문장 스크랩

---

복사

---

공유

1. LG CNS에 지원한 동기와 입사 이후 꿈꾸는 것은 무엇인가요? 신기술을 실제 가치로 연결하는 과정에 큰 보람을 느끼며, 이러한 경험을 가장 폭넓게 쌓을 수 있는 곳이 LG CNS라고 생각해 지원했습니다. 사용자와 데이터 관점에서 문제를 정의하는 역량을 길렀고, 연구와 실무 프로젝트를 통해 GenAI 응용 역량을 쌓았습니다. LG CNS는 독보적인 기술,산업 전문성으로 국내 DX/AX 시장을 선도하는 회사이며, 기술 성과에만 머무르지 않고 기업과 사회가 직면한 문제를 실제로 해결하는 AI를 지향하고 있습니다. 이러한 환경에서 제가 길러온 역량을 활용해 고객의 문제를 해결하고 AI 기반 가치를 창출하는 데 기여하고 싶습니다.입사 후에는 금융·공공 분야 고객의 업무를 깊이 이해하고, 현장의 문제를 AI로 해결할 수 있는 솔루션을 설계하는 엔지니어로 성장하고 싶습니다. 고객의 요구사항을 기술로 구체화하고 서비스 구축까지 주도할 수 있는 AI와 도메인 전문성을 모두 갖춘 인재가 되고자 합니다. 2. 지원 분야와 관련된 구체적인 지식이나 경험을 기술해 주십시오. [사용자 중심 문제 정의 역량] 석사과정 중 AI를 실제 사용 환경에 적용하기 위한 문제 정의 및 검증 역량을 길렀습니다. Explainable AI 기반 의사결정 지원 시스템 연구에서는 사용자가 필요로 하는 설명 정보와 신뢰 형성 요인을 분석하고, 실험 설계 및 통계 분석을 통해 AI 설명 방식이 사용자 행동에 미치는 영향을 검증했습니다. 이를 통해 AI 시스템을 단순 성능이 아닌 사용자 맥락과 상호작용 관점에서 설계하는 역량을 갖추었습니다. [에이전틱 AI 설계 역량] 학위 과정과 컨설팅 인턴 경험을 통해 GenAI 기술 활용 역량을 쌓았습니다. '자연어기반 메모/일정 조회 서비스 PoC' 프로젝트에서는 Text2SQL 파이프라인을 구현하여 자연어 기반 데이터 조회 기능을 개발했으며, 특히 사용자 질의를 SQL로 변환하는 과정에서 프롬프트와 출력 검증 로직을 개선하여 테스트 실행 정확도를 약 20% 향상시켰습니다. '심리상담 데이터셋 구축 연구'에서 GPT-4 기반 자동 스코어링 모듈을 개발해 3일 이상 소요되던 평가 작업을 수 시간 내로 단축했습니다. ㅇㅇ사 인턴으로 ERP 업무 지원 AI 서비스 구축 프로젝트에 참여하여 자연어 질의와 ERP 데이터를 연결하는 매핑 로직을 설계하고, 제한된 API 환경에서 멀티스텝 에이전트 워크플로우를 설계하여 실제 운영 시스템 구축에 기여했습니다.현재는 부트캠프에서 Spring, FastAPI 기반의 AI 서비스 개발을 수행하며, AI 시스템 개발 역량을 지속적으로 확장하고 있습니다. [금융 IT 이해도] ㅇㅇ은행 개발부 인턴으로 근무하며 국외 계정계 시스템 구조와 운영 프로세스를 학습했습니다. 거래 처리, 정산, 원장 관리 등 금융 시스템의 데이터 흐름과 업무 연계 구조를 이해했으며, 이를 통해 금융 IT에 대한 도메인 이해도를 갖추었습니다. 3. 최근 3년 이내 수행한 개발 프로젝트 중, 본인이 핵심적으로 기여한 사례를 1개 선택하여 사용 언어 및 기술, 본인의 역할, 문제 해결 과정, 최종 성과를 중심으로 구체적으로 작성해 주세요. (개발 경험이 없는 경우, 지원 직무 관련 프로젝트 참여 경험에 대해 상세히 작성해 주세요.) [LLM 기반 ERP 업무지원 서비스 고도화 경험] ㅇㅇ사 인턴로 근무하며, 고객사 ERP 업무지원 서비스의 LLM 기반 고도화 프로젝트에 참여했습니다.기존 룰베이스 서비스는 버튼 기반 인터페이스로 동작하여 업무 처리 과정이 복잡하고 사용성이 낮으며, 이에 LLM을 기반으로 사용자가 의도를 직접 입력하면 업무가 수행될 수 있도록 서비스 구조를 재설계했습니다.우선 Python을 활용해 8,000건의 SAP 연동 로그를 분석해 업무 시나리오를 정의했습니다. 이 과정에서 실제 사용자는 필수 정보를 모두 입력하지 않거나 모호한 표현을 사용하는 경우가 많다는 점을 확인했습니다. 이에 정보 누락, 중복 내역, 날짜 모호성 등 다양한 예외 상황을 체계적으로 분류하고, 상황별 재질의 시나리오를 설계하여, 예외 입력에도 안정적으로 대응할 수 있는 '엔티티 추출'과 '내역 매칭' 두 단계의 멀티 에이전트 구조를 설계했습니다.이후 운영 환경 적용을 위해 품질 검증 체계를 구축했습니다. 120개의 테스트셋을 구축해 Python ThreadPoolExecutor기반 병렬 테스트 코드를 개발하여 테스트 수행 시간을 11분에서 15초로 단축했으며, 테스트 파이프라인을 호출, 파싱, 평가 단계로 분리해 반복 테스트 과정에서 발생하는 토큰 사용량을 효율적으로 관리할 수 있었습니다.또한 엔티티 추출 외 시나리오 분류 결과와 필수 정보 누락 여부, 재질의 필요성 등 에이전트의 중간 판단 과정을 기록하는 로그 체계를 설계하여 오류 발생 시 원인을 신속히 분석할 수 있는 품질 검증이 가능한 환경을 구축했습니다.그 결과 기존 버튼 기반 경비처리 프로세스를 자연어 기반 서비스로 전환했으며, 오픈 일주일 만에 기존 서비스 대비 두 배의 사용량을 기록했습니다. 레거시 시스템 환경에서도 안정적으로 동작하는 AI 에이전트를 구축했습니다.