경험 편찬 1차 정리
사실과 맥락
•
군 인트라넷에서는 보안상 상용 번역 서비스를 사용할 수 없고, 문맥에 따라 해석이 달라지는 1만여 개의 군사약어와 부대별로 흩어진 용어사전을 다뤄야 했음.
•
연구 배경의 Python 개발자가 많았으며, 폐쇄망·서로 다른 OS·런타임·서버 환경 때문에 개발과 배포의 재현성이 낮았음.
•
운영 중인 AI 서비스가 조용히 고장 나거나 실제 사용 방식이 관측되지 않아, 장애와 개선 요구를 뒤늦게 알게 되는 문제가 있었음.
판단과 행동
•
군 번역 실무자 수십 명에게 직접 연락해 번역 패턴과 불편을 조사하고, 응답 속도보다 정확도가 중요하다는 우선순위를 확인함.
•
실사용 관측, 번역가 선택 신호의 후속 번역 반영, 축적 데이터 기반 지속 파인튜닝으로 이어지는 3단계 데이터 플라이휠을 설계하고 앞의 두 단계를 구현함.
•
Langfuse 기반 관측과 사용자 선택 이벤트 기반 사전 필터링을 구축하고, Qdrant에 저장한 과거 번역문을 범용 문장 임베딩으로 검색해 LLM 문맥으로 제공하는 유사 번역문 RAG를 운영함. 정확한 임베딩 모델명·벡터 거리·top-k는 현재 기록만으로 확인되지 않음.
•
프로덕션 번역 파이프라인에서 LangChain RunnableSequence를 사용하고, LangChain·LLM 호출과 Langfuse 계측을 도메인 레이어에서 분리해 교체 가능한 구조로 리팩터링함. 이는 LangChain 실무 적용 근거이나 agent planning·tool-calling 구현과는 구분함.
•
Airwards 3.0 에이전트에서 rule·LangGraph로 허용 node와 분기를 미리 정해 행동 경로를 통제하고, LangGraph graph에 Marp MCP를 연결함. 이는 공군 agent framework·tool integration 실무 근거이나 전체 node·state·tool 구성과 프로덕션 범위는 추가 확인 필요.
•
Langfuse에 ‘하십시오체(-ㅂ니다) 대신 해라체 사용’, ‘목차는 번역하지 않고 보존’ 같은 군 번역 규칙을 평가 루브릭으로 정의함. 대표 문장 약 20~30개로 평가셋을 시작하고 프로덕션 요청 문장과 교정 사례를 계속 편입해, 모델·프롬프트 변경안을 실사용 데이터로 백테스팅하는 평가체계를 구축함.
•
비동기 클라이언트 생명주기, 스트리밍 실행, DB 연결 누수 문제를 해결하고 의존성 주입 및 Clean·Hexagonal Architecture로 핵심 번역 로직과 외부 구현을 분리함.
•
Docker와 사전 구성된 VS Code Server로 폐쇄망 개발환경을 표준화하고, GitLab CI·Argo CD 기반 Kubernetes 배포 사례를 구축·공유함.
•
Uptime Kuma, Prometheus, Grafana의 역할을 나눠 핵심 기능 중심 관제체계를 만들고, 개발자들에게 등록 기준과 사용법을 직접 안내함.
결과와 근거
•
RAG·전문가 피드백·평가를 통한 번역 품질 개선과 사용자 요구 반영에 힘입어 번역 요청량이 일일 수천 문장에서 최대 약 4만 문장, 입출력 합산 약 1.2억 토큰 규모까지 증가함.
•
여러 부대에 흩어진 군사용어 사전과 번역 노하우를 서비스 안으로 중앙화함.
•
수십 명의 Python 개발자에게 격리된 컨테이너 개발환경을 제공하고, 조직의 컨테이너·Kubernetes 개발 및 배포 관행 확산에 기여함.
•
관제 화면과 실패 중심 알림이 실제 운영 방식으로 정착함.
한계와 확인 필요
•
4만 문장과 1.2억 토큰은 최대 사용량 기준임. 2026-08-01 사용자 확인에 따라 품질 향상에 따른 사용 확대의 결과로 해석할 수 있으나, RAG·평가·프롬프트 등 개별 변경의 기여도는 분리 측정하지 않음.
•
Qdrant 사용과 별도 document reranker 미사용은 2026-08-01 사용자 확인 사실임. 정확한 임베딩 모델명·벡터 거리·top-k는 현재 기록만으로 확인되지 않음. 유사 문장 검색 결과를 LLM에 바로 제공하고 별도로 용어 후보를 LLM이 선택한 단계는 document reranking이 아니라 downstream term selection으로 구분함.
•
데이터 플라이휠의 지속 파인튜닝 단계는 로드맵이며, 관측과 피드백 반영 단계까지 구현한 것으로 구분함.
•
복무 기간은 원장에 2024.11-2026.08, 현재 이력서의 역할 기간은 2025.01-2026.08로 서로 다름. 입대 시점과 실제 역할 시작 시점을 구분해 표기할 필요 있음.
해석 및 이력서 표현 후보
•
제한이 많은 현장에서 사용자 조사부터 프로덕션 운영, 배포 표준화와 사용 정착까지 맡은 고객 밀착형 AI 플랫폼 개발 경험으로 해석 가능함.
•
기술 도입 자체보다 사용자의 정확도 요구, 운영자의 관리 부담, 개발자의 작업 방식을 함께 조정한 사례가 핵심임.
•
대표 문장 후보: "군 번역 실무자 수십 명의 업무를 관찰해 군사 번역 데이터 플라이휠을 설계하고, 폐쇄망 Python 백엔드를 관측·평가·배포 가능한 프로덕션 시스템으로 운영함."