김태오

복잡한 운영 흐름이 선명하게 보이도록 백엔드 시스템, 클라우드 플랫폼, 제품 workflow를 만듭니다.

CONTACT
클라우드 시스템 워크스테이션
업무 가능JUN'26

Skills & Technologies

실제 작업을 지탱한 기술 스택.

기술 스택 보기

주요 작업

백엔드 깊이와 제품 맥락이 함께 보이는 프로젝트.

프로젝트 더 보기
Spring Boot / GraphQL / Multi-tenant DB

병원 코어 플랫폼 & 자동접수

병원 제품의 접수와 예약 흐름을 담당하며, 예약 API 신뢰성, 환자 내원 로직, 고객사별 데이터 경계를 다루는 코어 백엔드 작업을 수행했습니다.

  • 환자 내원부터 진료 흐름으로 이어지는 자동접수 로직을 설계하고 유지보수했습니다.
  • Slack webhook 정리, 과/면세 필드와 쿼리 최적화, 느린 웹예약 POST/PATCH 개선, 예약수 sync API lock, 예약로그 trigger 정리, CRM 예약 리스트 polling 최적화까지 예약 API 경로를 안정화했습니다.
KotlinSpring BootGraphQLSQL ServerPostgreSQL
EKS / Terraform / Observability

Kubernetes 플랫폼 현대화

기존 클라우드 플랫폼을 MSA, Kubernetes 배포, 관측성 중심의 운영 구조로 옮기는 작업에 참여했습니다.

  • Elastic Beanstalk에서 EKS로 옮기는 과정에서 Terraform, Helm, ArgoCD, Rancher, Kubernetes 운영을 다뤘습니다.
  • Prometheus, Grafana, Jaeger, Datadog, CloudWatch logs, KPI 대시보드로 모니터링 수준을 높였습니다.
EKSTerraformHelmArgoCDIstio
Quant Research / ML Pipeline / Market Data

ML-Trade: Intraday Futures Research Pipeline

Databento OHLCV/MBP 데이터를 기반으로 MES/ES intraday opportunity selection을 연구한 quant pipeline입니다. raw market data를 feature, label, deterministic baseline, model-ready validation gate로 정리했습니다.

  • Databento raw file을 bronze/silver Parquet dataset, strict training matrix, chronological split, manifest, reproducible research report로 정리했습니다.
  • feature information coefficient, strategy-family benchmark, horizon/roll-rule sensitivity, lookahead audit, MBP microstructure diagnostic, latency/fill/cost stress, candidate failure attribution까지 하나의 research gate로 묶었습니다.
PythonXGBoostRandom Forestscikit-learnFeature Engineering
XGBoost / Ray RLlib / Optuna / Kubernetes

Borg Agent Orchestrator: Kubernetes Remediation Research

Borg에서 영감을 받은 workload trace와 live Kubernetes telemetry를 risk/demand 예측, multi-agent remediation decision, dual-cluster comparison evidence로 연결한 research system입니다.

  • Prometheus/JSON ingestion, simulator feature extraction, XGBoost risk/demand model, RLlib PPO policy evaluation, Optuna reward tuning, scoreboard feedback으로 이어지는 6-layer pipeline을 구축했습니다.
  • local Kind cluster에서 AIOpsLab-style incident, Prometheus/node-exporter telemetry, HPA/local-Karpenter baseline, live Kubernetes action execution, repeated-seed policy gate를 검증했습니다.
PythonXGBoostscikit-learnRay RLlibOptuna

최근 글

기술 글은 제가 생각하는 방식을 보여주는 이력입니다.

기술 글 보기

연락

백엔드 시스템과 제품 ownership이 만나는 역할을 찾고 있습니다.

연락처 보기