목표
'커리어 내비' 아이디어로 2026학년도 캡스톤디자인 경진대회 신청서를 작성하고 제출한다.
A. 아이디어와 신청서
- 신청서 양식 : 아이디어명 / 지도교수 / 참여학과 / 팀명 / 참여학생 / 과제 목적 / 과제 내용 / 활용방안 및 기대효과
- 아이디어명 : 커리어 내비 : 목표 채용공고까지 부족한 역량을 찾아 학교 안에서 채워주는 AI 로드맵 서비스
- 팀 갭스톤, 소프트웨어학부, 팀원 · 이해원, 지도교수 미정
- 문제 : 목표 공고의 요구 역량을 지원 직전에야 알게 됨
- 늦은 인지 : 채울 시간이 없음
- 연결의 부재 : 교내 프로그램이 어떤 직무 역량으로 이어지는지 모름
- 경험 해석의 어려움 : 이미 가진 경험이 공고 요건에 해당하는지 판단 못 함
- 방향 없는 스펙 쌓기 : 직무 경험 대신 자격증·어학부터
- 근거 : 500대 기업 96.2%가 직무 경험·역량을 봄 (고용노동부, 2024) vs 구직자는 자격증 48.8%로 준비 (사람인, 2021)
- 기존 서비스 한계 : 취업 플랫폼 AI는 이미 쌓은 경험을 다듬기, 공공 서비스는 대학 자원과 미연결, 대학 추천은 특정 공고와 미연결
- 주요 기능
- 경험 카드화 : 이력서·성적표·활동을 LLM이 STAR(상황·역할·행동·성과) 카드로 정리
- 공고 역량 분석 : 필수·우대·직무 역량으로 분류, NCS에 매핑
- 역량 갭 진단 : 임베딩 유사도로 매칭 → 규칙 기반으로 충족·부분 충족·미충족 판정, 근거 문장 표시
- 교내 자원 추천 : 교과목·비교과·현장실습·자격증을 RAG로 검색
- What-If : 이수했을 때 적합도 변화와 지원 가능 공고 수
- 학기별 로드맵 : 남은 학기·개설 학기·선수과목·졸업요건 반영
- 시스템 설계
- 화면 React(반응형 웹) / 서버 Python(FastAPI)
- LLM은 경험 카드화·역량 추출만, 결과는 JSON 형식
- 충족 여부·적합도는 LLM이 아닌 규칙 기반 코드로 계산 → 환각 방지, 기준 공개
- 교내 자원 DB : 편람·강의계획서·비교과 공지를 벡터 DB에 저장 (RAG)
- 데이터 : NCS, 고용24 채용정보, 교과목 편람, 비교과 공지
- 신뢰성·개인정보 : 근거 부족 시 '판단 보류', 자소서 대필 기능 없음, 원본 파일 분석 후 미보관, 학교 통계는 익명
- 검증 계획 : 실제 공고 50건 역량 추출을 사람 분류와 비교, 재학생 사용성 테스트
- 성과 지표 : 진단 후 비교과·현장실습 신청 전환율, 로드맵 이행률, 진단 전후 적합도 변화, 만족도
배운 점
직접 작성A. 아이디어와 신청서
- 목적
- 커리어 내비 아이디어를 신청서 양식에 맞춰 정리 후 제출
- 설명
- 문제 정의
- 학생은 목표 공고의 요구 역량을 지원 직전에야 앎
- 늦은 인지
- 연결의 부재 : 교내 프로그램이 어떤 직무 역량으로 이어지는지 모름
- 경험 해석의 어려움
- 방향 없는 스펙 쌓기
- 근거
- 기업의 96.2%가 직무 경험 / 역량을 봄 (고용노동부)
- 구직자는 자격증 위주로 준비 (사람인)
- 근거
- 학생은 목표 공고의 요구 역량을 지원 직전에야 앎
- 기존 서비스와의 차이
- 취업 플랫폼 AI : 이미 쌓은 경험을 다듬어 줌 (자소서 코칭)
- 공공 고용서비스 : 직업훈련 / 자격증 추천 중심 —> 학교 자원이랑 연결이 힘듦
- 대학 추천 시스템 : 수강 이력 기준이라 특정 공고와 연결 X
- 커리어 내비! : 목표 공고를 기준으로 부족한 역량을 찾고 학교 자원으로 졸업 전에 역량을 채우게 도와줌
- 주요 기능
- 경험 카드화
- 이력서 / 활동을 LLM이 STAR 카드로 정리
- 공고 역량 분석
- 필수 / 우대 / 직무 역량으로 나눔
- NCS : 국가직무능력표준
- 직무별로 필요한 능력을 나라가 정리해둔 기준
- 역량 갭 진단
- 임베딩 유사도로 경험과 역량을 매칭
- 규칙으로 충족 / 부분충족 / 미충족 판정 —> 근거 문장 표시
- 임베딩 : 문장을 숫자 목록으로 바꾼 것 / 뜻이 비슷하면 숫자도 가까움
- 임베딩 유사도로 경험과 역량을 매칭
- 교내 지원 추천
- 교과목 / 비교과 / 현장실습 / 자격증을 RAG로 검색
- RAG : 질문과 관련된 자료를 먼저 찾아서 AI 답변의 근거로 쓰는 방식
- 교과목 / 비교과 / 현장실습 / 자격증을 RAG로 검색
- What-If
- 추천 항목을 이수하면 적합도가 얼마나 오르는지 계산
- 학기별 로드맵
- 남은 학기에 맞춰 언제 무엇을 들을지 결정
- 경험 카드화
- 시스템 설계
- 화면 : React (반응형 웹) / 서버 : Python FastAPI
- 리엑트 : 화면(프론트) 만드는 자바스크립트 라이브러리
- Fast API : 파이썬으로 만든 API 서버 만드는 프레임워크
- LLM은 경험 카드화 / 역량 추출 , 결과는 JSON
- 충족 여부와 적합도 점수는 규칙 기반 코드 (LLM X) → 환각 막고 기준 공개
- 환각 (할루시네이션) : AI가 없는 사실을 그럴듯하게 지어냄
- 충족 여부와 적합도 점수는 규칙 기반 코드 (LLM X) → 환각 막고 기준 공개
- 교내 자원은 벡터 DB에 저장해서 검색
- 벡터 DB : 임베딩 (숫자 목록)을 저장하고 비슷한 것끼리 빠르게 찾아주는 데이터베이스
- 화면 : React (반응형 웹) / 서버 : Python FastAPI
- 신뢰성 / 개인정보
- 근거가 부족하면 판단보류로 표시 (억지로 판정 X)
- 자소서 대필 기능 X
- 업로드한 원본은 보관 X , 학교 통계는 익명으로
- 검증 계획과 성과 지표
- 검증 1 : 실제 공고 50건의 역량 추출 결과를 우리가 만든 정답지와 비교
- 검증 2 : 재학생 사용성 테스트
- 성과 지표 : 진단 후 비교과 / 현장실습 신청 전환율 / 로드맵 이행률 / 진단 전후 적합도 변화 만족도
- 사용성 테스트 : 실제 사용자에게 써보게 하고 불편한 점 찾기
- 문제 정의