Janghoo Lee
이장후
+82) **-****-**** dlwkdgn1@naver.comRESUME
일하는 나 정의
•
일하는 ‘나’ 라는 사람을 정의하는 세 가지 키워드를 꼽아 보았습니다.
•
등장하는 이력들이 아래 키워드로 군집화됩니다.
= 사람을 사랑하는 사람
•
사람 그 자체를 사랑하는 사람입니다.
•
나만의 이야기를 가진 사람이 되고 싶습니다.
•
다양한 생각과 다양한 사람의 존재를 쿨하게 인정할 수 있는 사람이 되고 싶습니다.
= 메타인지 학습가
•
내가 옳은지 그른지는 중요하지 않다고 생각합니다.
•
지식 습득과 글쓰기를 통해 무지와 편협함을 견제합니다.
•
다른 사람들과 지식의 자극으로부터 평생 나를 열어둘 수 있는 사람이 되고 싶습니다.
•
빠른 속도로 학습할 수 있도록 나를 압박하는 환경에 나를 던져 넣는 것을 좋아합니다.
= 문제정의 전략가
•
저는 어떤 문제의 본질에 대해서 고민하고, 복잡한 문제를 잘게 분해하는 사람입니다.
•
프로그래밍과 엔지니어링은 문제해결 방법의 일종입니다.
•
문제를 해결하는 방법을 잘 알고 있다고 해서 문제정의를 잘 해내는 것은 아닙니다.
•
문제정의를 통해 실질적인 문제 해결에 이르기 위해서는 사업적 측면을 반드시 고려해야 한다고 생각합니다.
•
문제의 본질에 대해서 느리게 고민하고, 수립된 방향으로 기민하게 움직이는 리더입니다.
대표적인 행적
네이버 클라우드 ImageVision
연구개발인턴
23.01~22.06
디어 자율주행팀
로보틱스 엔지니어 / 100만 회원 공유킥보드서비스 스타트업
20.07~22.04
요약:
PM(퍼스널모빌리티) 자율주행기술을 개발했습니다. 현실의 문제를 풀기 위해 문제정의와 문제해결에 힘썼습니다.
문제:
공유킥보드는 사회적으로 부정적인 영향을 많이 미쳤습니다. 이 문제를 가장 똑똑하게 해결하는 방법은 자율주행이라고 생각했습니다. 킥보드에 자율주행을 붙이려고 하는 이유는, 글 “공유 킥보드 회사에서 자율주행을 개발하고 자빠진 이유” 에서 자세히 확인할 수 있습니다.
공유 킥보드 회사에서 자율주행을 개발하고 자빠진 이유” 에서 자세히 확인할 수 있습니다. 해결:
성과:
사람과 HD Map 의 도움 없이 약 1km 를 주행할 수 있도록 만들었습니다. Jetson Xaiver AGX 에 Perception 시스템을 밑바닥부터 구성했습니다. 프로젝트 후반부에는 데이터가 없는 상태에서 자율주행을 개발하는 팀 방향성의 한계를 지적했습니다. 단순히 기술개발이 아닌 상용화에 대한 고민을 하도록 이끌어 프로젝트가 마무리될 수 있도록 만들었습니다. 자세한 내용은 “
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어”에서 확인할 수 있습니다.
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어”에서 확인할 수 있습니다.배움:
기술적으로는 TensorFlow 모델의 TPU 훈련, MLOps 의 필요성, Autonomy 2.0 에 대해 생각해볼 수 있는 기회였습니다. 2D비전과 머신러닝 운영의 한계를 경험, 시간축을 결합하거나 공간을 생성하는 일, MLOps에 대해 관심갖는 계기가 되었습니다. 문제해결 역량뿐 아니라, 올바른 문제정의와 목표수립의 중요성에 대해서 뼈에 새길 수 있는 시간이었습니다. 자세한 내용은 “디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어”에서 확인할 수 있습니다.
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어”에서 확인할 수 있습니다.
‘헬로콕’ 공동창업
Co-Founder, PO / 스타트업
20.05~21.11
요약:
헬로콕은 칵테일 키트와 홈텐딩을 메인아이템으로 잡은 스타트업입니다. 사람들이 어떻게 우리 제품을 구매하도록 만들 수 있을지에 대해서 고민했습니다.
