Translating Problems
into Working Products.

고치다는 숭실대학교 교양 「오픈소스 실전창업」 수업에서 시작했습니다. 한 학기 동안 실제 팀을 꾸려 아이템 발굴부터 시제품·사업계획까지 창업 전 과정을 실습하는 과목으로, 저는 이 수업에서 아이템을 직접 제안해 대표이자 총괄·개발 리드로 팀을 이끌었습니다.

집의 작은 수리가 필요할 때 사용자는 고장 난 부위의 ‘사진’은 가지고 있지만, 그것을 전문가가 이해할 수 있는 ‘요청서’로 정리하지는 못합니다. 어떤 공종인지, 작업 범위와 방문이 필요한지, 비용이 얼마쯤인지 용어조차 몰라 여러 업체에 같은 사진과 설명을 반복하다 결국 요청을 미루거나 포기합니다.

저는 이 불편을 “사진은 있으나 요청서는 없는 문제”, 즉 사용자와 전문가 사이의 정보 비대칭 하나로 정의했습니다. 그래서 수리 경험이 적은 2030·1~2인 가구·자취생을 첫 타깃으로, 사진 한 장으로 요청을 시작하게 만드는 것을 출발점으로 삼았습니다.

숨고·당근 같은 기존 서비스는 ‘업체 연결’에 강하지만, 사용자가 문제를 스스로 설명할 수 있다는 전제 위에 있습니다. 저는 고치다를 그 연결 이전 단계에 놓고, 사진 정보를 요청서로 구조화하는 ‘문제 해결 중심의 중간 계층 — 스마트 시공 가이드’로 포지셔닝했습니다.

핵심 원칙은 두 가지였습니다. 첫째, AI는 최종 진단·확정 견적 도구가 아니라 요청서 정리 보조 도구로 한정하고, 사용자가 초안을 확인·수정한 뒤 전달하도록 통제권을 남겼습니다. 둘째, 검증 가능한 범위로 좁혀 방충망·욕실 실리콘·문/문틀·벽지 같은 저위험·고빈도 공종부터 다루고, 로그인·결제·실시간 채팅·자동 매칭은 2차 고도화로 분리했습니다.

React Native·Expo·Expo Router·TypeScript·React Context API로 모바일 1차 시제품을 구성하고, Clean Utility + Warm Trust 디자인 원칙을 Custom Theme로 통일했습니다. 데이터는 사용자 입력(사진+위치·증상) → 요청 데이터 구조화 → AI 요청서 생성 → 사용자 검토·수정 → 전문가 카드형 응답 → 비교·선택 → 신뢰 데이터 축적의 7단계로 흐르도록 설계했습니다.

AI(Gemini 2.5 Flash)는 사진과 선택 입력을 공종 후보·작업 방향·방문 필요 여부·비용 감각·요청 문장 초안으로 정리하고, 전문가는 자유 채팅 대신 작업 가능 여부·작업 방식·비용 감각·방문 여부·일정·사후관리 6개 항목의 표준 카드로 응답해 같은 기준으로 비교됩니다. API 실패·지연에도 핵심 흐름이 끊기지 않도록 Mock Fallback을 적용하고, 작업 확인서·보증서를 신뢰 데이터로 쌓는 구조까지 설계했습니다.

사진 접수부터 AI 요청서, 검토·수정, 전문가 카드형 비교까지 핵심 흐름을 데모 가능한 1차 시제품으로 완성했습니다. ‘기능이 도는가’가 아니라 ‘효익이 개선되는가’를 보기 위해, 요청 작성 시간 50% 이상 단축 · 요청서 생성 완료율 70% 이상 · 요청서 확인 후 전문가 응답 단계 전환율 40% 이상 · 파일럿 전문가 응답률 60% 이상 · 재사용 의향 40% 이상을 검증 지표로 정의했습니다.

사업 측면에서는 시장을 TAM 18.0조 · SAM 4.2조 · SOM 320억(원/년)으로 구조화하고, 협약기간 목표를 가입자 5,000명·전문가 300명·월 거래액 2,000만 원으로 잡았습니다. 수익모델은 전문가 리드 수수료에서 시작해 구독형 → 사용량 기반 AI → B2B SaaS로 단계 확장하는 로드맵으로 설계했습니다.

