Xuan Li

A system thinker and builder.A system thinker and builder.

Urban data scientist · Ph.D. candidate, Hanyang University도시 데이터 사이언티스트 · 한양대학교 도시공학 박사과정Open to AX (AI Transformation) and FDE (Forward Deployed Engineer) rolesAX(AI Transformation) · FDE(Forward Deployed Engineer) 포지션 희망Works in Mandarin, English and Korean중국어 · 영어 · 한국어로 업무 가능

See the projects프로젝트 보기 →Get in touch연락하기

Core skills핵심 역량Problem defining문제 정의System building시스템 구축Data & automation데이터·자동화Communication & mentoring커뮤니케이션·멘토링

Executive summary핵심 요약

I go where AI is stuck, find the bottleneck, fix the data and systems underneath, and hand the team a setup it can run on its own.AI가 막힌 현장에 들어가 병목을 찾고, 원인이 되는 데이터와 시스템을 고친 뒤, 현업 팀이 스스로 운영할 수 있는 상태로 인계합니다.

Open to AX and FDE rolesAX·FDE 포지션 합류 가능 →

01 · CityWise8,000+API documents embedded so an agent can answer from Seoul's live open dataAPI 문서를 임베딩해, 서울 실시간 공공데이터로 답하는 에이전트 구축
02 · LLM × open data02 · LLM × 공공데이터~70%of early agent errors traced to the data platform, not the model에이전트 초기 오류 중 모델이 아니라 데이터 플랫폼이 원인이었던 비율
03 · CityAPIBench23,077datasets from 15 cities linked into one graph that agents can use15개 도시의 데이터셋을 에이전트가 탐색할 수 있는 하나의 그래프로 연결
04 · Sidewalk Conflict Lab39verification tests behind a robot–pedestrian simulator, documented so the next developer can pick it up검증 테스트를 통과한 로봇·보행자 시뮬레이터. 다음 개발자가 바로 이어받도록 기술 매뉴얼까지 작성

Skill map역량 지도

Tech StackTech Stack

5 fields · 16 tools5개 분야 · 도구 16개

Xuan LiOne person who connects data, AI, mobility, spatial analysis and systems thinking, from defining the problem to handing over the tools.데이터·AI·모빌리티·공간 분석·시스템 사고를 한 사람이 연결합니다. 문제 정의부터 도구 인계까지 직접 맡습니다.

Projects프로젝트

Ordered as an AX cycle: build the agent, diagnose the bottleneck, fix the data, then hand the tools over to the team that runs them.에이전트를 만들고(Build), 병목을 찾고(Diagnose), 데이터를 고친 뒤(Fix), 운영할 팀에 넘기는(Handover) AX 사이클 순서로 정리했습니다.

01CityWise · 2023–2025 · System design and experiments시스템 설계·실험

An agent that reads 8,000 APIsAPI 8,000개를 읽는 에이전트

Seoul's open-data chatbot answered only its sample questions, so I built an agent that finds and calls the right API itself: 84% correct on one-dataset questions, 2–4% when several large datasets are needed.서울 열린데이터광장의 챗봇은 예시 질문에만 답할 수 있었습니다. 그래서 질문에 맞는 API를 스스로 찾아 호출하는 에이전트를 만들었고, 단일 데이터셋 질문에서 정답률 84%를 기록했습니다. 대용량 데이터셋 여러 개가 필요한 질문에서는 2–4%에 그쳤습니다.

Situation상황
Seoul's open-data portal lists 8,000+ APIs, but its chatbot handled only sample questions and fell back to keyword search. Analysts still spend 60%+ of their time finding data.열린데이터광장의 API는 8,000개가 넘지만, 챗봇은 예시 질문만 처리하고 나머지는 키워드 검색으로 대체함. 분석가는 여전히 업무 시간의 60% 이상을 데이터 탐색에 씀
Task과제
Turn a plain question into the right API call and a checked answer, and measure every step from day one.자연어 질문을 정확한 API 호출과 검증된 답변으로 연결하고, 첫날부터 단계별 성능을 측정함
Action실행
Crawled and embedded 8,000+ API documents. A tool generator writes API tools from the docs, a plan-and-reflect agent answers, and an LLM judge scores every answer with error codes that split agent faults from platform faults.API 문서 8,000여 건을 수집·임베딩함. Tool Generator가 문서로부터 API 도구를 자동 생성하고, Plan-and-Reflect 에이전트가 답변하며, LLM Judge가 오류 코드로 에이전트 오류와 플랫폼 오류를 구분해 채점함
Result결과
The gap between 84% and 2–4% set up the next two projects. First shown at GSCS & ICUI 2023, Hong Kong Polytechnic University.84%와 2–4%의 격차를 확인하고, 이를 다음 두 프로젝트의 출발점으로 삼음. GSCS & ICUI 2023(홍콩이공대학교)에서 첫 발표

Problem defining문제 정의
System building시스템 구축
Data & automation데이터·자동화

Details · Appendix A1 ↓상세 자료 · 부록 A1 ↓

84%correct · one dataset정답률 · 단일 데이터셋

2–4%correct · several large datasets정답률 · 대용량 다중 데이터셋

35→68%hit rate, 300 datasets · top 1 → top 10적중률(데이터셋 300개) · Top-1 → Top-10

Slide: the agent's plan, API calls and final answer for the question 'I want to go to Yeouido. Is it crowded in 2 hours?' — Key result핵심 결과**A real run on live Seoul data서울 실시간 데이터로 실행한 실제 결과**
Asked whether Yeouido will be crowded in two hours, the agent writes a three-step plan, calls the clock and the city-population API, and answers from the live data.'2시간 뒤 여의도가 붐빌까?'라는 질문에 에이전트가 3단계 계획을 세우고, 현재 시각 API와 도시 인구 API를 호출한 뒤 실시간 데이터로 답함.

02LLM × open government data · 2025 · First author · Under review, Government Information QuarterlyLLM × 공공데이터 논문 · 2025 · 제1저자 · Government Information Quarterly 심사 중

It wasn't the model문제는 모델이 아니었다

When agents failed, the model got the blame, so I traced the real bottleneck: about 70% of early errors came from the data platform (missing filters, unclear parameters, unstable servers), not the model.에이전트가 실패하면 흔히 모델 성능을 탓합니다. 저는 실패 원인을 단계별로 추적했고, 초기 오류의 약 70%가 모델이 아니라 데이터 플랫폼(필터 기능 부족, 불명확한 파라미터, 불안정한 서버)에서 발생한다는 것을 밝혔습니다.

