2분반-Chat이루매 - 편집 역사

Com238: /* 향후계획 */

2025-12-24T06:50:40Z

‎향후계획

Com238: /* 향후계획 */

2025-12-24T06:50:22Z

‎향후계획

Com238: /* 완료작품의 평가 */

2025-12-24T06:48:56Z

‎완료작품의 평가

Com238: /* 완료작품의 평가 */

2025-12-24T06:48:28Z

‎완료작품의 평가

Com238: /* 관련사업비 내역서 */

2025-12-24T06:47:14Z

‎관련사업비 내역서

Com238: /* 프로토타입 사진 혹은 작동 장면 */

2025-12-24T06:44:38Z

‎프로토타입 사진 혹은 작동 장면

Com238: /* 이론적 계산 및 시뮬레이션 */

2025-12-24T06:41:12Z

‎이론적 계산 및 시뮬레이션

Com238: /* 이론적 계산 및 시뮬레이션 */

2025-12-24T06:39:58Z

‎이론적 계산 및 시뮬레이션

Com238: /* 상세설계 내용 */

2025-12-24T06:37:52Z

‎상세설계 내용

Com238: /* 이론적 계산 및 시뮬레이션 */

2025-12-24T04:44:49Z

‎이론적 계산 및 시뮬레이션

@@ 212번째 줄: / 212번째 줄: @@
 ===향후계획===
-RAG 성능 고도화
+. RAG 성능 고도화
 단순한 Top-k Retrieval 방식에서 벗어나, 고난도 질의에서도 일관된 성능을 확보하기 위해 검색 알고리즘을 개선할 계획입니다.
@@ 222번째 줄: / 222번째 줄: @@
 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
+. 데이터 파이프라인 완전 자동화
 현재 반자동으로 운영되는 크롤링 및 임베딩 과정을 완전히 자동화하여 정보의 최신성(Freshness)을 실시간으로 유지합니다.
@@ 230번째 줄: / 230번째 줄: @@
 자동 갱신 스케줄링: 주기적 스케줄링을 통해 공지사항 등 시시각각 변하는 정보를 즉시 시스템에 반영합니다.
-다국어 지원 및 서비스 확장
+. 다국어 지원 및 서비스 확장
 국제 학생 비율 증가에 맞춰 언어 장벽을 해소하고 서비스 영역을 확장합니다.

@@ 211번째 줄: / 211번째 줄: @@
 ===향후계획===
-내용
 ===특허 출원 내용===
 내용

@@ 206번째 줄: / 206번째 줄: @@
 ===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.
+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.
+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===

@@ 205번째 줄: / 205번째 줄: @@
 ===완료작품의 평가===
-내용
 ===향후계획===

@@ 201번째 줄: / 201번째 줄: @@
 ===관련사업비 내역서===
-내용
 ===완료작품의 평가===

@@ 192번째 줄: / 192번째 줄: @@
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
 ====포스터====
 내용

@@ 171번째 줄: / 171번째 줄: @@
 ===이론적 계산 및 시뮬레이션===
-[[파일:이루매2.jpg]]
+[[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.

← 이전 판		2025년 12월 24일 (수) 06:39 판
170번째 줄:		170번째 줄:

	===이론적 계산 및 시뮬레이션===		===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.		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.

@@ 173번째 줄: / 173번째 줄: @@
 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==