미들웨어부터
ML 운영까지.

카메라 탐색이 실패하는 환경에서 NIC 상태, UDP 멀티캐스트 지원, 고정 IP와 카메라 서브넷을 확인했습니다. 기존 오픈소스 ONVIF 라이브러리를 사내 use-go/onvif로 이관하고, 배포 장비의 네트워크 조건을 바탕으로 탐색 인터페이스를 선택하도록 구성했습니다.

기여 장비마다 달라지는 네트워크 설정을 서비스 내부의 탐색 규칙으로 다뤄 Go 미들웨어가 실행 환경을 확인하고 적절한 인터페이스를 고르게 했습니다.

백엔드 인턴 과제를 마친 뒤 자연어 인물 검색 개선에 관심을 넓혀 CLIP 과제를 자청했습니다. 모델과 입력 방식, 합성 데이터의 활용을 조사하고 실험하며 ML 모델 자체를 이해하는 기반을 쌓았습니다. MLOps에는 학습 조건과 모델 특성을 읽는 역량도 필요하다고 판단해 연구를 이어갔습니다.

현재 연구실에서는 RTX A6000과 RTX 5070 Ti가 장착된 두 머신을 k3s로 묶었습니다. Kubernetes Lease로 GPU 중복 할당을 막고, Argo Workflows로 작업을 실행하며, 코드 스냅샷과 체크포인트는 MinIO에 보관하고 W&B로 실험을 기록합니다.

연결 모델 선택과 학습 조건을 연구한 경험을, 제출한 코드와 실험 결과를 다시 확인할 수 있는 MLOps 흐름으로 이어가고 있습니다.