cdc wiki - 사용자 기여 [ko]

2분반-Chat이루매

2025-12-24T06:50:40Z

Com238: /* 향후계획 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

[[파일:3.jpg]]
[[파일:이루매4.jpg]]
[[파일:이루매5.jpg]]

====포스터====
내용

===관련사업비 내역서===

[[파일:이루매내역서.jpg]]

===완료작품의 평가===

기존 서비스 대비 우수성: 타 대학(이화여대, 고려대) 챗봇이 단순히 키워드에 매칭된 고정된 답변(백과사전식)만 제공하는 것과 달리, Chat 이루매는 RAG 구조를 통해 질문의 맥락을 파악하고 구체적인 답변을 생성합니다. 학교 데이터와 직접 관련이 없는 일상적인 질문에도 LLM을 활용하여 유연하게 답변할 수 있다는 강점이 있습니다.

개발 과정의 한계 및 개선점: 문서 비정형성 문제: 학사 편람이나 공지사항의 형식이 통일되어 있지 않아 데이터 전처리(Chunking) 및 임베딩 과정에서 의미가 훼손되지 않도록 세밀한 조정이 필요했습니다. 미세 정보 구분: "학부 등록금"과 "대학원 등록금"처럼 미세한 차이가 있는 정보를 구분하는 데 검색 오류가 발생하기도 하여, 이를 해결하기 위해 메타데이터 필터링과 Reranker 도입을 시도했습니다. 데이터 최신성: 공지사항의 실시간 반영을 위해 완전 자동화 파이프라인을 목표로 했으나, 일정상의 이유로 일부 구간은 반자동 방식으로 구현되어 향후 자동화 고도화가 필요합니다.

===향후계획===

1. RAG 성능 고도화

단순한 Top-k Retrieval 방식에서 벗어나, 고난도 질의에서도 일관된 성능을 확보하기 위해 검색 알고리즘을 개선할 계획입니다.

하이브리드 검색 도입: 키워드 매칭(BM25)과 의미 검색(Dense Retrieval)을 결합하여 검색 정확도를 보완합니다.

정밀도 향상: Cross-encoder 기반의 Reranker를 적용하여 검색된 문서의 순위를 재조정함으로써 미세한 정보 차이(예: 학부 등록금 vs 대학원 등록금)를 명확히 구분합니다.

지속적 학습: 사용자 로그를 기반으로 LLM 선호도 학습(Preference Learning) 및 검색 피드백 루프(Retrieval Feedback Loop)를 구축하여 답변 품질을 지속적으로 개선합니다.

2. 데이터 파이프라인 완전 자동화

현재 반자동으로 운영되는 크롤링 및 임베딩 과정을 완전히 자동화하여 정보의 최신성(Freshness)을 실시간으로 유지합니다.

변경 감지 및 부분 업데이트: 웹페이지의 변경 사항을 감지(Change Detection)하여 변경된 부분만 부분 업데이트(Incremental Embedding)하는 기술을 적용, 운영 비용을 절감하고 효율성을 높입니다.

자동 갱신 스케줄링: 주기적 스케줄링을 통해 공지사항 등 시시각각 변하는 정보를 즉시 시스템에 반영합니다.

3. 다국어 지원 및 서비스 확장

국제 학생 비율 증가에 맞춰 언어 장벽을 해소하고 서비스 영역을 확장합니다.

다국어 시스템 구축: 다국어 임베딩 모델(Multilingual Embedding)과 번역 LLM을 결합하여 영어, 중국어, 일본어 등 다양한 언어로 학사 정보를 제공합니다.

서비스 영역 확대: 현재의 학사 행정 중심에서 나아가 취업 정보, 국제 교류, 장학금 정밀 상담 등으로 서비스 도메인을 확장하고, AI 에이전트(Agentic RAG) 기술을 도입하여 시스템 통합성을 확보할 계획입니다.

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T06:50:22Z

Com238: /* 향후계획 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

[[파일:3.jpg]]
[[파일:이루매4.jpg]]
[[파일:이루매5.jpg]]

====포스터====
내용

===관련사업비 내역서===

[[파일:이루매내역서.jpg]]

===완료작품의 평가===

기존 서비스 대비 우수성: 타 대학(이화여대, 고려대) 챗봇이 단순히 키워드에 매칭된 고정된 답변(백과사전식)만 제공하는 것과 달리, Chat 이루매는 RAG 구조를 통해 질문의 맥락을 파악하고 구체적인 답변을 생성합니다. 학교 데이터와 직접 관련이 없는 일상적인 질문에도 LLM을 활용하여 유연하게 답변할 수 있다는 강점이 있습니다.

개발 과정의 한계 및 개선점: 문서 비정형성 문제: 학사 편람이나 공지사항의 형식이 통일되어 있지 않아 데이터 전처리(Chunking) 및 임베딩 과정에서 의미가 훼손되지 않도록 세밀한 조정이 필요했습니다. 미세 정보 구분: "학부 등록금"과 "대학원 등록금"처럼 미세한 차이가 있는 정보를 구분하는 데 검색 오류가 발생하기도 하여, 이를 해결하기 위해 메타데이터 필터링과 Reranker 도입을 시도했습니다. 데이터 최신성: 공지사항의 실시간 반영을 위해 완전 자동화 파이프라인을 목표로 했으나, 일정상의 이유로 일부 구간은 반자동 방식으로 구현되어 향후 자동화 고도화가 필요합니다.

===향후계획===

RAG 성능 고도화

단순한 Top-k Retrieval 방식에서 벗어나, 고난도 질의에서도 일관된 성능을 확보하기 위해 검색 알고리즘을 개선할 계획입니다.

하이브리드 검색 도입: 키워드 매칭(BM25)과 의미 검색(Dense Retrieval)을 결합하여 검색 정확도를 보완합니다.

정밀도 향상: Cross-encoder 기반의 Reranker를 적용하여 검색된 문서의 순위를 재조정함으로써 미세한 정보 차이(예: 학부 등록금 vs 대학원 등록금)를 명확히 구분합니다.

지속적 학습: 사용자 로그를 기반으로 LLM 선호도 학습(Preference Learning) 및 검색 피드백 루프(Retrieval Feedback Loop)를 구축하여 답변 품질을 지속적으로 개선합니다.

데이터 파이프라인 완전 자동화

현재 반자동으로 운영되는 크롤링 및 임베딩 과정을 완전히 자동화하여 정보의 최신성(Freshness)을 실시간으로 유지합니다.

변경 감지 및 부분 업데이트: 웹페이지의 변경 사항을 감지(Change Detection)하여 변경된 부분만 부분 업데이트(Incremental Embedding)하는 기술을 적용, 운영 비용을 절감하고 효율성을 높입니다.

자동 갱신 스케줄링: 주기적 스케줄링을 통해 공지사항 등 시시각각 변하는 정보를 즉시 시스템에 반영합니다.

다국어 지원 및 서비스 확장

국제 학생 비율 증가에 맞춰 언어 장벽을 해소하고 서비스 영역을 확장합니다.

다국어 시스템 구축: 다국어 임베딩 모델(Multilingual Embedding)과 번역 LLM을 결합하여 영어, 중국어, 일본어 등 다양한 언어로 학사 정보를 제공합니다.

서비스 영역 확대: 현재의 학사 행정 중심에서 나아가 취업 정보, 국제 교류, 장학금 정밀 상담 등으로 서비스 도메인을 확장하고, AI 에이전트(Agentic RAG) 기술을 도입하여 시스템 통합성을 확보할 계획입니다.

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T06:48:56Z

Com238: /* 완료작품의 평가 */

2분반-Chat이루매

2025-12-24T06:48:28Z

Com238: /* 완료작품의 평가 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

[[파일:3.jpg]]
[[파일:이루매4.jpg]]
[[파일:이루매5.jpg]]

====포스터====
내용

===관련사업비 내역서===

[[파일:이루매내역서.jpg]]

===완료작품의 평가===

기존 서비스 대비 우수성: ** 타 대학(이화여대, 고려대) 챗봇이 단순히 키워드에 매칭된 고정된 답변(백과사전식)만 제공하는 것과 달리, Chat 이루매는 RAG 구조를 통해 질문의 맥락을 파악하고 구체적인 답변을 생성합니다. ** 학교 데이터와 직접 관련이 없는 일상적인 질문에도 LLM을 활용하여 유연하게 답변할 수 있다는 강점이 있습니다.

개발 과정의 한계 및 개선점: ** 문서 비정형성 문제: 학사 편람이나 공지사항의 형식이 통일되어 있지 않아 데이터 전처리(Chunking) 및 임베딩 과정에서 의미가 훼손되지 않도록 세밀한 조정이 필요했습니다. ** 미세 정보 구분: "학부 등록금"과 "대학원 등록금"처럼 미세한 차이가 있는 정보를 구분하는 데 검색 오류가 발생하기도 하여, 이를 해결하기 위해 메타데이터 필터링과 Reranker 도입을 시도했습니다. ** 데이터 최신성: 공지사항의 실시간 반영을 위해 완전 자동화 파이프라인을 목표로 했으나, 일정상의 이유로 일부 구간은 반자동 방식으로 구현되어 향후 자동화 고도화가 필요합니다.

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T06:47:14Z

Com238: /* 관련사업비 내역서 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

[[파일:3.jpg]]
[[파일:이루매4.jpg]]
[[파일:이루매5.jpg]]

====포스터====
내용

===관련사업비 내역서===

[[파일:이루매내역서.jpg]]

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

파일:이루매내역서.jpg

2025-12-24T06:46:56Z

Com238:

2분반-Chat이루매

2025-12-24T06:44:38Z

Com238: /* 프로토타입 사진 혹은 작동 장면 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

[[파일:3.jpg]]
[[파일:이루매4.jpg]]
[[파일:이루매5.jpg]]

====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

파일:이루매5.jpg

2025-12-24T06:43:48Z

Com238:

파일:이루매4.jpg

2025-12-24T06:43:36Z

Com238:

파일:4.jpg

2025-12-24T06:43:22Z

Com238: Com238님이 파일:4.jpg의 새 판을 올렸습니다

파일:4.jpg

2025-12-24T06:43:08Z

Com238: Com238님이 파일:4.jpg의 새 판을 올렸습니다

파일:3.jpg

2025-12-24T06:42:59Z

Com238: Com238님이 파일:3.jpg의 새 판을 올렸습니다

2분반-Chat이루매

2025-12-24T06:41:12Z

Com238: /* 이론적 계산 및 시뮬레이션 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T06:39:58Z

Com238: /* 이론적 계산 및 시뮬레이션 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

[[파일:이루매2.jpg]]

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

파일:2.jpg

2025-12-24T06:39:27Z

Com238: Com238님이 파일:2.jpg의 새 판을 올렸습니다

2분반-Chat이루매

2025-12-24T06:37:52Z

Com238: /* 상세설계 내용 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===

소프트웨어 아키텍처는 프론트엔드, 백엔드, AI 파이프라인, 데이터베이스 계층으로 모듈화되어 설계되었습니다.

[이미지: 전체 시스템 아키텍처 다이어그램 (Client - Server - DB/AI 구조도)]

User Interface (Client): React.js 기반의 웹 애플리케이션으로, 채팅창, 추천 질문 패널, 출처 표시 패널로 구성됩니다. 사용자의 편의를 위해 직관적인 UI를 제공합니다.

Back-end (Spring Boot): 전체 시스템의 컨트롤 타워 역할을 수행합니다. ** Routing Service: 사용자 의도를 분류하여 RAG 또는 API로 요청을 전달합니다. ** Task Queue: 크롤링 및 임베딩 작업을 비동기로 처리하여 시스템 부하를 관리합니다.

RAG Pipeline (AI Logic): ** ChromaDB: 임베딩된 문서 벡터를 저장하고 검색을 수행합니다. ** Reranker: 검색된 문서들의 순위를 재조정하여 가장 적합한 문맥을 LLM에 전달합니다. ** LLM Service: 검색된 정보(Context)와 프롬프트(Prompt)를 결합하여 최종 답변을 생성합니다.

Data Storage: ** MongoDB: 문서의 원본 URL, 카테고리, 크롤링 날짜 등 메타데이터와 사용자 대화 로그를 저장합니다. ** Redis: 자주 묻는 질문(FAQ)에 대한 답변을 캐싱(TTL 설정)하여 LLM API 비용을 절감하고 응답 지연(Latency)을 최소화합니다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:44:49Z

Com238: /* 이론적 계산 및 시뮬레이션 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:44:07Z

Com238: /* 이론적 계산 및 시뮬레이션 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===
RAG 시스템의 검색 정확도를 높이기 위해 **코사인 유사도(Cosine Similarity)** 공식을 핵심 이론으로 적용하였습니다.

* **코사인 유사도:** 사용자 질문 벡터(<math>A</math>)와 저장된 문서 벡터(<math>B</math>) 사이의 각도를 측정하여 의미적 유사성을 판단합니다.

* **수식:**
:<math display="block">\text{similarity} = \cos(\theta) = \frac{A \cdot B}{\|A\| \|B\|}</math>

* **설명:** 결과값은 -1에서 1 사이이며, 1에 가까울수록 두 텍스트의 의미가 유사함을 나타냅니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:43:03Z

Com238: /* 이론적 계산 및 시뮬레이션 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===

RAG 시스템의 검색 정확도를 높이기 위해 코사인 유사도(Cosine Similarity) 공식을 핵심 이론으로 적용하였습니다.코사인 유사도: 사용자 질문 벡터($A$)와 저장된 문서 벡터($B$) 사이의 각도를 측정하여 의미적 유사성을 판단합니다.** 수식: $\text{similarity} = \cos(\theta) = \frac{A \cdot B}{\|A\| \|B\|}$** 결과값은 -1에서 1 사이이며, 1에 가까울수록 두 텍스트의 의미가 유사함을 나타냅니다. 본 프로젝트에서는 ChromaDB의 검색 알고리즘으로 활용되어 질문과 가장 관련성이 높은 Top-k 문서를 추출하는 데 사용됩니다.

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:42:43Z

Com238: /* 개념설계안 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:이루매1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===
내용

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

파일:이루매1.jpg

2025-12-24T04:42:19Z

Com238:

2분반-Chat이루매

2025-12-24T04:41:40Z

Com238: /* 개념설계안 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:"1.jpg"]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===
내용

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:41:09Z

Com238: /* 개념설계안 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:"C:\Users\xisto\OneDrive\바탕 화면\1.jpg"]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===
내용

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:39:59Z

Com238: /* 개념설계안 */

<div>__TOC__</div>

==프로젝트 개요==

=== 기술개발 과제 ===
''' 국문 : ''' Chat 이루매

''' 영문 : ''' Chat Irumae

===과제 팀명===

컴종설 2조

===지도교수===

박관용 교수님

===개발기간===

2025년 9월 ~ 2025년 12월 (총 3개월)

===구성원 소개===

서울시립대학교 컴퓨터과학과 2019920055 채민관

서울시립대학교 컴퓨터과학과 2022920009 김도훈

서울시립대학교 컴퓨터과학과 2020920063 최재용

서울시립대학교 컴퓨터과학과 2020920057 정윤재

서울시립대학교 컴퓨터과학과 2020920050 이학림

==서론==
===개발 과제의 개요===

====개발 과제 요약====

서울시립대학교 학생들이 학사 규정, 시설, 식단, 행사 등의 학교생활 전반에 대한 정보를 신속하고 정확하게 얻는 것은 학업 효율성과 캠퍼스 생활 만족도를 높이는 중요한 요소입니다. 그러나 현재는 정보가 학사 공지, 포탈, 커뮤니티(에브리타임) 등 여러 곳에 분산되어 있어 학생들이 직접 탐색해야 하는 불편함이 있습니다. 이를 해결하기 위해 Vector DB 기반 RAG 구조와 LLM을 활용한 질의응답 시스템 'Chat 이루매'를 개발하였습니다. 이 시스템은 질문 유형에 따라 최적화된 응답 경로(Path Routing)를 제공하며, LLM의 불확실한 답변 문제를 최소화하기 위해 관련 규정 페이지, 부서 연락처 등 신뢰할 수 있는 출처를 함께 제공합니다. 또한 다국어 지원, 음성 입력, 캠퍼스 공간 인식 기반 경로 안내 기능을 통합하여 접근성을 높였습니다.

====개발 과제의 배경====

서울시립대학교는 매년 학사제도 변경, 장학금, 수강 신청 등 다양한 행정 정보를 공지하지만, 학생들은 이를 UOS 포털, 학사 공지, 단과대별 공지 등 분산된 시스템에서 확인해야 합니다. 이 과정에서 정보 누락이나 반복적인 행정실 문의가 발생하여 업무 비효율을 초래하고 있습니다. 또한 대학 구성원의 70% 이상이 모바일 기반으로 정보를 탐색하는 환경임에도, 기존 FAQ 방식은 검색 정확도와 접근성이 낮아 만족도가 떨어지는 문제가 있었습니다. 이러한 문제를 해결하기 위해 자연어 기반 질문을 실시간으로 처리하고, 학사 편람·공지 사항 등 공신력 있는 자료를 기반으로 정확한 답변을 제공하는 서울시립대 전용 RAG 기반 챗봇 시스템이 필요하게 되었습니다.

====개발 과제의 목표 및 내용====

본 과제의 핵심 목표는 서울시립대학교 학사·행정 정보를 정확하고 신뢰성 있게 제공하는 AI 챗봇을 구축하는 것입니다. 이를 달성하기 위한 주요 개발 내용은 다음과 같습니다.

RAG 기반 시스템 구축: 실제 문서에서 근거를 검색하고 답변을 생성하는 구조로, 사용자 질문 파싱, 벡터 DB 기반 문서 검색, LLM 답변 생성, 출처 제시의 4단계 파이프라인을 구성하였습니다

데이터 처리 및 저장: 학사편람, 학사공지, 장학제도, 수강신청 안내문 등을 크롤링·전처리하여 ChromaDB에 임베딩하고, MongoDB에 메타데이터를 저장하였습니다.

백엔드 및 최적화: Spring Boot 백엔드가 검색·생성 과정을 제어하며, Redis를 시맨틱 캐시로 활용하여 응답 속도를 높였습니다.

사용자 인터페이스: 웹 기반 프론트엔드(React)를 통해 학생이 자연어로 질문하면 즉시 답변을 받을 수 있도록 설계하였으며, 정확도 평가를 위한 테스트 데이터셋을 구축하여 성능을 검증하였습니다.

===관련 기술의 현황===

====관련 기술의 현황 및 분석(State of art)====

-전 세계적인 기술현황 Retrieval-Augmented Generation(RAG)은 대형 언어모델(LLM)의 생성 능력에 문서 검색을 결합해 사실 기반 답변을 만드는 표준 아키텍처로 자리 잡았습니다. 최근 연구들은 검색과 생성을 병렬·적응적으로 결합해 지연(latency)을 줄이고 품질을 높이는 방향(예: PipeRAG)으로 진화하고 있습니다. 검색 기술로는 의미 임베딩 기반의 Dense retrieval과 키워드 기반의 Sparse 검색을 혼합한 Hybrid search가 보편적이며, 정밀도를 높이기 위해 Cross-encoder를 활용한 재랭킹(Reranking) 전략이 널리 채택되고 있습니다. 인프라 측면에서는 Chroma와 같은 벡터 DB와 LangChain 같은 오케스트레이션 툴이 표준 스택으로 활용됩니다.

-특허조사 및 특허 전략 분석 본 과제와 관련된 주요 특허로는 US20240346256A1(Response generation using a retrieval augmented AI model)이 있습니다. 이 특허는 쿼리와 관련된 정보를 검색하고 LLM을 통해 답변을 생성하는 시스템에 관한 것으로, 본 프로젝트의 RAG 구조 및 LLM 활용 방식과 유사한 기술적 배경을 가지고 있습니다.

-기술 로드맵 기술 개발은 크게 3단계로 진행됩니다. 0–1개월(기초구축)에는 원자료 수집 및 크롤러 완성, 문서 전처리(Chunking), Chroma 컬렉션 구축 및 프로토타입 RAG 파이프라인을 완성합니다. 1–3개월(성능고도화)에는 하이브리드 검색 도입, Reranker(교차 인코더) 추가, Redis 캐싱 및 신뢰성 모듈(출처 표기)을 적용하여 성능을 향상합니다. 3–6개월(운영·확장)에는 멀티턴 대화 관리, 다국어(영·중·일) 확장, 음성 입력 인터페이스 추가 및 데이터 자동 갱신 파이프라인 구축을 목표로 합니다.

====시장상황에 대한 분석====

-경쟁제품 조사 비교 이화여대, 고려대, 서울시 교육청 등의 기존 챗봇과 비교 분석하였습니다. 타 챗봇들은 주로 단순 키워드 매칭이나 정해진 FAQ 답변을 제공하는 방식(백과사전식)으로, 구체적인 상황에 대한 유연한 답변이 어렵습니다. 예를 들어 정수기와 화장실 위치를 물었을 때 동일하게 단순 지도만 제시하는 식입니다. 반면 Chat 이루매는 Vector DB와 RAG를 활용하여 질문에 대해 구체적이고 자세한 답변을 생성하며, 학교 데이터와 직접 관련이 없는 질문에도 LLM을 활용해 답변할 수 있다는 차별점이 있습니다.

-마케팅 전략 제시 마케팅 목표는 학생·교직원 채택률 확대와 행정 문의 감소입니다. 첫째, 학기 초나 오리엔테이션 기간에 파일럿(시범운영)을 배포하여 피드백을 수집하고 즉시 패치합니다. 둘째, 학교 포털, 에브리타임, SNS 채널을 통해 사용법과 FAQ 영상을 배포하는 디지털 통합 마케팅을 진행합니다. 셋째, 행정 부서(장학팀, 교무팀 등)와 협력하여 챗봇의 문의 해결률 지표를 공유하고 운영 개선에 반영합니다. 넷째, 답변에 출처 제시 기능을 강조하는 신뢰성 캠페인을 통해 사용자의 신뢰를 확보합니다.

===개발과제의 기대효과===

====기술적 기대효과====

정확한 학사 정보 제공 및 신뢰성 확보: RAG(Retrieval-Augmented Generation) 구조를 통해 허위 정보 생성(Hallucination) 위험을 최소화하고, 실제 문서 기반 답변을 생성함으로써 챗봇의 신뢰성을 크게 향상했습니다.

질문 유형별 Path Routing(정적/동적 분기)을 적용하여 정적 정보는 문서 검색으로, 동적 정보는 API 호출로 처리함으로써 답변의 정확성을 높였습니다.

대학 도메인 특화 AI 모델 구축 역량 확보: 대학 행정 데이터 처리에 필요한 데이터 전처리, 벡터 DB 구축, 검색 알고리즘 최적화 등의 기술적 역량을 확보하였습니다.

시스템 확장성 및 모듈화: 현재는 학사 행정 중심이지만, 향후 캠퍼스 시설, 취업 정보, 국제 교류 등으로 서비스 영역을 손쉽게 확장할 수 있도록 모듈형 구조로 설계되었습니다.

운영 효율성 및 성능 최적화: Redis 기반의 시맨틱 캐시를 적용하여 LLM API 비용을 절감하고 실시간 응답 성능을 높여, 실제 서비스에 적용 가능한 수준의 운영 효율성을 확보하였습니다.

====경제적, 사회적 기대 및 파급효과====

행정 업무 효율화 및 비용 절감: 단순 반복적인 행정실 문의가 감소함에 따라, 행정 인력은 보다 전문적이고 고부가가치 업무에 집중할 수 있어 운영 효율성이 향상됩니다.

교육 서비스 품질 향상 및 학생 권익 보호: 공지 누락이나 잘못된 정보 전달로 인한 학생들의 학사적 불이익을 예방하고, 정보 탐색 시간을 단축하여 효율적인 학습 환경을 제공합니다.

접근성 강화 및 글로벌 캠퍼스 조성: 모바일 기반의 24시간 자동 응답 체계를 구축하여 학생들의 접근성을 높였으며 , 다국어 지원을 통해 외국인 학생들도 쉽게 정보에 접근할 수 있어 글로벌 캠퍼스 환경 조성에 이바지합니다.

스마트 캠퍼스 이미지 제고: 대학이 AI 기반의 통합 학사 플랫폼을 선도적으로 구축함으로써 대외적으로 스마트 캠퍼스 선도 대학이라는 이미지를 확보할 수 있습니다.

기술 확산 및 지역 사회 기여: 챗봇 구축 경험은 향후 서울시 및 공공기관과의 협력 기반이 될 수 있어 기술 확산 및 지역 사회 기여도 기대할 수 있습니다.

===기술개발 일정 및 추진체계===

====개발 일정====

2025년 9월부터 12월까지 총 3개월간 진행되었으며, 월별 주요 진행 내용은 다음과 같습니다.

9월 (요구사항 분석 및 데이터 수집): 학사·규정·공지 데이터 수집, 커뮤니티 문서 크롤링 및 정제, 데이터베이스 및 VectorDB 구축(수집 문서 벡터화)을 진행하였습니다.

10월 (백엔드 서버 구축): 서버 환경 구성, API 설계 및 통신 구조를 정의하고 배포 환경을 설정하였습니다.

11월 (AI 모델 시스템 구현): LangChain 기반 Agent 개발, RAG 구조 구현 및 Path Routing 설계, 출처 제공 및 할루시네이션 보완 로직을 구현하였습니다.

12월 (프론트엔드 개발 및 통합 테스트): React.js 기반 UI/UX 설계, 다국어 지원 및 음성 입력 기능을 구현하고, 질의응답 정확도와 속도를 측정하며 전체 시스템 연동을 검증하였습니다.

====구성원 및 추진체계====

프로젝트는 서버, 클라이언트, 데이터, AI 모델, 문서화의 5개 파트로 역할을 분담하여 체계적으로 진행되었습니다.
채민관 (서버/배포): 백엔드 API 서버 구축 및 클라우드 배포 환경 설정 담당.
최재용 (클라이언트): 웹(Web) 기반 프론트엔드 개발 및 UI/UX 설계 담당.
정윤재 (데이터 관리): 학사 정보 및 커뮤니티 데이터 크롤링, 전처리, Vector DB 구축 담당.
이학림 (AI 모델 시스템): LangChain 기반 오케스트레이션 설계, RAG 파이프라인 및 Path Routing 로직 구현 담당.
김도훈 (문서화): 프로젝트 산출물 문서화 및 보고서 작성 담당.

==설계==
===설계사양===

====제품의 요구사항====

사용자(학생 및 교직원)의 니즈와 시스템의 기술적 완성도를 고려하여 다음과 같은 핵심 요구사항을 도출하였습니다.

즉시성 (응답 속도): 질의 입력 후 첫 답변이 5초 이내에 반환되어야 합니다.

정확성 (근거 기반 답변): 모든 답변은 규정 문서, 공지사항 링크 등 확실한 출처를 명시하여 사용자가 검증할 수 있어야 합니다. (Hallucination 방지)

정확한 문맥 이해: 다중 턴(Multi-turn) 대화에서 앞선 질문의 맥락을 유지하고 적절한 후속 응답을 제공해야 합니다.

다양한 입력 방식: 텍스트 입력을 기본으로 하되, 모바일 환경을 고려한 음성 입력 및 외국인 학생을 위한 다국어(영어 등)를 지원해야 합니다.

실시간 동적 정보 연동: 식단, 행사, 강의 시간표 등 수시로 변하는 정보는 API 호출을 통해 최신 데이터를 제공해야 합니다.

편의성 (UI/UX): 직관적인 웹 인터페이스(React)를 제공하고, 빠른 질의 버튼(FAQ) 및 오류 안내 문구를 포함해야 합니다.

시스템 안정성 및 확장성: AWS 클라우드 환경에서 Docker/Kubernetes를 기반으로 배포되어 트래픽 증가에 유연하게 대응해야 합니다.

====설계 사양====

요구사항을 만족하기 위해 선정된 핵심 기술 스택과 설계 사양은 다음과 같습니다.

데이터 수집 및 전처리: Python 기반 크롤러(BeautifulSoup/Scrapy)를 통해 학사 규정, 공지 등을 수집하고, 의미 단위로 청킹(Chunking)합니다.

임베딩 및 Vector DB: 텍스트를 벡터로 변환(OpenAI Embedding / Llama)하여 ChromaDB에 저장합니다. 이는 RAG(검색 증강 생성)의 핵심 검색 엔진 역할을 합니다.

검색(Retriever) 및 재랭킹(Reranker): 1차로 코사인 유사도 기반 Top-k 문서를 검색하고, 2차로 Cross-encoder 기반 Reranker를 적용하여 정밀도를 높입니다.

LLM 및 오케스트레이션: Llama 3B 또는 GPT 모델을 사용하여 자연스러운 답변을 생성하며, LangChain을 통해 검색과 생성 과정을 제어합니다.

캐시 및 성능 최적화: Redis를 활용한 시맨틱 캐싱(Semantic Cache)을 도입하여 반복되는 질문의 응답 속도를 획기적으로 개선합니다.

===개념설계안===

본 시스템의 핵심 개념은 질문의 성격을 파악하여 최적의 경로로 답변을 처리하는 'Path Routing' 구조입니다.

[[파일:1.jpg]]

Path Routing 시스템: 사용자의 질문을 자연어 처리 기반 분류기가 분석하여 두 가지 경로로 분기합니다. ** 정적 정보 (Static): 학사 규정, 장학금 요건 등 자주 변하지 않는 정보는 Vector DB + RAG 방식을 통해 문서를 검색하여 답변합니다. ** 동적 정보 (Dynamic): 오늘의 학식, 도서관 잔여 좌석, 행사 일정 등 실시간 정보는 API 호출을 통해 최신 데이터를 가져와 답변합니다.

신뢰성 강화 모듈 (Citation): LLM이 생성한 답변의 신뢰도 점수가 낮거나 근거가 필요한 경우, 관련 공식 문서의 링크나 담당 부서의 연락처(이메일, 전화번호)를 자동으로 함께 제시하여 사용자가 직접 검증할 수 있도록 합니다.

접근성 강화 시스템: 외국인 학생을 위한 실시간 다국어 번역 모듈과 모바일 사용자를 위한 음성-텍스트 변환(STT) 모듈을 통합하여 정보 접근 장벽을 낮춥니다.

===이론적 계산 및 시뮬레이션===
내용

===상세설계 내용===
내용

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용
====포스터====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
내용

===특허 출원 내용===
내용

2분반-Chat이루매

2025-12-24T04:36:27Z

Com238: /* 설계사양 */

2분반-Chat이루매

2025-12-24T04:34:17Z

Com238: /* 개발과제의 기대효과 */

2분반-Chat이루매

2025-12-24T04:33:45Z

Com238: /* 개발 일정 */

2분반-Chat이루매

2025-12-24T04:33:37Z

Com238: /* 기술개발 일정 및 추진체계 */

2분반-Chat이루매

2025-12-24T04:33:17Z

Com238: /* 기술개발 일정 및 추진체계 */

2분반-Chat이루매

2025-12-24T04:32:05Z

Com238: /* 개발과제의 기대효과 */

2분반-Chat이루매

2025-12-24T04:31:03Z

Com238: /* 시장상황에 대한 분석 */

2분반-Chat이루매

2025-12-24T04:30:56Z

Com238: /* 관련 기술의 현황 및 분석(State of art) */

2분반-Chat이루매

2025-12-24T04:30:47Z

Com238: /* 개발 과제 요약 */

2분반-Chat이루매

2025-12-24T04:30:39Z

Com238: /* 개발 과제의 개요 */

2분반-Chat이루매

2025-12-24T04:28:50Z

Com238: /* 관련 기술의 현황 */

2분반-Chat이루매

2025-12-24T04:26:39Z

Com238: /* 개발 과제의 개요 */

2분반-Chat이루매

2025-12-24T04:25:35Z

Com238: /* 개발 과제의 개요 */

2분반-Chat이루매

2025-12-24T04:23:48Z

Com238: /* 프로젝트 개요 */

1분반-심포니

2025-12-22T08:18:29Z

Com238: /* 활동비 지출 내역 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' AI 코딩 도구를 위한 MCP 기반의 협업 스키마 개발 및 적용 프레임워크 구축

''' 영문 : ''' Framework for Developing and Applying MCP-based Collaborative Schema for AI Coding Tools

===과제 팀명===
Symphony 팀

===지도교수===
이경재 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 20209200** 박*환

서울시립대학교 컴퓨터과학부 20209200** 박*익

서울시립대학교 컴퓨터과학부 20209200** 배*찬

서울시립대학교 컴퓨터과학부 20209200** 이*관

==서론==
===개발 과제의 개요===
==== 개발 과제 요약 ====

; 과제명
: AI 코딩 도구를 위한 MCP 스키마 개발 및 적용 프레임워크 구축

; 핵심 개념
: 기존의 정적이고 단편적인 코드 스타일 컨벤션을 넘어, 사용자 역할(RBAC)과 파일 보안 등급이라는 두 축을 포함하는 '''동적 컨벤션(Dynamic Convention)'''을 정의한다.
: 이는 컨텍스트 엔지니어링 2.0 연구 흐름에 기반하여, 인간의 불명확한 의도(고엔트로피)를 AI가 실행 가능한 형태(저엔트로피)로 변환하는 체계적인 '''엔트로피 감소(Entropy Reduction)''' 접근을 구현하는 것이다.
: 정의된 동적 컨벤션은 이기종 시스템 간 컨텍스트 공유의 표준인 '''MCP(Model Context Protocol)''' 형태로 제공되어, 모든 LLM 코딩 툴이 동일한 규칙을 이해하고 적용할 수 있도록 한다.
: 또한 컨벤션 준수 여부에 대한 검수(검증) 과정까지 자동화하여 코드 품질을 지속적으로 유지한다.

