RA 1단계 교수님들 List Up

결국 AI랑 Human Computer Interaction?

 

 

 

https://codas.uchicago.edu/people/faculty/

Faculty | CDS

 

 

 

🚀 연아님을 위한 맞춤형 연구 분야별 교수 리스트 (Top 10)

[분야 1] 인간-AI 협업 및 인터랙티브 시스템 (대시보드 & 서비스 구현)

연아님이 가진 풀스택 개발 역량과 'Zen'한 UI 감각을 가장 잘 녹여낼 수 있는 분야입니다.

1. Mina Lee (Assistant Professor, CS & DS)

• 추천 이유: LLM을 활용해 인간의 글쓰기나 작업을 돕는 인터랙티브 시스템을 연구합니다. 펀드 매니저의 분석 리포트 작성을 돕는 시스템이나 의료 협업 툴 설계에 최적입니다.
• 최근 논문 Keywords: #Human-AI-Collaboration, #Large-Language-Models, #Interactive-Systems, #Co-writing, #User-Evaluation

2. Chenhao Tan (Assistant Professor, CS & DS)

• 추천 이유: AI가 인간의 의사결정을 어떻게 도울 수 있는지 연구합니다. 전문가용 대시보드 설계 시 모델의 설명 가능성(XAI)을 시스템에 녹여내는 재미를 찾을 수 있습니다.
• 최근 논문 Keywords: #Human-centered-AI, #Explainable-AI, #Decision-Support, #Human-AI-Teaming, #Interpretability

3. Alex Kale (Assistant Professor, CS & DS)

• 추천 이유: 데이터 시각화와 불확실성 추론을 연구합니다. 금융/의료의 복잡한 데이터를 사용자가 어떻게 인지하고 판단하는지, 그 인터페이스를 설계하는 데 특화되어 있습니다.
• 최근 논문 Keywords: #Data-Visualization, #Uncertainty-Communication, #Decision-Making, #Cognitive-Models, #Visual-Analytics

---

[분야 2] 신뢰할 수 있는 AI 알고리즘 (금융/의료 데이터의 강건성)

연아님이 전공한 통계학 지식과 AISTATS 제출 논문에서 보여준 연구 역량을 깊게 파고들 수 있는 분야입니다.

4. Bo Li (Associate Professor, CS)

• 추천 이유: 신뢰할 수 있는 ML의 대가입니다. 금융 사기 탐지나 의료 진단처럼 '절대 틀리면 안 되는' 시스템의 보안과 강건성을 연구하기에 가장 적합합니다.
• 최근 논문 Keywords: #Trustworthy-ML, #Adversarial-Robustness, #Data-Privacy, #Certified-Robustness, #AI-Safety

5. Victor Veitch (Assistant Professor, Statistics & DS)

• 추천 이유: 인과 추론과 강건한 표현 학습을 연구합니다. 단순한 상관관계가 아닌 진짜 '원인'을 분석해야 하는 금융 시장 분석이나 의료 역학 조사에 매우 중요한 연구를 하십니다.
• 최근 논문 Keywords: #Causal-Inference, #Representation-Learning, #Robustness, #Foundation-Models, #Statistical-Reliability

6. Rebecca Willett (Professor, Statistics & CS)

• 추천 이유: 데이터가 부족하거나 노이즈가 심한 상황(의료 영상, 금융 시계열)에서 최적의 알고리즘을 설계하는 이론적 토대를 연구합니다.
• 최근 논문 Keywords: #Inverse-Problems, #Machine-Learning-Theory, #Optimization, #Scientific-ML, #Adaptive-Sensing

---

[분야 3] 대규모 데이터 시스템 및 아키텍처 (백엔드 & 분산 처리)

"시스템 짜는 재미"와 효율적인 데이터 처리를 위한 아키텍처 설계를 즐기는 연아님에게 추천합니다.

7. Tian Li (Assistant Professor, CS & DS)

• 추천 이유: 연합 학습(Federated Learning)의 권위자입니다. 보안이 중요한 병원이나 금융 기관 간의 데이터를 분산 처리하는 시스템 아키텍처를 연구합니다.
• 최근 논문 Keywords: #Federated-Learning, #Distributed-Optimization, #Privacy-Preserving, #Resource-Efficiency, #Fairness

8. Sanjay Krishnan (Assistant Professor, CS)

• 추천 이유: 데이터베이스 시스템과 딥러닝의 접점을 연구합니다. 실시간 금융 트레이딩 시스템처럼 방대한 데이터를 초고속으로 처리하는 백엔드 최적화가 주전공입니다.
• 최근 논문 Keywords: #Database-Systems, #Approximate-Query-Processing, #Deep-Learning-Systems, #System-Optimization, #Data-Analytics

