2분반-뮤즈 - 편집 역사

Com239: /* 관련사업비 내역서 */

2025-12-19T04:09:59Z

‎관련사업비 내역서

Com239: /* 완료작품의 평가 */

2025-12-19T04:08:00Z

‎완료작품의 평가

Com239: /* 프로토타입 사진 혹은 작동 장면 */

2025-12-19T04:07:46Z

‎프로토타입 사진 혹은 작동 장면

Com239: /* 프로토타입 사진 혹은 작동 장면 */

2025-12-19T04:07:28Z

‎프로토타입 사진 혹은 작동 장면

Com239: /* 결과 및 평가 */

2025-12-19T04:04:36Z

‎결과 및 평가

Com239: /* 상세설계 내용 */

2025-12-19T03:54:19Z

‎상세설계 내용

Com239: /* 이론적 계산 및 시뮬레이션 */

2025-12-19T03:53:40Z

‎이론적 계산 및 시뮬레이션

Com239: /* 개념설계안 */

2025-12-19T03:53:23Z

‎개념설계안

Com239: /* 설계 사양 */

2025-12-19T03:52:09Z

‎설계 사양

Com239: /* 설계 사양 */

2025-12-19T03:51:39Z

‎설계 사양

@@ 358번째 줄: / 358번째 줄: @@
 ===관련사업비 내역서===
-내용
+[[파일:뮤즈_내역서.png]]
 ===완료작품의 평가===

@@ 362번째 줄: / 362번째 줄: @@
 ===완료작품의 평가===
 [[파일:뮤즈_평가.png]]
 실사용 가능한 수준의 성능과 응답 품질 확보하였으며 대규모 레시피(약 10만 건) 환경에서도 검색 및 응답 안정성을 확인 확인하였다. 영양 정보는 공공데이터포털에서 참고한 데이터에 누락이 많아 부정확한 부분이 많았다. 알러지 및 비건 등에 대한 반영은 답변에서 잘 나타났다. 사용자 피드백은 의미적 유사도를 해치지 않으면서 많은 사람들이 선호하는 레시피가 더 우선시되는 결과가 나타났다. 컴퓨터마다의 응답시간의 편차가 다소 존재하는 것을 제외하고 사용성 및 성능 또한 준수한 것으로 확인하였다.
 ===향후계획===

@@ 353번째 줄: / 353번째 줄: @@
 ◇ 히스토리 페이지
- 사용자의 과거 질의 및 레시피 생성 결과를 확인할 수 있는 대화 이력 관리 화면이다. 이전 검색 기록을 다시 조회하거나 참고할 수 있어 서비스 이용 편의성을 높인다.
+사용자의 과거 질의 및 레시피 생성 결과를 확인할 수 있는 대화 이력 관리 화면이다. 이전 검색 기록을 다시 조회하거나 참고할 수 있어 서비스 이용 편의성을 높인다.
 [[파일:뮤즈_화면7.png]]

@@ 316번째 줄: / 316번째 줄: @@
 ====프로토타입 사진 혹은 작동 장면====
 ◇ 메인 페이지
 본 시스템의 메인 화면으로, 서비스 소개와 함께 사용자가 챗봇 기능을 바로 이용할 수 있도록 구성되어 있다. 간단한 안내 문구와 주요 기능 접근 버튼을 제공하여 처음 사용하는 사용자도 쉽게 서비스를 이해할 수 있도록 설계하였다.
 [[파일:뮤즈_화면1.png]]
 ◇ 로그인 및 회원가입 페이지
 사용자 인증을 위한 로그인 및 회원가입 화면으로, 개인별 서비스 제공을 위해 설계되었다. 회원 정보는 이후 대화 히스토리 관리 및 사용자 맞춤 추천 기능에 활용된다.
 [[파일:뮤즈_화면2.png]]
 ◇ 설정 페이지
 사용자의 알레르기 정보, 비건 여부 등 개인 식단 제한 조건을 설정하는 화면이다. 설정된 정보는 레시피 검색 및 추천 과정에서 사전 필터링 조건으로 적용된다.
 [[파일:뮤즈_화면3.png]]
 ◇ 레시피 생성 페이지
 사용자가 자연어로 요리 관련 질문을 입력할 수 있는 챗봇 인터페이스 화면이다. 재료, 조리 시간, 난이도 등 다양한 조건을 자유롭게 입력하여 레시피 생성을 요청할 수 있다.
 [[파일:뮤즈_화면4.png]]
 ◇ 레시피 생성 기능
 RAG 구조를 기반으로 생성된 레시피 결과를 출력하는 화면이다. 검색된 레시피 정보를 바탕으로 조리 단계, 재료, 주의사항 등을 자연스러운 문장 형태로 제공한다.
 [[파일:뮤즈_화면5.png]]
 ◇ 피드백 기능
 사용자가 생성된 레시피 응답에 대해 피드백을 입력할 수 있는 기능이다. 수집된 피드백은 이후 레시피 추천 및 응답 품질 개선을 위한 데이터로 활용된다.
 [[파일:뮤즈_화면6.png]]
 ◇ 히스토리 페이지
   사용자의 과거 질의 및 레시피 생성 결과를 확인할 수 있는 대화 이력 관리 화면이다. 이전 검색 기록을 다시 조회하거나 참고할 수 있어 서비스 이용 편의성을 높인다.
 [[파일:뮤즈_화면7.png]]