문제:
첫째, 저를 비롯한 헬로콕 팀원은 모두 ‘일을 한다' 는 것이 무엇인지 몰랐다는 문제가 있었습니다. 우리가 일한다고 생각하는 시간의 대부분은 아무것도 하지 않는 시간이었습니다. 둘째, 무지의 문제가 있었습니다. 저희는 아무것도 몰랐기 때문에, 아무것도 모르는 도메인을 빠르게 배우는 방법을 배워야만 했습니다. 셋째, 판매가 부진해 프로젝트가 진전되지 않는다는 문제가 있었습니다. 하지만 아무도 그 문제의 원인을 통쾌히 진단하지 못했습니다.
해결:
첫번째와 두번째 문제가 한번에 해결되는 순간이 있었습니다. 프로젝트에 진전이 없는 이유가 잘못 정의된 문제를 방치했기 때문이었다는 점을 깨달았을 때였습니다. 단순히 ‘잠재고객들이 우리 제품을 구매하지 않는다’ 는 것은 분명히 잘못된 문제정의였습니다. 문제정의를 올바르게 하기 위한 노력을 하는 순간 많은 것이 달라졌습니다. 아무것도 모르는 분야에 대해서 정말 빠른 속도로 지식을 흡수해서, 팀원들에게 제 생각을 논리적으로 납득시켜야 했기 때문입니다. 문제를 새로운 관점으로 지속적으로 재정의하며 가설의 수립과 파괴를 반복했습니다. 문제가 올바르게 정의되었는가를 끊임없이 성찰하여 프로젝트가 올바른 방향으로 가도록 이끌었습니다.
성과:
100만원의 시드로 3개월간 50만의 홍보컨텐츠 노출, 400개의 키트판매를 이끌어냈습니다. 빠른 학습을 위해 들였던 글쓰기 습관은 자아성찰, 의사전달, 생각기록의 역할을 하며 지금도 남아 있습니다. 블로그 “다빈치 작업실” 에 수많은 글들을 배출하고 있습니다.
다빈치 작업실” 에 수많은 글들을 배출하고 있습니다.데이트 코스앱 1위 데이트팝에서 조회수 대비 찜하기비율로 전국 수천개 매장 중 다섯 손가락 안에 들었다는 점과 오프라인 칵테일바 예약요청 90건을 받아 보았다는 점들은 덤으로 자랑하고 싶습니다.
예비창업패키지(6천만원 지원), 실전창업교육 등을 수료했습니다. 조주기능사 1차 합격해서 2차 보러 가야 합니다.
배움:
우리는 평소 문제해결을 잘 해야 한다고만 교육받습니다. 하지만 문제를 잘못 정의하고 문제를 풀면, 풀어도 전혀 쓸모없는 문제가 풀려 버립니다. 판매부진을 극복하는 가장 큰 매출 변화를 가져왔던 문제정의는 ‘충분히 많은 잠재고객들에게 우리 제품을 보여주지 못했다’ 였습니다. 마케팅에서 너무나도 기본적인 ‘노출’ 에 문제가 있었습니다. 노출 문제를 잘 풀었기 때문이 아니라, 이 단계에 문제가 있다고 올바르게 정의할 수 있었기에 매출이 변화할 수 있었던 것이라고 생각합니다.
문제를 어떻게 풀지 고민하는 단계 이전에, 문제를 올바르게 정의해야만 하는 압박감 속에서야 비로소 진짜 공부가 이루어진다는 것을 느꼈습니다. 올바르게 문제를 정의해보려는 과정에서 사람은 미친듯이 배우려고 합니다. 가령 ‘팀원 간 소통’에 이라는 모호한 문제가 있었고, 이 문제의 본질을 진단하고 정확히 정의하려고 할 때 경영에 대한 책이 술술 읽혔습니다 (문제를 해결하려고 했던 것이 아닙니다.) ‘칵테일키트가 안 팔린다’ 는 모호한 문제를 조금 더 구체적으로 정의하려고 할 때 마케팅이라는 분야를 공부하게 되었고 세일즈 퍼널이라는 것의 존재를 알게 되었습니다.