Situation상황
Open-data agents failed often, and the usual diagnosis was a model that wasn't smart enough. Yet New York serves SQL and 10,000 rows per request, while Seoul offers URL-only queries and 1,000 rows.공공데이터 에이전트의 잦은 실패를 두고 '모델 성능이 부족하다'는 진단이 일반적이었음. 그러나 플랫폼 조건부터 달랐음: 뉴욕은 SQL 질의와 요청당 10,000행을 지원하지만, 서울은 URL 방식과 요청당 1,000행만 지원
Task과제
Separate model errors from platform errors, and show each owner what to fix.모델 오류와 플랫폼 오류를 분리하고, 정책 담당자와 엔지니어가 각각 고칠 항목을 제시
Action실행
Built one evaluation pipeline in which each step tests either the platform or the model: three LLMs (GPT-4o, Claude Haiku, Gemini 2.0 Flash), synthetic questions at four difficulty levels, human and LLM judges, and a local mirror when Seoul's API kept failing.단계마다 플랫폼과 모델 중 하나만 검증하는 평가 파이프라인 구축. LLM 3종(GPT-4o, Claude Haiku, Gemini 2.0 Flash), 4단계 난이도의 합성 질문, 사람·LLM Judge 교차 채점, 서울 API 장애에 대비한 로컬 미러 구성
Result결과
A three-stage roadmap (1–2, 2–5, 5–10 years) gives policymakers and engineers their own fixes.정책 담당자와 엔지니어가 각자 실행할 과제를 담은 3단계 로드맵(1–2년, 2–5년, 5–10년) 제시

Problem defining문제 정의
Data & automation데이터·자동화
Communication커뮤니케이션

Details · Appendix A2 ↓상세 자료 · 부록 A2 ↓

~70%of early errors from the platform데이터 플랫폼이 원인인 초기 오류

15error types · 4 categories오류 유형 · 4개 범주

60–70%accuracy · products need 90%+정확도 · 상용화 기준 90%+

Paper figure: error-analysis tree from query to outcome, with a conditional pass-rate table for New York and Seoul — Key result핵심 결과**Where each query failed질의별 실패 지점**
The error tree assigns every failure to the agent or the platform, and the table rates the conditional pass rate of each task on each platform.오류 트리로 모든 실패의 원인을 에이전트 또는 플랫폼으로 분류하고, 표로 플랫폼별·단계별 조건부 통과율을 비교함.

03CityAPIBench · 2025 · First author · CUPUM 2025, University College London제1저자 · CUPUM 2025 발표(UCL)

15 cities, one data graph15개 도시, 하나의 데이터 그래프

Agents broke on questions that need several datasets because no catalogue says how datasets connect, so I linked 23,077 datasets from 15 cities into one graph of 16.7 million triples.여러 데이터셋이 필요한 질문에서 에이전트가 무너진 이유는 데이터셋 사이의 연결 정보가 없었기 때문입니다. 그래서 15개 도시의 데이터셋 23,077개를 1,670만 개의 트리플로 이루어진 하나의 그래프로 연결했습니다.

Situation상황
Questions that need two or more datasets failed most. No catalogue says which tables join, at what level of detail or under which code system, and Seoul's 2016 linked-data service had stopped.두 개 이상의 데이터셋이 필요한 질문에서 실패율이 가장 높았음. 어떤 테이블을 어떤 단위·코드 체계로 결합할 수 있는지 알려주는 카탈로그가 없었고, 서울시가 2016년에 시도한 Linked Open Data 서비스도 이미 중단된 상태
Task과제
Give agents an explicit, typed map of how datasets relate, across cities.데이터셋 간 관계를 유형별로 정의하고, 에이전트가 여러 도시에 걸쳐 탐색할 수 있는 관계 지도로 구축
Action실행
Crawled 15 city portals, cleaned and renamed tables and columns, scored six relation types (such as joinable, unionable and crosswalk) by similarity, and loaded a typed property graph into a graph database. Audited metadata quality city by city.15개 도시 포털 크롤링 → 테이블·컬럼명 정규화 → 유사도 기반 6가지 관계 유형(Joinable, Unionable, Crosswalk 등) 산출 → Graph DB에 Typed Property Graph로 적재. 도시별 메타데이터 품질도 함께 감사함
Result결과
Presented at CUPUM 2025, UCL. The audit found that Singapore's portal had no tags or categories at all.CUPUM 2025(UCL)에서 발표. 품질 감사로 싱가포르 포털에 태그·분류 정보가 전혀 없다는 사실도 발견함

System building시스템 구축
Data & automation데이터·자동화
Communication커뮤니케이션

Details · Appendix A3 ↓상세 자료 · 부록 A3 ↓

23,077datasets as nodes데이터셋(노드)

16.7Mgraph triples · 6.6M from Seoul그래프 트리플 · 서울 660만

6relation types관계 유형

Network graph of New York's open data: a few large, dense clusters of datasets. Select to also see Singapore and Seoul. — Key result핵심 결과**Open-data networks of three cities세 도시의 공공데이터 네트워크**
Each node is a dataset and each edge an inferred relation. New York is shown here; select it to compare Singapore and Seoul.노드는 데이터셋, 엣지는 추론된 관계를 뜻함. 기본 화면은 뉴욕이며, 선택하면 싱가포르·서울과 비교할 수 있음.

Network graph of Singapore's open data: many small, separate groups of datasets — Key result핵심 결과**Open-data networks of three cities세 도시의 공공데이터 네트워크**
Each node is a dataset and each edge an inferred relation. New York is shown here; select it to compare Singapore and Seoul.노드는 데이터셋, 엣지는 추론된 관계를 뜻함. 기본 화면은 뉴욕이며, 선택하면 싱가포르·서울과 비교할 수 있음.

04Sidewalk Conflict Lab · Simulator and technical manual시뮬레이터·기술 매뉴얼

Before robots take the sidewalk로봇이 인도에 오기 전에

What delivery robots cost pedestrians stays invisible until they are deployed, so I built a simulator that shows it in advance: six indicators, 39 verification tests, calibrated at RMSE 0.032.배송 로봇이 보행자에게 주는 불편은 실제로 도입하기 전까지 드러나지 않습니다. 그래서 도입 전에 그 비용을 수치로 보여주는 시뮬레이터를 만들었습니다. 보행 비용 지표 6개와 검증 테스트 39개를 갖췄고, 보정 오차는 RMSE 0.032입니다.

Situation상황
Choices such as the robots' avoidance policy, fleet size and street furniture are made before anyone sees their effect on people walking.로봇 회피 방식, 운영 대수, 가로시설 배치 같은 결정이 보행자에게 미칠 영향을 확인하지 못한 채 내려짐
Task과제
Let a decision-maker compare robot policies on a real street before rollout.의사결정자가 도입 전에 실제 가로 조건에서 로봇 정책을 비교할 수 있도록 지원
Action실행
Two identical crowds walk the same sidewalk; only one shares it with robots. Three avoidance policies (ORCA, social force, yield), real streets loaded from my street annotator, 10 Python modules (~3,000 lines) and a browser lab.똑같은 보행 군중 두 그룹 중 한 그룹만 로봇과 인도를 공유하는 비교 시뮬레이션 설계. 회피 정책 3종(ORCA, Social Force, Yield) 구현, 직접 만든 Streetscape Plan Annotator로 실제 가로 데이터 연동, Python 모듈 10개(약 3,000줄)와 웹 실험 환경 구축
Result결과
Handed over with a technical manual for whoever changes the model next.다음 개발자가 모델을 바로 이어받아 수정할 수 있도록 기술 매뉴얼을 작성해 인계함

System building시스템 구축
Communication커뮤니케이션

Open the lab ↗시뮬레이터 열기 ↗Technical manual ↗기술 매뉴얼 ↗Related tools · Appendix B ↓관련 도구 · 부록 B ↓

39verification tests검증 테스트

0.032RMSERMSE

6pedestrian-cost indicators보행 비용 지표

Sidewalk Conflict Lab: two sidewalk strips with pedestrians, one shared with delivery robots, above live indicator tiles — Tool도구**Sidewalk Conflict Lab**
Two identical crowds, one sharing the sidewalk with delivery robots, with live indicators below. Choose the policy, the fleet and the street furniture, or load a real street.똑같은 두 보행 군중 중 한쪽만 배송 로봇과 보도를 공유하고, 아래에 실시간 지표가 표시됨. 회피 정책, 로봇 대수, 가로시설을 바꾸거나 실제 가로를 불러올 수 있음.