아이디어를 낸 사람으로서, 막연한 불편을 “사진은 있으나 요청서는 없는 문제”라는 한 문장으로 정의하고 그것을 포지셔닝·MVP 스코프·검증 지표까지 끝까지 끌고 가는 경험을 했습니다. AI 서비스의 가치는 분석 결과 자체가 아니라, 그 결과가 사용자와 전문가가 같은 기준으로 이해·비교할 수 있는 구조(요청서·카드형 응답)로 바뀌는 데서 나온다는 것, 그리고 위험 공종을 의도적으로 제외하는 것처럼 ‘하지 않을 것’을 정하는 판단이 제품 완성도를 지킨다는 것을 배웠습니다.

기존 EV 모터 이상 진단 모델은 단순 분류 성능(Accuracy)만 제공할 뿐, 운전자가 실제 도로 위 위기 상황에서 “이 판단을 얼마나 믿어야 하는지”와 “당장 어떻게 대처해야 하는지”를 알려주지 못했습니다. 즉, 모델의 신뢰도 불일치와 설명 가능성 부재가 실서비스 도입의 걸림돌이었습니다.

정확한 모델보다 중요한 것은 사용자가 믿고 행동할 수 있는 신뢰 구조라고 판단했습니다. 그래서 LLM은 진단 주체가 아니라 결과를 풀어 설명하는 설명 계층으로 제한하고, 신뢰도 보정(Calibration)으로 확률을 실제와 맞추며, 의사결정 근거를 시각화(Grad-CAM)하고, CRITICAL 상황은 규칙 기반 즉시 경고로 분리하는 등급별 설명 계층(XAI)을 설계했습니다.

모터 전류 데이터의 전처리 및 1D-CNN 분류 모델 학습부터, Temperature Scaling 기법을 적용한 신뢰도(ECE) 보정, Grad-CAM 기반 주파수 기여도 시각화, 그리고 진단 결과를 설명해주는 LLM Co-Pilot 인터페이스까지 연결하는 End-to-End 파이프라인을 단독으로 설계하고 구현했습니다. 특히 치명적 위험(CRITICAL) 상황에서는 LLM의 환각을 방지하기 위해 규칙 기반(Rule-based) 즉시 경고로 전환하는 이중 안전장치를 설계했습니다.

이상 진단 분류 정확도 0.9765를 달성했으며, Temperature Scaling을 통해 신뢰도 오차(ECE)를 기존 0.082에서 0.017로 78.8% 개선하여 실제 확률과 일치시켰습니다. 또한 모델이 모터 전류의 어떤 특성(예: 냉각수 온도, 인버터 전압 변동 등)에 기여했는지를 설명 가능한 형태로 시각화하는 Streamlit 기반의 이상 진단 시뮬레이터를 완수했습니다.

AI 시스템의 실질적 가치는 모델 성능 지표가 아니라, 사용자가 결과를 이해하고 행동으로 옮길 수 있는 설명 구조와 신뢰도 보정에 달려 있음을 배웠습니다. 그 뒤로는 모델보다 먼저 "사용자가 왜 이 결과를 믿어야 하는지"를 정의하게 되었습니다.

진로 정보는 이미 많지만, 사용자는 여전히 “무엇부터 해야 할지 모르겠다”는 문제를 겪습니다. 기존 GPT 답변은 사용자의 전공, 흥미, 현재 상태를 충분히 묻지 않은 채 일반론적 조언으로 흐르는 경우가 많았습니다. 문제는 답변 품질보다, 답변 전에 사용자의 상태를 구조화하지 못하는 흐름에 있었습니다.

GPT가 바로 답하지 않고 먼저 묻도록 구조를 바꿨습니다. 전공, 흥미, 성향, 현재 고민을 순차적으로 파악한 뒤, 사용자의 상태에 맞는 3개월 단위 로드맵을 제안하는 구조로 설계했습니다.

AI 서비스 기획과 프롬프트 구조 설계를 맡아 세부 프롬프트 지침 20개를 구성했습니다. 역할 설정, 정보 수집 방식, 출력 형식, 금지사항, 추가 질문 로직을 나누고, 진입 부담을 낮추기 위한 대화 스타터 4개와 3개 유즈케이스 검증 흐름을 설계했습니다.

FastCampus GALA 2024 ChatGPT 활용 사례 부문 우수상을 수상했습니다. 결과물은 단순 답변형 챗봇이 아니라, 사용자 맥락 수집 → 상태 정리 → 실행 가능한 로드맵 제안으로 이어지는 양방향 진로 설계 서비스였습니다.

LLM 서비스의 품질은 모델 자체보다 질문 흐름과 사용자 맥락 수집 구조에서 결정된다는 점을 배웠습니다. 이 경험은 AI가 사람의 막연한 문제를 어떻게 구체화해야 하는지에 대한 설계 경험이 되었고, 이후에는 어떤 서비스든 출력보다 먼저 사용자 상태와 입력 맥락을 정의하게 되었습니다.