@@ 315번째 줄: / 315번째 줄: @@
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
+◇ 메인 페이지
-====포스터====
+본 시스템의 메인 화면으로, 서비스 소개와 함께 사용자가 챗봇 기능을 바로 이용할 수 있도록 구성되어 있다. 간단한 안내 문구와 주요 기능 접근 버튼을 제공하여 처음 사용하는 사용자도 쉽게 서비스를 이해할 수 있도록 설계하였다.
-내용
+[[파일:뮤즈_화면1.png]]
 ===관련사업비 내역서===
@@ 323번째 줄: / 347번째 줄: @@
 ===완료작품의 평가===
-내용
+[[파일:뮤즈_평가.png]]
 ===향후계획===
-내용
+====어려웠던 내용들====
-===특허 출원 내용===
+추가적으로 사용자 피드백 데이터를 장기적으로 축적·분석하여, 단순 가중치 반영을 넘어 개인화 추천 모델 또는 학습 기반 RAG 고도화로 확장하는 것도 중요한 향후 과제로 볼 수 있다. 이를 통해 사용자 선호도 변화에 능동적으로 대응하는 지능형 요리 추천 시스템으로 발전할 수 있을 것이다.

@@ 294번째 줄: / 294번째 줄: @@
 ===상세설계 내용===
- 본 시스템은 웹 기반 요리 레시피 챗봇 서비스로, 범용적인 서버 환경에서도 안정적으로 동작할 수 있도록 하드웨어 요구사항을 최소화하는 방향으로 설계되었다.
+본 시스템은 웹 기반 요리 레시피 챗봇 서비스로, 범용적인 서버 환경에서도 안정적으로 동작할 수 있도록 하드웨어 요구사항을 최소화하는 방향으로 설계되었다.
- 서버 측 하드웨어는 백엔드 애플리케이션 서버와 데이터베이스 서버를 중심으로 구성되며, 초기 개발 및 테스트 단계에서는 단일 서버 환경에서도 운영 가능하도록 설계하였다. CPU는 다중 요청 처리를 고려하여 멀티코어 환경을 기준으로 하였으며, 메모리는 벡터 데이터베이스 및 임베딩 연산을 원활히 처리하기 위해 충분한 용량을 확보하도록 하였다.
+서버 측 하드웨어는 백엔드 애플리케이션 서버와 데이터베이스 서버를 중심으로 구성되며, 초기 개발 및 테스트 단계에서는 단일 서버 환경에서도 운영 가능하도록 설계하였다. CPU는 다중 요청 처리를 고려하여 멀티코어 환경을 기준으로 하였으며, 메모리는 벡터 데이터베이스 및 임베딩 연산을 원활히 처리하기 위해 충분한 용량을 확보하도록 하였다.
- LLM의 경우 외부 API 기반(ChatGPT)을 활용함으로써, 대규모 GPU 자원이 필요한 모델 추론 부담을 서버 측에서 제거하였다. 이를 통해 고성능 GPU 없이도 안정적인 서비스 운영이 가능하도록 하였으며, 이는 시스템의 비용 효율성을 높이는 설계 선택이다.
+LLM의 경우 외부 API 기반(ChatGPT)을 활용함으로써, 대규모 GPU 자원이 필요한 모델 추론 부담을 서버 측에서 제거하였다. 이를 통해 고성능 GPU 없이도 안정적인 서비스 운영이 가능하도록 하였으며, 이는 시스템의 비용 효율성을 높이는 설계 선택이다.
- 사용자 단말은 별도의 고사양 장비를 요구하지 않으며, 웹 브라우저가 설치된 PC 또는 모바일 기기에서 모두 접근 가능하도록 하였다. 이러한 하드웨어 설계는 서비스 접근성을 높이고, 향후 사용자 수 증가 시에도 서버 자원 확장을 통해 유연하게 대응할 수 있도록 한다.
