장진서 · AI Native Product EngineerJang Jinseo · AI Native Product Engineer
금융 솔루션을 개발하고 운영을 지원합니다. 팀에서는 사용하는 PC가 바뀌어도 하던 개발을 이어가도록 인계 기록과 미커밋 변경의 Git 스냅샷을 보관하고, 작업별 실행 환경을 분리했습니다. 본사 DB만 사용한다는 지침에 따라 Tailscale로 DB에 접근하도록 구성한 AI Native 개발환경을 팀에 도입했습니다. 개인 제품에서는 기획부터 구현 · 배포까지 맡았습니다.I develop financial solutions and support their operation. For my team, I stored handover notes and Git snapshots of uncommitted changes so development could continue on another PC, and separated execution environments by task. I configured Tailscale access to comply with the policy requiring use of only the headquarters database and introduced this AI-native development environment to the team. For my own products, I own planning through implementation and deployment.
01 · 경력01 · Experience
2024.12 — 현재Present
CruzLink의 Java 로직과 운영 화면을 개발하고 금융권 오픈 · 운영을 지원합니다. 팀 하네스의 설계 · 구현 · 도입을 맡아 개발 정보와 릴리스 기록을 연결하고 반복 관리 업무를 자동화했습니다.I develop Java logic and operations interfaces for CruzLink and support launches and operations for financial institutions. I designed, built and introduced a team development harness that connects development information with release records and automates recurring management tasks.
2024.01 — 2024.06
의료용 보행검사 시스템에서 IMU Bluetooth · Radar 센서 데이터를 처리 · 저장하는 Java · Spring Boot 서버와 환자 · 검사 데이터 API를 개발했습니다. PostgreSQL 스키마를 설계하고, 유지보수를 위한 테스트 코드와 리팩터링을 적용했습니다. AWS EC2 배포와 GitHub Actions 배포 자동화도 맡았습니다.I developed a Java and Spring Boot backend for processing and storing IMU Bluetooth and Radar sensor data in a medical gait-analysis system, along with patient and examination APIs. I designed PostgreSQL schemas and used tests and refactoring to support maintenance. I also handled deployment to AWS EC2 and automated deployment with GitHub Actions.
단국대학교 학사 · 영상콘텐츠전공, 소프트웨어학 부전공 · 2023.08 졸업
네이버 클라우드 AIaaS 개발자 과정 1,004시간 (2023) · TABA AI · 빅데이터 640시간 (2022)
코로나 고위험군 예측 ML 모델 개발 · TABA 최종발표회 우수상 (2등) · 2022
경기청년갭이어 IT부문 우수사례 선정 · 2023
TOEIC 960점 · 2024.09.07 응시
카투사 복무 · 육군 병장 만기 전역 · 2017.01 — 2018.10Dankook University · Bachelor’s degree in Visual Contents, minor in Software · graduated August 2023
Naver Cloud AIaaS Developer Program: 1,004 hours (2023) · TABA AI & Big Data: 640 hours (2022)
COVID-19 high-risk prediction ML model project · TABA Final Project Excellence Award (2nd place) · 2022
Gyeonggi Youth Gap Year IT Outstanding Case · 2023
TOEIC 960 · September 7, 2024
KATUSA · Republic of Korea Army · Sergeant, completed service · January 2017 — October 2018
02 · 팀 개발 흐름02 · Team workflow
사용하는 PC가 바뀌어도 하던 개발을 이어가도록 인계 기록과 미커밋 변경의 Git 스냅샷을 보관하고, 작업별 실행 환경을 분리했습니다. 본사 DB만 사용한다는 지침에 따라 Tailscale로 DB에 접근하도록 구성했습니다. 팀 지식과 반복 업무 자동화를 연결한 개발 하네스를 구축해 개발자 9명 규모의 팀에 도입하고, AI가 구현 · 검사한 뒤 사람이 화면과 동작을 확인하도록 했습니다.I stored handover notes and Git snapshots of uncommitted changes so development could continue on another PC, and separated execution environments by task. I configured Tailscale access to comply with the policy requiring use of only the headquarters database. I built a development harness connecting team knowledge with recurring task automation and introduced it to a team of nine developers, with people checking screens and behavior after AI implementation and checks.