기록 앱은 기능을 구현하는 것보다 사용자가 계속 기록하게 만드는 구조가 중요합니다. 위치 저장, 사진 첨부, 메모 기능이 있어도 기록이 쌓이는 감각이 없으면 사용자는 금방 이탈합니다. 동시에 8인 팀이 병렬로 개발하면서 API 해석과 UI 상태 기준이 흔들릴 위험이 있었습니다.

제품 관점에서는 기록 행동이 캐릭터 성장으로 이어지는 리텐션 루프를 제안했습니다. 개발 관점에서는 빠른 구현보다 API 명세 규칙과 Loading, Empty, Error, Success 상태 정의를 먼저 맞추는 것이 중요하다고 판단했습니다.

Android 개발을 맡아 카카오 SDK 로그인, 인증 상태 관리, 토큰 재발급, 세션 유지 흐름을 구현했습니다. ViewModel 기반 단방향 StateFlow 구조를 적용했고, Backend 팀과 API 명세 및 토큰 만료 처리 기준을 조율했습니다.

UMC 7기 전국 데모데이 최우수상을 수상했고, Google Play Store에 실제 출시했습니다. 1,087 커밋 규모의 팀 협업 과정에서 API 명세 규칙과 UI 상태 기준을 정리하며 프로젝트 실행 기준을 만드는 경험을 했습니다.

좋은 제품은 기능 수가 아니라 사용자의 행동이 다음 행동으로 이어지는 구조에서 나온다는 점을 배웠습니다. 또한 팀 개발에서는 코드 자체보다 API 명세, 상태 정의, 예외 처리 기준처럼 눈에 보이지 않는 합의가 완성도를 좌우한다는 것을 경험했습니다.

나라장터에는 많은 거래 데이터가 있었지만 추천 기능은 없었고, 구매는 상위 노출 업체에 반복적으로 집중됐습니다. 일반 커머스처럼 구매빈도를 기준으로 추천하면 기존 쏠림을 더 강화할 수 있었습니다. 공공조달에서는 “많이 팔린 것”보다 “정책적으로 의미 있는 추천”을 먼저 정의해야 했습니다.

알고리즘을 먼저 고르지 않고, 이 플랫폼에서 좋은 추천이 무엇인지부터 정의했습니다. 의무구매 대상 품목에는 +10, 우선구매 대상 품목에는 +1을 부여하는 정책 반영형 평점 체계를 설계해 데이터 입력 기준을 바꿨습니다.

4인 팀에서 데이터 분석과 추천시스템 설계를 맡았습니다. 나라장터 데이터셋을 병합·전처리하고 사용자-품목 피벗테이블을 구성했습니다. 잠재요인 협업 필터링과 아이템 기반 협업 필터링을 비교했고, 10개 세부품목 기준 교차 검증을 진행했습니다.

잠재요인 협업 필터링으로 RMSE 0.21을 달성했고, 아이템 기반 협업 필터링 RMSE 0.78 대비 73% 개선했습니다. 이 결과로 조달청·한국지능시스템학회 공공빅데이터 경진대회 최우수상을 수상했습니다.

AI/ML 프로젝트에서 모델 선택보다 입력 기준 정의가 먼저라는 점을 배웠습니다. 이후 프로젝트에서도 바로 모델이나 기능으로 들어가기보다, 데이터가 무엇을 의미하는지와 어떤 기준을 최적화해야 하는지를 먼저 확인하게 되었습니다.

기존 AI 학습 도구는 대부분 AI가 학생에게 설명하는 단방향 구조입니다. 하지만 실제 이해는 설명을 듣는 순간보다, 스스로 설명하고 막히는 지점을 확인하는 과정에서 더 분명해집니다. 그래서 학생이 AI에게 배우는 것이 아니라, 학생이 AI를 가르치며 학습하는 구조를 제안했습니다.

핵심은 역학습 구조였습니다. 학생이 AI 펫에게 개념을 설명하면 설명 로그가 쌓이고, 이 로그가 AI 펫의 성장과 난이도 조정으로 이어지도록 설계했습니다. 사용자 행동이 시스템 상태를 바꾸는 구조를 만드는 것이 목표였습니다.

AI 서비스 기획과 기술 아키텍처 설계를 맡아 GPT-4, LangChain, Vector DB, PPO, Unity 2D 기반 구조를 제안했습니다. 3~6개월 MVP와 6~12개월 확장 범위를 구분하고, 실제 검증 가능한 첫 단계부터 로드맵을 구성했습니다.

