (℃)낮을수록 좋음

안정 조건 1.1
변화 조건 1.7
환경이 바뀌어도 R² 84%, MAE 1.7로 오차 범위를 유지

LLM Agent · 스마트팜·2025 · 스마트팜 기업

LLM Agent가 쓰는 AI 컨설팅 리포트

컨설턴트의 진단 과정을 LLM Agent 워크플로로 옮겨, 농가마다 그래프·표·실행 제언이 담긴 주간 컨설팅 리포트를 자동으로 만드는 서비스. 실제 딸기 농가에 PDF와 웹 링크로 배포하고 피드백을 받아 고도화 중.

LangGraphLLM AgentPython그래프·표 자동 생성

주간: 농가별 리포트
24/7: 상시 컨설팅
PDF · Web: 현장 배포

smart-farm-consulting / report.pdf

딸기 생육 주간 컨설팅 리포트3월 2주차

주간 평균 온도 분석

주간 평균 온도18.5℃ 적정

주간 평균 습도82.0% 과습

Action plan

야간 습도 90% 이상이 이어지는 구간이 있어 잿빛곰팡이병 위험이 높음.

– 야간 난방 설정 온도 1℃ 상향
– 일출 전 30분 환기 추가

서비스 화면을 다시 그린 예시

그래프·표 자동 생성
텍스트 답변이 아니라 시계열 그래프와 요약표가 들어간 리포트를 완전 자동으로 생성
실행 가능한 제언
"난방 온도 1℃ 상향", "환기 시간 추가"처럼 바로 실행할 수 있는 제어 가이드
현장 배포
딸기 농가에 PDF·웹 링크로 주간 배포, 현장 피드백으로 계속 고도화

현장에서 전문가의 역할을 보조하는 서비스

문제 1컨설팅 접근성

전문가 부족을 AI로 확장해 해결
Problem

공급 부족
- 스마트팜 농가는 빠르게 늘지만 전문 컨설턴트는 부족하고, 소규모 농가에는 비용 부담
- 방문할 때만 조언이 가능해 데이터 변화를 계속 지켜보기 어려움
Solution

전문성 확장

컨설팅 로직 이식
현업 컨설턴트의 진단 프로세스를 LangGraph 에이전트 워크플로로 구현
상시 컨설팅
시간과 장소 제약 없이 누구나 받을 수 있는 컨설팅
환경·생육 데이터컨설턴트 진단 로직
LangGraph 에이전트주간 리포트
AI는 전문가를 대체하지 않고 노하우를 더 멀리 전달하는 도구
문제 2리포트 유연성

고정 양식 대신 상황에 맞춰 다시 짜는 리포트
Problem

경직된 템플릿
- 모든 농가에 같은 템플릿을 써서 특이사항이나 돌발 변수를 담지 못함
- 수치만 나열할 뿐 현상이 왜 생겼는지 맥락 설명이 부족
Solution

LLM Agent 동적 생성

동적 목차
농가 상황과 데이터에 따라 목차와 내용을 실시간으로 재구성
복합 구성
설명에 맞는 그래프와 표를 에이전트가 스스로 판단해 배치
고정 템플릿
모든 농가 동일

농가 A
과습 경고 먼저

농가 B
생육 비교 표
정성적인 기준과 요구사항까지 반영할 수 있는 리포팅 방식

실제 샘플에이전트가 만든 주간 리포트 한 페이지

지상부 주간 그래프: 내부 온도·습도·CO2·VPD·PAR 일주일 추이와 유의 구간 표시

내부 온도 세부 분석 결과

일별 그래프·통계

주간 평균 18.27~20.36℃, 주간 최고 25.97~27.48℃
야간 평균 9.94~12.54℃, 야간 최저 7.85~8.91℃인 날이 여러 번
전주 대비 평균 +1.27℃로 소폭 상승

관리 범위 코멘트

후기 수확기 기준 주간 16~24℃, 야간 10~14℃를 관리 범위로 두는 편이 안전
야간 8℃대가 반복되면 과실 비대·착색에 불리해 "보온 우선, 난방 최소"로 방어 필요

주요 연구

현장 문제에서 출발한 논문 4편. 바다 수온, 치과 3D 스캔, 건설 계약서, 악성 댓글처럼 데이터는 제각각이지만, 실제 데이터의 빈틈을 메우는 방법을 찾는 연구임.

