계속 만들어가고 싶은 프로젝트들을 모았습니다.

직접 만들고 운영하는 프로젝트와 교육 자료, 그리고 외부 오픈소스에 기여한 작업을 모았습니다. 각 프로젝트에서 맡은 역할과 코드, 기록을 함께 살펴볼 수 있습니다.

직접 만든 프로젝트와 자료

창업자 / AI 인프라 / 44M+ 단어 처리

문서 저장소를 감시하고, 취약한 CI 경로 밖에서 번역 워크로드를 처리한 뒤, 리뷰 가능한 pull request를 여는 GitHub-native localization workflow 서비스입니다.

Microsoft OSS 메인테이너 / 55개 언어

Markdown, notebook, 이미지 텍스트를 번역하면서 구조, 링크, frontmatter, 메인테이너 리뷰 흐름을 보존하는 오픈소스 CLI 및 Python API입니다.

기술 교육자 / 120K+ 조회수

Azure AI Search, Azure OpenAI, RAG, fine-tuning, safety, production LLM workflow에 대한 실용적인 글과 세션을 만들었습니다.

OpenAI 모델의 가용성과 동작을 실무적으로 검증하기 위한 가벼운 health check 도구입니다.

더 깊은 워크플로를 실행하기 전에 Azure OpenAI와 Azure AI Vision 연결 상태를 확인하는 health check 도구입니다.

기여자 / 개발자 교육 / 40개 PR 완료

Phi fine-tuning, Prompt Flow, Azure AI Studio, Azure AI Foundry, Responsible AI evaluation에 대한 튜토리얼과 워크플로 개선에 기여했습니다.

대규모 생성형 AI 입문 커리큘럼의 localization 및 교육 워크플로 개선에 기여했습니다.

Apache 오픈소스 워크플로 안에서 테스트, 문서 정확성, 빌드 품질, 프로젝트 정돈 작업에 기여했습니다.

프로덕션 저장소에서 실행된 AI localization 워크로드 규모입니다.

Microsoft OSS 전반에서 GitHub-native localization pull request를 자동 생성했습니다.

전 세계 학습자를 위해 기술 학습 콘텐츠를 여러 언어로 동기화했습니다.

Azure AI와 LLM 엔지니어링 글이 개발자들에게 읽힌 누적 규모입니다.

저는 queue, retry, timeout, review loop, formatting drift, observability처럼 AI 작업이 계속 작동할지를 결정하는 작은 운영 디테일을 중요하게 봅니다.

좋은 AI 시스템은 결과물을 더 쉽게 검토하고, 다시 시도하고, 신뢰할 수 있게 만듭니다. 책임지는 사람에게 불확실성을 숨기지 않습니다.

글, 발표, 오픈소스 작업은 시스템의 일부입니다. 좋은 인프라는 tradeoff가 보일 때 더 유용해집니다.