로컬 테스트에도 본사 DB를 사용하라는 지침이 있어, Tailscale 라우팅으로 PC를 본사 LAN에 직접 연결하지 않아도 DB에 접근하도록 구성했습니다. 공유 PC 4대에서는 Git worktree별 파일 · Tomcat 설정 · 포트를 나누고 DB는 공유했습니다. PC를 옮길 때는 미커밋 변경의 Git 스냅샷과 인계 메모로 작업을 이어가도록 했습니다.Policy required the headquarters database even for local tests. I used Tailscale routing to provide database access without connecting each PC directly to the headquarters LAN. Across four shared PCs, files, Tomcat settings and ports are separated by Git worktree while the database is shared. Git snapshots of uncommitted changes and handover notes support moving work between PCs.
구두와 메신저에 흩어진 지식을 한 주제에 한 노트로 정리하고 출처 · 확인일 · 적용 조건을 남겨 사람과 AI가 찾아 쓰도록 했습니다. GitLab CI와 하네스로 이슈 관리를 자동화하고, 이슈 · MR · 코드 변경에서 패치노트 초안을 작성해 사람이 승인한 뒤 태그와 릴리스를 등록하도록 연결했습니다.I organized knowledge scattered across conversations and messages as one topic per note, with sources, review dates and conditions of use for people and AI to consult. I used GitLab CI and the harness to automate issue management and prepare patch-note drafts from issues, merge requests and code changes, then register tags and releases after human approval.
AI가 구현 · 검사 · 화면 증적 작성을 맡고, 작업자는 화면과 동작을 이슈의 의도와 대조한 뒤 MR을 만듭니다. 검수자는 변경 내용을 검토합니다. 개발자의 명세 · 설계 오류와 Claude의 요건 이행 실패를 구분하기 위해 원인 후보와 판정 근거, 미확인 · 이견을 기록하는 체계도 설계 · 구현했습니다.AI handles implementation, checks and screen evidence. The person doing the work checks screens and behavior against the issue’s intent before opening a merge request; a reviewer then examines the changes. I also designed and implemented records of possible causes, supporting evidence, uncertainty and disagreement to distinguish specification or design errors from Claude’s failure to implement agreed requirements.
실제 업무에서는 DB 잠금으로 승인 입력이 기록되지 않아 승인이 거부된 사례를 이슈로 정리했습니다. 저는 원래 입력 시각의 보존 · 승인 수락 · 실패 표시를 완료 조건으로 제시했습니다. 입력과 실패를 DB 밖에 보관한 뒤 반영하는 수정이 병합됐고, MR에는 잠금 재현을 포함한 13개 검사와 Windows PowerShell 호출 검증의 통과가 보고돼 있습니다.In real work, a database lock caused an approval input to go unrecorded and the approval to be rejected. I documented the issue and specified preserving the original input time, accepting the approval and recording failures as completion criteria. A fix that stores inputs and failures outside the database before applying them was merged. The merge request reports 13 passing checks, including lock reproduction, and validation of the Windows PowerShell invocation.
기능 MR마다 버전을 올려 병합 충돌이 반복됐습니다. 저는 기능별 변경 기록을 남기고 버전은 릴리스 MR에서만 올리자고 제안했습니다. 갱신 감지는 이미 커밋 해시 기준으로 바뀐 상태였습니다. 버전 원본은 한 파일로 모으고 관련 파일은 재생성하며, 변경 기록은 릴리스 때 합치도록 정리했습니다.Version bumps in every feature merge request repeatedly caused merge conflicts. I proposed recording feature changes separately and updating the version only in release merge requests. Update detection had already moved to commit hashes. The revised rules use one version source, regenerate related files and combine change notes at release time.