4: 주요 논문
3: KCI 학술지
1: 기업 공동연구

2024.11학술대회

기상예보를 붙인 해양 수온 예측

해양환경 예측을 위한 다중그룹 시계열 예측 AI 개발: 기상예보 데이터 결합 및 딥러닝 방법론 기반 해양 수온 예측

R² 0.992MAE 0.383

문제: 수온 상승으로 적조와 어업 피해가 커지는데, 기존 모델은 한 해역에 과적합되고 새 해역엔 1–2년치 데이터가 필요했음
데이터: 국내 여러 해역의 해양 관측 시계열과 기상 예보
방법: 여러 해역을 함께 배우는 다중 그룹 GRU 인코더-디코더, 디코더에 미래 기상 예보를 결합
결과: R² 0.9919, MAE 0.3832로 비교 모델 중 가장 높음

한국경영정보학회 추계국제학술대회원문 →

2024.12KCI

실제 임상 3D 치아 스캔 세분화

실무 기반 3D 치아 스캔 데이터 세분화를 위한 딥러닝 모델 성능 평가: MeshSegNet과 DilatedToothSegNet 모델 활용

MDSC 0.919상악 기준 · 하악 0.908

문제: 기존 연구는 온전한 구강만 학습해서, 크라운·임플란트가 있거나 일부만 찍은 실제 스캔에서 잘 안 됨
데이터: 치과 병원 구강 스캔 910건(상악 475, 하악 435)을 치은과 치아 14개, 15개 클래스로 라벨링
방법: MeshSegNet과 DilatedToothSegNet을 같은 조건으로 학습하고 그래프 컷 후처리로 비교
결과: DilatedToothSegNet(16,000 셀)이 DSC·mIoU 모두 MeshSegNet보다 2–3.5% 높음

스마트미디어저널 13(12)원문 →

2023.11KCI현대엔지니어링 공동연구

건설 입찰 문서의 계약 조항 분류

EPC ITB 프로젝트의 위험관리를 위한 문서 조항 분류 모델 연구: 딥러닝 기반 앙상블 기법 활용

Top-5 93%정확도 76% · 57개 조항

문제: 100쪽 안팎의 입찰 안내서(ITB)를 짧은 입찰 기간에 다 검토하기 어렵고, 위험 조항만 골라내는 기존 방식은 데이터 부족으로 실무에 못 씀
데이터: EPC 계약 문서 77건과 공개 법률·계약 말뭉치 12GB로 사전학습, 23건을 FIDIC 57개 조항으로 라벨링한 6,190건으로 미세조정
방법: 직접 사전학습한 ITB-ELECTRA와 Legal-BERT 앙상블, 5개 국어 역번역과 MLM 데이터 증강
결과: 정확도 76.38%, 상위 5개 후보 안에 정답이 있는 비율 93.03%

정보처리학회논문지: 소프트웨어 및 데이터 공학 12(11)원문 →

2020.12KCI

악성 댓글을 7개 유형으로 분류

Bias & Hate Speech Detection Using Deep Learning: Multi-channel CNN Modeling with Attention

F1 0.703Ko-BERT 0.684

문제: 단어 사전 기반 탐지는 신조어와 문맥을 놓치고, 혐오·차별 유형을 구분하지 못해 제재 근거를 주기 어려움
데이터: 연예 뉴스 댓글 203만 건으로 임베딩을 학습하고, 13만 7천 건을 비난·욕설·성별·정치·연령·종교·인종으로 라벨링
방법: 임베딩·Bi-LSTM·어텐션 3채널 CNN에 하이웨이 네트워크를 결합
결과: 가중 F1 0.7032로 Ko-BERT(0.6843)보다 높고, 인종(0.610 vs 0.406)처럼 드문 유형에서 차이가 큼

한국정보통신학회논문지 24(12)원문 →

유량 데이터로 누수 찾기

EMA 기준선 시각화

AI 탐지 알림 목록

REST API 연동

기준이 모호한 현장 기록을 학습 데이터로

누수 시점이 기록되지 않음

데이터 역추적 라벨링

경험으로 그은 직선을 데이터 기반 곡선으로

고정된 직선 기준

EMA 동적 기준선

비선형 상호작용까지 보는 분류 모델

단일 기준선의 한계

AI 분류 모델 도입

온실 환경 시계열 예측 AI

온실 관리 SW 통합

장치 제어 시뮬레이션

운영 가능한 성능

트랜스포머와 스트림 임베딩으로 기존 모델의 한계를 넘음

RNN·LSTM의 다변량 한계

구조 재설계

복잡한 제어 설정값을 학습하기 좋은 구조로

반정형 데이터와 차원의 저주

도메인 기반 압축

계절과 환경 변화에도 버티는 예측 구조

환경 변화 시 오차 급증

추세 분해 (Trend decomposition)

LLM Agent가 쓰는 AI 컨설팅 리포트

그래프·표 자동 생성

실행 가능한 제언

현장 배포

전문가 부족을 AI로 확장해 해결

공급 부족

전문성 확장

고정 양식 대신 상황에 맞춰 다시 짜는 리포트

경직된 템플릿

LLM Agent 동적 생성

내부 온도 세부 분석 결과

주요 연구

기상예보를 붙인 해양 수온 예측

실제 임상 3D 치아 스캔 세분화

건설 입찰 문서의 계약 조항 분류

악성 댓글을 7개 유형으로 분류