; 개발 목표
: MCP 표준을 통해 개발자 및 비개발자가 자연어 기반의 직관적인 인터페이스로 안전하게 코드 수정에 참여하도록 지원한다.
: 동시에 모든 LLM 코딩 도구가 조직 고유의 협업 규칙과 보안 정책을 준수하는 코드를 생성하도록 유도한다.
: 단순한 자동화를 넘어, AI 에이전트가 조직의 맥락을 이해하고 협업하는 '''컨텍스트 협력(Context-Cooperative)''' 시스템을 지향한다.
: 이를 통해 반복적인 검토 및 통합 과정을 자동화하여 생산성을 극대화하고, 직군 간 사일로를 완화하여 차세대 지능형 개발 협업 생태계를 구축하는 것을 목표로 한다.

; 기대 효과
: GitHub Copilot, Claude Code 등 기존 LLM 코딩 도구를 사용하는 개발 팀이 MCP를 손쉽게 도입하여, 바이브 코딩 환경에서 핵심 이슈인 코드 품질 문제를 완화하고 제품의 시장 출시 기간을 단축할 수 있다.
: 특히 AI 에이전트 시대(Era 2.0)에 중요한 '''컨텍스트 격리(Context Isolation)'''와 '''최소 충분 원칙(Minimal Sufficiency Principle)'''을 적용함으로써, AI 도입의 주요 장벽인 보안 우려와 할루시네이션 문제를 기술적으로 완화한다.

==== 개발 과제의 배경 및 효과 ====

===== 배경 =====

; 만성적인 협업 비효율성과 높은 상호작용 비용
: 현대 제품 개발은 여러 직군(기획/디자인/개발/보안 등)의 협업이 필수적이지만, 현실에서는 간단한 요청조차도 복잡하고 긴 파이프라인(Jira → Slack → 개발 → 배포)을 거치며 지연이 누적된다.
: 또한 인간과 시스템(또는 AI 도구) 간 ‘인지적 격차(Cognitive Gap)’로 인해 커뮤니케이션 오류가 발생하고, 결과적으로 높은 인간-AI 상호작용 비용이 조직의 민첩성을 저해한다.
: 이러한 시간 지연과 커뮤니케이션 손실은 단순 비효율을 넘어 시장 대응 속도를 떨어뜨려 경쟁력 약화로 이어진다.

; 지능화된 도구의 한계: 맥락 부재와 컨텍스트 오염
: GitHub Copilot과 같은 LLM 코딩 도구는 개발 생산성을 높였으나, ‘조직 고유의 맥락(보안 정책, 협업 규칙, 권한 체계 등)’을 기본적으로 내재하지 못한다.
: 범용 데이터로 학습된 모델은 조직의 외부 맥락이 결여되어 있어, 위험한 코드를 생성하거나 규칙을 위반하는 형태의 컨텍스트 오염/할루시네이션을 유발할 수 있다.
: 예를 들어 “결제 코드는 시니어만 수정 가능”과 같은 규칙은 LLM이 자체적으로 알 수 없으므로, 비개발자의 직접 기여는 예측 불가능한 사이드 이펙트 위험 때문에 제한되는 문제가 발생한다.

===== 도입 효과 =====

; 개발자 경험의 질적 향상: 사후 대응에서 사전 설계로
: 개발자는 LLM이 생성한 저품질 코드에 대한 반복 수정(사후 대응)에 시간을 소모하지 않게 된다.
: 시스템이 사전에 정의된 컨텍스트(컨벤션/정책) 내에서 작동하므로, 개발의 첫 단계부터 품질을 관리하는 Self-Baking(자가 지식화) 프로세스가 가능해진다.
: 그 결과 개발자는 아키텍처 설계 등 고부가가치 핵심 업무에 집중할 수 있어 직무 만족도와 생산성이 함께 향상된다.

; 개발 속도의 혁신적 극대화
: 비개발자가 안전이 보장된 범위 내에서 직접 코드 수정에 참여함으로써, 단순 요청 처리 시간을 ‘수일’에서 ‘수분’ 단위로 압축할 수 있다.
: 이는 에이전트 중심(Agent-Centric) 협업 모델에 가까운 형태로, 인간의 의도가 빠르게 제품에 반영되는 초고속 애자일 스프린트를 가능하게 한다.

; 견고한 코드 품질 및 내장형 보안: 컨텍스트 격리 적용
: AI는 MCP에 명시된 동적 컨벤션(코드 스타일, 보안 등급, 접근 제어)을 통해서만 코드를 생성·수정하도록 제한된다.
: 이는 기능적 컨텍스트 격리(Functional Context Isolation) 관점에서, AI가 접근해서는 안 되는 정보/권한을 원천적으로 차단하고, 인적 실수 및 보안 취약점을 예방한다.
: 결과적으로 모든 코드 기여가 조직 표준을 준수하도록 강제되어 품질과 보안이 구조적으로 강화된다.

; 쉬운 도입 및 표준화 선점
: 최소한의 설정만으로 기존 개발 환경에 통합되어 즉시 사용할 수 있다.
: 또한 파편화된 AI 도구들을 MCP라는 표준 프로토콜로 연결하는 Cross-System Context Sharing 전략을 통해, 향후 증가하는 다양한 AI 에이전트들을 단일 거버넌스 하에서 통합 관리할 수 있는 기반을 제공한다.
: 이는 단순 도구 도입을 넘어, 미래형 AI 협업 인프라를 선제적으로 구축하는 효과를 가진다.

==== 개발 과제의 목표 및 내용 ====

; 최종 목표
: 모든 LLM 코딩 도구에 플러그인 형태로 쉽게 통합 가능한 '''동적 컨벤션 MCP'''의 공개 표준을 정의하고, 이를 실제 개발 환경에서 '''적용·검증'''할 수 있는 프레임워크를 개발한다.

; 개발 내용
: 본 과제의 개발 내용은 크게 (1) 동적 컨벤션을 제공하는 MCP 서버, (2) 이를 CI/CD에 즉시 적용 가능한 경량 도구(GitHub Actions 중심)로 구성된다.

===== (결과물 1) MCP 컨벤션 서버 =====

; 범용 컨벤션 양식(스키마) 정의
: 모든 LLM 및 개발 도구가 동적 컨벤션을 일관되게 이해하고 활용할 수 있도록 '''범용 컨벤션 양식'''(표준 스키마)을 정의하였다.
: * '''형식''' — 범용성과 가독성을 고려하여 JSON 기반의 표준화된 스키마를 설계한다.
: * '''저장 위치''' — 프로젝트 루트 디렉토리에 ''.mcp.json'' 형태로 위치하거나, 필요 시 제공 서버에 저장·관리할 수 있다.

; 컨벤션 상세 내용
* '''정적 규칙(static rules)'''
** ESLint, Prettier 등 기존 린터/포맷터 설정 파일(''.eslintrc.json'', ''.prettierrc'' 등)의 경로를 지정하거나, 핵심 규칙(들여쓰기, 따옴표 종류 등)을 직접 내장하여 일관성을 강제한다.
** 네이밍 컨벤션(component-pascal-case, function-camel-case), 주석 스타일(JSDoc 강제) 등 정적 분석으로 검증 가능한 규칙을 폭넓게 포함한다.
* '''동적 규칙(dynamic rules)'''
** '''파일 보안 등급(Security Level)''' — Glob 패턴으로 파일/디렉토리 경로별 보안 등급(PUBLIC, INTERNAL, SECRET)을 정의한다.
*** 예: "src/assets/*": "PUBLIC", "src/components/*.css": "PUBLIC", "src/hooks/*.js": "INTERNAL", "src/core/payment/**/*.js": "SECRET"
** '''역할 기반 접근 제어(RBAC)''' — 마케터, 기획자, 주니어/시니어 개발자 등 조직의 역할을 정의하고, 각 역할이 보안 등급별로 갖는 권한(read, propose, edit)을 '''명시적 매트릭스'''로 정의한다.
*** 이 매트릭스는 “누가 어떤 유형의 파일에 대해 제안만 가능한지 / 직접 수정 가능한지”를 규정하는 핵심 정책으로서, 협업 과정의 안전성과 책임 소재를 명확히 한다.

===== (결과물 2) CI/CD 통합 경량 도구 (GitHub Actions) =====

; 목표
: 동적 컨벤션 검증을 실제 개발 현장에서 즉시 활용할 수 있도록, 기존 CI/CD 파이프라인에 '''경량화된 형태로 완전 통합'''하여 제공한다.

; 방식: Plug-and-Play
: 별도의 서버 구축이나 복잡한 설정 없이, GitHub 저장소의 ''.github/workflows'' 내 워크플로우 파일에 '''몇 줄의 YAML'''을 추가하는 것만으로 즉시 적용 가능하도록 설계하였다.

; 핵심 작동 워크플로우
# '''트리거''' — 개발자 또는 비개발자가 Pull Request(PR)를 생성/업데이트할 때 자동 실행된다.
# '''컨벤션 로딩''' — Action 실행 시 ''.mcp.json''을 탐색하여 동적 컨벤션 규칙을 메모리에 로드한다.
# '''변경사항 분석''' — ''git diff''를 통해 PR에서 변경된 파일 목록과 변경 내용을 분석한다.
# '''권한 검증''' — PR 작성자의 GitHub 팀 역할을 기준으로, MCP의 RBAC 규칙과 변경된 파일의 보안 등급(Security Level)을 대조하여 수정 권한을 확인한다.
# '''정적 규칙 검증''' — MCP의 static_rules에 따라 린팅/포매팅 검사를 수행한다.
# '''실시간 피드백 제공'''
#* '''성공 시''' — “MCP Convention Check Passed”와 같은 명확한 상태 메시지를 남기고, PR 병합이 가능하도록 체크를 통과시킨다.
#* '''실패 시''' — PR 병합을 자동으로 차단하고, 실패 원인을 설명하는 코멘트를 PR에 직접 남긴다.
#** 예: 권한이 없는 파일 수정 시 “@작성자, '마케터' 역할은 INTERNAL 등급의 파일을 수정할 수 없습니다. 개발팀 검토를 요청해주세요.”와 같이 실행 가능한 피드백을 제공한다.

[[파일:개발과제1.png]]

===관련 기술의 현황===
==== 관련 기술의 현황 및 분석 (State of the Art) ====

; MCP 동향
* Microsoft는 Build 2025에서 MCP에 대한 1st-party 지원을 GitHub, Copilot Studio, Azure AI Foundry, Windows 11 등으로 확장한다고 밝혔다.
* MCP는 메시지 포맷으로 JSON-RPC 2.0을 채택하며, 전송 계층(transport)은 이를 다양한 환경(로컬/HTTP 등)에 매핑한다.
* MCP는 LLM/에이전트와 외부 시스템(도구·리소스·프롬프트)을 연결하는 표준 인터페이스로서, 이식성이 높고 개발 도구에 쉽게 적용 가능하다.

; 협업 트렌드
* 협업 과정은 티켓 → 리뷰 → 배포 등 작은 수정도 복잡한 파이프라인으로 비효율적으로 동작하는 경우가 많다.
* Notion, Slack 같은 통합 협업 도구는 확산 중이나, 실제 코드 변경·정책 준수·검증은 여전히 개발자(사람)에게 부담이 집중된다.
* 글로벌 환경에서 비동기 협업(PR 리뷰, 자동 코멘트 등)이 늘고 있지만, 규칙 검증은 사람의 반복 부담이 존재한다.

; AI 코딩 보조 기술
* 최근 2~3년간 AI 코드 어시스턴트(자동완성, 코드 생성, 리뷰 등) 채택이 빠르게 증가했으며, 엔터프라이즈 관점에서의 도입·운영 가이드(조직/개발자 관점)가 보고서 형태로 축적되고 있다.
* 개발자들은 “거의 맞지만 완전히 맞지 않은(almost right, but not quite)” 결과로 인해 디버깅 부담이 늘어 신뢰도가 하락할 수 있음을 지적한다.
* AI 코딩 도구가 SDLC에 통합될수록, “누가 어떤 파일을 어떻게 수정할 수 있는지(권한), 보안 등급, 내부 규정 준수, 변경 이력”을 기술적으로 보장하는 메커니즘의 필요성이 커지고 있다.

; 과제 연결점
* 본 과제는 MCP 인터페이스를 지원함으로써, 여러 LLM/에이전트가 도구를 직접 인식·호출할 수 있게 하여 도입 진입장벽을 낮춘다.
* 컨벤션을 지속적으로 적용·검증하는 구조를 제공하여, 비개발자도 안전 범위 내에서 참여 가능한 협업 모델을 제시하고, 협업 효율과 품질을 동시에 개선한다.

===== 특허 조사 및 특허 전략 분석 =====

; c) 특허 조사
* '''특허 1: 소스코드 해설을 포함한 질의응답 서비스 제공 장치 및 방법'''
** 공개번호: 10-2023-0045150
** 출원인: 주식회사 랭코드
** 주요 내용: 사용자가 소스코드를 포함한 질문을 입력하면, 서버가 코드 의미를 분석하여 자연어 해설을 생성·제공하는 챗봇 기술(코드 이해/설명 중심).
* '''특허 2: 프로그램 소스코드의 AI학습을 통한 프로그램 자동 코딩 가이드 시스템'''
** 공개번호: 10-2024-0130648
** 출원인: 주식회사 가치플레이
** 주요 내용: 검증된 소스코드를 DB에 축적하고, 요구사항에 맞춰 AI가 적합 코드를 가져오거나 생성하여 프로그램 완성을 지원(재사용/자동 생성 중심).
* '''특허 3: 코드 리뷰 서비스 제공 방법 및 장치'''
** 공개번호: 10-2025-0109946
** 출원인: 숭실대학교산학협력단
** 주요 내용: GitHub 등 외부 저장소와 연동해 코드 라인별 리뷰를 작성·관리하는 플랫폼, AI로 리뷰 태그 생성 등 커뮤니티 기반 검토 효율화.

; 라) 특허 전략
* '''차별점 1: 선제적 거버넌스(Preemptive Governance) vs 사후 대응/보조'''
** 기존 기술이 코드 해설·생성·리뷰 등 사후적/보조적 기능에 머무는 반면, 본 과제는 코드 생성·수정 시점에 규칙을 강제하여 위반을 사전에 차단하는 거버넌스를 제공한다.
* '''차별점 2: 동적/상황인지 규칙 vs 정적/일반 규칙'''
** 스타일·문법 중심의 정적 규칙을 넘어, RBAC(역할 기반 접근 제어)에 따라 규칙이 달라지는 컨벤션을 도입하여 조직 정책과 협업 맥락을 반영한다.
* '''차별점 3: 범용 표준 프레임워크 vs 독자적 플랫폼 종속'''
** 특정 플랫폼 종속이 아니라, 공개 표준(MCP) 기반으로 다양한 LLM 코딩 도구에 플러그인 형태로 연동 가능하도록 설계하여 호환성과 확장성을 확보한다.

===== 기술 로드맵 =====

; 단기 (2025~2026) – 표준 정립 및 초기 구현
* 스키마 정의: JSON 기반 동적 컨벤션 스키마 설계
* MCP 서버 제공: 컨벤션 관리 및 검증 도구 제공
* 제한적 Linter 통합, RBAC 접근 제어 구현, LLM validation 구현

; 중기 (2026~2027) – 생태계 확장
* IDE/개발도구 통합: VS Code, JetBrains, Cursor, GitHub Copilot 플러그인 제공
* 더 많은 Linter 도구 통합
* 더 많은 LLM Provider 통합
* ML 기반 분석: 반복 위반 패턴 학습 후 지표화, LLM Provider 성능지표 추출

; 장기 (2027~2028) – 지능형 협업 플랫폼
* 성능지표 기반 LLM Provider 동적 선택
* AI 보조 협업: 자동 코드 리뷰 코멘트 제공
* 산업별 템플릿: 금융, 의료, 공공 등 규제 준수형 규칙 세트 배포
* 확장 거버넌스: LDAP/SAML 연동, 멀티팀 환경 RBAC 강화

====시장상황에 대한 분석====

==== a) 경쟁제품 조사 비교 ====

; Sourcegraph Cody
: '''개요''' — Sourcegraph의 코드 그래프(인덱싱/검색) 기반 AI 코딩 어시스턴트로, 대규모·복잡한 코드베이스에 적합하다. 저장소 전체 맥락을 참조하여 코드 작성(write), 수정(fix), 리팩터(refactor) 등 개발 작업에 대한 제안을 제공한다.
: '''한계''' — 조직 단위의 코드 표준, 보안 정책, 권한 정책을 “정책으로 정의하고 자동 집행(enforcement)하는 기능”은 상대적으로 약하며, 규칙 위반을 PR 단계에서 차단하는 형태의 거버넌스까지 직접 제공하지는 않는다.

; Codespell
: '''개요''' — 코드 생성 시점에 규칙 기반 엔진으로 컨벤션을 주입하여 팀 산출물의 일관성과 품질을 높이는 도구다. 사후 검증 중심의 기존 린터와 달리, 생성 단계에서 규칙을 반영하도록 유도하는 방식에 강점이 있다.
: '''한계''' — RBAC(역할 기반 접근제어)를 지원하지 않아 역할/직군별로 “허용 가능한 변경 범위”를 세밀하게 통제하기 어렵다. 또한 적용 가능한 컨벤션 범위가 주로 스타일·구조적 규칙에 집중되어 있으며, 보안·권한과 같은 정책은 별도 도구 또는 추가 체계에 의존하는 경향이 있다.

====b) SWOT 분석 ====

; Strengths (강점)
: * '''표준화된 MCP 패키지 기반 호환성''' — Copilot, Claude Code 등 주요 LLM 코딩 툴에서 동일한 규칙/컨텍스트를 재사용할 수 있어, 도구별 파편화로 인한 운영 부담을 줄이고 적용 범위를 빠르게 확장할 수 있다.
: * '''RBAC 기반 거버넌스''' — 단순 텍스트 규칙을 넘어 사용자 역할과 보안 레벨에 따라 허용 가능한 행동을 제어함으로써, 안전한 협업과 규정 준수를 구조적으로 지원한다.
: * '''비개발자 참여 가능성''' — 자연어 기반 정책 정의를 통해 기획/PM/보안 등 비개발 직군도 정책 수립 과정에 참여할 수 있어, 조직 전체의 협업 효율과 의사소통 정합성을 높일 수 있다.
: * '''오픈소스 생태계 확장성''' — 언어/프레임워크별 Context Preset을 커뮤니티가 기여·검증·확장하는 구조를 통해, 규칙 세트의 다양성과 적용성을 빠르게 강화할 수 있다.

; Weaknesses (약점)
: * '''초기 도메인 데이터/프리셋 부족''' — 금융·의료 등 규제 산업의 도메인 특화 컨벤션은 초기에는 축적된 프리셋과 검증 사례가 부족하여 추천 및 적용 품질이 제한될 수 있다.
: * '''차별성 설득 필요''' — 기존 Static Lint/Formatter 대비 “정책(권한·보안)까지 포함한 통합 거버넌스”와 “생성 단계 컨텍스트 제어”의 차별점을 사용자에게 명확히 설명해야 한다.
: * '''효과 지표화의 난이도''' — 도구 효과를 정량적으로 입증하기 위해서는 PR 재작업 감소, 위반 탐지·차단율, 리뷰 시간 절감 등 설득력 있는 KPI 설계가 필요하나, 초기에는 측정 체계가 미성숙할 수 있다.

; Opportunities (기회)
: * '''AI 코딩 툴 시장의 급성장''' — 대규모 사용자 기반이 형성된 AI 코딩 툴 생태계에서 ‘컨벤션/정책 관리’가 필수 레이어로 부상할 가능성이 있으며, 표준 포지션을 선점할 기회가 있다.
: * '''교육·온보딩 시장 확장''' — 신규 입사자/학생 대상의 코딩 표준 및 조직 규칙 학습을 자동화하여, 온보딩 비용을 낮추는 교육용 도구로 확장 가능하다.
: * '''Context Engineering 2.0 수요 증가''' — 프롬프트 작성 중심에서 “참조해야 할 컨텍스트를 구조적으로 정의·최적화”하는 흐름이 강화되면서, 본 프레임워크의 필요성과 가치가 더욱 부각될 수 있다.

; Threats (위협)
: * '''빅테크/IDE 벤더의 내재화 위험''' — Microsoft, JetBrains 등 주요 플랫폼 사업자가 IDE/플랫폼 기능으로 팀 컨벤션 동기화 및 정책 관리 기능을 흡수할 가능성이 있다.
: * '''경량 오픈소스 대체재 확산''' — 단순 설정 파일 공유나 간단한 룰 엔진 기반의 무료 오픈소스가 ‘최소 기능’ 니즈를 충족하며 대체재로 작동할 수 있다.
: * '''엔터프라이즈 보안·컴플라이언스 장벽''' — 금융권/대기업 도입 시 오픈소스 라이선스, 내부 코드/데이터 유출 우려, 외부 LLM 사용 제한 등으로 도입이 지연될 수 있다.
: * '''모델 성능 발전에 따른 가치 희석 가능성''' — 컨텍스트 윈도우 확대 및 추론 능력 향상으로 “별도의 컨텍스트 최적화 없이도” 의도를 잘 파악하는 환경이 조기에 도래할 경우, 최적화 계층의 체감 가치가 낮아질 가능성이 있다.

===개발과제의 기대효과===
====기술적 기대효과 ====

; 개발 효율성 증대
: 본 프레임워크는 컨벤션을 자연어로 정의하고 이를 자동으로 적용·검증함으로써, 개발 과정에서 반복적으로 발생하던 검토, 수정, 재작업 비용을 크게 감소시킨다.
: 개발자는 코드 작성 이후 린트 에러나 조직 규칙 위반을 사후적으로 수정하지 않아도 되며, AI 코딩 도구가 사전에 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 특히 기존 린터와의 통합을 통해 정적 규칙에 대한 검증은 빠르고 결정적으로 처리되고, LLM은 의미적 판단이 필요한 영역에만 제한적으로 사용됨으로써 실시간 개발 환경에서도 충분한 성능을 확보할 수 있다.
: 그 결과 개발자는 반복적인 품질 관리 작업에서 벗어나 아키텍처 설계, 핵심 로직 구현 등 고부가가치 업무에 집중할 수 있으며, 전체 개발 사이클의 속도와 안정성이 동시에 향상된다.

; 표준화 촉진
: MCP 기반으로 이기종 시스템 간 컨텍스트 공유를 통한 일관성 확보가 가능하다.
: 프로젝트 내 일관된 코드 스타일 유지는 물론, MCP를 통해 VS Code, GitHub Copilot, Claude 등 서로 다른 시스템 간에도 동일한 컨텍스트와 규칙을 공유할 수 있는 표준 프로토콜을 구축한다.
: 이는 도구의 파편화로 인한 문맥 단절을 막고, 유지보수 시 오류 발생률을 구조적으로 감소시킨다.

; AI 활용도 향상
: 본 과제는 LLM을 단순한 코드 생성 도구가 아닌, 조직의 맥락을 이해하고 준수하는 협업 에이전트로 활용할 수 있도록 한다.
: AI 코딩 도구는 작업에 필요한 컨벤션만을 선택적으로 컨텍스트로 전달받아 코드를 생성하므로, 불필요한 정보로 인한 혼란과 할루시네이션이 구조적으로 감소한다.
: 이는 ‘최소 충분 원칙(Minimal Sufficiency Principle)’을 실제 개발 환경에 적용한 사례로, AI가 항상 명확하고 충분한 정보만을 바탕으로 판단하도록 유도한다.
: 그 결과 AI에 대한 신뢰도가 향상되고, 개발자는 AI를 보조 도구가 아닌 실질적인 협업 파트너로 활용할 수 있게 된다.

; 미래 확장성 및 에이전트 생태계 대응
: 본 프레임워크는 특정 LLM이나 특정 린터에 고정되지 않은 확장 가능한 구조를 갖는다.
: 새로운 린터, 새로운 LLM 프로바이더, 새로운 AI 에이전트가 등장하더라도 기존 컨벤션 스키마와 MCP 인터페이스를 유지한 채 손쉽게 통합할 수 있다.
: 이는 향후 다수의 AI 에이전트가 동시에 협업하는 환경에서도 일관된 규칙과 거버넌스를 유지할 수 있는 기반이 되며, 조직이 AI 기술 변화에 유연하게 대응할 수 있도록 한다.

====경제적 및 사회적 파급효과 ====

; 개발 비용 절감
: 본 프레임워크는 컨벤션 정의·검증·관리 과정을 자동화하여 개발 과정에서 반복적으로 발생하던 인력 소모를 크게 줄인다.
: 기존에는 코드 리뷰, 린트 설정 관리, 규칙 위반 수정 등에 상당한 시간이 투입되었으나, 본 시스템 도입 시 AI 코딩 도구가 사전에 조직 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 그 결과 사후 수정 비용과 리뷰 비용이 감소하며, 전체 개발 비용이 구조적으로 절감된다.

; 스타트업/중소기업 경쟁력 강화
: 인력과 자원이 제한된 스타트업 및 중소기업은 코드 품질 관리와 보안 정책 적용을 체계화하기 어려운 경우가 많다.
: 본 프레임워크는 컨벤션과 권한 정책을 기술적으로 강제함으로써, 소규모 조직도 대규모 조직 수준의 개발 거버넌스를 갖출 수 있도록 지원한다.
: 이는 인력 규모의 한계를 기술로 보완하는 효과를 가지며, 결과적으로 중소 조직의 기술 경쟁력을 강화한다.

; 개발자 교육 효과
: 컨벤션이 자연어 기반으로 명시되고, 코드 작성과 동시에 검증 결과(위반 원인 및 수정 가이드)가 제공됨으로써 개발자는 문서 학습이 아니라 실제 코드 맥락 속에서 규칙을 자연스럽게 체득하게 된다.
: 이는 신규 개발자뿐 아니라 비개발자(기획/PM 등)의 협업 참여에도 교육적 도구로 기능하며, 조직 고유의 개발 문화와 규칙을 빠르게 학습하도록 돕는다.

; 협업 문화 개선 및 신뢰성 제고
: 코드 품질 관련 갈등과 반복적인 리뷰 코멘트를 감소시켜 팀 내 협업 비용을 낮추고, 긍정적인 협업 분위기 형성에 기여한다.
: 특히 AI가 생성한 코드가 명시된 컨벤션과 정책에 기반하므로, 팀원들이 결과물을 더 신뢰할 수 있는 ‘설명 가능한 협업(Explainable Collaboration)’ 문화를 정착시키는 효과가 있다.

; 환경 측면(지속가능성)
: 단순한 코드 최적화를 넘어, ‘컨텍스트 선별(Context Selection)’을 통해 AI에게 불필요한 정보(노이즈) 주입을 차단한다.
: 이는 LLM의 토큰 사용량과 연산 부하를 감소시켜, 결과적으로 서버 자원 효율과 에너지 효율을 개선하는 친환경적 효과로 이어질 수 있다.

; 윤리적 측면(Responsible AI)
: AI가 조직의 규칙과 권한을 무시한 채 코드를 생성할 경우 보안 사고, 규정 위반, 책임 소재 불명확 등의 문제가 발생할 수 있다.
: 본 과제는 역할 기반 접근 제어(RBAC)와 컨벤션 검증을 통해 AI의 행동 범위를 명확히 제한함으로써, 책임 있는 AI 활용(Responsible AI)을 기술적으로 구현한다.
: 즉, AI가 인간의 판단을 대체하는 것이 아니라 명시된 규칙 하에서 보조적으로 작동하도록 유도한다는 점에서 윤리적 의미가 있다.

; 오픈소스 생태계 활성화
: 본 프레임워크를 오픈소스로 공개함으로써 누구나 자유롭게 사용·확장·기여할 수 있다.
: 다양한 린터, LLM 프로바이더, AI 에이전트 연동 사례가 커뮤니티 주도로 축적될 수 있으며, 표준 기반의 협업 도구 생태계가 자연스럽게 성장하는 기반이 된다.
: 이는 특정 기업에 종속되지 않는 건강한 기술 생태계 형성에 기여한다.

===기술개발 일정 및 추진체계===
====개발 일정====
* '''9월''': MCP/스키마 설계, GitHub Actions 기본 프레임워크 구축, 파서/로더 착수
* '''10~11월''': 정적 규칙 검증 모듈 및 핵심 검증 엔진 구현
* '''11~12월''': PR 연동 고도화, 내부 통합 테스트/시나리오 검증, 안정화 및 베타 테스트

====구성원 및 추진체계====
; 추진체계
: 팀장과 팀원 협업 중심의 모듈 분담형 추진체계로 운영(설계–구현–통합–검증 단계별 책임 명확화).
: 주간 회의로 진행상황을 공유하고, 이슈/리스크를 조기 식별·조정하였다.

; 구성원/역할
: '''이*관''' — MCP 정책 파서/규칙 로더, 통합 테스트·시나리오 검증
: '''박*환''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''박*익''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''배*찬''' — 정적 규칙 검증 모듈, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증

==설계==
===설계사양===
====제품의 요구사항====
본 과제의 목적은 사용자가 자연어 한 줄만으로 팀의 컨벤션을 쉽게 정의할 수 있게 하고, 해당 컨벤션이 바이브 코딩 도구의 작업 과정에서 지속적으로 적용 및 검증되도록 하는 것이다.

사용자는 Agent(MCP 활용), Web dashboard, CLI command를 통해 다양한 방식으로 컨벤션을 정의할 수 있다. 컨벤션은 Git을 통해 소스코드와 함께 버전관리되며, GitHub 사용자는 별도의 추가 절차 없이 팀과 컨벤션을 공유할 수 있다.

바이브 코딩 도구는 MCP를 사용해 작업에 필요한 컨벤션만 선택적으로 가져와 컨텍스트를 최적화한다. 작업 완료 후에는 MCP를 통해 컨벤션 검증을 수행하며, 이 과정은 역할 기반 접근제어(RBAC)와 기존 linter 도구를 결합하여 체계적으로 수행된다. 이를 통해 LLM-as-a-judge 방식 대비 더 빠른 성능과 높은 정확성을 확보한다.

검증 결과는 MCP가 반환하며, 바이브 코딩 도구는 이를 기반으로 컨벤션 위반 사항을 인지하고 교정 작업을 수행하도록 유도한다.

==== 요구사항 목록 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! D/W !! 비고
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || D || 중(컨벤션 편집 및 공유)
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || W || 하(컨벤션 편집 및 공유)
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || D || 상(시스템 설치)
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || W || 하(시스템 설정)
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || D || 상(컨벤션 적용)
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || W || 하(감사 지표)
|}

==== 요구사항 평가 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! 평가 방법 !! 평가 기준
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || UI 내에서 컨벤션 편집 기능 접근 가능 여부, 편집/저장 동작을 테스트한다. || 편집기 접근 가능, 수정 내용이 정상 저장 및 반영됨
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || 자연어로 입력한 규칙(예: “줄 끝에 세미콜론 금지”)이 시스템에 인식되어 반영되는지 테스트한다. || 자연어 입력 → 규칙 형태로 변환 및 저장 성공
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || 특정 사용자가 작성한 컨벤션을 팀원 계정에서 접근 및 복제 가능 여부를 테스트한다. || 공유 링크 또는 협업 기능으로 팀원이 접근 가능, 팀 권한 관리 정상 작동
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || 여러 클라이언트에서 동시에 접근 후 동기화 상태를 확인한다. || 변경 사항 발생 시 자동 갱신 또는 수동 새로고침으로 최신 상태 유지됨
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || 예시 자연어 규칙 입력 후 코드에 적용 결과를 확인한다. || 시스템이 자연어 규칙을 인식하고 코드 분석/검증에 반영함
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || 파일 단위의 적용 범위 설정 후 결과를 확인한다. || 선택한 범위 내에서만 작업이 수행됨. 위반 시 경고 또는 수정 요청
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || 정적 분석 규칙을 활성화한 후 코드 검사를 실행한다. || 지정된 정적 규칙 위반 시 경고 또는 수정 제안 출력
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || Claude Code, Codex CLI 등 주요 툴과의 연동을 시험한다. || 간단한 설정(예: npm 커맨드 한 줄 입력)만으로 연동 및 기능 동작 확인
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || 설정 UI에서 임계값 입력 후 코드 분석을 수행한다. || 설정값에 따라 경고 또는 리포트가 정확히 출력됨
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || 매 작업마다 컨벤션 검토 호출 유무를 확인한다. || 컨벤션 검토가 모든 작업에서 이루어지는지 검증
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || 바이브 코딩 도구가 작업 계획에 따라 적절한 컨벤션을 요청하는지 확인한다. || 컨벤션 요청이 모두 성공하는지 확인
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || 코드 분석 또는 컨벤션 검사 후 결과 화면/리포트 표시를 확인한다. || 처리 결과(통과/경고/에러 등)가 명확하게 시각화되어 표시됨
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || 자동 생성된 코드에 대해 컨벤션 검사를 수행한다. || 생성된 코드가 설정된 컨벤션 기준을 충족하거나 위반 시 경고 발생
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || 코드 생성 후 바로 편집/수정 가능 여부를 확인한다. || 생성 코드에 대해 컨벤션 위반 사항을 바로 해결하도록 지시할 수 있는지 검증
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || 요청 수행 후 로그 파일/DB를 확인한다. || 모든 요청과 처리 결과가 시간/사용자 정보와 함께 기록됨
|}

====설계 사양====
; a) CLI Tool
: * '''Language''' — Go
: * '''CLI Framework''' — Cobra, survey/v2
: * '''Protocol''' — Model Context Protocol (go mcp sdk)

; b) Web Dashboard
: * '''Framework''' — Go net/http
: * '''Language''' — Go, JavaScript
: * '''UI/CSS''' — Tailwind CSS

; c) External Linter Integration
: * '''Linter''' — ESLint, Prettier, TSC, Pylint, Checkstyle, PMD, golangci-lint

==== 개념설계안 - 컨벤션 구조화 및 CLI 기반 호출 모델 ====

본 설계안은 사용자가 자연어로 정의한 코드 컨벤션을 구조화하고, 바이브 코딩 툴이 CLI를 통해 이를 불러와 검증 및 피드백하는 전체 흐름을 정의한 모델이다. 규칙 정의부터 평가와 피드백까지가 자동으로 순환되는 구조를 갖으며, 자동 피드백 루프를 통해 지속적인 품질 개선이 가능하다.

