정제되지 않은 데이터를 LLM과 추천이 쓸 수 있게 만드는 ML/AI 엔지니어 김성록입니다. A1미디어그룹에서 광고 문구 검수와 광고 플랫폼을 만들고, 퇴근 후에는 직접 만든 서비스를 운영합니다.

Services

직접 만들어 운영하는 서비스

운영 중
Locals Only 서비스 화면

Locals Only

음식 먼저 고르고, 그 동네 로컬이 가는 가게로 좁혀 가는 맛집 발견 서비스

열기
개발 중
Hint 서비스 화면

Hint

대화의 결로 사람을 잇는 매칭 플랫폼

열기

Production · Research

실무 · 리서치

A1미디어그룹에서 맡고 있는 시스템과 추천 리서치입니다. 회사 프로젝트는 공개 가능한 범위만 적었고, 각 페이지에 문제 정의 · 판단 근거 · 검증 · 한계와 다음 단계를 함께 적었습니다.

운영 ML
A1미디어그룹 · 운영 중

일본 광고 법규 검수 시스템

레거시 분류기를 앙상블 + RAG + LLM 의사결정 엔진으로 — 놓치는 위반 문구를 1/5로

위반 탐지 Recall
0.475 → 0.900
macro-F1 (0.738 → 0.907)
+16.9%p
놓치는 위반 문구 비율
52.5% → 10%
자세히 보기
플랫폼
2025.02 – 현재

SingleONE 광고 플랫폼 백엔드

Mynavi baito 제휴 광고 플랫폼 — 도달 예측, 배치 검증, 배치 인프라를 1.5년간 오너십으로

도달 예측 API 평균 응답 시간
−50%
병합 PR (276 / 1,661커밋, 약 17%)
83
도메인을 넓혀 온 오너십
1.5년
자세히 보기
플랫폼
2026.07 – 진행 중

인플루언서 마케팅 플랫폼

1인 기획 · 개발 · 배포 — 흩어진 인플루언서 캠페인 운영을 하나의 사내 플랫폼으로

기획 · 회의 · 개발 · 배포 전 과정
1인
OCR로 자동 대조하는 성과 지표
7개
자동 수집 플랫폼 (Instagram · YouTube)
2개
자세히 보기
플랫폼
2026.07 – 진행 중

YouTube 게재위치 타깃팅

사내 해커톤 준우승 · 팀 리드 — 상품 카테고리로 YouTube 채널·영상을 골라 광고 지면을 추천

사내 해커톤 (6팀 중, 개발·싱글원본부 전원 참석)
준우승
수집한 뷰티 영상 Pool
15만
수집 키워드로 쓴 최하위 상품 카테고리
약 3,000개
자세히 보기
뷰티
2023.03 – 2023.12

Balance MakeUp · AI Snap

얼굴이라는 취향 신호로 만든 개인화 뷰티 서비스 — 대표의 한 줄 요청에서 출시까지

얼굴형 분류 · 비율 측정 항목
7 · 11
AI Snap 기획 → 출시
80일
얼굴 랜드마크 기반 분석
468
자세히 보기
음식여행
2024.10 – 진행 중

쩝쩝LAB 리서치

리뷰 문장을 '의미 단위'로 묶어 만든 음식점 추천 — 유저→식당 · 유사 식당 · 유사 유저

정제한 리뷰 mention
2,110만
군집 노이즈 (UMAP 도입 후)
96% → 48%
semantic_id 기반 추천 구현
3종
자세히 보기

Data first

서비스 품질의 차이는 모델 앞단의 데이터에서 납니다

LLM이든 에이전트든 추천 모델이든, 무엇을 입력으로 받느냐가 결과의 상한을 정합니다. 그래서 늘 정제되지 않은 데이터를 믿을 수 있는 형태로 바꾸는 파이프라인부터 설계합니다.