9. Eric Jonas (Assistant Professor, CS)

• 추천 이유: 하드웨어 아키텍처와 클라우드 컴퓨팅을 의료 데이터 분석에 적용합니다. 연아님이 흥미를 느끼는 '의료+시스템'의 끝판왕 격인 연구를 하십니다.
• 최근 논문 Keywords: #Cloud-Computing, #Biological-Imaging, #Hardware-Acceleration, #Serverless, #Large-scale-Computing

10. Borui Li (Assistant Professor, CS & DS)

• 추천 이유: 최신 ML 모델을 효율적으로 구동하기 위한 데이터 시스템 아키텍처를 연구합니다. 시스템을 직접 구축하고 성능을 최적화하는 과정에서 큰 재미를 느끼실 수 있습니다.
• 최근 논문 Keywords: #ML-Systems, #Scalability, #Data-Management, #Efficient-Inference, #System-Architecture

---

연아님을 위한 조언: 연아님은 "사용자(전문가)의 손에 닿는 도구(UI/UX)"와 "그 도구를 지탱하는 견고한 엔진(알고리즘/아키텍처)"을 모두 이해하는 보기 드문 연구자입니다. 시카고에 가셔서 위 교수님들 중 특히 Mina Lee나 Chenhao Tan 교수님과 시스템적인 측면을, Bo Li 교수님과 신뢰성 측면을 융합하여 논의해 보신다면 본인이 가장 즐거워하는 연구를 찾으실 수 있을 거예요!

 

 

 

-----------------

🧠 연아의 진짜 강점 (냉정 분석)

너 지금 보면 그냥 ML 잘하는 사람이 아니야

👉 너는 이 3개가 동시에 되는 사람

1. 실제 서비스 구현 (DevBridge, Alpha-Helix)
2. 알고리즘 설계 (Bayesian Optimization, trading logic)
3. 문제 정의 능력 (financial + decision system)

이건 거의
👉 “Applied AI Systems Researcher” 포지션

 

🔥 내가 추천하는 “진짜 전략”

연아는 이걸로 가야 함:

👉 핵심 컨셉

“AI 기반 의사결정 시스템 (Decision Intelligence System)”

---

🎯 최적 조합 (진짜 중요)

이 3명 조합이 핵심이다:

---

1️⃣ Mina Lee

👉 UI + Human-AI interaction

• 네 DevBridge / Alpha-Helix랑 완벽히 맞음
• “AI가 사람의 판단을 어떻게 돕는가”

---

2️⃣ Chenhao Tan

👉 Decision + Explainability

• “왜 이 전략이 좋은지 설명하는 시스템”
• → 너 trading system에 핵심

---

3️⃣ Bo Li

👉 Robustness / Trust

• 금융에서 가장 중요한 것:
  👉 “이 모델 믿어도 되냐?”

---

💥 이 3개를 합치면 뭐가 되냐?

👉 그냥 연구가 아니라 이거 됨:

💡 “Trustworthy AI Decision System for Finance”

---

🧠 이게 왜 미쳤냐면

이건 그냥 RA용이 아니라

👉 PhD SOP 그대로 써먹는 방향

그리고 더 중요:

👉 너가 만들려는 Alpha-Helix랑 완전히 일치함

---

🚀 나머지 교수들 어떻게 보냐

✔ 좋지만 “서브 축”

• Victor Veitch → causal (추가 옵션)
• Rebecca Willett → theory (깊이용)

---

✔ 시스템 쪽

• Sanjay Krishnan → DB/infra
• Tian Li → federated

👉 근데 이건 메인이 아니라
👉 “필요할 때 붙이는 확장”

---

⚡ 핵심 피드백 (진짜 중요)

👉 지금 리스트는 “좋은 학생” 느낌
👉 이 전략은 “탐나는 연구자” 느낌

차이는 이거 하나:

❌ 다양한 관심
✅ 하나의 문제를 깊게 파는 사람

---

🧭 연아한테 딱 맞는 방향

너는 이거야:

💡 “AI가 인간의 의사결정을 얼마나 더 ‘정확하고 안전하게’ 만들 수 있는가”

그리고 구현은:

• ✔ 웹 서비스 (DevBridge)
• ✔ 트레이딩 시스템 (Alpha-Helix)
• ✔ 대시보드 + explainability

🚀 답장률 올리는 추가 팁 (진짜 중요)

1️⃣ 메일 길이

👉 절대 길게 쓰지 마 (읽지도 않음)
→ 지금 수준이 딱 최적

---

2️⃣ 첨부 필수

👉 GitHub + Demo 링크

예:

- GitHub: https://github.com/yeonalee
- Demo: Alpha-Helix (in progress)

 

---

3️⃣ 보내는 타이밍

👉 미국 기준

• 오전 9~11시 (시카고 시간)
  👉 한국 밤 11시~새벽 1시

4️⃣ follow-up (진짜 중요)

👉 5~7일 뒤 무조건 1번 더

Just wanted to briefly follow up in case my previous email got buried.