확인 범위 · 설계 · 구현 · 팀 도입과 실제 업무의 승인 이벤트 · 사용량 수집 기록을 확인했습니다. 9명은 팀 규모입니다. 모든 PC의 적용 상태, 팀 전체 활성 사용자 수, 실제 재발 감소와 생산성 효과는 확인하지 않았습니다. (2026.10.21 기준)Evidence scope · Design, implementation, team rollout and approval-event and usage-collection records from real work are confirmed. Nine is the team size. Deployment to every PC, team-wide active-user counts, reduced recurrence and productivity impact remain unverified. As of October 21, 2026.
팀 AI Native 개발환경 구축 상세Read the team AI-native development environment case
03 · 개인 제품03 · Personal products
채운과 ART WINDOW는 기획 · 화면 · 백엔드 · AI 연동 · 배포를 맡은 개인 웹 제품입니다. AI와 함께 구현하며, 각 제품에서 설명과 생성의 기준을 정했습니다.I own planning, interfaces, backend, AI integration and deployment for Chaewoon and ART WINDOW. I built both web products with AI and defined the criteria for their explanations and generated outputs.
채운Chaewoon
사주 해설과 원석 제품을 연결하는 채운에서, 저는 기질과 현재 시기를 흐리지 않고 적극적으로 설명한다는 목표를 정했습니다. AI에는 문장 원칙 · 화면별 말투 · 검수 조건을 구체화하도록 맡겼습니다. 결론 뒤에 이유를 설명하고 행위자 · 동사 · 대상을 드러내는 원칙이 보이스 문서에 담겼습니다.Chaewoon connects Saju readings with gemstone products. I set the goal of clearly explaining how Saju interprets a person’s temperament and current life phase, and tasked AI with developing sentence principles, tone for each screen and review criteria. The resulting voice guide calls for stating the conclusion before the reason and making the actor, action and object explicit.
AI가 작성한 연결 문서로 브랜드 기준과 서버의 원본을 찾게 했습니다. 검사 통과와 읽기 품질을 구분하려고 AI가 제안한 생성 · 검수 분리도 적용했습니다. 생성 표본 12건의 별도 AI 검수와 배포 파일 · 응답 · 모바일/PC 화면 확인 기록이 있습니다. 해설 정확도 · 추천 품질 · 고객 효과와 생산성은 측정하지 않았습니다.I used an AI-written source map to connect brand criteria with the server’s source documents. I also adopted AI’s proposal to separate generation and review, so passing automated checks would not stand in for readability. Records cover separate AI review of 12 generated samples and checks of deployed files, responses, and mobile and desktop screens. Interpretation accuracy, recommendation quality, customer impact and productivity were not measured.
채운 보기Visit Chaewoon지식 체계 · AI 위임 · 검수 사례 상세Read the knowledge, delegation and review case제품의 우선순위와 허용 범위Product priorities and scope
관련 정본 · 담당 파일 · 산출물Sources, file ownership, deliverables
관련 검사 · 코드 · 화면 · 배포 확인Relevant tests, code, screens, deployment
ART WINDOWART WINDOW
방 사진에 어울리는 작품을 추천 · 생성하는 서비스입니다. 사진 예제를 골랐는데 그래픽이 나온 문제에서 같은 화풍 ID의 매체값이 서로 다른 것을 찾고, 실제 생성이 읽는 카탈로그 값을 예제의 매체에 맞췄습니다. 이후 기존 예제는 참조 이미지로, 실제 결과는 텍스트로 생성한다는 입력 차이도 확인했습니다.ART WINDOW recommends and generates art for a room photo. When a photographic example led to a graphic image, I found different medium values for the same style ID and aligned the generation catalog with the example’s medium. I later found another difference: existing examples used reference images, while actual generation used text.
