feat(projects): expand to 7 project pages with bilingual posters & cards

Match the 7 projects in the career-os master portfolio:
- Split the diagnostics page into PCR baseline + QC grading; add FDA
  validation and RT-PCR reverse-engineering pages (EN + KO)
- Renumber importance 1-7, update EN/KO language toggles and cross-links,
  expand the KO projects listing to 7 sections
- Add per-project card thumbnails (img frontmatter) and in-body posters

Ship English poster/card image sets (SVG + rendered PNG) alongside the
Korean sets; EN pages reference *_en images, KO pages reference the
Korean images.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

Author: kmink3225

_pages/ko_project_1_ai_platform.md

@@ -16,6 +16,8 @@ mermaid:
 
 도메인 특화 **멀티 에이전트 RAG 플랫폼**을 아키텍처부터 총괄 설계·구축하고, 단일 에이전트 파일럿에서 전사 과제로 확장했다 — 선행 [데이터 표준화 시스템](/ko/projects/2_data_standardization/)의 성공이 단일 에이전트 계획에서 멀티 에이전트 대형 과제로 승격된 프로젝트다. 파편화된 내부 지식을 인용 가능한 어시스턴트로 바꾸며, **지식 QnA·데이터 표준화 도우미·코드 분석** 등 여러 협업 sub-agent가 Azure 공유 인프라 위에서 동작한다. 현재 초기 현업 실무진 **~30명에 배포**되어 전사 확장 중이며, 3개 에이전트 중 2종을 목표 대비 **2개월 조기 완료**했다.
 
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_01_ai-agent-platform.png" class="img-fluid rounded z-depth-1" zoomable=true alt="엔터프라이즈 멀티 에이전트 RAG 플랫폼 — 프로젝트 포스터" %}
+
 ### 3대 에이전트
 
 <style>

_pages/ko_project_2_data_standardization.md

@@ -16,6 +16,8 @@ mermaid:
 
 현업의 메타데이터 불일치를 **문제 정의부터** 시작해 **NLP 기반 데이터 표준화 시스템**을 총괄 구축했다 — 주어진 요구사항이 아니라 스스로 정의한 문제였다. 운영 시스템 3개의 거버넌스 베이스라인 진단에서 컬럼 명명 준수율이 **8.4%**로 측정되어, 막연한 불편이 정량화된 과제로 바뀌었다. 파일럿 성공 후 전사 적용으로 승격됐고, 이후 [엔터프라이즈 AI 에이전트 플랫폼](/ko/projects/1_ai_platform/)으로 확장된 대형 과제의 출발점이 되었다.
 
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_02_nlp-standardization.png" class="img-fluid rounded z-depth-1" zoomable=true alt="NLP 기반 데이터 표준화 시스템 — 프로젝트 포스터" %}
+
 ### 주요 성과
 
 - **운영 임팩트** — 검증 시간 **8시간 → 0.73초(99% 단축)**, 부서 간 문의 월 70 → 4건(94.3%↓), 메타데이터 일관성 8.4% → 98.7%, 완전성 29.6% → 100% — 추정치가 아니라 사용자 설문과 운영 측정값이다.

