Data Scientist · ML Engineer

정현영 Hayden J

방산·항공 MRO 수요예측 · LLM Agent · 데이터 플랫폼

한화시스템에서 방산·항공 MRO 데이터를 다루며 수요예측 모델 연구부터 서빙·제품화까지 끝까지 책임지는 데이터 사이언티스트입니다. 정확도를 숫자로 검증하고, 그 결과를 실제로 쓰이는 시스템으로 만드는 일을 합니다. 최근에는 폐쇄망 환경의 LLM Agent를 설계·운영하고 있습니다.

GitHubLinkedInEmail기술 블로그

핵심 역량

머신러닝 · 예측

  • 간헐수요 예측
  • 허들 모델
  • CatBoost
  • LightGBM
  • scikit-learn
  • 시계열(SARIMA·Prophet·LSTM)
  • 합성데이터(SDV)
  • PyTorch
  • TensorFlow

LLM · Agent

  • LangGraph
  • RAG
  • Milvus
  • Rerank
  • Text-to-SQL
  • vLLM
  • Ollama
  • STT/TTS

백엔드 · MLOps

  • Python
  • FastAPI
  • Gunicorn
  • Spring(Java)
  • Docker
  • Kubernetes
  • Airflow
  • Jenkins

데이터 플랫폼 · DB

  • Cloudera CDP
  • Hadoop(HDFS·Hive·Spark·Oozie)
  • Iceberg
  • Oracle
  • MariaDB
  • MongoDB
  • PostgreSQL

프론트엔드 · 앱

  • Vue3
  • Nuxt
  • React
  • Android(Kotlin)

경력

한화시스템

2019.07 ~ 현재

데이터 사이언티스트 · 개발자 (방산·항공 MRO)

수요예측 모델 연구·서빙·제품화, LLM Agent, 데이터 플랫폼 운영, 무기체계 운영 프로그램 웹·앱 개발

프로젝트

  1. 방산 MRO 수요예측 모델 고도화 및 단독 제품화

    2026.06 ~

    수요예측제품화

    • 무기체계 수리부속 수요예측 모델 고도화: 발생 판단(CatBoost 앙상블) → 수량(톱다운 + LightGBM) → 후처리 3단계 허들 모델 설계, 0포함 수량정확도 50.1 → 58.8 (기존 운영 모델 대비 우위, 2024·2025 백테스트)
    • 체계별 파이프라인(지상·방공 체계, 군 직접정비·업체정비) 구축 및 업체정비 데이터 결합: 공통품목 품목정확도 +2.3, 수량정확도 +2
    • 채점식 기반 수량 결정 규칙(음이항 분포에서 기대 점수 최대 정수 선택) 고안: 수량정확도 두 해 연속 +2 이상, 품목정확도 영향 없음
    • 보안 데이터 마스킹 파이프라인 설계(원본 비열람·자동 가드) 및 재고번호 정합·데이터 품질 진단
    • 개선 모델을 기존 운영 예측 엔진(FastAPI)에 반영, 이관본과 결과 100% 일치 검증
    • 수요예측 단독 시스템(제품) 설계·개발: 엑셀 업로드 → 자동 튜닝 → 예측 → 결과·정확도 화면, MariaDB·Oracle 지원, 국방 공공데이터(KDSIS) API 연동
    • 엔진 이중 모드로 기존 시스템 수요예측과 단독 제품을 하나의 엔진으로 통합
    • 정비 요청 이력 기반 납품시기 예측 모델 개발
    • Python
    • FastAPI
    • Gunicorn
    • CatBoost
    • LightGBM
    • scikit-learn
    • pandas
    • Vue3
    • Spring(Java)
    • MariaDB
    • Oracle