What I believe제가 믿는 원칙

Occam's Razor & First PrinciplesOccam's Razor & First Principles

Appendix부록

The details세부 자료

Charts, original slides, tools and background. Open only what you need.차트, 원본 슬라이드, 도구, 이력. 필요한 항목만 펼쳐 보세요.

A1CityWiseArchitecture, retrieval tests, original slides아키텍처, 검색 실험, 원본 슬라이드

Spotted발견

Seoul Open Data Plaza had launched its own AI chatbot, so I tested it. It answered its sample questions well; anything else fell back to keyword matching on dataset titles. Analysts still spend 60%+ of their time finding data. A demo agent takes a day to build. What decides production is a low error rate, because errors multiply across chained steps.

서울 열린데이터광장이 자체 AI 챗봇을 출시해 직접 검증함. 예시 질문에는 잘 답했지만, 그 외 질문은 데이터셋 제목의 키워드 매칭에 그침. 분석가는 여전히 업무 시간의 60% 이상을 데이터 탐색에 씀. 데모 에이전트는 하루면 만들 수 있지만, 실서비스를 좌우하는 것은 낮은 오류율임. 단계가 이어질수록 오류가 곱으로 누적되기 때문임.

Built구축

A multi-agent system. A virtual user submits questions; the main agent plans, reflects and acts; a tool generator writes API tools straight from the documentation; an LLM judge scores every answer. I split the problem into six sub-tasks that can each be judged on their own.

멀티 에이전트 시스템 구축. Virtual User가 질문을 던지면 Main Agent가 Plan·Reflect·Act 루프로 답하고, Tool Generator가 API 문서에서 도구를 자동 생성하며, LLM Judge가 모든 답변을 채점함. 전체 문제는 각각 독립적으로 평가할 수 있는 6개 하위 과제로 분해함.

Data & automation데이터·자동화

A Python crawler collected 8,000+ Seoul API documents (name, URL, parameters, sample output) as JSON. I embedded them with Nomic v1.5 for retrieval and tested 300 APIs each on the New York and Seoul platforms.

Python 크롤러로 서울 API 문서 8,000건 이상(이름, URL, 파라미터, 출력 샘플)을 JSON으로 수집함. Nomic v1.5로 임베딩해 검색에 활용하고, 뉴욕과 서울 플랫폼에서 각각 API 300개로 실험함.

Communicated소통

A three-level roadmap for AI on open data: a reliable single-query agent with a human in the loop, then linked data, then an urban foundation model. Each level lists tasks for expert users, database engineers and AI engineers.

공공데이터 AI 3단계 로드맵 제시: Human-in-the-loop 단일 질의 에이전트 → Linked Data → Urban Foundation Model. 단계마다 전문가 사용자, DB 엔지니어, AI 엔지니어의 과제를 정의함.

A shortlist beats a single pick as the catalogue grows카탈로그가 커질수록 Top-1보다 Top-10 후보 방식이 유리함

Right dataset in the top 10Top-10 안에 정답 포함Right dataset as the single pickTop-1이 정답

Share of English test questions for which embedding retrieval found the right dataset, by number of datasets to choose from. Source: CityWise tests, April 2025.선택 후보 데이터셋 수에 따라 임베딩 검색이 정답 데이터셋을 찾은 영어 질문의 비율. 출처: CityWise 실험(2025년 4월).

Show the numbers수치 보기

Datasets데이터셋 수	Single pickTop-1	Top 10Top-10
10	75.3%	95.7%
20	71.0%	87.9%
30	61.5%	86.6%
40	64.5%	82.3%
60	55.4%	80.1%
100	50.2%	74.0%
200	42.0%	69.3%
300	35.5%	68.0%

How CityWise answers a questionCityWise의 질의 처리 구조

Redrawn from the CityWise slides. The tool generator means a new data platform needs no hand-written integration code.CityWise 발표 자료를 재구성함. Tool Generator 덕분에 새 데이터 플랫폼을 연결할 때 연동 코드를 직접 작성할 필요가 없음.

From the original slides원본 발표 자료

CityWise deck, April 2025 · select a slide to enlargeCityWise 발표 자료(2025년 4월) · 선택하면 크게 볼 수 있음

Slide: search results for 'public bike' and a 2-D map of Seoul dataset embeddings with the matches highlighted — Retrieval검색**Finding the right dataset among thousands수천 개 중 맞는 데이터셋 찾기**
A search for "public bike" returns 24 datasets above 70% similarity; the map places them among all Seoul datasets in embedding space.'공공자전거' 검색으로 유사도 70% 이상 데이터셋 24개를 찾음. 지도는 서울 전체 데이터셋의 임베딩 공간에서 이들의 위치를 보여줌.

Slide: table of three stages for open government AI with the goal and what an LLM agent can do at each — Roadmap로드맵**Three levels for open-data AI공공데이터 AI 3단계**
Level I, a reliable single-query agent with a human in the loop (1–2 years); Level II, linked open data (2–5 years); Level III, an urban foundation model (5–10 years).1단계 Human-in-the-loop 단일 질의 에이전트(1–2년), 2단계 Linked Open Data(2–5년), 3단계 Urban Foundation Model(5–10년).

8,000+Seoul API documents crawled and embedded수집·임베딩한 서울 API 문서
35% → 68%Hit rate at 300 datasets: single pick vs top-10 shortlist데이터셋 300개 기준 적중률: Top-1 vs Top-10
84% vs ≤4%GPT-4 correct answers: one dataset, small data vs several datasets, big dataGPT-4 정답률: 단일·소량 데이터 vs 다중·대용량 데이터
10 min · $1Cost of one question when the agent reflects for 20 roundsReflection 20회 기준, 질문 1건당 시간과 비용

At a client고객사 적용

Before scaling an agent, I measure retrieval and multi-step error on the client's real tools. The rule from this project, shortlist instead of committing at step one, nearly doubled the hit rate at 300 datasets and costs almost nothing to adopt.에이전트를 확장하기 전에, 고객사의 실제 도구로 검색 정확도와 다단계 오류율부터 측정함. 이 프로젝트에서 얻은 원칙(첫 단계에서 하나로 확정하지 말고 후보를 추릴 것)은 데이터셋 300개 기준 적중률을 두 배 가까이 높였고, 적용 비용도 거의 들지 않음.