정말 운 좋게도 적은 실험과 적은 팩트만 가지고도 문제정의가 잘 되기도 합니다. 이때, 문제를 해소한 최소제품에 고객의 긍정적인 반응이 오는 순간이 있는데, 그런 신호를 무시하고 내가 원래 하려고 했던 것이나 하고 싶었던 것을 하려고 해서는 안 된다는 사실을 배웠습니다. 데이트앱 고객으로부터 오프라인 매장에 대한 긍정적 신호가 왔지만 저는 매장이 아닌 칵테일 키트를 성공시키고 싶었습니다. 창업은 물론, 작게 진행하는 프로젝트에서도 피벗에 열려 있고 객관적이어야 합니다. 사람들은 ‘지금 이 일을 왜 하는가?’ 라는 질문으로 자기객관성을 유지하곤 합니다. 이 질문은 ‘문제정의의 적절성’ 을 향한 질문입니다.
참고: 몰입과 고통에 대한 배움
헬로콕의 제품
온라인 배송을 위해 포장된 칵테일키트.. 를 등에 이고 있는 디어 킥보드
AI 동아리 설립
요약:
세종대학교 중앙인공지능동아리 SAI 를 설립했습니다.
문제:
당시 세종대학교는 학생이 AI 를 배우기 척박한 환경이었습니다. 사람 가득한 지하철에서 ‘모두의 딥러닝' 을 보며 혼자서 이해하며 고생했던 시간을 후배들에게 물려주고 싶지 않았습니다.
성과:
배움:
학부생 2학년이 뭘 안다고 AI 동아리를 만들까요? 내가 부족하다는 이유로 문제를 개선하려고 하지 않았다면 아무것도 달라지지 않았을 뿐더러, 리더로서의 역할에 대해서 고민해볼 기회도 없었을 것입니다. 당연히 우물 속에서 배움의 속도는 더욱 느려졌을 것입니다.
SW 정보공유 커뮤니티 설립
창립 / 커뮤니티
19.03~Now
요약:
세종대학교에서 가장 SW 관련 정보가 잘 흐르는 곳을 만들었습니다.
문제:
저는 우물 안 개구리가 되는 것에 대한 막연한 불안이 있었습니다. 객관적으로 내가 모르는 것을 파악하고 활력을 얻는 데 다양한 컨퍼런스, 전시회, 강연 등 행사들이 많은 도움이 되었습니다. 하지만 이들 정보들은 학부생 입장에서 너무 멀리 존재했습니다. 나뿐아니라 학교의 다른 친구들도 많은 기회를 놓치고 있을 것이라는 생각을 하게 되었습니다.
해결:
아무리 양질의 정보가 어디엔가 잘 쌓여 있어도 정보가 내 근처에 주기적으로 도착하지 못하면 잘 정리된 정보의 의미가 없다고 생각했습니다. 대학생이 스마트폰으로 가장 많이 이용하는 플랫폼은 카카오톡입니다.
성과:
초기 사람들을 묶어두기 위해서는 제가 행사들을 더 많이 찾아다녀야 했습니다. 그렇게 내가 먼저 애써 정보를 공유하니, 큰 홍보를 하지 않았음에도 사람들이 조금씩 몰렸습니다. @3/23/2022 기준 500명 가량의 사람들이 이제 서로 먼저 정보를 공유하여 세종대학교 학생 전체가 우물 안 개구리에서 한발 벗어나게 되었습니다.
배움:
커뮤니티 성공의 기저에는 문제정의가 있었습니다. 즉, ‘정보가 너무 없다' 가 아니라, ‘정보가 매일매일 나를 일깨우지 않는다' 로 문제를 정의한 덕분입니다. 문제를 정면으로 해결하는 솔루션 중 가장 린한 방법이자, 나 자신이 타인의 문제해결을 돕는 제품이 직접 되어보는 일인 ’컨시어지 MVP’ 라는 것을 다시금 느꼈습니다. 하지만 카카오톡 지식관리체계에는 분명 한계가 존재합니다. 지식을 어떻게 잘 저장할 수 있을까에 대한 고민을 하게 되는 계기가 되었습니다.
출판
O’Reilly-한빛미디어 『MLOps 실전 가이드』 번역
번역서 출판 - 
O’Reilly-한빛미디어 『MLOps 실전 가이드』
O’Reilly-한빛미디어 『MLOps 실전 가이드』2023.07
요약:
IT 전문서 『MLOps 실전 가이드』(원: Practical MLOps)를 번역했습니다.