+사용자 단말은 별도의 고사양 장비를 요구하지 않으며, 웹 브라우저가 설치된 PC 또는 모바일 기기에서 모두 접근 가능하도록 하였다. 이러한 하드웨어 설계는 서비스 접근성을 높이고, 향후 사용자 수 증가 시에도 서버 자원 확장을 통해 유연하게 대응할 수 있도록 한다.
- 본 시스템의 소프트웨어 설계는 모듈화, 확장성, 유지보수성을 핵심 목표로 하여 이루어졌다. 전체 소프트웨어 구조는 프론트엔드, 백엔드, RAG 파이프라인, 데이터베이스 계층으로 명확히 분리되어 있다.
+본 시스템의 소프트웨어 설계는 모듈화, 확장성, 유지보수성을 핵심 목표로 하여 이루어졌다. 전체 소프트웨어 구조는 프론트엔드, 백엔드, RAG 파이프라인, 데이터베이스 계층으로 명확히 분리되어 있다.
 프론트엔드는 웹 기반 UI로 구현되며, 사용자 입력 처리, 실시간 대화 화면, 응답 출력, 평가 및 피드백 입력 기능을 담당한다. 사용자 인터페이스는 직관적인 사용성을 고려하여 설계되었으며, 백엔드와는 API 기반 통신을 통해 연동된다.
- 백엔드는 API Gateway를 중심으로 구성되며, 질의 처리, RAG 파이프라인 호출, 피드백 처리, 대화 히스토리 관리 기능을 수행한다. RAG 파이프라인 내부에서는 질의 임베딩, FAISS 기반 문서 검색, LLM 응답 생성이 순차적으로 이루어진다. 각 단계는 독립적인 모듈로 구성되어 향후 검색기 또는 LLM 교체 시에도 전체 시스템 수정 없이 대응 가능하도록 설계하였다.
+백엔드는 API Gateway를 중심으로 구성되며, 질의 처리, RAG 파이프라인 호출, 피드백 처리, 대화 히스토리 관리 기능을 수행한다. RAG 파이프라인 내부에서는 질의 임베딩, FAISS 기반 문서 검색, LLM 응답 생성이 순차적으로 이루어진다. 각 단계는 독립적인 모듈로 구성되어 향후 검색기 또는 LLM 교체 시에도 전체 시스템 수정 없이 대응 가능하도록 설계하였다.
- 데이터 관리 측면에서는 벡터 데이터베이스와 관계형 데이터베이스를 분리하여 사용한다. 벡터 데이터베이스는 레시피 문서의 임베딩을 저장하고 고속 유사도 검색을 수행하며, 관계형 데이터베이스는 사용자 정보, 대화 기록, 피드백 데이터를 관리한다. 이러한 분리 설계는 검색 성능과 데이터 관리 효율성을 동시에 확보할 수 있는 구조이다.
+데이터 관리 측면에서는 벡터 데이터베이스와 관계형 데이터베이스를 분리하여 사용한다. 벡터 데이터베이스는 레시피 문서의 임베딩을 저장하고 고속 유사도 검색을 수행하며, 관계형 데이터베이스는 사용자 정보, 대화 기록, 피드백 데이터를 관리한다. 이러한 분리 설계는 검색 성능과 데이터 관리 효율성을 동시에 확보할 수 있는 구조이다.
- 종합적으로 본 소프트웨어 설계는 RAG 기반 챗봇 서비스의 핵심 기능을 안정적으로 구현하면서, 향후 기능 확장 및 데이터 증가에도 유연하게 대응할 수 있도록 구성되었다.
+종합적으로 본 소프트웨어 설계는 RAG 기반 챗봇 서비스의 핵심 기능을 안정적으로 구현하면서, 향후 기능 확장 및 데이터 증가에도 유연하게 대응할 수 있도록 구성되었다.
 ==결과 및 평가==