A2LLM × open government data paperLLM × 공공데이터 논문Full-test results, error codes, figures from the draft전체 실험 결과, 오류 코드, 논문 초안 그림

Spotted발견

The usual question was whether the model is smart enough. I asked whether the data platform is ready for AI, and tested the same agent on two platforms. New York serves SQL through its API, 10,000 rows per request, with column-level metadata. Seoul offers URL-only queries, filters on few columns, 1,000 rows per request and Korean-only metadata.

흔한 질문은 '모델이 충분히 똑똑한가'였지만, 질문을 '데이터 플랫폼이 AI를 받아들일 준비가 되었는가'로 바꾸고 같은 에이전트로 두 플랫폼을 비교함. 뉴욕은 API로 SQL 질의를 지원하고 요청당 10,000행, 컬럼 단위 메타데이터를 제공함. 서울은 URL 방식만 지원하고 필터 가능한 컬럼이 적으며, 요청당 1,000행, 메타데이터는 한국어만 제공함.

Built구축

An evaluation pipeline in which every step tests either the platform or the model: build an AI-readable catalogue, select a dataset, compile the API request, fetch live data, answer. Three models (GPT-4o, Claude Haiku, Gemini 2.0 Flash), scored by human and LLM judges.

단계마다 플랫폼 또는 모델 중 하나를 검증하는 평가 파이프라인 구축: AI가 읽을 수 있는 카탈로그 구축 → 데이터셋 선택 → API 요청 작성 → 실시간 데이터 수집 → 답변. 3개 모델(GPT-4o, Claude Haiku, Gemini 2.0 Flash)의 답변을 사람과 LLM Judge가 함께 채점함.

Data & automation데이터·자동화

Human annotators wrote questions that were either too plain or impossible to answer, so I generated synthetic questions at four difficulty levels from each dataset's columns. When the live Seoul API kept failing, I mirrored the data locally to run the experiments at scale.

사람이 직접 작성한 질문은 너무 단순하거나 답할 수 없는 경우가 많아, 데이터셋 컬럼을 바탕으로 4단계 난이도의 합성 질문을 자동 생성함. 서울 API 장애가 반복되어 데이터를 로컬에 미러링한 뒤 대규모 실험을 진행함.

Communicated소통

Written for two readers at once. Policymakers get a list of infrastructure fixes: consistent schema metadata, readable APIs, SQL support and linked datasets. AI engineers get a problem statement they can work on.

정책 담당자와 AI 엔지니어, 두 독자를 동시에 고려해 작성함. 정책 담당자에게는 인프라 개선 목록(일관된 스키마 메타데이터, 읽기 쉬운 API, SQL 지원, 데이터셋 연결)을, AI 엔지니어에게는 바로 착수할 수 있는 문제 정의를 제시함.

Accuracy collapses once a question needs several datasets여러 데이터셋이 필요한 질문에서 정확도가 급락함

Chain of thoughtChain-of-Thought(CoT)Plan and executePlan-and-Execute

Share of questions GPT-4 answered correctly, by question type and agent design. 30 tools in the toolset; server errors excluded. Source: CityWise full test, April 2025.질문 유형과 에이전트 설계별 GPT-4 정답률. 도구 30개 환경, 서버 오류 제외. 출처: CityWise 전체 실험(2025년 4월).

Show the numbers수치 보기

Question type질문 유형	Chain of thoughtChain-of-Thought	Plan and executePlan-and-Execute
One dataset · small data단일 · 소량	84%	84%
One dataset · big data단일 · 대용량	8%	32%
Several datasets · small data다중 · 소량	8%	22%
Several datasets · big data다중 · 대용량	4%	2%

Agent side에이전트 측Fix the plan, the tool choice or the prompt계획·도구 선택·프롬프트를 수정

101Wrong plan잘못된 계획leads to a wrong tool잘못된 도구로 이어짐
201Wrong tool잘못된 도구leads to wrong parameters잘못된 파라미터로 이어짐
3011Parameters in the wrong format파라미터 형식 오류runtime error런타임 오류
3012Right format, wrong values형식은 맞지만 값이 틀림bad answer잘못된 답변

Platform side플랫폼 측Fix the data infrastructure데이터 인프라를 수정

401Server unreachable서버 접속 불가quit중단
402Data can't be parsed: wrong format or too big데이터 파싱 불가: 형식 오류 또는 용량 초과runtime error런타임 오류
403Server returned empty data서버가 빈 데이터 반환quit중단
404Server sent wrong data서버가 잘못된 데이터 전송bad answer잘못된 답변

Budget예산Cap the loop반복 횟수를 제한

–Token budget used up by too many reflection rounds and requests과도한 Reflection·요청으로 토큰 한도 초과runtime error런타임 오류

Error codes from the April 2025 test. The paper extends them to 15 error types in 4 categories.2025년 4월 실험의 오류 코드. 논문에서는 4개 범주, 15개 오류 유형으로 확장함.

From the paper draft논문 초안

Figures from the May 2025 draft · select one to enlarge2025년 5월 초안의 그림 · 선택하면 크게 볼 수 있음

Paper figure: study design linking related work, benchmark, implementation and testing, and institutional guideline — Flowchart흐름도**Study design연구 설계**
Four parts in one pipeline: platforms and data standards, a benchmark built by task decomposition, unit tests with error analysis, and an institutional guideline that ends in linked open data.하나의 파이프라인으로 이어진 네 부분: 플랫폼과 데이터 표준 검토, 과제 분해로 만든 벤치마크, 오류 분석을 포함한 단위 테스트, Linked Open Data로 이어지는 제도 가이드라인.

Paper figure: two line charts of correct dataset selection against toolset size, New York and Seoul — Key result핵심 결과**Dataset selection, New York vs Seoul데이터셋 선택: 뉴욕 vs 서울**
Correct-selection rate for the top 1, 3, 5 and 10 candidates as the toolset grows. Seoul runs slightly lower, and the pattern is the same on both platforms.도구 수 증가에 따른 Top-1·3·5·10 후보의 정답 선택률. 서울이 약간 낮지만, 두 플랫폼의 패턴은 같음.

2 × 3Platforms × models compared: New York and Seoul; GPT-4o, Claude Haiku, Gemini 2.0 Flash비교한 플랫폼 × 모델: 뉴욕·서울, GPT-4o·Claude Haiku·Gemini 2.0 Flash
15Error types in 4 categories4개 범주의 오류 유형
~70%Share of early errors caused by platform limits초기 오류 중 플랫폼 한계에서 비롯된 비율
60–70%Accuracy on simulated questions, against the 90%+ a product needs모의 질문 정확도(상용화에는 90% 이상 필요)

At a client고객사 적용

When an AI pilot stalls, I separate model errors from system errors first. In this study most errors sat in the platform, so the fix was infrastructure, not a bigger model.AI 파일럿이 멈추면 먼저 모델 오류와 시스템 오류를 분리함. 이 연구에서는 오류 대부분이 플랫폼에 있었기에, 해법은 더 큰 모델이 아니라 인프라 개선이었음.

A3CityAPIBenchRelation types, portal sizes, original slides관계 유형, 포털 규모, 원본 슬라이드

Spotted발견

Agents failed most when a question needed two datasets. Nothing in the catalogue says which tables join, at what level of detail, or under which code system. Seoul had tried linked open data in 2016 and stopped the service.