문제:
난이도가 참 모호한 책이었습니다. 초급자들에게는 불친절하고 중상급자들에게는 너무 깊이가 얕게 느껴질 수 있는 책이었습니다. 원문의 응집성이 많이 떨어지는 것을 느낄 수 있었습니다. 아마존의 책 리뷰에는 해당 내용이 여실히 나타나 있습니다.
해결:
응집성이 부족하거나 설명이 부족해 기술의 효용을 잘 설명하지 못하는 글을 한국 독자를 위해 크게 수정하고 역자 노트를 추가했습니다. 자칫 번역자의 DRI를 초과하는 행위로 여겨질 수 있음에도 편집자님과 공동역자님들께서 “결국 번역서는 한국 독자들이 읽는 것”이라며 이것을 지지해 주셨습니다. 저자의 글을 번역한다는 마음가짐이 아니라, 한국 독자가 이해하지 못하면 온전히 내 책임이라는 모토 하에 모르는 부분은 빠르게 습득하여 채워넣고, 책임감 있는 글을 쓰기 위해 노력했습니다.
성과:
한 리뷰어분께서 ‘번역을 예술 작업을 하듯 해 주셨다’라는 후기를 남겨 주셔서 뿌듯합니다. 책은 yes24/교보/네이버 주간베스트셀러에 선정되었습니다.
•
소스코드 저장소:
배움:
책 출판이라는 프로세스를 경험한 것 자체가 큰 배움이었습니다. 어떻게 돌아가는지를 알 수 있는 계기가 되었습니다. 책 출판에 대한 이해도가 높지 않은 채로 높은 수준을 추구하다 보니 시간이 많이 지연되었는데, 다음 참여 시에는 충분히 높은 품질을 유지하면서도 기한 내에 완료하는 책을 만들 수 있을 것이라고 생각합니다.
기타 프로젝트
AI 수전 MLOps 프로젝트
2023.08~진행중
플랭크현동 프로젝트
요약:
NeRF 기술을 이용해 정적 피사체를 촬영한 RGB 이미지가 3D 프린팅 결과물로 만들어지도록 팀을 이끌었습니다.
배경:
자율주행 문제를 풀 때, 3D 공간에서 RGB 카메라로부터 취득된 데이터를 레이블링하면 효율적일 수 있겠다고 생각했습니다.
문제:
NeRF 의 I/O 가 무엇이고, NeRF 결과물과 3D 프린트 혹은 3D 오브젝트 사이의 관계, NeRF 에 얼마나 많은 데이터가 요구되는지 등을 모르는 상황이었습니다.
해결:
우리가 모르는 것이 무엇인지 정확히 문제를 정의했습니다. 문제를 데이터 측면, 모델 측면, 파이프라인 측면으로 나누어 보았습니다. 작업을 칸반으로 나누어 효과적으로 협업할 수 있도록 팀을 주도했습니다. 실험 관리 도구의 필요성을 제시하고, wandb 를 통해 300개가 넘는 실험을 모두 모아 관리했습니다.
배움:
피사체를 직접적으로 가리지 않더라도 일부 프레임에 팔이 딸려 나오는 등, 작은 노이즈도 NeRF 결과물에 중대한 영향을 미칠만큼, 데이터가 중요하다는 점을 알게 되었습니다. 각각의 파라미터가 하는 역할을 알기 위해 소스코드를 많이 들여다보았는데, Ray와 같은 개념이 TensorFlow에서 어떻게 표현될 수 있는지를 알 수 있었습니다.
성과:
RGB 카메라 이미지 세트만을 이용해 3D 프린트 출력물을 얻어내는 데 성공했습니다. 이 결과물을 ‘데이터야놀자 2022’ 행사에서 발표했습니다. 책임감 있게 문서를 만들어 사람들이 따라해볼 수 있도록 만들자고 주도했고, 최근까지도 메일로 지원문의가 들어오는 등 저희가 만든 튜토리얼을 따라해 보는 사람들이 있습니다. 과거에 작성해 두었던 문서를 따라가며 문의에 대응하고 있습니다. 대중에게 공개될 문서를 잘 작성하지 않거나 소스코드를 책임감 있게 작성하지 않으면 이후에 지원이 어렵겠다고 느꼈습니다.