_pages/ko_project_3_diagnostics_ml.md

@@ -0,0 +1,38 @@
+---
+layout: page
+title: 시계열 PCR 신호 baseline 보정
+permalink: /ko/projects/3_pcr_baseline/
+nav: false
+mermaid:
+  enabled: true
+  zoomable: false
+---
+
+<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/3_pcr_baseline/">English</a> · <strong>한국어</strong></div>
+
+**역할:** 기술 리드 / 데이터 사이언티스트 (Data Scientist 3, Data Engineer 1) &nbsp;·&nbsp; **기간:** 2024.01 – 2024.09 &nbsp;·&nbsp; **스택:** Python, Matlab, 혼합 기저함수 모델링, 경량 선형회귀
+
+하드코딩된 레거시 PCR 신호 보정 알고리즘을 **데이터 기반 혼합 기저함수 모델**로 재설계하는 과제를 총괄했다. 화학·광학·기계 반응이 섞인 PCR 신호는 단일 규칙으로 대응할 수 없어, 신호 종류마다 분기 조건이 누적되는 취약한 규칙 스택이었다. 게다가 표준화되지 않은 baseline fitting 알고리즘이 여러 벌 병존해 제품·팀 간 결과가 달랐다.
+
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_03_pcr-baseline.png" class="img-fluid rounded z-depth-1" zoomable=true alt="시계열 PCR 신호 baseline 보정 — 프로젝트 포스터" %}
+
+### 주요 성과
+
+- **데이터 기반 혼합 기저함수 모델** — Taylor Series 다항식 근사에서 착안해 다항식·지수·로그 등 혼합 기저함수로 신호를 변환하는 '특성방정식' 알고리즘을 직접 설계하고, 경량 선형회귀로 baseline을 적합. 기저함수를 추가하는 것만으로 새로운 신호 패턴에 확장 가능 — 조건 분기 추가가 필요 없다.
+- **위음성률 0.47% → 0.04% (91.49% 개선)** — 환자 안전성에 직결되는 거짓 음성을 한 자릿수 분의 일 수준으로 낮췄다.
+- **5종 경쟁 알고리즘 대비 잔여신호 백색잡음 근사도 1위** — 업계 1위 타사 Black Box 알고리즘과의 직접 성능 비교까지 완료.
+- **최소 패키지 정책** — C++ 포팅을 위해 외부 ML/DL 프레임워크 없이(NumPy/Pandas만) 구현, 로그 정규화 → 기저함수 특성 벡터 → 비용함수 → 모멘텀 경사하강 → 예측 → 역정규화 파이프라인 구성.
+- **직관적 성능 비교 시각화**(복수 신호·단일 신호·신호 유형별)로 생물학자·임원까지 참여하는 객관적 의사결정을 지원.
+
+### 접근
+
+측정 기반 데이터 주도 모델 하나가 하드코딩 baseline을 대체하고, 파편화된 fitting 알고리즘을 단일화하며, 동일 신호에서 경쟁 알고리즘 대비 품질을 검증한다.
+
+```mermaid
+flowchart TB
+    L[Hard-coded legacy algorithm] --> D[Data-driven<br/>mixed-basis-function model]
+    D --> OPT[Log norm, basis vectors,<br/>momentum gradient descent]
+    OPT --> CMP[6-algorithm comparison<br/>+ visual validation]
+    CMP --> FN[False-negative<br/>0.47% to 0.04%]
+    CMP --> WN[#1 white-noise<br/>approximation of 5]
+```

_pages/ko_project_3_pcr_baseline.md

@@ -0,0 +1,40 @@
+---
+layout: page
+title: FDA 인허가용 진단 알고리즘 안전성 통계 분석
+permalink: /ko/projects/4_fda_validation/
+nav: false
+mermaid:
+  enabled: true
+  zoomable: false
+---
+
+<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/4_fda_validation/">English</a> · <strong>한국어</strong></div>
+
+**역할:** 기술 리드 / 데이터 사이언티스트 — 다학제 16명(Data Scientist 3, Data Engineer 2, 생물학자 8, 특허 3) &nbsp;·&nbsp; **기간:** 2023.05 – 2023.12 &nbsp;·&nbsp; **스택:** R, Matlab, Apache Airflow, Quarto, 통계적 검정
+
+진단 제품의 북미 시장 진출을 위해서는 알고리즘 안전성을 소프트웨어 엔지니어링 수준의 테스트를 넘어 **통계적으로 입증**해야 했다 — FDA 인허가가 기존보다 엄격한 Advanced Testing을 요구했기 때문이다. 통계 분석 책임자로서 검증 파이프라인을 구축하고 사내 고유 **Switch Model** 방법론을 개발했으며, FDA 규제 교육을 주도해 BT·IT 부서의 규제 이해도를 끌어올렸다.
+
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_04_fda-validation.png" class="img-fluid rounded z-depth-1" zoomable=true alt="FDA 인허가용 진단 알고리즘 안전성 통계 분석 — 프로젝트 포스터" %}
+
+### 주요 성과
+
+- **검증 기간 6개월 → 3주 (87.5% 단축)**, 통계 신뢰도 **99.2%**로 DSP 알고리즘 안전성 입증.
+- **Switch Model** — 사내 고유 ablation 프레임워크(10시나리오 × 8개 핵심 모듈 on/off)로 각 모듈의 Ct·양음성 기여도를 분리 검증, 4가지 신호 위험 관리 모듈의 영향을 정량 분석.
+- **2-트랙 검증** — Structural Testing(코드 기반) + Statistical Testing(정성 χ² 적합·연관성, 정량 repeated-measures ANOVA)을 병행, SGS 가이던스(EN 62304) + FDA General Principles of Software Validation 기반.
+- **C++ 포팅용 통계 검정** low-level 구현 — 2-Way Repeated Measures ANOVA, McNemar, Breslow-Day, Cochran-Mantel-Haenszel.
+- **200페이지 V&V 보고서 반자동 생성** — Airflow(ETL) → R + Quarto 파이프라인, 사내 최초 시약+알고리즘 종합 성능 평가 관리 체계 수립.
+
+### 접근
+
+표준화·QC된 입력 위에서 Structural·Statistical 검증을 결합해 알고리즘 안전성을 통계적으로 입증하고, 보고서 생성을 end-to-end 자동화한다.
+
+```mermaid
+flowchart TB
+    IN[Device raw data +<br/>experiment design] --> QC[5-stage data QC<br/>+ cross-check]
+    QC --> ST[Structural testing<br/>code-based]
+    QC --> SS[Statistical testing<br/>ANOVA / McNemar / CMH]
+    ST --> SW[Switch Model<br/>10 scenarios x 8 modules]
+    SS --> SW
+    SW --> REP[200-page V&V report<br/>Airflow to R + Quarto]
+    REP --> OUT[6 months to 3 weeks<br/>99.2% confidence]
+```