질문에 두 개 이상의 데이터셋이 필요할 때 에이전트가 가장 많이 실패함. 카탈로그 어디에도 어떤 테이블이 어떤 단위와 코드 체계로 결합되는지 나와 있지 않음. 서울시는 2016년 Linked Open Data를 시도했다가 서비스를 중단함.

Built구축

A typed property graph of datasets with six relation types, built by a four-phase pipeline: crawl and clean, rename tables and columns, score relationships by similarity, load into a graph database. The prototype uses rules on shared columns and keywords; LLM-based schema matching is the next phase.

6가지 관계 유형으로 데이터셋을 잇는 Typed Property Graph를 설계하고, 4단계 파이프라인(수집·정제 → 테이블·컬럼명 정규화 → 유사도 기반 관계 생성 → Graph DB 적재)으로 구축함. 프로토타입은 공통 컬럼과 키워드 규칙을 쓰며, 다음 단계는 LLM 기반 Schema Matching임.

Data & automation데이터·자동화

Metadata from 15 city portals: 23,077 datasets and about 16.7 million triples, 6.6 million of them from Seoul. I audited metadata quality city by city (update recency, categories, tags, column descriptions). Singapore's portal had no tags or categories at all, and portal sizes follow Zipf's law.

15개 도시 포털의 메타데이터 수집: 데이터셋 23,077건, 트리플 약 1,670만 개(서울만 660만 개). 도시별 메타데이터 품질(갱신 시점, 분류, 태그, 컬럼 설명)을 감사함. 싱가포르 포털에는 태그와 분류가 전혀 없었고, 포털 규모는 Zipf의 법칙을 따름.

Communicated소통

At CUPUM, Rob Kitchin asked how I would know the datasets I connect aren't trash. I took the question back to the lab as the next problem: quality control before linking.

CUPUM에서 Rob Kitchin 교수가 '연결한 데이터셋이 쓰레기가 아니라는 것을 어떻게 보장하느냐'고 질문함. 이 질문을 연구실에 가져와 다음 과제(연결 전 품질 관리)로 삼음.

A few portals hold most of the open data소수의 포털에 공공데이터 대부분이 집중됨

Datasets per city portal, as collected through each portal's metadata. Hover a bar for its graph triples. Source: CityAPIBench, 2025.각 포털 메타데이터로 수집한 도시별 데이터셋 수. 막대에 마우스를 올리면 그래프 트리플 수가 보임. 출처: CityAPIBench(2025).

Show the numbers수치 보기

UnionableUnionable(합집합)

schema(A) ≅ schema(B)

Same columns: stack the rows, such as one table per year.같은 컬럼 구조: 연도별 테이블처럼 행을 이어 붙임.

Schema complementSchema Complement(스키마 보완)

A.fk ⊆ B.pk

One-to-many enrichment: add attributes through a key.일대다 보강: 키를 통해 속성을 추가함.

JoinableJoinable(결합)

A.key ∩ B.key ≠ ∅

Many-to-many join on shared keys.공유 키를 통한 다대다 결합.

ResolutionResolution(해상도 변환)

granularity(A) ≠ granularity(B)

Aggregate or disaggregate, for example from dong to gu.동 단위를 구 단위로 집계하거나, 반대로 분해함.

SubsetSubset(부분집합)

A ⊆ B

A filtered slice of another table's rows or columns.다른 테이블의 행·열을 걸러낸 일부.

CrosswalkCrosswalk(코드 대응)

code₁ ↔ code₂

Translate between two coding systems.서로 다른 코드 체계 간 변환.

From the original slides원본 발표 자료

CityAPIBench deck, July 2025 · select a slide to enlargeCityAPIBench 발표 자료(2025년 7월) · 선택하면 크게 볼 수 있음

Slide: four-phase pipeline from data crawling to a graph database — Flowchart흐름도**Building the relational open-data pipeline관계형 공공데이터 파이프라인**
Crawl and clean, rename tables and columns, build relationships by similarity score, then load the city data graph into a graph database.수집·정제, 테이블·컬럼명 정규화, 유사도 기반 관계 생성을 거쳐 도시 데이터 그래프를 Graph DB에 적재함.

Slide: metadata quality table for 15 city open-data portals — Key result핵심 결과**Metadata quality in 15 cities15개 도시 메타데이터 품질**
Dataset counts, months since the last update, and how often each portal fills in organization, category, tags and column descriptions.포털별 데이터셋 수, 마지막 갱신 후 경과 개월 수, 기관·분류·태그·컬럼 설명 기재율.

23,077Datasets as nodes in the graph그래프 노드가 된 데이터셋
15City portals crawled수집한 도시 포털
6Relation types between datasets데이터셋 간 관계 유형
16.7MTriples in the graph, 6.6M of them from Seoul그래프 트리플 수(서울 660만 개)

At a client고객사 적용

Enterprise agents often stall at the joins between systems such as CRM, ERP and documents. I map those joins explicitly, with a type and an owner for each, before adding more prompts.기업용 에이전트는 CRM·ERP·문서 같은 시스템 간 결합 지점에서 자주 멈춤. 프롬프트를 늘리기 전에 이 결합 관계를 유형과 담당자까지 명시해 정의함.

BMore tools and prototypes그 밖의 도구와 프로토타입Street annotator, disparity simulator, data-collection playbook, explorers, dashboard, literature mapStreetscape Plan Annotator, Mobility Disparity Simulator, 데이터 수집 플레이북, Explorer, 대시보드, 문헌 지도

I scoped and checked each tool and built it with Claude as a coding partner. It is how I would deliver at a client: I own the problem and the checks, and AI speeds up the build. Ranked by how much each one says about AX work.각 도구의 범위 설정과 검증은 제가 맡고, 구현은 Claude를 코딩 파트너로 삼아 진행했습니다. 고객사 프로젝트도 같은 방식으로 진행합니다. 문제 정의와 검증은 제가 책임지고, 구현 속도는 AI로 끌어올립니다. AX 업무와 관련성이 높은 순서로 정리했습니다.

01Data capture데이터 수집

Streetscape Plan Annotator

Load a top-view street image, set the scale and the sidewalk extent, then mark trees, lamps, benches and bus stops. Exports GeoJSON with real dimensions, a CSV attribute table and an annotated map sheet. Interface in Chinese and English.도로 평면 이미지를 불러와 축척과 보도 범위를 정하고 가로수·가로등·벤치·버스정류장을 표시함. 실제 치수를 담은 GeoJSON, CSV 속성표, 주석 지도를 내보냄. 중국어·영어 인터페이스.

Shows보여주는 역량Turning field material into structured data. Its GeoJSON loads straight into the Sidewalk Conflict Lab (project 04).현장 자료를 구조화된 데이터로 전환함. 출력한 GeoJSON은 Sidewalk Conflict Lab(프로젝트 04)에 바로 불러올 수 있음.