open-mmlab/mmocr 컨트리뷰션
오픈소스 기여 - 
open-mmlab/mmocr 컨트리뷰트 (간단한 버그 수정)
2022.11
요약:
문제:
mmocr은 객체 탐지 라이브러리 mmdetection을 유지관리하는 것으로 유명한 open-mmlab의 딥러닝 기반 OCR 라이브러리입니다. 한글이 포함된 이미지의 OCR결과물을 시각화하기 위해서는 한글을 지원하는 글꼴을 사용해야 하는데, 기본 서체를 적용하는 경우 한글이 모조리 깨져 버린다는 문제가 있었습니다. mmocr 사용을 시도하는 한글 사용자의 경우 이리저리 해결책을 찾다가 그냥 포기해 버릴 가능성이 매우 높은 상황이었습니다.
해결:
변인을 통제한 다양한 실험을 통해 한글 깨짐 현상이 글꼴 문제임을 확인했습니다. 라이브러리를 분해해서 글꼴을 받을 수 있는 부분을 파악한 뒤, 사용자와 상호작용하는 가장 높은 추상화 수준의 파일에서 글꼴을 제어할 수 있도록 연결했습니다. 기술적인 이야기는 MMOCR 프레임워크에서 한글 사용하기 에서 확인할 수 있습니다.
MMOCR 프레임워크에서 한글 사용하기 에서 확인할 수 있습니다.성과:
Keras 영어예제 한글 번역
오픈소스 기여 / 대외활동 - 
공개개발자센터, 오픈소스 컨트리뷰톤, Keras 영어예제 한글 번역하기
공개개발자센터, 오픈소스 컨트리뷰톤, Keras 영어예제 한글 번역하기2021.09
요약:
대조학습(Contrastive Learning) 관련 Keras 공식 예제를 한글번역했습니다.
문제:
케라스의 공식 예제들은 제가 딥러닝을 처음 공부할 때 많은 도움이 되었습니다. 처음에는 MNIST 수준의 예제밖에 없었지만, 다양한 분야의 예제들이 빠른 속도로 추가되었습니다. 이에 비해 번역 속도는 예제의 출시속도를 따라가지 못했습니다. 번역 작업을 위해 사람들이 모였습니다. 하지만 번역 후보 노트북 목록에 있는 많은 주제들 중에서 대조학습을 번역하시려는 분들은 많이 없었습니다. 어려운 주제라고 해서 영어로 공부해야만 할 필요는 없습니다. “
세종대학교 AI 동아리 ‘SAI’ 설립” 같은 경험이 시사하는 것처럼, 후배들에게 도움을 주고 싶은 마음이 컸습니다.
해결:
대조학습은 저도 익숙하지 않은 분야였습니다. 하지만 <디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어> 에서 데이터가 없는 문제를 지속적으로 겪으며 대조학습이 미래에 이 문제를 경감시켜줄 수 있는지 확인해보고 싶은 마음 겸사겸사 대조학습 예제 번역을 나서게 되었습니다. 예제 3개에 원어보다 훨씬 더 충분한 설명을 덧붙여 한글번역했습니다. 비록 아직 반영되지는 않았으나 다른 튜토리얼을 번역한 동료에게 설명이 이해하는 데 도움이 많이 된다는 피드백을 받을 수 있었습니다.
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어> 에서 데이터가 없는 문제를 지속적으로 겪으며 대조학습이 미래에 이 문제를 경감시켜줄 수 있는지 확인해보고 싶은 마음 겸사겸사 대조학습 예제 번역을 나서게 되었습니다. 예제 3개에 원어보다 훨씬 더 충분한 설명을 덧붙여 한글번역했습니다. 비록 아직 반영되지는 않았으나 다른 튜토리얼을 번역한 동료에게 설명이 이해하는 데 도움이 많이 된다는 피드백을 받을 수 있었습니다.
좌측은 번역과 추가적인 설명이 첨가된 노트북, 오른쪽은 원본 노트북입니다.
