당연하게 여겨지는 것에서 문제를 찾고, 개선합니다.

시스템의 구조적 비효율을 먼저 인식하고, 주도적으로 개선해 왔습니다. 불필요한 메모리 로딩 구조를 전환하여 엔진 기동 시간을 1분 40초에서 15초로 단축하고, 임시 조치 이후에도 성능 병목의 근본 원인을 찾아 배치 처리 시간을 22시간에서 3분으로 개선하며 문제를 해결해 왔습니다. 시스템뿐 아니라 반복되는 비효율적인 업무 프로세스도 개선 대상이었습니다. 개발자가 직접 수행하던 기술 시험 채점을 LLM 기반으로 자동화하고, 수동 배포를 CI/CD 파이프라인으로 전환하는 등 AI와 자동화를 활용해 반복 업무 자체를 제거하는 데 힘써 왔습니다.

경력

크리니티 / 솔루션팀 (2021.06 ~ )

스팸 메일 차단 솔루션 고도화를 주도하며 엔지니어들의 유지보수, 프로젝트 수행을 지원하였습니다.

스팸 메일 차단 솔루션 관리 (2021.06 ~ )

Spring Web 관리자 페이지 & Netty 기반 메일 수/발신 엔진으로 구성된 스팸 메일 차단 솔루션 기능 개발 및 개선

만료 데이터 삭제 프로세스 성능 개선 | 처리 시간 22시간 → 3분 (작업 일지 : [링크] http://blog.yonggeon.kr/54 )
- 대량 데이터가 누적된 고객사에서 만료 데이터 삭제 시 slow query가 발생, CPU를 장시간 과점유하며 메일 처리 지연 등 서비스 성능 저하 발생
- 실행 계획 분석을 통해 클러스터링 인덱스를 활용하여 쿼리 성능을 개선하였으나, 근본적 해결에 한계가 있어 데이터 저장 기간 축소하여 해결
- 임시 조치로 문제를 해결한 후에도 분석하여 OFFSET 기반 조회가 근본 원인임을 파악하고 마지막 PK 기준 조회 방식으로 재설계, 동일 문제가 발생한 다른 고객사에 적용하여 처리 시간을 22시간에서 3분으로 단축
사용자 필터 로딩 방식 개선 | 기동 시간 1분 40초 → 15초 단축, Heap 메모리 20% 절감
- 엔진 기동 시 특정 사용자에게만 적용되는 필터까지 전부 메모리에 올리는 구조가 비효율적이라 판단. 사용자가 많아질 경우 기동 시간과 메모리 사용량이 불필요하게 증가할 것을 우려
- 기동 시 전체 사용자 필터를 일괄 로딩하는 것이 아닌 해당 사용자의 메일 검사 시점에 필터를 로딩한 뒤 캐싱하는 Lazy Loading + 캐싱 구조로 전환
- 이후 유지 보수 엔지니어가 기동 시간 이슈를 제기하여 운영 환경에 해당 개선 사항을 반영, 기동 시간 1분 40초 → 15초로 단축, Heap 메모리 사용량 20% 절감
복합 조건 기반 메일 차단 기능 구현 | 신규 계약 3건, 업그레이드 2건 성사
- 정상 메일과 동일한 제목으로 위장한 포털 사칭 메일이 반복 유입되었으나, 기존 필터가 단일 조건만 지원하여 사칭 메일만 선별 차단이 불가한 상황
- 테이블 구조를 재설계하고, 테스트 코드로 기존 기능의 정상 동작을 보장하면서 복합 조건 기반 차단 기능을 구현
- 해당 기능이 핵심 요건으로 작용하여 신규 고객 3건 계약, 기존 고객 2건 업그레이드 성사
메일 엔진 설정 동기화 누락 문제 개선 | 설정값 누락률 0% 달성
- 관리자 웹에서 변경한 설정값을 엔진에 반영하는 과정에서, 재시도 없는 SMTP 통신 구조로 인해 설정값이 간헐적으로 유실되어 고객사 문의 반복 발생
- 설정값을 DB에 저장하고 엔진이 5초 주기로 조회하는 Polling 방식으로 전환해 누락 방지 및 악성 메일 차단 공백 최소화, 빈번한 쿼리 부하 최소화를 위해 전용 테이블 분리
- 설정값 누락률 0% 달성

AI 악성 메일 분류 API 서비스 개발(2025.01 ~ )

기존 메일 솔루션에 AI 악성 메일 판정 기능을 제공하기 위한 API 모듈 개발

학습 데이터 파이프라인 구축 | 팀 파인튜닝 모델 분류 정확도 94% 달성
- 학습 데이터 확보를 위한 파이프라인이 없어 주기적인 모델 학습이 어려운 상황 발생
- 메일 수집 모듈과 Microsoft Presidio 기반 개인정보 가명화 모듈을 구현하여 학습 데이터 파이프라인 구축 및 기존 파이프라인 개선
- 싱글 프로세스 기반 전처리를 멀티프로세싱으로 전환하여 처리 시간 50% 단축 (91초 → 42초)
- 확보한 데이터를 기반으로 팀 내 파인튜닝을 진행하여 악성 메일 분류 정확도 94% 달성
모델 서빙 방식 개선 | 모델 응답 성능 17배 개선 (100건 기준 206초 → 12초)
- 메일 수신 시 실시간으로 악성 여부를 판정하는 방안을 검토했으나, Ollama 기반 추론 서버의 동시 처리 한계로 실서비스 적용이 어렵다고 판단
- 병렬 추론 처리에 최적화된 vLLM으로 모델 서빙 방식 변경
- 100건 기준 처리 시간 206초 → 12초로 단축, 실시간 악성 메일 판정 서비스 가능성 확보
모델 서빙 방식 개선 | 모델 응답 성능 17배 개선 (100건 기준 206초 → 12초)
- 메일 수신 시 실시간 악성 메일 판정을 검토했으나, Ollama 기반 추론 서버의 동시 처리 한계로 실서비스 적용이 어렵다고 판단
- 병렬 추론 처리에 최적화된 vLLM으로 모델 서빙 방식 변경
- 100건 기준 처리 시간 206초 → 12초로 단축, 응답 성능 17배 개선, 실시간 악성 메일 판정 서비스 제공을 위한 기술적 기반 확보