Open the annotator ↗주석 도구 열기 ↗

02Simulator시뮬레이터

Mobility Disparity Simulator

Set a target disparity between two groups and a mechanism (level shift, spread, spatial segregation or concentration). The simulator solves for distributions that hit it exactly, so anyone can see what a score of 0.1 or 0.6 looks like.두 집단 간 목표 격차와 메커니즘(수준 이동, 분산 차이, 공간 분리, 집중)을 정하면, 그 값을 정확히 만드는 분포를 계산해 격차 점수 0.1과 0.6이 실제로 어떤 분포인지 누구나 볼 수 있게 함.

Shows보여주는 역량Making an evaluation metric intuitive, including what it cannot see. The same metric scores my pooled analysis of 7 national travel surveys (430,704 adults).평가 지표를 직관적으로 설명하고 그 한계까지 보여줌. 같은 지표로 7개 국가 통행조사(성인 430,704명) 통합 분석을 수행함.

Open the simulator ↗시뮬레이터 열기 ↗7-survey analysis ↗7개 조사 분석 ↗

North-star metricNorth Star Metric

Accepted footage hours, delivered on time기한 내 검수를 통과한 유효 영상 시간

Valid footage유효 비율	Cost per valid hour유효 1시간 비용	Gross margin매출총이익률	Collector pay per hour수집자 시급
80%	¥35.3	30%	¥14.4
65%	¥36.7	27%	¥11.7
50%	¥39.0	22%	¥9.0

Illustrative assumptions from the plan, not company figures계획서의 예시 가정치이며 실제 회사 수치가 아님

03Process프로세스

Embodied-AI data-collection playbookEmbodied AI 데이터 수집 플레이북

A 90-day plan to stand up first-person video collection through local businesses in Chengdu: recruit kitchens, shops and workshops as sites, one tier of city partners, pay tied to accepted hours, a KPI board with one north-star metric, three quality gates including AI pre-screening, anti-fraud and privacy rules, and a version for Korea.청두 현지 사업장을 통해 1인칭 영상 수집 체계를 90일 안에 구축하는 계획: 주방·상점·작업장을 수집 거점으로 확보, 도시 파트너는 1단계 구조로 단순화, 검수를 통과한 영상 시간에 연동한 보상, North Star Metric 하나로 관리하는 KPI 보드, AI Pre-screening을 포함한 3단계 Quality Gate, 부정 방지·개인정보 규칙, 한국 확장안.

Shows보여주는 역량Operations design with unit economics. If the valid-footage rate falls from 80% to 50%, margin drops about 8 points but collectors' hourly pay drops almost 40%, so quality and retention are one problem.Unit Economics까지 계산한 운영 설계. 유효 영상 비율이 80%에서 50%로 떨어지면 마진은 약 8%p 줄지만, 수집자 시급은 40% 가까이 줄어듦. 즉 품질과 리텐션은 같은 문제임.

Open the playbook (in Chinese) ↗플레이북 열기(중국어) ↗

Vitality Index Explorer: one line per historic district per year, coloured by life-cycle stage, with filters for index form, stage and province

04Explorer탐색 도구

Vitality Index and Detrended Brightness explorersVitality Index · Detrended Brightness Explorer

Explore 117 historic districts in China over 13 years of night-time light, points of interest and heat data: a PCA vitality index and detrended brightness trajectories, split by life-cycle stage and province.중국 역사문화가구 117곳의 13년간 야간 조도, POI, 열 데이터를 탐색함. PCA 기반 Vitality Index와 추세를 제거한 밝기(Detrended Brightness) 궤적을 생애주기 단계와 성(省)별로 확인함.

Shows보여주는 역량Checking data before trusting it. The explorers expose a 0.86-SD jump caused by the vendor's extraction schedule, a satellite-composite ramp in 2012–2014, and 9 groups of byte-identical series.데이터를 믿기 전에 먼저 검증함. 데이터 제공사의 추출 일정 때문에 생긴 0.86 표준편차 점프, 2012–2014년 위성 합성 영상의 상승 구간, 바이트 단위로 동일한 시계열 9개 그룹을 드러냄.

Vitality Index Explorer ↗Vitality Index Explorer ↗Detrended Brightness Explorer ↗Detrended Brightness Explorer ↗

Travel-trajectory dashboard: totals for trips, visits and attractions, a map of attractions with inter-city flows, and a monthly trips chart

05Dashboard대시보드

Travel-trajectory dashboard여행 궤적 대시보드

Turns travelogue visit sequences for Beijing, Tianjin, Hebei and Shanxi into a filterable dashboard: attraction map and inter-city flows, monthly trips, seasonality, top attractions, companion types and cross-province combinations.베이징·톈진·허베이·산시를 지나는 여행기 방문 순서를 필터 가능한 대시보드로 전환함. 관광지 지도와 도시 간 흐름, 월별 여행, 계절성, 인기 관광지, 동행 유형, 성(省) 간 조합을 보여줌.

Shows보여주는 역량From unstructured user-generated text to a view a tourism team can filter and act on.비정형 사용자 생성 텍스트를 관광 담당자가 바로 걸러 보고 활용할 수 있는 화면으로 전환함.

Open the dashboard ↗대시보드 열기 ↗

06Literature review문헌 리뷰

Who Moves Where

A reading map for my thesis area. Every paper is checked against its proceedings record (OpenReview, ACL Anthology, CVF and others) rather than arXiv, grouped into pillars, with direct competitors and the positions still open.학위논문 분야의 문헌 지도. 모든 논문을 arXiv가 아닌 학회 공식 기록(OpenReview, ACL Anthology, CVF 등)과 대조해 검증하고, 핵심 축·직접 경쟁 연구·남은 기회 영역으로 정리함.

Shows보여주는 역량Landscape and competitor analysis with verification built in: no citation goes in unchecked.검증 절차를 내장한 연구 지형·경쟁 분석. 확인되지 않은 인용은 넣지 않음.

Open the index ↗문헌 지도 열기 ↗

07Perspective관점

From Frontier OGD to City Operation Benchmark

Confidential. The content is not shown here; details can be discussed on request.비공개 자료로 내용은 공개하지 않음. 요청 시 별도로 논의 가능.

More from the same desk그 밖의 작업

From Dialogue to Delivery ↗ · a 27-slide English–Korean deck on how AI agents change tools, trust, returns and organizationAI 에이전트가 도구·신뢰·수익·조직을 어떻게 바꾸는지 다룬 영·한 이중 언어 27장 발표 자료
AI transformation and FDE report ↗AX(AI Transformation)·FDE 보고서 ↗ · five perspectives on forward-deployed engineering, 21 claims re-checked against original sources (in Chinese)FDE(Forward Deployed Engineering)를 다섯 관점으로 분석하고, 21개 주장을 원출처와 대조해 재검증(중국어)
Korea market scan for embodied-AI data ↗한국 Embodied AI 데이터 시장 조사 ↗ · interviews with repair, construction and food businesses, a buyer map and a go-to-market model (in Chinese)정비·건설·식품 업체 인터뷰, 바이어 맵, GTM(Go-to-Market) 모델(중국어)
Co-author geography map ↗공저자 국가 분포 지도 ↗ · 255 papers from OpenAlex, cleaned and mapped by co-author countryOpenAlex 논문 255편을 정제해 공저자 국가별로 시각화

CPost-mortem and next research회고와 다음 연구Why the do-everything agent broke, and four scoped directions (2025 proposal)만능 에이전트가 실패한 이유와 4가지 연구 방향(2025년 연구 제안서)

Post-mortem회고

My first agent tried to do everything: break down any planning task, call any tool, close the loop. It turned out to be "a fragile aggregation held together by glue code". Success became the product of every module's success rate, each step added latency and cost, and I would have been maintaining many services instead of one product. I wasn't inventing a car; I was assembling a poor tractor.