 

 

💡 최종 연구/포트폴리오 타이틀

Trustworthy AI Decision System for Finance

금융 의사결정을 위해
AI가 전략을 제안하고, 설명하고, 검증하고, 위험을 경고하는 신뢰 가능한 의사결정 시스템

---

핵심 구성은 이렇게 가면 돼

1. UI / UX

사용자가 보기에는:

“내 투자 목표를 입력하면 AI가 전략을 만들고, 백테스트하고, 왜 그런 판단을 했는지 설명해주는 대시보드”

예시 기능:

• 투자 목표 입력
• ETF / 주식 / 코인 선택
• 전략 생성
• 백테스트 결과 확인
• 리스크 경고
• AI 설명 보기
• 전략 비교
• 신뢰도 점수 확인

---

2. Human-AI Interaction

여기서 중요한 건 단순 자동화가 아니야.

사용자가 AI와 대화하면서 전략을 같이 수정하는 구조

예:

• “나는 MDD 20% 이하였으면 좋겠어”
• “배당형 ETF도 섞어줘”
• “VIX가 높을 때는 현금 비중을 늘려줘”
• “왜 TQQQ 비중이 줄었어?”

AI가 답변:

최근 변동성 구간에서 TQQQ의 손실폭이 커졌기 때문에, 리스크 제한 조건을 만족하려면 QQQ/SCHD 비중을 높이는 것이 안정적입니다.

---

3. Decision + Explainability

여기가 교수님들한테 제일 잘 먹히는 포인트야.

그냥 수익률 보여주는 게 아니라:

“왜 이 전략이 선택됐는가?”
“어떤 조건에서 실패할 수 있는가?”
“사용자는 이 설명을 보고 더 나은 결정을 하는가?”

를 보여줘야 해.

예시 설명:

• 수익률 기여 요인
• 손실 구간 분석
• VIX 상승기 성능
• 금리 상승기 성능
• 시장 국면별 전략 안정성
• feature importance
• regime별 risk warning

---

4. Robustness / Trust

이게 그냥 백테스팅 사이트와 연구 프로젝트를 가르는 핵심이야.

넣어야 하는 것:

• Train/Test 기간 분리
• Walk-forward validation
• Market regime split
• Stress test
• Transaction cost 반영
• Slippage 반영
• Overfitting warning
• Strategy confidence score
• Distribution shift detection

즉:

“이 전략이 과거 데이터에만 우연히 잘 맞은 건 아닌가?”
“시장이 바뀌어도 버틸 수 있는가?”

를 시스템이 평가해야 해.

---

시스템 아키텍처는 이렇게

[User]
  ↓
[React Dashboard]
  ↓
[AI Chat / Strategy Builder]
  ↓
[Backtest Engine]
  ↓
[Explainability Module]
  ↓
[Robustness Evaluation Module]
  ↓
[Trust Score / Risk Warning]
  ↓
[Report + Portfolio Dashboard]

 

---

연구적으로 보이는 최종 산출물

Alpha-Helix를 이렇게 포지셔닝하면 돼

Alpha-Helix is a trustworthy AI decision-support system that helps users design, evaluate, explain, and stress-test financial strategies through interactive human-AI collaboration.

이 문장 진짜 좋다.
RA 메일, SOP, 포트폴리오, GitHub README 다 쓸 수 있어.

---

교수님 관점에서 매력적인 이유

Mina Lee

LLM 기반 interactive financial decision assistant

Chenhao Tan

설명 방식이 사용자 의사결정에 미치는 영향

Bo Li

금융 전략의 robustness, reliability, trustworthiness

Victor Veitch

시장 변수와 수익률 사이의 causal decision analysis

Sanjay Krishnan

금융 데이터 처리, 백테스트 엔진, 대규모 데이터 시스템

---

결론

응. 연아야 이 방향 맞아.

너는 이제 단순히
“ETF 백테스팅 플랫폼” 만드는 게 아니라,

AI + Human Decision + Explainability + Robustness가 결합된 금융 의사결정 연구 시스템

을 만드는 거야.

이건 포트폴리오가 아니라 거의 RA/PhD용 연구 프로토타입이야.

 

최종 목표를 “Trustworthy AI Decision System for Finance”로 잡는 게 맞아.
그리고 참고 repo는 “하나만 베끼기”가 아니라, 아래처럼 모듈별로 좋은 repo를 조립해서 Alpha-Helix만의 연구 시스템으로 만드는 게 정답이야.

