Skills

• Python, R, Linux
• PyTorch
• FastAPI
• MySQL, MongoDB, Elastic Search
• Langchain, RAG
• Prompt Engineering
• Docker
• Git, Jira, Slack, Notion
• Bioinformatics
• Molecular work

Languages

• Korean
• English

Interests

💻 Development

🤖 New-Tech

⛷️ Leisure Sports

🧑‍🍳 Cooking

$$ \small \textbf {} \\ \Huge \textbf {Hyunjoong kim} \\ \small AI(NLP)-Developer $$

<aside> 🎂 1992-12-26

</aside>

<aside> 📧 [email protected]

</aside>

<aside> ☎️ 010-6523-6234

</aside>

<aside> <img src="https://prod-files-secure.s3.us-west-2.amazonaws.com/26afb88c-d694-4cb2-8928-347aa785dd47/cca60680-50ba-4aa1-9b01-3edf949109e5/github.png" alt="https://prod-files-secure.s3.us-west-2.amazonaws.com/26afb88c-d694-4cb2-8928-347aa785dd47/cca60680-50ba-4aa1-9b01-3edf949109e5/github.png" width="40px" /> github

</aside>

<aside> 📍 Yeonsu-gu, Incheon

</aside>

<aside> <img src="https://prod-files-secure.s3.us-west-2.amazonaws.com/26afb88c-d694-4cb2-8928-347aa785dd47/6c2265fd-d0e0-45c7-bede-2d3268a8f58f/linkedin.png" alt="https://prod-files-secure.s3.us-west-2.amazonaws.com/26afb88c-d694-4cb2-8928-347aa785dd47/6c2265fd-d0e0-45c7-bede-2d3268a8f58f/linkedin.png" width="40px" /> linkedin

</aside>

🧑‍💻 About Me

안녕하세요! ’이유 있는 결정과 소통을 통해 문제를 해결하는 개발자’ 김현중 입니다.

• Scientific-Thinking: 과학적 사고방식을 중시하여 데이터를 기반으로 합리적이고 논리적인 결정을 내리고 객관적인 관점에서 문제를 분석합니다.
• Communication: 다양한 분야의 사람들과 원활하게 소통하며 협력을 통해 공동의 목표를 달성합니다.
• Problem-Solving: 어떤 어려움이 있어도 도전을 통해 문제를 해결하고 창의적이고 효율적인 해결책을 찾아냅니다.

🤼 Projects

2024.09.04 - 2024.09.07

Q-MAKER - Hackathon, kakao x goorm

주요 업무: AI서버 설계, 자연어 처리(NLP), 문제 생성

(Langchain, GPT4, Agentic Chunking)

본 프로젝트는 생성형 AI를 활용하여 학생들에게 개별화된 학습 경험을 제공하고 학습 효율을 극대화하는 것을 목표로 합니다.

개인화된 학습에 대한 필요성은 최근 교육 시장에서 크게 증가하고 있습니다. 다양성을 반영한 맞춤형 학습이 요구되고 있습니다. 기존의 문제 생성기는 주로 문제은행에서 무작위로 추출하는 방식으로 문제 수가 부족합니다. 이는 학습자의 개별적인 필요를 충족시키기 어렵다는 한계가 있었습니다. 또한, 최근의 생성형 AI를 통한 문제 생성도 단순한 문제 제공에 그쳐 학습 효과를 높이는 데 한계가 있었습니다.

이러한 문제를 해결하기 위해 다음과 같은 기술들을 사용하여 각 단계를 구현하였습니다.

1. Categorize & Agentic Chunking: 사용자의 텍스트를 GPT를 활용하여 단원과 문단을 구분하였고 단원에 따른 문제 풀이 후 강점과 약점을 분석
2. Question & Answer Generate: 각 문단을 상호작용 가능한 형태의 문제로 변환하고, hallucination 검토하기 위해 원문 해설을 제공하는 방식을 선택했습니다.

이를 통해 학생들은 맞춤형 피드백을 받을 수 있으며, 학습 과정에서 부족한 부분을 집중적으로 개선할 수 있습니다.

• Q-maker 포트폴리오

https://github.com/KTB-19/qmaker

https://github.com/KTB-19/qmaker

2024.07 - 2024.08

MOVIE CHATBOT - KakaoTech Bootcamp 생성형 AI

주요 업무: Entity 추출, RAG구축, LLM 응답 정형화

본 프로젝트는 사용자의 입력을 기반으로 영화 상영 정보를 제공하고, 영화관 추천 챗봇 서비스를 통해 영화 정보 접근성을 높이는 것을 목표로 합니다.

기존 영화 추천 챗봇은 사용자가 원하는 지역이나 날짜의 상영 정보를 얻기 위해 매우 정확하고 구체적인 입력이 필요했습니다.

이 프로젝트에서는 다음과 같은 기술들을 사용하여 각 단계를 구현했습니다:

1. Entity 추출 및 응답 생성: 영화 제목의 경우 신조어나 중요도가 낮은 경우가 많기 때문에, GPT-3.5를 이용해 문맥 기반 NER을 수행했습니다. 이를 통해 사용자 입력에서 의미 있는 정보를 추출하고, 자연스럽게 상호작용할 수 있는 응답을 생성했습니다.
2. RAG 구축: Semantic Search와 Levenshtein distance 기반의 RAG(정보 검색) 시스템을 구축했습니다. 사용자가 원하는 상영 정보를 효율적으로 검색할 수 있도록 FAISS를 사용해 벡터 검색을 수행하고, Levenshtein distance를 통해 영화 제목의 유사도를 비교해 정확도를 높였습니다. 국문의 경우 초성, 중성, 종성으로 분리해 Levenshtein distance를 활용해 더 정확한 검색 결과를 제공했습니다.

이를 통해 사용자의 요구를 분석하고, 응답 내용과 선택 사항에 맞춰 정보를 재확인하며, 선호에 맞는 영화관과 상영 시간을 추천하는 방향으로 개선했습니다.

• Movie_chatbot 포트폴리오

https://github.com/KTB-19/movie_chatbot

https://github.com/KTB-19/movie_chatbot

🏢 Work Experience

🎓 Education