# 지리소 스튜디오 JIRISO STUDIO

> 공간정보와 AI로 현실의 문제를 푸는 독립 기술·연구 스튜디오입니다. 서비스 라인은 JIRISO GEO, JIRISO SYSTEMS, JIRISO ACADEMY, JIRISO RESEARCH 네 가지입니다.

- 한국어 이름: 지리소 스튜디오 (지리소). 영문: JIRISO STUDIO.
- 슬로건: 정해진 쓸모 너머, 새로운 가능성을. (Beyond Convention. Toward Possibility.)
- 창업자: 김연준 (YeonJun Kim), Founder & Lead Engineer. 공간데이터 사이언스, GIS, 데이터 엔지니어링, AI를 현장에서 다뤄 왔습니다. 문제를 다시 정의하는 일부터 코드를 배포하는 일까지 직접 합니다.
- 문의: https://jiriso-studio.site/contact/ · contact@jiriso.studio
- 사례와 수치는 창업자가 직접 수행한 프로젝트를 기준으로 적었습니다.

## 서비스

- [JIRISO GEO · Spatial Intelligence & GeoAI](https://jiriso-studio.site/geo/): 흩어진 주소·좌표·지도 데이터를 정비하고 분석해, 웹 지도와 API로 서비스합니다. 위성영상 분석과 Spatial AI까지 다룹니다. 보고서 속 지도를 현업이 매일 여는 업무 화면으로 바꿉니다.
- [JIRISO SYSTEMS · AI Engineering & FDE](https://jiriso-studio.site/systems/): AI Agent, 업무 자동화, 백엔드·API, 데이터 파이프라인을 현업 환경에 맞춰 설계하고 개발합니다. PoC에서 멈춘 AI를 권한·보안·예외 처리까지 갖춘 운영 시스템으로 완성합니다.
- [JIRISO ACADEMY · Enterprise AI & AX Education](https://jiriso-studio.site/academy/): 생성형 AI, AX, 데이터 분석, GIS를 수강하는 조직의 실제 업무 사례로 가르칩니다. 교육이 끝나는 날, 수강생마다 다음 날 바로 쓸 결과물을 하나씩 가져갑니다.
- [JIRISO RESEARCH · Applied Research & Open Source](https://jiriso-studio.site/research/): 공간통계, GeoAI, 공간 알고리즘을 연구하고, 새 기술이 현장에서 통하는지 먼저 확인합니다. 논문과 공개 코드로 확인할 수 있는 연구를 바탕으로 공동 연구와 기술 자문을 합니다.

## 실무 프로젝트 (수치)

- 5천만 건: PostGIS 주소·공간데이터를 월 단위로 갱신·운영 (공간데이터 운영)
- 100GB: 공유 모빌리티 이용 로그를 분석해 운영 KPI 설계 (모빌리티 데이터 분석)
- 300명+: 대기업·공공 연구기관 실무자와 리더 대상 AI 실무 교육 (기업 AI 교육)

## 작업 사례

각 사례는 실무 프로젝트, 기술 시연·자체 제품, 연구·공모전 중 하나로 구분합니다.

- [5천만 건 지오코딩 데이터 운영](https://jiriso-studio.site/work/geocoding-platform/) — 실무 프로젝트. 5천만 건 규모 PostGIS 주소 데이터 파이프라인을 운영하며 서로 다른 공공 원천 데이터를 서비스 가능한 위치 데이터로 전환했습니다.
- [100GB 공유 모빌리티 수요 분석](https://jiriso-studio.site/work/mobility-intelligence/) — 실무 프로젝트. 2억 건 규모 이용 기록을 포함한 100GB 공유 모빌리티 로그를 분석해 운영 KPI 5개와 Tableau 대시보드 3종으로 전환했습니다.
- [고정밀 전자지도 보행 경로 프로토타입](https://jiriso-studio.site/work/pedestrian-routing-prototype/) — 연구·공모전. 국토지리정보원 고정밀 전자지도의 건물 폴리곤에서 보행 가능 공간의 중심선을 추출해 아파트 단지 내 보행 경로를 탐색하는 Streamlit 프로토타입을 구현했습니다.
- [헬륨공정 AI 자율제어 시스템](https://jiriso-studio.site/work/manufacturing-anomaly-detection/) — 실무 프로젝트. 열처리 공정 데이터, 헬륨 리크테스트 결과와 AI 예측결과 저장 체계를 작업자용 시스템으로 통합하고, 원천 데이터 검증부터 DB 설계, 7개 FastAPI 엔드포인트와 Railway·Tailscale 배포까지 구현했습니다.
- [국방 디지털트윈 공간 레이어 구축](https://jiriso-studio.site/work/defense-digital-twin/) — 실무 프로젝트. 국방 디지털트윈 환경을 위한 25개 공간 레이어를 구축하고, 원천 GIS 데이터를 시각화·분석에 바로 쓸 수 있는 일관된 자산으로 정리했습니다.
- [관광특구 우선순위 수립 지원](https://jiriso-studio.site/work/tourism-decision-support/) — 실무 프로젝트. 관광시설 1,281개와 외국인 방문객 54만 명 데이터를 결합해 송파구 후보지 3개 권역을 평가하고 관광특구 확대 우선순위 수립을 지원했습니다.
- [다시길 — 개인화 경로 추천 서비스](https://jiriso-studio.site/work/dasigil/) — 기술 시연·자체 제품. 가장 빠른 길이 아니라 ‘나에게 맞는 길’을 추천합니다. 지나온 길의 기억·POI·안전 지도로 후보 경로를 점수화하는 개인화 경로 추천 앱입니다.
- [여로 — 제주 여행 플래너](https://jiriso-studio.site/work/yeoro/) — 기술 시연·자체 제품. AI가 짜준 제주 일정을, 실제 이동수단·날씨 데이터로 검증해 보여주는 여행 플래너입니다.
- [LocalCart — 인천 동네 장보기](https://jiriso-studio.site/work/localcart/) — 기술 시연·자체 제품. 장바구니 재료와 이동 조건을 기준으로 동네 상점의 구매 경로를 비교하는 모바일 지도 웹앱입니다.
- [Geo Utilities — 브라우저 공간정보 도구](https://jiriso-studio.site/work/geo-utilities/) — 기술 시연·자체 제품. 좌표 변환, GeoJSON·WKT 검수, H3·Geohash·S2 그리드, GPX·KML·CSV 변환, 테이블·공간 조인까지 29개 공간정보 도구를 대부분 서버 업로드 없이 브라우저에서 처리하는 무료 도구 모음입니다.
- [고속도로 물류 취약성 · 유류충격 분석](https://jiriso-studio.site/work/logistics-agent/) — 연구·공모전. 자연어 질문을 여섯 개 분석 도구로 연결해 물류 취약 구간과 유가 충격 시나리오를 탐색하는 분석 서비스입니다.
- [주민건강영향조사 대상지역 선별 공간모델](https://jiriso-studio.site/work/traffic-health-screening/) — 실무 프로젝트. 전국 도로망과 교통량 데이터를 3개 교통환경 지표로 구조화해 주민건강영향조사 대상지역의 우선순위를 정하는 공간모델을 구축했습니다.

## 기업교육 과정 (JIRISO ACADEMY)

- [생성형 AI 실무 활용](https://jiriso-studio.site/academy/#genai): 전 직군 실무자 · 비개발자 · 신입/중간관리자 · 입문–실무 · 4–8시간 예시. ChatGPT·Claude·Gemini·Copilot 등 도구의 차이를 이해하고 문서·회의·조사·보고 업무를 안전하게 개선합니다.
- [기업 AX 전환·업무 혁신 PBL](https://jiriso-studio.site/academy/#ax-pbl): 조직장 · 혁신 담당자 · 사내 AI TF · 현업 리더 · 실무–고급 · 1–3일 예시. 실제 조직의 반복 업무를 발굴하고, 비용·효과·데이터 위험을 평가한 후 실행 가능한 AX 과제로 구체화합니다.
- [AI Agent·RAG 개발 실습](https://jiriso-studio.site/academy/#agents): 개발자 · 데이터 분석가 · 자동화 담당자 · 중급 · 8–24시간 예시. Python 기반으로 LLM API, Tool Calling, 검색 증강 생성 및 검증 로직을 결합해 업무형 AI 애플리케이션을 구현합니다.
- [Python·SQL·데이터 분석](https://jiriso-studio.site/academy/#data): 실무 분석가 · 비전공자 · 데이터 조직 · 입문–중급 · 8–24시간 예시. 실제 데이터로 전처리·분석·시각화·지표 설계를 연습하고 재현 가능한 분석 결과물을 제작합니다.
- [QGIS·GeoPandas·공간분석](https://jiriso-studio.site/academy/#gis): 공공기관 · 연구자 · 공간정보 담당자 · 입문–고급 · 4–24시간 예시. 좌표계·공간자료 구조부터 버퍼·중첩·네트워크 분석 및 Python 기반 GIS 자동화까지 단계별로 학습합니다.
- [위성영상·원격탐사 실습](https://jiriso-studio.site/academy/#remote): 환경·산림·공공공간정보 실무자 · 대학원 연구자 · 입문–중급 · 4–16시간 예시. 위성·항공영상의 특성을 이해하고 QGIS와 Python을 활용해 지표 계산과 시계열 변화 분석을 수행합니다.