; 1. Rule Source (규칙 소스)
: 사용자가 텍스트 형태로 정의한 컨벤션 규칙이 저장되는 영역이다.
: 규칙이 수정·업데이트될 때마다 시스템은 최신 규칙 집합을 반영한다.

; 2. LLM Agent (자연어 규칙 해석기)
: LLM 에이전트는 규칙 텍스트를 파싱하고 의미를 분석하여 실행 가능한 코드 규칙 형태로 변환한다.
: 이 단계에서 규칙의 의미적 해석과 제약(Constraint) 추출이 수행된다.
: 결과적으로 평가 모듈이 이해할 수 있는 ‘명세화된 규칙 코드’를 생성한다.

; 3. Evaluation (검증 단계)
: 분석 대상 코드에 필요한 컨벤션 컨텍스트를 수집하고, LLM이 생성한 규칙 코드와 비교하여 평가한다.
: 코드 내 위반 여부를 판단하며, 위반 항목이 발견되면 라인 번호, 규칙명 등 세부 사유를 기록한다.
: 본 단계는 정적 분석과 의미 분석을 결합하여 수행된다.

; 4. Feedback (피드백 단계)
: 규칙 위반이 발견된 경우 위반 사유를 정리하고 수정 방법을 제시하며, 사용자는 수정 후 재검증을 요청할 수 있다.
: 위반이 없는 경우 작업 통과로 처리되어 다음 단계로 진행한다.

===이론적 계산 및 시뮬레이션===
; 1. LLM Validation Batching & Optimization (LLM 배치 최적화)
: '''목표''' — 다수의 의미적 규칙 검증을 배치로 묶어 처리하여 비용과 지연을 최소화한다.
: # 동일 파일 및 카테고리별로 작업을 그룹화하여 배치를 구성한다.
: # 각 배치마다 컨텍스트 압축을 수행한다(중복 규칙 설명 제거, 변경 라인 ±5줄만 추출).
: # Rate limit을 고려하여 병렬 실행으로 동시 처리한다.
: # 구조화된 JSON 응답을 파싱하여 개별 규칙 결과로 분해한다.

; 2. Dependency Engine (레이어드 아키텍처 보호)
: '''목표''' — 레이어 간 의존 방향 제약을 강제하여 아키텍처 경계를 보호한다.
: '''이론적 배경 및 계산'''
: # 모듈 의존 그래프 ''G=(V,E)''를 구축한다 (복잡도: O(|V|+|E|), ''V''=모듈, ''E''=의존 관계).
: # 각 모듈에 레이어 번호 ''ℓ(v)''를 할당한다.
: # 모든 간선 ''(u,v) ∈ E''에 대해 ''ℓ(u) ≥ ℓ(v)''인 경우를 위반으로 탐지한다(상위 레이어가 하위 레이어에 의존하는 경우).
: 레이어 할당은 파일 경로 글롭 패턴 매칭으로 수행한다(예: src/domain/ → L1, src/app/ → L2).
: 적용 예로는 클린 아키텍처의 domain ← app ← ui 방향 강제, 마이크로서비스 경계 보호, 보안 모듈 격리 등이 있다.

===상세설계 내용===

====1) 아키텍쳐 설계====
====패키지 구조 및 의존성====
[[File:아키텍쳐설계.png]]

==== 계층 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Layer !! Name !! Packages !! Responsibility
|-
| L0 || Bootstrap || cmd/sym || Entry point, provider registration via init()
|-
| L1 || Commands || internal/cmd || CLI command implementations (Cobra)
|-
| L2 || Gateways || internal/mcp, internal/server || External interfaces (MCP stdio, HTTP REST)
|-
| L3 || Core || converter, validator, importer, policy, roles || Business logic
|-
| L4 || Adapters || internal/linter/*, internal/llm/* || External tool integration
|}

==== 횡단 관심사 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Type !! Packages !! Purpose
|-
| Infrastructure || internal/util/git, util/config, util/env || Helper functions, no business logic
|-
| Contracts || pkg/schema || Shared data types (DTOs), no behavior
|}

====아키텍쳐 다이어그램====
[[File:아키텍쳐다이어그램.png]]

====LLM Provider 아키텍처 다이어그램====
[[File:LLM아키텍쳐다이어그램.png]]

====2) 상세 설계====
a) 클래스 다이어그램

[[File:클래스다이어그램.png]]

b) 시퀀스 다이어그램

- Validate 시퀀스 다이어그램 -

[[File:시퀀스다이어그램.png]]

- Registry Pattern 시퀀스 다이어그램 -

[[File:Registry_Pattern_시퀀스_다이어그램.png]]

c) 유즈케이스 다이어그램

[[File:유즈케이스다이어그램2.png]]

====3) 인터페이스 설계====
a) 사용자 역할별 인터페이스 개요

{| class="wikitable" style="width:100%;"
! 사용자 역할 !! 주 사용 인터페이스 !! 주요 목적
|-
| 정책 설정자 (팀 리더, 시니어 개발자) || CLI Command, Vibe Coding Tool(MCP 연동), Web Dashboard ||
1. 코드 정책(user-policy.json)의 생성·수정·관리<br/>
2. 역할 기반 접근 제어(RBAC) 정의
|-
| 정책 소비자 (모든 개발자) || Vibe Coding Tool(MCP 연동) ||
AI에게 코드 관련 작업을 요청하고, MCP 정책이 적용된 결과를 텍스트로 확인
|}

b) CLI Command 인터페이스

{| class="wikitable" style="width:100%;"
! 명령어 !! 서브커맨드 !! 설명 !! 주요 플래그
|-
| sym init || - || 프로젝트 초기화 || --force, --skip-mcp, --skip-llm
|-
| sym dashboard || - || 웹 대시보드 실행 || --port (기본: 8787)
|-
| sym my-role || - || 현재 역할 확인/변경 || --json, --select
|-
| sym policy || path || 정책 파일 경로 확인/설정 || --set
|-
| sym policy || validate || 정책 파일 유효성 검사 || -
|-
| sym convert || - || 컨벤션 변환 || --input, --output-dir
|-
| sym validate || - || Git 변경사항 컨벤션 검증 || --policy, --staged, --timeout
|-
| sym import || - || 외부 문서에서 컨벤션 추출 || --mode (append/clear)
|-
| sym category || list || 카테고리 목록 조회 || -
|-
| sym category || add || 카테고리 추가 || --file
|-
| sym category || edit || 카테고리 편집 || --name, --description, --file
|-
| sym category || remove || 카테고리 삭제 || --file
|-
| sym convention || list || 컨벤션 목록 조회 || --category, --language
|-
| sym convention || add || 컨벤션 추가 || --category, --languages, --severity, --file
|-
| sym convention || edit || 컨벤션 편집 || --new-id, --say, --severity, --file
|-
| sym convention || remove || 컨벤션 삭제 || --file
|-
| sym mcp || - || MCP 서버 시작 (stdio) || --config
|-
| sym llm || status || LLM 프로바이더 상태 확인 || -
|-
| sym llm || test || LLM 연결 테스트 || -
|-
| sym llm || setup || LLM 설정 안내 표시 || -
|-
| sym version || - || 버전 출력 || -
|-
| sym completion || - || 쉘 자동완성 스크립트 생성 || (bash/zsh/fish/powershell)
|}

c) MCP Tool 인터페이스

{| class="wikitable" style="width:100%;"
! 도구명 !! 설명 !! 입력 파라미터 !! 비고
|-
| list_convention || 프로젝트 컨벤션 조회 || category?, languages?[] || 필터링 지원
|-
| validate_code || Git 변경사항 검증 || role? || RBAC 역할 선택
|-
| list_category || 카테고리 목록 조회 || (없음) || 전체 조회
|-
| add_category || 카테고리 추가 || categories[] (name, description) || 배치 지원
|-
| edit_category || 카테고리 편집 || edits[] (name, new_name?, description?) || 배치 지원
|-
| remove_category || 카테고리 삭제 || names[] || 배치 지원
|-
| add_convention || 컨벤션 추가 || conventions[] (id, say, category?, ...) || 배치 지원
|-
| edit_convention || 컨벤션 편집 || edits[] (id, new_id?, say?, ...) || 배치 지원
|-
| remove_convention || 컨벤션 삭제 || ids[] || 배치 지원
|-
| import_convention || 외부 문서에서 컨벤션 추출 || path, mode? || LLM 사용
|-
| convert || 컨벤션 변환 실행 || input_path?, output_dir? || 린터 설정 생성
|}

d) Web Dashboard 인터페이스

- user-policy.json 파일을 편집하는 단일 페이지 웹 애플리케이션. 전역 설정과 규칙 관리의 두 영역으로 구성된다.

e) MCP 연동 채팅 인터페이스 상세 설계 (IDE CUI)

- 각 MCP 도구들은 별도의 GUI를 가지지 않으며, 모든 결과는 텍스트 응답의 일부로 출력된다. 사용자는 AI 코딩 도구의 설정에서 "MCP 기능 사용"을 활성화하여, 본 시스템이 제공하는 MCP 도구들을 도구 목록에 추가한다.

f) 인터페이스 연동 및 데이터 흐름도

[[File:인터페이스흐름도.png]]

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

- 메인 UI 화면 (dashboard)

[[File:대시보드메인화면.png]]

- CLI Help 출력

[[File:CLIhelp.png]]

- Claude Code MCP 통합 화면

[[File:ClaudeCodeMCP통합.png]]

====설치 (Configuration)====
a) npm설치

[[File:npm설치.png]]

b) sym init

[[File:syminit.png]]

c) MCP 활성화(Cursor)

[[File:mcp활성화cursor.png]]

====살행 (Run)====
a) CLI 내 sym init 명령어 입력: 프로젝트 내 Symphony 도구 초기화

[[File:symphony도구초기화.png]]

b) CLI 내 sym dashboard 명령어 입력: 웹 대시보드 열기

[[File:대시보드열기.png]]

c) 웹 대시보드 - 초기 화면

[[File:대시보드메인화면.png]]

d) 웹 대시보드 - 전역 설정

[[File:대시보드전역설정.png]]

e) 웹 대시보드 - 템플릿 선택

[[File:대시보드템플릿.png]]

f) 웹 대시보드 - 컨벤션 가져오기

[[File:대시보드컨벤션.png]]

g) 코드 에디터 내 코드 작성 요청

[[File:대시보드코드에디터.png]]

===관련사업비 내역서===

==== 활동비 지출 내역 ====

{| class="wikitable" style="width:100%;"
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액 !! 비고
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 319,332원 (10월 결제)
|-
| ChatGPT (Plus) || 1 || US$22.00 || US$22.00 || 32,310원 (10월 결제)
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 327,258원 (11월 결제)
|-
! colspan="4" | 합계
| 678,900원
|}

===완료작품의 평가===

본 평가는 MCP를 통한 컨벤션 질의·검증 기반 코드 생성 방식과, MCP 미사용 방식(agent.md에 규칙만 주입) 간의 성능 차이를 정량·정성적으로 비교하기 위해 수행되었다.

; 비교 대상
: * '''Baseline''' — MCP 미사용 (agent.md 기반 정적 규칙 주입)
: * '''Experimental''' — MCP 사용 (list_convention / validate_code 등)

; 주요 평가 관점
: # MCP 도구 활용도
: # Keyword(필수 구현 요소) 충족률
: # Retry 이후 성공 여부(자기 수정 능력)
: # 전체 Task 성공률 개선 효과

; 평가 데이터
: 난이도 높은 코드 컨벤션 15개를 대상으로 하며, 각 컨벤션별로 반드시 포함되어야 하는 키워드(필수 구현 요소)와 포함되면 안 되는 키워드(금지 요소)를 함께 정의하여 평가에 사용하였다.

{| class="wikitable" style="width:100%;"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. MCP 사용률 || MCP tool 호출 로그 분석 || list_convention 등 필수 MCP 사용 || >90% || 20 || 96.7% (달성)
|-
| 2. Keyword 충족률 || 필수 코드 요소 매칭 || 정책 키워드 누락 없음 || >80% || 25 || 88.9% (달성)
|-
| 3. LLM Validation || Symphony 검증 통과율 || 내부 검증을 통과하는지 여부 || >75% || 20 || 96.0% (달성)
|-
| 4. Retry 개선 효과 || Retry 전/후 violation 비교 || Retry 후 통과 여부 || 80% || 20 || 85.7% (달성)
|-
| 5. 종합 성능 향상 || Baseline 대비 Pass Rate || 추출된 목표 키워드 비율 || +30%p 이상 || 15 || +46.7%p (달성)
|}

===향후계획===

==== a) 어려웠던 내용들 ====

; 규칙 위치 혼동
: MCP를 사용하지 않거나 일부만 사용할 경우, 필요한 규칙을 제대로 참조하지 못해 LLM이 규칙의 출처/적용 대상을 혼동하는 문제가 발생하였다.

; 실패 원인 파악의 어려움
: 최초 실패 시점에서 왜 실패했는지 원인이 명확히 드러나지 않아, 재시도 이후에도 동일한 실수가 반복되는 사례가 있었다.

; 작업 복잡도 증가에 따른 규칙 누락
: 작업 단계가 많아질수록 규칙 누락 가능성이 증가했으며, 다단계 작업에서는 일부 필수 요소가 빠지는 사례가 발생하였다.

; LLM 자체 한계(오해/추론 오류)
: 규칙을 조회했음에도 불구하고 코드에 정확히 반영되지 않는 경우가 존재했으며, 이는 모델의 해석 오류 또는 추론 오류로 인해 발생하였다.

; 복수 평가 기준 동시 최적화의 난이도
: MCP 사용률, 키워드 충족, 재시도 성공률 등 다양한 지표가 동시에 존재하여, 모든 지표를 동시에 개선하는 것이 어렵게 작용하였다.

; MCP 효과 설명의 난이도
: 결과물이 코드 형태로 나타나기 때문에, MCP가 왜 도움이 되었는지(어떤 과정이 개선되었는지)를 직관적으로 설명하는 데 한계가 있었다.

==== b) 차후 구현할 내용 ====

; 컨벤션 규칙 추천 기능
: 자주 사용되는 컨벤션 규칙을 사용자에게 추천하여, 중요한 규칙을 놓치지 않도록 사전 확인 단계(추천/체크리스트)를 추가한다.

; 반복 실패에 대한 대안 제시(상호작용 개선)
: 단순 재시도에 의존하지 않고, 반복적인 실패 유형을 감지하여 사용자에게 차선(대체 구현, 단계 분해, 제약 완화안 등)을 제시하는 상호작용 기능을 제공한다.

; 결과 요약 보고서 기능
: Pass/Fail, 위반 요약, 재시도 개선 여부 등을 한눈에 확인할 수 있도록 요약 리포트(대시보드/CLI 출력)를 추가한다.

; Self-Baking 고도화
: Agent의 검증 결과 및 피드백 컨텍스트를 기반으로 Convention Context를 스스로 개선(자가 보강/정제)하도록 기능을 고도화한다.

1분반-심포니

2025-12-22T08:18:06Z

Com238: /* 관련사업비 내역서 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' AI 코딩 도구를 위한 MCP 기반의 협업 스키마 개발 및 적용 프레임워크 구축

''' 영문 : ''' Framework for Developing and Applying MCP-based Collaborative Schema for AI Coding Tools

===과제 팀명===
Symphony 팀

===지도교수===
이경재 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 20209200** 박*환

서울시립대학교 컴퓨터과학부 20209200** 박*익

서울시립대학교 컴퓨터과학부 20209200** 배*찬

서울시립대학교 컴퓨터과학부 20209200** 이*관

==서론==
===개발 과제의 개요===
==== 개발 과제 요약 ====

; 과제명
: AI 코딩 도구를 위한 MCP 스키마 개발 및 적용 프레임워크 구축

; 핵심 개념
: 기존의 정적이고 단편적인 코드 스타일 컨벤션을 넘어, 사용자 역할(RBAC)과 파일 보안 등급이라는 두 축을 포함하는 '''동적 컨벤션(Dynamic Convention)'''을 정의한다.
: 이는 컨텍스트 엔지니어링 2.0 연구 흐름에 기반하여, 인간의 불명확한 의도(고엔트로피)를 AI가 실행 가능한 형태(저엔트로피)로 변환하는 체계적인 '''엔트로피 감소(Entropy Reduction)''' 접근을 구현하는 것이다.
: 정의된 동적 컨벤션은 이기종 시스템 간 컨텍스트 공유의 표준인 '''MCP(Model Context Protocol)''' 형태로 제공되어, 모든 LLM 코딩 툴이 동일한 규칙을 이해하고 적용할 수 있도록 한다.
: 또한 컨벤션 준수 여부에 대한 검수(검증) 과정까지 자동화하여 코드 품질을 지속적으로 유지한다.

; 개발 목표
: MCP 표준을 통해 개발자 및 비개발자가 자연어 기반의 직관적인 인터페이스로 안전하게 코드 수정에 참여하도록 지원한다.
: 동시에 모든 LLM 코딩 도구가 조직 고유의 협업 규칙과 보안 정책을 준수하는 코드를 생성하도록 유도한다.
: 단순한 자동화를 넘어, AI 에이전트가 조직의 맥락을 이해하고 협업하는 '''컨텍스트 협력(Context-Cooperative)''' 시스템을 지향한다.
: 이를 통해 반복적인 검토 및 통합 과정을 자동화하여 생산성을 극대화하고, 직군 간 사일로를 완화하여 차세대 지능형 개발 협업 생태계를 구축하는 것을 목표로 한다.

; 기대 효과
: GitHub Copilot, Claude Code 등 기존 LLM 코딩 도구를 사용하는 개발 팀이 MCP를 손쉽게 도입하여, 바이브 코딩 환경에서 핵심 이슈인 코드 품질 문제를 완화하고 제품의 시장 출시 기간을 단축할 수 있다.
: 특히 AI 에이전트 시대(Era 2.0)에 중요한 '''컨텍스트 격리(Context Isolation)'''와 '''최소 충분 원칙(Minimal Sufficiency Principle)'''을 적용함으로써, AI 도입의 주요 장벽인 보안 우려와 할루시네이션 문제를 기술적으로 완화한다.

==== 개발 과제의 배경 및 효과 ====

===== 배경 =====

; 만성적인 협업 비효율성과 높은 상호작용 비용
: 현대 제품 개발은 여러 직군(기획/디자인/개발/보안 등)의 협업이 필수적이지만, 현실에서는 간단한 요청조차도 복잡하고 긴 파이프라인(Jira → Slack → 개발 → 배포)을 거치며 지연이 누적된다.
: 또한 인간과 시스템(또는 AI 도구) 간 ‘인지적 격차(Cognitive Gap)’로 인해 커뮤니케이션 오류가 발생하고, 결과적으로 높은 인간-AI 상호작용 비용이 조직의 민첩성을 저해한다.
: 이러한 시간 지연과 커뮤니케이션 손실은 단순 비효율을 넘어 시장 대응 속도를 떨어뜨려 경쟁력 약화로 이어진다.

; 지능화된 도구의 한계: 맥락 부재와 컨텍스트 오염
: GitHub Copilot과 같은 LLM 코딩 도구는 개발 생산성을 높였으나, ‘조직 고유의 맥락(보안 정책, 협업 규칙, 권한 체계 등)’을 기본적으로 내재하지 못한다.
: 범용 데이터로 학습된 모델은 조직의 외부 맥락이 결여되어 있어, 위험한 코드를 생성하거나 규칙을 위반하는 형태의 컨텍스트 오염/할루시네이션을 유발할 수 있다.
: 예를 들어 “결제 코드는 시니어만 수정 가능”과 같은 규칙은 LLM이 자체적으로 알 수 없으므로, 비개발자의 직접 기여는 예측 불가능한 사이드 이펙트 위험 때문에 제한되는 문제가 발생한다.

===== 도입 효과 =====

; 개발자 경험의 질적 향상: 사후 대응에서 사전 설계로
: 개발자는 LLM이 생성한 저품질 코드에 대한 반복 수정(사후 대응)에 시간을 소모하지 않게 된다.
: 시스템이 사전에 정의된 컨텍스트(컨벤션/정책) 내에서 작동하므로, 개발의 첫 단계부터 품질을 관리하는 Self-Baking(자가 지식화) 프로세스가 가능해진다.
: 그 결과 개발자는 아키텍처 설계 등 고부가가치 핵심 업무에 집중할 수 있어 직무 만족도와 생산성이 함께 향상된다.

; 개발 속도의 혁신적 극대화
: 비개발자가 안전이 보장된 범위 내에서 직접 코드 수정에 참여함으로써, 단순 요청 처리 시간을 ‘수일’에서 ‘수분’ 단위로 압축할 수 있다.
: 이는 에이전트 중심(Agent-Centric) 협업 모델에 가까운 형태로, 인간의 의도가 빠르게 제품에 반영되는 초고속 애자일 스프린트를 가능하게 한다.

; 견고한 코드 품질 및 내장형 보안: 컨텍스트 격리 적용
: AI는 MCP에 명시된 동적 컨벤션(코드 스타일, 보안 등급, 접근 제어)을 통해서만 코드를 생성·수정하도록 제한된다.
: 이는 기능적 컨텍스트 격리(Functional Context Isolation) 관점에서, AI가 접근해서는 안 되는 정보/권한을 원천적으로 차단하고, 인적 실수 및 보안 취약점을 예방한다.
: 결과적으로 모든 코드 기여가 조직 표준을 준수하도록 강제되어 품질과 보안이 구조적으로 강화된다.

; 쉬운 도입 및 표준화 선점
: 최소한의 설정만으로 기존 개발 환경에 통합되어 즉시 사용할 수 있다.
: 또한 파편화된 AI 도구들을 MCP라는 표준 프로토콜로 연결하는 Cross-System Context Sharing 전략을 통해, 향후 증가하는 다양한 AI 에이전트들을 단일 거버넌스 하에서 통합 관리할 수 있는 기반을 제공한다.
: 이는 단순 도구 도입을 넘어, 미래형 AI 협업 인프라를 선제적으로 구축하는 효과를 가진다.

==== 개발 과제의 목표 및 내용 ====

; 최종 목표
: 모든 LLM 코딩 도구에 플러그인 형태로 쉽게 통합 가능한 '''동적 컨벤션 MCP'''의 공개 표준을 정의하고, 이를 실제 개발 환경에서 '''적용·검증'''할 수 있는 프레임워크를 개발한다.

; 개발 내용
: 본 과제의 개발 내용은 크게 (1) 동적 컨벤션을 제공하는 MCP 서버, (2) 이를 CI/CD에 즉시 적용 가능한 경량 도구(GitHub Actions 중심)로 구성된다.

===== (결과물 1) MCP 컨벤션 서버 =====

; 범용 컨벤션 양식(스키마) 정의
: 모든 LLM 및 개발 도구가 동적 컨벤션을 일관되게 이해하고 활용할 수 있도록 '''범용 컨벤션 양식'''(표준 스키마)을 정의하였다.
: * '''형식''' — 범용성과 가독성을 고려하여 JSON 기반의 표준화된 스키마를 설계한다.
: * '''저장 위치''' — 프로젝트 루트 디렉토리에 ''.mcp.json'' 형태로 위치하거나, 필요 시 제공 서버에 저장·관리할 수 있다.

; 컨벤션 상세 내용
* '''정적 규칙(static rules)'''
** ESLint, Prettier 등 기존 린터/포맷터 설정 파일(''.eslintrc.json'', ''.prettierrc'' 등)의 경로를 지정하거나, 핵심 규칙(들여쓰기, 따옴표 종류 등)을 직접 내장하여 일관성을 강제한다.
** 네이밍 컨벤션(component-pascal-case, function-camel-case), 주석 스타일(JSDoc 강제) 등 정적 분석으로 검증 가능한 규칙을 폭넓게 포함한다.
* '''동적 규칙(dynamic rules)'''
** '''파일 보안 등급(Security Level)''' — Glob 패턴으로 파일/디렉토리 경로별 보안 등급(PUBLIC, INTERNAL, SECRET)을 정의한다.
*** 예: "src/assets/*": "PUBLIC", "src/components/*.css": "PUBLIC", "src/hooks/*.js": "INTERNAL", "src/core/payment/**/*.js": "SECRET"
** '''역할 기반 접근 제어(RBAC)''' — 마케터, 기획자, 주니어/시니어 개발자 등 조직의 역할을 정의하고, 각 역할이 보안 등급별로 갖는 권한(read, propose, edit)을 '''명시적 매트릭스'''로 정의한다.
*** 이 매트릭스는 “누가 어떤 유형의 파일에 대해 제안만 가능한지 / 직접 수정 가능한지”를 규정하는 핵심 정책으로서, 협업 과정의 안전성과 책임 소재를 명확히 한다.

===== (결과물 2) CI/CD 통합 경량 도구 (GitHub Actions) =====

; 목표
: 동적 컨벤션 검증을 실제 개발 현장에서 즉시 활용할 수 있도록, 기존 CI/CD 파이프라인에 '''경량화된 형태로 완전 통합'''하여 제공한다.

; 방식: Plug-and-Play
: 별도의 서버 구축이나 복잡한 설정 없이, GitHub 저장소의 ''.github/workflows'' 내 워크플로우 파일에 '''몇 줄의 YAML'''을 추가하는 것만으로 즉시 적용 가능하도록 설계하였다.

; 핵심 작동 워크플로우
# '''트리거''' — 개발자 또는 비개발자가 Pull Request(PR)를 생성/업데이트할 때 자동 실행된다.
# '''컨벤션 로딩''' — Action 실행 시 ''.mcp.json''을 탐색하여 동적 컨벤션 규칙을 메모리에 로드한다.
# '''변경사항 분석''' — ''git diff''를 통해 PR에서 변경된 파일 목록과 변경 내용을 분석한다.
# '''권한 검증''' — PR 작성자의 GitHub 팀 역할을 기준으로, MCP의 RBAC 규칙과 변경된 파일의 보안 등급(Security Level)을 대조하여 수정 권한을 확인한다.
# '''정적 규칙 검증''' — MCP의 static_rules에 따라 린팅/포매팅 검사를 수행한다.
# '''실시간 피드백 제공'''
#* '''성공 시''' — “MCP Convention Check Passed”와 같은 명확한 상태 메시지를 남기고, PR 병합이 가능하도록 체크를 통과시킨다.
#* '''실패 시''' — PR 병합을 자동으로 차단하고, 실패 원인을 설명하는 코멘트를 PR에 직접 남긴다.
#** 예: 권한이 없는 파일 수정 시 “@작성자, '마케터' 역할은 INTERNAL 등급의 파일을 수정할 수 없습니다. 개발팀 검토를 요청해주세요.”와 같이 실행 가능한 피드백을 제공한다.

[[파일:개발과제1.png]]

===관련 기술의 현황===
==== 관련 기술의 현황 및 분석 (State of the Art) ====

; MCP 동향
* Microsoft는 Build 2025에서 MCP에 대한 1st-party 지원을 GitHub, Copilot Studio, Azure AI Foundry, Windows 11 등으로 확장한다고 밝혔다.
* MCP는 메시지 포맷으로 JSON-RPC 2.0을 채택하며, 전송 계층(transport)은 이를 다양한 환경(로컬/HTTP 등)에 매핑한다.
* MCP는 LLM/에이전트와 외부 시스템(도구·리소스·프롬프트)을 연결하는 표준 인터페이스로서, 이식성이 높고 개발 도구에 쉽게 적용 가능하다.

; 협업 트렌드
* 협업 과정은 티켓 → 리뷰 → 배포 등 작은 수정도 복잡한 파이프라인으로 비효율적으로 동작하는 경우가 많다.
* Notion, Slack 같은 통합 협업 도구는 확산 중이나, 실제 코드 변경·정책 준수·검증은 여전히 개발자(사람)에게 부담이 집중된다.
* 글로벌 환경에서 비동기 협업(PR 리뷰, 자동 코멘트 등)이 늘고 있지만, 규칙 검증은 사람의 반복 부담이 존재한다.

; AI 코딩 보조 기술
* 최근 2~3년간 AI 코드 어시스턴트(자동완성, 코드 생성, 리뷰 등) 채택이 빠르게 증가했으며, 엔터프라이즈 관점에서의 도입·운영 가이드(조직/개발자 관점)가 보고서 형태로 축적되고 있다.
* 개발자들은 “거의 맞지만 완전히 맞지 않은(almost right, but not quite)” 결과로 인해 디버깅 부담이 늘어 신뢰도가 하락할 수 있음을 지적한다.
* AI 코딩 도구가 SDLC에 통합될수록, “누가 어떤 파일을 어떻게 수정할 수 있는지(권한), 보안 등급, 내부 규정 준수, 변경 이력”을 기술적으로 보장하는 메커니즘의 필요성이 커지고 있다.

; 과제 연결점
* 본 과제는 MCP 인터페이스를 지원함으로써, 여러 LLM/에이전트가 도구를 직접 인식·호출할 수 있게 하여 도입 진입장벽을 낮춘다.
* 컨벤션을 지속적으로 적용·검증하는 구조를 제공하여, 비개발자도 안전 범위 내에서 참여 가능한 협업 모델을 제시하고, 협업 효율과 품질을 동시에 개선한다.

===== 특허 조사 및 특허 전략 분석 =====

; c) 특허 조사
* '''특허 1: 소스코드 해설을 포함한 질의응답 서비스 제공 장치 및 방법'''
** 공개번호: 10-2023-0045150
** 출원인: 주식회사 랭코드
** 주요 내용: 사용자가 소스코드를 포함한 질문을 입력하면, 서버가 코드 의미를 분석하여 자연어 해설을 생성·제공하는 챗봇 기술(코드 이해/설명 중심).
* '''특허 2: 프로그램 소스코드의 AI학습을 통한 프로그램 자동 코딩 가이드 시스템'''
** 공개번호: 10-2024-0130648
** 출원인: 주식회사 가치플레이
** 주요 내용: 검증된 소스코드를 DB에 축적하고, 요구사항에 맞춰 AI가 적합 코드를 가져오거나 생성하여 프로그램 완성을 지원(재사용/자동 생성 중심).
* '''특허 3: 코드 리뷰 서비스 제공 방법 및 장치'''
** 공개번호: 10-2025-0109946
** 출원인: 숭실대학교산학협력단
** 주요 내용: GitHub 등 외부 저장소와 연동해 코드 라인별 리뷰를 작성·관리하는 플랫폼, AI로 리뷰 태그 생성 등 커뮤니티 기반 검토 효율화.

; 라) 특허 전략
* '''차별점 1: 선제적 거버넌스(Preemptive Governance) vs 사후 대응/보조'''
** 기존 기술이 코드 해설·생성·리뷰 등 사후적/보조적 기능에 머무는 반면, 본 과제는 코드 생성·수정 시점에 규칙을 강제하여 위반을 사전에 차단하는 거버넌스를 제공한다.
* '''차별점 2: 동적/상황인지 규칙 vs 정적/일반 규칙'''
** 스타일·문법 중심의 정적 규칙을 넘어, RBAC(역할 기반 접근 제어)에 따라 규칙이 달라지는 컨벤션을 도입하여 조직 정책과 협업 맥락을 반영한다.
* '''차별점 3: 범용 표준 프레임워크 vs 독자적 플랫폼 종속'''
** 특정 플랫폼 종속이 아니라, 공개 표준(MCP) 기반으로 다양한 LLM 코딩 도구에 플러그인 형태로 연동 가능하도록 설계하여 호환성과 확장성을 확보한다.

===== 기술 로드맵 =====

; 단기 (2025~2026) – 표준 정립 및 초기 구현
* 스키마 정의: JSON 기반 동적 컨벤션 스키마 설계
* MCP 서버 제공: 컨벤션 관리 및 검증 도구 제공
* 제한적 Linter 통합, RBAC 접근 제어 구현, LLM validation 구현

; 중기 (2026~2027) – 생태계 확장
* IDE/개발도구 통합: VS Code, JetBrains, Cursor, GitHub Copilot 플러그인 제공
* 더 많은 Linter 도구 통합
* 더 많은 LLM Provider 통합
* ML 기반 분석: 반복 위반 패턴 학습 후 지표화, LLM Provider 성능지표 추출

; 장기 (2027~2028) – 지능형 협업 플랫폼
* 성능지표 기반 LLM Provider 동적 선택
* AI 보조 협업: 자동 코드 리뷰 코멘트 제공
* 산업별 템플릿: 금융, 의료, 공공 등 규제 준수형 규칙 세트 배포
* 확장 거버넌스: LDAP/SAML 연동, 멀티팀 환경 RBAC 강화

====시장상황에 대한 분석====

==== a) 경쟁제품 조사 비교 ====

; Sourcegraph Cody
: '''개요''' — Sourcegraph의 코드 그래프(인덱싱/검색) 기반 AI 코딩 어시스턴트로, 대규모·복잡한 코드베이스에 적합하다. 저장소 전체 맥락을 참조하여 코드 작성(write), 수정(fix), 리팩터(refactor) 등 개발 작업에 대한 제안을 제공한다.
: '''한계''' — 조직 단위의 코드 표준, 보안 정책, 권한 정책을 “정책으로 정의하고 자동 집행(enforcement)하는 기능”은 상대적으로 약하며, 규칙 위반을 PR 단계에서 차단하는 형태의 거버넌스까지 직접 제공하지는 않는다.

; Codespell
: '''개요''' — 코드 생성 시점에 규칙 기반 엔진으로 컨벤션을 주입하여 팀 산출물의 일관성과 품질을 높이는 도구다. 사후 검증 중심의 기존 린터와 달리, 생성 단계에서 규칙을 반영하도록 유도하는 방식에 강점이 있다.
: '''한계''' — RBAC(역할 기반 접근제어)를 지원하지 않아 역할/직군별로 “허용 가능한 변경 범위”를 세밀하게 통제하기 어렵다. 또한 적용 가능한 컨벤션 범위가 주로 스타일·구조적 규칙에 집중되어 있으며, 보안·권한과 같은 정책은 별도 도구 또는 추가 체계에 의존하는 경향이 있다.

