물류 현장의 대규모 운영 로그를 SQL로 분석해 문제를 정의하고, ETL 파이프라인과 LLM으로 분석 과정 자체를 자동화해 온 데이터 분석가입니다.
SQL Python Power BI ETL LLM(Claude · Gemini) 프롬프트 설계
powerbi-autopilot · Claude Code, PBIP/PBIR, TMDL, Python
분석가의 시간이 대시보드 제작이 아니라 분석에 쓰이도록, 데이터 모델 → 디자인 → 검증까지 리포트 제작 전 과정을 AI 에이전트가 처리합니다. Power BI Desktop에서 손으로 클릭할 일이 없습니다.
- 용도별 파일럿 4종(경영 요약 · 지표 테이블 · 행렬 점검 · 딥다이브)과 테마 3종. 에이전트는 용도·테마·언어만 묻고 약 1.6K 토큰짜리 명세를 쓰며, 나머지 파일은 스크립트가 생성
- 생성한 리포트는 Microsoft 공식 검증기(오류 0)를 통과한 뒤, Power BI Desktop에서 전 페이지를 캡처해 확인
- 공개 저장소 1,737곳에서 수집한 Power BI 리포트 1,830여 개의 레이아웃·색·간격을 수치로 분석해 디자인 규칙 도출
- GitHub Actions로 파일럿 24개 조합 자동 검증 · 4개 언어 안내서 · v0.2.0(내 데이터 모델 연결)
custom-stock-analyst · 서비스 바로가기 · Python, Gemini API, Streamlit
국내 상장사 2,655개 중 74.9%는 최근 3개월 안에 나온 증권사 리포트가 없습니다(시가총액 1천억 원 미만은 91.7%). 이 공백을 메우려고 오늘 데이터로 리포트를 바로 만드는 서비스를 만들었습니다. 2026 금융 AI Challenge 출품작입니다.
- 국내·미국·일본·중국 17,395개 종목. 시세·공시는 평일마다 GitHub Actions로 자동 수집
- 계산 → 생성 → 검증 구조. 영업레버리지·원가율 분해 같은 수치는 코드가 계산하고, LLM이 쓴 리포트의 모든 금액·비율을 원본과 대조합니다. 캐시된 리포트 705건 중 701건 통과
- 개발 중 LLM이 금액을 10배로 옮겨 적는 오류, 엔화 환율 100배 오류, 주식 수 1,000배 표시 오류를 잡은 경험이 검증 레이어의 출발점
- LLM은 요청받은 종목만 생성해 캐시하고, 일일 상한으로 호출 수를 제어. 리포트가 없는 종목부터 우선 생성
Playground S6E8 — 스마트폰 중독 예측 · 3,532팀 · 상위 27.8% 69만 행 합성 데이터에서 생성기의 흔적(값의 출현 빈도 등)을 피처로 잡아 CV AUC를 0.9636 → 0.9683으로 올렸습니다. 리더보드가 아니라 CV로만 판단해, 제출 7회 동안 CV 순위와 리더보드 순위가 한 번도 어긋나지 않았습니다.
Kaggriculture — 농장 시뮬레이션 에이전트 · 7,699팀 · 상금 $50,000 · 진행 중 표면 지표(타일당 생산 효율)가 아니라 실제 제약(마을 수요 흡수량)이 승패를 가른다는 구조를 도출. 상위권 공개본의 아이디어 3건을 그대로 베끼지 않고 하나씩 실측해 2건 기각 · 1건 채택. 자체 대전 승률 100%였던 버전의 실제 레이팅이 466이었던 경험에서, 검증 상대의 다양성이 점수 자체보다 중요하다는 것을 배웠습니다.
기록은 결과만이 아니라 기각된 가설과 실패한 실험까지 남깁니다. 무엇이 통했는지보다 무엇이 통하지 않았는지가 다음 판단에 더 쓸모 있다고 생각합니다.