## 논문

- 2026. [GTX-A 정차역 소재 시군구의 토지시장 가격 변화에 관한 연구: 시계열 예측모형 비교를 중심으로](https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART003362042). 한국경제지리학회지 29(2) · pp.264-281 · 실거래 171,678건 · ARIMA · SARIMA · Prophet · LSTM
- 2026. [고속철도 개통이 역세권 발전에 미친 영향 분석](https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART003320930). 국토연구 128 · K-means · Kaplan-Meier
- 2024. [공간통계를 활용한 강원특별자치도 워케이션 가능지역 추출](https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART003165502). 한국측량학회지 · Local Moran's I · MGWR

## 자주 묻는 질문

- 어떤 프로젝트를 맡길 수 있나요? 크게 네 갈래입니다. GEO에서는 주소·좌표·지도 데이터의 구축과 정제, 공간통계 분석, 위성영상 분석, 웹 지도와 위치 기반 API를 만듭니다. SYSTEMS에서는 AI Agent, 사내 문서 검색(RAG), 반복 업무 자동화, 백엔드·API, 데이터 파이프라인, 현업용 조회·입력 화면과 대시보드를 개발합니다. ACADEMY에서는 생성형 AI 활용부터 Agent 개발, 데이터 분석, GIS까지 기업·기관 맞춤 교육을 하고, RESEARCH에서는 공동 연구와 기술 자문을 합니다. 어디에 해당하는지 판단이 어려우셔도 괜찮습니다. 지금 상황과 원하는 결과만 적어 보내 주시면 어느 쪽으로, 어떤 순서로 접근하면 좋을지부터 정리해 드립니다.
- 처음 문의하면 어떤 순서로 진행되나요? ① 문의 양식이나 메일로 상황과 목표를 보내 주시면 내용을 검토해 메일로 답드립니다. ② 맡을 수 있는 과제라면 사전 상담을 잡고 업무 흐름, 보유 데이터, 사용 중인 시스템, 일정과 예산 범위를 함께 확인합니다. 가능하면 데이터 샘플을 미리 보여 주시면 좋습니다. ③ 상담 내용을 바탕으로 기술 방안, 단계별 일정(WBS), 산출물 목록, 견적을 담은 제안서를 드립니다. ④ 범위와 검수 기준을 확정한 뒤 계약하고 착수합니다. 맡기 어려운 과제라면 그 이유와 대안을 솔직하게 말씀드립니다.
- PoC만 따로 의뢰할 수 있나요? 됩니다. 본 사업에 들어가기 전에 핵심 가설이 실제 데이터로 성립하는지, 기술적으로 구현할 수 있는지를 확인하는 단계만 따로 계약할 수 있습니다. 착수 전에 무엇을 검증할지, 어떤 지표로 성공과 실패를 판단할지를 먼저 문서로 합의합니다. 끝나면 작동하는 프로토타입(소스코드와 시연 환경), 검증 결과 보고서, 본 개발로 갈 때의 범위와 예상 리스크를 정리한 문서를 드립니다. 결과가 기대에 못 미치면 그 사실과 원인도 그대로 보고합니다. 외부 개발사에 발주할 계획이라면 PoC 결과를 RFP 요구사항으로 옮기는 작업까지 도와드립니다.
- 비용은 어떻게 정해지나요? 정해진 정가표는 없고, 과제 범위와 투입 공수를 기준으로 견적을 냅니다. 같은 기능이라도 데이터 상태, 연동해야 할 시스템 수, 보안 요건, 상주 여부에 따라 공수가 크게 달라지기 때문입니다. 사전 상담에서 범위를 확인한 뒤 단계별(진단·PoC·본 개발·안정화)로 나눈 견적을 제안서에 담아 드립니다. 예산 범위를 미리 알려 주시면 그 안에서 가장 효과가 큰 범위부터 잘라 제안할 수 있어 논의가 훨씬 빨라집니다.
- 기존 업무 시스템과 연동할 수 있나요? 처음부터 연동을 전제로 설계합니다. 기존 데이터베이스, 사내 API, 파일 서버, GIS 플랫폼에서 데이터를 어떻게 읽고 결과를 어디에 돌려줄지를 요구사항 단계에서 먼저 정합니다. 사설망이나 온프레미스 환경이라면 망 분리 여부, 접근 권한, 반입할 수 있는 도구와 라이브러리를 확인한 뒤 그 안에서 가능한 구성을 제안합니다. 사설망 DB 두 곳을 연동해 API와 작업자용 화면을 구축한 경험이 있습니다. 연동 규격은 API 명세로 문서화해 넘겨 드립니다.
- 자료 보안은 어떻게 관리하나요? 원하시면 상담 전에 비밀유지계약(NDA)부터 맺습니다. 실제 데이터는 고객이 지정한 환경에서 처리하는 것이 원칙이며, 밖으로 반출해야 한다면 가명처리·비식별 처리된 샘플로 작업합니다. 외부 AI 서비스에는 민감 정보나 기밀 자료를 넣지 않고, 외부 LLM 사용이 어려운 환경이라면 대안을 함께 검토합니다. 접근 계정은 필요한 범위로만 받고, 프로젝트가 끝나면 받은 자료를 어떻게 반환·파기할지 계약서에 적어 그대로 이행합니다.
- 납품한 뒤에는 어떻게 되나요? 소스코드, 설치·운영 매뉴얼, DB·API 명세 같은 산출물을 넘기고, 운영 담당자에게 직접 설명하는 인수인계 시간을 갖습니다. 목표는 고객팀이 저희 없이도 운영할 수 있는 상태입니다. 안정화 기간의 기술 지원은 계약 범위에 포함하고, 그 이후의 유지보수나 기능 추가, 정기 기술 자문은 필요에 맞춰 따로 협의합니다.
- 규모가 큰 프로젝트도 맡을 수 있나요? 창업자가 직접 설계하고 개발하는 구조라서, 맡을 수 있는 범위를 처음부터 정직하게 잡습니다. 큰 사업이라면 전부를 한 번에 맡기보다 단계를 나누는 편이 안전합니다. 예를 들어 데이터 진단과 PoC, 핵심 데이터 파이프라인이나 핵심 기능처럼 기술 판단이 가장 어려운 부분을 맡고, 나머지는 고객사 개발팀이나 다른 개발사와 역할을 나누는 방식입니다. 이 경우에도 설계 문서와 인터페이스 규격을 남겨 다른 팀이 이어받기 쉽게 만듭니다.
- 기업교육도 진행하나요? JIRISO ACADEMY에서 생성형 AI 업무 활용, AX 과제 발굴 워크숍, AI Agent·RAG 개발, Python·SQL 데이터 분석, QGIS·공간분석, 위성영상 실습 과정을 운영합니다. 교육 전에 대상 직무, 인원, 수준, 쓸 수 있는 도구와 보안 제약을 확인하고, 그 조직의 실제 업무를 예제로 커리큘럼과 실습 과제를 새로 설계합니다. 대기업·공공 연구기관 실무자와 리더 300명 이상에게 AI 실무 교육을 했습니다. 기업과 공공기관 모두 문의하실 수 있습니다.

## Optional

- [지리소 이야기](https://jiriso-studio.site/about/): 支離疏(《장자》 〈인간세〉의 인물)와 地理所(지리를 탐구하는 곳)라는 이름의 두 뜻
- [연구·수상 기록](https://jiriso-studio.site/archive/)
- [전체 본문](https://jiriso-studio.site/llms-full.txt): 서비스별 FAQ, 교육 과정, 작업 사례 전문
- [사이트맵](https://jiriso-studio.site/sitemap.xml)

---

# 상세 본문

## JIRISO GEO · Spatial Intelligence & GeoAI

주소: https://jiriso-studio.site/geo/

흩어진 주소·좌표·지도 데이터를 정비하고 분석해, 웹 지도와 API로 서비스합니다. 위성영상 분석과 Spatial AI까지 다룹니다. 보고서 속 지도를 현업이 매일 여는 업무 화면으로 바꿉니다.