====b) SWOT 분석 ====

; Strengths (강점)
: * '''표준화된 MCP 패키지 기반 호환성''' — Copilot, Claude Code 등 주요 LLM 코딩 툴에서 동일한 규칙/컨텍스트를 재사용할 수 있어, 도구별 파편화로 인한 운영 부담을 줄이고 적용 범위를 빠르게 확장할 수 있다.
: * '''RBAC 기반 거버넌스''' — 단순 텍스트 규칙을 넘어 사용자 역할과 보안 레벨에 따라 허용 가능한 행동을 제어함으로써, 안전한 협업과 규정 준수를 구조적으로 지원한다.
: * '''비개발자 참여 가능성''' — 자연어 기반 정책 정의를 통해 기획/PM/보안 등 비개발 직군도 정책 수립 과정에 참여할 수 있어, 조직 전체의 협업 효율과 의사소통 정합성을 높일 수 있다.
: * '''오픈소스 생태계 확장성''' — 언어/프레임워크별 Context Preset을 커뮤니티가 기여·검증·확장하는 구조를 통해, 규칙 세트의 다양성과 적용성을 빠르게 강화할 수 있다.

; Weaknesses (약점)
: * '''초기 도메인 데이터/프리셋 부족''' — 금융·의료 등 규제 산업의 도메인 특화 컨벤션은 초기에는 축적된 프리셋과 검증 사례가 부족하여 추천 및 적용 품질이 제한될 수 있다.
: * '''차별성 설득 필요''' — 기존 Static Lint/Formatter 대비 “정책(권한·보안)까지 포함한 통합 거버넌스”와 “생성 단계 컨텍스트 제어”의 차별점을 사용자에게 명확히 설명해야 한다.
: * '''효과 지표화의 난이도''' — 도구 효과를 정량적으로 입증하기 위해서는 PR 재작업 감소, 위반 탐지·차단율, 리뷰 시간 절감 등 설득력 있는 KPI 설계가 필요하나, 초기에는 측정 체계가 미성숙할 수 있다.

; Opportunities (기회)
: * '''AI 코딩 툴 시장의 급성장''' — 대규모 사용자 기반이 형성된 AI 코딩 툴 생태계에서 ‘컨벤션/정책 관리’가 필수 레이어로 부상할 가능성이 있으며, 표준 포지션을 선점할 기회가 있다.
: * '''교육·온보딩 시장 확장''' — 신규 입사자/학생 대상의 코딩 표준 및 조직 규칙 학습을 자동화하여, 온보딩 비용을 낮추는 교육용 도구로 확장 가능하다.
: * '''Context Engineering 2.0 수요 증가''' — 프롬프트 작성 중심에서 “참조해야 할 컨텍스트를 구조적으로 정의·최적화”하는 흐름이 강화되면서, 본 프레임워크의 필요성과 가치가 더욱 부각될 수 있다.

; Threats (위협)
: * '''빅테크/IDE 벤더의 내재화 위험''' — Microsoft, JetBrains 등 주요 플랫폼 사업자가 IDE/플랫폼 기능으로 팀 컨벤션 동기화 및 정책 관리 기능을 흡수할 가능성이 있다.
: * '''경량 오픈소스 대체재 확산''' — 단순 설정 파일 공유나 간단한 룰 엔진 기반의 무료 오픈소스가 ‘최소 기능’ 니즈를 충족하며 대체재로 작동할 수 있다.
: * '''엔터프라이즈 보안·컴플라이언스 장벽''' — 금융권/대기업 도입 시 오픈소스 라이선스, 내부 코드/데이터 유출 우려, 외부 LLM 사용 제한 등으로 도입이 지연될 수 있다.
: * '''모델 성능 발전에 따른 가치 희석 가능성''' — 컨텍스트 윈도우 확대 및 추론 능력 향상으로 “별도의 컨텍스트 최적화 없이도” 의도를 잘 파악하는 환경이 조기에 도래할 경우, 최적화 계층의 체감 가치가 낮아질 가능성이 있다.

===개발과제의 기대효과===
====기술적 기대효과 ====

; 개발 효율성 증대
: 본 프레임워크는 컨벤션을 자연어로 정의하고 이를 자동으로 적용·검증함으로써, 개발 과정에서 반복적으로 발생하던 검토, 수정, 재작업 비용을 크게 감소시킨다.
: 개발자는 코드 작성 이후 린트 에러나 조직 규칙 위반을 사후적으로 수정하지 않아도 되며, AI 코딩 도구가 사전에 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 특히 기존 린터와의 통합을 통해 정적 규칙에 대한 검증은 빠르고 결정적으로 처리되고, LLM은 의미적 판단이 필요한 영역에만 제한적으로 사용됨으로써 실시간 개발 환경에서도 충분한 성능을 확보할 수 있다.
: 그 결과 개발자는 반복적인 품질 관리 작업에서 벗어나 아키텍처 설계, 핵심 로직 구현 등 고부가가치 업무에 집중할 수 있으며, 전체 개발 사이클의 속도와 안정성이 동시에 향상된다.

; 표준화 촉진
: MCP 기반으로 이기종 시스템 간 컨텍스트 공유를 통한 일관성 확보가 가능하다.
: 프로젝트 내 일관된 코드 스타일 유지는 물론, MCP를 통해 VS Code, GitHub Copilot, Claude 등 서로 다른 시스템 간에도 동일한 컨텍스트와 규칙을 공유할 수 있는 표준 프로토콜을 구축한다.
: 이는 도구의 파편화로 인한 문맥 단절을 막고, 유지보수 시 오류 발생률을 구조적으로 감소시킨다.

; AI 활용도 향상
: 본 과제는 LLM을 단순한 코드 생성 도구가 아닌, 조직의 맥락을 이해하고 준수하는 협업 에이전트로 활용할 수 있도록 한다.
: AI 코딩 도구는 작업에 필요한 컨벤션만을 선택적으로 컨텍스트로 전달받아 코드를 생성하므로, 불필요한 정보로 인한 혼란과 할루시네이션이 구조적으로 감소한다.
: 이는 ‘최소 충분 원칙(Minimal Sufficiency Principle)’을 실제 개발 환경에 적용한 사례로, AI가 항상 명확하고 충분한 정보만을 바탕으로 판단하도록 유도한다.
: 그 결과 AI에 대한 신뢰도가 향상되고, 개발자는 AI를 보조 도구가 아닌 실질적인 협업 파트너로 활용할 수 있게 된다.

; 미래 확장성 및 에이전트 생태계 대응
: 본 프레임워크는 특정 LLM이나 특정 린터에 고정되지 않은 확장 가능한 구조를 갖는다.
: 새로운 린터, 새로운 LLM 프로바이더, 새로운 AI 에이전트가 등장하더라도 기존 컨벤션 스키마와 MCP 인터페이스를 유지한 채 손쉽게 통합할 수 있다.
: 이는 향후 다수의 AI 에이전트가 동시에 협업하는 환경에서도 일관된 규칙과 거버넌스를 유지할 수 있는 기반이 되며, 조직이 AI 기술 변화에 유연하게 대응할 수 있도록 한다.

====경제적 및 사회적 파급효과 ====

; 개발 비용 절감
: 본 프레임워크는 컨벤션 정의·검증·관리 과정을 자동화하여 개발 과정에서 반복적으로 발생하던 인력 소모를 크게 줄인다.
: 기존에는 코드 리뷰, 린트 설정 관리, 규칙 위반 수정 등에 상당한 시간이 투입되었으나, 본 시스템 도입 시 AI 코딩 도구가 사전에 조직 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 그 결과 사후 수정 비용과 리뷰 비용이 감소하며, 전체 개발 비용이 구조적으로 절감된다.

; 스타트업/중소기업 경쟁력 강화
: 인력과 자원이 제한된 스타트업 및 중소기업은 코드 품질 관리와 보안 정책 적용을 체계화하기 어려운 경우가 많다.
: 본 프레임워크는 컨벤션과 권한 정책을 기술적으로 강제함으로써, 소규모 조직도 대규모 조직 수준의 개발 거버넌스를 갖출 수 있도록 지원한다.
: 이는 인력 규모의 한계를 기술로 보완하는 효과를 가지며, 결과적으로 중소 조직의 기술 경쟁력을 강화한다.

; 개발자 교육 효과
: 컨벤션이 자연어 기반으로 명시되고, 코드 작성과 동시에 검증 결과(위반 원인 및 수정 가이드)가 제공됨으로써 개발자는 문서 학습이 아니라 실제 코드 맥락 속에서 규칙을 자연스럽게 체득하게 된다.
: 이는 신규 개발자뿐 아니라 비개발자(기획/PM 등)의 협업 참여에도 교육적 도구로 기능하며, 조직 고유의 개발 문화와 규칙을 빠르게 학습하도록 돕는다.

; 협업 문화 개선 및 신뢰성 제고
: 코드 품질 관련 갈등과 반복적인 리뷰 코멘트를 감소시켜 팀 내 협업 비용을 낮추고, 긍정적인 협업 분위기 형성에 기여한다.
: 특히 AI가 생성한 코드가 명시된 컨벤션과 정책에 기반하므로, 팀원들이 결과물을 더 신뢰할 수 있는 ‘설명 가능한 협업(Explainable Collaboration)’ 문화를 정착시키는 효과가 있다.

; 환경 측면(지속가능성)
: 단순한 코드 최적화를 넘어, ‘컨텍스트 선별(Context Selection)’을 통해 AI에게 불필요한 정보(노이즈) 주입을 차단한다.
: 이는 LLM의 토큰 사용량과 연산 부하를 감소시켜, 결과적으로 서버 자원 효율과 에너지 효율을 개선하는 친환경적 효과로 이어질 수 있다.

; 윤리적 측면(Responsible AI)
: AI가 조직의 규칙과 권한을 무시한 채 코드를 생성할 경우 보안 사고, 규정 위반, 책임 소재 불명확 등의 문제가 발생할 수 있다.
: 본 과제는 역할 기반 접근 제어(RBAC)와 컨벤션 검증을 통해 AI의 행동 범위를 명확히 제한함으로써, 책임 있는 AI 활용(Responsible AI)을 기술적으로 구현한다.
: 즉, AI가 인간의 판단을 대체하는 것이 아니라 명시된 규칙 하에서 보조적으로 작동하도록 유도한다는 점에서 윤리적 의미가 있다.

; 오픈소스 생태계 활성화
: 본 프레임워크를 오픈소스로 공개함으로써 누구나 자유롭게 사용·확장·기여할 수 있다.
: 다양한 린터, LLM 프로바이더, AI 에이전트 연동 사례가 커뮤니티 주도로 축적될 수 있으며, 표준 기반의 협업 도구 생태계가 자연스럽게 성장하는 기반이 된다.
: 이는 특정 기업에 종속되지 않는 건강한 기술 생태계 형성에 기여한다.

===기술개발 일정 및 추진체계===
====개발 일정====
* '''9월''': MCP/스키마 설계, GitHub Actions 기본 프레임워크 구축, 파서/로더 착수
* '''10~11월''': 정적 규칙 검증 모듈 및 핵심 검증 엔진 구현
* '''11~12월''': PR 연동 고도화, 내부 통합 테스트/시나리오 검증, 안정화 및 베타 테스트

====구성원 및 추진체계====
; 추진체계
: 팀장과 팀원 협업 중심의 모듈 분담형 추진체계로 운영(설계–구현–통합–검증 단계별 책임 명확화).
: 주간 회의로 진행상황을 공유하고, 이슈/리스크를 조기 식별·조정하였다.

; 구성원/역할
: '''이*관''' — MCP 정책 파서/규칙 로더, 통합 테스트·시나리오 검증
: '''박*환''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''박*익''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''배*찬''' — 정적 규칙 검증 모듈, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증

==설계==
===설계사양===
====제품의 요구사항====
본 과제의 목적은 사용자가 자연어 한 줄만으로 팀의 컨벤션을 쉽게 정의할 수 있게 하고, 해당 컨벤션이 바이브 코딩 도구의 작업 과정에서 지속적으로 적용 및 검증되도록 하는 것이다.

사용자는 Agent(MCP 활용), Web dashboard, CLI command를 통해 다양한 방식으로 컨벤션을 정의할 수 있다. 컨벤션은 Git을 통해 소스코드와 함께 버전관리되며, GitHub 사용자는 별도의 추가 절차 없이 팀과 컨벤션을 공유할 수 있다.

바이브 코딩 도구는 MCP를 사용해 작업에 필요한 컨벤션만 선택적으로 가져와 컨텍스트를 최적화한다. 작업 완료 후에는 MCP를 통해 컨벤션 검증을 수행하며, 이 과정은 역할 기반 접근제어(RBAC)와 기존 linter 도구를 결합하여 체계적으로 수행된다. 이를 통해 LLM-as-a-judge 방식 대비 더 빠른 성능과 높은 정확성을 확보한다.

검증 결과는 MCP가 반환하며, 바이브 코딩 도구는 이를 기반으로 컨벤션 위반 사항을 인지하고 교정 작업을 수행하도록 유도한다.

==== 요구사항 목록 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! D/W !! 비고
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || D || 중(컨벤션 편집 및 공유)
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || W || 하(컨벤션 편집 및 공유)
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || D || 상(시스템 설치)
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || W || 하(시스템 설정)
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || D || 상(컨벤션 적용)
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || W || 하(감사 지표)
|}

==== 요구사항 평가 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! 평가 방법 !! 평가 기준
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || UI 내에서 컨벤션 편집 기능 접근 가능 여부, 편집/저장 동작을 테스트한다. || 편집기 접근 가능, 수정 내용이 정상 저장 및 반영됨
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || 자연어로 입력한 규칙(예: “줄 끝에 세미콜론 금지”)이 시스템에 인식되어 반영되는지 테스트한다. || 자연어 입력 → 규칙 형태로 변환 및 저장 성공
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || 특정 사용자가 작성한 컨벤션을 팀원 계정에서 접근 및 복제 가능 여부를 테스트한다. || 공유 링크 또는 협업 기능으로 팀원이 접근 가능, 팀 권한 관리 정상 작동
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || 여러 클라이언트에서 동시에 접근 후 동기화 상태를 확인한다. || 변경 사항 발생 시 자동 갱신 또는 수동 새로고침으로 최신 상태 유지됨
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || 예시 자연어 규칙 입력 후 코드에 적용 결과를 확인한다. || 시스템이 자연어 규칙을 인식하고 코드 분석/검증에 반영함
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || 파일 단위의 적용 범위 설정 후 결과를 확인한다. || 선택한 범위 내에서만 작업이 수행됨. 위반 시 경고 또는 수정 요청
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || 정적 분석 규칙을 활성화한 후 코드 검사를 실행한다. || 지정된 정적 규칙 위반 시 경고 또는 수정 제안 출력
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || Claude Code, Codex CLI 등 주요 툴과의 연동을 시험한다. || 간단한 설정(예: npm 커맨드 한 줄 입력)만으로 연동 및 기능 동작 확인
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || 설정 UI에서 임계값 입력 후 코드 분석을 수행한다. || 설정값에 따라 경고 또는 리포트가 정확히 출력됨
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || 매 작업마다 컨벤션 검토 호출 유무를 확인한다. || 컨벤션 검토가 모든 작업에서 이루어지는지 검증
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || 바이브 코딩 도구가 작업 계획에 따라 적절한 컨벤션을 요청하는지 확인한다. || 컨벤션 요청이 모두 성공하는지 확인
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || 코드 분석 또는 컨벤션 검사 후 결과 화면/리포트 표시를 확인한다. || 처리 결과(통과/경고/에러 등)가 명확하게 시각화되어 표시됨
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || 자동 생성된 코드에 대해 컨벤션 검사를 수행한다. || 생성된 코드가 설정된 컨벤션 기준을 충족하거나 위반 시 경고 발생
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || 코드 생성 후 바로 편집/수정 가능 여부를 확인한다. || 생성 코드에 대해 컨벤션 위반 사항을 바로 해결하도록 지시할 수 있는지 검증
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || 요청 수행 후 로그 파일/DB를 확인한다. || 모든 요청과 처리 결과가 시간/사용자 정보와 함께 기록됨
|}

====설계 사양====
; a) CLI Tool
: * '''Language''' — Go
: * '''CLI Framework''' — Cobra, survey/v2
: * '''Protocol''' — Model Context Protocol (go mcp sdk)

; b) Web Dashboard
: * '''Framework''' — Go net/http
: * '''Language''' — Go, JavaScript
: * '''UI/CSS''' — Tailwind CSS

; c) External Linter Integration
: * '''Linter''' — ESLint, Prettier, TSC, Pylint, Checkstyle, PMD, golangci-lint

==== 개념설계안 - 컨벤션 구조화 및 CLI 기반 호출 모델 ====

본 설계안은 사용자가 자연어로 정의한 코드 컨벤션을 구조화하고, 바이브 코딩 툴이 CLI를 통해 이를 불러와 검증 및 피드백하는 전체 흐름을 정의한 모델이다. 규칙 정의부터 평가와 피드백까지가 자동으로 순환되는 구조를 갖으며, 자동 피드백 루프를 통해 지속적인 품질 개선이 가능하다.

; 1. Rule Source (규칙 소스)
: 사용자가 텍스트 형태로 정의한 컨벤션 규칙이 저장되는 영역이다.
: 규칙이 수정·업데이트될 때마다 시스템은 최신 규칙 집합을 반영한다.

; 2. LLM Agent (자연어 규칙 해석기)
: LLM 에이전트는 규칙 텍스트를 파싱하고 의미를 분석하여 실행 가능한 코드 규칙 형태로 변환한다.
: 이 단계에서 규칙의 의미적 해석과 제약(Constraint) 추출이 수행된다.
: 결과적으로 평가 모듈이 이해할 수 있는 ‘명세화된 규칙 코드’를 생성한다.

; 3. Evaluation (검증 단계)
: 분석 대상 코드에 필요한 컨벤션 컨텍스트를 수집하고, LLM이 생성한 규칙 코드와 비교하여 평가한다.
: 코드 내 위반 여부를 판단하며, 위반 항목이 발견되면 라인 번호, 규칙명 등 세부 사유를 기록한다.
: 본 단계는 정적 분석과 의미 분석을 결합하여 수행된다.

; 4. Feedback (피드백 단계)
: 규칙 위반이 발견된 경우 위반 사유를 정리하고 수정 방법을 제시하며, 사용자는 수정 후 재검증을 요청할 수 있다.
: 위반이 없는 경우 작업 통과로 처리되어 다음 단계로 진행한다.

===이론적 계산 및 시뮬레이션===
; 1. LLM Validation Batching & Optimization (LLM 배치 최적화)
: '''목표''' — 다수의 의미적 규칙 검증을 배치로 묶어 처리하여 비용과 지연을 최소화한다.
: # 동일 파일 및 카테고리별로 작업을 그룹화하여 배치를 구성한다.
: # 각 배치마다 컨텍스트 압축을 수행한다(중복 규칙 설명 제거, 변경 라인 ±5줄만 추출).
: # Rate limit을 고려하여 병렬 실행으로 동시 처리한다.
: # 구조화된 JSON 응답을 파싱하여 개별 규칙 결과로 분해한다.

; 2. Dependency Engine (레이어드 아키텍처 보호)
: '''목표''' — 레이어 간 의존 방향 제약을 강제하여 아키텍처 경계를 보호한다.
: '''이론적 배경 및 계산'''
: # 모듈 의존 그래프 ''G=(V,E)''를 구축한다 (복잡도: O(|V|+|E|), ''V''=모듈, ''E''=의존 관계).
: # 각 모듈에 레이어 번호 ''ℓ(v)''를 할당한다.
: # 모든 간선 ''(u,v) ∈ E''에 대해 ''ℓ(u) ≥ ℓ(v)''인 경우를 위반으로 탐지한다(상위 레이어가 하위 레이어에 의존하는 경우).
: 레이어 할당은 파일 경로 글롭 패턴 매칭으로 수행한다(예: src/domain/ → L1, src/app/ → L2).
: 적용 예로는 클린 아키텍처의 domain ← app ← ui 방향 강제, 마이크로서비스 경계 보호, 보안 모듈 격리 등이 있다.

===상세설계 내용===

====1) 아키텍쳐 설계====
====패키지 구조 및 의존성====
[[File:아키텍쳐설계.png]]

==== 계층 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Layer !! Name !! Packages !! Responsibility
|-
| L0 || Bootstrap || cmd/sym || Entry point, provider registration via init()
|-
| L1 || Commands || internal/cmd || CLI command implementations (Cobra)
|-
| L2 || Gateways || internal/mcp, internal/server || External interfaces (MCP stdio, HTTP REST)
|-
| L3 || Core || converter, validator, importer, policy, roles || Business logic
|-
| L4 || Adapters || internal/linter/*, internal/llm/* || External tool integration
|}

==== 횡단 관심사 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Type !! Packages !! Purpose
|-
| Infrastructure || internal/util/git, util/config, util/env || Helper functions, no business logic
|-
| Contracts || pkg/schema || Shared data types (DTOs), no behavior
|}

====아키텍쳐 다이어그램====
[[File:아키텍쳐다이어그램.png]]

====LLM Provider 아키텍처 다이어그램====
[[File:LLM아키텍쳐다이어그램.png]]

====2) 상세 설계====
a) 클래스 다이어그램

[[File:클래스다이어그램.png]]

b) 시퀀스 다이어그램

- Validate 시퀀스 다이어그램 -

[[File:시퀀스다이어그램.png]]

- Registry Pattern 시퀀스 다이어그램 -

[[File:Registry_Pattern_시퀀스_다이어그램.png]]

c) 유즈케이스 다이어그램

[[File:유즈케이스다이어그램2.png]]

====3) 인터페이스 설계====
a) 사용자 역할별 인터페이스 개요

{| class="wikitable" style="width:100%;"
! 사용자 역할 !! 주 사용 인터페이스 !! 주요 목적
|-
| 정책 설정자 (팀 리더, 시니어 개발자) || CLI Command, Vibe Coding Tool(MCP 연동), Web Dashboard ||
1. 코드 정책(user-policy.json)의 생성·수정·관리<br/>
2. 역할 기반 접근 제어(RBAC) 정의
|-
| 정책 소비자 (모든 개발자) || Vibe Coding Tool(MCP 연동) ||
AI에게 코드 관련 작업을 요청하고, MCP 정책이 적용된 결과를 텍스트로 확인
|}

b) CLI Command 인터페이스

{| class="wikitable" style="width:100%;"
! 명령어 !! 서브커맨드 !! 설명 !! 주요 플래그
|-
| sym init || - || 프로젝트 초기화 || --force, --skip-mcp, --skip-llm
|-
| sym dashboard || - || 웹 대시보드 실행 || --port (기본: 8787)
|-
| sym my-role || - || 현재 역할 확인/변경 || --json, --select
|-
| sym policy || path || 정책 파일 경로 확인/설정 || --set
|-
| sym policy || validate || 정책 파일 유효성 검사 || -
|-
| sym convert || - || 컨벤션 변환 || --input, --output-dir
|-
| sym validate || - || Git 변경사항 컨벤션 검증 || --policy, --staged, --timeout
|-
| sym import || - || 외부 문서에서 컨벤션 추출 || --mode (append/clear)
|-
| sym category || list || 카테고리 목록 조회 || -
|-
| sym category || add || 카테고리 추가 || --file
|-
| sym category || edit || 카테고리 편집 || --name, --description, --file
|-
| sym category || remove || 카테고리 삭제 || --file
|-
| sym convention || list || 컨벤션 목록 조회 || --category, --language
|-
| sym convention || add || 컨벤션 추가 || --category, --languages, --severity, --file
|-
| sym convention || edit || 컨벤션 편집 || --new-id, --say, --severity, --file
|-
| sym convention || remove || 컨벤션 삭제 || --file
|-
| sym mcp || - || MCP 서버 시작 (stdio) || --config
|-
| sym llm || status || LLM 프로바이더 상태 확인 || -
|-
| sym llm || test || LLM 연결 테스트 || -
|-
| sym llm || setup || LLM 설정 안내 표시 || -
|-
| sym version || - || 버전 출력 || -
|-
| sym completion || - || 쉘 자동완성 스크립트 생성 || (bash/zsh/fish/powershell)
|}

c) MCP Tool 인터페이스

{| class="wikitable" style="width:100%;"
! 도구명 !! 설명 !! 입력 파라미터 !! 비고
|-
| list_convention || 프로젝트 컨벤션 조회 || category?, languages?[] || 필터링 지원
|-
| validate_code || Git 변경사항 검증 || role? || RBAC 역할 선택
|-
| list_category || 카테고리 목록 조회 || (없음) || 전체 조회
|-
| add_category || 카테고리 추가 || categories[] (name, description) || 배치 지원
|-
| edit_category || 카테고리 편집 || edits[] (name, new_name?, description?) || 배치 지원
|-
| remove_category || 카테고리 삭제 || names[] || 배치 지원
|-
| add_convention || 컨벤션 추가 || conventions[] (id, say, category?, ...) || 배치 지원
|-
| edit_convention || 컨벤션 편집 || edits[] (id, new_id?, say?, ...) || 배치 지원
|-
| remove_convention || 컨벤션 삭제 || ids[] || 배치 지원
|-
| import_convention || 외부 문서에서 컨벤션 추출 || path, mode? || LLM 사용
|-
| convert || 컨벤션 변환 실행 || input_path?, output_dir? || 린터 설정 생성
|}

d) Web Dashboard 인터페이스

- user-policy.json 파일을 편집하는 단일 페이지 웹 애플리케이션. 전역 설정과 규칙 관리의 두 영역으로 구성된다.

e) MCP 연동 채팅 인터페이스 상세 설계 (IDE CUI)

- 각 MCP 도구들은 별도의 GUI를 가지지 않으며, 모든 결과는 텍스트 응답의 일부로 출력된다. 사용자는 AI 코딩 도구의 설정에서 "MCP 기능 사용"을 활성화하여, 본 시스템이 제공하는 MCP 도구들을 도구 목록에 추가한다.

f) 인터페이스 연동 및 데이터 흐름도

[[File:인터페이스흐름도.png]]

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

- 메인 UI 화면 (dashboard)

[[File:대시보드메인화면.png]]

- CLI Help 출력

[[File:CLIhelp.png]]

- Claude Code MCP 통합 화면

[[File:ClaudeCodeMCP통합.png]]

====설치 (Configuration)====
a) npm설치

[[File:npm설치.png]]

b) sym init

[[File:syminit.png]]

c) MCP 활성화(Cursor)

[[File:mcp활성화cursor.png]]

====살행 (Run)====
a) CLI 내 sym init 명령어 입력: 프로젝트 내 Symphony 도구 초기화

[[File:symphony도구초기화.png]]

b) CLI 내 sym dashboard 명령어 입력: 웹 대시보드 열기

[[File:대시보드열기.png]]

c) 웹 대시보드 - 초기 화면

[[File:대시보드메인화면.png]]

d) 웹 대시보드 - 전역 설정

[[File:대시보드전역설정.png]]

e) 웹 대시보드 - 템플릿 선택

[[File:대시보드템플릿.png]]

f) 웹 대시보드 - 컨벤션 가져오기

[[File:대시보드컨벤션.png]]

g) 코드 에디터 내 코드 작성 요청

[[File:대시보드코드에디터.png]]

===관련사업비 내역서===

==== 활동비 지출 내역 ====

{| class="wikitable" style="width:100%;"
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액 !! 비고
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 319,332원 (10월 결제)
|-
| ChatGPT (Plus) || 1 || US$220.00 || US$220.00 || 32,310원 (10월 결제)
|-
| Claude Code (Max) || 1 || US$22.00 || US$22.00 || 327,258원 (11월 결제)
|-
! colspan="4" | 합계
| 678,900원
|}

===완료작품의 평가===

본 평가는 MCP를 통한 컨벤션 질의·검증 기반 코드 생성 방식과, MCP 미사용 방식(agent.md에 규칙만 주입) 간의 성능 차이를 정량·정성적으로 비교하기 위해 수행되었다.

; 비교 대상
: * '''Baseline''' — MCP 미사용 (agent.md 기반 정적 규칙 주입)
: * '''Experimental''' — MCP 사용 (list_convention / validate_code 등)

; 주요 평가 관점
: # MCP 도구 활용도
: # Keyword(필수 구현 요소) 충족률
: # Retry 이후 성공 여부(자기 수정 능력)
: # 전체 Task 성공률 개선 효과

; 평가 데이터
: 난이도 높은 코드 컨벤션 15개를 대상으로 하며, 각 컨벤션별로 반드시 포함되어야 하는 키워드(필수 구현 요소)와 포함되면 안 되는 키워드(금지 요소)를 함께 정의하여 평가에 사용하였다.

{| class="wikitable" style="width:100%;"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. MCP 사용률 || MCP tool 호출 로그 분석 || list_convention 등 필수 MCP 사용 || >90% || 20 || 96.7% (달성)
|-
| 2. Keyword 충족률 || 필수 코드 요소 매칭 || 정책 키워드 누락 없음 || >80% || 25 || 88.9% (달성)
|-
| 3. LLM Validation || Symphony 검증 통과율 || 내부 검증을 통과하는지 여부 || >75% || 20 || 96.0% (달성)
|-
| 4. Retry 개선 효과 || Retry 전/후 violation 비교 || Retry 후 통과 여부 || 80% || 20 || 85.7% (달성)
|-
| 5. 종합 성능 향상 || Baseline 대비 Pass Rate || 추출된 목표 키워드 비율 || +30%p 이상 || 15 || +46.7%p (달성)
|}

===향후계획===

==== a) 어려웠던 내용들 ====

; 규칙 위치 혼동
: MCP를 사용하지 않거나 일부만 사용할 경우, 필요한 규칙을 제대로 참조하지 못해 LLM이 규칙의 출처/적용 대상을 혼동하는 문제가 발생하였다.

; 실패 원인 파악의 어려움
: 최초 실패 시점에서 왜 실패했는지 원인이 명확히 드러나지 않아, 재시도 이후에도 동일한 실수가 반복되는 사례가 있었다.

; 작업 복잡도 증가에 따른 규칙 누락
: 작업 단계가 많아질수록 규칙 누락 가능성이 증가했으며, 다단계 작업에서는 일부 필수 요소가 빠지는 사례가 발생하였다.

; LLM 자체 한계(오해/추론 오류)
: 규칙을 조회했음에도 불구하고 코드에 정확히 반영되지 않는 경우가 존재했으며, 이는 모델의 해석 오류 또는 추론 오류로 인해 발생하였다.

; 복수 평가 기준 동시 최적화의 난이도
: MCP 사용률, 키워드 충족, 재시도 성공률 등 다양한 지표가 동시에 존재하여, 모든 지표를 동시에 개선하는 것이 어렵게 작용하였다.

; MCP 효과 설명의 난이도
: 결과물이 코드 형태로 나타나기 때문에, MCP가 왜 도움이 되었는지(어떤 과정이 개선되었는지)를 직관적으로 설명하는 데 한계가 있었다.

==== b) 차후 구현할 내용 ====

; 컨벤션 규칙 추천 기능
: 자주 사용되는 컨벤션 규칙을 사용자에게 추천하여, 중요한 규칙을 놓치지 않도록 사전 확인 단계(추천/체크리스트)를 추가한다.

; 반복 실패에 대한 대안 제시(상호작용 개선)
: 단순 재시도에 의존하지 않고, 반복적인 실패 유형을 감지하여 사용자에게 차선(대체 구현, 단계 분해, 제약 완화안 등)을 제시하는 상호작용 기능을 제공한다.

; 결과 요약 보고서 기능
: Pass/Fail, 위반 요약, 재시도 개선 여부 등을 한눈에 확인할 수 있도록 요약 리포트(대시보드/CLI 출력)를 추가한다.

; Self-Baking 고도화
: Agent의 검증 결과 및 피드백 컨텍스트를 기반으로 Convention Context를 스스로 개선(자가 보강/정제)하도록 기능을 고도화한다.

1분반-심포니

2025-12-21T05:23:22Z

Com238: /* 2) 상세 설계 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' AI 코딩 도구를 위한 MCP 기반의 협업 스키마 개발 및 적용 프레임워크 구축

''' 영문 : ''' Framework for Developing and Applying MCP-based Collaborative Schema for AI Coding Tools

===과제 팀명===
Symphony 팀

===지도교수===
이경재 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 20209200** 박*환

서울시립대학교 컴퓨터과학부 20209200** 박*익

서울시립대학교 컴퓨터과학부 20209200** 배*찬

서울시립대학교 컴퓨터과학부 20209200** 이*관

==서론==
===개발 과제의 개요===
==== 개발 과제 요약 ====

; 과제명
: AI 코딩 도구를 위한 MCP 스키마 개발 및 적용 프레임워크 구축

; 핵심 개념
: 기존의 정적이고 단편적인 코드 스타일 컨벤션을 넘어, 사용자 역할(RBAC)과 파일 보안 등급이라는 두 축을 포함하는 '''동적 컨벤션(Dynamic Convention)'''을 정의한다.
: 이는 컨텍스트 엔지니어링 2.0 연구 흐름에 기반하여, 인간의 불명확한 의도(고엔트로피)를 AI가 실행 가능한 형태(저엔트로피)로 변환하는 체계적인 '''엔트로피 감소(Entropy Reduction)''' 접근을 구현하는 것이다.
: 정의된 동적 컨벤션은 이기종 시스템 간 컨텍스트 공유의 표준인 '''MCP(Model Context Protocol)''' 형태로 제공되어, 모든 LLM 코딩 툴이 동일한 규칙을 이해하고 적용할 수 있도록 한다.
: 또한 컨벤션 준수 여부에 대한 검수(검증) 과정까지 자동화하여 코드 품질을 지속적으로 유지한다.