첫 에이전트는 모든 계획 과제를 분해하고, 모든 도구를 호출하고, 결과까지 스스로 마무리하는 '만능'을 목표로 했음. 결과는 '글루 코드로 겨우 붙여 놓은 취약한 집합체'였음. 전체 성공률은 모든 모듈 성공률의 곱이 되고, 단계마다 지연과 비용이 늘며, 하나의 제품이 아니라 여러 서비스를 유지해야 했음. 자동차를 발명한 것이 아니라 엉성한 트랙터를 조립한 셈이었음.

New rule새 원칙

Pick one narrow but scalable function. One input, machine-parseable output. A continuously updated private knowledge base, a master prompt and an output parser, tuned for latency and accuracy. And sit with the users: we cannot imagine planners' needs from our office.

좁지만 확장 가능한 기능 하나에 집중함. 입력은 하나, 출력은 기계가 파싱할 수 있는 형식으로 고정. 지속적으로 갱신되는 내부 Knowledge Base, Master Prompt, Output Parser를 갖추고 지연 시간과 정확도를 최적화함. 그리고 사용자 곁에서 일함. 연구실 책상에서는 도시계획가의 실제 니즈를 상상할 수 없기 때문임.

Communicated소통

The proposal offered a prospective collaborator two concrete ways to work together: support her idea on zoning documents, or lead a sibling topic that shares the method and code. It also borrows from medicine and law, where knowledge extraction is further along.

공동연구 후보자에게 협업 방식 두 가지를 구체적으로 제안함. 상대의 용도지역 문서 아이디어를 지원하거나, 방법론과 코드를 공유하는 자매 주제를 직접 이끄는 방식임. 지식 추출이 앞선 의료·법률 분야의 사례도 참고함.

Why the do-everything agent broke만능 에이전트가 무너진 이유

Plan계획90% Pick tool도구 선택90% Write request요청 작성90% Fetch data데이터 수집90% Answer답변90% 59%

One narrow function, tuned좁고 잘 다듬은 기능 하나95% 95%

Illustration, not measured data: five steps that each succeed 90% of the time succeed together only 59% of the time (0.9⁵ ≈ 0.59).실측값이 아닌 예시: 각각 90% 성공하는 다섯 단계를 이으면 전체 성공률은 59%에 그침(0.9⁵ ≈ 0.59).

Multimodal accessibility멀티모달 접근성

Rebuild the distance-decay function with multimodal network features and ship it as a Python package, MultimodalNX.다중 교통망 특성으로 거리 감쇠 함수를 재구성하고 Python 패키지(MultimodalNX)로 배포.

Knowledge tool for transport teams교통 실무자용 지식 도구

An ontology and knowledge graph built from planning documents, queried through an LLM in a graph-RAG pipeline.계획 문서로 온톨로지와 지식그래프를 구축하고, Graph RAG 파이프라인으로 LLM이 질의에 답함.

Urban data web도시 데이터 웹

Extend CityAPIBench into a graph that links datasets to the analyses that use them.CityAPIBench를 데이터셋과 이를 활용한 분석을 잇는 그래프로 확장.

GHAFS

A GTFS-style feed specification for human-activity data that plugs into LLM agent simulations.GTFS처럼 인간 활동 데이터를 표준화하는 피드 규격. LLM 에이전트 시뮬레이션에 바로 연결됨.

From the original slides원본 발표 자료

Research proposal deck, July 2025 · select a slide to enlarge연구 제안 발표 자료(2025년 7월) · 선택하면 크게 볼 수 있음

Slide: methodology pipeline from source documents to a knowledge graph and a global answer — Flowchart흐름도**From planning documents to a knowledge tool계획 문서에서 지식 도구까지**
Paper 1 turns source documents into a knowledge graph; paper 2 answers questions through graph communities and their summaries; paper 3 designs and evaluates the tool for transport professionals.논문 1은 원문 문서를 지식그래프로 만들고, 논문 2는 그래프 커뮤니티와 요약으로 질의에 답하며, 논문 3은 교통 실무자용 도구를 설계·평가함.

Slide: 'My thoughts from previous experience', a written post-mortem of the first agent — Reflection회고**The post-mortem, in my own words회고 원문**
Why the do-everything agent failed (multiplying error rates, latency and cost, maintenance load) and the rule that replaced it: one narrow function, done well.만능 에이전트가 실패한 이유(곱해지는 오류율, 지연과 비용, 유지보수 부담)와 이를 대체한 원칙: 좁은 기능 하나를 제대로.

Slide: data and method for multimodal transport networks, with network maps of Seoul and Barcelona — Data and method데이터·방법**Multimodal networks for Seoul서울 멀티모달 네트워크**
Road, GTFS and bike-share networks plus mobile-phone OD flows on 500 m grids, combined into coupled multilayer networks to refit the distance-decay function.도로·GTFS·공공자전거 네트워크와 500m 격자 휴대전화 OD 흐름을 결합 다층 네트워크(Coupled Multilayer Network)로 엮어 거리 감쇠 함수를 재추정함.

At a client고객사 적용

I scope AI work to the narrowest function that pays off, ship it with an output contract, then widen. That is how a pilot becomes a component the next client can reuse.AI 과제를 성과가 나는 가장 좁은 기능으로 정의하고, Output Contract와 함께 배포한 뒤 범위를 넓힘. 그래야 파일럿이 다음 고객사에서도 재사용할 수 있는 컴포넌트로 남음.

DFour skills, with evidence4가지 역량과 근거Problem defining, system building, data and automation, communication and mentoring문제 정의, 시스템 구축, 데이터·자동화, 커뮤니케이션·멘토링

Problem detecting and defining문제 발견과 정의

Find the real failure before anyone builds the fix.해결책을 만들기 전에 실제 실패 지점을 찾음.

Stress-tested a live government AI chatbot and found it only handled its sample questions운영 중인 공공 AI 챗봇을 검증해 예시 질문에만 작동함을 확인Project 1프로젝트 1
Reframed "the model is weak" as "the platform isn't ready for AI" with a two-city comparison두 도시 비교로 문제를 '모델이 약하다'에서 '플랫폼이 AI를 받아들일 준비가 안 됐다'로 재정의Project 2프로젝트 2
Turned a recurring failure, agents unable to merge data, into the next project반복되는 실패(에이전트가 데이터를 결합하지 못함)를 다음 프로젝트의 주제로 전환Project 3프로젝트 3
Interviewed Korean repair, construction and food businesses on cost and willingness before proposing a data business데이터 사업 제안 전 한국 정비·건설·식품 업체를 인터뷰해 비용과 참여 의향을 확인Report보고서

System design and building시스템 설계와 구축

Design the parts and the contracts between them, then build them.구성 요소와 그 사이의 인터페이스를 설계하고 직접 구축함.