  2. 군수 AI Agent 고도화 및 폐쇄망 제품화

    2026.03 ~

    LLMAgent

    • LangGraph 기반 계층형 멀티 에이전트 설계: 오케스트레이터가 문서 검색·데이터 분석·업무 처리 전문 에이전트(하위 그래프)를 호출, 계획(Planner) → 실행(Executor) → 답변 생성 SSE 스트리밍
    • 문서 RAG: 문서 관리·인덱싱 서비스(Studio), 벡터 DB(Milvus), 재순위(Rerank) 서버 구성
    • 데이터 분석 에이전트: 자연어 → SQL 생성(Text-to-SQL), 조회 범위·조인·읽기 전용 가드레일과 결과 숫자 대조 검증, 온톨로지(자산·품목·정비·재고 개념) 기반 의미 계층 설계
    • 업무 처리 에이전트: 기술지원·정비·부품청구 접수 워크플로를 대화로 처리(기존 MRO 시스템 API 연동), LLM 판단 기반 되묻기
    • 로컬 LLM 서빙: Ollama ↔ vLLM(OpenAI 호환) 전환 구조, Gemma 4 모델 서빙 최적화(생성 속도 21.7 → 74 tok/s, 의도 분류 5.5~7.6초 → 1.4~2.8초)
    • 폐쇄망 단독 제품 패키징: Docker Compose(MongoDB·Milvus·MinIO·etcd) 구성, 이미지 버전 관리·오프라인 설치 스크립트(Windows/Linux)·헬스체크, 보안 취약점(CVE) 대응
    • 역할 기반 권한 관리: 사용자 권한에 따라 검색 가능한 문서·사용 가능한 기능 분리, 한국어·영어 질의 지원
    • 음성 질의응답: Whisper STT(언어 자동 감지) → 에이전트 → TTS 답변 낭독(PCM 스트리밍), Nuxt(Vue3) 채팅 화면 개발
    • Python
    • FastAPI
    • LangGraph
    • Gemma
    • vLLM
    • Ollama
    • RAG
    • Milvus
    • Rerank
    • MongoDB
    • MinIO
    • Nuxt(Vue3)
    • Docker Compose

  3. 데이터 분석 플랫폼 전환 및 운영

    2025.07 ~

    데이터 플랫폼

    • Cloudera on-premises(CDP) 기반 데이터 분석 플랫폼 전환 및 운영, Cloudera 관리자 자격 취득
    • Cloudera
    • CDP
    • CAI
    • HDFS
    • YARN
    • Hive
    • Oozie
    • Spark

  4. 한화에어로스페이스 수요예측 시스템 구축

    2025.08 ~ 2025.11

    수요예측항공

    • 항공기 엔진(F404) 정비 부품 소모실적(10년치) 기반 수요예측 모델 개발
    • 원/달러 환율·산업생산지수·KOSPI 등 외부 경제지표를 다변량 변수로 결합, 결측률 기반 변수 자동 선택
    • SDV(Gaussian Copula·CTGAN) 합성데이터로 간헐수요 품목 학습 데이터 증강
    • 대체품 이력 반영 및 품목별 최적 모델 자동 선택
    • Python
    • pandas
    • scikit-learn
    • SDV
    • FRED API

  5. MRO AI Agent 1차 구축 (정비 절차 질의응답)

    2025.05 ~ 2025.08

    LLMRAG음성

    • MRO 웹 플랫폼에 붙는 AI 비서 1차 버전 구축: 정비사가 정비 절차·점검 방법을 자연어로 물으면 기술교범 문서에서 답을 찾아 응답
    • 문서 RAG 파이프라인: 기술교범 문서를 청크 단위로 인덱싱하고, 질의와 유사한 문서 구간을 찾아 답변과 함께 출처 문서·위치를 제시해 현장에서 원문을 바로 확인 가능하게 함
    • 폐쇄망 제약 대응: 외부 API 없이 Ollama 로컬 LLM으로 서빙, Docker 컨테이너로 서버·노트북 동일 구성 배포
    • 현장 음성 질의: 손을 쓰기 어려운 정비 현장을 위해 STT(음성→질의)·TTS(답변 낭독) 기능을 채팅 흐름에 통합
    • Node.js 백엔드·MongoDB, Vue3 채팅 화면 개발 — 이후 2026년 멀티 에이전트·폐쇄망 제품화(위 항목)의 기반이 됨
    • Ollama
    • RAG
    • STT/TTS
    • Node.js
    • MongoDB
    • Vue3
    • Docker

  6. 대한항공 수요예측 시스템 구축

    2025.01 ~ 2025.04

    수요예측항공

  7. 리눅스 서버 구축

    2024.12

    인프라

    • Red Hat Linux 기반 개발·운영 서버 구축
    • 도커 드라이버로 쿠버네티스 클러스터 설치 및 IP-Route 테이블 최적화
    • 프로그램별 유저 권한 분리로 보안 정책 수립
    • Jira 컨테이너 배포 및 운영
    • Red Hat Linux
    • Nginx
    • Docker
    • Kubernetes
    • Jenkins
    • Jira