; 개발 목표
: MCP 표준을 통해 개발자 및 비개발자가 자연어 기반의 직관적인 인터페이스로 안전하게 코드 수정에 참여하도록 지원한다.
: 동시에 모든 LLM 코딩 도구가 조직 고유의 협업 규칙과 보안 정책을 준수하는 코드를 생성하도록 유도한다.
: 단순한 자동화를 넘어, AI 에이전트가 조직의 맥락을 이해하고 협업하는 '''컨텍스트 협력(Context-Cooperative)''' 시스템을 지향한다.
: 이를 통해 반복적인 검토 및 통합 과정을 자동화하여 생산성을 극대화하고, 직군 간 사일로를 완화하여 차세대 지능형 개발 협업 생태계를 구축하는 것을 목표로 한다.

; 기대 효과
: GitHub Copilot, Claude Code 등 기존 LLM 코딩 도구를 사용하는 개발 팀이 MCP를 손쉽게 도입하여, 바이브 코딩 환경에서 핵심 이슈인 코드 품질 문제를 완화하고 제품의 시장 출시 기간을 단축할 수 있다.
: 특히 AI 에이전트 시대(Era 2.0)에 중요한 '''컨텍스트 격리(Context Isolation)'''와 '''최소 충분 원칙(Minimal Sufficiency Principle)'''을 적용함으로써, AI 도입의 주요 장벽인 보안 우려와 할루시네이션 문제를 기술적으로 완화한다.

==== 개발 과제의 배경 및 효과 ====

===== 배경 =====

; 만성적인 협업 비효율성과 높은 상호작용 비용
: 현대 제품 개발은 여러 직군(기획/디자인/개발/보안 등)의 협업이 필수적이지만, 현실에서는 간단한 요청조차도 복잡하고 긴 파이프라인(Jira → Slack → 개발 → 배포)을 거치며 지연이 누적된다.
: 또한 인간과 시스템(또는 AI 도구) 간 ‘인지적 격차(Cognitive Gap)’로 인해 커뮤니케이션 오류가 발생하고, 결과적으로 높은 인간-AI 상호작용 비용이 조직의 민첩성을 저해한다.
: 이러한 시간 지연과 커뮤니케이션 손실은 단순 비효율을 넘어 시장 대응 속도를 떨어뜨려 경쟁력 약화로 이어진다.

; 지능화된 도구의 한계: 맥락 부재와 컨텍스트 오염
: GitHub Copilot과 같은 LLM 코딩 도구는 개발 생산성을 높였으나, ‘조직 고유의 맥락(보안 정책, 협업 규칙, 권한 체계 등)’을 기본적으로 내재하지 못한다.
: 범용 데이터로 학습된 모델은 조직의 외부 맥락이 결여되어 있어, 위험한 코드를 생성하거나 규칙을 위반하는 형태의 컨텍스트 오염/할루시네이션을 유발할 수 있다.
: 예를 들어 “결제 코드는 시니어만 수정 가능”과 같은 규칙은 LLM이 자체적으로 알 수 없으므로, 비개발자의 직접 기여는 예측 불가능한 사이드 이펙트 위험 때문에 제한되는 문제가 발생한다.

===== 도입 효과 =====

; 개발자 경험의 질적 향상: 사후 대응에서 사전 설계로
: 개발자는 LLM이 생성한 저품질 코드에 대한 반복 수정(사후 대응)에 시간을 소모하지 않게 된다.
: 시스템이 사전에 정의된 컨텍스트(컨벤션/정책) 내에서 작동하므로, 개발의 첫 단계부터 품질을 관리하는 Self-Baking(자가 지식화) 프로세스가 가능해진다.
: 그 결과 개발자는 아키텍처 설계 등 고부가가치 핵심 업무에 집중할 수 있어 직무 만족도와 생산성이 함께 향상된다.

; 개발 속도의 혁신적 극대화
: 비개발자가 안전이 보장된 범위 내에서 직접 코드 수정에 참여함으로써, 단순 요청 처리 시간을 ‘수일’에서 ‘수분’ 단위로 압축할 수 있다.
: 이는 에이전트 중심(Agent-Centric) 협업 모델에 가까운 형태로, 인간의 의도가 빠르게 제품에 반영되는 초고속 애자일 스프린트를 가능하게 한다.

; 견고한 코드 품질 및 내장형 보안: 컨텍스트 격리 적용
: AI는 MCP에 명시된 동적 컨벤션(코드 스타일, 보안 등급, 접근 제어)을 통해서만 코드를 생성·수정하도록 제한된다.
: 이는 기능적 컨텍스트 격리(Functional Context Isolation) 관점에서, AI가 접근해서는 안 되는 정보/권한을 원천적으로 차단하고, 인적 실수 및 보안 취약점을 예방한다.
: 결과적으로 모든 코드 기여가 조직 표준을 준수하도록 강제되어 품질과 보안이 구조적으로 강화된다.

; 쉬운 도입 및 표준화 선점
: 최소한의 설정만으로 기존 개발 환경에 통합되어 즉시 사용할 수 있다.
: 또한 파편화된 AI 도구들을 MCP라는 표준 프로토콜로 연결하는 Cross-System Context Sharing 전략을 통해, 향후 증가하는 다양한 AI 에이전트들을 단일 거버넌스 하에서 통합 관리할 수 있는 기반을 제공한다.
: 이는 단순 도구 도입을 넘어, 미래형 AI 협업 인프라를 선제적으로 구축하는 효과를 가진다.

==== 개발 과제의 목표 및 내용 ====

; 최종 목표
: 모든 LLM 코딩 도구에 플러그인 형태로 쉽게 통합 가능한 '''동적 컨벤션 MCP'''의 공개 표준을 정의하고, 이를 실제 개발 환경에서 '''적용·검증'''할 수 있는 프레임워크를 개발한다.

; 개발 내용
: 본 과제의 개발 내용은 크게 (1) 동적 컨벤션을 제공하는 MCP 서버, (2) 이를 CI/CD에 즉시 적용 가능한 경량 도구(GitHub Actions 중심)로 구성된다.

===== (결과물 1) MCP 컨벤션 서버 =====

; 범용 컨벤션 양식(스키마) 정의
: 모든 LLM 및 개발 도구가 동적 컨벤션을 일관되게 이해하고 활용할 수 있도록 '''범용 컨벤션 양식'''(표준 스키마)을 정의하였다.
: * '''형식''' — 범용성과 가독성을 고려하여 JSON 기반의 표준화된 스키마를 설계한다.
: * '''저장 위치''' — 프로젝트 루트 디렉토리에 ''.mcp.json'' 형태로 위치하거나, 필요 시 제공 서버에 저장·관리할 수 있다.

; 컨벤션 상세 내용
* '''정적 규칙(static rules)'''
** ESLint, Prettier 등 기존 린터/포맷터 설정 파일(''.eslintrc.json'', ''.prettierrc'' 등)의 경로를 지정하거나, 핵심 규칙(들여쓰기, 따옴표 종류 등)을 직접 내장하여 일관성을 강제한다.
** 네이밍 컨벤션(component-pascal-case, function-camel-case), 주석 스타일(JSDoc 강제) 등 정적 분석으로 검증 가능한 규칙을 폭넓게 포함한다.
* '''동적 규칙(dynamic rules)'''
** '''파일 보안 등급(Security Level)''' — Glob 패턴으로 파일/디렉토리 경로별 보안 등급(PUBLIC, INTERNAL, SECRET)을 정의한다.
*** 예: "src/assets/*": "PUBLIC", "src/components/*.css": "PUBLIC", "src/hooks/*.js": "INTERNAL", "src/core/payment/**/*.js": "SECRET"
** '''역할 기반 접근 제어(RBAC)''' — 마케터, 기획자, 주니어/시니어 개발자 등 조직의 역할을 정의하고, 각 역할이 보안 등급별로 갖는 권한(read, propose, edit)을 '''명시적 매트릭스'''로 정의한다.
*** 이 매트릭스는 “누가 어떤 유형의 파일에 대해 제안만 가능한지 / 직접 수정 가능한지”를 규정하는 핵심 정책으로서, 협업 과정의 안전성과 책임 소재를 명확히 한다.

===== (결과물 2) CI/CD 통합 경량 도구 (GitHub Actions) =====

; 목표
: 동적 컨벤션 검증을 실제 개발 현장에서 즉시 활용할 수 있도록, 기존 CI/CD 파이프라인에 '''경량화된 형태로 완전 통합'''하여 제공한다.

; 방식: Plug-and-Play
: 별도의 서버 구축이나 복잡한 설정 없이, GitHub 저장소의 ''.github/workflows'' 내 워크플로우 파일에 '''몇 줄의 YAML'''을 추가하는 것만으로 즉시 적용 가능하도록 설계하였다.

; 핵심 작동 워크플로우
# '''트리거''' — 개발자 또는 비개발자가 Pull Request(PR)를 생성/업데이트할 때 자동 실행된다.
# '''컨벤션 로딩''' — Action 실행 시 ''.mcp.json''을 탐색하여 동적 컨벤션 규칙을 메모리에 로드한다.
# '''변경사항 분석''' — ''git diff''를 통해 PR에서 변경된 파일 목록과 변경 내용을 분석한다.
# '''권한 검증''' — PR 작성자의 GitHub 팀 역할을 기준으로, MCP의 RBAC 규칙과 변경된 파일의 보안 등급(Security Level)을 대조하여 수정 권한을 확인한다.
# '''정적 규칙 검증''' — MCP의 static_rules에 따라 린팅/포매팅 검사를 수행한다.
# '''실시간 피드백 제공'''
#* '''성공 시''' — “MCP Convention Check Passed”와 같은 명확한 상태 메시지를 남기고, PR 병합이 가능하도록 체크를 통과시킨다.
#* '''실패 시''' — PR 병합을 자동으로 차단하고, 실패 원인을 설명하는 코멘트를 PR에 직접 남긴다.
#** 예: 권한이 없는 파일 수정 시 “@작성자, '마케터' 역할은 INTERNAL 등급의 파일을 수정할 수 없습니다. 개발팀 검토를 요청해주세요.”와 같이 실행 가능한 피드백을 제공한다.

[[파일:개발과제1.png]]

===관련 기술의 현황===
==== 관련 기술의 현황 및 분석 (State of the Art) ====

; MCP 동향
* Microsoft는 Build 2025에서 MCP에 대한 1st-party 지원을 GitHub, Copilot Studio, Azure AI Foundry, Windows 11 등으로 확장한다고 밝혔다.
* MCP는 메시지 포맷으로 JSON-RPC 2.0을 채택하며, 전송 계층(transport)은 이를 다양한 환경(로컬/HTTP 등)에 매핑한다.
* MCP는 LLM/에이전트와 외부 시스템(도구·리소스·프롬프트)을 연결하는 표준 인터페이스로서, 이식성이 높고 개발 도구에 쉽게 적용 가능하다.

; 협업 트렌드
* 협업 과정은 티켓 → 리뷰 → 배포 등 작은 수정도 복잡한 파이프라인으로 비효율적으로 동작하는 경우가 많다.
* Notion, Slack 같은 통합 협업 도구는 확산 중이나, 실제 코드 변경·정책 준수·검증은 여전히 개발자(사람)에게 부담이 집중된다.
* 글로벌 환경에서 비동기 협업(PR 리뷰, 자동 코멘트 등)이 늘고 있지만, 규칙 검증은 사람의 반복 부담이 존재한다.

; AI 코딩 보조 기술
* 최근 2~3년간 AI 코드 어시스턴트(자동완성, 코드 생성, 리뷰 등) 채택이 빠르게 증가했으며, 엔터프라이즈 관점에서의 도입·운영 가이드(조직/개발자 관점)가 보고서 형태로 축적되고 있다.
* 개발자들은 “거의 맞지만 완전히 맞지 않은(almost right, but not quite)” 결과로 인해 디버깅 부담이 늘어 신뢰도가 하락할 수 있음을 지적한다.
* AI 코딩 도구가 SDLC에 통합될수록, “누가 어떤 파일을 어떻게 수정할 수 있는지(권한), 보안 등급, 내부 규정 준수, 변경 이력”을 기술적으로 보장하는 메커니즘의 필요성이 커지고 있다.

; 과제 연결점
* 본 과제는 MCP 인터페이스를 지원함으로써, 여러 LLM/에이전트가 도구를 직접 인식·호출할 수 있게 하여 도입 진입장벽을 낮춘다.
* 컨벤션을 지속적으로 적용·검증하는 구조를 제공하여, 비개발자도 안전 범위 내에서 참여 가능한 협업 모델을 제시하고, 협업 효율과 품질을 동시에 개선한다.

===== 특허 조사 및 특허 전략 분석 =====

; c) 특허 조사
* '''특허 1: 소스코드 해설을 포함한 질의응답 서비스 제공 장치 및 방법'''
** 공개번호: 10-2023-0045150
** 출원인: 주식회사 랭코드
** 주요 내용: 사용자가 소스코드를 포함한 질문을 입력하면, 서버가 코드 의미를 분석하여 자연어 해설을 생성·제공하는 챗봇 기술(코드 이해/설명 중심).
* '''특허 2: 프로그램 소스코드의 AI학습을 통한 프로그램 자동 코딩 가이드 시스템'''
** 공개번호: 10-2024-0130648
** 출원인: 주식회사 가치플레이
** 주요 내용: 검증된 소스코드를 DB에 축적하고, 요구사항에 맞춰 AI가 적합 코드를 가져오거나 생성하여 프로그램 완성을 지원(재사용/자동 생성 중심).
* '''특허 3: 코드 리뷰 서비스 제공 방법 및 장치'''
** 공개번호: 10-2025-0109946
** 출원인: 숭실대학교산학협력단
** 주요 내용: GitHub 등 외부 저장소와 연동해 코드 라인별 리뷰를 작성·관리하는 플랫폼, AI로 리뷰 태그 생성 등 커뮤니티 기반 검토 효율화.

; 라) 특허 전략
* '''차별점 1: 선제적 거버넌스(Preemptive Governance) vs 사후 대응/보조'''
** 기존 기술이 코드 해설·생성·리뷰 등 사후적/보조적 기능에 머무는 반면, 본 과제는 코드 생성·수정 시점에 규칙을 강제하여 위반을 사전에 차단하는 거버넌스를 제공한다.
* '''차별점 2: 동적/상황인지 규칙 vs 정적/일반 규칙'''
** 스타일·문법 중심의 정적 규칙을 넘어, RBAC(역할 기반 접근 제어)에 따라 규칙이 달라지는 컨벤션을 도입하여 조직 정책과 협업 맥락을 반영한다.
* '''차별점 3: 범용 표준 프레임워크 vs 독자적 플랫폼 종속'''
** 특정 플랫폼 종속이 아니라, 공개 표준(MCP) 기반으로 다양한 LLM 코딩 도구에 플러그인 형태로 연동 가능하도록 설계하여 호환성과 확장성을 확보한다.

===== 기술 로드맵 =====

; 단기 (2025~2026) – 표준 정립 및 초기 구현
* 스키마 정의: JSON 기반 동적 컨벤션 스키마 설계
* MCP 서버 제공: 컨벤션 관리 및 검증 도구 제공
* 제한적 Linter 통합, RBAC 접근 제어 구현, LLM validation 구현

; 중기 (2026~2027) – 생태계 확장
* IDE/개발도구 통합: VS Code, JetBrains, Cursor, GitHub Copilot 플러그인 제공
* 더 많은 Linter 도구 통합
* 더 많은 LLM Provider 통합
* ML 기반 분석: 반복 위반 패턴 학습 후 지표화, LLM Provider 성능지표 추출

; 장기 (2027~2028) – 지능형 협업 플랫폼
* 성능지표 기반 LLM Provider 동적 선택
* AI 보조 협업: 자동 코드 리뷰 코멘트 제공
* 산업별 템플릿: 금융, 의료, 공공 등 규제 준수형 규칙 세트 배포
* 확장 거버넌스: LDAP/SAML 연동, 멀티팀 환경 RBAC 강화

====시장상황에 대한 분석====

==== a) 경쟁제품 조사 비교 ====

; Sourcegraph Cody
: '''개요''' — Sourcegraph의 코드 그래프(인덱싱/검색) 기반 AI 코딩 어시스턴트로, 대규모·복잡한 코드베이스에 적합하다. 저장소 전체 맥락을 참조하여 코드 작성(write), 수정(fix), 리팩터(refactor) 등 개발 작업에 대한 제안을 제공한다.
: '''한계''' — 조직 단위의 코드 표준, 보안 정책, 권한 정책을 “정책으로 정의하고 자동 집행(enforcement)하는 기능”은 상대적으로 약하며, 규칙 위반을 PR 단계에서 차단하는 형태의 거버넌스까지 직접 제공하지는 않는다.

; Codespell
: '''개요''' — 코드 생성 시점에 규칙 기반 엔진으로 컨벤션을 주입하여 팀 산출물의 일관성과 품질을 높이는 도구다. 사후 검증 중심의 기존 린터와 달리, 생성 단계에서 규칙을 반영하도록 유도하는 방식에 강점이 있다.
: '''한계''' — RBAC(역할 기반 접근제어)를 지원하지 않아 역할/직군별로 “허용 가능한 변경 범위”를 세밀하게 통제하기 어렵다. 또한 적용 가능한 컨벤션 범위가 주로 스타일·구조적 규칙에 집중되어 있으며, 보안·권한과 같은 정책은 별도 도구 또는 추가 체계에 의존하는 경향이 있다.

====b) SWOT 분석 ====

; Strengths (강점)
: * '''표준화된 MCP 패키지 기반 호환성''' — Copilot, Claude Code 등 주요 LLM 코딩 툴에서 동일한 규칙/컨텍스트를 재사용할 수 있어, 도구별 파편화로 인한 운영 부담을 줄이고 적용 범위를 빠르게 확장할 수 있다.
: * '''RBAC 기반 거버넌스''' — 단순 텍스트 규칙을 넘어 사용자 역할과 보안 레벨에 따라 허용 가능한 행동을 제어함으로써, 안전한 협업과 규정 준수를 구조적으로 지원한다.
: * '''비개발자 참여 가능성''' — 자연어 기반 정책 정의를 통해 기획/PM/보안 등 비개발 직군도 정책 수립 과정에 참여할 수 있어, 조직 전체의 협업 효율과 의사소통 정합성을 높일 수 있다.
: * '''오픈소스 생태계 확장성''' — 언어/프레임워크별 Context Preset을 커뮤니티가 기여·검증·확장하는 구조를 통해, 규칙 세트의 다양성과 적용성을 빠르게 강화할 수 있다.

; Weaknesses (약점)
: * '''초기 도메인 데이터/프리셋 부족''' — 금융·의료 등 규제 산업의 도메인 특화 컨벤션은 초기에는 축적된 프리셋과 검증 사례가 부족하여 추천 및 적용 품질이 제한될 수 있다.
: * '''차별성 설득 필요''' — 기존 Static Lint/Formatter 대비 “정책(권한·보안)까지 포함한 통합 거버넌스”와 “생성 단계 컨텍스트 제어”의 차별점을 사용자에게 명확히 설명해야 한다.
: * '''효과 지표화의 난이도''' — 도구 효과를 정량적으로 입증하기 위해서는 PR 재작업 감소, 위반 탐지·차단율, 리뷰 시간 절감 등 설득력 있는 KPI 설계가 필요하나, 초기에는 측정 체계가 미성숙할 수 있다.

; Opportunities (기회)
: * '''AI 코딩 툴 시장의 급성장''' — 대규모 사용자 기반이 형성된 AI 코딩 툴 생태계에서 ‘컨벤션/정책 관리’가 필수 레이어로 부상할 가능성이 있으며, 표준 포지션을 선점할 기회가 있다.
: * '''교육·온보딩 시장 확장''' — 신규 입사자/학생 대상의 코딩 표준 및 조직 규칙 학습을 자동화하여, 온보딩 비용을 낮추는 교육용 도구로 확장 가능하다.
: * '''Context Engineering 2.0 수요 증가''' — 프롬프트 작성 중심에서 “참조해야 할 컨텍스트를 구조적으로 정의·최적화”하는 흐름이 강화되면서, 본 프레임워크의 필요성과 가치가 더욱 부각될 수 있다.

; Threats (위협)
: * '''빅테크/IDE 벤더의 내재화 위험''' — Microsoft, JetBrains 등 주요 플랫폼 사업자가 IDE/플랫폼 기능으로 팀 컨벤션 동기화 및 정책 관리 기능을 흡수할 가능성이 있다.
: * '''경량 오픈소스 대체재 확산''' — 단순 설정 파일 공유나 간단한 룰 엔진 기반의 무료 오픈소스가 ‘최소 기능’ 니즈를 충족하며 대체재로 작동할 수 있다.
: * '''엔터프라이즈 보안·컴플라이언스 장벽''' — 금융권/대기업 도입 시 오픈소스 라이선스, 내부 코드/데이터 유출 우려, 외부 LLM 사용 제한 등으로 도입이 지연될 수 있다.
: * '''모델 성능 발전에 따른 가치 희석 가능성''' — 컨텍스트 윈도우 확대 및 추론 능력 향상으로 “별도의 컨텍스트 최적화 없이도” 의도를 잘 파악하는 환경이 조기에 도래할 경우, 최적화 계층의 체감 가치가 낮아질 가능성이 있다.

===개발과제의 기대효과===
====기술적 기대효과 ====

; 개발 효율성 증대
: 본 프레임워크는 컨벤션을 자연어로 정의하고 이를 자동으로 적용·검증함으로써, 개발 과정에서 반복적으로 발생하던 검토, 수정, 재작업 비용을 크게 감소시킨다.
: 개발자는 코드 작성 이후 린트 에러나 조직 규칙 위반을 사후적으로 수정하지 않아도 되며, AI 코딩 도구가 사전에 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 특히 기존 린터와의 통합을 통해 정적 규칙에 대한 검증은 빠르고 결정적으로 처리되고, LLM은 의미적 판단이 필요한 영역에만 제한적으로 사용됨으로써 실시간 개발 환경에서도 충분한 성능을 확보할 수 있다.
: 그 결과 개발자는 반복적인 품질 관리 작업에서 벗어나 아키텍처 설계, 핵심 로직 구현 등 고부가가치 업무에 집중할 수 있으며, 전체 개발 사이클의 속도와 안정성이 동시에 향상된다.

; 표준화 촉진
: MCP 기반으로 이기종 시스템 간 컨텍스트 공유를 통한 일관성 확보가 가능하다.
: 프로젝트 내 일관된 코드 스타일 유지는 물론, MCP를 통해 VS Code, GitHub Copilot, Claude 등 서로 다른 시스템 간에도 동일한 컨텍스트와 규칙을 공유할 수 있는 표준 프로토콜을 구축한다.
: 이는 도구의 파편화로 인한 문맥 단절을 막고, 유지보수 시 오류 발생률을 구조적으로 감소시킨다.

; AI 활용도 향상
: 본 과제는 LLM을 단순한 코드 생성 도구가 아닌, 조직의 맥락을 이해하고 준수하는 협업 에이전트로 활용할 수 있도록 한다.
: AI 코딩 도구는 작업에 필요한 컨벤션만을 선택적으로 컨텍스트로 전달받아 코드를 생성하므로, 불필요한 정보로 인한 혼란과 할루시네이션이 구조적으로 감소한다.
: 이는 ‘최소 충분 원칙(Minimal Sufficiency Principle)’을 실제 개발 환경에 적용한 사례로, AI가 항상 명확하고 충분한 정보만을 바탕으로 판단하도록 유도한다.
: 그 결과 AI에 대한 신뢰도가 향상되고, 개발자는 AI를 보조 도구가 아닌 실질적인 협업 파트너로 활용할 수 있게 된다.

; 미래 확장성 및 에이전트 생태계 대응
: 본 프레임워크는 특정 LLM이나 특정 린터에 고정되지 않은 확장 가능한 구조를 갖는다.
: 새로운 린터, 새로운 LLM 프로바이더, 새로운 AI 에이전트가 등장하더라도 기존 컨벤션 스키마와 MCP 인터페이스를 유지한 채 손쉽게 통합할 수 있다.
: 이는 향후 다수의 AI 에이전트가 동시에 협업하는 환경에서도 일관된 규칙과 거버넌스를 유지할 수 있는 기반이 되며, 조직이 AI 기술 변화에 유연하게 대응할 수 있도록 한다.

====경제적 및 사회적 파급효과 ====

; 개발 비용 절감
: 본 프레임워크는 컨벤션 정의·검증·관리 과정을 자동화하여 개발 과정에서 반복적으로 발생하던 인력 소모를 크게 줄인다.
: 기존에는 코드 리뷰, 린트 설정 관리, 규칙 위반 수정 등에 상당한 시간이 투입되었으나, 본 시스템 도입 시 AI 코딩 도구가 사전에 조직 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 그 결과 사후 수정 비용과 리뷰 비용이 감소하며, 전체 개발 비용이 구조적으로 절감된다.

; 스타트업/중소기업 경쟁력 강화
: 인력과 자원이 제한된 스타트업 및 중소기업은 코드 품질 관리와 보안 정책 적용을 체계화하기 어려운 경우가 많다.
: 본 프레임워크는 컨벤션과 권한 정책을 기술적으로 강제함으로써, 소규모 조직도 대규모 조직 수준의 개발 거버넌스를 갖출 수 있도록 지원한다.
: 이는 인력 규모의 한계를 기술로 보완하는 효과를 가지며, 결과적으로 중소 조직의 기술 경쟁력을 강화한다.

; 개발자 교육 효과
: 컨벤션이 자연어 기반으로 명시되고, 코드 작성과 동시에 검증 결과(위반 원인 및 수정 가이드)가 제공됨으로써 개발자는 문서 학습이 아니라 실제 코드 맥락 속에서 규칙을 자연스럽게 체득하게 된다.
: 이는 신규 개발자뿐 아니라 비개발자(기획/PM 등)의 협업 참여에도 교육적 도구로 기능하며, 조직 고유의 개발 문화와 규칙을 빠르게 학습하도록 돕는다.

; 협업 문화 개선 및 신뢰성 제고
: 코드 품질 관련 갈등과 반복적인 리뷰 코멘트를 감소시켜 팀 내 협업 비용을 낮추고, 긍정적인 협업 분위기 형성에 기여한다.
: 특히 AI가 생성한 코드가 명시된 컨벤션과 정책에 기반하므로, 팀원들이 결과물을 더 신뢰할 수 있는 ‘설명 가능한 협업(Explainable Collaboration)’ 문화를 정착시키는 효과가 있다.

; 환경 측면(지속가능성)
: 단순한 코드 최적화를 넘어, ‘컨텍스트 선별(Context Selection)’을 통해 AI에게 불필요한 정보(노이즈) 주입을 차단한다.
: 이는 LLM의 토큰 사용량과 연산 부하를 감소시켜, 결과적으로 서버 자원 효율과 에너지 효율을 개선하는 친환경적 효과로 이어질 수 있다.

; 윤리적 측면(Responsible AI)
: AI가 조직의 규칙과 권한을 무시한 채 코드를 생성할 경우 보안 사고, 규정 위반, 책임 소재 불명확 등의 문제가 발생할 수 있다.
: 본 과제는 역할 기반 접근 제어(RBAC)와 컨벤션 검증을 통해 AI의 행동 범위를 명확히 제한함으로써, 책임 있는 AI 활용(Responsible AI)을 기술적으로 구현한다.
: 즉, AI가 인간의 판단을 대체하는 것이 아니라 명시된 규칙 하에서 보조적으로 작동하도록 유도한다는 점에서 윤리적 의미가 있다.

; 오픈소스 생태계 활성화
: 본 프레임워크를 오픈소스로 공개함으로써 누구나 자유롭게 사용·확장·기여할 수 있다.
: 다양한 린터, LLM 프로바이더, AI 에이전트 연동 사례가 커뮤니티 주도로 축적될 수 있으며, 표준 기반의 협업 도구 생태계가 자연스럽게 성장하는 기반이 된다.
: 이는 특정 기업에 종속되지 않는 건강한 기술 생태계 형성에 기여한다.

===기술개발 일정 및 추진체계===
====개발 일정====
* '''9월''': MCP/스키마 설계, GitHub Actions 기본 프레임워크 구축, 파서/로더 착수
* '''10~11월''': 정적 규칙 검증 모듈 및 핵심 검증 엔진 구현
* '''11~12월''': PR 연동 고도화, 내부 통합 테스트/시나리오 검증, 안정화 및 베타 테스트

====구성원 및 추진체계====
; 추진체계
: 팀장과 팀원 협업 중심의 모듈 분담형 추진체계로 운영(설계–구현–통합–검증 단계별 책임 명확화).
: 주간 회의로 진행상황을 공유하고, 이슈/리스크를 조기 식별·조정하였다.

; 구성원/역할
: '''이*관''' — MCP 정책 파서/규칙 로더, 통합 테스트·시나리오 검증
: '''박*환''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''박*익''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''배*찬''' — 정적 규칙 검증 모듈, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증

==설계==
===설계사양===
====제품의 요구사항====
본 과제의 목적은 사용자가 자연어 한 줄만으로 팀의 컨벤션을 쉽게 정의할 수 있게 하고, 해당 컨벤션이 바이브 코딩 도구의 작업 과정에서 지속적으로 적용 및 검증되도록 하는 것이다.

사용자는 Agent(MCP 활용), Web dashboard, CLI command를 통해 다양한 방식으로 컨벤션을 정의할 수 있다. 컨벤션은 Git을 통해 소스코드와 함께 버전관리되며, GitHub 사용자는 별도의 추가 절차 없이 팀과 컨벤션을 공유할 수 있다.

바이브 코딩 도구는 MCP를 사용해 작업에 필요한 컨벤션만 선택적으로 가져와 컨텍스트를 최적화한다. 작업 완료 후에는 MCP를 통해 컨벤션 검증을 수행하며, 이 과정은 역할 기반 접근제어(RBAC)와 기존 linter 도구를 결합하여 체계적으로 수행된다. 이를 통해 LLM-as-a-judge 방식 대비 더 빠른 성능과 높은 정확성을 확보한다.

검증 결과는 MCP가 반환하며, 바이브 코딩 도구는 이를 기반으로 컨벤션 위반 사항을 인지하고 교정 작업을 수행하도록 유도한다.

==== 요구사항 목록 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! D/W !! 비고
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || D || 중(컨벤션 편집 및 공유)
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || W || 하(컨벤션 편집 및 공유)
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || D || 상(시스템 설치)
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || W || 하(시스템 설정)
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || D || 상(컨벤션 적용)
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || W || 하(감사 지표)
|}

==== 요구사항 평가 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! 평가 방법 !! 평가 기준
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || UI 내에서 컨벤션 편집 기능 접근 가능 여부, 편집/저장 동작을 테스트한다. || 편집기 접근 가능, 수정 내용이 정상 저장 및 반영됨
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || 자연어로 입력한 규칙(예: “줄 끝에 세미콜론 금지”)이 시스템에 인식되어 반영되는지 테스트한다. || 자연어 입력 → 규칙 형태로 변환 및 저장 성공
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || 특정 사용자가 작성한 컨벤션을 팀원 계정에서 접근 및 복제 가능 여부를 테스트한다. || 공유 링크 또는 협업 기능으로 팀원이 접근 가능, 팀 권한 관리 정상 작동
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || 여러 클라이언트에서 동시에 접근 후 동기화 상태를 확인한다. || 변경 사항 발생 시 자동 갱신 또는 수동 새로고침으로 최신 상태 유지됨
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || 예시 자연어 규칙 입력 후 코드에 적용 결과를 확인한다. || 시스템이 자연어 규칙을 인식하고 코드 분석/검증에 반영함
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || 파일 단위의 적용 범위 설정 후 결과를 확인한다. || 선택한 범위 내에서만 작업이 수행됨. 위반 시 경고 또는 수정 요청
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || 정적 분석 규칙을 활성화한 후 코드 검사를 실행한다. || 지정된 정적 규칙 위반 시 경고 또는 수정 제안 출력
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || Claude Code, Codex CLI 등 주요 툴과의 연동을 시험한다. || 간단한 설정(예: npm 커맨드 한 줄 입력)만으로 연동 및 기능 동작 확인
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || 설정 UI에서 임계값 입력 후 코드 분석을 수행한다. || 설정값에 따라 경고 또는 리포트가 정확히 출력됨
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || 매 작업마다 컨벤션 검토 호출 유무를 확인한다. || 컨벤션 검토가 모든 작업에서 이루어지는지 검증
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || 바이브 코딩 도구가 작업 계획에 따라 적절한 컨벤션을 요청하는지 확인한다. || 컨벤션 요청이 모두 성공하는지 확인
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || 코드 분석 또는 컨벤션 검사 후 결과 화면/리포트 표시를 확인한다. || 처리 결과(통과/경고/에러 등)가 명확하게 시각화되어 표시됨
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || 자동 생성된 코드에 대해 컨벤션 검사를 수행한다. || 생성된 코드가 설정된 컨벤션 기준을 충족하거나 위반 시 경고 발생
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || 코드 생성 후 바로 편집/수정 가능 여부를 확인한다. || 생성 코드에 대해 컨벤션 위반 사항을 바로 해결하도록 지시할 수 있는지 검증
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || 요청 수행 후 로그 파일/DB를 확인한다. || 모든 요청과 처리 결과가 시간/사용자 정보와 함께 기록됨
|}

====설계 사양====
; a) CLI Tool
: * '''Language''' — Go
: * '''CLI Framework''' — Cobra, survey/v2
: * '''Protocol''' — Model Context Protocol (go mcp sdk)

; b) Web Dashboard
: * '''Framework''' — Go net/http
: * '''Language''' — Go, JavaScript
: * '''UI/CSS''' — Tailwind CSS

; c) External Linter Integration
: * '''Linter''' — ESLint, Prettier, TSC, Pylint, Checkstyle, PMD, golangci-lint

==== 개념설계안 - 컨벤션 구조화 및 CLI 기반 호출 모델 ====

본 설계안은 사용자가 자연어로 정의한 코드 컨벤션을 구조화하고, 바이브 코딩 툴이 CLI를 통해 이를 불러와 검증 및 피드백하는 전체 흐름을 정의한 모델이다. 규칙 정의부터 평가와 피드백까지가 자동으로 순환되는 구조를 갖으며, 자동 피드백 루프를 통해 지속적인 품질 개선이 가능하다.

