산업 현장에서 작동하는 AI 에이전트 구현하기
산업 현장에 맞는 Vertical AI 에이전트 구현 방식과 설계 원칙을 소개했습니다. Agent Flow와 Autonomous Agent를 조합해 예측 가능한 문제와 예외 상황을 함께 다뤘습니다.


산업 현장에 맞는 Vertical AI 에이전트 구현 방식과 설계 원칙을 소개했습니다. Agent Flow와 Autonomous Agent를 조합해 예측 가능한 문제와 예외 상황을 함께 다뤘습니다.

MLOps Community Seoul 오프라인 밋업을 준비한 organizer의 회고를 담았습니다. LLM 시대에 커뮤니티와 MLOps가 왜 중요한지, 행사 운영의 기쁨과 어려움을 함께 풀어냈습니다.

Runway의 실험 관리 기능과 재현 기능을 중심으로, MLflow 연동과 데이터셋·코드·환경 버전 관리를 정리했습니다. 산업 현장에서 빠른 원인 파악과 재배포를 위해 실험 재현이 왜 중요한지도 설명했습니다.

AI 프로젝트에서 성능 비교와 재현성을 높이기 위한 실험 관리 체계를 소개했습니다. 데이터·코드 버전과 MLflow 기록을 분리해 협업과 추적성을 강화했습니다.

ASIC 플로어플랜 배치 최적화를 강화학습으로 풀어낸 사례를 설명합니다. 넷리스트 연결성과 배치 정보를 함께 다루기 위해 GNN과 CNN을 결합했습니다.

ASIC 물리설계의 floorplan 자동화 문제와 그 어려움을 소개했습니다. 기존 메타휴리스틱 한계를 짚고, 강화학습 기반 접근의 필요성을 설명했습니다.
ASIC floorplan 자동화에 강화학습을 적용해 엔지니어 대비 수행 시간을 크게 줄이고 성능을 개선한 사례를 소개했습니다. standard cell 처리, 분산 학습, 후처리까지 더해 현실적인 배치 자동화 가능성을 확인했습니다.

ASIC floorplan 자동화를 강화학습으로 구현한 장기 프로젝트 결과를 소개했습니다. 엔지니어 대비 수행 시간을 줄이고 PPA 성능도 개선한 사례를 공유했습니다.

SMT 공정의 chip mount planning을 강화학습으로 최적화한 초기 결과를 소개했습니다. 33개 sample 실험과 IPC sample 분석을 통해 적용 가능성과 개선 과제를 확인했습니다.

Dynamics Model을 제어와 시뮬레이션 문제에 활용하는 사례를 소개했습니다. 실제 데이터와 물리 모델을 결합해 sim-to-real gap을 줄이는 가능성을 설명했습니다.

ASIC Floorplan 자동화의 난점과 PPA 기반 평가 기준을 설명했습니다. 강화학습 Placer가 저복잡도 문제에서 전문가·ICC2와 유사한 성능을 보였습니다.
강화학습으로 ASIC Floorplan의 수작업 배치 문제를 자동화하는 환경과 모델을 설계했습니다. GNN·CNN과 HPWL·혼잡도 보상으로 배치 품질을 근사했습니다.

강화학습으로 ASIC Floorplan의 Macro와 Standard Cell Cluster 배치를 최적화했습니다. GNN·CNN과 HPWL·Congestion 보상으로 EDA 기준에 근접한 결과를 확인했습니다.

ASIC Floorplan의 수작업 배치 문제를 강화학습 기반 Placer로 자동화하는 접근을 소개했습니다. 저복잡도 Netlist에서 전문가와 ICC2 자동 배치에 가까운 성능을 확인했습니다.

Katib Experiment의 잘못된 요청이 멈춘 상태로 보이는 문제를 분석했습니다. CLI 안전장치와 조기 검증 로직을 오픈소스에 기여했습니다.

Katib Experiment의 잘못된 입력이 멈춘 상태로 보이는 문제를 분석했습니다. CLI 보완과 검증 로직·테스트 PR로 안전한 HPO 사용성을 개선했습니다.
RLlib의 사용자 지정 포트 분산 학습 오류 원인을 ML-Agents의 포트 연결 방식에서 분석했습니다. worker_id 증가와 유닛 테스트를 추가해 PR로 수정 사항을 반영했습니다.

RLlib Unity3D Wrapper의 사용자 지정 포트 중복 문제를 분석하고 worker_id 증가 방식으로 해결했습니다. 재발 방지 유닛 테스트와 CI·requirements 수정을 거쳐 PR을 머지했습니다.