  8. 수요예측 모델 서빙 및 모델 개발

    2024.02 ~

    수요예측MLOps

    • 정기·비정기·단종 수요예측 엔진 개발: 품목별로 단변량(ElasticNet·Prophet·SARIMAX·RNN·GRU·LSTM)·다변량(Lasso·LassoLars·OMP) 후보 모델을 검증 RMSE로 자동 선택, 이력이 짧은 품목은 MTBF 기반 예측
    • 고장 수요(수리부속·외주정비)와 자재 수요 분리, BOM 전개로 자재 소요 산출, 비정기 예측의 제외 부대·기간 처리
    • 운용시간·기상 데이터 등 다변량 변수 결합 및 결측 변수 자동 필터링
    • Python 예측 모델을 Docker 이미지로 컨테이너라이징 및 K8s 배포
    • Airflow DAG로 학습·재학습 파이프라인 자동화
    • FastAPI + Gunicorn API 서버 성능 튜닝
    • Iceberg 기반 데이터 버저닝·스키마 관리
    • Kubernetes
    • Docker
    • Airflow
    • Python
    • FastAPI
    • Gunicorn
    • Iceberg

  9. 무기체계 운영 프로그램 앱 개발

    2023.10 ~ 2024.02

    앱

    • 웹/앱 하이브리드 개발
    • Pure JS·HTML 하이브리드 프론트엔드 및 Kotlin Android 네이티브 모듈 개발
    • Spring(Java) 백엔드 REST API 설계·구현
    • JavaScript
    • HTML
    • Android(Kotlin)
    • Spring(Java)

  10. 무기체계 운영 프로그램 웹 개발

    2023.04 ~ 2023.09

    웹

    • MRO 분석, 수요예측, 단종관리 3개 모듈 총 30개 화면 개발
    • 각 화면에 맞는 Spring 서버 개발
    • 화면에 필요한 데이터 추출을 위한 Oracle 쿼리 작성
    • 자재의 고장을 예측하고 필요한 수량을 예측하는 수요예측 모델 개발
    • Nexacro
    • Spring(Java)
    • JavaScript
    • HTML
    • Oracle

  11. 자재 재고 예측 프로젝트

    2022.10 ~ 2023.01

    예측

    • 예측을 위한 시계열 모델링 (SARIMA·선형회귀)
    • RNN, LSTM, GRU 등 딥러닝 시계열 예측 모델 적용
    • 데이터 시각화를 위한 Superset BI
    • 객체 지향 중심의 파이썬 프로젝트로 수행
    • FastAPI
    • Vue.js
    • PostgreSQL
    • SARIMA
    • 선형회귀

  12. 사내 MSA 교육 강의

    2022.07

    교육

    • 클라우드 환경에서의 MSA를 적용한 애플리케이션 구축 및 개발 강의
    • Kafka·Kubernetes·Docker·AWS 기반 MSA 실습 시나리오 제작
    • Kafka
    • Kubernetes
    • Docker
    • AWS

  13. 태양광 발전량 예측 프로젝트

    2022.04 ~ 2022.10

    예측

    • 태양광 발전량 데이터를 이용한 익일 발전량 예측 (논문으로 발표)
    • 객체 지향 중심의 파이썬 프로젝트로 수행
    • LSTM
    • LightGBM
    • XGBoost
    • GradientBoost

  14. 데이팅 모바일 앱

    2021.01 ~ 2021.12

    앱

    • React Native
    • Redux
    • Spring Boot
    • MySQL

  15. 쇼핑몰-공장 관리자 페이지 개발

    2020.01 ~ 2020.12

    풀스택

    • 쇼핑몰 사장님과 공장 사장님을 연결하는 플랫폼 창구 개발
    • 개발자 2인으로 프론트·백엔드 풀스택 개발, AWS로 배포
    • 엑셀·메일로 제품과 가격을 주고받던 번거로움을 해소
    • React
    • Redux
    • Material-UI
    • Node.js
    • GraphQL
    • MySQL
    • AWS

  16. 증권 모바일 앱 개발

    앱

    • 증권 모바일 앱 개발 및 운영
    • 계좌개설 프로젝트 참여
    • 안면인식 서비스 도입
    • Android
    • Java
    • Kotlin