; 1. Rule Source (규칙 소스)
: 사용자가 텍스트 형태로 정의한 컨벤션 규칙이 저장되는 영역이다.
: 규칙이 수정·업데이트될 때마다 시스템은 최신 규칙 집합을 반영한다.

; 2. LLM Agent (자연어 규칙 해석기)
: LLM 에이전트는 규칙 텍스트를 파싱하고 의미를 분석하여 실행 가능한 코드 규칙 형태로 변환한다.
: 이 단계에서 규칙의 의미적 해석과 제약(Constraint) 추출이 수행된다.
: 결과적으로 평가 모듈이 이해할 수 있는 ‘명세화된 규칙 코드’를 생성한다.

; 3. Evaluation (검증 단계)
: 분석 대상 코드에 필요한 컨벤션 컨텍스트를 수집하고, LLM이 생성한 규칙 코드와 비교하여 평가한다.
: 코드 내 위반 여부를 판단하며, 위반 항목이 발견되면 라인 번호, 규칙명 등 세부 사유를 기록한다.
: 본 단계는 정적 분석과 의미 분석을 결합하여 수행된다.

; 4. Feedback (피드백 단계)
: 규칙 위반이 발견된 경우 위반 사유를 정리하고 수정 방법을 제시하며, 사용자는 수정 후 재검증을 요청할 수 있다.
: 위반이 없는 경우 작업 통과로 처리되어 다음 단계로 진행한다.

===이론적 계산 및 시뮬레이션===
; 1. LLM Validation Batching & Optimization (LLM 배치 최적화)
: '''목표''' — 다수의 의미적 규칙 검증을 배치로 묶어 처리하여 비용과 지연을 최소화한다.
: # 동일 파일 및 카테고리별로 작업을 그룹화하여 배치를 구성한다.
: # 각 배치마다 컨텍스트 압축을 수행한다(중복 규칙 설명 제거, 변경 라인 ±5줄만 추출).
: # Rate limit을 고려하여 병렬 실행으로 동시 처리한다.
: # 구조화된 JSON 응답을 파싱하여 개별 규칙 결과로 분해한다.

; 2. Dependency Engine (레이어드 아키텍처 보호)
: '''목표''' — 레이어 간 의존 방향 제약을 강제하여 아키텍처 경계를 보호한다.
: '''이론적 배경 및 계산'''
: # 모듈 의존 그래프 ''G=(V,E)''를 구축한다 (복잡도: O(|V|+|E|), ''V''=모듈, ''E''=의존 관계).
: # 각 모듈에 레이어 번호 ''ℓ(v)''를 할당한다.
: # 모든 간선 ''(u,v) ∈ E''에 대해 ''ℓ(u) ≥ ℓ(v)''인 경우를 위반으로 탐지한다(상위 레이어가 하위 레이어에 의존하는 경우).
: 레이어 할당은 파일 경로 글롭 패턴 매칭으로 수행한다(예: src/domain/ → L1, src/app/ → L2).
: 적용 예로는 클린 아키텍처의 domain ← app ← ui 방향 강제, 마이크로서비스 경계 보호, 보안 모듈 격리 등이 있다.

===상세설계 내용===

====1) 아키텍쳐 설계====
====패키지 구조 및 의존성====
[[File:아키텍쳐설계.png]]

==== 계층 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Layer !! Name !! Packages !! Responsibility
|-
| L0 || Bootstrap || cmd/sym || Entry point, provider registration via init()
|-
| L1 || Commands || internal/cmd || CLI command implementations (Cobra)
|-
| L2 || Gateways || internal/mcp, internal/server || External interfaces (MCP stdio, HTTP REST)
|-
| L3 || Core || converter, validator, importer, policy, roles || Business logic
|-
| L4 || Adapters || internal/linter/*, internal/llm/* || External tool integration
|}

==== 횡단 관심사 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Type !! Packages !! Purpose
|-
| Infrastructure || internal/util/git, util/config, util/env || Helper functions, no business logic
|-
| Contracts || pkg/schema || Shared data types (DTOs), no behavior
|}

====아키텍쳐 다이어그램====
[[File:아키텍쳐다이어그램.png]]

====LLM Provider 아키텍처 다이어그램====
[[File:LLM아키텍쳐다이어그램.png]]

====2) 상세 설계====
a) 클래스 다이어그램

[[File:클래스다이어그램.png]]

b) 시퀀스 다이어그램

- Validate 시퀀스 다이어그램 -

[[File:시퀀스다이어그램.png]]

- Registry Pattern 시퀀스 다이어그램 -

[[File:Registry_Pattern_시퀀스_다이어그램.png]]

c) 유즈케이스 다이어그램

[[File:유즈케이스다이어그램2.png]]

====3) 인터페이스 설계====
a) 사용자 역할별 인터페이스 개요

{| class="wikitable" style="width:100%;"
! 사용자 역할 !! 주 사용 인터페이스 !! 주요 목적
|-
| 정책 설정자 (팀 리더, 시니어 개발자) || CLI Command, Vibe Coding Tool(MCP 연동), Web Dashboard ||
1. 코드 정책(user-policy.json)의 생성·수정·관리<br/>
2. 역할 기반 접근 제어(RBAC) 정의
|-
| 정책 소비자 (모든 개발자) || Vibe Coding Tool(MCP 연동) ||
AI에게 코드 관련 작업을 요청하고, MCP 정책이 적용된 결과를 텍스트로 확인
|}

b) CLI Command 인터페이스

{| class="wikitable" style="width:100%;"
! 명령어 !! 서브커맨드 !! 설명 !! 주요 플래그
|-
| sym init || - || 프로젝트 초기화 || --force, --skip-mcp, --skip-llm
|-
| sym dashboard || - || 웹 대시보드 실행 || --port (기본: 8787)
|-
| sym my-role || - || 현재 역할 확인/변경 || --json, --select
|-
| sym policy || path || 정책 파일 경로 확인/설정 || --set
|-
| sym policy || validate || 정책 파일 유효성 검사 || -
|-
| sym convert || - || 컨벤션 변환 || --input, --output-dir
|-
| sym validate || - || Git 변경사항 컨벤션 검증 || --policy, --staged, --timeout
|-
| sym import || - || 외부 문서에서 컨벤션 추출 || --mode (append/clear)
|-
| sym category || list || 카테고리 목록 조회 || -
|-
| sym category || add || 카테고리 추가 || --file
|-
| sym category || edit || 카테고리 편집 || --name, --description, --file
|-
| sym category || remove || 카테고리 삭제 || --file
|-
| sym convention || list || 컨벤션 목록 조회 || --category, --language
|-
| sym convention || add || 컨벤션 추가 || --category, --languages, --severity, --file
|-
| sym convention || edit || 컨벤션 편집 || --new-id, --say, --severity, --file
|-
| sym convention || remove || 컨벤션 삭제 || --file
|-
| sym mcp || - || MCP 서버 시작 (stdio) || --config
|-
| sym llm || status || LLM 프로바이더 상태 확인 || -
|-
| sym llm || test || LLM 연결 테스트 || -
|-
| sym llm || setup || LLM 설정 안내 표시 || -
|-
| sym version || - || 버전 출력 || -
|-
| sym completion || - || 쉘 자동완성 스크립트 생성 || (bash/zsh/fish/powershell)
|}

c) MCP Tool 인터페이스

{| class="wikitable" style="width:100%;"
! 도구명 !! 설명 !! 입력 파라미터 !! 비고
|-
| list_convention || 프로젝트 컨벤션 조회 || category?, languages?[] || 필터링 지원
|-
| validate_code || Git 변경사항 검증 || role? || RBAC 역할 선택
|-
| list_category || 카테고리 목록 조회 || (없음) || 전체 조회
|-
| add_category || 카테고리 추가 || categories[] (name, description) || 배치 지원
|-
| edit_category || 카테고리 편집 || edits[] (name, new_name?, description?) || 배치 지원
|-
| remove_category || 카테고리 삭제 || names[] || 배치 지원
|-
| add_convention || 컨벤션 추가 || conventions[] (id, say, category?, ...) || 배치 지원
|-
| edit_convention || 컨벤션 편집 || edits[] (id, new_id?, say?, ...) || 배치 지원
|-
| remove_convention || 컨벤션 삭제 || ids[] || 배치 지원
|-
| import_convention || 외부 문서에서 컨벤션 추출 || path, mode? || LLM 사용
|-
| convert || 컨벤션 변환 실행 || input_path?, output_dir? || 린터 설정 생성
|}

d) Web Dashboard 인터페이스

- user-policy.json 파일을 편집하는 단일 페이지 웹 애플리케이션. 전역 설정과 규칙 관리의 두 영역으로 구성된다.

e) MCP 연동 채팅 인터페이스 상세 설계 (IDE CUI)

- 각 MCP 도구들은 별도의 GUI를 가지지 않으며, 모든 결과는 텍스트 응답의 일부로 출력된다. 사용자는 AI 코딩 도구의 설정에서 "MCP 기능 사용"을 활성화하여, 본 시스템이 제공하는 MCP 도구들을 도구 목록에 추가한다.

f) 인터페이스 연동 및 데이터 흐름도

[[File:인터페이스흐름도.png]]

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

- 메인 UI 화면 (dashboard)

[[File:대시보드메인화면.png]]

- CLI Help 출력

[[File:CLIhelp.png]]

- Claude Code MCP 통합 화면

[[File:ClaudeCodeMCP통합.png]]

====설치 (Configuration)====
a) npm설치

[[File:npm설치.png]]

b) sym init

[[File:syminit.png]]

c) MCP 활성화(Cursor)

[[File:mcp활성화cursor.png]]

====살행 (Run)====
a) CLI 내 sym init 명령어 입력: 프로젝트 내 Symphony 도구 초기화

[[File:symphony도구초기화.png]]

b) CLI 내 sym dashboard 명령어 입력: 웹 대시보드 열기

[[File:대시보드열기.png]]

c) 웹 대시보드 - 초기 화면

[[File:대시보드메인화면.png]]

d) 웹 대시보드 - 전역 설정

[[File:대시보드전역설정.png]]

e) 웹 대시보드 - 템플릿 선택

[[File:대시보드템플릿.png]]

f) 웹 대시보드 - 컨벤션 가져오기

[[File:대시보드컨벤션.png]]

g) 코드 에디터 내 코드 작성 요청

[[File:대시보드코드에디터.png]]

===관련사업비 내역서===

==== 활동비 지출 내역 ====

{| class="wikitable" style="width:100%;"
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액 !! 비고
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 319,332원 (10월 결제)
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 32,310원 (11월 결제)
|-
| ChatGPT (Plus) || 1 || US$22.00 || US$22.00 || 327,258원 (10월 결제)
|-
! colspan="4" | 합계
| 678,900원
|}

===완료작품의 평가===

본 평가는 MCP를 통한 컨벤션 질의·검증 기반 코드 생성 방식과, MCP 미사용 방식(agent.md에 규칙만 주입) 간의 성능 차이를 정량·정성적으로 비교하기 위해 수행되었다.

; 비교 대상
: * '''Baseline''' — MCP 미사용 (agent.md 기반 정적 규칙 주입)
: * '''Experimental''' — MCP 사용 (list_convention / validate_code 등)

; 주요 평가 관점
: # MCP 도구 활용도
: # Keyword(필수 구현 요소) 충족률
: # Retry 이후 성공 여부(자기 수정 능력)
: # 전체 Task 성공률 개선 효과

; 평가 데이터
: 난이도 높은 코드 컨벤션 15개를 대상으로 하며, 각 컨벤션별로 반드시 포함되어야 하는 키워드(필수 구현 요소)와 포함되면 안 되는 키워드(금지 요소)를 함께 정의하여 평가에 사용하였다.

{| class="wikitable" style="width:100%;"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. MCP 사용률 || MCP tool 호출 로그 분석 || list_convention 등 필수 MCP 사용 || >90% || 20 || 96.7% (달성)
|-
| 2. Keyword 충족률 || 필수 코드 요소 매칭 || 정책 키워드 누락 없음 || >80% || 25 || 88.9% (달성)
|-
| 3. LLM Validation || Symphony 검증 통과율 || 내부 검증을 통과하는지 여부 || >75% || 20 || 96.0% (달성)
|-
| 4. Retry 개선 효과 || Retry 전/후 violation 비교 || Retry 후 통과 여부 || 80% || 20 || 85.7% (달성)
|-
| 5. 종합 성능 향상 || Baseline 대비 Pass Rate || 추출된 목표 키워드 비율 || +30%p 이상 || 15 || +46.7%p (달성)
|}

===향후계획===

==== a) 어려웠던 내용들 ====

; 규칙 위치 혼동
: MCP를 사용하지 않거나 일부만 사용할 경우, 필요한 규칙을 제대로 참조하지 못해 LLM이 규칙의 출처/적용 대상을 혼동하는 문제가 발생하였다.

; 실패 원인 파악의 어려움
: 최초 실패 시점에서 왜 실패했는지 원인이 명확히 드러나지 않아, 재시도 이후에도 동일한 실수가 반복되는 사례가 있었다.

; 작업 복잡도 증가에 따른 규칙 누락
: 작업 단계가 많아질수록 규칙 누락 가능성이 증가했으며, 다단계 작업에서는 일부 필수 요소가 빠지는 사례가 발생하였다.

; LLM 자체 한계(오해/추론 오류)
: 규칙을 조회했음에도 불구하고 코드에 정확히 반영되지 않는 경우가 존재했으며, 이는 모델의 해석 오류 또는 추론 오류로 인해 발생하였다.

; 복수 평가 기준 동시 최적화의 난이도
: MCP 사용률, 키워드 충족, 재시도 성공률 등 다양한 지표가 동시에 존재하여, 모든 지표를 동시에 개선하는 것이 어렵게 작용하였다.

; MCP 효과 설명의 난이도
: 결과물이 코드 형태로 나타나기 때문에, MCP가 왜 도움이 되었는지(어떤 과정이 개선되었는지)를 직관적으로 설명하는 데 한계가 있었다.

==== b) 차후 구현할 내용 ====

; 컨벤션 규칙 추천 기능
: 자주 사용되는 컨벤션 규칙을 사용자에게 추천하여, 중요한 규칙을 놓치지 않도록 사전 확인 단계(추천/체크리스트)를 추가한다.

; 반복 실패에 대한 대안 제시(상호작용 개선)
: 단순 재시도에 의존하지 않고, 반복적인 실패 유형을 감지하여 사용자에게 차선(대체 구현, 단계 분해, 제약 완화안 등)을 제시하는 상호작용 기능을 제공한다.

; 결과 요약 보고서 기능
: Pass/Fail, 위반 요약, 재시도 개선 여부 등을 한눈에 확인할 수 있도록 요약 리포트(대시보드/CLI 출력)를 추가한다.

; Self-Baking 고도화
: Agent의 검증 결과 및 피드백 컨텍스트를 기반으로 Convention Context를 스스로 개선(자가 보강/정제)하도록 기능을 고도화한다.

1분반-심포니

2025-12-21T05:22:58Z

Com238: /* 2) 상세 설계 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' AI 코딩 도구를 위한 MCP 기반의 협업 스키마 개발 및 적용 프레임워크 구축

''' 영문 : ''' Framework for Developing and Applying MCP-based Collaborative Schema for AI Coding Tools

===과제 팀명===
Symphony 팀

===지도교수===
이경재 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 20209200** 박*환

서울시립대학교 컴퓨터과학부 20209200** 박*익

서울시립대학교 컴퓨터과학부 20209200** 배*찬

서울시립대학교 컴퓨터과학부 20209200** 이*관

==서론==
===개발 과제의 개요===
==== 개발 과제 요약 ====

; 과제명
: AI 코딩 도구를 위한 MCP 스키마 개발 및 적용 프레임워크 구축

; 핵심 개념
: 기존의 정적이고 단편적인 코드 스타일 컨벤션을 넘어, 사용자 역할(RBAC)과 파일 보안 등급이라는 두 축을 포함하는 '''동적 컨벤션(Dynamic Convention)'''을 정의한다.
: 이는 컨텍스트 엔지니어링 2.0 연구 흐름에 기반하여, 인간의 불명확한 의도(고엔트로피)를 AI가 실행 가능한 형태(저엔트로피)로 변환하는 체계적인 '''엔트로피 감소(Entropy Reduction)''' 접근을 구현하는 것이다.
: 정의된 동적 컨벤션은 이기종 시스템 간 컨텍스트 공유의 표준인 '''MCP(Model Context Protocol)''' 형태로 제공되어, 모든 LLM 코딩 툴이 동일한 규칙을 이해하고 적용할 수 있도록 한다.
: 또한 컨벤션 준수 여부에 대한 검수(검증) 과정까지 자동화하여 코드 품질을 지속적으로 유지한다.

; 개발 목표
: MCP 표준을 통해 개발자 및 비개발자가 자연어 기반의 직관적인 인터페이스로 안전하게 코드 수정에 참여하도록 지원한다.
: 동시에 모든 LLM 코딩 도구가 조직 고유의 협업 규칙과 보안 정책을 준수하는 코드를 생성하도록 유도한다.
: 단순한 자동화를 넘어, AI 에이전트가 조직의 맥락을 이해하고 협업하는 '''컨텍스트 협력(Context-Cooperative)''' 시스템을 지향한다.
: 이를 통해 반복적인 검토 및 통합 과정을 자동화하여 생산성을 극대화하고, 직군 간 사일로를 완화하여 차세대 지능형 개발 협업 생태계를 구축하는 것을 목표로 한다.

; 기대 효과
: GitHub Copilot, Claude Code 등 기존 LLM 코딩 도구를 사용하는 개발 팀이 MCP를 손쉽게 도입하여, 바이브 코딩 환경에서 핵심 이슈인 코드 품질 문제를 완화하고 제품의 시장 출시 기간을 단축할 수 있다.
: 특히 AI 에이전트 시대(Era 2.0)에 중요한 '''컨텍스트 격리(Context Isolation)'''와 '''최소 충분 원칙(Minimal Sufficiency Principle)'''을 적용함으로써, AI 도입의 주요 장벽인 보안 우려와 할루시네이션 문제를 기술적으로 완화한다.

==== 개발 과제의 배경 및 효과 ====

===== 배경 =====

; 만성적인 협업 비효율성과 높은 상호작용 비용
: 현대 제품 개발은 여러 직군(기획/디자인/개발/보안 등)의 협업이 필수적이지만, 현실에서는 간단한 요청조차도 복잡하고 긴 파이프라인(Jira → Slack → 개발 → 배포)을 거치며 지연이 누적된다.
: 또한 인간과 시스템(또는 AI 도구) 간 ‘인지적 격차(Cognitive Gap)’로 인해 커뮤니케이션 오류가 발생하고, 결과적으로 높은 인간-AI 상호작용 비용이 조직의 민첩성을 저해한다.
: 이러한 시간 지연과 커뮤니케이션 손실은 단순 비효율을 넘어 시장 대응 속도를 떨어뜨려 경쟁력 약화로 이어진다.

; 지능화된 도구의 한계: 맥락 부재와 컨텍스트 오염
: GitHub Copilot과 같은 LLM 코딩 도구는 개발 생산성을 높였으나, ‘조직 고유의 맥락(보안 정책, 협업 규칙, 권한 체계 등)’을 기본적으로 내재하지 못한다.
: 범용 데이터로 학습된 모델은 조직의 외부 맥락이 결여되어 있어, 위험한 코드를 생성하거나 규칙을 위반하는 형태의 컨텍스트 오염/할루시네이션을 유발할 수 있다.
: 예를 들어 “결제 코드는 시니어만 수정 가능”과 같은 규칙은 LLM이 자체적으로 알 수 없으므로, 비개발자의 직접 기여는 예측 불가능한 사이드 이펙트 위험 때문에 제한되는 문제가 발생한다.

===== 도입 효과 =====

; 개발자 경험의 질적 향상: 사후 대응에서 사전 설계로
: 개발자는 LLM이 생성한 저품질 코드에 대한 반복 수정(사후 대응)에 시간을 소모하지 않게 된다.
: 시스템이 사전에 정의된 컨텍스트(컨벤션/정책) 내에서 작동하므로, 개발의 첫 단계부터 품질을 관리하는 Self-Baking(자가 지식화) 프로세스가 가능해진다.
: 그 결과 개발자는 아키텍처 설계 등 고부가가치 핵심 업무에 집중할 수 있어 직무 만족도와 생산성이 함께 향상된다.

; 개발 속도의 혁신적 극대화
: 비개발자가 안전이 보장된 범위 내에서 직접 코드 수정에 참여함으로써, 단순 요청 처리 시간을 ‘수일’에서 ‘수분’ 단위로 압축할 수 있다.
: 이는 에이전트 중심(Agent-Centric) 협업 모델에 가까운 형태로, 인간의 의도가 빠르게 제품에 반영되는 초고속 애자일 스프린트를 가능하게 한다.

; 견고한 코드 품질 및 내장형 보안: 컨텍스트 격리 적용
: AI는 MCP에 명시된 동적 컨벤션(코드 스타일, 보안 등급, 접근 제어)을 통해서만 코드를 생성·수정하도록 제한된다.
: 이는 기능적 컨텍스트 격리(Functional Context Isolation) 관점에서, AI가 접근해서는 안 되는 정보/권한을 원천적으로 차단하고, 인적 실수 및 보안 취약점을 예방한다.
: 결과적으로 모든 코드 기여가 조직 표준을 준수하도록 강제되어 품질과 보안이 구조적으로 강화된다.

; 쉬운 도입 및 표준화 선점
: 최소한의 설정만으로 기존 개발 환경에 통합되어 즉시 사용할 수 있다.
: 또한 파편화된 AI 도구들을 MCP라는 표준 프로토콜로 연결하는 Cross-System Context Sharing 전략을 통해, 향후 증가하는 다양한 AI 에이전트들을 단일 거버넌스 하에서 통합 관리할 수 있는 기반을 제공한다.
: 이는 단순 도구 도입을 넘어, 미래형 AI 협업 인프라를 선제적으로 구축하는 효과를 가진다.

==== 개발 과제의 목표 및 내용 ====

; 최종 목표
: 모든 LLM 코딩 도구에 플러그인 형태로 쉽게 통합 가능한 '''동적 컨벤션 MCP'''의 공개 표준을 정의하고, 이를 실제 개발 환경에서 '''적용·검증'''할 수 있는 프레임워크를 개발한다.

; 개발 내용
: 본 과제의 개발 내용은 크게 (1) 동적 컨벤션을 제공하는 MCP 서버, (2) 이를 CI/CD에 즉시 적용 가능한 경량 도구(GitHub Actions 중심)로 구성된다.

===== (결과물 1) MCP 컨벤션 서버 =====

; 범용 컨벤션 양식(스키마) 정의
: 모든 LLM 및 개발 도구가 동적 컨벤션을 일관되게 이해하고 활용할 수 있도록 '''범용 컨벤션 양식'''(표준 스키마)을 정의하였다.
: * '''형식''' — 범용성과 가독성을 고려하여 JSON 기반의 표준화된 스키마를 설계한다.
: * '''저장 위치''' — 프로젝트 루트 디렉토리에 ''.mcp.json'' 형태로 위치하거나, 필요 시 제공 서버에 저장·관리할 수 있다.

; 컨벤션 상세 내용
* '''정적 규칙(static rules)'''
** ESLint, Prettier 등 기존 린터/포맷터 설정 파일(''.eslintrc.json'', ''.prettierrc'' 등)의 경로를 지정하거나, 핵심 규칙(들여쓰기, 따옴표 종류 등)을 직접 내장하여 일관성을 강제한다.
** 네이밍 컨벤션(component-pascal-case, function-camel-case), 주석 스타일(JSDoc 강제) 등 정적 분석으로 검증 가능한 규칙을 폭넓게 포함한다.
* '''동적 규칙(dynamic rules)'''
** '''파일 보안 등급(Security Level)''' — Glob 패턴으로 파일/디렉토리 경로별 보안 등급(PUBLIC, INTERNAL, SECRET)을 정의한다.
*** 예: "src/assets/*": "PUBLIC", "src/components/*.css": "PUBLIC", "src/hooks/*.js": "INTERNAL", "src/core/payment/**/*.js": "SECRET"
** '''역할 기반 접근 제어(RBAC)''' — 마케터, 기획자, 주니어/시니어 개발자 등 조직의 역할을 정의하고, 각 역할이 보안 등급별로 갖는 권한(read, propose, edit)을 '''명시적 매트릭스'''로 정의한다.
*** 이 매트릭스는 “누가 어떤 유형의 파일에 대해 제안만 가능한지 / 직접 수정 가능한지”를 규정하는 핵심 정책으로서, 협업 과정의 안전성과 책임 소재를 명확히 한다.

===== (결과물 2) CI/CD 통합 경량 도구 (GitHub Actions) =====

; 목표
: 동적 컨벤션 검증을 실제 개발 현장에서 즉시 활용할 수 있도록, 기존 CI/CD 파이프라인에 '''경량화된 형태로 완전 통합'''하여 제공한다.

; 방식: Plug-and-Play
: 별도의 서버 구축이나 복잡한 설정 없이, GitHub 저장소의 ''.github/workflows'' 내 워크플로우 파일에 '''몇 줄의 YAML'''을 추가하는 것만으로 즉시 적용 가능하도록 설계하였다.

; 핵심 작동 워크플로우
# '''트리거''' — 개발자 또는 비개발자가 Pull Request(PR)를 생성/업데이트할 때 자동 실행된다.
# '''컨벤션 로딩''' — Action 실행 시 ''.mcp.json''을 탐색하여 동적 컨벤션 규칙을 메모리에 로드한다.
# '''변경사항 분석''' — ''git diff''를 통해 PR에서 변경된 파일 목록과 변경 내용을 분석한다.
# '''권한 검증''' — PR 작성자의 GitHub 팀 역할을 기준으로, MCP의 RBAC 규칙과 변경된 파일의 보안 등급(Security Level)을 대조하여 수정 권한을 확인한다.
# '''정적 규칙 검증''' — MCP의 static_rules에 따라 린팅/포매팅 검사를 수행한다.
# '''실시간 피드백 제공'''
#* '''성공 시''' — “MCP Convention Check Passed”와 같은 명확한 상태 메시지를 남기고, PR 병합이 가능하도록 체크를 통과시킨다.
#* '''실패 시''' — PR 병합을 자동으로 차단하고, 실패 원인을 설명하는 코멘트를 PR에 직접 남긴다.
#** 예: 권한이 없는 파일 수정 시 “@작성자, '마케터' 역할은 INTERNAL 등급의 파일을 수정할 수 없습니다. 개발팀 검토를 요청해주세요.”와 같이 실행 가능한 피드백을 제공한다.

[[파일:개발과제1.png]]

===관련 기술의 현황===
==== 관련 기술의 현황 및 분석 (State of the Art) ====

; MCP 동향
* Microsoft는 Build 2025에서 MCP에 대한 1st-party 지원을 GitHub, Copilot Studio, Azure AI Foundry, Windows 11 등으로 확장한다고 밝혔다.
* MCP는 메시지 포맷으로 JSON-RPC 2.0을 채택하며, 전송 계층(transport)은 이를 다양한 환경(로컬/HTTP 등)에 매핑한다.
* MCP는 LLM/에이전트와 외부 시스템(도구·리소스·프롬프트)을 연결하는 표준 인터페이스로서, 이식성이 높고 개발 도구에 쉽게 적용 가능하다.

; 협업 트렌드
* 협업 과정은 티켓 → 리뷰 → 배포 등 작은 수정도 복잡한 파이프라인으로 비효율적으로 동작하는 경우가 많다.
* Notion, Slack 같은 통합 협업 도구는 확산 중이나, 실제 코드 변경·정책 준수·검증은 여전히 개발자(사람)에게 부담이 집중된다.
* 글로벌 환경에서 비동기 협업(PR 리뷰, 자동 코멘트 등)이 늘고 있지만, 규칙 검증은 사람의 반복 부담이 존재한다.

; AI 코딩 보조 기술
* 최근 2~3년간 AI 코드 어시스턴트(자동완성, 코드 생성, 리뷰 등) 채택이 빠르게 증가했으며, 엔터프라이즈 관점에서의 도입·운영 가이드(조직/개발자 관점)가 보고서 형태로 축적되고 있다.
* 개발자들은 “거의 맞지만 완전히 맞지 않은(almost right, but not quite)” 결과로 인해 디버깅 부담이 늘어 신뢰도가 하락할 수 있음을 지적한다.
* AI 코딩 도구가 SDLC에 통합될수록, “누가 어떤 파일을 어떻게 수정할 수 있는지(권한), 보안 등급, 내부 규정 준수, 변경 이력”을 기술적으로 보장하는 메커니즘의 필요성이 커지고 있다.

; 과제 연결점
* 본 과제는 MCP 인터페이스를 지원함으로써, 여러 LLM/에이전트가 도구를 직접 인식·호출할 수 있게 하여 도입 진입장벽을 낮춘다.
* 컨벤션을 지속적으로 적용·검증하는 구조를 제공하여, 비개발자도 안전 범위 내에서 참여 가능한 협업 모델을 제시하고, 협업 효율과 품질을 동시에 개선한다.

===== 특허 조사 및 특허 전략 분석 =====

; c) 특허 조사
* '''특허 1: 소스코드 해설을 포함한 질의응답 서비스 제공 장치 및 방법'''
** 공개번호: 10-2023-0045150
** 출원인: 주식회사 랭코드
** 주요 내용: 사용자가 소스코드를 포함한 질문을 입력하면, 서버가 코드 의미를 분석하여 자연어 해설을 생성·제공하는 챗봇 기술(코드 이해/설명 중심).
* '''특허 2: 프로그램 소스코드의 AI학습을 통한 프로그램 자동 코딩 가이드 시스템'''
** 공개번호: 10-2024-0130648
** 출원인: 주식회사 가치플레이
** 주요 내용: 검증된 소스코드를 DB에 축적하고, 요구사항에 맞춰 AI가 적합 코드를 가져오거나 생성하여 프로그램 완성을 지원(재사용/자동 생성 중심).
* '''특허 3: 코드 리뷰 서비스 제공 방법 및 장치'''
** 공개번호: 10-2025-0109946
** 출원인: 숭실대학교산학협력단
** 주요 내용: GitHub 등 외부 저장소와 연동해 코드 라인별 리뷰를 작성·관리하는 플랫폼, AI로 리뷰 태그 생성 등 커뮤니티 기반 검토 효율화.

; 라) 특허 전략
* '''차별점 1: 선제적 거버넌스(Preemptive Governance) vs 사후 대응/보조'''
** 기존 기술이 코드 해설·생성·리뷰 등 사후적/보조적 기능에 머무는 반면, 본 과제는 코드 생성·수정 시점에 규칙을 강제하여 위반을 사전에 차단하는 거버넌스를 제공한다.
* '''차별점 2: 동적/상황인지 규칙 vs 정적/일반 규칙'''
** 스타일·문법 중심의 정적 규칙을 넘어, RBAC(역할 기반 접근 제어)에 따라 규칙이 달라지는 컨벤션을 도입하여 조직 정책과 협업 맥락을 반영한다.
* '''차별점 3: 범용 표준 프레임워크 vs 독자적 플랫폼 종속'''
** 특정 플랫폼 종속이 아니라, 공개 표준(MCP) 기반으로 다양한 LLM 코딩 도구에 플러그인 형태로 연동 가능하도록 설계하여 호환성과 확장성을 확보한다.

===== 기술 로드맵 =====

; 단기 (2025~2026) – 표준 정립 및 초기 구현
* 스키마 정의: JSON 기반 동적 컨벤션 스키마 설계
* MCP 서버 제공: 컨벤션 관리 및 검증 도구 제공
* 제한적 Linter 통합, RBAC 접근 제어 구현, LLM validation 구현

; 중기 (2026~2027) – 생태계 확장
* IDE/개발도구 통합: VS Code, JetBrains, Cursor, GitHub Copilot 플러그인 제공
* 더 많은 Linter 도구 통합
* 더 많은 LLM Provider 통합
* ML 기반 분석: 반복 위반 패턴 학습 후 지표화, LLM Provider 성능지표 추출

; 장기 (2027~2028) – 지능형 협업 플랫폼
* 성능지표 기반 LLM Provider 동적 선택
* AI 보조 협업: 자동 코드 리뷰 코멘트 제공
* 산업별 템플릿: 금융, 의료, 공공 등 규제 준수형 규칙 세트 배포
* 확장 거버넌스: LDAP/SAML 연동, 멀티팀 환경 RBAC 강화

====시장상황에 대한 분석====

==== a) 경쟁제품 조사 비교 ====

; Sourcegraph Cody
: '''개요''' — Sourcegraph의 코드 그래프(인덱싱/검색) 기반 AI 코딩 어시스턴트로, 대규모·복잡한 코드베이스에 적합하다. 저장소 전체 맥락을 참조하여 코드 작성(write), 수정(fix), 리팩터(refactor) 등 개발 작업에 대한 제안을 제공한다.
: '''한계''' — 조직 단위의 코드 표준, 보안 정책, 권한 정책을 “정책으로 정의하고 자동 집행(enforcement)하는 기능”은 상대적으로 약하며, 규칙 위반을 PR 단계에서 차단하는 형태의 거버넌스까지 직접 제공하지는 않는다.

; Codespell
: '''개요''' — 코드 생성 시점에 규칙 기반 엔진으로 컨벤션을 주입하여 팀 산출물의 일관성과 품질을 높이는 도구다. 사후 검증 중심의 기존 린터와 달리, 생성 단계에서 규칙을 반영하도록 유도하는 방식에 강점이 있다.
: '''한계''' — RBAC(역할 기반 접근제어)를 지원하지 않아 역할/직군별로 “허용 가능한 변경 범위”를 세밀하게 통제하기 어렵다. 또한 적용 가능한 컨벤션 범위가 주로 스타일·구조적 규칙에 집중되어 있으며, 보안·권한과 같은 정책은 별도 도구 또는 추가 체계에 의존하는 경향이 있다.