_pages/ko_project_4_fda_validation.md

@@ -0,0 +1,38 @@
+---
+layout: page
+title: RT-PCR 진단 알고리즘 Reverse Engineering 및 통계 모델링 개선안 설계
+permalink: /ko/projects/5_rtpcr_reverse/
+nav: false
+mermaid:
+  enabled: true
+  zoomable: false
+---
+
+<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/5_rtpcr_reverse/">English</a> · <strong>한국어</strong></div>
+
+**역할:** 데이터 사이언티스트 — 알고리즘 분석·개선안 설계(6인 Data Science 팀) &nbsp;·&nbsp; **기간:** 2021.10 – 2023.04 &nbsp;·&nbsp; **스택:** Matlab, Python, 메카니스틱 + 통계 모델링, 결합추정, 잔차 분석
+
+주석 없는 **레거시 Matlab 알고리즘**(10+단계 보정, 50+ 경험적 파라미터)을 reverse engineering으로 해석하고 통계적으로 엄밀한 개선안을 설계했다. 결정론적 규칙 스택은 노이즈 패턴이 추가될 때마다 조건 분기가 기하급수적으로 늘었고, 단계별 순차 보정은 **systematic bias**를 누적시키며 비선형 상호작용 탓에 민감도 분석이 불가능했다. 규제가 요구하는 설명 가능성을 확보하기 위해 딥러닝 블랙박스 대신 **메카니스틱 + 통계 hybrid**로 재정식화했다.
+
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_05_rtpcr-reverse-eng.png" class="img-fluid rounded z-depth-1" zoomable=true alt="RT-PCR 진단 알고리즘 Reverse Engineering 및 통계 모델링 개선안 설계 — 프로젝트 포스터" %}
+
+### 주요 성과
+
+- **레거시 알고리즘의 로직·의존성 80% 해석·문서화** — 조건 분기 구조를 결정 트리 형태로 시각화하고, Data Engineer 팀의 C++ 포팅용 상세 기술 명세서 작성.
+- **결합추정(joint estimation) hybrid 모델** — 전처리 함수 3개와 RT-PCR kinetics 로지스틱 시그모이드의 합성함수를 전체 파라미터 동시 최적화로 적합. 순차(backfitting) 추정은 단계별 편향을 누적하지만, 결합추정은 이를 구조적으로 제거한다.
+- **잔차의 확률적 특성 명시적 모델링** — 정규분포 가정 + white noise 검정, 결합 목적함수의 닫힌 형태 해석적 gradient(안정성·속도), 물리적 타당 범위에 대한 제약 최적화.
+- **정량·판정 통합** — 적합 곡선에서 Ct와 양음성 판정을 동일 통계 모형으로 산출, 곡선 적합·정량·판정을 단일 추정 문제로 통합.
+- **(조직적 제약)** 팀장 차원에서 개선안이 채택되지 않음 — 기술 우수성과 조직 수용성 간 균형의 중요성을 학습. 통계적 신호처리·곡선 적합 경험은 이후 [PCR baseline 보정](/ko/projects/3_pcr_baseline/) 과제로 계승되었다.
+
+### 접근
+
+1단계는 레거시 로직을 복원하고, 2단계는 이를 단일 통계 모형으로 재정식화한다 — 파라미터가 해석 가능한 곡선 특성(기울기·변곡점·plateau)에 대응해 규제 근거로 직결된다.
+
+```mermaid
+flowchart TB
+    L[Undocumented legacy Matlab<br/>10+ stages, 50+ params] --> RE[Reverse engineering<br/>80% interpreted + documented]
+    RE --> SPEC[Decision-tree spec<br/>for C++ port]
+    RE --> HY[Mechanistic + statistical<br/>hybrid composite function]
+    HY --> JE[Joint parameter estimation<br/>vs. sequential backfitting]
+    JE --> OUT[Systematic bias removed<br/>+ interpretable parameters]
+```

