콘텐츠를 만드는 일과, 만드는 시스템을 함께 설계합니다.

AI Content Creator & Automation Designer

• 중단된 작업을 이어가는 실행 구조

  Python 병렬 실행기와 단계별 체크포인트로 유효한 완료 결과를 재사용하고 실패한 항목이나 단계만 다시 처리하도록 구성했습니다.

• 생성과 후반 작업을 연결하는 도구 통합

  생성형 AI 서비스에 Blender·FFmpeg 후처리와 Ubuntu 원격 실행을 연결했습니다. 작업 명세, 출력 파일, 코드 버전과 파일 해시를 대조해 결과를 확인합니다.

• 현재 파일에 연결된 품질 검수

  13개 품질 항목마다 4/5 이상을 요구하고 중대 오류는 별도로 차단합니다. SHA-256 파일 해시와 검수 기록을 연결해 수정 전 파일의 승인이 재사용되지 않도록 했습니다.

• 기획부터 전달까지 10단계

  레퍼런스 조사, 이미지·영상 생성, 후처리, 검증과 전달의 입력·완료 조건을 정의했습니다. unittest·GitHub Actions 검사와 운영 문서로 반복 실행을 뒷받침합니다.

공개 검증 기록: 2026.09.03 기준 비운영 테스트 26개 통과, 합성 입력 수집 기록 30개 일치. 실제 제작 시간·비용 절감 측정치는 아닙니다.

무엇이 눈길을 끄는지, 감각에서 검토 가능한 질문으로.

논문과 연구 노트의 질문을 콘텐츠 검수 기준으로 정리하고, AI와 협업한 개인용 분석 앱에서 영상의 예측 주목도 분포를 살펴봤습니다.

DeepGaze IIE

22.13초 영상의 66개 샘플 프레임으로 히트맵, 비교 영상과 검토 후보 구간을 생성했습니다.

UNISAL

별도 검증본에서 시간 정보 사용과 시간 모듈 우회를 같은 모델·입력 조건으로 18회 비교했습니다. 실행과 출력 차이를 확인한 실험입니다.

예측 주목도는 실제 시선 측정이나 사용자 선호 정확도 검증이 아닙니다. UNISAL 전체 검증은 기존 감사·의존성 예외로 보류된 상태이며, 세부 조건과 한계는 사례에 기록했습니다.

코드 · 자동화

Python · Bash · JSON
병렬 처리 · 체크포인트 복구 · 파일 검증

AI · 미디어

Replicate · Qwen VL · MediaPipe
FFmpeg / FFprobe · Blender

운영 · 검증

Ubuntu · Git · GitHub Actions
unittest · prek