====b) SWOT 분석 ====

; Strengths (강점)
: * '''표준화된 MCP 패키지 기반 호환성''' — Copilot, Claude Code 등 주요 LLM 코딩 툴에서 동일한 규칙/컨텍스트를 재사용할 수 있어, 도구별 파편화로 인한 운영 부담을 줄이고 적용 범위를 빠르게 확장할 수 있다.
: * '''RBAC 기반 거버넌스''' — 단순 텍스트 규칙을 넘어 사용자 역할과 보안 레벨에 따라 허용 가능한 행동을 제어함으로써, 안전한 협업과 규정 준수를 구조적으로 지원한다.
: * '''비개발자 참여 가능성''' — 자연어 기반 정책 정의를 통해 기획/PM/보안 등 비개발 직군도 정책 수립 과정에 참여할 수 있어, 조직 전체의 협업 효율과 의사소통 정합성을 높일 수 있다.
: * '''오픈소스 생태계 확장성''' — 언어/프레임워크별 Context Preset을 커뮤니티가 기여·검증·확장하는 구조를 통해, 규칙 세트의 다양성과 적용성을 빠르게 강화할 수 있다.

; Weaknesses (약점)
: * '''초기 도메인 데이터/프리셋 부족''' — 금융·의료 등 규제 산업의 도메인 특화 컨벤션은 초기에는 축적된 프리셋과 검증 사례가 부족하여 추천 및 적용 품질이 제한될 수 있다.
: * '''차별성 설득 필요''' — 기존 Static Lint/Formatter 대비 “정책(권한·보안)까지 포함한 통합 거버넌스”와 “생성 단계 컨텍스트 제어”의 차별점을 사용자에게 명확히 설명해야 한다.
: * '''효과 지표화의 난이도''' — 도구 효과를 정량적으로 입증하기 위해서는 PR 재작업 감소, 위반 탐지·차단율, 리뷰 시간 절감 등 설득력 있는 KPI 설계가 필요하나, 초기에는 측정 체계가 미성숙할 수 있다.

; Opportunities (기회)
: * '''AI 코딩 툴 시장의 급성장''' — 대규모 사용자 기반이 형성된 AI 코딩 툴 생태계에서 ‘컨벤션/정책 관리’가 필수 레이어로 부상할 가능성이 있으며, 표준 포지션을 선점할 기회가 있다.
: * '''교육·온보딩 시장 확장''' — 신규 입사자/학생 대상의 코딩 표준 및 조직 규칙 학습을 자동화하여, 온보딩 비용을 낮추는 교육용 도구로 확장 가능하다.
: * '''Context Engineering 2.0 수요 증가''' — 프롬프트 작성 중심에서 “참조해야 할 컨텍스트를 구조적으로 정의·최적화”하는 흐름이 강화되면서, 본 프레임워크의 필요성과 가치가 더욱 부각될 수 있다.

; Threats (위협)
: * '''빅테크/IDE 벤더의 내재화 위험''' — Microsoft, JetBrains 등 주요 플랫폼 사업자가 IDE/플랫폼 기능으로 팀 컨벤션 동기화 및 정책 관리 기능을 흡수할 가능성이 있다.
: * '''경량 오픈소스 대체재 확산''' — 단순 설정 파일 공유나 간단한 룰 엔진 기반의 무료 오픈소스가 ‘최소 기능’ 니즈를 충족하며 대체재로 작동할 수 있다.
: * '''엔터프라이즈 보안·컴플라이언스 장벽''' — 금융권/대기업 도입 시 오픈소스 라이선스, 내부 코드/데이터 유출 우려, 외부 LLM 사용 제한 등으로 도입이 지연될 수 있다.
: * '''모델 성능 발전에 따른 가치 희석 가능성''' — 컨텍스트 윈도우 확대 및 추론 능력 향상으로 “별도의 컨텍스트 최적화 없이도” 의도를 잘 파악하는 환경이 조기에 도래할 경우, 최적화 계층의 체감 가치가 낮아질 가능성이 있다.

===개발과제의 기대효과===
====기술적 기대효과 ====

; 개발 효율성 증대
: 본 프레임워크는 컨벤션을 자연어로 정의하고 이를 자동으로 적용·검증함으로써, 개발 과정에서 반복적으로 발생하던 검토, 수정, 재작업 비용을 크게 감소시킨다.
: 개발자는 코드 작성 이후 린트 에러나 조직 규칙 위반을 사후적으로 수정하지 않아도 되며, AI 코딩 도구가 사전에 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 특히 기존 린터와의 통합을 통해 정적 규칙에 대한 검증은 빠르고 결정적으로 처리되고, LLM은 의미적 판단이 필요한 영역에만 제한적으로 사용됨으로써 실시간 개발 환경에서도 충분한 성능을 확보할 수 있다.
: 그 결과 개발자는 반복적인 품질 관리 작업에서 벗어나 아키텍처 설계, 핵심 로직 구현 등 고부가가치 업무에 집중할 수 있으며, 전체 개발 사이클의 속도와 안정성이 동시에 향상된다.

; 표준화 촉진
: MCP 기반으로 이기종 시스템 간 컨텍스트 공유를 통한 일관성 확보가 가능하다.
: 프로젝트 내 일관된 코드 스타일 유지는 물론, MCP를 통해 VS Code, GitHub Copilot, Claude 등 서로 다른 시스템 간에도 동일한 컨텍스트와 규칙을 공유할 수 있는 표준 프로토콜을 구축한다.
: 이는 도구의 파편화로 인한 문맥 단절을 막고, 유지보수 시 오류 발생률을 구조적으로 감소시킨다.

; AI 활용도 향상
: 본 과제는 LLM을 단순한 코드 생성 도구가 아닌, 조직의 맥락을 이해하고 준수하는 협업 에이전트로 활용할 수 있도록 한다.
: AI 코딩 도구는 작업에 필요한 컨벤션만을 선택적으로 컨텍스트로 전달받아 코드를 생성하므로, 불필요한 정보로 인한 혼란과 할루시네이션이 구조적으로 감소한다.
: 이는 ‘최소 충분 원칙(Minimal Sufficiency Principle)’을 실제 개발 환경에 적용한 사례로, AI가 항상 명확하고 충분한 정보만을 바탕으로 판단하도록 유도한다.
: 그 결과 AI에 대한 신뢰도가 향상되고, 개발자는 AI를 보조 도구가 아닌 실질적인 협업 파트너로 활용할 수 있게 된다.

; 미래 확장성 및 에이전트 생태계 대응
: 본 프레임워크는 특정 LLM이나 특정 린터에 고정되지 않은 확장 가능한 구조를 갖는다.
: 새로운 린터, 새로운 LLM 프로바이더, 새로운 AI 에이전트가 등장하더라도 기존 컨벤션 스키마와 MCP 인터페이스를 유지한 채 손쉽게 통합할 수 있다.
: 이는 향후 다수의 AI 에이전트가 동시에 협업하는 환경에서도 일관된 규칙과 거버넌스를 유지할 수 있는 기반이 되며, 조직이 AI 기술 변화에 유연하게 대응할 수 있도록 한다.

====경제적 및 사회적 파급효과 ====

; 개발 비용 절감
: 본 프레임워크는 컨벤션 정의·검증·관리 과정을 자동화하여 개발 과정에서 반복적으로 발생하던 인력 소모를 크게 줄인다.
: 기존에는 코드 리뷰, 린트 설정 관리, 규칙 위반 수정 등에 상당한 시간이 투입되었으나, 본 시스템 도입 시 AI 코딩 도구가 사전에 조직 컨벤션을 인지한 상태에서 코드를 생성하도록 유도된다.
: 그 결과 사후 수정 비용과 리뷰 비용이 감소하며, 전체 개발 비용이 구조적으로 절감된다.

; 스타트업/중소기업 경쟁력 강화
: 인력과 자원이 제한된 스타트업 및 중소기업은 코드 품질 관리와 보안 정책 적용을 체계화하기 어려운 경우가 많다.
: 본 프레임워크는 컨벤션과 권한 정책을 기술적으로 강제함으로써, 소규모 조직도 대규모 조직 수준의 개발 거버넌스를 갖출 수 있도록 지원한다.
: 이는 인력 규모의 한계를 기술로 보완하는 효과를 가지며, 결과적으로 중소 조직의 기술 경쟁력을 강화한다.

; 개발자 교육 효과
: 컨벤션이 자연어 기반으로 명시되고, 코드 작성과 동시에 검증 결과(위반 원인 및 수정 가이드)가 제공됨으로써 개발자는 문서 학습이 아니라 실제 코드 맥락 속에서 규칙을 자연스럽게 체득하게 된다.
: 이는 신규 개발자뿐 아니라 비개발자(기획/PM 등)의 협업 참여에도 교육적 도구로 기능하며, 조직 고유의 개발 문화와 규칙을 빠르게 학습하도록 돕는다.

; 협업 문화 개선 및 신뢰성 제고
: 코드 품질 관련 갈등과 반복적인 리뷰 코멘트를 감소시켜 팀 내 협업 비용을 낮추고, 긍정적인 협업 분위기 형성에 기여한다.
: 특히 AI가 생성한 코드가 명시된 컨벤션과 정책에 기반하므로, 팀원들이 결과물을 더 신뢰할 수 있는 ‘설명 가능한 협업(Explainable Collaboration)’ 문화를 정착시키는 효과가 있다.

; 환경 측면(지속가능성)
: 단순한 코드 최적화를 넘어, ‘컨텍스트 선별(Context Selection)’을 통해 AI에게 불필요한 정보(노이즈) 주입을 차단한다.
: 이는 LLM의 토큰 사용량과 연산 부하를 감소시켜, 결과적으로 서버 자원 효율과 에너지 효율을 개선하는 친환경적 효과로 이어질 수 있다.

; 윤리적 측면(Responsible AI)
: AI가 조직의 규칙과 권한을 무시한 채 코드를 생성할 경우 보안 사고, 규정 위반, 책임 소재 불명확 등의 문제가 발생할 수 있다.
: 본 과제는 역할 기반 접근 제어(RBAC)와 컨벤션 검증을 통해 AI의 행동 범위를 명확히 제한함으로써, 책임 있는 AI 활용(Responsible AI)을 기술적으로 구현한다.
: 즉, AI가 인간의 판단을 대체하는 것이 아니라 명시된 규칙 하에서 보조적으로 작동하도록 유도한다는 점에서 윤리적 의미가 있다.

; 오픈소스 생태계 활성화
: 본 프레임워크를 오픈소스로 공개함으로써 누구나 자유롭게 사용·확장·기여할 수 있다.
: 다양한 린터, LLM 프로바이더, AI 에이전트 연동 사례가 커뮤니티 주도로 축적될 수 있으며, 표준 기반의 협업 도구 생태계가 자연스럽게 성장하는 기반이 된다.
: 이는 특정 기업에 종속되지 않는 건강한 기술 생태계 형성에 기여한다.

===기술개발 일정 및 추진체계===
====개발 일정====
* '''9월''': MCP/스키마 설계, GitHub Actions 기본 프레임워크 구축, 파서/로더 착수
* '''10~11월''': 정적 규칙 검증 모듈 및 핵심 검증 엔진 구현
* '''11~12월''': PR 연동 고도화, 내부 통합 테스트/시나리오 검증, 안정화 및 베타 테스트

====구성원 및 추진체계====
; 추진체계
: 팀장과 팀원 협업 중심의 모듈 분담형 추진체계로 운영(설계–구현–통합–검증 단계별 책임 명확화).
: 주간 회의로 진행상황을 공유하고, 이슈/리스크를 조기 식별·조정하였다.

; 구성원/역할
: '''이*관''' — MCP 정책 파서/규칙 로더, 통합 테스트·시나리오 검증
: '''박*환''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''박*익''' — MCP 설계 및 핵심 스키마 정의, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증
: '''배*찬''' — 정적 규칙 검증 모듈, GitHub Actions 기반 PR 연동/피드백 기능, 통합 테스트·시나리오 검증

==설계==
===설계사양===
====제품의 요구사항====
본 과제의 목적은 사용자가 자연어 한 줄만으로 팀의 컨벤션을 쉽게 정의할 수 있게 하고, 해당 컨벤션이 바이브 코딩 도구의 작업 과정에서 지속적으로 적용 및 검증되도록 하는 것이다.

사용자는 Agent(MCP 활용), Web dashboard, CLI command를 통해 다양한 방식으로 컨벤션을 정의할 수 있다. 컨벤션은 Git을 통해 소스코드와 함께 버전관리되며, GitHub 사용자는 별도의 추가 절차 없이 팀과 컨벤션을 공유할 수 있다.

바이브 코딩 도구는 MCP를 사용해 작업에 필요한 컨벤션만 선택적으로 가져와 컨텍스트를 최적화한다. 작업 완료 후에는 MCP를 통해 컨벤션 검증을 수행하며, 이 과정은 역할 기반 접근제어(RBAC)와 기존 linter 도구를 결합하여 체계적으로 수행된다. 이를 통해 LLM-as-a-judge 방식 대비 더 빠른 성능과 높은 정확성을 확보한다.

검증 결과는 MCP가 반환하며, 바이브 코딩 도구는 이를 기반으로 컨벤션 위반 사항을 인지하고 교정 작업을 수행하도록 유도한다.

==== 요구사항 목록 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! D/W !! 비고
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || D || 상(컨벤션 편집 및 공유)
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || D || 중(컨벤션 편집 및 공유)
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || W || 하(컨벤션 편집 및 공유)
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || D || 상(컨벤션 지원 유형)
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || D || 상(시스템 설치)
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || W || 하(시스템 설정)
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || D || 상(컨벤션 적용)
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || D || 상(컨벤션 적용)
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || W || 하(감사 지표)
|}

==== 요구사항 평가 ====

{| class="wikitable" style="width:100%;"
! 번호 !! 요구사항 !! 평가 방법 !! 평가 기준
|-
| 1 || 시스템은 컨벤션을 쉽게 편집하기 위한 편집기를 제공해야 한다. || UI 내에서 컨벤션 편집 기능 접근 가능 여부, 편집/저장 동작을 테스트한다. || 편집기 접근 가능, 수정 내용이 정상 저장 및 반영됨
|-
| 2 || 사용자는 간단하게 한 줄의 자연어로 컨벤션을 편집할 수 있어야 한다. || 자연어로 입력한 규칙(예: “줄 끝에 세미콜론 금지”)이 시스템에 인식되어 반영되는지 테스트한다. || 자연어 입력 → 규칙 형태로 변환 및 저장 성공
|-
| 3 || 사용자는 팀원과 컨벤션을 공유할 수 있어야 한다. || 특정 사용자가 작성한 컨벤션을 팀원 계정에서 접근 및 복제 가능 여부를 테스트한다. || 공유 링크 또는 협업 기능으로 팀원이 접근 가능, 팀 권한 관리 정상 작동
|-
| 4 || 사용자의 컨벤션은 반드시 최신 상태를 유지하고 있어야 한다. || 여러 클라이언트에서 동시에 접근 후 동기화 상태를 확인한다. || 변경 사항 발생 시 자동 갱신 또는 수동 새로고침으로 최신 상태 유지됨
|-
| 5 || 사용자는 “파일 I/O는 try/except 사용”과 같은 자연어로 정의된 규칙을 적용할 수 있어야 한다. || 예시 자연어 규칙 입력 후 코드에 적용 결과를 확인한다. || 시스템이 자연어 규칙을 인식하고 코드 분석/검증에 반영함
|-
| 6 || 사용자는 작업에 대한 변경사항의 범위를 제한할 수 있어야 한다. || 파일 단위의 적용 범위 설정 후 결과를 확인한다. || 선택한 범위 내에서만 작업이 수행됨. 위반 시 경고 또는 수정 요청
|-
| 7 || 사용자는 라인 길이, 들여쓰기, 따옴표 등 정적 분석 가능한 규칙을 적용할 수 있어야 한다. || 정적 분석 규칙을 활성화한 후 코드 검사를 실행한다. || 지정된 정적 규칙 위반 시 경고 또는 수정 제안 출력
|-
| 8 || 사용자는 본인이 사용하고 있는 바이브 코딩 툴에 간단히 시스템을 연동할 수 있어야 한다. || Claude Code, Codex CLI 등 주요 툴과의 연동을 시험한다. || 간단한 설정(예: npm 커맨드 한 줄 입력)만으로 연동 및 기능 동작 확인
|-
| 9 || 사용자는 커버리지/복잡도 등 메트릭의 임계값을 설정할 수 있어야 한다. || 설정 UI에서 임계값 입력 후 코드 분석을 수행한다. || 설정값에 따라 경고 또는 리포트가 정확히 출력됨
|-
| 10 || 사용자는 시스템을 통해 쉽게 코드에 컨벤션을 강제할 수 있도록 해야 한다. || 매 작업마다 컨벤션 검토 호출 유무를 확인한다. || 컨벤션 검토가 모든 작업에서 이루어지는지 검증
|-
| 11 || 바이브 코딩 툴은 컨벤션을 지속적으로 확인할 수 있어야 한다. || 바이브 코딩 도구가 작업 계획에 따라 적절한 컨벤션을 요청하는지 확인한다. || 컨벤션 요청이 모두 성공하는지 확인
|-
| 12 || 사용자는 시스템의 처리 결과를 확인할 수 있어야 한다. || 코드 분석 또는 컨벤션 검사 후 결과 화면/리포트 표시를 확인한다. || 처리 결과(통과/경고/에러 등)가 명확하게 시각화되어 표시됨
|-
| 13 || 사용자는 생성된 코드가 컨벤션에 맞는지 확인할 수 있어야 한다. || 자동 생성된 코드에 대해 컨벤션 검사를 수행한다. || 생성된 코드가 설정된 컨벤션 기준을 충족하거나 위반 시 경고 발생
|-
| 14 || 사용자는 생성된 코드를 간단하게 수정할 수 있어야 한다. || 코드 생성 후 바로 편집/수정 가능 여부를 확인한다. || 생성 코드에 대해 컨벤션 위반 사항을 바로 해결하도록 지시할 수 있는지 검증
|-
| 15 || 시스템은 요청과 처리 결과에 대한 로그를 기록해야 한다. || 요청 수행 후 로그 파일/DB를 확인한다. || 모든 요청과 처리 결과가 시간/사용자 정보와 함께 기록됨
|}

====설계 사양====
; a) CLI Tool
: * '''Language''' — Go
: * '''CLI Framework''' — Cobra, survey/v2
: * '''Protocol''' — Model Context Protocol (go mcp sdk)

; b) Web Dashboard
: * '''Framework''' — Go net/http
: * '''Language''' — Go, JavaScript
: * '''UI/CSS''' — Tailwind CSS

; c) External Linter Integration
: * '''Linter''' — ESLint, Prettier, TSC, Pylint, Checkstyle, PMD, golangci-lint

==== 개념설계안 - 컨벤션 구조화 및 CLI 기반 호출 모델 ====

본 설계안은 사용자가 자연어로 정의한 코드 컨벤션을 구조화하고, 바이브 코딩 툴이 CLI를 통해 이를 불러와 검증 및 피드백하는 전체 흐름을 정의한 모델이다. 규칙 정의부터 평가와 피드백까지가 자동으로 순환되는 구조를 갖으며, 자동 피드백 루프를 통해 지속적인 품질 개선이 가능하다.

; 1. Rule Source (규칙 소스)
: 사용자가 텍스트 형태로 정의한 컨벤션 규칙이 저장되는 영역이다.
: 규칙이 수정·업데이트될 때마다 시스템은 최신 규칙 집합을 반영한다.

; 2. LLM Agent (자연어 규칙 해석기)
: LLM 에이전트는 규칙 텍스트를 파싱하고 의미를 분석하여 실행 가능한 코드 규칙 형태로 변환한다.
: 이 단계에서 규칙의 의미적 해석과 제약(Constraint) 추출이 수행된다.
: 결과적으로 평가 모듈이 이해할 수 있는 ‘명세화된 규칙 코드’를 생성한다.

; 3. Evaluation (검증 단계)
: 분석 대상 코드에 필요한 컨벤션 컨텍스트를 수집하고, LLM이 생성한 규칙 코드와 비교하여 평가한다.
: 코드 내 위반 여부를 판단하며, 위반 항목이 발견되면 라인 번호, 규칙명 등 세부 사유를 기록한다.
: 본 단계는 정적 분석과 의미 분석을 결합하여 수행된다.

; 4. Feedback (피드백 단계)
: 규칙 위반이 발견된 경우 위반 사유를 정리하고 수정 방법을 제시하며, 사용자는 수정 후 재검증을 요청할 수 있다.
: 위반이 없는 경우 작업 통과로 처리되어 다음 단계로 진행한다.

===이론적 계산 및 시뮬레이션===
; 1. LLM Validation Batching & Optimization (LLM 배치 최적화)
: '''목표''' — 다수의 의미적 규칙 검증을 배치로 묶어 처리하여 비용과 지연을 최소화한다.
: # 동일 파일 및 카테고리별로 작업을 그룹화하여 배치를 구성한다.
: # 각 배치마다 컨텍스트 압축을 수행한다(중복 규칙 설명 제거, 변경 라인 ±5줄만 추출).
: # Rate limit을 고려하여 병렬 실행으로 동시 처리한다.
: # 구조화된 JSON 응답을 파싱하여 개별 규칙 결과로 분해한다.

; 2. Dependency Engine (레이어드 아키텍처 보호)
: '''목표''' — 레이어 간 의존 방향 제약을 강제하여 아키텍처 경계를 보호한다.
: '''이론적 배경 및 계산'''
: # 모듈 의존 그래프 ''G=(V,E)''를 구축한다 (복잡도: O(|V|+|E|), ''V''=모듈, ''E''=의존 관계).
: # 각 모듈에 레이어 번호 ''ℓ(v)''를 할당한다.
: # 모든 간선 ''(u,v) ∈ E''에 대해 ''ℓ(u) ≥ ℓ(v)''인 경우를 위반으로 탐지한다(상위 레이어가 하위 레이어에 의존하는 경우).
: 레이어 할당은 파일 경로 글롭 패턴 매칭으로 수행한다(예: src/domain/ → L1, src/app/ → L2).
: 적용 예로는 클린 아키텍처의 domain ← app ← ui 방향 강제, 마이크로서비스 경계 보호, 보안 모듈 격리 등이 있다.

===상세설계 내용===

====1) 아키텍쳐 설계====
====패키지 구조 및 의존성====
[[File:아키텍쳐설계.png]]

==== 계층 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Layer !! Name !! Packages !! Responsibility
|-
| L0 || Bootstrap || cmd/sym || Entry point, provider registration via init()
|-
| L1 || Commands || internal/cmd || CLI command implementations (Cobra)
|-
| L2 || Gateways || internal/mcp, internal/server || External interfaces (MCP stdio, HTTP REST)
|-
| L3 || Core || converter, validator, importer, policy, roles || Business logic
|-
| L4 || Adapters || internal/linter/*, internal/llm/* || External tool integration
|}

==== 횡단 관심사 구성요소 설명 ====

{| class="wikitable" style="width:100%;"
! Type !! Packages !! Purpose
|-
| Infrastructure || internal/util/git, util/config, util/env || Helper functions, no business logic
|-
| Contracts || pkg/schema || Shared data types (DTOs), no behavior
|}

====아키텍쳐 다이어그램====
[[File:아키텍쳐다이어그램.png]]

====LLM Provider 아키텍처 다이어그램====
[[File:LLM아키텍쳐다이어그램.png]]

====2) 상세 설계====
a) 클래스 다이어그램

[[File:클래스다이어그램.png]]

b) 시퀀스 다이어그램

-Validate 시퀀스 다이어그램-

[[File:시퀀스다이어그램.png]]

-Registry Pattern 시퀀스 다이어그램-

[[File:Registry_Pattern_시퀀스_다이어그램.png]]

c) 유즈케이스 다이어그램

[[File:유즈케이스다이어그램2.png]]

====3) 인터페이스 설계====
a) 사용자 역할별 인터페이스 개요

{| class="wikitable" style="width:100%;"
! 사용자 역할 !! 주 사용 인터페이스 !! 주요 목적
|-
| 정책 설정자 (팀 리더, 시니어 개발자) || CLI Command, Vibe Coding Tool(MCP 연동), Web Dashboard ||
1. 코드 정책(user-policy.json)의 생성·수정·관리<br/>
2. 역할 기반 접근 제어(RBAC) 정의
|-
| 정책 소비자 (모든 개발자) || Vibe Coding Tool(MCP 연동) ||
AI에게 코드 관련 작업을 요청하고, MCP 정책이 적용된 결과를 텍스트로 확인
|}

b) CLI Command 인터페이스

{| class="wikitable" style="width:100%;"
! 명령어 !! 서브커맨드 !! 설명 !! 주요 플래그
|-
| sym init || - || 프로젝트 초기화 || --force, --skip-mcp, --skip-llm
|-
| sym dashboard || - || 웹 대시보드 실행 || --port (기본: 8787)
|-
| sym my-role || - || 현재 역할 확인/변경 || --json, --select
|-
| sym policy || path || 정책 파일 경로 확인/설정 || --set
|-
| sym policy || validate || 정책 파일 유효성 검사 || -
|-
| sym convert || - || 컨벤션 변환 || --input, --output-dir
|-
| sym validate || - || Git 변경사항 컨벤션 검증 || --policy, --staged, --timeout
|-
| sym import || - || 외부 문서에서 컨벤션 추출 || --mode (append/clear)
|-
| sym category || list || 카테고리 목록 조회 || -
|-
| sym category || add || 카테고리 추가 || --file
|-
| sym category || edit || 카테고리 편집 || --name, --description, --file
|-
| sym category || remove || 카테고리 삭제 || --file
|-
| sym convention || list || 컨벤션 목록 조회 || --category, --language
|-
| sym convention || add || 컨벤션 추가 || --category, --languages, --severity, --file
|-
| sym convention || edit || 컨벤션 편집 || --new-id, --say, --severity, --file
|-
| sym convention || remove || 컨벤션 삭제 || --file
|-
| sym mcp || - || MCP 서버 시작 (stdio) || --config
|-
| sym llm || status || LLM 프로바이더 상태 확인 || -
|-
| sym llm || test || LLM 연결 테스트 || -
|-
| sym llm || setup || LLM 설정 안내 표시 || -
|-
| sym version || - || 버전 출력 || -
|-
| sym completion || - || 쉘 자동완성 스크립트 생성 || (bash/zsh/fish/powershell)
|}

c) MCP Tool 인터페이스

{| class="wikitable" style="width:100%;"
! 도구명 !! 설명 !! 입력 파라미터 !! 비고
|-
| list_convention || 프로젝트 컨벤션 조회 || category?, languages?[] || 필터링 지원
|-
| validate_code || Git 변경사항 검증 || role? || RBAC 역할 선택
|-
| list_category || 카테고리 목록 조회 || (없음) || 전체 조회
|-
| add_category || 카테고리 추가 || categories[] (name, description) || 배치 지원
|-
| edit_category || 카테고리 편집 || edits[] (name, new_name?, description?) || 배치 지원
|-
| remove_category || 카테고리 삭제 || names[] || 배치 지원
|-
| add_convention || 컨벤션 추가 || conventions[] (id, say, category?, ...) || 배치 지원
|-
| edit_convention || 컨벤션 편집 || edits[] (id, new_id?, say?, ...) || 배치 지원
|-
| remove_convention || 컨벤션 삭제 || ids[] || 배치 지원
|-
| import_convention || 외부 문서에서 컨벤션 추출 || path, mode? || LLM 사용
|-
| convert || 컨벤션 변환 실행 || input_path?, output_dir? || 린터 설정 생성
|}

d) Web Dashboard 인터페이스

- user-policy.json 파일을 편집하는 단일 페이지 웹 애플리케이션. 전역 설정과 규칙 관리의 두 영역으로 구성된다.

e) MCP 연동 채팅 인터페이스 상세 설계 (IDE CUI)

- 각 MCP 도구들은 별도의 GUI를 가지지 않으며, 모든 결과는 텍스트 응답의 일부로 출력된다. 사용자는 AI 코딩 도구의 설정에서 "MCP 기능 사용"을 활성화하여, 본 시스템이 제공하는 MCP 도구들을 도구 목록에 추가한다.

f) 인터페이스 연동 및 데이터 흐름도

[[File:인터페이스흐름도.png]]

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====

- 메인 UI 화면 (dashboard)

[[File:대시보드메인화면.png]]

- CLI Help 출력

[[File:CLIhelp.png]]

- Claude Code MCP 통합 화면

[[File:ClaudeCodeMCP통합.png]]

====설치 (Configuration)====
a) npm설치

[[File:npm설치.png]]

b) sym init

[[File:syminit.png]]

c) MCP 활성화(Cursor)

[[File:mcp활성화cursor.png]]

====살행 (Run)====
a) CLI 내 sym init 명령어 입력: 프로젝트 내 Symphony 도구 초기화

[[File:symphony도구초기화.png]]

b) CLI 내 sym dashboard 명령어 입력: 웹 대시보드 열기

[[File:대시보드열기.png]]

c) 웹 대시보드 - 초기 화면

[[File:대시보드메인화면.png]]

d) 웹 대시보드 - 전역 설정

[[File:대시보드전역설정.png]]

e) 웹 대시보드 - 템플릿 선택

[[File:대시보드템플릿.png]]

f) 웹 대시보드 - 컨벤션 가져오기

[[File:대시보드컨벤션.png]]

g) 코드 에디터 내 코드 작성 요청

[[File:대시보드코드에디터.png]]

===관련사업비 내역서===

==== 활동비 지출 내역 ====

{| class="wikitable" style="width:100%;"
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액 !! 비고
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 319,332원 (10월 결제)
|-
| Claude Code (Max) || 1 || US$220.00 || US$220.00 || 32,310원 (11월 결제)
|-
| ChatGPT (Plus) || 1 || US$22.00 || US$22.00 || 327,258원 (10월 결제)
|-
! colspan="4" | 합계
| 678,900원
|}

===완료작품의 평가===

본 평가는 MCP를 통한 컨벤션 질의·검증 기반 코드 생성 방식과, MCP 미사용 방식(agent.md에 규칙만 주입) 간의 성능 차이를 정량·정성적으로 비교하기 위해 수행되었다.

; 비교 대상
: * '''Baseline''' — MCP 미사용 (agent.md 기반 정적 규칙 주입)
: * '''Experimental''' — MCP 사용 (list_convention / validate_code 등)

; 주요 평가 관점
: # MCP 도구 활용도
: # Keyword(필수 구현 요소) 충족률
: # Retry 이후 성공 여부(자기 수정 능력)
: # 전체 Task 성공률 개선 효과

; 평가 데이터
: 난이도 높은 코드 컨벤션 15개를 대상으로 하며, 각 컨벤션별로 반드시 포함되어야 하는 키워드(필수 구현 요소)와 포함되면 안 되는 키워드(금지 요소)를 함께 정의하여 평가에 사용하였다.

{| class="wikitable" style="width:100%;"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. MCP 사용률 || MCP tool 호출 로그 분석 || list_convention 등 필수 MCP 사용 || >90% || 20 || 96.7% (달성)
|-
| 2. Keyword 충족률 || 필수 코드 요소 매칭 || 정책 키워드 누락 없음 || >80% || 25 || 88.9% (달성)
|-
| 3. LLM Validation || Symphony 검증 통과율 || 내부 검증을 통과하는지 여부 || >75% || 20 || 96.0% (달성)
|-
| 4. Retry 개선 효과 || Retry 전/후 violation 비교 || Retry 후 통과 여부 || 80% || 20 || 85.7% (달성)
|-
| 5. 종합 성능 향상 || Baseline 대비 Pass Rate || 추출된 목표 키워드 비율 || +30%p 이상 || 15 || +46.7%p (달성)
|}

===향후계획===

==== a) 어려웠던 내용들 ====

; 규칙 위치 혼동
: MCP를 사용하지 않거나 일부만 사용할 경우, 필요한 규칙을 제대로 참조하지 못해 LLM이 규칙의 출처/적용 대상을 혼동하는 문제가 발생하였다.

; 실패 원인 파악의 어려움
: 최초 실패 시점에서 왜 실패했는지 원인이 명확히 드러나지 않아, 재시도 이후에도 동일한 실수가 반복되는 사례가 있었다.

; 작업 복잡도 증가에 따른 규칙 누락
: 작업 단계가 많아질수록 규칙 누락 가능성이 증가했으며, 다단계 작업에서는 일부 필수 요소가 빠지는 사례가 발생하였다.

; LLM 자체 한계(오해/추론 오류)
: 규칙을 조회했음에도 불구하고 코드에 정확히 반영되지 않는 경우가 존재했으며, 이는 모델의 해석 오류 또는 추론 오류로 인해 발생하였다.

; 복수 평가 기준 동시 최적화의 난이도
: MCP 사용률, 키워드 충족, 재시도 성공률 등 다양한 지표가 동시에 존재하여, 모든 지표를 동시에 개선하는 것이 어렵게 작용하였다.

; MCP 효과 설명의 난이도
: 결과물이 코드 형태로 나타나기 때문에, MCP가 왜 도움이 되었는지(어떤 과정이 개선되었는지)를 직관적으로 설명하는 데 한계가 있었다.

==== b) 차후 구현할 내용 ====

; 컨벤션 규칙 추천 기능
: 자주 사용되는 컨벤션 규칙을 사용자에게 추천하여, 중요한 규칙을 놓치지 않도록 사전 확인 단계(추천/체크리스트)를 추가한다.

; 반복 실패에 대한 대안 제시(상호작용 개선)
: 단순 재시도에 의존하지 않고, 반복적인 실패 유형을 감지하여 사용자에게 차선(대체 구현, 단계 분해, 제약 완화안 등)을 제시하는 상호작용 기능을 제공한다.

