적재 구조
run·scenario·step 단위로 결과를 추적할 수 있게 적재 구조를 설계하고, 원천 데이터와 정규화 기준을 분리했습니다.
수행 실적
그린수소 AI 학습·추론 환경 구축
시뮬레이션 결과를 적재 가능한 구조로 바꾸고, 학습데이터셋과 운영자 대시보드, 검증 산출물까지 한 흐름으로 연결한 완료 과제입니다.
학습데이터셋
AI 학습과 검증에 쓸 수 있도록 export 기준, 샘플링, 메타데이터를 함께 정리했습니다.
운영자 대시보드
최신 실행, 예상·실제 건수, 분포, drill-down, export 진행률을 운영자와 평가자가 직접 확인합니다.
재현성 확보
Docker, 실행 스크립트, smoke test, runbook으로 같은 결과를 다시 만들 수 있는 절차를 남겼습니다.
계약금액, 세부 데이터, 내부 URL은 공개하지 않습니다. 상세 실적증명서는 제안 시 제출합니다.
기술 역량
네 개의 기술 축
계약으로 수행한 실적과 보유하고 있는 설계 역량을 항목별로 구분해 표기합니다.
분산에너지 · 전력계통
태양광·풍력·ESS·수전해가 결합된 마이크로그리드가 계약 과제의 대상 시스템이었고, 전력시장 입찰 최적화는 설계 경험으로 보유하고 있습니다.
- 수행 실적마이크로그리드(태양광·풍력·ESS·수전해) · SMP 데이터
- 수행 실적MATLAB/Simulink - AI API 연계 검증
- 보유 역량VPP 운영 최적화 (MILP, DAM/RTM 입찰)
데이터 수집 · 검증
원천 데이터 수집부터 스케줄 배포, 소비 서비스 연동까지 상시 운영 중인 파이프라인을 직접 만들고 돌리고 있습니다.
- 수행 실적수집 - 교차검증 - 스케줄 배포
- 보유 역량권위 출처 우선 교차검증 설계
온디바이스 · 로컬 AI
단말에서 직접 추론하는 런타임과 로컬 우선 지식 접근 구조를 실제 서비스에 넣어 운영하고 있습니다.
- 수행 실적llama.rn 기반 단말 추론
- 수행 실적로컬 우선 지식 접근
시뮬레이션 - AI 연계
시뮬레이션 모델과 AI API를 1분 단위로 주고받는 loop 연계 검증 구조를 구성했습니다.
- 수행 실적Simulink - AI API loop 연계 검증
데이터 보호
데이터를 외부로 내보내지 않는 AI 적용
공공기관 AI 도입에서 가장 먼저 걸리는 제약은 모델 성능이 아니라 데이터 외부 반출입니다. 수집·검증부터 단말 추론까지 실제로 구현해 운영하고 있습니다.
데이터 수집 · 검증
원천 데이터 수집, 교차검증, 스케줄 배포를 상시 런타임으로 운영하고 실제 서비스가 그 결과를 소비합니다.
로컬 우선 지식 접근
로컬 복제본과 오프라인 검색으로 동작하며, 사용자가 명시적으로 실행할 때만 서버와 통신합니다. 자동 polling이나 상시 연결을 쓰지 않습니다.
온디바이스 추론
단말에 내려받은 모델로 추론합니다. Memo는 모델 관리와 AI 초안·요약까지 사용자 기능으로 제공하고, HostAuto는 런타임 도입 단계입니다.
시뮬레이션-AI 연계 실증
같은 구조를 공공 연구 과제의 시뮬레이션-AI 연계 검증에 적용해 완료했습니다.
외부 클라우드 LLM에 원본 데이터를 보내지 않고도 AI를 적용한 실제 구현 경험입니다. 조달 기술평가의 보안관리 항목과 직접 연결됩니다.
수행 방식
작게 정의하고 검증 산출물로 끝냅니다
범위와 검수 기준을 먼저 고정하고, 단계마다 확인 가능한 결과물을 남겨 PoC가 보고서로 끝나지 않게 합니다.