  1. 일본 광고 법규 검수 시스템실무

    원천일본어 광고 문구, 법령 · 가이드라인 · 위반/정상 사례

    정제held-out 1,222건으로 평가 기준을 먼저 고정하고, 코퍼스를 성격별로 분리 색인해 semantic + BM25 하이브리드 검색

    LLM위반 판정에 근거와 대체 문구를 붙이고, 라벨러 재검토 결과가 다시 학습 데이터로

  2. 인플루언서 마케팅 플랫폼실무

    원천크리에이터가 올린 형식 제각각의 인사이트 스크린샷

    정제영역 크롭 + OCR로 성과 지표 7개를 추출해 제출값과 자동 대조

    운영마케터가 스크린샷을 한 장씩 옮겨 적던 일을 불일치 건 확인으로

  3. YouTube 게재위치 타깃팅실무

    원천YouTube 영상 제목 · 설명 · 메타데이터

    정제최하위 상품 카테고리 약 3,000개로 영상 Pool 15만 수집, 카테고리 · 브랜드 매핑과 경쟁사 탐지

    추천상품에 맞는 채널 · 영상을 근거와 함께 광고 지면으로 추천

  4. trade-bridge개인

    원천시세 · 재무 · 거시지표 · SEC 공시 등 6종 외부 소스

    정제LLM이 바로 조회 · 조합할 수 있는 57개 tool 스키마로 정리

    에이전트거시 → 섹터 → 종목 Top-down 리서치를 에이전트가 직접 수행

  5. Locals Only개인

    원천가게마다 제각각 적힌 메뉴 187만 행

    정제규칙 + 로컬 LLM으로 대표메뉴 320개에 매핑 (51.6% → 73.6%), 큐레이션 어드민으로 사람이 교정

    추천위치마다 '이 동네에서 잘하는 음식' 타일 → 로컬 가게

  6. 쩝쩝LAB 리서치연구 모임

    원천리뷰 2,110만 mention

    정제문장 임베딩 → UMAP + HDBSCAN으로 의미 단위(semantic_id) 군집, 노이즈 96% → 48%

    추천유저→식당 · 유사 식당 · 유사 유저 추천 3종

  7. Hint개인

    원천카카오톡 대화 · 설문 응답

    정제결 타입 4축 · 생활 속성 · 선(boundary) 3개 층으로 분리

    매칭대화가 통할 사람부터 연결 (Phase 1 개발 중)

How I work

방향만 받아도, 끝까지 가져갑니다

대략적인 BM과 방향을 받으면 리서치 · PoC · 검증 · 피드백 · 테스트를 거쳐 운영까지 마무리해 왔습니다. 모든 단계에 실제 사례가 있습니다.

  1. 01

    방향을 문제로 바꾼다

    대표가 '관상 서비스'를 원했을 때, 먼저 가능 범위를 조사한 뒤 같은 기술(FaceMesh)로 더 빨리 가치를 낼 수 있는 '얼굴 비율 기반 메이크업 추천'을 대안으로 제안해 진행했습니다.

    귀신 피하려다가 호랑이 만나다 →
  2. 02

    리서치로 구조를 추정한다

    "하루빨리 AI 프로필 같은 걸" 이라는 요청에 경쟁 서비스(SNOW·Meitu·Carat)를 뜯어보고 '생성이 아니라 얼굴 교체'라는 구현 가설을 세워 80일 만에 AI Snap을 출시했습니다.

    80일 안에 AI 서비스 배포하기 →
  3. 03

    필요한 지식은 가진 사람에게 받아온다

    메이크업 전문가, 간호교육학 박사과정 연구자, 현업 주식 트레이더, CTO 기술고문, 라벨러까지 — 도메인 판단이 필요한 지점마다 직접 찾아가 요구사항을 받아 아키텍처 원칙으로 번역했습니다.

  4. 04

    단계를 나눠 PoC부터 쌓는다

    실측 분포(리뷰어 63%가 리뷰 1건)를 근거로 '학습 없는 근사검색 → 생성형 시퀀스 추천 → 랭킹 결합'의 Phase A/B/C를 나누고, 광고 검수는 ML 단독부터 LLM 위임까지 4개 운영 모드로 쪼개 위험을 통제했습니다.

  5. 05

    검증되지 않은 건 검증되지 않았다고 쓴다

    held-out 벤치마크, 실트래픽 Shadow 비교, 시점 컷오프로 리키지 차단. dry-run에서 체이닝 현상을 발견하면 전체 반영을 보류합니다. 모든 프로젝트 페이지에 '한계와 다음 단계'를 함께 적었습니다.

