포트폴리오 구조

[GitHub Repository 구조]

manufacturing-ai-portfolio/
├── README.md              # 프로젝트 소개 + 스크린샷
├── docs/
│   ├── architecture.md    # 시스템 아키텍처
│   ├── results.md         # 성과 정리
│   └── presentation.pdf   # 발표 자료
├── notebooks/
│   ├── 01_rag_chatbot.ipynb
│   ├── 02_agent_troubleshoot.ipynb
│   ├── 03_knowledge_graph.ipynb
│   ├── 04_predictive_maint.ipynb
│   ├── 05_vision_inspection.ipynb
│   └── 06_production_optimization.ipynb
├── src/
│   ├── app/               # Streamlit 대시보드
│   ├── core/              # 비즈니스 로직
│   └── config/            # 설정
├── docker-compose.yml
└── requirements.txt

수치를 적기 전에 읽을 것

이 과정의 실습 데이터는 전부 가상입니다. 실습에서 나온 OEE·불량률·정확도는 측정된 값이 아니라 생성된 값입니다. 그것을 이력서나 발표 자료에 그대로 옮기면 하지 않은 일을 했다고 적는 것이 되고, 재직자라면 회사 이름이 함께 걸리므로 경력 위조가 됩니다.

그래서 아래 문안은 수치 자리를 ___ 로 비워 두었습니다. 채우는 방법은 둘뿐입니다.

1. 본인이 실제 환경에서 측정한 값을 넣고, 측정 기간·대상·방법을 옆에 함께 적는다.
2. 측정하지 못했으면 수치를 빼고 무엇을 만들었는지만 적는다.

"OEE 대시보드를 만들었다"는 사실이고 "OEE 를 13%p 올렸다"는 측정 결과입니다. 둘은 다릅니다. 실습 결과를 보이고 싶다면 숨길 것이 아니라 그렇게 밝히면 됩니다. "가상 생산 로그 450건으로 OEE 산출 파이프라인을 검증했다"는 문장은 정직하면서 무엇을 할 줄 아는지도 그대로 전합니다.

README.md 필수 항목

# 제조 AI 어시스턴트

12주 제조 AI 과정 최종 프로젝트

## 주요 기능
- RAG 기반 매뉴얼 Q&A
- 멀티에이전트 트러블슈팅
- Knowledge Graph 설비 관계 분석
- 예지보전 (센서 이상감지)
- 비전 AI 불량 검출
- OEE/SPC 분석 대시보드
- 수요예측 + 공정 최적화

## 기술 스택
Python | LangChain | LangGraph | ChromaDB | Neo4j
Streamlit | Grafana | Docker | OpenAI | Llama

## 성과
> 아래 수치는 가상 실습 데이터로 얻은 값이다. 외부에 낼 때는 본인이 실제 환경에서
> 측정한 값으로 대체하고, 측정하지 못한 줄은 표에서 지운다.

| 지표 | Before | After | 측정 기간·대상·방법 |
|------|--------|-------|--------------------|
| 매뉴얼 검색 시간 | ___ | ___ | ___ |
| 불량 원인 분석 시간 | ___ | ___ | ___ |
| OEE | ___ | ___ | ___ |
| 불량률 | ___ | ___ | ___ |

## 스크린샷
[대시보드 이미지] [채팅 이미지] [KG 이미지]

## 실행 방법
docker compose up -d
streamlit run app/main.py

이력서 작성 팁

아래 문안의 ___ 는 본인이 실제 환경에서 측정한 값으로만 채웁니다. 가상 실습 데이터로 얻은 값을 넣으면 안 됩니다. 측정하지 못했으면 괄호째 지우고 구현한 내용만 남깁니다.

[프로젝트 경험 예시]

제조 AI 어시스턴트 개발 (12주 집중 과정 수료)
- LLM + RAG 기반 설비 매뉴얼 Q&A 시스템 구현
  (응답 시간: ___ -> ___, 정답 판정 기준: ___, 평가 문항 수: ___)
- LangGraph 멀티에이전트로 설비 트러블슈팅 자동화
- Neo4j Knowledge Graph 기반 설비-공정 관계 분석
- Bayesian 최적화로 공정 파라미터 최적화 (불량률 ___ -> ___, 측정 기간 ___)
- Streamlit 대시보드로 OEE/SPC 실시간 모니터링 구현
- 기술스택: Python, LangChain, ChromaDB, Neo4j, Docker

측정한 값이 없을 때의 문장은 이렇게 됩니다.

- Bayesian 최적화로 사출성형 공정 조건(온도·압력·속도) 탐색 파이프라인 구현
  (가상 실습 데이터 기준, 실제 라인 적용 전)