_pages/ko_project_5_rtpcr_reverse.md

@@ -0,0 +1,40 @@
+---
+layout: page
+title: 진단 장비 QC 자동화 및 장비 성능 분류 (A+/A/B/F)
+permalink: /ko/projects/6_qc_grading/
+nav: false
+mermaid:
+  enabled: true
+  zoomable: false
+---
+
+<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/6_qc_grading/">English</a> · <strong>한국어</strong></div>
+
+**역할:** 기술 리드 / 데이터 사이언티스트 — 다학제 11명(Data Scientist 1, Full-stack 3, 기계공학 4, 특허 3) &nbsp;·&nbsp; **기간:** 2020.12 – 2021.09 &nbsp;·&nbsp; **스택:** Python, R, PyTorch (LSTM), PCA/t-SNE/DBSCAN, Isolation Forest, R Shiny
+
+PCR 시약을 타사 장비에 탑재할 때 2단계 QC 프로세스로 장비 성능을 평가한다. 기존 프로세스는 지표 2종·약 100회 표본 일괄평가(신호 1개라도 불합격이면 장비 불합격)의 **수동 엑셀 검사**로, 휴먼 에러에 취약했고 기계 결함과 휴먼 에러를 구별하지 못했다. 나는 이 프로세스의 자동화를 총괄하고 장비를 A+/A/B/F 차등 등급으로 재분류했다.
+
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_06_qc-grading.png" class="img-fluid rounded z-depth-1" zoomable=true alt="진단 장비 QC 자동화 및 장비 성능 분류 — 프로젝트 포스터" %}
+
+### 주요 성과
+
+- **QC 시간 ~93% 단축(100대당 400h → 28h)**, 연간 운영비 약 13배 절감(~8억원) — 수동 추적을 자동화 플랫폼으로 대체.
+- **2단계 LSTM**으로 Step 1 데이터에서 Step 2 결과를 예측해 Fail 확실 장비만 Step 2 진행 — 2,201대 장비 / 2,552회 실험 / **61,248개 신호**로 학습: 합/불 분류 **94.5%**, 등급 분류 **82.7%**.
+- **성능 지표 10종 신규 개발** — 증폭효율, SNR, 기준선 안정성, 광학/온도 균일성, 음성/양성 신호 노이즈, 시계열 분해(trend/seasonal/remainder) 잔차 분산, 이상치 labeling, RSS — 로 A+/A/B/F 등급화(전수 분포: A+ 7.01%, A 12.91%, B 75.72%, F 4.36%).
+- **이상탐지** — PCA·t-SNE·DBSCAN·Isolation Forest·3시그마, 업로드 → 자동 분석 → 시각화 R Shiny 실시간 대시보드.
+- **R&D 부문 우수상(President's Award)** 및 **제1발명가 특허 2건**; 등급화로 폐기 대신 자원 최적화(A급은 중요 용도, B급은 교육용).
+
+### 접근
+
+ETL로 산재된 엑셀 QC 데이터를 단일화하고, 2단계 LSTM이 Step 1 신호로 Step 2 결과를 예측하며, 10종 지표가 차등 등급을 산출해 대시보드로 노출한다.
+
+```mermaid
+flowchart TB
+    M[Manual Excel QC] --> ETL[ETL to unified dataset<br/>2,201 devices, 61,248 signals]
+    ETL --> LSTM[Two-stage LSTM<br/>Step 1 predicts Step 2]
+    ETL --> MET[10 performance metrics<br/>SNR, uniformity, RSS, ...]
+    LSTM --> GR[A+/A/B/F grading]
+    MET --> GR
+    GR --> DASH[R Shiny dashboard]
+    GR --> T[QC time ~93% lower<br/>~13x cost reduction]
+```

_pages/ko_project_6_qc_grading.md

@@ -1,19 +1,21 @@
 ---
 layout: page
 title: 알츠하이머 다중오믹스 바이오마커 발굴
-permalink: /ko/projects/4_alzheimers_omics/
+permalink: /ko/projects/7_alzheimers_omics/
 nav: false
 mermaid:
   enabled: true
   zoomable: false
 ---
 
-<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/4_alzheimers_omics/">English</a> · <strong>한국어</strong></div>
+<div style="text-align: right; margin-bottom: 1rem;"><a href="/projects/7_alzheimers_omics/">English</a> · <strong>한국어</strong></div>
 
 **역할:** 통계 연구원, Columbia University Irving Medical Center — Taub Institute &nbsp;·&nbsp; **스택:** R, Cox / GEE, sPLS, Lasso/Ridge/RF/SVM/GBM, PCA/K-means/DBSCAN
 
 알츠하이머병 바이오마커 발굴을 위한 **대규모 다중오믹스 분석** 대학원 생물통계 프로젝트.
 
+{% include figure.liquid loading="eager" path="assets/img/projects/poster_07_alzheimer-biomarker.png" class="img-fluid rounded z-depth-1" zoomable=true alt="알츠하이머 다중오믹스 바이오마커 발굴 — 프로젝트 포스터" %}
+
 ### 주요 성과
 
 - **유전체·대사체·임상** 데이터를 통합해 약 3,000개 대사물질 중 **핵심 바이오마커 13개(p < 0.01)** 를 규명하고, 8개월간 미발견 교란자를 밝혀냈다.