Developer GM

이번 주는 UI 전반 수정, 기능 보완, 산출물 작성, 그리고 시연 준비에 집중한 주차였다. 특히 사용자 경험(UI)을 개선하면서, 동시에 프로젝트 산출물과 보고서·영상 준비를 병행했다.모든 구현이 완료되어 클라우드에 배포만 하면 된다.하지만 로컬에서 작업한걸 클라우드에 올리는 과정이 생각보다 작업이 많아서 계속해서 테스트 하면서 올리고 있고, 7-80% 정도 작업이 된 상태이다. 프론트엔드 전반의 UI를 대폭 수정하였다.장비 보고서 목록 조회, 로그인, 비밀번호 재설정, 홈, 마이페이지 등 주요 화면의 UI를 개선하고사이드바와 활주로 노면 손상 보고서(목록, 상세, 편집 페이지)도 수정하여 일관된 디자인을 확보하였다.활주로 노면 손상 보고서 프롬프트 고도화를 진행하여 자동 보고서 작성의 품질을 높였..

이번 주는 활주로 손상 탐지 예측 모델 연동과 장비 비용 분석 보고서 기능 구현에 집중한 한 주였다. 모델 연동과 기능 구체화에 집중했고, 장비 관리 및 비용 분석 보고서를 본격적으로 완성해 나갔다. 전체적인 프론트엔드 - 백엔드 연동은 80%정도 구현이 완료되었다.주요 AI 기능들의 FastAPI를 통한 모델 연동에 시간을 많이 썼다. 그리고 슬 구현을 마무리 하고, 발표 자료와 최종 산출물을 작성해야했다.나는 프로젝트를 효율적으로 수행하기 위해서팀원들 각자의 강점과 희망 분야를 고려해서 남은 구현을 맡을 팀원과 발표자료 제작을 담당할 팀원들을 나누었다. 총 6명이라 3명씩 나누었고, 나는 남은 구현을 맡으면서발표자료 제작하는 부분에도 중간중간에 확인하며 진행했다.활주로 손상 탐지 결과와 입력받은 변..

이번 주는 휴가로 인해 화·수요일은 쉬었고 휴가 이후 집중적으로 개발을 진행했다. 특히 공지사항 기능을 고도화하고, 활주로 노면 손상 탐지 기능을 프론트와 연동하며 서비스의 완성도를 높인 주차였다. 이미지 탐지 모델 같은 경우에는학습을 계속 진행중이고,활주로 노면 손상 수리기간, 수리비용 예측 모델과장비 유지보수 비용 예측 모델을 학습하기 시작했다.두 모델 모두 구축되어있는 데이터셋이 없어서가상의 데이터셋을 만들기 위해실제로 실무에 사용할 수 있게끔 변수들을 구성하고가중치를 설정할 수 있도록 했다. 실제 매뉴얼들을 참고했고, 가상 데이터셋을 구축한 것이기 때문에정확도가 많이 높지 않도록 노이즈도 적합하게 설정했다.그리고 분석 보고서 생성 LLM 같은 경우도 기본 구조를 완성시켰다. 그리고 회원가입/로그인..

이번 주는 이벤트스토밍 마무리와 백엔드 본격 구현, 그리고 프론트-백엔드 연동 및 클라우드 배포까지 한 단계 진전된 주차였다. 전체적으로 역할을 나누어 진행했고,먼저 AI 모델 학습같은 경우는 다른 팀원들에게 역할을 분담하여 진행하였다.1. 활주로 내 이상 객체 탐지 및 분류- 특정 객체 과적합 방지를 위해 데이터셋 세부 분류 후 지속 학습중2. 활주로 노면 손상 자동 탐지- 이미지 예측, mask로 파손된 길이와 면적 산출 가능 - 현재 성능이 0.6, 성능 개선을 위해 데이터셋 증강, 이미지 지속 학습 중3. 활주로 노면 손상 수리기간 및 수리 비용 예측- 파손의 면적/길이 측정값을 기반으로 수리기간, 수리비용 예측 데이터셋 구축중 - 더미 데이터 5천개 생성해서 히트맵 , 변수 중요도 등 분석 중..

2주차에서 받은 피드백을 바탕으로AI 기능을FOD 객체 탐지 및 분류,활주로 노면 손상 자동 탐지,외부 시설물 이상 감지,이상 탐지 보고서 자동 작성으로 확장해보았다. 피드백에서 전체적인 평은 좋았으나,기능 구현이 조금 쉬워보이는 부분이 있어서난이도를 더 올려보라는 평이 있었다.그리고 서비스 플로우를 수정해보라고 하셔서목요일 피드백 전까지 기능을 구체화해서서비스플로우까지 수정했다. 목요일 피드백까지는 우리 조의빅프로젝트 주제와 명확한 기능이 정의가 되어야 한다는 생각이 들어서최대한 기능들을 구체화 해보았다. 먼저 FOD 탐지 뿐만 아니라,조류, 동물, FOD, 작업자, 조업차량들을 탐지하고어떠한 객체인지 분류하여 객체 종류에 맞게맞춤형으로 알림이 가는 기능으로 구체화했다.조류/동물/FOD 같은 경우는 긴..

