지거국 / 화학공학 / 학점 3.24/4.5 / 오픽: IH / 한국수자원공사 일경험 / 수상경력 3회
보고있는 합격자소서 참고해서 내 자소서 작성하기
새창
목록
마음에 드는 문장을 스크랩 할 수 있어요!
지금 바로 PC에서 이용해보세요.
최고 품질의 상품들을 지금보다 더 많은 소비자들이 여러 유통 채널에서 더욱 폭 넓고 쉽게...
1. 낯선 환경에서 자발적으로 최고 수준의 성과를 만들어냈던 경험을 구체적으로 서술하고, 그 과정에서 어떤 목표와 전략을 세우고 실행했는지 서술해주세요. (700자 이내)
데이터 기반의 문제 해결 역량을 키우고 싶다는 열망으로 참여했던 AI 캡스톤 대회는 제게 도전적이고 값진 성장의 경험이었습니다. 당시 저와 팀원들은 코딩 경험이 거의 전무한 상태였습니다. ‘특정 야구단의 포스트시즌 진출 예측’이라는 주제로 진행하면서 처음에는 낯설고 어렵게 느껴졌습니다. 프로젝트 완성이라는 목표 달성 가능성은 솔직히 불투명해 보였습니다. 많은 양의 야구 데이터를 수집하고 이를 모델이 이해할 수 있도록 전처리하는 과정부터 예상치 못한 에러들 때문에 팀 전체의 사기를 저하하기도 했습니다.
저는 이러한 상황에서 가장 먼저 흔들리는 팀 분위기를 다잡는 것이 우선이라고 판단했습니다. 매일 아침 짧은 미팅을 제안해서 각자의 진행 상황과 어려움을 공유하고 함께 해결책을 모색하는 시간을 가졌습니다. 특히, 다양한 분석 모델을 두고 의견이 분분했을 때 랜덤 포레스트와 로지스틱 회귀 모델을 중심으로 각 모델의 이론적 배경, 장단점을 비교 분석하여 팀의 의사결정을 도왔습니다. 기술적인 지식이 부족한 부분은 관련 논문과 온라인 강의를 찾아 학습하며 끊임없이 노력했습니다.
이러한 끈기와 노력 덕분에 저희 팀은 대회에서 장려상이라는 예상치 못한 성과를 얻을 수 있었습니다. 수상 결과도 기뻤지만, 무엇보다 명확한 목표 공유와 주기적인 소통, 그리고 건설적인 피드백이 협업의 효율성을 얼마나 극대화하는지 깊이 깨달았습니다.
2. 당신이 주도적으로 진행한 일이 타인의 피드백이나 반대로 인해 방향이 바뀌거나 실패했던 경험을 구체적으로 서술하고, 그 과정에서 느낀 점과 배운 점을 설명해 주세요. (700자 이내)
화학공학 전공 프로젝트로 진행했던 ‘1,3-Butadiene 추출 공정 설계＇는 팀원들의 건설적인 피드백을 통해 더욱 발전적인 방향으로 나아갈 수 있었던 경험입니다. 저희 팀은 1,3-Butadiene의 순도와 DMF 용매 회수율이라는 문제에 직면했습니다. 처음에는 기존 공정의 변수들을 일부 수정하는 방식으로 문제를 해결하려고 시도했습니다. 그런데 팀원 중 한 명이 ＂단순히 운전 조건만 변경하는 것보다 용매와 각 성분 간의 용해도를 좀 더 근본적으로 분석해보는 것이 어떨까?＂라는 의견을 제시했습니다.
시간이 부족했지만, 문제 해결을 위해서는 팀원의 의견이 타당하다고 판단하여 함께 DMF 용매에 대한 각 성분의 용해도 데이터를 분석하기 시작했습니다. 이 과정에서 용해도가 유사하여 분리가 어려웠던 특정 불순물들이 초기 단계에서 효과적으로 제거되지 않는 것이 문제의 핵심임을 발견했습니다. 이 발견을 바탕으로 저는 기존 공정에 새로운 분리 단계를 추가하여 특정 불순물들을 선별적으로 제거하는 아이디어를 제시해서 공정을 재설계했습니다. 이를 통해 용매 사용량을 0.00025kg으로 낮추고, 1,3-Butadiene 순도는 98.2%까지 높이는 성공을 거두었습니다. 이 경험을 통해 동료의 다양한 관점과 피드백을 적극 수용하고 함께 고민하는 과정이 협업의 질을 높이고 새로운 아이디어를 발굴하는 데 얼마나 중요한지 몸소 체험했습니다.
3. AI 도구를 활용하여 실제로 업무나 과제, 프로젝트의 효율을 높였던 경험이 있다면 구체적으로 서술해 주세요.
한국화학공학회에서 주관한 아이디어 경진대회에서 ‘AI 기반 닭 신선도 판별 인디케이터’ 개발 프로젝트를 수행하며 AI 기술의 실질적인 활용 가치를 경험했습니다. 기존의 화학적 인디케이터는 닭고기의 부패 과정에서 발생하는 가스와 반응하여 색상이 변하는 방식이었지만 색상 변화를 육안으로 판단하다 보니 미세한 변화를 감지하기 어렵다는 한계가 있었습니다. 저는 이러한 문제점을 해결하기 위해 CNN 모델을 활용하기로 했습니다.
프로젝트 초기, 저를 포함한 팀원 대부분이 모델링 경험이 부족했습니다. 하지만 ‘정확하고 객관적인 신선도 판별’이라는 명확한 목표 의식으로 도전을 시작했습니다. 저는 Python을 통해 TensorFlow를 활용하여 CNN 모델을 설계하고 구현하는 역할을 주도적으로 맡았습니다. 먼저, 닭고기가 시간에 따라 변질되는 인디케이터를 촬영하여 다양한 상태의 이미지 데이터를 수집하고, 각 이미지를 날짜를 기준으로 7개의 클래스로 라벨링 했습니다. 이후, 수집된 이미지 데이터를 모델 학습에 적합하도록 전처리하고 데이터 증강 기법을 적용하여 학습 데이터의 양과 다양성을 확보했습니다. 개발된 CNN 모델에 실제 이미지를 분류한 결과로 육안으로 판단하는 것보다 일관되게 신선도를 판별할 수 있음을 확인했습니다. AI를 실제 문제 해결에 적용하고 데이터 기반의 객관적인 판단 시스템을 구축하면서 큰 성취감을 느꼈습니다.