참조 이미지 방식의 표절 우려를 완전히 배제하기 어렵다고 판단해 텍스트 입력을 유지했습니다. 매체와 화풍 문장을 공통 기준으로 삼고, 문장이 바뀌면 예제도 갱신하도록 정했습니다. AI가 구현한 A12는 문장 해시와 예제 기록의 불일치를 보고합니다. 담당자가 예제를 재생성하고 기록을 갱신한 뒤 재검사합니다.I retained text input because I considered plagiarism risk difficult to rule out with reference images. I made the medium and style description shared inputs and required examples to be updated when the description changes. The AI-implemented A12 check reports mismatches between sentence hashes and example records. A person then regenerates the example, updates its record and reruns the check.
확인 범위 · 공개 비교 이미지는 기존 · 현재 예제이며 동일 요청의 수정 전후 결과가 아닙니다. 격리 입력 검사는 불일치 탐지를 확인한 것으로, 실제 이미지나 추천의 품질 검증은 아닙니다.Evidence scope · The published comparison shows previous and current examples, not before-and-after results for the same request. Isolated-input checks confirm mismatch detection, rather than image or recommendation quality.
ART WINDOW 보기Visit ART WINDOW불일치 원인과 검사 구현 상세Read the diagnosis and validation implementation두 제품 모두 구현 · 배포한 상태입니다.Both products are built and deployed.
04 · 운영 도구04 · Operations tool
상품 · 소싱 가격 · 주문 · 개발 이력을 원본 출처에 연결하는 운영 도구를 AI와 함께 구현했습니다. 기존 소싱 단가를 골라 같은 통화와 단위로 새 금액을 가정하면, 그 단가에 연결되고 계산식과 수량이 등록된 항목의 판매가와 예상 비용을 다시 계산합니다.I built an operations tool with AI that links products, sourcing prices, orders and development history to their original sources. When I select an existing sourcing unit price and enter an assumed amount in the same currency and unit, it recalculates offer prices and estimated costs for linked items with registered formulas and quantities.
결과에서 원본 자료와 적용 조건을 따라갈 수 있게 했습니다. 가정한 가격으로 계산하는 일과 실제 거래를 구분했습니다.Results can be traced to source records and the conditions used. Calculating with an assumed price is kept separate from an actual transaction.
가정한 단가로 판매가와 예상 비용을 다시 계산해도 실제 가격은 바꾸지 않고, 과거 주문에는 당시 금액을 그대로 남깁니다.Recalculating offer prices and estimated costs with an assumed unit price leaves actual prices and historical order amounts unchanged.
확인 범위 · 출처 연결과 조건에 따른 영향 조회를 구현했습니다. 실제 매출 · 재고 · 금융 상태의 대사 결과를 뜻하지 않습니다.Evidence scope · Source linking and conditional impact queries are implemented. This does not establish reconciliation of actual sales, inventory or financial records.
05 · 일하는 방식05 · How I work
원자료와 제약, 원하는 결과를 정리해 AI에 맡깁니다. 확인한 작업 절차는 지침 문서로 남겨 다음에도 AI가 같은 절차를 따르게 합니다. 작업이 끝난 뒤에도 판단의 근거를 다시 찾을 수 있게 합니다.I give AI the source material, constraints and desired result. I document procedures that have been checked so AI can follow them in later tasks. I keep the basis for decisions accessible after the work is finished.
기술문서 설계과제에서는 기존 사내 위키에서 정책 문서 · 승인된 API 스펙 · 노션에 남긴 실험 원문을 찾아가도록 제안했습니다. 관례 조사와 상세 문서 · 설계 · 도식 제작, 검사는 AI에 맡겼습니다.In a technical documentation design assignment, the proposal used the existing internal wiki as an entry point to policy documents, approved API specifications and original experiment records in Notion. AI handled research into conventions, detailed writing, designs, diagrams and checks.
개인 공개 하네스 템플릿Personal harness template회사 구현과 별도로 만든 예제An example built separately from the company implementation
개발 · 운영 경력을 바탕으로 AI 서비스와 팀의 업무 도구를 만듭니다.I build AI services and team tools, drawing on my development and operations experience.