### 이런 곳에서 의뢰합니다

- 공간정보 DB를 구축하고 운영하는 공공기관·지자체 담당 부서
- 주소·위치 데이터로 서비스를 만들거나 내부 운영을 하는 기업
- 지도로 근거를 보여 줘야 하는 연구·정책 조직

### 하는 일

- **공간데이터 구축·엔지니어링**: PostGIS 스키마와 공간 인덱스를 설계하고, 원천 수집부터 정제·갱신·품질 검수(QA)까지 사람 손이 덜 가는 파이프라인으로 만듭니다. 위치 기반 조회 API까지 함께 넘겨 드립니다.
- **위성영상·원격탐사 분석**: 공개 위성영상과 보유 영상을 전처리해 시계열 변화를 찾고 지표를 계산합니다. 영상과 벡터 데이터를 맞추고, 결과가 얼마나 정확한지와 어디까지 믿을 수 있는지를 검증 보고서에 적습니다.
- **공간통계·Spatial ML**: 공간자기상관, GWR·MGWR, 예측 모형으로 지역마다 다른 패턴과 그 원인을 분석합니다. 결과는 의사결정자가 근거를 짚어 가며 설명할 수 있는 보고서와 지도로 드립니다.
- **지도 시각화·GIS 플랫폼 연계**: 분석 결과를 웹 지도와 대시보드로 만들고, 지금 쓰시는 GIS 플랫폼이나 업무 시스템에 연결합니다. 현업 담당자가 직접 조회하고 갱신할 수 있게 만듭니다.
- **디지털트윈 프로토타입**: 공간 레이어와 래스터 파생 데이터를 한 화면에서 살펴볼 수 있는 프로토타입을 만듭니다. 본 사업 전에 데이터 구성과 활용 시나리오를 확인해 보기에 좋습니다.

### 자주 묻는 질문

**Q. 공간정보 전문 인력이 없어도 의뢰할 수 있나요?**

A. 됩니다. 공간정보 담당자가 없는 조직에서 오히려 더 자주 문의하십니다. 데이터가 지금 어떤 상태인지, 그 데이터로 어떤 질문에 답하고 싶은지부터 같이 정리합니다. 좌표계, 분석 방법, DB 구조는 저희가 제안하고, 왜 그렇게 골랐는지를 비전문가도 읽을 수 있는 문서로 설명드립니다. 납품할 때는 담당자 교육으로 데이터를 갱신하고 결과를 조회하는 방법까지 넘겨 드려, 이후에는 내부에서 운영하실 수 있게 합니다.

**Q. 어떤 형식의 데이터를 다룰 수 있나요?**

A. SHP, GeoJSON, GPKG, KML·GPX 같은 벡터 파일, 주소나 좌표가 들어 있는 CSV·엑셀, PostgreSQL/PostGIS 같은 공간 데이터베이스, GeoTIFF 같은 래스터와 위성영상을 다룹니다. 출처마다 좌표계(EPSG:4326, 5179, 5186 등)와 스키마가 다른 경우가 많아, 이를 하나로 맞추고 품질을 점검하는 작업을 첫 단계에 둡니다. 형식이 특이하거나 정리가 안 된 데이터라도 샘플을 보내 주시면 처리할 수 있는지 먼저 확인해 드립니다.

**Q. 주소 데이터를 좌표로 바꾸거나 정제하는 일도 하나요?**

A. 합니다. 표기가 제각각인 주소를 정규화하고, 공공 주소 원천과 매칭해 좌표를 붙이고, 매칭되지 않은 건을 따로 모아 원인을 확인하는 흐름으로 작업합니다. 매칭률과 실패 유형을 숫자로 보고하기 때문에 데이터 품질을 내부에 설명하기도 쉬워집니다. 5천만 건 규모의 주소·공간데이터를 월 단위로 갱신·운영하는 파이프라인을 맡았습니다.

**Q. 위성영상은 어떤 데이터까지 다루나요?**

A. Sentinel 계열 같은 공개 위성영상과 고객이 보유하거나 구매하신 영상을 QGIS와 Python으로 처리합니다. 전처리, 영상 정합, NDVI 같은 지표 계산, 시점별 변화탐지가 주요 작업입니다. 영상의 해상도와 촬영 주기에 따라 볼 수 있는 대상과 기대 정확도가 크게 달라지므로, 착수 전에 분석 목적에 맞는 영상인지부터 검토해 말씀드립니다. 결과에는 정확도 검증 방법과 한계를 함께 적어, 어디까지 믿고 써도 되는지 판단하실 수 있게 합니다.

**Q. 분석 결과의 근거를 검토할 수 있나요?**

A. 점수나 결과값만 넘기지 않습니다. 사용한 데이터셋과 출처, 처리 순서, 파라미터, 중간 산출물, 결과 지도를 함께 납품해 발주처 내부에서 같은 결과를 재현하고 검토할 수 있게 합니다. 후보지 선정이나 우선순위처럼 의사결정에 쓰이는 분석이라면, 최종 점수를 원천 지표까지 거슬러 올라가 확인할 수 있는 구조로 만듭니다.

**Q. 결과물은 어떤 형태로 받게 되나요?**

A. 과제에 따라 고르실 수 있습니다. 담당자가 브라우저로 여는 웹 지도와 대시보드, 다른 시스템에서 불러 쓰는 위치 기반 API, 정비된 공간 데이터베이스와 갱신 스크립트, QGIS 프로젝트 파일, 분석 보고서와 주제도 등입니다. 어떤 형태든 소스코드와 DB 명세, 갱신 절차서를 함께 드립니다.

**Q. 지금 쓰는 GIS 플랫폼과 연결할 수 있나요?**

A. ArcGIS, QGIS, 사내 GIS 시스템처럼 이미 쓰고 계신 환경을 기준으로 설계합니다. 결과를 표준 형식(GeoJSON, SHP, GPKG, PostGIS 테이블, WMS·WFS 등)으로 내보내거나 API로 연결해 기존 업무 흐름을 바꾸지 않고 연결하는 것을 우선합니다.

**Q. 공공 데이터만 사용하나요?**

A. 공공 데이터와 내부 데이터를 함께 쓸 수 있고, 둘을 결합할 때 가장 쓸모 있는 결과가 나오는 경우가 많습니다. 내부 데이터는 보안 정책에 맞는 환경에서 처리하며, 외부로 반출이 어렵다면 고객 환경 안에서 작업하는 방식으로 진행합니다.

## JIRISO SYSTEMS · AI Engineering & FDE

주소: https://jiriso-studio.site/systems/

AI Agent, 업무 자동화, 백엔드·API, 데이터 파이프라인을 현업 환경에 맞춰 설계하고 개발합니다. PoC에서 멈춘 AI를 권한·보안·예외 처리까지 갖춘 운영 시스템으로 완성합니다.

### 이런 곳에서 의뢰합니다

- AI 도입을 검토하는 현업 부서와 DX·AX 추진 조직
- 아이디어는 있는데 만들어 줄 개발자가 없는 팀
- PoC는 끝났는데 운영으로 넘어가지 못한 프로젝트

### 하는 일

- **AI Agent 개발**: 사내 분석 함수와 업무 도구를 불러 쓰고, 근거를 붙여 답하는 Agent를 만듭니다. 계산은 검증된 코드에 맡기고 Agent는 도구 선택과 설명만 하도록 나눠, 사람이 결과를 확인할 수 있게 합니다.
- **RAG·LLM 애플리케이션**: 사내 규정, 매뉴얼, 보고서를 찾아 출처와 함께 답하는 시스템을 만듭니다. 평가셋으로 답변 정확도를 재고, 문서 권한에 따라 볼 수 있는 범위를 나눕니다.
- **업무 자동화·데이터 파이프라인**: 정기 보고서 작성, 자료 취합, 시스템 간 데이터 이관처럼 매번 반복되는 업무를 Python과 API로 자동화합니다. 실패하면 다시 돌리고 담당자에게 알리는 부분까지 설계합니다.
- **백엔드·API 개발**: FastAPI 기반 서비스, 데이터베이스 설계, 인증·권한, 로그, 배포 환경까지 직접 구현합니다. 기존 시스템과의 연동 규격(API 명세)도 함께 문서화합니다.
- **사내 업무 도구·대시보드**: 현업 담당자가 직접 쓰는 조회·입력 화면과 운영 대시보드를 빠르게 만들어, 실제로 써 보며 검증합니다. 써 본 의견을 반영해 기능을 하나씩 늘립니다.

### 자주 묻는 질문

**Q. FDE는 어떤 협업 방식인가요?**

A. Forward Deployed Engineering의 줄임말입니다. 엔지니어가 고객 곁에서 현장 문제를 함께 정의하고, 핵심 기능을 직접 만들어 업무에 연결하는 방식입니다. 요구사항을 문서로 받아 외부에서 개발하는 일반 외주와 달리, 현업 담당자와 짧은 주기로 만들고 써 보며 고칩니다. 꼭 상주할 필요는 없고, 과제에 따라 상주·원격·정기 자문을 섞습니다. 보통 초기 요구사항 정의와 현장 검증 시기에는 대면 비중을 높이고, 개발 기간에는 원격으로 진행합니다.