노트북 원본
노트북 번역본
tensorflow/tensorflow 컨트리뷰션
오픈소스 기여
2021.06
요약:
문제:
프레임워크 TensorFlow 에는 ONNX 없이 내장 API 콜 한번만으로도 딥러닝 모델을 최적화할 수 있는 기능이 포함되어 있습니다. 이 기능은 TensorRT 기반으로 동작하기 때문에, TF-TRT 라고 부릅니다. 분명히 명세대로 TF-TRT API 를 호출했으나, 원하는 동작이 일어나지 않아 시간이 많이 허비되었습니다. 혹시나 하는 마음에 마지막으로 소스를 들추어보았을 때, 코드에 사소한 문제가 있다는 사실을 발견했습니다.
해결:
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어의 비전 시스템을 만들 때, TensorFlow 를 메인 프레임워크로 채택한 이유는 pytorch 에 비해 엣지 디바이스까지 신경써 주는 API 들이 다수 존재하기 때문이었습니다. 문제가 발견된 부분은 선현 개발자의 작은 실수입니다. 하지만 이 API 를 사용하는 사람들은 전세계에 수십명, 수백명일 것입니다. 이 문제에 봉착한 그들의 소중한 리소스가 낭비되고 있을지도 모른다는 생각이 들었습니다. 비록 부실한 코드일지라도, 내 힘으로 문제해결에 기여하여 오픈소스 정신에 첫 기여를 해보고 싶다는 생각이 들었습니다.성과:
배움:
정말 간단한 버그를 고쳐내는 일임에도, 코드를 클린하게 작성하는 것은 매우 어려웠습니다. 더구나 프로젝트는 무려 세계 최고의 오픈소스였습니다. 어떻게 짜더라도 전체 코드와 잘 어우러지는 것 같지 않았습니다. 내가 python 을 자유자재로 다루고 있지 못하다는 사실을 객관적으로 인지했습니다. 성찰은 더 멋진 python 코드를 작성하는 일에 대한 공부로 이어졌습니다.
PM 헬멧 착용 감지 시스템 개발
20.07~20.09
요약:
PM 탑승자의 헬멧 착용을 확인하는 엣지 디바이스 프로토타입을 제작했습니다.
문제:
팀에는 엣지 디바이스에 딥러닝 모델을 포팅하는 것과 관련된 문제를 경험해본 사람이 없었습니다.
해결:
과거에 했던 경험을 팀원들에게 조금이라도 더 잘 전달하기 위해 공을 들였습니다. 당시에는 전 재산이었던 70만원 상당의 제 개인 소유 킥보드를 프로젝트를 위해 헌신시켰습니다!
배움:
학교 수업 프로젝트를 통해 비슷한 시스템을 구성해 본 경험이 있음에도, 대외활동의 목적에 부합하도록 코드를 모두 공개할 수 있을 정도로 제 실력에 떳떳하기는 어려웠습니다. 그리고 아무리 기술의 부분집합을 가지고 있더라도 기술이 탑재된 프로덕트가 실제품화가 되기 위해서 넘어야 할 산들이 많다는 사실을 느꼈습니다.
PM ADAS 임베디드시스템 개발
학교수업 / 프로젝트 - 
세종대학교 수업, 임베디드시스템(4-1), 라즈베리파이 개인 프로젝트
세종대학교 수업, 임베디드시스템(4-1), 라즈베리파이 개인 프로젝트20.05~20.11
요약:
자전거도로에서 이용할 수 있는 PM ADAS(도로경계검출 및 자동가감속)을 만들기 위해 엣지 딥러닝 시스템을 구성해 보았습니다.
문제:
Raspberry Pi 라는 하드웨어는 그 자체만으로 딥러닝 연산을 수행하기 어렵다는 문제가 있습니다. 느리고 비효율적입니다. 또한 보행자 검출용 학습 데이터셋이 많이 공개되어 있는 것에 비해 자전거 탑승자 혹은 킥보드 탑승자에 대한 객체 검출용 학습 데이터가 존재하지 않았습니다. 하지만 ADAS 기능구현을 위해서는 반드시 보행자와 모빌리티 탑승자를 구분할 수 있는 데이터가 필요했습니다.
