SYSTEMS · PRODUCTS · TEAMS
김준성 · 전자통신공학과 / 빅데이터융합학과 복수전공
의미를 교묘하게 비틀거나, 진실 안에 거짓을 섞어 사기를 치는 글을 웹 검색과 뜻·문맥 파악으로 걸러내는 제품을 만들었습니다.
다만 원래 하려던 핵심에 집중해야 했는데, 화면 디자인에 너무 기울었고 겉만 키운 채 안을 채우지 못했습니다.
이어서, 회로 실습을 VR로 옮긴 제품입니다.
Meta Quest 3에서 가상 브레드보드에 부품을 꽂고 선을 연결한 뒤, 한 번 판정하면 정답·오답을 바로 받는 교육용 VR입니다.
“실제 회로 실습을 VR로 옮기자”는 방향을 잡고, 회로 사진과 연결 정보를 보내 AI가 정상 회로인지 판단하게 하는 부분을 직접 만들었습니다. 부품이 구멍에 붙는 세부는 팀원이 주로 담당했습니다.
두 제품 모두, 팀을 어떻게 이끄는지가 결과를 갈랐습니다.
사기 탐지와 VR 모두에서, 일을 나누기보다 혼자 붙잡고 전부 통제하려 했습니다. 속도는 났지만 분담은 무너졌고, 팀 리듬도 흔들렸습니다.
그제야 깨달았습니다. 방향을 정하기 전에 먼저 말해야 한다는 것을. 서로 이야기하고, 갈 곳을 같이 정한 뒤, 각자 어디까지 맡을지 나눴을 때 비로소 협업이 시작됐습니다.
VR에서는 방향만 던지지 않고 회로 판정 연결을 직접 만들었습니다. 사기 탐지에서는 역할을 나누고, 최종 초점을 원래 목적이었던 뜻·문맥 기반 사기와 거짓 정보 탐지로 다시 모았습니다.
엣지 기기에 사기 탐지기를 탑재해, 물리적으로 라우터를 만들려 했습니다. 그 시도는 결국 폐기됐지만, 그 과정에서 UNO Q를 골랐습니다.
그 기기에서 추출기(글에서 의심 구간·신호를 뽑아냄)와 분류기(뽑아낸 것을 종류별로 나눔)를 그대로 돌리기엔 버거웠습니다. 그래서 둘을 합친 전용 모델을 만들기 시작했습니다.
시작 · 4층 · 12만 8천 단어장 · 결과
엣지 모델을 만들던 중, AI가 없는 말을 지어내거나 방금 한 말을 잊는 일이 작업을 끊었습니다. 그래서 근거를 남기는 검색 기억을 먼저 세우고, 프롬프트로 적어 둔 에이전트 규칙 위에서만 움직이게 했습니다. 그 환경을 누구나 쓸 수 있는 플러그인으로 푼 것이 Universal Research Plugin입니다.
없는 말 지어내기, 맥락 잊기
원문과 출처를 붙잡은 기억
프롬프트로 지정한 에이전트 규칙
범용 연구 플러그인
규칙 · 역할 · 검색 기억 · 일반 검색과의 차이
CONTACT
이메일 주소만 실제 연락처로 교체하면 됩니다.
Overview
글·링크·이미지·파일·앱·음성에서 사기 위험 신호를 모아, 근거와 함께 보여주는 제품입니다.
여러 종류의 입력에서 위험 신호를 뽑고, 근거와 함께 보고합니다. 최종 “사기다/아니다” 판정은 사람이 위험 감수에 따라 내리도록 뒀습니다.
입력 → 종류별 분석 → 신호·근거 모으기 → 웹/API 리포트. 서버, 웹 화면, 데이터베이스, 안전 실행 공간, 학습·평가 도구까지 한 제품으로 묶었습니다.
웹 검색과 뜻·문맥 파악으로 의심 구간을 걸러내고, 여러 입력의 신호를 같은 보고서 형식으로 모읍니다. 실제로 열어볼 수 있는 웹도 있습니다.
팀장으로서 전체 흐름과 아이디어를 잡았습니다. 초반엔 화면·규모에 기운 실패가 있었지만, 이후 역할을 나누고 최종 초점을 뜻·문맥 기반 사기·거짓 탐지로 다시 모았습니다.