**Q. AI가 틀린 답을 내놓으면 어떻게 하나요?**

A. 틀릴 수 있다는 전제로 설계합니다. 숫자 계산이나 데이터 조회처럼 정확해야 하는 일은 검증된 코드와 분석 함수가 맡고, AI는 어떤 도구를 쓸지 고르고 결과를 설명하는 역할만 하도록 나눕니다. 문서 검색형(RAG) 시스템은 답변마다 출처를 붙여 사람이 원문을 확인할 수 있게 하고, 평가용 질문 세트로 정확도를 재서 개선합니다. 결과가 업무 판단에 직접 쓰인다면 사람이 검토하고 승인하는 단계를 흐름 안에 넣습니다.

**Q. 어떤 LLM을 쓰나요?**

A. 특정 모델을 고정해 두지 않습니다. 과제의 정확도 요구, 비용, 응답 속도, 그리고 무엇보다 보안 정책에 맞춰 상용 LLM API나 사내에 설치할 수 있는 모델을 비교해 제안합니다. 모델을 호출하는 부분을 분리해 두기 때문에, 나중에 더 나은 모델이 나오거나 정책이 바뀌어도 시스템 전체를 고치지 않고 교체할 수 있습니다.

**Q. 공간정보와 무관한 AI 프로젝트도 가능한가요?**

A. 됩니다. 문서 처리, 보고서 자동화, 자료 취합, 시스템 간 데이터 이관, 사내 검색(RAG), 운영 대시보드처럼 지도와 상관없는 과제도 맡습니다. 공간데이터가 섞인 과제라면 GEO 라인과 함께 진행해 위치 정보까지 한 시스템 안에서 다룹니다.

**Q. 사설망·온프레미스 환경에서도 개발할 수 있나요?**

A. 보안 정책, 망 분리 여부, 반입할 수 있는 도구와 라이브러리, 원격 접속 가능 여부를 먼저 확인한 뒤 그 안에서 가능한 구성을 제안합니다. 사설망 DB 두 곳을 연동해 API와 작업자용 화면을 구축하고, 보안 터널을 통해 배포한 경험이 있습니다. 외부 LLM을 쓸 수 없는 환경이라면 사내 설치형 모델이나 AI 없이 규칙과 자동화로 푸는 방법을 함께 검토합니다.

**Q. 개발 기간은 얼마나 걸리나요?**

A. 범위에 따라 크게 다릅니다. 그래서 착수 전에 기능을 쪼개 주 단위 일정(WBS)으로 확정하고, 단계마다 작동하는 결과물을 보여 드리며 진행 상황을 공유합니다. 급한 일정이 있다면 꼭 필요한 기능부터 먼저 만들어 쓰기 시작하고, 나머지를 단계적으로 더해 가는 방식을 제안합니다.

**Q. 개발 이후 유지보수도 맡아 주나요?**

A. 소스코드, 운영 매뉴얼, API 명세를 넘기고 담당자에게 인계하는 것을 기본으로 합니다. 로그와 오류 알림, 재처리 절차를 갖춰 두어 운영팀이 문제를 직접 파악할 수 있게 만듭니다. 안정화 기간의 기술 지원은 계약 범위에 포함하며, 이후 유지보수나 기능 추가, 정기 기술 자문은 따로 협의합니다.

## JIRISO ACADEMY · Enterprise AI & AX Education

주소: https://jiriso-studio.site/academy/

생성형 AI, AX, 데이터 분석, GIS를 수강하는 조직의 실제 업무 사례로 가르칩니다. 교육이 끝나는 날, 수강생마다 다음 날 바로 쓸 결과물을 하나씩 가져갑니다.

### 이런 곳에서 의뢰합니다

- 전 직군 실무자
- 조직장·혁신 담당
- 개발·데이터 직군
- 공공기관·연구자

### 자주 묻는 질문

**Q. 비개발 직군 대상 교육도 가능한가요?**

A. 됩니다. 비개발 직군에게는 문서 작성, 자료 조사, 회의록 정리, 엑셀 작업처럼 매일 하는 업무를 예제로, AI 결과를 어떻게 검증하고 고쳐 쓰는지에 집중합니다. 개발·데이터 직군에게는 Python과 API로 직접 구현하는 실습을 합니다. 교육 전에 간단한 사전 진단으로 수강생 수준을 확인하고, 수준 차이가 크면 반을 나누거나 실습 과제의 난이도를 단계별로 준비합니다.

**Q. 회사 실제 자료로 실습할 수 있나요?**

A. 보안 정책과 자료 사용 권한을 먼저 확인합니다. 원칙적으로 가명처리·비식별 데이터, 실제 업무를 본뜬 합성 데이터, 공개 데이터를 사용합니다. 민감 정보나 기밀 자료를 외부 AI 서비스에 입력하는 실습은 하지 않으며, 그 대신 어떤 자료는 넣어도 되고 어떤 자료는 안 되는지를 교육 내용에 포함합니다.

**Q. 회사에서 허용한 AI 도구가 정해져 있으면요?**

A. 그 도구를 기준으로 과정을 설계합니다. 사내 승인 도구, 사내 구축형 LLM, Copilot처럼 이미 쓰는 도구가 있다면 그 환경에서 바로 실습할 수 있게 예제를 맞춥니다. 도구가 아직 정해지지 않았다면 업무 성격과 보안 정책에 맞는 선택지를 비교해 드리는 것부터 교육에 넣을 수 있습니다.

**Q. 교육 시간과 비용은 어떻게 정해지나요?**

A. 과정별로 적어 둔 시간은 설계를 위한 예시입니다. 교육 인원, 난이도, 실습 환경 구축 여부, 맞춤 교안 제작 범위, 온라인·오프라인 방식에 따라 일정과 견적을 산정해 제안서로 드립니다. 반나절 특강부터 여러 회차로 나눈 과정, 팀별 프로젝트를 진행하는 워크숍까지 구성할 수 있습니다.

**Q. 온라인으로도 진행하나요?**

A. 온라인, 오프라인, 혼합 방식 모두 가능합니다. 실습 비중이 높은 과정은 수강생 화면을 보며 바로 도와드릴 수 있는 오프라인을 권하지만, 온라인으로 진행할 때는 실습 환경과 자료를 미리 배포하고 단계별 체크포인트를 두어 따라오지 못하는 분이 없게 합니다.

**Q. 교육이 끝난 뒤에는 무엇이 남나요?**

A. 교안과 실습 자료, 수강생 각자가 만든 결과물(프롬프트 템플릿, 분석 노트북, 데모 코드 등)이 남습니다. 교육 중에 나온 업무 과제는 현업 적용 가이드로 정리해 드리고, 만족도와 성취도 결과도 함께 보고합니다. 원하시면 그중 우선순위가 높은 과제를 PoC나 개발 프로젝트로 이어 갈 수 있습니다.

**Q. 개발 프로젝트와 교육을 함께 의뢰할 수 있나요?**

A. 됩니다. 파일럿 도구를 개발한 뒤 운영 담당자 교육을 진행하거나, 교육 워크숍에서 발굴한 과제를 PoC로 바로 전환하는 식으로 묶을 수 있습니다. 만든 사람이 직접 가르치기 때문에 도구의 구조와 한계까지 정확하게 전달할 수 있습니다.

## JIRISO RESEARCH · Applied Research & Open Source

주소: https://jiriso-studio.site/research/

공간통계, GeoAI, 공간 알고리즘을 연구하고, 새 기술이 현장에서 통하는지 먼저 확인합니다. 논문과 공개 코드로 확인할 수 있는 연구를 바탕으로 공동 연구와 기술 자문을 합니다.

### 자주 묻는 질문

**Q. 연구 중인 기술을 바로 도입할 수 있나요?**

A. 연구와 프로토타입은 상용 제품이 아니라 가능성을 확인하는 단계의 결과입니다. 도입을 원하시면 고객 데이터로 PoC를 먼저 해 보고, 실제 환경에서도 통하는지와 필요한 개발 범위를 확인합니다. PoC 결과에 따라 본 개발로 갈지, 연구를 더 진행할지 함께 결정합니다.

**Q. 공동 연구나 기술 자문이 가능한가요?**

A. 공간통계, GeoAI, 교통·지역 분석, 공간 알고리즘 분야의 공동 연구, 연구 과제 참여, 기술 자문 문의를 받습니다. 연구 질문 설계, 데이터 수집과 전처리, 분석 모형 비교, 결과 시각화와 논문·보고서 작성 지원까지 필요한 부분을 나눠 맡을 수 있습니다. 문의 양식에서 JIRISO RESEARCH를 선택하고 연구 주제와 보유 데이터, 일정을 적어 주세요.