@@ 277번째 줄: / 277번째 줄: @@
 본 과제에서는 RAG 기반 요리 레시피 챗봇 시스템의 성능을 극대화하기 위해, 검색기 선택, 언어 모델 선택, 그리고 사용자 피드백 반영 방식에 대해 이론적 분석과 실험적 시뮬레이션을 병행하였다.
- 먼저 문서 검색 단계에서는 벡터 유사도 기반 검색의 효율성과 정확도를 고려하여 여러 검색 방식을 비교하였다. 코사인 유사도를 기반으로 한 벡터 검색 알고리즘을 중심으로, 검색 속도와 Top-k 결과의 실제 관련도를 평가하였다. 그 결과, 대규모 벡터에 대해서도 빠른 검색 속도를 유지하면서 높은 검색 정확도를 제공하는 FAISS(Facebook AI Similarity Search)가 본 시스템에 가장 적합한 검색기로 판단되었다. FAISS는 고차원 임베딩 공간에서의 근사 최근접 이웃(ANN) 탐색을 통해 실시간 서비스에 적합한 성능을 보였다.
+먼저 문서 검색 단계에서는 벡터 유사도 기반 검색의 효율성과 정확도를 고려하여 여러 검색 방식을 비교하였다. 코사인 유사도를 기반으로 한 벡터 검색 알고리즘을 중심으로, 검색 속도와 Top-k 결과의 실제 관련도를 평가하였다. 그 결과, 대규모 벡터에 대해서도 빠른 검색 속도를 유지하면서 높은 검색 정확도를 제공하는 FAISS(Facebook AI Similarity Search)가 본 시스템에 가장 적합한 검색기로 판단되었다. FAISS는 고차원 임베딩 공간에서의 근사 최근접 이웃(ANN) 탐색을 통해 실시간 서비스에 적합한 성능을 보였다.
- 다음으로 응답 생성 단계에서는 여러 LLM 후보에 대해 응답 품질, 한국어 이해도, 문맥 일관성, 응답 안정성을 기준으로 비교 실험을 수행하였다. 다양한 테스트 질의를 통해 생성된 응답을 비교한 결과, 한국어 자연어 질의에 대한 이해도가 높고 RAG 구조와의 결합 시 맥락 유지 능력이 우수한 ChatGPT 계열 모델이 가장 적합한 생성 모델로 선정되었다.
+다음으로 응답 생성 단계에서는 여러 LLM 후보에 대해 응답 품질, 한국어 이해도, 문맥 일관성, 응답 안정성을 기준으로 비교 실험을 수행하였다. 다양한 테스트 질의를 통해 생성된 응답을 비교한 결과, 한국어 자연어 질의에 대한 이해도가 높고 RAG 구조와의 결합 시 맥락 유지 능력이 우수한 ChatGPT 계열 모델이 가장 적합한 생성 모델로 선정되었다.
- RAG 기반 요리 레시피 챗봇의 실사용 가능성을 검증하기 위해, 약 10만 개 규모의 요리 레시피 데이터를 웹 크롤링을 통해 수집하였다. 수집된 레시피 데이터는 요리명, 재료, 조리 과정 등의 텍스트 정보를 포함하며, 전처리 과정을 거쳐 벡터 임베딩 형태로 변환되었다.
+RAG 기반 요리 레시피 챗봇의 실사용 가능성을 검증하기 위해, 약 10만 개 규모의 요리 레시피 데이터를 웹 크롤링을 통해 수집하였다. 수집된 레시피 데이터는 요리명, 재료, 조리 과정 등의 텍스트 정보를 포함하며, 전처리 과정을 거쳐 벡터 임베딩 형태로 변환되었다.