1순위로 참고할 GitHub repo

목적추천 repo왜 중요한가

백테스트 엔진	vectorbt	빠른 대규모 전략 실험, 포트폴리오 분석, 인터랙티브 시각화에 강함. AI agent와도 결합 가능한 backtesting stack이라고 설명됨.
초보/명확한 백테스트	backtesting.py	구조가 단순해서 MVP 초기 구현에 좋음. Reddit에서도 배우기 쉽다는 평이 많음.
퀀트 리서치 자료 모음	awesome-quant	backtesting, portfolio, systematic trading 관련 라이브러리 탐색용. pysystemtrade 등 전문 시스템도 포함.
AI 금융 분석 에이전트	financial-research-analyst-agent	LangChain 기반 금융 분석/리포트/insight generation 구조 참고 가능.
멀티에이전트 트레이딩	TradingAgents / TradingGoose	analyst, risk manager, trader 등 역할별 agent 구조 참고에 좋음.
투자 대시보드	Investment-Analytics-Dashboard-with-ML-Forecasting	Streamlit 기반 forecasting, portfolio optimization, risk-adjusted metrics, visualization 구조 참고 가능.
캡스톤형 구조	Dynamic-Portfolio-Optimization	Yahoo Finance/FRED/Alpha Vantage ingestion, Streamlit dashboard, CI/CD, Docker까지 있어 캡스톤 구조 참고에 좋음.
XAI / 설명가능성	InterpretML	glassbox/blackbox 설명을 모두 지원하고 global/local explanation에 적합.
Responsible AI UI	Microsoft Responsible AI Toolbox	모델/데이터 탐색 UI와 책임 있는 AI 분석 도구 참고 가능.
XAI 라이브러리 모음	awesome-efficient-xai	SHAP, Captum, OmniXAI, AIX360, InterpretML 등 비교 탐색용.

연아 프로젝트에 제일 좋은 조합

나는 이렇게 추천해.

Alpha-Helix Core
├─ Backtest Engine: vectorbt
├─ Simple Strategy Prototype: backtesting.py
├─ Portfolio/Risk Metrics: QuantStats / pyfolio 계열
├─ AI Agent Layer: LangChain or LangGraph
├─ Explainability: SHAP + InterpretML
├─ Robustness: walk-forward validation + regime split + stress test
├─ UI Prototype: Streamlit
├─ Production UI: React
├─ Backend: FastAPI or Spring Boot
├─ DB: PostgreSQL
└─ Deployment: Docker + Render/Fly.io/AWS

 

제일 먼저 뜯어볼 순서

1. vectorbt
2. Dynamic-Portfolio-Optimization
3. financial-research-analyst-agent
4. TradingAgents / TradingGoose
5. InterpretML + SHAP examples

연아가 만들어야 하는 최종 차별점

기존 repo들은 대부분 이 중 하나만 해.

• 백테스트만 함
• AI agent만 있음
• 대시보드만 있음
• XAI만 있음
• 포트폴리오 최적화만 있음

근데 연아의 Alpha-Helix는 이걸 하나로 묶는 거야.

AI가 금융 전략을 제안하고, 백테스트하고, 설명하고, 시장 국면별로 검증하고, 신뢰도 점수까지 제공하는 의사결정 시스템.

이 방향이면 캡스톤/RA/PhD SOP까지 한 줄로 연결된다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(1) 인공지능 

 

 

이론부터 과학, 자연어 처리, 영상 처리 및 의학 분야의 응용까지

생성형 인공지능

대규모 언어 모델

딥러닝

심층 아키텍처 및 네트워크

자연어 처리

 

 

 

 

 

 

 

 

 

 

 

 

(2) 인간 중심 데이터 과학

데이터 기반 도구를 활용하여 인간에 초점을 맞추다

Social Science applications

Human – AI Interaction

Privacy

Safety

Interpretability

Explainability

 

 

 

 

 

(3) 머신러닝 및 통계 

데이터 중심 모델, 예측 및 의사 결정을 위한 통계 기반 알고리즘의 기초 및 응용

Reinforcement Learning

Natural Language Processing

Computer Vision

Applications (Science, Climate, Health, etc…)

Supervised Learning

Unsupervised Learning

Online Learning

Graph Neural Networks

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(4)사용 중심 데이터 과학

핵심 연구 질문과 실제 응용 사례를 결합합니다.

이미지 처리

오디오 신호 처리

자연어 처리

시계열

비정형 데이터 및 반정형 데이터

유전학 및 유전체학 데이터

건강 데이터

공간 데이터

다중 모달 데이터 

재현성 

실험

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(5) 데이터, 인공지능, 그리고 사회

빅데이터, 인공지능, 알고리즘 및 시스템이 사회에 미치는 영향 조사

Ethics

Fairness

Accountability

Transparency

Bias

Decision Making

Policy & Law

Algorithmic and Data Equity and Access

Data Economy

Data and Social Sciences

Digital and Generative Humanities & Art

Data Science Education