1. 포스코 2025년 하반기 엔지니어(AI모델.hwp
2. 포스코 2025년 하반기 엔지니어(AI모델.pdf

AI 모델의 성능보다 현장 적용성을 우선해야 하는 상황에서 어떤 판단 기준을 사용하는가
AI 모델이 실제 공정에 적용되지 않는다면 당신의 성과는 '0'인데 이를 어떻게 책임질 것인가
저는 '현장에 부딪히는 AI 엔지니어'가 되고 싶습니다.
모델 개발뿐 아니라 현장에서 직접 공정을 보고 물리구조를 이해하며 데이터의 의미를 해석할 수 있습니다.
저는 현장을 직접 배우고, 설비 데이터의 물리적 의미를 이해하며, AI 모델을 공정 최적화에 완전히 녹여낼 수 있는 엔지니어로 성장하고 싶습니다.
단순히 모델 정확도를 높이는 개발자 관점이 아니라, 공정 흐름이해·도메인 기반 변수 설계·현장 적용성 검증을 우선하는 방식으로 개발해왔습니다.
AI 엔지니어의 성과는 "모델이 배포되어 현장에서 쓰이는 것"입니다.
저는 데이터로 공정을 이해하고, 기술로 생산성을 끌어올리는 AI 엔지니어입니다.

AI 모델의 성능보다 현장 적용성을 우선해야 하는 상황에서 어떤 판단 기준을 사용하는가
AI 모델이 실제 공정에 적용되지 않는다면 당신의 성과는 '0'인데 이를 어떻게 책임질 것인가
AI가 단순한 기술적 도구를 넘어 실제 제조업의 구조적 혁신을 이끌 수 있는 힘을 갖고 있다는 점에서 포스코의 AI 엔지니어 직무에 강하게 매력을 느꼈습니다.
단순히 "AI를 만들고 싶다"를 넘어, 만들었던 모델이 현장에서 실제로 쓰이고 그 효과가 수치로 나타나는 환경이 포스코에 분명 존재한다고 판단했습니다.
포스코는 에너지 집약산업으로 AI 기반 로드 예측, 사용량 최적화 모델은 경제적 가치가 명확합니다.
가장 어려웠던 프로젝트는 비정형 시 계열 센서 데이터를 활용해 설비 이상 예측을 수행했던 경험입니다.
예를 들어, 특정 공정에서는 온도 범위가 일정 수준 이상일 때만 품질 편차가 발생하는데, 전체 데이터를 한 번에 모델링하면 이 구간의 패턴이 희석됩니다.
이를 해결하기 위해 데이터 구간별로 모델을 분리·학습했고, 결과적으로 불량 탐지F1-score가 0.19에서 0.42까지 상승했습니다.
또한 오탐지 패턴이 지속될 경우 임계값 조정, 데이터 증강, 샘플 재도출을 수행해 모델 안정화를 시도합니다.
미 탐지는 주로 극단 사례에서 발생하므로 전처리 단계에서 특수 패턴을 강화해 재학습합니다.
이후 전체 변수의 분포, 상관계수, 다중공선성 여부를 확인하고, 품질편차가 발생하는 지점에서 어떤 변수 변화가 공통적으로 나타나는지를 탐색합니다.
저는 '현장에 부딪히는 AI 엔지니어'가 되고 싶습니다.
모델 개발뿐 아니라 현장에서 직접 공정을 보고 물리구조를 이해하며 데이터의 의미를 해석할 수 있습니다.
저는 현장을 직접 배우고, 설비 데이터의 물리적 의미를 이해하며, AI 모델을 공정 최적화에 완전히 녹여낼 수 있는 엔지니어로 성장하고 싶습니다.
단순히 모델 정확도를 높이는 개발자 관점이 아니라, 공정 흐름이해·도메인 기반 변수 설계·현장 적용성 검증을 우선하는 방식으로 개발해왔습니다.
실제 저는 과거 프로젝트에서 모델 성능보다 현장 적용성 기준을 더 높게 두었고, 이로 인해 실제 도입까지 성공한 경험이 있습니다.
AI 엔지니어의 성과는 "모델이 배포되어 현장에서 쓰이는 것"입니다.
저는 모델 적용 실패를 개발자의 책임으로 보고, 배포 전 단계에서 현장검증을 반복하며 적용성 확보를 우선합니다.
또한 현장엔지니어와 주기적으로 피드백 세션을 운영해 실제 사용 니즈를 모델에 반영합니다.
실제로 AI를 도입할수록 엔지니어의 역할은 기술·데이터·도메인 지식을 종합하는 방향으로 고도화됩니다.
제가 수행했던 설비 예측 프로젝트의 결과, 모델 적용 후 실제 설비 정지 시간을 약 11% 감소시킨 경험이 있습니다.

모델, ai, 데이터, 현장, 공정, 변수, 설비, 적용, 엔지니어, 실제, 이다, 성, 품질, 경험, 기술, 포스코, 기반, 성능, 분석, 예측