- 대규모 레시피 데이터를 대상으로 벡터 검색 성능을 검증하기 위해, 해당 임베딩 데이터는 FAISS 기반 벡터 데이터베이스에 저장되었다. 이를 통해 데이터 규모 증가에 따른 검색 속도 저하 여부와 Top-k 검색 결과의 관련도를 실험적으로 평가하였다.
+대규모 레시피 데이터를 대상으로 벡터 검색 성능을 검증하기 위해, 해당 임베딩 데이터는 FAISS 기반 벡터 데이터베이스에 저장되었다. 이를 통해 데이터 규모 증가에 따른 검색 속도 저하 여부와 Top-k 검색 결과의 관련도를 실험적으로 평가하였다.
- 실험 결과, 약 10만 개 레시피 벡터가 저장된 환경에서도 검색 응답 시간은 실시간 서비스에 적합한 수준을 유지하였으며, 의미적 유사도를 기반으로 한 레시피 검색이 안정적으로 수행됨을 확인하였다. 이는 본 시스템에서 채택한 FAISS 기반 벡터 검색 구조가 대규모 데이터 환경에서도 효과적으로 동작함을 입증한다.
+실험 결과, 약 10만 개 레시피 벡터가 저장된 환경에서도 검색 응답 시간은 실시간 서비스에 적합한 수준을 유지하였으며, 의미적 유사도를 기반으로 한 레시피 검색이 안정적으로 수행됨을 확인하였다. 이는 본 시스템에서 채택한 FAISS 기반 벡터 검색 구조가 대규모 데이터 환경에서도 효과적으로 동작함을 입증한다.
- 또한 대규모 레시피 데이터 구축을 통해 단순 키워드 기반 검색이 아닌, 사용자의 자연어 질의에 대해 의미 기반 검색이 가능함을 확인하였으며, 이는 RAG 구조를 적용한 요리 레시피 챗봇의 실질적인 활용 가능성을 뒷받침한다.
+또한 대규모 레시피 데이터 구축을 통해 단순 키워드 기반 검색이 아닌, 사용자의 자연어 질의에 대해 의미 기반 검색이 가능함을 확인하였으며, 이는 RAG 구조를 적용한 요리 레시피 챗봇의 실질적인 활용 가능성을 뒷받침한다.
- 사용자 피드백을 반영한 RAG 고도화를 위해, 검색 결과와 사용자 평가 점수를 결합하는 가중치 조정 실험을 수행하였다. 이 과정에서는 피드백 가중치가 지나치게 높을 경우 의미적 유사도가 저하되는 문제를 확인하였으며, 반대로 가중치가 낮을 경우 추천 개선 효과가 제한됨을 확인하였다. 여러 차례의 시뮬레이션을 통해, 의미적 유사성을 유지하면서도 사용자 만족도를 향상시킬 수 있는 최적의 가중치 범위를 도출하였다.
+사용자 피드백을 반영한 RAG 고도화를 위해, 검색 결과와 사용자 평가 점수를 결합하는 가중치 조정 실험을 수행하였다. 이 과정에서는 피드백 가중치가 지나치게 높을 경우 의미적 유사도가 저하되는 문제를 확인하였으며, 반대로 가중치가 낮을 경우 추천 개선 효과가 제한됨을 확인하였다. 여러 차례의 시뮬레이션을 통해, 의미적 유사성을 유지하면서도 사용자 만족도를 향상시킬 수 있는 최적의 가중치 범위를 도출하였다.
- 이러한 이론적 계산과 시뮬레이션 결과를 기반으로, 본 시스템은 검색 정확도, 응답 품질, 사용자 만족도를 균형 있게 확보할 수 있도록 설계되었다.
+이러한 이론적 계산과 시뮬레이션 결과를 기반으로, 본 시스템은 검색 정확도, 응답 품질, 사용자 만족도를 균형 있게 확보할 수 있도록 설계되었다.
 ===상세설계 내용===