교육 · 자격증

  • 2026.02Cloudera Administrator on Premises 자격 취득 (~2028.03)
  • 2025.11Administering Cloudera on premises 수료
  • 2024.03모두의연구소 — 인공지능 시대의 사용자 경험 이해하기(AI-UX) 수료
  • 2023.11ADsP 데이터분석 준전문가 (한국데이터산업진흥원)
  • 2023.04모두의연구소 — Data Engineering 고급 수료
  • 2023.01모두의연구소 — Data Engineering 중급 수료
  • 2020.07인프런 — 파이썬 머신러닝 완벽 가이드 수료
  • 2020.07인프런 — 딥러닝 컴퓨터 비전 완벽 가이드 수료
  • 2019.08정보처리기사 (한국산업인력공단)
  • 2018.09빅데이터 전문가 양성과정 수료 · 프로젝트 최우수상

학력

  • 2024한양대학교 · 인공지능시스템 석사 (Master’s Degree in Artificial Intelligence Systems)
  • 2019홍익대학교 · 컴퓨터공학 학사 (Bachelor’s Degree in Computer Engineering)
  • 2012배명고등학교 · 졸업

논문

A Comparative Study of Machine Learning and Ensemble Models for Photovoltaic Power Prediction

2024.08.22

태양광 발전량 예측을 위한 머신러닝 및 앙상블 모델 비교 연구

LGBM과 Informer를 결합한 앙상블 모델로 예보 의존도를 낮추고 최신 관측 데이터를 통합해, 기존 LGBM·LSTM·Informer·LTSF-linear 대비 높은 예측 성능과 지역 일반화를 입증

초록 보기

Globally, photovoltaic power is selected as an effort to minimize greenhouse gas emissions and produce alternative energy that does not depend on fossil fuels. However, the variability of photovoltaic power due to weather conditions complicates power supply management. Continuous research is underway to predict photovoltaic power accurately. Key factors for accurate prediction include tracking the sun's position using solar altitude and azimuth, weather forecasts, and the location of solar panels. Additionally, new technologies and approaches are developed annually worldwide to reduce prediction variability and improve model accuracy. In this paper, to enhance the accuracy of photovoltaic power predictions we proposes an ensemble model combining LGBM ,one of the Gradient Boosting Machines, with Informer, a deep learning time series prediction model. Photovoltaic power prediction has no choice but to depend on weather forecast data. However, in this study, we integrates the latest observational data and considers weather characteristics to predict stable power generation without overly depending on forecast data. To evaluate the proposed model's performance, its predictions were compared with those of previously studied models LGBM, LSTM, Informer, and LTSF-linear. For comparison, power generation data from three photovoltaic power plants in South Korea over one year, observed weather data from four providers, and two months of weather forecast data were used. Experiments demonstrated that the proposed model has higher prediction performance and can be applied across various regions.

세계적으로 온실 가스 배출을 최소화하고 화석 연료에 의존하지 않는 대체 에너지를 생산하기 위한 노력으로 태양광 발전을 선택하고 있다. 하지만, 태양광 발전량은 날씨 상황에 따라 에너지 변동성이 크게 변하기 때문에 전력 수급 관리가 어려운 상황이다. 이를 해결하기 위해 발전량을 예측하는 연구가 지속적으로 이루어 지고 있다. 발전량 예측을 위한 가장 중요한 요소는 태양 고도와 방위각을 활용한 태양 위치 추적, 기상 날씨 예보, 태양광 패널의 위치 등의 여러 정보들을 고려해야 한다. 또한 예측의 변동성을 줄이고 모델의 정확성을 향상시키기 위해 새로운 기술과 접근 방식이 매년 전 세계적으로 발생하고 있다. 본 논문에서는 태양광 발전량 예측의 정확성을 향상하기 위해, Gradient Boosting Machine중 하나인 LGBM과 딥러닝 시계열 예측 모델인 Informer를 결합한 앙상블 모델을 제안했다. 태양광 발전량 예측은 날씨 예보 데이터에 의존할 수 밖에 없다. 하지만, 본 연구에서는 예보 데이터에 지나치게 의존하지 않으면서 안정적인 발전량을 예측 하기 위해 최신의 관측 데이터를 모델에 통합하고 날씨의 특성을 고려했다. 제안 모델의 성능을 평가하기 위해, 기존에 연구된 LGBM, LSTM, Informer 및 LTSF-linear 모델과의 예측 결과를 비교했다. 비교를 위해 한국 내 세 개 지역의 태양광 발전소에서 1 년 동안 생산된 발전량과, 네 곳의 기상 정보 업체에서 제공하는 관측된 날씨 데이터, 그리고 두 달 간의 날씨 예보 데이터를 사용했다. 실험을 통해 제안 모델이 기존 모델들 보다 높은 예측 성능과 다양한 지역에 적용 가능함을 입증했다.