  6. 06

    사람의 판단이 다시 데이터로 돌아오게 만든다

    광고 검수의 '최종검토 에이전트 → 라벨러 재검토 → 재학습 → 재배포' 루프, Locals Only의 큐레이션 어드민처럼 모델이 틀린 곳을 사람이 고치고, 그 수정이 재발행에도 지켜지는 구조로 마무리합니다.

Experience

경력

A1미디어그룹 (ELINHA)

2022.10 – 현재

ML/AI Engineer

일본 대상 K-뷰티 플랫폼 Checco에서 컴퓨터비전 기반 개인화 서비스로 시작해, 모회사 광고대행사에서 광고 문구 법규 검수 ML 시스템과 광고 플랫폼 백엔드를 맡고 있습니다.

  • 일본 광고 약기법·경품표시법 위반 검수 시스템 개발 리드 — 앙상블 + RAG + LLM 의사결정 엔진, 지속 개선 루프
  • SingleONE 광고 플랫폼(Mynavi baito 제휴) 백엔드 오너 — 도달 예측, 배치 업로드 검증, 배치 인프라
  • 사내 해커톤 팀 리드(준우승) — SingleONE YouTube 게재위치 타깃팅: 상품 카테고리 기반 영상 Pool 수집, 카테고리·브랜드 매핑, A/B 테스트 설계
  • 인플루언서 마케팅 플랫폼 1인 기획·개발·배포 — 캠페인·모집·성과 제출 통합, 크롭 + OCR 성과 자동 대조, Instagram·YouTube 수집과 소싱 (2026.07–)
  • 인플루언서 캠페인 성과 플랫폼 — 퍼널·전환 지표 설계, Batch ETL, PM (2025.05–08)
  • 커머스 광고 성과 분석 인프라 — 시장 지표 수집 파이프라인과 성과 대시보드, ML용 피처 스키마 정의
  • AI Snap(80일 출시) · Balance MakeUp — 얼굴 분석 기반 개인화 뷰티 서비스 (2023)

쩝쩝LAB (모두의연구소 추천시스템 연구 모임)

2024.10 – 2026.04

모임장 · 기술 리드

12명이 함께 추천 논문 리뷰와 구현을 반복한 모임을 개설·운영. 데이터 파이프라인과 추천 아키텍처는 단독 설계.

수상 · 경진대회

  • 사내 해커톤 준우승 — YouTube 게재위치 타깃팅 (팀 리드)2026 · 6개 팀 중 · 5인 팀
  • 토스 NEXT ML CHALLENGE — 광고 클릭 예측(CTR) Private 5위2025 · 참가 2,897명 · 3인 팀
  • Gemma 파인튜닝톤 장려상2024
  • 수묵화 데이터셋 활용 공모전 장려상2023
  • 오픈소스 개발자대회 동상 (KT DS상)2022
  • 빅데이터 경진대회 '사회보장 유레카' 우수상2022

논문

  • No country for old workers? Exploring cross-cultural perceptions of the senior workforceEducational Gerontology · 2026.02 · 공저영화 리뷰 246,632문장을 권역별로 나눠 키워드 네트워크(Louvain) 분석 — 스크래핑, 방법론 설계, 분석, 시각화 담당

상세 포트폴리오 요청

회사 프로젝트는 사내 정책상 공개 가능한 범위만 적었습니다. 아키텍처 다이어그램, 실험 기록, 상세 수치가 담긴 포트폴리오는 메일 주시면 보내드립니다.

메일로 요청하기 →

Talks · Writing

발표와 글

발표

  • 모두콘 2025 · 2025.12 쩝쩝LAB MVP 공개
  • 모두콘 2024 · 2024.12 쩝쩝LAB: 취향과 상황을 반영한 개인화 맛집 추천 시스템 영상정리글
  • 우아콘 2024 (외부 연사) · 2024.1 지속적인 성장에는 흥미가 필요하다 — 퇴근 후 프로젝트 영상정리글

추천 · 랭킹 관련 글

전체 글 28개 보기 → 기술 밖의 생각은 브런치에 씁니다 ↗

같이 이야기해요

데이터 파이프라인, LLM · 에이전트, 취향 데이터 기반 추천에 관한 일이라면 언제든 연락 주세요.