한국어English

<김기환 / >

Summary

반갑습니다, 김기환입니다. 현재 유니콘 스타트업 RIDI에서 프론트엔드 엔지니어로 근무하고 있으며, 산업 및 학계에서 7년 이상의 경력을 보유하고 있습니다. 지난 3년 동안은 프론트엔드 개발에 전념해왔습니다. 그 이전 4년 동안은 머신러닝 모델을 설명하기 위한 시각적 분석 도구와 AI 기반 사용자 인터페이스라는 두 가지 주제를 연구했습니다.

juljin1875@gmail.comLinkedInGitHub

Experience

리디주식회사
프론트엔드 개발자
2022.05-현재
리디 웹사이트
2022.05-현재
웹툰, 웹소설, 만화, 전자책 등을 서비스하는 콘텐츠 플랫폼의 프론트엔드를 개발합니다.
  • 서버 중심 UI 시스템 'RiGrid' 공동 설계 및 개발 — 실험 그룹 분기, 콘텐츠 동적 변경, 유연한 레이아웃 구성을 지원
  • 앱 업데이트 없이 UI 수정이 가능하도록 구조 개선하여, 콘텐츠 운영팀의 실험 속도 50% 이상 향상
  • GraphQL 기반 BFF, 비동기 렌더링 컴포넌트 설계 등으로 플랫폼 일관성 확보
  • 비즈니스의 다양한 요구사항에 대응하는 신규 기능 구현
  • 기존 시스템의 유지 보수: 리팩토링, 테스트 코드 작성
Next.js
TypeScript
React
Emotion
Jest
PHP
Twig
티맥스엔터프라이즈
연구원
2020.02–2022.04

現 티맥스비즈에이아이

舊 티맥스데이터

레거시 시스템 리액트 포팅
2021.01–2022.04
jQuery 기반 사내 프론트엔드 라이브러리 — TOP(Tmax One Platform)로 구현된 제품들을 리액트로 전환하였습니다.
  • 모듈화가 미흡한 기존 코드를 용도에 맞게 분할하고 인터페이스를 개선
  • 각종 컴포넌트 신규 개발
TypeScript
React
Sass
Material-UI
jQuery
AutoML 플랫폼
2020.02–2022.04
소모적이고 반복적인 기계학습 모델 개발 작업을 자동화하는 플랫폼을 개발 했습니다.
  • 비전문가를 위한 Codeless 환경의 개발 스튜디오 구현
  • 설명 가능한 AI — XAI(eXplainable Artificial Intelligence) 기술 연구 및 개발
  • AutoML 엔진이 모델 개발자와 효과적으로 interaction 을 할 수 있는 인터페이스를 연구
  • 기계학습 모델의 개발, 관리 및 운영을 위한 대시보드 개발
TypeScript
React
Sass
Material-UI
Python

Education

울산과학기술원 (UNIST)
컴퓨터공학 석사
2018.03–2020.02
기술경영학 학사 (컴퓨터공학 융합전공)
2013.03–2018.02
AI 중심 UI/UX 설계
2019.01–2020.02
'어떻게 UI를 구성해야 사용자의 취향이 담긴 데이터를 더 잘 수집할 수 있을까?'라는 질문에 답하는 연구를 수행하였습니다.
  • 추천시스템의 Explore-Exploit 문제에서 투명성이 데이터의 품질에 미치는 영향을 측정
  • 사용자 로그의 가치를 AI 측면에서 평가하는 metric 제안
  • 실험 환경용 웹 기반 영화 추천 시스템 구현
Python
Flask
Surprise
jQuery
웹 사용자 행동 모델링
2019.02–2020.02
웹 환경에서 사용자의 행동 패턴을 파악하고 이를 모델링하는 연구를 했습니다.
  • 역강화학습 — (Inverse Reinforcement Learning) 방법론을 통해, 사용자들의 행동 이력으로 사용자의 보상 함수를 추정
  • Tableau와 같은 데이터 분석 도구, 위키피디아 문서 기반 역사 교육 도구, 카드 게임과 같은 다양한 웹 환경을 다룸
  • 데이터 분석 도구인 Tableau를 활용하고, 위키피디아 문서를 기반으로 한 역사 교육 도구를 구현
Python
TensorFlow
Keras
scikit-learn

Publications

An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems

김기환

A Computing Research Repository (CoRR), 2108.00151, 2021

  • 추천 시스템에서 사용자 취향을 파악하기 위한 랜덤 아이템들을 어떻게 전달해야 할까?
  • 실험 환경으로 사용된 웹 기반 영화 추천 시스템 구현
  • 사용자 로그의 가치를 AI 측면에서 평가하는 metric 제안
  • 추천시스템의 Explore-Exploit 문제에서 투명성이 데이터의 품질에 미치는 영향을 측정
  • Amazon MTurk에서 94명의 피험자를 구인
  • 피험자들에게 넷플릭스와 유사한 실험 환경을 이용하도록 하여, 실사용 로그 데이터와 설문 응답을 수집

ST-GRAT: A Novel Spatio-temporal Graph Attention Networks for Accurately Forecasting Dynamically Changing Road Speed

박천복, 이충기, 방효진, 태윤원, 김기환, 진승민, 고성안, 주재걸

ACM International Conference on Information and Knowledge Management (CIKM), 2020

  • 한국도로공사의 도로 바닥에 설치된 차량 감지 센서 데이터를 전처리
  • Attention이 효과적으로 동작한 경우들을 패턴 별로 묶어 카테고리화

Modeling Exploration/Exploitation Decisions through Mobile Sensing for Understanding Mechanisms of Addiction

김기환, 김상훈, 이충기, 고성안

ACM International Conference on Mobile Systems, Applications, and Services (MobiSys), 2019

  • Inverse Reinforcement Learning을 통해, 스마트폰 사용 로그로 중독 질환 여부를 감지하는 시스템을 제안

An Empirical Study on the Relationship Between the Number of Coordinated Views and Visual Analysis

오주영, 이충기, 김휘연, 김기환, 권오상, Eric D. Ragan, 권범철, 고성안

A Computing Research Repository (CoRR), 2204.09524, 2018

  • 시각화 차트의 갯수가 데이터의 시각적 분석에 어떤 영향을 미치는지 실험
  • 44명 피험자에게 시각적 분석 도구를 주고, 데이터 분석 과제를 풀도록 함
  • Think-aloud 프로토콜과 녹화된 화면, 그리고 로그 데이터를 통해 사용자의 분석 패턴을 카테고리화
  • 차트의 갯수와 과제 점수 간 양의 상관관계를 관찰

시각화 기반 딥러닝 분석 기술

이재성, 김기환, 이충기, 고성안

소음진동 제27권 제6호 2017.11

  • 딥 러닝 모델을 해석하기 위한 시각화 기법들을 정리 및 조사