IT보안 전공, SW개발 연구원 11개월. AWS Cloud School에서 AI가 초안을 쓰고, 공식 문서를 근거로 삼고, 검증을 통과해야 반영되는 구조를 만들었습니다. 이 사이트의 AI 어시스턴트도 RAG로 직접 구현했습니다.
링크를 누르면 프로젝트 상세가 열립니다.
카드를 누르면 문제 → 한 일 → 결과 → 배운 점을 볼 수 있습니다.
반복되던 운영 문서 작성을 AI 초안으로 바꾸고, 공식 문서를 근거로 붙이고, 검증과 승인을 거쳐야만 반영되게 했습니다.
로그 확인 → 문서 수작업
이슈 감지 → AI 초안 → 검토·승인
이 사이트 오른쪽의 AI 어시스턴트입니다. 제 이력 문서만 검색해 답하고, 어떤 문서를 근거로 삼았는지 함께 보여 줍니다.
문서 청크 → 임베딩
유사도 검색 → 근거 기반 답변
흩어진 회사 정보를 이해관계자에게 직접 모으고, 방문자가 바로 찾을 수 있는 구조로 설계해 3개월 만에 오픈했습니다.
흩어진 자료
4개 메뉴 IA · 3개월 오픈 · 운영 중
개발 경험이 거의 없던 팀원 3명과 GitHub·개발 환경부터 맞추고, 이력서 기반 상담·자연어 인재 검색 서비스를 만들었습니다.
출발선이 다른 팀
환경 세팅 문서 · 매일 점검 · 전원 완주
조직 안에서 AI를 쓰이게 만드는 일도 경험했습니다. 펄어비스 인턴 때 신규 입사자가 AI 도구를 잘 쓰지 못하는 원인을 분석하고, 사내 문서를 외부 AI에 넣을 때의 위험을 짚어 공유했습니다.
클라우드 운영 담당자는 보안 취약점이나 설정 변경 같은 이슈가 생길 때마다 로그를 직접 읽고 보고서·작업계획서·인프라 코드를 매번 새로 작성해야 했습니다.
신뢰할 수 있는 원문을 근거로 답하게 만드는 것이 생성형 AI 품질의 핵심이라는 것을 배웠습니다. 다만 자동화 이전의 작업 시간을 측정하지 않아 시간이 얼마나 줄었는지는 수치로 남기지 못했습니다. 다음에는 도입 전 기준값부터 측정하겠습니다.
공고가 요구하는 LLM·RAG·임베딩·벡터 검색을 개념으로만 말하지 않고, 실제로 동작하는 결과물로 보여 주고 싶었습니다. 지원자 소개라는 작은 지식 범위에서, 사내 지식 기반 AI와 같은 원리로 만들었습니다.
문서 수가 적어 벡터DB 대신 메모리 안에서 검색합니다. 문서가 수천 건 이상이 되는 사내 지식DB라면 벡터DB, 문서별 접근 권한, 검색 품질 평가가 필요하다고 생각합니다. 오른쪽 어시스턴트에 직접 질문해 보세요.
회사 정보가 여러 사람에게 흩어져 있었고, 홈페이지 제작 방식과 비용을 판단할 기준이 없었습니다.
개발 업무와 병행하며 3개월 만에 오픈했고 지금도 운영 중입니다. 흩어진 정보를 찾기 쉬운 구조로 만드는 일은 지식DB와 사내 지식포털 운영과 맞닿아 있다고 생각합니다.
팀원 3명이 개발 경험이 거의 없어, 같은 도구와 환경에서 시작하는 것부터 어려웠습니다.
한 명도 빠짐없이 완주해 실용성 부문 단정상을 받았습니다. 새로운 도구는 좋은 기능보다 누구나 쓸 수 있게 만드는 과정이 있어야 조직에 자리 잡는다는 것을 배웠고, 사내 AI 활용 교육에서도 가장 중요하게 생각하는 부분입니다.