제1회 숭실 재학생 학습법 경진대회 AI 아이디어톤 최우수상을 수상했습니다. 단, 이 프로젝트는 구현 설계 단계였고 실제 코드 구현은 미진행이므로, 포트폴리오에서도 서비스 콘셉트와 MVP 설계 경험으로 명확히 구분합니다.

AI 서비스는 좋은 모델 하나로 완성되는 것이 아니라, 사용자의 행동이 시스템 안에 남아 다음 경험을 바꾸는 구조가 필요하다는 점을 배웠습니다. 동시에 구현하지 않은 부분은 과장하지 않고, 검증 가능한 것과 이후 확장할 것을 구분하는 태도도 중요하다는 것을 배웠습니다.

기존 25분 포모도로 타이머는 개인의 집중 리듬이나 몰입 상태를 반영하지 못합니다. "집중은 유동적인데 타이머는 왜 정적일까?"라는 의문에서, 개인 생산성 문제를 AI 활용과 인터랙션 디자인으로 다뤄보는 개인 프로젝트를 기획했습니다.

기획, 디자인, 프론트엔드, AI 연동을 혼자 빠르게 검증하기 위해 AI 도구를 설계 파트너로 활용하는 방식을 택했습니다. 코드를 직접 한 줄씩 쌓기보다 의도와 아키텍처를 AI에 제시하고 결과물을 조율하며, 3D 시각화와 세션 추천 로직의 결합을 빠른 프로토타입으로 만들어 보기로 했습니다.

Vite와 Three.js로 몰입감을 더하는 3D 타이머 스테이지를 구성하고, 과거 집중 기록을 바탕으로 다음 세션 길이를 제안하는 추천 로직을 붙였습니다. 프레임 최적화부터 3D 카메라 궤적 연산까지 AI를 설계 파트너로 두고 조율하며 작동하는 형태로 구현했습니다.

단순한 타이머가 아니라, 개인의 몰입 주기를 제안하는 인터랙션 프로토타입을 완성했습니다. AI를 설계 파트너로 활용해 1인으로도 시각적 완성도와 추천 로직을 함께 검증할 수 있었던 실험이었습니다.

AI 도구를 코드 생성용으로만 쓰지 않고 의도와 구조를 함께 다듬는 설계 파트너로 활용할 때, 개인 프로젝트의 검증 속도가 크게 달라진다는 점을 배웠습니다. 작은 개인 실험이라도 의도·구조·학습을 명확히 남기는 것이 다음 작업으로 이어진다는 것도 확인했습니다.

AI 도구는 누구나 쓸 수 있지만, 결과물이 사람의 기억에 남으려면 장면의 의도, 메시지의 각도, 사운드와 배포 방식까지 함께 설계되어야 합니다. Jae Me는 AI를 단순 생성 도구가 아니라, 아이디어를 감각적 경험으로 번역하는 개인 실험실로 운영해온 활동입니다.

AI 이미지를 많이 만드는 것보다, 하나의 콘텐츠가 어떤 세계관과 감정을 남겨야 하는지를 먼저 정의했습니다. 패션, 시네마, 역사적 상상, 브랜드 광고, 음악 요소를 결합하되 콘텐츠마다 한 가지 명확한 컨셉과 메시지가 보이도록 구성했습니다.

AI 이미지·영상 생성 도구로 시네마틱 광고, 패션 필름, 역사 기반 프래그먼트, 브랜드 Spec Ad 형태의 콘텐츠를 기획했습니다. 장면 생성뿐 아니라 제목, 캡션, 톤앤매너, 사운드, 릴스 흐름까지 함께 설계해 콘텐츠가 하나의 경험으로 읽히도록 구성했습니다.

복잡한 아이디어를 짧은 장면과 문장으로 압축하는 훈련을 할 수 있었습니다. 특히 기술 결과물을 그대로 보여주는 대신, 사람들이 멈춰 보고 이해하고 반응할 수 있는 전달 구조로 바꾸는 감각을 키웠습니다.

AI 결과물의 품질은 생성 기술만으로 결정되지 않습니다. 무엇을 보여줄지보다 왜 보여주는지, 어떤 순서와 톤으로 전달할지, 사용자가 어떤 감정으로 받아들일지를 함께 설계해야 결과가 기억에 남습니다. 이 경험은 이후 AI 서비스와 프로덕트를 설계할 때도 설명 구조와 사용자 인식 흐름을 먼저 고민하게 만든 기반이 되었습니다.