1) 문제점
- 수술 후 회복 상태를 정확하게 파악하기 위해서는 매번 병원을 방문해야 하는 번거로움이 있었고,
모바일 기반 비대면 진료 환경에서는 실제 상처 상태를 반영하는 AI 분석 기능이 부족했습니다.
- 기존 회복률 산출 방식이 경과일 기반 rule-based로 이루어져 환자의 실제 피부·상처 상태를 반영하지 못해
정확도와 신뢰도 문제가 발생했습니다.
- 라벨 부족·데이터 불균형으로 인해 의료 이미지 기반 AI 모델의 학습 효율이 매우 낮은 상황이었습니다.

2) 프로젝트 목표
- 사용자(수술 환자)가 얼굴 사진만 업로드하면 실제 회복 상태를 정량화해 자동으로 알려주는 AI 모델 개발
- 의료진의 판단을 대체하는 것이 아니라, 일상 속에서 자가 회복 모니터링을 가능하게 하는 신뢰도 높은 Vision 모델 구축
- 적은 라벨과 불균형한 데이터 환경에서도 높은 성능을 확보할 수 있는 데이터·모델 전략 마련

3) 주안점
- 상처 형태·색 변화 등 의료 이미지 특유의 비정형 패턴을 정확히 잡아내는 모델 구조 설계
- 라벨 부족 문제를 해결하기 위한 Active Learning & pseudo-labeling 기반 데이터 확장 전략
- 실제 모바일 앱에 적용 가능한 수준의 처리 속도와 모델 경량화
- 의료 도메인의 특성상 정확도·일관성·신뢰도 확보를 최우선 기준으로 모델 개발

1) 포트폴리오 소개 (서비스 카테고리 + 타깃)

헬스케어·뷰티 분야의 비대면 회복 관리 앱(“에포터”)에서
수술 환자를 위한 회복 상태 자동 분석 기능을 제공하는 Vision AI 서비스 개발.

⸻

2) 작업 범위 (내가 맡은 역할 / 개발 환경)
• Vision AI 모델 개발 (Classification, Feature Engineering, Deformable Conv 적용)
• 데이터 구축 및 전처리 (의료진 협업 라벨링 / Active Learning 기반 13만장 생성)
• 모델 서빙 파이프라인 구축 (FastAPI → BentoML 전환, Docker·GCP 배포)
• 성능 튜닝(Optuna·LR Scheduler) 및 inference 최적화

⸻

3) 주요 업무 (핵심 기능 / 페이지·모듈 단위)
• 안면 회복률 예측 모델 개발: 시계열 상처 사진을 기반으로 회복 단계 자동 분류
• 데이터 파이프라인 구축: pseudo-labeling, confidence filtering 기반 데이터 고도화
• AI 모델 API 개발 및 서비스 연동: 회복 상태 분석 결과를 앱 내 UI에서 실시간 제공
• Latency 개선: 기존 Flask → BentoML 전환을 통한 응답 속도 최적화(4.7s → 2.2s)

⸻

4) 주안점 (개발 시 중점 사항)
• 의료·헬스케어 특성상 정확도·성능 일관성 확보를 최우선으로 개발
• 데이터 불균형·라벨 부족 문제를 해결하기 위한 Active Learning 전략 설계
• 사용자 이탈 감소를 위한 실시간 분석 속도 최적화
• 서비스 환경에 맞춘 모델 경량화·서빙 효율화