IL KRAFTON Agent Systems Portfolio

01 / PORTFOLIO THESIS

현장 AI를 검증 가능한 Agent 시스템으로 바꾸는 사람.

시뮬레이션으로 실패 조건을 찾고, 실제 운영 로그로 검증하고, 다음 실행이 더 좋아지는 Agent Harness 구조를 설계해왔습니다.

Case 01 Medical AI 병원 전 시뮬레이션과 현장 피드백으로 ENAD를 개선.
Case 02 Edge Vision Jetson Xavier 6ch 영상 추론 병목을 처리 구조로 해결.
Case 03 Simulation RL 고정 규칙을 실패 재현과 정책 조정 문제로 전환.
Case 04 Ops Agent jiwonhae 수집기를 Hermes 검증·보고 루프로 확장.
Case 05 VideoAgent v3 해커톤 풀이를 v4 Tool Use·Memory·Verifier Harness로 재정의.

02 / CASE 01 - MEDICAL AI PRODUCTION

병원 투입 전 시뮬레이션과 현장 피드백으로 의료 AI를 계속 개선했습니다.

ENAD 개발 실행에서 모델을 바로 병원에 넣은 것이 아니라, 배포 전 시뮬레이션으로 실패 조건을 반복 점검하고 병원 현장 피드백으로 다시 개선하는 루프를 만들었습니다.

문제병원마다 영상 입력, 노이즈, 장비 상태, 사용 방식이 달라 모델 정확도만으로는 현장 오류를 막기 어렵습니다.
조치병원 투입 전 시뮬레이션을 반복해 실패 조건을 찾고, 병원 피드백을 받아 영상 처리와 추론 흐름을 다시 조정했습니다.
효과ENAD가 연구 모델을 넘어 국내 200개 이상 의료기관에서 쓰이는 endoscopy AI 제품으로 확장됐습니다.
Generated production AI pipeline with regulatory documents, deployment and validation stations
Simulation-first loop connecting model behavior to hospital feedback.

03 / CASE 02 - REAL-TIME EDGE VISION

하드웨어 자원 한계를 6채널 실시간 추론 구조로 개선했습니다.

국방 무인 체계의 제약적인 자원 환경에서 영상 입력, 추론, 처리 순서를 재구성해 다중 스트림 AI 파이프라인을 만들었습니다.

문제Jetson Xavier의 제한된 연산·메모리 조건에서 6채널 영상 입력을 그대로 처리하면 추론 병목이 생깁니다.
조치영상 입력, 전처리, 추론, 후처리 단계를 분리하고 채널별 처리 순서를 스케줄링했습니다.
효과단일 엣지 장비에서 multi-stream video processing and AI inference pipeline을 구현했습니다.
Generated six-channel realtime video processing visual on an edge device
Runtime constraint resolution in embedded edge vision pipelines.

04 / CASE 03 - SIMULATION RL

규칙 기반 한계를 시뮬레이션 학습 루프로 개선했습니다.

조건문 형태의 제어가 대처하기 힘든 동적 시나리오를 학습 가능한 환경으로 옮기기 위해 강화학습 기반의 에이전트 정책과 가상 시뮬레이터를 다뤘습니다.

문제고정 규칙은 아군·적군·명령 조건이 바뀌는 시나리오에서 실패 조건을 일일이 커버하기 어렵습니다.
조치Unity 환경에서 아군, 적군, 명령 조건을 상태와 보상에 반영하고 실패 시나리오를 다시 돌릴 수 있게 했습니다.
효과규칙을 계속 추가하는 문제가 아니라, 실패를 재현하고 정책을 조정하는 학습 문제로 바꿨습니다.
Generated simulation environment with vessels, ally enemy agents and command-conditioned policy paths
Command-conditioned multi-agent reinforcement learning loop in Unity.