Multi-agent system with a tool generator and an LLM judgeTool Generator와 LLM Judge를 갖춘 멀티 에이전트 시스템Project 1프로젝트 1
Typed data graph with six relation types and a four-phase pipeline6가지 관계 유형의 데이터 그래프와 4단계 파이프라인Project 3프로젝트 3
Human–robot sidewalk simulator: 10 Python modules, about 3,000 lines, 39 verification tests, plus a browser lab보행자–로봇 보도 시뮬레이터: Python 모듈 10개, 약 3,000줄, 검증 테스트 39개, 웹 실험 환경Project 4프로젝트 4
Field operations for embodied-AI data collection: supply network, incentives, quality gatesEmbodied AI 데이터 수집 현장 운영 체계: 공급 네트워크, 인센티브, Quality GateAppendix B부록 B

Data analysis and automation데이터 분석과 자동화

Automate the collection, check the data before trusting it, then measure.수집은 자동화하고, 데이터는 믿기 전에 검증하고, 그다음에 측정함.

Crawled and embedded 8,000+ API documents; generated and judged test questions automaticallyAPI 문서 8,000건 이상 수집·임베딩, 테스트 질문 자동 생성·채점Projects 1–2프로젝트 1–2
Metadata audit of 23,077 datasets across 15 cities15개 도시 데이터셋 23,077건의 메타데이터 감사Project 3프로젝트 3
Pooled analysis of 7 national travel surveys (430,704 adults), harmonized by script7개 국가 통행조사(성인 430,704명)를 스크립트로 통합한 분석Appendix B부록 B
Caught a data-vendor artifact and duplicated series in a 13-year panel before they became findings13년 패널 데이터에서 제공사 측 아티팩트와 중복 시계열을 발견해, 연구 결과로 오인되는 것을 막음Appendix B부록 B

Communication and mentoring커뮤니케이션과 멘토링

Make the work usable by people who did not build it.직접 만들지 않은 사람도 결과물을 쓸 수 있게 함.

Roadmaps that give policymakers, engineers and expert users their own tasks정책 담당자·엔지니어·전문가 사용자별 과제를 담은 로드맵Projects 1–2프로젝트 1–2
9 talks in 6 countries and regions; 3 awards6개 국가·지역에서 발표 9회, 수상 3회Appendix E부록 E
Mentored 2 undergraduate theses on simulating travel-mode choice with LLMs; teaching assistant for graduate Urban Data ScienceLLM 기반 교통수단 선택 시뮬레이션 주제로 학부 졸업논문 2편 지도, 대학원 '도시 데이터 사이언스' 조교Appendix E부록 E
Handover documents: the simulator manual is written for whoever changes the model next; decks in English and Korean인수인계 문서: 다음 개발자가 모델을 이어서 수정할 수 있도록 시뮬레이터 매뉴얼 작성, 발표 자료는 영·한 이중 언어로 제작Project 4프로젝트 4

EBackground이력Education, publications, talks and awards, languages and tools학력, 논문, 발표·수상, 언어·도구

Education학력

Ph.D. candidate, Urban Planning and Engineering, Hanyang University, Seoul (2021–). Coursework and comprehensive exam completed; GPA 4.17/4.5.한양대학교 도시공학과 박사과정(2021–). 수료 및 종합시험 통과, 평점 4.17/4.5.
Thesis: demographics- and context-aware generative models of urban mobility, Seoul Metropolitan Area at a 250 m grid.학위논문: 인구 특성과 맥락을 반영한 도시 이동 생성 모델(수도권, 250m 격자).
B.Eng. in Transportation, Southwest Jiaotong University, China (2017–2021).중국 서남교통대학교 교통공학 학사(2017–2021).

Selected publications주요 논문

Li, X., Kim, N., & Lee, S. (2026). The emerging gender shift in urban mobility: patterns and gaps across age groups in the Seoul Metropolitan Area. Cities.
Li, X., Zhou, X., Chae, D., Quan, S. J., & Lee, S. (2025). Implementing LLM assistants for open government data: technical challenges and policy implications for data democracy. Government Information Quarterly, under review.
Li, X., Ha, J., & Lee, S. (2024). Unveiling the roles of public bike systems: from leisure to multimodal transportation. Travel Behaviour and Society, 34, 100705.
Li, X., Lee, S., & Yoo, C. (2024). Unveiling the spatial heterogeneity of public transit resilience during and after the COVID-19 pandemic. Journal of Public Transportation, 26, 100091.

Research projects and teaching연구 과제와 교육

Research assistant on three National Research Foundation of Korea projects: integrated mobility services (MaaS, 2025), mobility and social equity (2024), a mobility simulator using real-time route API data (2022).한국연구재단 과제 3건 연구보조원: 통합 모빌리티 서비스(MaaS, 2025), 모빌리티와 사회적 형평성(2024), 실시간 경로 API 기반 모빌리티 시뮬레이터(2022).
Mentored two undergraduate theses on simulating travel-mode choice with LLMs (2024).LLM 기반 교통수단 선택 시뮬레이션을 주제로 학부 졸업논문 2편 지도(2024).
Teaching assistant, Urban Data Science, graduate course (2022).대학원 '도시 데이터 사이언스' 강의 조교(2022).

Talks and awards발표와 수상

9 talks in 6 countries and regions, including CUPUM 2025 (London), CASPT 2025 (Kyoto), SDSC 2024 (Athens), AsiaCarto 2024 and GSCS & ICUI 2023 (Hong Kong).6개 국가·지역에서 발표 9회: CUPUM 2025(런던), CASPT 2025(교토), SDSC 2024(아테네), AsiaCarto 2024·GSCS & ICUI 2023(홍콩) 등.
AI and Cities 2025, excellent presentation award · AsiaCarto 2024, best student paper presentation · SDSC and 3D GeoInfo 2022, best young researcher paper.AI and Cities 2025 우수 발표상 · AsiaCarto 2024 최우수 학생 논문 발표상 · SDSC·3D GeoInfo 2022 최우수 신진 연구자 논문상.
Red Lion Science scholarship, full Ph.D. funding (2021–2025).Red Lion Science 장학금, 박사과정 전액 지원(2021–2025).

Languages and tools언어와 도구

Mandarin (native) · Korean (TOPIK 4) · English (IELTS 7)중국어(모국어) · 한국어(TOPIK 4급) · 영어(IELTS 7.0)
Python (pandas, NumPy, NetworkX, PySAL), SQL, MongoDB, graph databases, LangChain agents, embeddings and retrieval, ArcGIS, Kepler.glPython(pandas, NumPy, NetworkX, PySAL), SQL, MongoDB, Graph DB, LangChain Agent, Embedding·Retrieval, ArcGIS, Kepler.gl

Side projects병행 활동

Cross-border projects between Europe, China and Korea: co-founder of Knots, a B2B platform for European professionals and Chinese counterparts; China representative for HCMY; the DNβ residency in Ziyang.유럽·중국·한국을 잇는 크로스보더 프로젝트: 유럽 전문가와 중국 기업을 잇는 B2B 플랫폼 Knots 공동창업, HCMY 중국 대표, 쯔양 DNβ 레지던시.