@@ 258번째 줄: / 258번째 줄: @@
 ===개념설계안===
- 본 시스템은 성능, 확장성, 비용 효율성을 고려하여 다음과 같은 기술적 선택을 기반으로 설계되었다.
+본 시스템은 성능, 확장성, 비용 효율성을 고려하여 다음과 같은 기술적 선택을 기반으로 설계되었다.
 ◇ 한국어 의미 이해 성능이 우수한 SBERT 임베딩 모델을 활용하여 자연어 질의 및 레시피 데이터의 벡터화를 수행하였다.

@@ 194번째 줄: / 194번째 줄: @@
 ◇ F1: 사용자 질의 입력 및 전처리 기능
- 기능 설명:
+기능 설명:
- 사용자의 한국어 자연어 질의를 입력받아 불필요한 공백, 특수문자 제거 및 문장 정규화를 수행한다.
+사용자의 한국어 자연어 질의를 입력받아 불필요한 공백, 특수문자 제거 및 문장 정규화를 수행한다.
- 정량 목표:
+정량 목표:
- 질의 전처리 정확도 99% 이상
+질의 전처리 정확도 99% 이상
- 전처리 오류로 인한 검색 실패율 1% 이하
+전처리 오류로 인한 검색 실패율 1% 이하
 ◇ F2: 레시피 데이터 임베딩 및 검색 기능 (FAISS 기반)
- 기능 설명:
+기능 설명:
- 한국어 SBERT 임베딩을 이용하여 질의 및 레시피 문서를 벡터화하고, FAISS 기반 Top-k 유사도 검색을 수행한다.
+한국어 SBERT 임베딩을 이용하여 질의 및 레시피 문서를 벡터화하고, FAISS 기반 Top-k 유사도 검색을 수행한다.
- 정량 목표:
+정량 목표:
- Top-k 검색 결과의 실제 관련도 90% 이상
+Top-k 검색 결과의 실제 관련도 90% 이상
- 약 10만 개 레시피 데이터 환경에서 검색 응답 시간 1초 이내
+약 10만 개 레시피 데이터 환경에서 검색 응답 시간 1초 이내
 ◇ F3: RAG 기반 응답 생성 기능 (LLM 연동)
- 기능 설명:
+기능 설명:
- 검색된 레시피 문서를 LLM 입력으로 결합하여, 맥락 일관성이 유지된 자연스러운 응답을 생성한다.
+검색된 레시피 문서를 LLM 입력으로 결합하여, 맥락 일관성이 유지된 자연스러운 응답을 생성한다.
- 정량 목표:
+정량 목표:
- 질문–응답 매칭 정확도 95% 이상
+질문–응답 매칭 정확도 95% 이상
- 평균 응답 생성 지연시간 3초 이내
+평균 응답 생성 지연시간 3초 이내
- 레시피 구조 누락률 5% 이하
+레시피 구조 누락률 5% 이하
 ◇ F4: 사용자 피드백 반영 및 응답 개선 기능
- 기능 설명:
+기능 설명:
- 사용자 평가(만족/불만족, 점수)를 수집하여 RAG 검색 및 응답 생성 과정에 가중치로 반영한다.
+사용자 평가(만족/불만족, 점수)를 수집하여 RAG 검색 및 응답 생성 과정에 가중치로 반영한다.
- 정량 목표:
+정량 목표:
- 피드백 반영 후 재질의 시 만족도 평균 10% 이상 향상
+피드백 반영 후 재질의 시 만족도 평균 10% 이상 향상
- 의미적 유사도 저하 없이 응답 품질 유지
+의미적 유사도 저하 없이 응답 품질 유지
- 피드백 반영 실패 사례 10% 이하
+피드백 반영 실패 사례 10% 이하
 ◇ F5: 사용자 인터페이스 및 사용성 지원 기능
- 기능 설명:
+기능 설명:
- 웹 UI를 통해 실시간 질의·응답, 대화 이력 확인, 평가 입력이 가능하도록 한다.
+웹 UI를 통해 실시간 질의·응답, 대화 이력 확인, 평가 입력이 가능하도록 한다.
- 정량 목표:
+정량 목표:
- 사용자 시나리오 테스트 기준 오류 발생률 5% 이하
+사용자 시나리오 테스트 기준 오류 발생률 5% 이하
- 전체 사용 흐름에서 서비스 중단 없이 수행 성공률 95% 이상
+전체 사용 흐름에서 서비스 중단 없이 수행 성공률 95% 이상
 ===개념설계안===