- 01
범위 확정
과업 목표를 작게 자르고 검수 기준을 먼저 정합니다.
- 02
데이터 준비
원천 데이터, 정규화 기준, export 가능성을 먼저 확인합니다.
- 03
프로토타입
API, 추론, 대시보드를 작은 loop로 연결해 동작을 확인합니다.
- 04
대시보드 검토
운영자와 평가자가 직접 확인할 화면과 지표를 만듭니다.
- 05
검증 패키지
테스트 결과, runbook, 공개 가능한 수행 요약을 남깁니다.
개발·운영 체계
품질 기준을 문서로 고정하고 자동으로 검증합니다
테스트와 화면 품질 판정 기준을 내부 표준 문서로 두고, 실행 이력을 남기는 방식으로 운영합니다. 각 항목의 근거 문서는 제안 시 제출합니다.
- AI 기반 테스트 체계
테스트 작성과 검증 절차를 내부 표준 문서로 고정해 과제마다 같은 기준을 적용합니다.
AI TDD 시스템 표준
- 화면 품질 정량 채점
화면 품질을 인상이 아니라 항목별 점수로 판정합니다.
UI 품질 루브릭, 스크린샷 디자인 평가 기준
- 자동 시각 검증 이력
화면 검증을 자동 실행하고 결과를 실행 단위로 보관합니다.
자동 시각검증 실행 이력 658건
- 직접 운영으로 검증
같은 기준을 4개 서비스와 12개 공개 표면(웹·앱·미니앱) 운영에 그대로 적용하고 있습니다.
산출물 원문은 공개하지 않고 이름과 요약만 표기합니다. 검토가 필요하면 제안 시 제출합니다.
운영 서비스
직접 운영 중인 서비스
웹·앱·미니앱을 같은 운영 기준 위에서 직접 배포하고 운영합니다. 납품 후 운영까지 이어본 경험의 근거입니다.
운영 디렉터리4
자주 묻는 질문
발주 검토 시 자주 확인하는 항목
제안 검토와 사전 규격 협의에서 반복해서 나오는 질문을 정리했습니다.
01어떤 범위의 과업을 수행하나요?+
산업·연구·공공 데이터를 AI 학습과 추론에 쓸 수 있는 구조로 정리하고, 적재 API와 데이터베이스, 학습데이터셋, 운영자 대시보드, 검증 산출물까지 한 흐름으로 구축합니다. 모델 자체를 새로 만드는 과제보다, 데이터가 AI에 쓰일 수 있는 구조와 검증 가능한 운영 흐름을 만드는 데 집중합니다.
02수행 실적을 어떻게 확인할 수 있나요?+
한국에너지기술연구원(정부출연연구기관) 발주 과제를 2026년 2월부터 8월까지 수행해 완료했습니다. 계약금액과 세부 데이터는 공개하지 않으며, 상세 실적증명서는 제안 시 제출합니다.
03데이터를 외부로 반출하지 않고도 AI를 적용할 수 있나요?+
가능합니다. 단말에서 직접 추론하는 온디바이스 런타임과, 로컬 복제본 기반의 오프라인 지식 검색을 실제 서비스에 적용해 운영하고 있습니다. 원본 데이터를 외부 클라우드 LLM에 보내지 않는 구성으로 설계할 수 있습니다.
04PoC가 끝난 뒤 운영으로 넘어갈 수 있나요?+
그 전제로 산출물을 구성합니다. Docker, 실행 스크립트, smoke test, runbook을 함께 남겨 같은 결과를 다시 만들 수 있게 하고, 운영자와 평가자가 확인할 화면과 지표를 포함합니다.
05수행 체계는 어떻게 되나요?+
범위와 검수 기준을 먼저 고정하고 단계마다 확인 가능한 결과물을 남기는 방식으로 진행합니다. 과업 성격에 따라 협력 전문가와 함께 수행하며, 구체적인 투입 계획은 공고 요건에 맞춰 제안 시 제시합니다.
문의
공고 검토와 자료 요청
회사소개서, 수행사례 요약, 공고·RFP 검토는 아래 주소로 요청할 수 있습니다.