문제를 해결하는 개발자,
김코딩입니다.

💡 프로젝트 개요

유전자 변이에 민감하게 반응하는 임베딩을 생성하기 위해 GLM(Genomic Language Model)을 파인튜닝하는 과제였습니다. Nucleotide Transformer 논문을 분석하고, 제한된 GPU 자원 내에서 효율적인 학습 파이프라인을 구축했습니다.

🔥 문제 해결 과정

• 도메인 지식 습득: 생명과학 지식(DNA, RNA 등)이 부족했으나, 관련 논문과 자료를 단기간에 집중 학습하여 모델링에 적용했습니다.
• 코드 모듈화: 초기 'All-in-one' 스파게티 코드를 Dataset, EDA, Train, Inference로 기능별 분리하여 유지보수성을 높였습니다.
• 협업 커뮤니케이션: 선배와 팀을 이루어 진행하며, "40% 완성 시 피드백 공유" 원칙을 통해 빠른 의사결정을 진행했습니다.

🚀 성장과 배운 점

실험을 설계할 때 다음 3가지가 중요하다는 점을 배웠습니다:

1. 가설의 인과관계를 명확히 하기
2. 실험들의 중요도를 정하기 (Priority)
3. 주어진 시간과 자원을 고려하여 계획하기

💡 프로젝트 개요

재생에너지 비율이 높은 제주도 전력 시장에서 발생하는 '덕 커브(Duck Curve)' 현상과 마이너스 전기가격을 고려하여, 하루 전 가격(SMP)을 예측하는 시계열 모델을 개발했습니다.

🔥 문제 해결 과정

• 도메인 분석: 낮 시간에 가격이 급락하는 원인이 태양광 발전량(자외선 지수 등)과 연관됨을 파악하고 핵심 Feature로 선정했습니다.
• Feature Engineering: 단순 날짜 데이터를 Cos/Sin 주기로 변환하고, '새벽 시간(is_dawn)' 등의 파생 변수를 생성해 예측력을 높였습니다.
• 성능 최적화: GridSearch를 통해 최적의 하이퍼파라미터를 탐색하고, 이상치에 민감한 RMSE를 목적 함수로 사용하여 오차를 줄였습니다.

🚀 성장과 배운 점

단순한 모델링을 넘어 'Grid Parity'와 같은 전력 시장의 구조적 문제를 이해하고 데이터로 풀어내는 End-to-End 경험을 쌓았습니다. 혼자서 A부터 Z까지 수행하며 머신러닝 프로세스 전반에 대한 자신감을 얻었습니다.