**Q. 연구 결과는 어디까지 공개되나요?**

A. 공개 범위는 착수 전에 함께 정합니다. 논문이나 보고서로 발표할지, 소스코드를 공개할지, 데이터는 비공개로 둘지를 과제와 데이터 제공 조건에 맞춰 협의하고 계약서에 적습니다. 제공받은 데이터는 합의한 범위 밖으로 쓰지 않습니다.

**Q. 연구는 어떤 기준으로 검증하나요?**

A. 착수 전에 가설과 평가 지표, 비교 기준을 먼저 문서로 정합니다. 예를 들어 예측 모형이라면 여러 모형을 같은 데이터로 비교하고 RMSE·MAE 같은 지표로 차이를 보입니다. 결과와 함께 데이터와 방법의 한계도 기록해, 어떤 조건에서 결론이 유효한지 분명히 합니다.

## 기업교육 과정 상세

### 생성형 AI 실무 활용 (T01)

- 주소: https://jiriso-studio.site/academy/#genai
- 대상: 전 직군 실무자 · 비개발자 · 신입/중간관리자 · 수준: 입문–실무 · 시간: 4–8시간 예시

ChatGPT·Claude·Gemini·Copilot 등 도구의 차이를 이해하고 문서·회의·조사·보고 업무를 안전하게 개선합니다.

구성: AI 리터러시와 보안(모델 특성·환각·개인정보·기업 데이터 입력 지침) / 프롬프트와 검증(업무 분해, 구조화 출력, 출처·수치·환각 확인) / 직무별 자동화 실습(메일·보고서·회의록·시장조사·스프레드시트) / 업무 적용 워크숍(개인별 워크플로 정리 및 동료 피드백)

결과물: 검증 가능한 프롬프트 템플릿, 직무별 AI 활용 시나리오, 업무 적용 체크리스트

### 기업 AX 전환·업무 혁신 PBL (T02)

- 주소: https://jiriso-studio.site/academy/#ax-pbl
- 대상: 조직장 · 혁신 담당자 · 사내 AI TF · 현업 리더 · 수준: 실무–고급 · 시간: 1–3일 예시

실제 조직의 반복 업무를 발굴하고, 비용·효과·데이터 위험을 평가한 후 실행 가능한 AX 과제로 구체화합니다.

구성: AX 기회 진단(업무량·병목·반복성·검증 난이도 분석) / 과제 우선순위(실현 가능성·ROI 가설·보안 제약 평가) / 프로토타입 PBL(문서/데이터 흐름을 AI와 연결해 시험 구현) / 도입 로드맵(오너십·평가지표·파일럿·확산 계획 작성)

결과물: 조직별 AX 과제 백로그, 우선순위 매트릭스, 파일럿 기획서·성과 지표

### AI Agent·RAG 개발 실습 (T03)

- 주소: https://jiriso-studio.site/academy/#agents
- 대상: 개발자 · 데이터 분석가 · 자동화 담당자 · 수준: 중급 · 시간: 8–24시간 예시

Python 기반으로 LLM API, Tool Calling, 검색 증강 생성 및 검증 로직을 결합해 업무형 AI 애플리케이션을 구현합니다.

구성: LLM 애플리케이션 구조(API 호출, 구조화 출력, 비용·지연 관리) / RAG와 검색 품질(문서 전처리, 청크 전략, 검색 평가) / Tool Calling·Agent(외부 API·DB 연동, 상태·재시도·안전 경계) / 품질 검증과 서비스화(평가셋, 로그, 예외 처리, 데모 배포)

결과물: 실행 가능한 Agent/RAG 데모, 소스 코드와 실습 안내, 기본 평가·테스트 체크리스트

### Python·SQL·데이터 분석 (T04)

- 주소: https://jiriso-studio.site/academy/#data
- 대상: 실무 분석가 · 비전공자 · 데이터 조직 · 수준: 입문–중급 · 시간: 8–24시간 예시

실제 데이터로 전처리·분석·시각화·지표 설계를 연습하고 재현 가능한 분석 결과물을 제작합니다.

구성: 분석 기초(Python·pandas·SQL의 핵심 패턴) / 데이터 품질(결측·중복·이상치·스키마 점검) / 지표와 시각화(KPI 정의, 탐색 분석, 대시보드 구성) / 현업 미니 프로젝트(문제 정의·분석·결과 발표)

결과물: 재현 가능한 Jupyter 분석 노트북, 기초 데이터 품질 리포트, 실무 KPI·시각화 결과

### QGIS·GeoPandas·공간분석 (T05)

- 주소: https://jiriso-studio.site/academy/#gis
- 대상: 공공기관 · 연구자 · 공간정보 담당자 · 수준: 입문–고급 · 시간: 4–24시간 예시

좌표계·공간자료 구조부터 버퍼·중첩·네트워크 분석 및 Python 기반 GIS 자동화까지 단계별로 학습합니다.

구성: 공간데이터 기초(CRS, 벡터·래스터, 공개 데이터 수집) / QGIS 핵심 실습(자료 결합·지오프로세싱·지도 제작) / Python 공간분석(GeoPandas·공간조인·기초 자동화) / 적용 프로젝트(입지·접근성·교통·환경 중 택일)

결과물: QGIS 프로젝트 파일, 분석 레이어와 지도 산출물, 재현 가능한 처리 절차

### 위성영상·원격탐사 실습 (T06)

- 주소: https://jiriso-studio.site/academy/#remote
- 대상: 환경·산림·공공공간정보 실무자 · 대학원 연구자 · 수준: 입문–중급 · 시간: 4–16시간 예시

위성·항공영상의 특성을 이해하고 QGIS와 Python을 활용해 지표 계산과 시계열 변화 분석을 수행합니다.

구성: 원격탐사 데이터(해상도, 밴드, 전처리, 메타데이터) / 영상 정합·지표(좌표 정합, NDVI 등 지표 계산) / 변화탐지(시점별 차이, 임계값, 오탐 검수) / 분석 결과 해석(검증 한계, 지도·보고서 작성)

결과물: 영상 분석 실습 파일, 변화 후보 지도, 검증 및 해석 리포트

## 작업 사례 상세

### 5천만 건 지오코딩 데이터 운영

- 주소: https://jiriso-studio.site/work/geocoding-platform/
- 구분: 실무 프로젝트
- 수행 범위: 데이터 엔지니어링, 공간 데이터베이스 운영, 품질 관리 워크플로
- 기술: PostGIS, PostgreSQL, Python

5천만 건 규모 PostGIS 주소 데이터 파이프라인을 운영하며 서로 다른 공공 원천 데이터를 서비스 가능한 위치 데이터로 전환했습니다.

**문제.** 주소 데이터는 출처마다 형식과 좌표계가 다르고, 매달 새 버전이 나올 때마다 표기와 구조가 조금씩 바뀝니다. 한 번 공간조인을 해 두는 방식으로는 서비스를 안정적으로 운영할 수 없습니다. 어떤 레코드가 어디서 와서 어떻게 바뀌었는지 추적할 수 있어야 하고, 같은 품질의 갱신을 매달 반복할 수 있어야 했습니다.

**접근.** 작업을 일회성 분석이 아니라 운영 파이프라인으로 짰습니다. 공공 주소 원천을 받아 정규화와 품질 검수를 거치고, PostGIS에서 공간 참조를 맞춰 매칭한 뒤, 예외 레코드를 따로 걸러 서비스용 데이터로 배포하는 다섯 단계입니다. 단계마다 입력과 출력이 분리되어 있어 어느 단계에서 문제가 생겼는지 바로 찾을 수 있습니다.

**판단.** 원천, 변환, 서비스 레이어를 물리적으로 나눴습니다. 매칭에 실패한 레코드가 생겨도 5천만 건 전체를 다시 돌리지 않고 해당 레코드만 꺼내 원인을 확인하고 고칠 수 있게 하기 위해서입니다. 갱신이 매달 반복되는 데이터에서는 이 구조가 운영 비용을 가장 크게 줄입니다.

**어려웠던 점.** 5천만 건은 데스크톱 GIS로 열어서 다룰 수 있는 규모가 아닙니다. 공간 인덱스를 설계하고, 작업을 배치 단위로 나눠 데이터베이스 안에서 처리하는 방식으로 바꿔야 했습니다. 릴리스마다 달라지는 원천 형식에 맞춰 정규화 규칙을 관리하는 것도 매달 반복되는 일이었습니다.