05 / CASE 04 - OPERATIONAL DATA OPS

단순 수집기를 데이터 통합 상태를 실시간 보고하는 에이전트로 개선했습니다.

jiwonhae의 공공 데이터 소스들을 수집, 정규화, 데이터베이스 적재한 후 Hermes 감시 루프로 정합성 이상을 보고하게 만들었습니다.

문제외부 소스 구조가 바뀌면 크롤러는 성공처럼 보여도 DB에는 깨진 데이터가 조용히 들어갈 수 있습니다.
조치수집-정규화-DB 적재 뒤에 Hermes 검증 리포트와 알림 루프를 붙여 이상 상태를 기록하게 했습니다.
효과28개 소스와 4,344건 로그를 기준으로 어떤 소스가 정상이고 어디가 깨졌는지 설명할 수 있게 됐습니다.
Generated operations pipeline with data sources, normalization, verifier bot and dashboard
Automated data verification and reporting loop ensuring quality control.

06 / CASE 05 - VIDEOAGENT BENCHMARK

1회성 답변 파이프라인을 스스로 디버깅하는 검증 루프로 개선합니다.

운영형 에이전트 경험 다음에, 해커톤 제한 시간 안에서 만든 v3의 한계를 분석하고 증거·도구·검증 로그가 남는 v4 구조로 재정의합니다.

문제v3는 15m 안에 답을 만들었지만, 왜 틀렸는지와 어느 timestamp를 근거로 봤는지가 남지 않았습니다.
조치Tool Use, Memory, Verifier를 결합해 질문 유형, 샘플 프레임, 모델 경로, evidence, budget을 저장하게 설계했습니다.
효과최종 정답 키가 없어도 evidence coverage, verifier support, replay stability로 개선 여부를 비교할 수 있습니다.
Generated VideoAgent solver diagram from video frames through routing and model voting
Evolution from static response pipelines to evidence-grounded agent harnesses.

07 / KRAFTON FIT

KRAFTON AI Agent Research에서 즉시 기여할 수 있는 세 가지 개선 루프입니다.

단순한 연구 결과 도출에 멈추지 않고, 시뮬레이션 환경, 임베디드 런타임, 제품화 배포, Self-improvement 가능한 Agent Harness를 연결합니다.

문제Agent 연구는 모델 호출만으로 끝나지 않고 시뮬레이션, 도구 사용, 기억, 평가, 운영 제약을 함께 다뤄야 합니다.
조치Production AI, Real-time Vision, Simulation RL, VideoAgent Harness 경험을 Agent 개선 루프로 연결합니다.
효과KRAFTON에서 Tool Use, Memory, Evaluation을 갖춘 Agent Harness 설계와 검증에 바로 기여할 수 있습니다.
Generated evidence-grounded agent harness with memory, tools, verifier and evaluation loop
Mapping past engineering evidence directly to KRAFTON AI agent research tracks.

08 / CLOSING THESIS

검증 가능한 성과로 KRAFTON AI Agent의 실질적 가치를 만들겠습니다.

200+ 의료기관, 6ch 엣지 추론, 4,344 운영 로그, 20개 영상 벤치마크를 거치며 배운 방식은 같습니다. 모호한 AI 문제를 재현하고, 검증하고, 운영 가능한 구조로 바꾸는 것입니다.

문제AI Agent 연구는 모델 성능뿐 아니라 실제 환경에서 실패를 발견하고 설명할 수 있어야 합니다.
조치시뮬레이션, 현장 피드백, 운영 로그, verifier를 결합해 실패 조건과 개선 근거를 남기는 방식을 반복했습니다.
효과KRAFTON에서는 Tool Use, Memory, Evaluation을 갖춘 Agent Harness를 더 빠르게 실험하고 검증하는 데 기여할 수 있습니다.
Generated diagram connecting simulation, evidence, robotics, archives, iteration, and performance into one agent lab
Closing operating model: reproduce failures, verify evidence, and keep the system improving.