Overview
Meta Quest 3에서 브레드보드를 조립하고, 회로가 맞는지 바로 판정받는 교육용 VR입니다.
가상 보드에 저항·LED 등을 꽂고 선을 이은 뒤, 한 번 판정하면 정답/오답과 빛·소리 피드백을 받습니다.
VR 조작 → 연결이 물리적으로 맞는지 로컬 검사 → 회로 사진 찍기 → 사진 + 연결 목록을 AI에 보내 판정 → 화면에 피드백. 판정 기록은 나중에 학습 데이터로도 쌓입니다.
부품을 붙이고 선을 이은 뒤 판정을 누르면, 먼저 기기 안에서 연결이 말이 되는지 보고, 필요할 때 AI가 사진과 연결 목록을 함께 보고 정상 회로인지 판단합니다.
팀장으로서 실습 방향을 제시하는 데 그치지 않고, 회로 판정 연결을 직접 만들었습니다. 부품이 구멍에 붙는 세부는 팀원이 주로 담당했습니다.
Overview
엣지 라우터 시도 중에 UNO Q를 골랐고, 그 기기에서 돌아가도록 추출과 분류를 한 모델로 합친 결과입니다.
탐지기를 기기에 올려 물리 라우터를 만들려다(폐기), UNO Q를 선택했습니다. 그 위에서 추출기(의심 구간·신호를 글에서 뽑음)와 분류기(뽑아낸 것을 종류별로 나눔)를 따로 돌리기엔 버거워, 둘을 합친 전용 모델을 만들기 시작했습니다.
여기서 층은 모델이 글을 처리할 때 거치는 어텐션 층(주의 단계)의 개수입니다. 원래 부모 모델은 24층이었고, 이를 8 → 6 → 4층으로 줄였습니다. 줄이는 동안 증류—작은 모델이 큰 부모 모델의 답을 따라 배우게 하는 방식—을 썼습니다. 문장 생성은 빼고 분류만 남겼습니다.
단어장은 모델이 글자를 잘게 나눌 때 쓰는 조각(토큰) 목록입니다. 대화가 12만 자 길다는 뜻이 아니라, 그 목록 크기가 약 12만 8천이라는 뜻입니다. 출력은 “다음 단어”가 아니라 14개 라벨 점수만 냅니다.
같은 조건의 학습 설정 중 가장 높은 점수 (매크로 F1 약 0.59). PC 약 19ms, UNO Q 약 2초, 메모리 부족 없이 동작. 모델·코드 공개.
Overview
검색해서 나온 글을 곧바로 사실로 쓰지 않고, 계획·승인·관찰·주장·실패까지 출처와 함께 남기는 연구용 플러그인입니다.
승인 없이 실행·수정·인터넷을 하지 않기. 애매한 일은 계획과 성공 기준을 먼저 적기. 검색 결과는 후보일 뿐, 원문 위치까지 확인한 뒤에만 쓰기. “비슷한 문장”만으로 사실이나 우열을 단정하지 않기. 이 내용을 에이전트 프롬프트에 고정합니다.
역할이 11개로 나뉩니다. 평소에는 범위·비용, 검색, 실험 공정성, 논문 근거, 수정, 기억 관리 같은 운영 7역할이 움직이고, 마지막 제출 직전에만 반대 검토·알맹이 검토·사용자 의도·재현성 같은 비평 4역할이 깨어납니다. 누가 검색하고 누가 고칠 수 있는지가 갈라져 있습니다.
진짜 기록은 계속 이어 붙이는 원본 파일입니다. 빠른 검색용 DB는 그 원본에서 다시 만들 수 있는 복사본입니다. 검색 → 후보 → 원문 다시 읽어 내용이 바뀌지 않았는지 확인 → 그제야 근거로 씁니다.
플러그인이 “무엇을 찾아라 / 근거를 가져와라” 같은 도구를 제공합니다. 역할마다 할 일 묶음과 “이 범위만 허용” 확인서를 만든 뒤, 실제 실행은 호스트(예: Codex)가 맡습니다. 실패도 짧은 기록으로 남기고, 검색 DB는 원본에 새 기록이 생긴 뒤에만 갱신합니다.