**결과.** 5천만 건 규모의 PostGIS 지오코딩 워크플로를 월 단위로 운영했고, 매월 갱신과 품질관리 개선을 거치며 지오코딩 서비스 정확도 약 2% 향상을 기록했습니다.

**근거.** 확인된 범위: 공간데이터 5천만 건, 월 단위 갱신·정합성 검증. 정확도 약 2% 향상은 내부 서비스 기준 수치이며 평가셋은 이 페이지에 공개하지 않습니다.

### 100GB 공유 모빌리티 수요 분석

- 주소: https://jiriso-studio.site/work/mobility-intelligence/
- 구분: 실무 프로젝트
- 수행 범위: 모빌리티 데이터 분석, KPI 설계, 대시보드 제공
- 기술: Python, Spatial Analysis, Tableau

2억 건 규모 이용 기록을 포함한 100GB 공유 모빌리티 로그를 분석해 운영 KPI 5개와 Tableau 대시보드 3종으로 전환했습니다.

**문제.** 원시 이동 로그는 '언제 어디서 무엇이 일어났는지'를 기록할 뿐, 운영팀이 내려야 할 판단을 직접 말해 주지 않습니다. 어느 지역에 수요가 몰리는지, 시간대별로 이용이 어떻게 달라지는지를 매번 같은 기준으로 비교할 수 있는 안정적인 시공간 지표가 필요했습니다.

**접근.** 약 2억 건의 이용 기록을 정제하고, 운영 판단에 쓰이는 공간 단위와 시간 단위로 다시 집계했습니다. 그 위에 공간 수요 지표를 만들고, 운영 KPI 5개를 정의한 뒤, 이를 Tableau 대시보드 3종으로 나눠 담았습니다. 분석은 Python으로, 공간 집계는 공간분석 기법으로 처리했습니다.

**판단.** KPI의 정의와 대시보드 화면을 분리했습니다. 지표를 화면마다 따로 계산하면 같은 이름의 숫자가 화면마다 달라지기 때문입니다. 한 번 정의한 KPI를 여러 운영 질문에서 그대로 다시 쓸 수 있게 만들었습니다.

**어려웠던 점.** 100GB 로그를 시각화 도구에 바로 올려 탐색하면 느리고, 무엇보다 결과를 믿기 어렵습니다. 정제, 집계, 검증 단계를 나눈 단계적 분석 파이프라인을 먼저 만들고, 대시보드는 검증된 집계 결과만 읽도록 했습니다.

**결과.** 100GB 공유 모빌리티 로그에서 핵심 수요지역과 이용 추세를 설명하는 운영 KPI 5개와 Tableau 대시보드 3종을 만들어 제공했습니다.

**근거.** 확인된 범위: 이용 기록 2억 건, 로그 100GB, KPI 5개, Tableau 대시보드 3종.

### 고정밀 전자지도 보행 경로 프로토타입

- 주소: https://jiriso-studio.site/work/pedestrian-routing-prototype/
- 구분: 연구·공모전
- 수행 범위: 공간데이터 처리, 중심선 추출, 경로 탐색 프로토타입
- 기술: Vector MAT, Mapbox, Streamlit

국토지리정보원 고정밀 전자지도의 건물 폴리곤에서 보행 가능 공간의 중심선을 추출해 아파트 단지 내 보행 경로를 탐색하는 Streamlit 프로토타입을 구현했습니다.

**문제.** 아파트 단지 안의 보행 동선은 도로망이 아니라 건물 사이의 열린 공간을 따라 형성되어, 도로 기반 경로 탐색으로는 설명하기 어렵습니다.

**접근.** 벡터 중심축 변환(Medial Axis Transformation)으로 건물 사이 공간의 센터라인(스켈레톤)을 추출해 보행 경로 네트워크로 사용하고, 경로 탐색과 시각화는 Mapbox와 Streamlit 웹앱으로 구성했습니다.

**판단.** 별도의 보행 네트워크 데이터를 기다리지 않고 공간의 형상에서 보행 네트워크를 만들었으며, 경로 탐색은 호스팅 API에 맡겨 데이터 변환에 집중했습니다.

**어려웠던 점.** 범위 구분: 공공 고정밀 전자지도 데이터를 활용한 프로토타입입니다. 상용 HD Map이나 차선 단위 차량용 데이터가 아니며, 경로 탐색은 자체 엔진이 아니라 Mapbox를 통해 수행했습니다.

**결과.** 동작하는 프로토타입을 구현해 2025 고정밀 전자지도 활용 데이터 혁신 경진대회에서 한국측량학회장상을 받았습니다.

**근거.** 확인된 범위: 국토지리정보원 고정밀 전자지도 건물 폴리곤, 센터라인 추출, Mapbox 경로 탐색, Streamlit 앱과 위 수상. 정량 정확도와 현장 검증은 수행하지 않았습니다.

### 헬륨공정 AI 자율제어 시스템

- 주소: https://jiriso-studio.site/work/manufacturing-anomaly-detection/
- 구분: 실무 프로젝트
- 수행 범위: 데이터 실사, DB 스키마, 백엔드, 대시보드, 배포
- 기술: FastAPI, PostgreSQL, SQLAlchemy, Chart.js, Docker, Railway, Tailscale

열처리 공정 데이터, 헬륨 리크테스트 결과와 AI 예측결과 저장 체계를 작업자용 시스템으로 통합하고, 원천 데이터 검증부터 DB 설계, 7개 FastAPI 엔드포인트와 Railway·Tailscale 배포까지 구현했습니다.

**문제.** 공정 로그와 헬륨 리크테스트 결과가 사설망 내부의 서로 다른 PostgreSQL DB에 분리되어 있었습니다. 실제 수집 기간이 겹치지 않고 일부 주요 변수도 비어 있어, 근거 없는 인과관계나 AI 성능을 제시하지 않고 데이터 한계를 명확히 드러내는 시스템이 필요했습니다.

**접근.** 공정 로그 3만7천여 행과 리크테스트 원본을 실사해 결측 컬럼과 기간 불일치를 확인하고, 호기별로 흩어진 기록을 모델 기준으로 통합 집계하도록 재설계했습니다. 예측 실행, 14존 최적 공정조건, 예측·실측 정확도를 저장하는 AI 테이블 3개와 다중 DB 추출 구조를 설계했습니다.

**판단.** 사설망 내부 DB 2곳의 SQLAlchemy 세션을 분리하고 DB 초기화를 지연시켜 설정이 누락되어도 API 서버가 기동하도록 설계했습니다. 미연동 값은 대시보드에서 임시값으로 구분하고, 화면은 DB 구조가 아니라 PRE-HEAT·DRY-OFF·HEATING 1~7존·품질검사 순서에 맞췄습니다.

**어려웠던 점.** 제한된 컨테이너 환경에서 사설망 접근 문제를 해결하고, API 서버가 먼저 기동한 뒤 네트워크·DB 초기화를 백그라운드에서 수행하도록 기동 순서를 재설계해 헬스체크 재시작 루프를 막았습니다.

**결과.** 리크테스트 통합 집계, 공정 로그 최신 스냅샷과 AI 결과 테이블 3개를 조회하는 API 엔드포인트 7개를 구현했습니다. 검증된 API 데이터가 들어오면 임시값을 실측값으로 전환하는 대시보드를 구축하고, 직접 호출·원본 쿼리 대조·타임스탬프 변화로 실데이터 연동을 검증했습니다.

**근거.** 확인된 범위: 공정 로그 3만7천여 행 실사, 사설망 DB 2개 연동, AI 결과 테이블 3개 설계, API 엔드포인트 7개와 작업자 대시보드 배포.

### 국방 디지털트윈 공간 레이어 구축

- 주소: https://jiriso-studio.site/work/defense-digital-twin/
- 구분: 실무 프로젝트
- 수행 범위: 공간데이터 엔지니어링, 레이어 제작, 납품 품질 검수
- 기술: GIS, Spatial ETL, PostGIS

국방 디지털트윈 환경을 위한 25개 공간 레이어를 구축하고, 원천 GIS 데이터를 시각화·분석에 바로 쓸 수 있는 일관된 자산으로 정리했습니다.

**문제.** 디지털트윈 화면이 제대로 보이려면, 그 아래 깔리는 공간 레이어들이 먼저 서로 맞아야 합니다. 지오메트리, 속성, 좌표계가 어긋난 레이어는 시각화 단계에서 고치기 어렵고 분석 결과까지 왜곡합니다. 원천 GIS 데이터를 애플리케이션이 바로 쓸 수 있는 일관된 자산으로 바꾸는 일이 필요했습니다.

**접근.** 원천 GIS 데이터를 받아 스키마와 좌표계를 맞추고, 레이어별로 품질을 검수한 뒤, 고객 환경에 넣을 레이어 패키지로 묶는 순서로 진행했습니다. 각 레이어를 '납품물'로 보고 통합 전에 불일치를 모두 해소하는 것을 기준으로 삼았습니다.

**판단.** 데이터 품질과 상호운용성을 시각화 팀에 넘길 문제가 아니라 납품 범위 안의 책임으로 정의했습니다. 레이어가 애플리케이션에 들어가기 전에 맞춰 두어야 뒤 단계에서 같은 문제를 반복해서 고치지 않기 때문입니다.

