경험 편찬 1차 정리
이 프로젝트의 기술적 출발점은 디어코퍼레이션에서 공유 킥보드 자율주행을 개발하며 구상한 데이터 플라이휠이었음. 당시 원격제어를 먼저 도입하면 킥보드의 실시간 영상과 사람의 조작 기록을 함께 모을 수 있고, 이를 지도 구축과 모방학습, 지속 재학습에 활용할 수 있다고 설계했음. 디어를 나온 뒤에는 현실의 머신러닝 서비스가 확장되려면 사용 과정에서 자연스럽게 레이블된 데이터를 얻고, 더 나은 데이터가 더 나은 모델과 제품으로 돌아오는 구조를 처음부터 만들 수 있어야 한다는 원칙으로 이 생각을 정리했음.
수전 프로젝트는 디어에서 설계로 남았던 데이터 플라이휠을 더 작고 완결된 현실의 시스템에서 직접 구현해보려는 시도였음. 실제 킥오프는 팀원이 프로젝트 아이디어를 필요로 하면서 이루어졌음. 아이디어 저장소에 적어둔 여러 문제 중, 설거지 중 물이 필요하지 않은 순간에도 수도가 흐르지만 매번 손으로 잠그고 다시 여는 일은 번거롭다는 일상의 문제를 꺼냈음. 카메라와 Raspberry Pi가 설거지 상황을 판단해 솔레노이드 밸브를 제어하고, 사용자가 직접 수도꼭지를 조작한 순간을 모델의 오판에 대한 피드백으로 되돌린다면, 수전은 사용될수록 해당 사용자의 습관에 맞게 개선될 수 있다고 보았음.
현실의 데이터는 처음부터 이 구상이 필요한 이유를 보여주었음. 같은 설거지 안에서도 장면 전환이 잦고 클래스 불균형이 심했으며, 7개 영상에서 약 1만 장을 라벨링했지만 핵심 클래스 중 하나는 13장에 불과했음. 고정된 초기 데이터만으로 모델을 완성하려 하기보다 사용 중 생기는 피드백을 계속 수집하고 다시 학습하는 편이 문제에 더 맞았음. 이를 위해 약 7분의 설거지 영상에서 수천 프레임을 빠르게 분류하는 라벨링 도구를 만들고, Raspberry Pi의 카메라 입력과 모델 추론, 밸브 제어, 사용자 피드백 업로드, 최신 모델 다운로드를 하나의 엣지 런타임으로 연결했음. 데이터 레이크에서 피드백 기반 라벨링, feature store, 데이터·모델 검증, 학습과 평가, W&B artifact, 엣지 배포로 이어지는 MLOps 파이프라인도 설계했음.
기술 못지않게 어려웠던 것은 팀을 같은 방향으로 움직이게 하는 일이었음. 당시 연인이 팀에 포함되어 있었고 팀원들과 함께 여행할 만큼 서로 가까웠지만, 관계의 가까움과 프로젝트의 얼라인은 같은 것이 아니었음. 연인과 동료, 리더의 역할이 겹치면서 얼라인을 맞추는 일은 더 복잡하게 느껴졌음. 프로젝트의 시장성을 크게 보지는 않았지만, 함께 일해보고 싶었던 사람들이 서로를 믿을 수 있는 협업자로 확인하고 프로젝트를 끝까지 완주하는 일에는 의미가 있다고 판단했음. 그래서 각자가 프로젝트에서 얻고 싶은 것과 기여할 수 있는 것, 실제로 투입할 수 있는 시간을 솔직하게 드러내는 데 많은 시간을 사용했고, 환경부장관상 수준의 결과와 특허를 모두가 이해할 수 있는 공동 목표이자 팀을 묶는 접착제로 삼았음.