2주차에서는 1주차에 받은 피드백을 바탕으로주제 접근 방식 자체를 달리하여 주제를 선정해볼 수 있도록 팀원들과 의논했다.2주차에는 산출물이 굉장히 많았다.조별 과제 정의서, 요구사항 정의서,아키텍처 정의서, 서비스 플로우,ERD, UI/UX 설계서 총 7종의 산출물을 내야했다.그래서 최소한 주제를 어느정도 확정이 돼야 했다. 주제를 선정할 때에 기능을 먼저 생각하지 않고,실제 기업이나 정부의 입장에서어떠한 해결하고 싶은 문제가 있는지, 어떤 니즈가 있는지 부터 파악을 하려했다.그리고 이로 인해 파악한 문제나 니즈들을해결하기 위한 AI를 활용한 기능을 생각을 했고, 이렇게 주제를 선정하여 최종적으로피드백을 받기 전에2개의 주제를 선정하였다.하나는 아열대 작물 재배지 추천 시스템으로,기후 변화로 인해 전국 ..

KT AIVLE SCHOOL의 마지막 단계인빅프로젝트가 시작되었다.5차 미니 프로젝트가 끝나고 바로 빅프로젝트가 시작되었고,5차 미니 프로젝트에서 똑같은 팀원들과 빅프로젝트를 진행하게 되었다. AIVLE SCHOOL에 지원하기 전 부터빅프로젝트를 시작하면 조장을 맡아서 프로젝트를 진행하고 싶었었는데,다행히도 나 말고는 조장을 하고싶어하는 조원이 없어서자연스레 내가 조장을 맡게 되었다. 빅프로젝트의 큰 목표는AI 기반 신규 IT (Web/App) 서비스 개발이다.1~2주차는 '과제 심의' 단계,3~5주차는 '타당성 검토' 단계,6~7주차는 '품질 평가' 단계,8주차는 '과제 완료 처리' 단계로 진행이 되고,9월 2일(화) 요일에 빅프로젝트 발표회가 진행된다. 그리고 매주 화, 목요일에는 실무 코치님들이 오..

이번주는 계속 미니프로젝트를 진행하였다.저번주 금요일부터는 본격적인 구현이 들어갔다.각 바운디드 컨텍스트별로 팀원을 분담했다.나는 AI 자동화 기능 마이크로서비스를 맡았고, Kafka 이벤트 처리 구현을 담당하였다.특히 마이크로서비스 간 Kafka를 통한 메시지 송수신 구현이 핵심이었다초반에는 이벤트 발생 → 다른 서비스에서 처리되는 연동 흐름이 어려웠지만하나씩 로그 찍어가며 해결하니 점점 감이 잡혔다.후반에는 프론트엔드 연동도 완료하고 Docker 이미지로 패키징 후Docker Hub에 push, Kubernetes 배포 파일 수정까지 진행하였다.어느정도 구현이 완료된 후 배포 및 운영 자동화를 진행하였다.Kubernetes에 마이크로서비스 배포, Istio 설치 및 사이드카 주입,Grafana + L..

첫 날은 Azure DevOps 환경에서 파이프라인 구성 방식과 Git 기반 자동화 흐름을 학습했다.CI는 코드 변경 사항을 빌드하고 테스트까지 자동화하는 흐름,CD는 이를 배포까지 연동하는 구조로, 각 단계별 역할을 분명히 이해하게 되었다.특히 "모놀리식과의 차이", "YAML 파일로 선언형으로 구성하는 방식"이 인상 깊었다.화요일에는 GitOps 방식의 자동화 전략을 배웠다.Git을 Single Source of Truth로 삼아, Git에 Push 하면 자동으로 반영되는 구조.Argo CD를 활용해 쿠버네티스 배포까지 자동화하는 흐름을 살펴봤다.단순히 명령어 기반이 아니라, 선언형으로 상태를 관리하는 게 핵심인 것 같다.실무에서 배포 실수를 줄이는 데 아주 유용한 전략이란 생각이 들었다.수요일부터는..

첫날은 컨테이너 개념과 도커 기본 사용법을 배웠다.도커가 왜 필요한지, VM과 비교해서 어떤 차이가 있는지 정리해보니 확실히 개념이 잡히는 느낌이었다.이미지, 컨테이너, 레지스트리, 볼륨 등 기본 구성요소들을 실습과 함께 익혔고,docker run, docker build, docker exec, docker ps 같은 명령어들을 직접 써보며 익혔다.도커 볼륨, 네트워크, 컴포즈까지 심화 개념으로 들어갔다.특히 docker-compose.yml 파일을 구성하면서 여러 컨테이너를 동시에 관리하는 실습이 유익했다.이후 쿠버네티스(Kubernetes)에 대한 전반적인 구조와 개념을 배웠다.Pod, Node, Cluster, Deployment, Service 같은 용어들이 많아서 처음엔 헷갈렸지만,전체 인프라..