**어려웠던 점.** 원천 데이터와 고객 시스템 환경은 공개할 수 없습니다. 그래서 이 사례는 고객, 플랫폼, 성능 수치를 지어내지 않고 제가 맡은 범위와 산출물, 시스템 경계만 적었습니다.

**결과.** 2D·3D 국방 디지털트윈 분석에 쓰이는 공간 레이어 25개와 래스터 파생 데이터 3종을 구축해 납품했습니다.

**근거.** 확인된 범위: 공간 레이어 25개와 래스터 파생 데이터 3종. 제한된 고객·시스템 정보는 공개하지 않습니다.

### 관광특구 우선순위 수립 지원

- 주소: https://jiriso-studio.site/work/tourism-decision-support/
- 구분: 실무 프로젝트
- 수행 범위: 공간 데이터베이스, 접근성 분석, 정량 평가
- 기술: QGIS, PostGIS, GeoPandas

관광시설 1,281개와 외국인 방문객 54만 명 데이터를 결합해 송파구 후보지 3개 권역을 평가하고 관광특구 확대 우선순위 수립을 지원했습니다.

**문제.** 관광특구를 정하려면 후보 권역마다 방문객이 얼마나 들어오는지, 관광·숙박시설이 얼마나 있는지, 교통으로 접근하기 쉬운지, 토지이용이 맞는지를 한꺼번에 비교할 근거가 필요합니다. 데이터마다 출처와 공간 단위가 달라 그대로 놓고 비교할 수 없었습니다.

**접근.** 관광시설 1,281개와 외국인 방문객 54만 명 데이터를 공간 데이터베이스로 묶고, 송리단길·방이시장·풍납토성 세 후보 권역을 같은 위치·접근성 지표로 정량 비교했습니다. QGIS, PostGIS, GeoPandas로 데이터를 정합하고 분석했습니다.

**판단.** 후보지 점수를 원천 지표까지 거슬러 올라가 확인할 수 있게 만들었습니다. 정책 결정에 쓰이는 우선순위는 '왜 이 순서인지'를 관계자에게 설명할 수 있어야 하기 때문입니다.

**어려웠던 점.** 방문객, 시설, 토지이용 데이터가 서로 다른 공간 단위로 집계되어 있어, 셋을 비교할 수 있는 공통 평가 단위를 먼저 정하고 모든 데이터를 그 단위로 다시 맞춰야 했습니다.

**결과.** 송파구 관광특구 재지정 용역에 쓰일 후보지 우선순위 평가와 추진전략 수립 근거를 제공했습니다.

**근거.** 확인된 범위: 관광시설 1,281개, 외국인 방문객 54만 명, 후보지 3개 권역.

### 다시길 — 개인화 경로 추천 서비스

- 주소: https://jiriso-studio.site/work/dasigil/
- 구분: 기술 시연·자체 제품
- 수행 범위: 서비스 기획, 추천 엔진 설계, FastAPI/PostGIS 백엔드, Flutter 앱, 배치 파이프라인, 배포
- 기술: Flutter, FastAPI, PostGIS, Mapbox, Airflow, Railway

가장 빠른 길이 아니라 ‘나에게 맞는 길’을 추천합니다. 지나온 길의 기억·POI·안전 지도로 후보 경로를 점수화하는 개인화 경로 추천 앱입니다.

**문제.** 일반 내비게이션은 목적지까지 가장 빠른 길 하나만 알려주고, GPS 기록 앱은 지난 길을 남기기만 합니다. 걷거나 자전거를 탈 때는 익숙한 길, 경사와 계단, 큰길 여부, 안전시설, 들를 만한 장소가 선택 기준이 되는데 이를 함께 반영하는 서비스는 드뭅니다.

**접근.** Flutter(앱) → FastAPI → PostGIS·Redis·Mapbox 요청 경로와, Airflow 배치 경로(이동 기록 처리, POI 갱신, 경로 속성 갱신, 사용자 선호 학습)를 분리했습니다. 추천 로직은 backend/app/recommendation 한 곳에 순수 함수로 모았습니다. 익숙함(Familiarity), 신뢰도(Reliability), 경로 유사도, 우회·혼란 페널티, POI 효용, 사용자 라우팅 프로필을 계산하고 알아서·빨리·익숙하게·구경하며·먹으며·평탄하게 6가지 전략 프리셋으로 가중치를 바꿉니다.

**판단.** 최종 점수는 시간 0.30, 익숙함 0.20, 신뢰도 0.15, POI 0.15 등 가중합에서 우회·혼란 페널티를 빼는 구조로, 가중치는 설정 파일 한 곳에서만 조정합니다. 안전 지도는 교통량을 안전 신호로 쓰지 않았습니다. 교통량은 보행자 수와 차량 위험을 동시에 키워 방향을 단정할 수 없기 때문입니다. 추천 이유는 LLM이 아니라 규칙 기반 템플릿으로 생성해 결과를 재현 가능하게 했고, Mapbox 토큰이 없는 운영 환경에서는 가짜 경로 대신 503을 반환합니다.

**어려웠던 점.** 사용자 기록과 지도 데이터는 오차가 큽니다. GPS 정제, 구간 중복 제거 제약, 방문 POI 중복 방지, 지리 표현식 인덱스 등 데이터 품질 문제를 마이그레이션 단위로 하나씩 해결했습니다. 제보 데이터는 투표만으로 반영하지 않고 운영자 승인 후 공식 데이터에 반영하도록 검토 단계를 두었고, Mapbox 3.0 알파 버전 전환과 소셜 로그인(카카오·네이버·구글), FCM 푸시, 계정 삭제 같은 출시 요건도 처리했습니다.

**결과.** 추천(6가지 전략)·코스 만들기와 3D 미리보기·경로 이탈 알림·안전/접근성 지도·참여형 제보·기록과 회고까지 갖춘 앱과 API를 구현했습니다. 백엔드는 Railway(PostGIS, Redis)에서 운영하며 Alembic 마이그레이션 46개, 백엔드 테스트 파일 79개, CI가 있습니다. Android 출시 점검(Google Play 정책, 배포 런북, 버그 대장)을 문서화했습니다.

**근거.** 저장소는 비공개이며, 아래 실기기 시연 영상에서 홈, 3D 경로 안내, 경로 이탈 알림, 코스, 기록, 프로필을 확인할 수 있습니다. 사용자 수나 추천 정확도 같은 성과 수치는 측정하지 않아 제시하지 않습니다.

### 여로 — 제주 여행 플래너

- 주소: https://jiriso-studio.site/work/yeoro/
- 구분: 기술 시연·자체 제품
- 수행 범위: 모노레포 아키텍처 설계, Flutter 프론트엔드, FastAPI 백엔드 풀스택 구현
- 기술: Flutter, FastAPI, Mapbox
- 라이브: https://tourism-real.up.railway.app/

AI가 짜준 제주 일정을, 실제 이동수단·날씨 데이터로 검증해 보여주는 여행 플래너입니다.

**문제.** 제주 여행 일정은 AI로 쉽게 짤 수 있지만, 실제 이동수단(도보·자전거·스쿠터·자동차·대중교통)별 소요시간과 날씨 변수를 반영하지 않으면 현실성이 떨어집니다.

**접근.** 모노레포로 Flutter 프론트와 FastAPI 백엔드를 함께 설계하고, TourAPI·카카오·기상청 공공데이터를 Airflow ETL로 수집해 LLM 기반 일정 생성 로직과 결합했습니다.

**판단.** 이동수단별 실제 경로 비교를 위해 Mapbox Directions와 Tmap 대중교통 API를 함께 사용하고, 방문 순서 최적화 로직으로 AI가 만든 일정에 실좌표·실시간 날씨를 결합해 신뢰도를 높였습니다.

**어려웠던 점.** AI가 생성한 일정과 실제 지리·교통·날씨 데이터를 정합하고, 도보·자전거·스쿠터·자동차·대중교통 다섯 가지 이동수단의 경로·시간·거리를 하나의 화면에서 비교 가능하게 만들어야 했습니다.

**결과.** AI 일정 생성부터 이동수단별 경로 비교, 실시간 날씨·기상특보, 체험·맛집·숙소 탐색과 경유지 추천까지 하나의 앱에서 제공하는 제주 여행 플래너를 구현했습니다.

**근거.** 라이브 서비스에서 AI 일정 생성, 이동수단별 경로 비교와 날씨 연동 흐름을 직접 확인할 수 있습니다. 공개 저장소는 제공하지 않습니다.

### LocalCart — 인천 동네 장보기

- 주소: https://jiriso-studio.site/work/localcart/
- 구분: 기술 시연·자체 제품
- 수행 범위: 공간 데이터 설계, 추천 로직, 지도 서비스 구현
- 기술: Next.js, FastAPI, Mapbox
- 라이브: https://incheon-project.vercel.app/

장바구니 재료와 이동 조건을 기준으로 동네 상점의 구매 경로를 비교하는 모바일 지도 웹앱입니다.

