About

devcomfort - FullStack Developer & AI Researcher

안녕하십니까. devcomfort입니다. 저는 2013년부터 개발을 공부하기 시작하여 프론트엔드, 백엔드, 인프라, AI 등 다양한 개발 분야에 깊이 있는 지식을 쌓아왔습니다.

최근에는 강화학습 기반의 PCG, 강화학습 기반의 추천 시스템, Graph Neural Network, Quality Diversity, Tabular Learning 등 다양한 인공지능 연구 분야에 관심을 두고 연구와 개발(프로그래밍)을 병행하고 있습니다. 그 결과 @devcomfort/text-transcoder, blob-to-url 등의 오픈소스 라이브러리, Ubuntu Raid CLI 등의 오픈소스 라이브러리 및 CLI 도구를 개발 및 관리하고 있으며 또한 대학원 진학을 위해 토익, 연구, 프로그래밍 작업을 병행하고 있습니다.

기술 스택

저는 다양한 기술과 도구를 활용하여 프로젝트를 수행합니다. 프론트엔드, 백엔드, AI 연구까지 아우르는 풀스택 개발자로서 다음과 같은 기술들을 사용하고 있습니다.

기술스택은 학습을 통해 지속적으로 확장하고 있으며 새로운 기술과 도구를 프로젝트에 적용하여 생산성을 향상시키기 위해 노력하고 있습니다. 개발에 있어서는 AI와 웹 기술의 결합, 향상된 사용자 경험의 제공을 우선시 하고 있습니다.

프로그래밍 언어

  • JavaScript/TypeScript - 웹 프론트엔드 및 백엔드 개발에 주로 사용합니다.
  • Python - AI 연구, 데이터 분석 및 처리에 사용합니다.

프로그래밍 패러다임

  • 객체지향 프로그래밍 - 클래스와 인터페이스를 활용한 확장 가능한 설계
  • 함수형 프로그래밍 - fp-ts, Ramda, Lodash 등을 활용한 함수형 프로그래밍 선호
  • 반응형 프로그래밍 - ReactiveX를 통한 이벤트 스트림과 상태 관리에 활용

프론트엔드

  • React 생태계 - React, Next.js를 활용한 웹 애플리케이션 개발
  • Svelte 생태계 - Svelte, SvelteKit을 활용한 효율적인 웹 애플리케이션 개발
  • SolidJS - 반응성과 성능에 초점을 맞춘 웹 애플리케이션 개발
  • CSS 프레임워크 - Tailwind CSS를 활용한 스타일링

백엔드

  • Node.js 생태계 - Express, Hono를 이용한 API 개발

데이터베이스 & ORM

  • ORM 활용 - Prisma를 주로 활용한 타입 안전한 데이터베이스 접근 및 모델링
  • 관계형 DB - Prisma를 통한 PostgreSQL 스키마 설계 및 마이그레이션 관리
  • NoSQL - Prisma를 통한 MongoDB 연결 및 문서 기반 데이터 모델링
  • 경량 DB - Prisma와 SQLite를 활용한 로컬 개발 환경 구성
  • 벡터 DB - ChromaDB 클라이언트를 활용한 임베딩 저장 및 유사도 검색 구현

AI/ML

  • ML 프레임워크 - PyTorch를 활용한 모델 개발 및 학습
  • JAX 생태계 - JAX, Flax를 활용한 확장 가능한 ML 시스템 개발
  • 데이터 처리 - Polars, Pandas, NumPy를 이용한 효율적인 데이터 전처리 및 분석
  • 시각화 - Matplotlib, Seaborn을 활용한 기본적인 데이터 시각화

연구 관심사

  • 강화학습 기반 PCG - 절차적 콘텐츠 생성을 위한 강화학습 적용
  • 강화학습 기반 추천 시스템 - 사용자 경험을 최적화하는 적응형 추천 알고리즘 연구
  • 상관 분석(Correlation Analysis) - 복잡한 데이터셋에서의 변수 간 관계 분석
  • 그래프 이론 및 GNN - 그래프 신경망을 활용한 관계형 데이터 모델링
  • Quality Diversity - 강화학습 관점에서 다양성과 품질을 동시에 최적화하는 생성 알고리즘 연구
  • 표현학습(Representation Learning) - 다양한 데이터 형태에서의 효과적인 표현을 학습하는 연구. 오토인코더, 임베딩 등의 기법을 통해 더 풍부한 데이터 표현을 학습하고자 함
  • Tabular Learning - 테이블 형태 데이터에서 효과적인 학습 방법론 연구. 범주형/수치형 변수의 임베딩 등의 기법을 통해 전통적인 ML 방법론의 한계를 극복하고자 함

인프라/DevOps

  • 컨테이너화 - Docker 기본 활용
  • CI/CD - GitHub Actions를 이용한 기본적인 CI/CD 파이프라인 구축
  • 테스트 - Vitest, Pytest를 활용한 기본적인 테스트 작성

데스크톱/모바일

  • 크로스플랫폼 - Tauri에 관심을 가지고 학습 중