해결:
컴퓨팅 리소스 문제를 해결하기 위해 Google CORAL Edge TPU 를 사용해 딥러닝모델을 실행했습니다. 당시에는 CORAL 한글자료가 풍부하지 않아 공식 메뉴얼을 전부 읽으며 시스템을 구성해야만 했습니다. 객체 검출 데이터가 없다는 문제를 해결하기 위해서 Class Activatioin Map (CVPR2016) 에서 제안한 Localization 아이디어를 차용했습니다. 구글에서 ‘pedestrian' 과 ‘byciclist' 의 이미지검색 결과들을 모두 모아 분류모델을 학습시킨 뒤 CAM으로부터 localization 힌트를 얻도록 만들었습니다. 이를 통해 객체 검출 데이터문제를 부분적으로 극복했습니다.
성과:
이 프로젝트를 통해 시작된 고민은 앞서 언급한 “
공개개발자센터, 오픈소스 컨트리뷰톤, TensorFlow Lite for Microcontroller 실용 프로젝트” 와 “디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어” 으로 이어졌습니다. 학점도 잘 받았습니다 (A+).
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어” 으로 이어졌습니다. 학점도 잘 받았습니다 (A+).배움:
CAM 을 통해 localization 힌트를 얻을 수 있도록 학습시킬 수 있는 데이터를 얻는 과정이 정말 쉬울 줄 알았지만 전혀 아니었습니다. 구글 검색으로부터 얻은 ‘pedestrian’ 과 ‘byciclist’ 이미지 데이터에는 불필요한 결과가 많이 포함되어 있었습니다. 결국 CAM 을 쓰더라도, 사람의 손을 거쳐서 적절한 데이터를 골라내는 과정이 수반되어야만 했습니다. 심지어 골라낸 이미지들도 편향이 매우 커서 모델이 학습할 수 있는 적절한 데이터 세트를 구성하는 데 많은 시간을 들였지만 클래스별로 각각 수십장의 사진을 얻어내는 데 그쳤습니다. 데이터에 대해 완벽한 해결책을 아직도 찾지는 못했으나, <디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어> 에 지속적인 위험 신호를 보내는 데 기여했습니다.
디어코퍼레이션 자율주행팀 / 로보틱스 엔지니어> 에 지속적인 위험 신호를 보내는 데 기여했습니다.
최종발표자료 발췌
최종 발표자료 발췌
Class Activation Map 발표자료 발췌
학교 공용공간 수요예측 및 모니터링 시스템 개발
해커톤 / 프로젝트 - 세종대학교 제 5회 SW/AI 해커톤, COLLABO-LAB 모니터링 및 수요예측 시스템
세종대학교 제 5회 SW/AI 해커톤, COLLABO-LAB 모니터링 및 수요예측 시스템19.08
요약:
선착순 착석 기반의 공용 사용공간 ‘라운지' 에 카메라를 부착하여, 실시간 잉여 좌석정보를 스마트폰 앱으로 스트리밍하고 시간대별 수요를 예측 및 분석해서 시각화해주는 어플리케이션을 제작했습니다.
문제:
라운지에 도착했을 때 자리가 없어서 발걸음을 돌리는 학생들이 많았습니다. 최대한 간단하게 이 문제를 해결해볼 수 있는 아이디어가 필요했습니다.
해결:
YOLOv3 기반의 객체 탐지 모델로 사람 및 가방을 탐지하여 좌석이 점유되었는지 아닌지를 파악하도록 했습니다. 과거 유저들의 사용 기록 및 현재 라운지의 상황을 반영하여, 미래의 라운지 혼잡도를 예측하도록 만들었습니다. 저는 아이디어 기획과 이용량예측 부분을 담당했습니다.
배움:
이용자의 특징뿐 아니라 이용 시간을 binning 하여 이산화하여 수십개의 독립된 피처로 만들었습니다. 그 다음, PCA → 차원축소 → regression 으로 이용량 예측 모델을 설계했던 기억이 납니다. 당시에는 딥러닝을 잘 모를뿐더러 시계열 데이터의 존재를 전혀 몰랐습니다. 지금 생각하면 너무 터무니없는 생각이지만, 배운 것을 이용하여 가능성을 보여주는 것만으로도 가치를 만들 수 있다는 사실을 배웠습니다. 기술에 매몰되지 않고, 기술이 어떤 가치를 만들 수 있는가를 고민하는 것이 매우 중요하다는 사실 또한 배웠습니다.
그 외
교육
Search
대외활동
Search
수상, 장학, 지원
Search
전체보기
펼쳐 보기 (작성중)