**문제.** 동네 상점 정보는 여기저기 흩어져 있고, 장을 보는 사람은 가격만이 아니라 걷는 거리와 몇 군데를 들러야 하는지까지 함께 따집니다. 가장 싼 곳, 가장 가까운 곳, 가장 적게 들르는 방법이 서로 다른 답을 낼 때 이를 한눈에 비교할 방법이 없었습니다.

**접근.** 사용자가 입력한 재료명을 정규화해 상점 데이터에 연결하고, 최저예산·최소거리·최소경유 세 가지 기준으로 구매 경로를 따로 계산해 비교하게 했습니다. 백엔드는 FastAPI, 화면은 Next.js 모바일 지도, 경로는 Mapbox Directions로 구성했습니다.

**판단.** 직선거리가 아니라 Mapbox의 실제 도보 경로로 거리를 계산했습니다. 지도에서는 가까워 보여도 길이 돌아가는 경우가 많아, 실제로 걸을 수 있는 동선을 기준으로 해야 추천을 믿을 수 있기 때문입니다.

**어려웠던 점.** 같은 재료도 사람마다 다르게 적고, 상점 데이터도 형식이 고르지 않았습니다. 이를 정규화하는 동시에 검색, 장바구니, 경로 비교라는 세 흐름을 작은 모바일 화면 하나에 자연스럽게 배치해야 했습니다.

**결과.** 같은 장바구니를 세 가지 추천 기준으로 비교하고, 각 기준의 예상 이동 동선을 지도에서 바로 확인할 수 있는 라이브 서비스를 구현했습니다.

**근거.** 라이브 제품에서 검색, 장바구니, 경로 비교 흐름을 직접 확인할 수 있습니다. 공개 저장소는 제공하지 않습니다.

### Geo Utilities — 브라우저 공간정보 도구

- 주소: https://jiriso-studio.site/work/geo-utilities/
- 구분: 기술 시연·자체 제품
- 수행 범위: 도구 기획, 프론트엔드 구현, 공간 알고리즘 통합
- 기술: TypeScript, Client-side GIS, H3 / Geohash / S2
- 라이브: https://geo-utilities.site

좌표 변환, GeoJSON·WKT 검수, H3·Geohash·S2 그리드, GPX·KML·CSV 변환, 테이블·공간 조인까지 29개 공간정보 도구를 대부분 서버 업로드 없이 브라우저에서 처리하는 무료 도구 모음입니다.

**문제.** 좌표계 변환, 포맷 검수, 그리드 인덱싱처럼 공간 데이터를 다룰 때마다 반복되는 작업이 있습니다. 그런데 이걸 하려면 매번 라이브러리를 설치하거나, 데이터를 외부 서비스에 올려야 했습니다. 보안 때문에 데이터를 밖으로 내보낼 수 없는 경우에는 그마저도 어렵습니다.

**접근.** EPSG 좌표 변환·지오코딩, GeoJSON·WKT 변환·검수, 거리·면적·버퍼 계산, H3·Geohash·S2 Cell·타일 변환, GPX·KML·CSV 변환에 테이블·공간 조인, 데이터셋 비교, 워크스페이스 등을 더해 9개 카테고리, 29개 도구를 하나의 웹앱에 구성했습니다.

**판단.** 연산을 가능한 한 브라우저 안에서 처리해 공간 데이터가 사용자 기기 밖으로 나가지 않게 했습니다. 그리고 누구나 바로 쓸 수 있도록 회원가입 없이 무료로 배포했습니다.

**어려웠던 점.** 좌표, 그리드, 파일 포맷마다 계산 방식이 전혀 다릅니다. H3·Geohash·S2 같은 서로 다른 공간 알고리즘을 TypeScript로 브라우저에서 돌리면서도, 29개 도구가 하나의 일관된 화면과 실무에 충분한 속도로 동작하게 만드는 것이 가장 어려웠습니다.

**결과.** 공간 인텔리전스, 워크스페이스, 좌표·좌표계, 변환·검수, 측정·분석, 그리드·인덱스, 파일·데이터, 참고 자료, 결합·비교 9개 카테고리, 29개 도구를 제공하는 라이브 웹 제품을 구현했습니다.

**근거.** 라이브 제품에서 29개 도구를 직접 확인할 수 있습니다. 공개 저장소는 제공하지 않습니다.

### 고속도로 물류 취약성 · 유류충격 분석

- 주소: https://jiriso-studio.site/work/logistics-agent/
- 구분: 연구·공모전
- 수행 범위: 분석 워크플로 설계, 공간 분석, Streamlit 구현
- 기술: Python, Streamlit, Spatial Analysis
- 라이브: https://ctcontest-production.up.railway.app/

자연어 질문을 여섯 개 분석 도구로 연결해 물류 취약 구간과 유가 충격 시나리오를 탐색하는 분석 서비스입니다.

**문제.** 물류 취약성과 유류비 충격은 도로 네트워크, 물류 시설, 지역 지표를 함께 봐야 이해할 수 있습니다. 질문이 바뀔 때마다 보는 데이터도 바뀌기 때문에, 정적인 지도 한 장으로는 '어느 구간이 약한지', '유가가 오르면 어디가 먼저 흔들리는지' 같은 질문에 답할 수 없었습니다.

**접근.** 사용자의 자연어 질문을 분석 의도별로 분류하고, 검증된 분석 함수 6개 가운데 필요한 것을 골라 호출하는 흐름을 설계했습니다. 질문 → 도구 선택 → 분석 함수 실행 → 공간 분석 결과 → 의사결정 화면으로 이어지며, 화면은 Streamlit으로 구현했습니다.

**판단.** LLM이 숫자를 지어내지 못하게 역할을 나눴습니다. 계산은 모두 검증된 분석 함수가 하고, Agent는 어떤 도구를 쓸지 고르고 결과를 설명하는 일만 합니다. 덕분에 화면에 나오는 수치는 언제나 코드로 다시 계산해 확인할 수 있습니다.

**어려웠던 점.** 네트워크, 시설, 지역 지표는 단위와 반환 형식이 제각각이라 그대로는 한 화면에서 비교할 수 없었습니다. 분석 함수 6개의 단계와 반환 형식을 하나로 맞춰, 어떤 도구를 불러도 같은 형태로 결과가 나오게 했습니다.

**결과.** 취약 구간과 유가 변화 시나리오를 한 인터페이스에서 비교할 수 있는 공모전 출품용 프로토타입을 구현하고, 라이브 데모와 소스코드를 공개했습니다.

**근거.** 코드와 구현 구조는 공개 저장소에서 확인할 수 있습니다. 운영 사용자 수나 성능 개선률은 측정하지 않아 표기하지 않습니다.

### 주민건강영향조사 대상지역 선별 공간모델

- 주소: https://jiriso-studio.site/work/traffic-health-screening/
- 구분: 실무 프로젝트
- 수행 범위: 데이터 엔지니어링, 공간 모델, 정책 지도 제공
- 기술: PostGIS, Python, QGIS

전국 도로망과 교통량 데이터를 3개 교통환경 지표로 구조화해 주민건강영향조사 대상지역의 우선순위를 정하는 공간모델을 구축했습니다.

**문제.** 전국 단위로 주민건강영향조사를 하려면, 교통 노출 때문에 더 자세히 들여다봐야 할 지역을 먼저 골라야 합니다. 담당자가 바뀌어도 같은 결과가 나오도록 재현 가능한 기준으로 선별하는 방법이 필요했습니다.

**접근.** 전국 도로망과 교통량 데이터를 수집·전처리해 PostGIS에서 관리하는 파이프라인을 만들고, 교통환경 지표 3개를 설계해 지역별 우선순위를 가리는 선별 모델을 구성했습니다. 결과는 QGIS로 정책 활용 지도까지 만들었습니다.

**판단.** 점수 하나만 넘기지 않았습니다. 모델이 '검토할 수 없는 숫자'가 되지 않도록, 분석에 쓴 데이터셋과 지도 결과를 함께 전달해 발주처가 근거를 직접 확인할 수 있게 했습니다.

**어려웠던 점.** 전국 규모의 도로 네트워크와 교통량 자료는 출처마다 지오메트리와 속성 구조가 달랐습니다. 이를 정합하면서도 전국 단위 공간쿼리가 실무에 충분한 속도로 동작하도록 성능을 확보해야 했습니다.

**결과.** 조사 대상지역 선정에 쓰는 공간 선별 모델과 분석 데이터셋, 정책 활용 지도를 함께 제공했습니다.

**근거.** 확인된 범위: 전국 도로망·교통량 데이터와 교통환경 지표 3개 기반 모델.