; 결과 요약 보고서 기능
: Pass/Fail, 위반 요약, 재시도 개선 여부 등을 한눈에 확인할 수 있도록 요약 리포트(대시보드/CLI 출력)를 추가한다.

; Self-Baking 고도화
: Agent의 검증 결과 및 피드백 컨텍스트를 기반으로 Convention Context를 스스로 개선(자가 보강/정제)하도록 기능을 고도화한다.

1분반-백세밥상

2025-12-20T13:53:50Z

Com238: /* 프로토타입 사진 혹은 작동 장면 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
[[파일:Mainpage.jpg]]

===관련사업비 내역서===

{| class="wikitable"
|+ 개발사업비 내역서
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액(단위 천원)
|-
| AI API 사용료
| 4개월
| 10
| 40
|-
| AWS 서버 사용료
| 4개월
| 100
| 400
|-
| 모바일 앱 배포 비용
| 1회
| 150
| 150
|-
| 도메인 및 보안 인증 비용
| 1회
| 100
| 100
|-
| 외부 자문료료
| 9시간
| 150
| 1350
|-
| 개발 인건비
| 4명*4개월
| 7000
| 28000
|}

===완료작품의 평가===
{| class="wikitable"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. 클라이언트-서버 연동 안정성 및 데이터 처리 정확도
| API 통신 테스트 및 예외 처리 검증
| API 통신 성공률 및 예외 처리 안정성 검증
| 통합 테스트 시나리오 통과 및 크리티컬 이슈
| 40%
| 데이터 파이프라인 연동 성공 및 예외 처리 로직 적용 완료
|-
| 2. 통신 간의 Response Time
| 유저가 요청한 api에 대해, 평균 응답 속도를 측정
| -
| 20ms를 목표로 함
| 25%
| 캐시 miss Avg time: 27.12ms, 캐시 hit Avg time: 14.34ms
|-
| 3. 시니어 사용자 친화성
| UI 시연 및 사용 흐름 점검
| 직관적 정보 전달 여부
| 5초 이내 정보 인지
| 35%
| 점수, 게이지, 그래프 중심 UI를 통해 시니어 사용자가 식사 상태를 직관적으로 파악할 수 있도록 구현됨
|}

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

파일:Mainpage.jpg

2025-12-20T13:52:45Z

Com238: 백세밥상 이미지

백세밥상 이미지

1분반-백세밥상

2025-12-20T13:47:28Z

Com238: /* 완료작품의 평가 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===

{| class="wikitable"
|+ 개발사업비 내역서
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액(단위 천원)
|-
| AI API 사용료
| 4개월
| 10
| 40
|-
| AWS 서버 사용료
| 4개월
| 100
| 400
|-
| 모바일 앱 배포 비용
| 1회
| 150
| 150
|-
| 도메인 및 보안 인증 비용
| 1회
| 100
| 100
|-
| 외부 자문료료
| 9시간
| 150
| 1350
|-
| 개발 인건비
| 4명*4개월
| 7000
| 28000
|}

===완료작품의 평가===
{| class="wikitable"
! 평가항목 !! 평가방법 !! 적용기준 !! 개발 목표치 !! 비중(%) !! 평가결과
|-
| 1. 클라이언트-서버 연동 안정성 및 데이터 처리 정확도
| API 통신 테스트 및 예외 처리 검증
| API 통신 성공률 및 예외 처리 안정성 검증
| 통합 테스트 시나리오 통과 및 크리티컬 이슈
| 40%
| 데이터 파이프라인 연동 성공 및 예외 처리 로직 적용 완료
|-
| 2. 통신 간의 Response Time
| 유저가 요청한 api에 대해, 평균 응답 속도를 측정
| -
| 20ms를 목표로 함
| 25%
| 캐시 miss Avg time: 27.12ms, 캐시 hit Avg time: 14.34ms
|-
| 3. 시니어 사용자 친화성
| UI 시연 및 사용 흐름 점검
| 직관적 정보 전달 여부
| 5초 이내 정보 인지
| 35%
| 점수, 게이지, 그래프 중심 UI를 통해 시니어 사용자가 식사 상태를 직관적으로 파악할 수 있도록 구현됨
|}

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

1분반-백세밥상

2025-12-20T13:42:35Z

Com238: /* 관련사업비 내역서 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===

{| class="wikitable"
|+ 개발사업비 내역서
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액(단위 천원)
|-
| AI API 사용료
| 4개월
| 10
| 40
|-
| AWS 서버 사용료
| 4개월
| 100
| 400
|-
| 모바일 앱 배포 비용
| 1회
| 150
| 150
|-
| 도메인 및 보안 인증 비용
| 1회
| 100
| 100
|-
| 외부 자문료료
| 9시간
| 150
| 1350
|-
| 개발 인건비
| 4명*4개월
| 7000
| 28000
|}

===완료작품의 평가===
내용

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

1분반-백세밥상

2025-12-20T13:40:33Z

Com238: /* 관련사업비 내역서 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===

{| class="wikitable"
|+ 개발사업비 내역서
! 항목(품명, 규격) !! 수량 !! 단가 !! 금액(단위 천원)
|-
| AI API 사용료
| 4개월
| 10
| 40
|}

===완료작품의 평가===
내용

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

1분반-백세밥상

2025-12-20T13:38:53Z

Com238: /* 향후계획 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

1분반-백세밥상

2025-12-20T13:38:24Z

Com238: /* 향후계획 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
;어려웠던 내용들
:점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:;실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:;테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.

1분반-백세밥상

2025-12-20T13:37:54Z

Com238: /* 향후계획 */

<div>__TOC__</div>

==프로젝트 개요==
=== 기술개발 과제 ===
''' 국문 : ''' 시니어 개인 맞춤형 식사 관리 AI 에이전트

''' 영문 : ''' Senior Personal Customized Meal Management AI Agent

===과제 팀명===
백세밥상

===지도교수===
유*진 교수님

===개발기간===
2025년 9월 ~ 2025년 12월 (총 4개월)

===구성원 소개===
서울시립대학교 컴퓨터과학부 2021920*** 염*윤(팀장)

서울시립대학교 컴퓨터과학부 2021920*** 안*혁

서울시립대학교 컴퓨터과학부 2022920*** 부*은

서울시립대학교 물리학과 2019550*** 신*운

==서론==
===개발 과제의 개요===
====개발 과제 요약====
:급속한 고령화로 초고령 사회 진입을 앞둔 대한민국에서 시니어 계층의 불규칙한 식습관과 영양 불균형 문제는 주요 사회적 과제로 부상했다. 기존 건강 관리 솔루션은 전 연령을 대상으로 하여 시니어의 특화된 요구를 반영하지 못하고, 복잡한 사용법과 한식 중심의 식단을 정확히 분석하지 못하는 기술적 한계를 지닌다.
:본 과제는 이러한 문제 해결을 위해, 시니어 AI 맞춤형 기반 식사 관리 에이전트를 개발하는 것을 목표로 한다. 사용자가 스마트폰으로 식단 사진을 촬영하면, AI가 자동으로 음식 종류와 영양 성분을 분석하고 기록한다. 분석된 데이터는 사용자가 사전에 입력한 보유 질환 정보와 연계되어, 개인에게 최적화된 맞춤형 건강 피드백과 식단 가이드를 제공한다.
:사용자 편의성을 위해 사진 촬영만으로 식단을 기록하는 직관적인 UI/UX를 설계하고, 백엔드에서는 RAG 및 대규모 언어모델을 활용하여 건강 관련 질문에 신뢰성 높은 답변을 실시간으로 제공한다. 이를 통해 시니어 사용자는 복잡한 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 지속 가능한 식습관을 형성할 수 있다. 최종적으로는 시니어의 건강 증진과 삶의 질 향상에 기여하고, 나아가 국가 전체의 사회적 의료 비용 절감에 이바지하고자 한다.

====개발 과제의 배경====
:;1. 초고령 사회 진입과 시니어 헬스케어 수요 급증
::대한민국은 통계청의 장래인구추계에 따르면 2025년 65세 이상 인구 비중이 20.6%에 달하는 초고령사회로 진입할 것으로 전망된다. 이러한 급속한 고령화는 시니어 계층의 건강 관리 문제를 사회적 핵심 과제로 부상하게 하였다. 특히 만성질환 유병률이 높은 노년층의 불규칙한 식숍관과 영양 불균형은 건강 악화의 주요 원인으로 지목되고 있어, 개인 맞춤형 영양 관리 솔루션에 대한 시장의 요구가 폭발적으로 증가하고 있다.

:;2. 기존 솔루션의 한계와 시니어 디지털 접근성 향상
::현재 출시된 건강 관리 애플리케이션들은 대부분 전 연령을 대상으로 하는 범용적 기능을 제공하여, 시니어의 특화된 요구와 신체적 특성을 반영하지 못하는 한계가 존재한다. 또한, 복잡한 사용자 인터페이스는 디지털 기기 사용에 익숙하지 않은 시니어들에게 높은 진입 장벽으로 작용한다. 그러나 과학기술정보통신부의 조사에 따르면 60대 스마트폰 보유율이 98.3%에 달하는 등, 시니어 계층의 디지털 접근성은 크게 향상되었고, 이는 스마트폰 기반의 쉽고 직관적인 건강 관리 서비스가 성공할 수 있는 충분한 기반이 마련되었음을 시사한다.

:;3. 한식 중심의 식단 분석 기술 부재
::시니어 계층의 식단은 국, 찌개, 다양한 밑반찬으로 구성된 한식이 중심을 이룬다. 하지만 기존 음식 인식 기술은 단일 메뉴나 정형화된 음식 분석에는 용이하나, 여러 음식이 한 번에 제공되고 국물 요리가 많은 한식의 특성을 정확히 분석하는 데 어려움이 있다. 따라서 시니어 유저에게 실질적인 도움을 주기 위해서는 한식에 특화된 고도화된 AI 음식 인식 및 영양 분석 기술의 개발이 필수적이다.

:;결론
::본 과제는 높은 스마트폰 보급률에도 불구하고, 기존 건강 관리 앱들의 복잡한 사용법과 어려운 정보로 인해 식습관 관리에 어려움을 겪는 시니어 계층의 문제점을 해결하고자 한다. 이를 위해, 스마트폰으로 음식 사진을 촬영하는 직관적이고 단순한 행위만으로 자신의 식단을 자동으로 기록하고 분석하는 사용자 인터페이스를 제공한다. AI 기반의 한식 특화 이미지 인식 기술은 국, 찌개, 다양한 반찬으로 구성된 복합적인 식단의 영양 성분을 정밀하게 분석하며, 사용자가 사전에 입력한 보유 질환 정보를 바탕으로 개인에게 최적화된 건강 피드백을 전달하는 핵심 기능이 있다. 이를 통해 사용자는 번거로운 과정 없이 자신의 영양 상태를 객관적으로 파악하고, 주도적으로 식습관을 개선하여 항산화, 질병 관리 등의 방법으로 건강 수명을 연장하는 효과를 기대할 수 있다. 장기적으로는 노년층의 만성질환을 효과적으로 예방 및 관리함으로써 국가 전체의 사회적 비용 절감에 기여하고, 시니어 디지털 헬스케어 시장을 선도하며 AI 기술 생태계에 긍정적인 파급 효과를 가져올 것이라 기대한다.

====개발 과제의 목표 및 내용====

:본 개발 과제는 시니어 사용자의 편의성을 극대화하고 실질적인 건강 개선을 유도하는 것을 최종 목표로 삼는다. 이를 달성하기 위해 다음과 같은 네 가지 핵심 기능을 개발하고 구현하고자 한다.

:;AI 기반 음식 사진 인식 및 자동 기록
::스마트폰 카메라로 식사 사진을 촬영하면, AI 이미지 인식 기술이 국, 밥, 반찬 등 한식 상차림의 각 메뉴를 자동으로 식별하고 식단으로 기록하는 기능이다. 이는 디지털 기기 활용에 익숙하지 않은 시니어 사용자가 복잡한 수동 입력 과정 없이 단 한 번의 촬영만으로 식단을 기록하게 하여, 데이터 입력의 진입 장벽을 획기적으로 낮추고 서비스 사용률을 극대화하는 것을 목표로 한다.

:;한식 특화 영양 정보 정밀 분석
::인식된 음식 메뉴를 기반으로 칼로리, 탄수화물, 단백질, 지방 등 기본 영양소는 물론, 시니어 건강에 중요한 나트륨, 당류 등의 함량을 정밀하게 분석하여 제공한다. 특히 국물과 발효 음식이 많은 한식의 특성을 고려한 데이터베이스를 구축하여, 일반적인 영양 분석 앱보다 훨씬 정확하고 신뢰도 높은 정보를 제공함으로써 사용자의 식단에 대한 객관적인 이해를 돕는다.

:;보유 질환 기반 개인 맞춤형 피드백
::사용자가 사전에 입력한 당뇨, 고혈압 등 개인의 보유 질환 정보와 분석된 영양 정보를 연계하여 맞춤형 건강 피드백을 제공한다. 예를 들어, 혈압이 높은 사용자에게는 나트륨 섭취량에 대한 경고와 함께 저염식 대안을 제시하는 등, 어려운 영양 정보를 사용자가 이해하기 쉬운 실행가능한 조언의 형태로 변환하여 실질적인 식습관 개선을 유도한다.

:;식습관 통계 및 건강 리포트 시각화
::매일 기록된 식단 데이터를 축적하여 주간, 월간 단위의 영양 섭취 패턴, 식사 시간 규칙성 등을 분석하고, 이를 그래프나 차트 등 이해하기 쉬운 형태로 시각화하여 제공한다. 사용자는 자신의 식습관을 한눈에 파악하고 장기적인 변화를 추적할 수 있으며, 필요시 해당 리포트를 가족에게 공유하여 보다 체계적인 건강 관리를 받는 데 도움이 되도록 한다.

===관련 기술의 현황===
====관련 기술의 현황 및 분석(State of art)====
*전 세계적인 기술현황
::;AI 식단 인식 기술 최신 트렌드
:::최근에는 딥러닝 기반 이미지 인식 기술(CNN, Vision Transformer 등)을 활용하여 음식 사진에서 자동으로 음식 종류와 양을 추출하는 연구가 활발히 진행되고 있다. OCR 기술과 결합하여 음식 라벨/메뉴판 인식을 지원하고, 음식 사진만으로 영양소 및 칼로리를 계산하는 서비스가 등장하고 있다. 모바일 환경에서도 Edge AI 및 경량화된 모델(TensorFlow Lite, ONNX 등)을 활용하여 실시간 분석이 가능해지고 있다.
::;개인 맞춤형 건강 관리 AI 기술
:::대규모 언어모델(LLM, ChatGPT, DeepSeek 등)과 RAG(Vector Database) 기술을 활용하여, 사용자의 건강 데이터와 음식 기록을 결합한 맞춤형 피드백 제공이 가능해졌다. 기존 헬스케어 앱들은 단순 기록에 머물렀지만, 최근에는 AI 코칭 기능을 통해 개인의 생활 습관 변화까지 유도하는 방향으로 발전하고 있다.
*특허조사 및 특허 전략 분석
::;특허조사
:::KR1020180059659A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템과 방법
:::US9734426B2 : 모바일로 음식 이미지를 인식하고 섭취량을 추정해 영양 정보를 산출
:::CN111902878A : 음식 분석, 개인 맞춤 추천 및 건강관리 시스템 및 방법
::;특허전략
:::본 프로젝트는 특허 등록을 목표로 하지 않으며, 기존 공개 기술과 오픈소스 프레임워크를 적극 활용한다. OCR, AI 인식, 데이터 분석 등 핵심 기술은 이미 다수의 특허로 보호되고 있으므로, 특허 침해를 피하면서 범용적으로 사용 가능한 오픈소스 도구를 기반으로 개발한다. 프로젝트의 차별성은 기술 특허보다는 시니어 친화적 UI/UX, 개인 맞춤형 서비스 설계에 두어, 서비스 차별화를 통해 경쟁력을 확보한다.
*기술 로드맵
::;OCR 기술 로드맵
:::~2010년대: 전통적 OCR, 패턴 매칭, 음식 DB 기반 칼로리 계산(Tesseract, SVM, KNN)
:::2010~2019년: 딥러닝 기반 이미지 인식, Scene Text 인식, CNN 기반 음식 분류(CRNN, CNN, LSTM, 이미지넷 기반 모델)
:::2020년~현재: Vision Transformer 기반 실시간 음식 인식, OCR+NLP 융합, 모바일 환경 경량화(Transformer OCR, PaddleOCR, TensorFlow Lite, MobileNet, EfficientNet)
::;개인 맞춤형 건강 관리 AI 기술
:::~2010년대: 단순 건강 기록, 칼로리 계산 중심(MyFitnessPal, Fitbit)
:::2010~2019년: 웨어러블 연동, 운동·수면 데이터 통합 관리(Apple Health, Google Fit)
:::2020년~현재: LLM 기반 AI 코칭, RAG로 개인화된 피드백 제공(멀티모달 LLM, Edge AI 기반 헬스케어 솔루션)

====시장상황에 대한 분석====
*경쟁제품 조사 비교
::;인아웃
:::주요 기능: 식단/운동/체중 올인원 기록, AI 상담/기록/코치
:::사용자 편의성: 다양한 기록 기능, AI 맞춤 분석
:::차별점: 랭킹 시스템, 캐릭터 방 꾸미기
::;파스타
:::주요 기능: AI 카메라 식단 사진 기록, 혈당/체중 관리 특화
:::사용자 편의성: 스마트워치 연동, 혈당/걸음수/심박수 자동 측정
:::차별점: 혈당 기록 공유, 블루투스 디바이스 연결
::;필라이즈
:::주요 기능: AI 코치, 사진 기반 식단 입력
:::사용자 편의성: 영양제 추천 및 쇼핑 서비스 제공
:::차별점: 현금 포인트 제공, 전문가 맞춤 관리
::;개발 예정 앱
:::주요 기능: 시니어 맞춤형 식단 관리, 사진 업로드+AI 자동 분석
:::사용자 편의성: 시니어 친화적 UI/UX, 간단 입력, 알림 기반 관리
:::차별점: 시니어 맞춤 피드백, 시니어 특화 UX
::기존 앱들은 주로 체중 관리나 영양제 추천 등 일반적인 건강관리 기능에 집중하고 있으며, 시니어 맞춤형 기능은 부족하다. 반면 개발 예정 앱은 시니어 친화적 UI와 AI 기반 맞춤형 피드백을 통해 차별화된 식사 관리 서비스를 제공한다. 또한 사진 업로드와 텍스트 입력 방식을 병행하여 사용자의 입력 부담을 최소화하고, 개인의 건강 데이터와 연동해 맞춤형 식단을 제안한다. 이를 통해 시니어 사용자의 편의성과 실질적인 건강관리 효과를 동시에 강화할 수 있다는 점에서 경쟁 우위를 가진다.
*마케팅 전략 제시
:;초기 사용자 확보
::시니어 친화적인 커뮤니티(노인 복지관, 보건소 등)와 연계하여 초기 사용자를 모집한다. 가족이나 보호자를 대상으로 한 체험 이벤트를 마련하여, 자녀·보호자가 부모님께 앱 사용을 권유할 수 있도록 한다. 건강 관련 유튜브 채널, 카카오톡 채널, 블로그 등을 활용해 신뢰성 있는 건강관리 콘텐츠와 함께 앱을 홍보한다.
:;차별화된 콘텐츠 제공
::AI 분석 결과를 기반으로 한 맞춤형 건강 리포트, 식습관 개선 가이드라인을 제공하여 사용자의 신뢰와 만족도를 높인다. 텍스트 입력 및 사진 업로드를 통한 간단 기록뿐 아니라, 알림 기능(식사 시간 알림, 영양불균형 경고 등)을 제공해 지속적인 앱 사용을 유도한다.
:;지속적인 개선 및 업데이트
::시즌별/질환별 맞춤 식단 캠페인(예: 여름철 수분 보충 식단, 당뇨 환자 맞춤 식단 등)을 운영하여 꾸준한 관심을 유지한다.

===개발과제의 기대효과===
====기술적 기대효과====
:;한식 상차림 특화 복합 음식 인식 모델 고도화
::국, 찌개, 밥, 다수의 밑반찬으로 구성된 한국의 식사 문화를 분석하기 위해, 복합적인 상차림 환경에 특화된 인공지능 이미지 인식 모델을 개발한다. 이는 일반적인 객체 인식 모델이 가지는 한식 분석 정확도의 한계를 극복하는 기술이다. 특히, 음식이 서로 겹쳐 인식이 어려운 영역에 대한 정밀한 세그멘테이션 및 다중 객체 분류 기술을 확보하여 음식 인식 기술의 정밀도를 향상시킨다. 이 기술적 성과는 국내 음식 인식 분야의 경쟁력을 강화하는 기반이 된다.

:;RAG(검색 증강 생성) 구조 기반의 영양 정보 신뢰성 확보
::사용자가 입력하는 건강 관련 질문에 대해 신뢰할 수 있는 답변을 제공하고자, 대규모 언어 모델(LLM)을 활용하는 RAG(Retrieval-Augmented Generation) 아키텍처를 구축한다 . 이 시스템은 최신 영양학 및 만성 질환 관리 전문 데이터베이스를 검색 엔진으로 활용하여, 인공지능이 생성한 답변의 출처와 근거를 명확히 제시한다. 이는 헬스케어 정보의 신뢰도를 높이고 오정보 제공 위험을 최소화하는 기술적 구조이다.

:;보유 질환 연계 기반의 맞춤형 영양소 피드백 알고리즘 개발
::사용자가 온보딩 과정에서 입력한 당뇨, 고혈압 등의 만성 질환 정보와 인공지능이 분석한 실시간 식단 영양소 데이터를 연계하여 최적화된 피드백을 제공하는 독자적인 알고리즘을 개발한다. 이 알고리즘은 단순한 영양소 함량 경고를 넘어, 질환별 권장 섭취 기준에 맞춰 구체적인 저염식 대체 식재료나 적합한 조리법 등의 실행 가능한 규칙 기반 조언을 생성한다. 이는 사용자에게 실질적인 식습관 개선 가이드를 제공하는 기술적 차별성을 확보한다.

:;직관적 UI/UX 구현을 위한 모바일 성능 최적화 기술 적용
::디지털 기기 사용에 익숙하지 않은 시니어 사용자의 편의성을 극대화하기 위해, 서비스 접근성 향상에 필요한 모바일 기술 최적화를 진행한다. React Native 기반에서 발생하는 성능 부하를 최소화하고자 Hermes 엔진을 비롯한 네이티브 성능 기술을 활용한다. 또한, KeyboardAvoidingView의 정교한 제어를 통해 입력 환경을 개선하고, 사용자 흐름에 맞춘 직관적인 UI/UX 구현을 통해 서비스의 지속적인 사용을 유도하는 기술적 기반을 마련한다.

====경제적, 사회적 기대 및 파급효과====

:;시니어 헬스케어 시장 진입 및 경제적 가치 창출
::본 과제를 통해 개발되는 한식 특화 인공지능 식단 분석 기술은 기존 헬스케어 시장의 기술적 공백을 해소한다. 이 기술은 급증하는 노년층 건강 관리 시장에서 경쟁 우위를 확보한다. 향후 보험사, 요양기관 등과의 협력을 통한 B2B2C 서비스 모델로의 확장이 가능하며, 이를 통해 새로운 수익원을 창출하고 고부가가치 서비스 산업 성장에 기여하는 경제적 효과가 예상된다.

:;국가적 의료 비용 절감 및 사회적 부담 경감
::노년층의 만성 질환 관리는 국가 보건 재정 지출의 주요 항목이다. 본 서비스는 사용자에게 식습관의 주도적 개선을 유도하여 질환의 예방 및 관리를 지원한다. 장기적으로 노년층의 합병증 발생률과 의료 이용 비용을 감소시킨다. 이는 국가 전체의 사회적 부담을 실질적으로 완화하는 사회적 비용 절감 효과를 가져온다.

:;노년층의 디지털 정보 접근성 제고 및 삶의 질 향상
::사진 촬영이라는 직관적인 사용자 조작 방식을 채택하여 노년층의 디지털 헬스케어 서비스 접근 장벽을 낮춘다. 이는 기존 디지털 기기 사용에 어려움을 겪던 사용자들의 정보 격차 해소에 기여한다. 지속적인 건강 관리를 통해 노년층의 활동적인 건강 수명(Health Span)을 연장하고, 주도적인 생활 방식 유지를 가능하게 하여 노년기 삶의 질을 향상시키는 긍정적인 사회적 파급 효과를 창출한다.

:;인공지능 기반 한식 빅데이터 자원 구축 및 관련 산업 활성화
::서비스 운영을 통해 대규모의 한식 식단 이미지 및 영양 섭취 패턴 데이터가 지속적으로 축적된다. 이 데이터는 향후 음식 인식 기술의 정밀화 및 영양학 연구 발전에 필수적인 독점적 빅데이터 자원으로 활용된다. 이러한 데이터 생태계 구축은 관련 인공지능 연구 분야를 활성화하고, 헬스케어 컨설팅 및 영양 관리 에이전트 운영 등 새로운 서비스 직무 및 일자리를 창출하는 부수적 경제 효과를 유발한다.

===기술개발 일정 및 추진체계===
====개발 일정====
2025.09 ~ 2025.12

====구성원 및 추진체계====
염*윤(팀장): AI 에이전트 개발
안*혁: 프론트엔드 개발
부*은: 프론트엔드 개발
신*운: 백엔드 개발

==설계==
===설계사양===
====제품의 요구사항====

{| class="wikitable"
|+ 요구사항 목록
! ID !! 구분 !! D or W !! 중요도 !! 상세
|-
| R1
| 간편한 식사 기록
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬용 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R2
| 정확한 영양 분석
| D
| 대
| 사용자는 복잡한 과정 없이 음식 사진 촬영 또는 텍스트로 식사 기록을 할 수 있어야 한다.
|-
| R3
| 개인 맞춤형 식단 제안
| D
| 대
| 사용자는 연령, 성별, 알러지, 건강 목표(근육 증가, 당뇨 관리 등)를 반영한 맞춤형 레시피 및 영양 가이드를 제공받기를 원한다.
|-
| R4
| 시니어 친화적 사용성
| D
| 대
| 시니어 사용자는 복잡하지 않고 직관적인 UI/UX를 통해 서비스를 쉽게 이용할 수 있어야 한다.
|-
| R5
| 식습관 개선 피드백
| W
| 중
| 사용자는 식사 기록 직후 제공되는 밀리포트 형태의 즉각적인 피드백과, 일/주 단위 분석을 기반으로 한 식습관 개선 피드백을 받고 싶어 한다.
|-
| R6
| 장기 식습관 분석
| W
| 중
| 사용자는 밀리포트와 같은 즉각적 피드백을 넘어, 일/주 단위 식습관 개선 패턴 분석을 통해 영양 상태를 한눈에 파악하고 개선 방향을 알고자 한다.
|-
| R7
| 건강 관리 지속성
| D
| 대
| 사용자는 앱 종료나 재실행 이후에도 이전 기록과 설정이 유지되는 연속적인 관리 경험을 원한다.
|}

===개념설계안===
:설계사양에 명시된 요구사항, 특히 복잡한 한식 상차림을 분석하여 개인 맞춤형 건강 점수를 산출해야 하는 핵심 과제를 해결하기 위해, 다음과 같은 독창적인 아이디어를 제시한다. 본 아이디어는 AI의 분석 철학과 데이터 처리 방식에서 차별점을 가지며, 팀원 간의 심도 있는 논의를 통해 도출되었다.
:;정밀 분석 및 정량 점수화 시스템
::이 설계안은 데이터 기반의 정밀성과 객관성을 최우선 가치로 두는 접근법이다. 시스템은 사용자가 업로드한 사진에서 객체 탐지 모듈을 통해 모든 음식을 개별적으로 식별하고, 한식 영양성분 데이터베이스와 연동하여 영양 정보를 추출한다. 이후 점수 산출 엔진이 이 데이터를 기반으로 단백질 요구량, 탄단지 균형 등 정의된 모든 공식을 실행하여 최종 점수를 정밀하게 연산한다. 이러한 방식은 프로젝트의 핵심 근거 자료인 점수 산출 로직을 가장 직접적이고 정확하게 구현하여 목표 부합성이 높고, 사용자의 식단을 수치적으로 분석하여 데이터에 기반한 객관적인 피드백을 제공할 수 있다.

===상세설계 내용===
;소프트웨어 아키텍쳐 구조
* Client: 사용자가 시스템과 상호작용하기 위해 사용하는 React Native 기반의 모바일 애플리케이션이다.
* EC2: Amazon이 제공하는 클라우드 컴퓨팅 서비스로, 백엔드 시스템이 구동되는 물리적 서버 환경을 제공한다.
* Docker: 컨테이너 기반 가상화 플랫폼이다. Spring Boot, FastAPI, Nginx 등을 독립된 컨테이너로 패키징하여 EC2 내에서 환경 충돌 없이 일관된 배포 환경을 보장한다.
* Nginx: 리버스 프록시 서버로서, 클라이언트의 요청을 받아 URL 경로에 따라 Spring Boot 또는 FastAPI로 적절히 라우팅하는 단일 진입점 역할을 한다.
* Spring Boot: 메인 백엔드 서버로, 사용자 요구사항 처리 및 데이터 관리 등 AI 분석을 제외한 전반적인 비즈니스 로직을 수행한다.
* Fast-API: AI 분석 전용 서버이다. 유저가 입력한 식사 사진과 텍스트를 AI 모델로 분석하여 점수를 산출하고 피드백을 생성한다.
* Redis: 인메모리 데이터 저장소로, RDB에서 조회 빈도가 높지만 변경이 적은 데이터(레시피, 일일 보고서 등)를 캐싱하여 응답 속도를 높인다.
* MySQL (Amazon RDS): 애플리케이션의 핵심 정형 데이터를 관리하는 관계형 데이터베이스이다. 가용성과 운영 효율을 위해 AWS RDS를 사용한다.
* S3: 사용자가 업로드하는 식단 이미지를 저장하는 클라우드 스토리지이다. FastAPI는 이곳에 저장된 이미지 URL을 통해 분석 작업을 수행한다.
* Nginx: 고성능 웹 서버이자 리버스 프록시이다. 클라이언트(React Native)의 모든 요청을 가장 먼저 받아, 요청의 목적지(URL 경로 등)에 따라 Spring Boot(메인 로직)로 트래픽을 분산 및 라우팅하는 • 단일 진입점(Single Entry Point) 역할을 수행한다.

==결과 및 평가==
===완료 작품의 소개===
====프로토타입 사진 혹은 작동 장면====
내용

===관련사업비 내역서===
내용

===완료작품의 평가===
내용

===향후계획===
;어려웠던 내용들
:;점수 산출 모델 설계의 어려움
::사용자의 질병 관리를 위한 점수 산출 모델 설계하는 과정에서, 음식종류, 나이, 성별 등 다양한 요소를 고려해야 했고, 질병(고혈압, 고지혈증, 근감소증, 황잔변성, 심근셩색, 뼈질환) 유형에 따라 점수 산출 기준을 달리 구성하는 데 어려움이 있었다.
:;피드백 체감 효과 및 지속 사용 유도 한계
::AI가 피드백을 제공하더라도 사용자가 즉각적인 효과나 변화를 체감하기 어려운 문제가 있었고, 점수 산출 모델 특성상 점수가 전반적으로 낮게 산출되는 경향이 있어, 사용자에게 동기 부여보다는 부담으로 인식될 가능성이 있었다. 이로 인해 서비스의 실효성과 장기적인 지속 사용 의향을 높이는 데 한계가 있었다.
:;백엔드-AI-프론트엔드 연동의 복잡성
::각 시스템 산 데이터 흐름과 역할을 정의하고 안정적으로 연동하는 과정에서 구조 설계 및 디버깅에 어려움이 있었다.
:;실행 환경별 UI 일관성 확보의 어려움
::로컬 개발 환경(에뮬레이터/실기기)에서 UI가 서로 다르게 보이거나, 빌드 이후 실제 앱에서 UI가 달라지는 문제가 발생해 화면을 반복적으로 수정/검증하는 과정이 시간 많이 소요하고 어려웠다.
:;시니어 사용자 관점의 UI/UX 설계
::가독성과 단순성을 유지하면서도 필요한 정보를 충분히 제공하기 위한 UI 구성에 고민이 많았다.
:;테스트 사용자 확보의 어려움
::실제 앱 사용 환경을 검증하기 위한 테스트 사용자를 모집하는 데 어려움이 있었다.
;차후 구현할 내용
:;대화형 건강 관리 에이전트 도입
::사용자의 식사 기록과 리포트 데이터를 기반으로 대화를 통해 식습관 개선 방향을 안내하는 인터랙티브 에이전트를 구현할 계획이다.
:;리포트 기반 질의응답 기능
::사용자가 “오늘 왜 점수가 낮았어?”, “이번 주에 부족한 영양소는?”과 같은 질문을 하면, 일간/주간 리포트 분석 결과를 바탕으로 설명을 제공하는 기능을 추가할 예정이다.
:;시니어 친화 음성 기반 인터페이스
::텍스트 입력이 어려운 사용자를 위해 음성 입력 및 음성 안내 기능을 대화형 에이전트와 연계하여 구현할 예정이다.
:;소셜 로그인 기능 확장
::카카오, Gmail, 네이버 로그인 기능을 추가하여 사용자 로그인 과정을 더 간편하게 개선할 예정이다.
:;iOS/웹 지원 및 멀티플렛폼 확장
::현재는 개발 환경 제약으로 Android 중심으로 개발이 진행되었으나, 향후 iOS에서도 동일한 기능을 제공할 수 있도록 플랫폼을 확장할 계획이다. 또한 웹 버전으로 확장하여 다양한 기기에서 일관된 사용자 경험을 제공하고자 한다.