이 경험을 포함해 2023년 7월부터 2024년 5월까지 여러 프로젝트의 팀 상태를 돌아본 결과, 팀원이 산만해지거나 몰입하지 않는 현상을 단순히 개인의 태도 탓으로 돌려서는 문제를 풀 수 없다고 정리하게 되었음. 대신 리더가 구성원에게 줄 수 있는 가치 × 프로젝트가 팀원 개인의 이익과 얼라인된 정도 × 팀원의 GRIT으로 나누어 어느 요소가 약한지 진단해야 한다고 보았음. 돌이켜보면 수전 프로젝트에서 많은 시간을 들여 서로의 목표와 효익, 투입 자원, 액션 아이템을 맞춘 일은 앞의 두 요소를 높이려는 행동이었음. 가까운 사이라는 이유로 몰입을 기대하거나 압박하는 대신, 리더로서 줄 수 있는 가치를 만들고 프로젝트가 각자의 이익과 연결되는 이유를 계속 설명해야 했음. GRIT은 당장 강요해 만들기 어려우므로 그 사람이 과거에 보여준 완주 경험을 참고해야 한다는 교훈도 남았음.
프로젝트의 존재 이유는 팀뿐 아니라 스스로에게도 계속 설명해야 했음. 새로운 기술을 배울 때마다 “지금 기술을 공부하고 있는가, 프로젝트의 목표를 달성하기 위해 움직이고 있는가”를 물었고, 흥미로운 기술 탐구가 목적을 삼키지 않도록 완주에 필요한 기술만 선택하려고 했음. 전체 시스템이 완성되기 전에 정교한 평가 지표를 만드는 일이 오히려 병목이 된다고 판단했을 때도, 이상적인 설계보다 카메라 인식과 밸브 제어, 피드백 수집이 실제로 연결되는 end-to-end PoC를 먼저 완성하도록 순서를 바꿨음.
그 결과 카메라 기반 상황 인식과 실제 밸브 제어가 결합된 프로토타입을 완성했고, 2023년 전국 대학생 물환경 정책·기술 공모전에서 환경부장관상을 수상했음. 이후 자동 라벨링과 모델 지속 재학습 방법을 「인공지능을 이용하는 수전 제어 방법 및 수전 장치」로 정리해 제1발명자로 특허 등록함(10-2024-0076442). 디어에서 해결하지 못한 채 설계로 남았던 데이터 플라이휠을 일상의 작은 문제에 옮겨 실제 장치와 학습 시스템으로 만들고, 관계와 이해관계가 복잡한 팀의 얼라인을 관리하며 PoC와 수상, 특허까지 완주한 경험으로 남았음.
이력서 편찬 관점
이력서에서는 단순한 AI 절수 아이디어보다, 디어에서 얻은 데이터 플라이휠의 문제의식을 실제 사용자 행동과 물리 장치가 연결된 작은 제품에서 end-to-end로 구현한 경험으로 편찬하는 편이 적합함. 불완전한 엣지 AI가 사용자의 자연스러운 조작을 피드백으로 받아 개선되는 구조를 설계하고, 이를 동작하는 PoC와 특허까지 연결했다는 것이 기술적 중심임.
리더십 관점에서는 연인과 협업했거나 팀원들과 여행했다는 사적 사실 자체를 이력서에 쓰기보다, 가까운 관계가 얼라인을 보장하지 않는 상황에서 각자의 효익과 투입 가능 자원을 명료하게 만들고, 기술 탐구의 범위를 조정하며 팀을 결과물까지 이끌었다는 의미를 사용함. 이 경험에서 발전한 “리더가 주는 가치 × 프로젝트와 개인 이익의 얼라인 × GRIT”은 사람을 탓하기 전에 팀이 움직이지 않는 원인을 구조적으로 진단하려는 리더십의 근거로 연결할 수 있음.
경험 원천
프로젝트의 출발과 구체화 과정은 AI 수전 원안, 프로젝트 시작 계기와 목적 회고, 전국 대학생 물환경 정책·기술 공모전 프로젝트, 데이터와 질의응답 기록, MLOps Orchestra README, Raspberry Pi 런타임 README, 프로젝트 진행 순서와 병목 재검토에서 확인할 수 있음.
팀 얼라인에 대한 당시 기록과 이후의 일반화는 팀 목표·마인드셋·액션 아이템 얼라인, 팀원별 투입 가능 자원과 기대 공유, 창업팀은 서로의 동기와 비전에 솔직해야 함, 프로젝트 진행 중 팀의 얼라인을 분석하는 사고의 뼈대, 리더가 주는 가치 × 프로젝트와 개인 이익의 얼라인 × GRIT에서 확인할 수 있음.