2023년 6월 24일 (토) 00:04 판

프로젝트 개요=

기술개발 과제

국문 : 코테고리 서비스 - 알고리즘 유형분류 퀴즈 및 문제 추천 서비스

영문 : Cotegory Service - Algorithm type classification quiz and problem recommendation sevice

과제 팀명

Vision

지도교수

황*수 교수님

개발기간

2023년 3월 ~ 2023년 6월 (총 4개월)

구성원 소개

서울시립대학교 컴퓨터과학부 20189200** 류*욱(팀장)

서울시립대학교 컴퓨터과학부 20179200** 김*

서울시립대학교 컴퓨터과학부 20184300** 김*철

서울시립대학교 컴퓨터과학부 20189200** 임*욱

서울시립대학교 컴퓨터과학부 20189200** 한*한

서론

개발 과제의 개요

개발 과제 요약

◇ 사용자 수준에 맞춘 알고리즘 문제 유형 분류 퀴즈 제공
◇ 오답률이 높은 문제 유형의 알고리즘 분야 파악 및 문제 추천 기능 제공
◇ 퀴즈 결과를 기반으로 한 프로필 요약 제공
◇ 취업 및 자기계발이 서비스의 주 목적으로 취준생이 주요 타겟층

개발 과제의 배경

◇ IT 분야의 기업에 취업을 희망하는 경우, 다수의 기업이 알고리즘 코딩테스트를 기업의 전형에 포함하고있어, 알고리즘 학습에 대한 수요가 많은 상황이다.
◇ 알고리즘 문제를 읽고 접근방식에 대한 충분한 검토 없이 바로 풀이에 들어가는 사용자가 있다.

개발 과제의 목표 및 내용

◇ 알고리즘 대회 또는 코딩테스트를 준비하는 사용자가 쉽게 자신의 알고리즘 역량을 확인하고, 향상시킬 수 있는 웹 플랫폼을 개발한다.
◇ 퀴즈 결과를 통해 요약 프로필을 제공하고 이를 통해 자신의 알고리즘 풀이 능력을 한 눈에 확인할 수 있게 한다.
◇ 퀴즈 결과를 통해 취약한 알고리즘 유형의 문제를 추천하여 자연스럽게 구현까지 이어지게 한다.
◇ 사용자가 서비스를 활용할 수록 알고리즘 풀이에 흥미를 갖게하여 꾸준하게 Cotegory 서비스를 이용할 수 있도록 한다.

관련 기술의 현황

시장상황에 대한 분석

경쟁제품 조사 비교

◇ Baekjoon

대표적인 알고리즘 문제 해결 서비스
알고리즘 문제를 코드를 작성하여 직접 해결 할 수 있으나 알고리즘 문제에 대한 카테고리를 맞추는 문제는 제공하지 않음.
사용자에게 문제를 추천해주는 서비스는 제공해주지 않음.

◇ Programmers (스킬체크)

사용자가 스스로 생각하는 레벨별로 알고리즘 문제를 제공 후 평가해주는 서비스
사용자의 코드의 정확성과 효율성을 판단할 수 있음

◇ Solved.ac (프로필 제공 측면)

Baekjoon 사이트의 기록을 기반으로 문제와 사용자의 프로필을 제공해주는 서비스
사용자의 수준과 문제의 난이도를 파악할 수 있음.
직접적인 문제를 풀 수 있는 서비스르 제공해주지는 않음.

◇ 산타 토익

사용자가 푼 문제 결과를 기반으로 토익 문제를 추천해주는 영어 공부 서비스
첫 12문제의 결과 값을 이용하여 사용자에게 적합한 문제를 추천해준다.
토익 시험 응시생을 대상으로 한다.

	서비스 타겟	추천 서비스	문제 제공 서비스	프로필 제공
백준	알고리즘을 해결하고자 하는 사용자	존재하지 않음.	알고리즘 문제 제공	간단한 정보 제공
solved.ac	백준을 사용하는 사용자	존재하지 않음.	제공하지 않음	사용자 맞춤형 정보 제공
programmers	알고리즘을 해결하고자 하는 사용자	존재하지 않음.	알고리즘 문제 제공	간단한 정보 제공
산타 토익	토익을 준비하는 사용자	사용자의 수준에 맞는 문제 추천	토익 문제 제공	사용자 맞춤형 정보 제공
코테고리	취업을 준비하는 사용자	사용자의 수준에 맞는 문제 추천	알고리즘 카테고리 문제 제공	사용자 맞춤형 정보 제공

마케팅 전략 제시

◇ 코딩테스트 준비를 시작하려는 취업 준비생들에게 본인의 알고리즘 역량을 쉽게 파악할 수 있는 점 을 강조한다.

◇ 기존 서비스에는 존재 하지 않던 "카테고리"를 맞추는 문제를 제공해 준다는 점을 강조한다.

◇ 사용자가 어려워하는 유형의 문제를 추천하여 문제 해결에 대한 취약점 개선 가능성을 강조한다.

◇ 사용자에게 설문조사를 실시한다.

개발과제의 기대효과

기술적 기대효과

◇ 알고리즘 유형 분석 능력 증진
◇ 취약한 분야의 알고리즘 문제를 추천받을 수 있다
◇ 기업 코딩테스트 대비

경제적, 사회적 기대 및 파급효과

◇ 알고리즘 접근 난이도 하향
◇ 알고리즘 풀이에 대한 흥미 유발
◇ 교육 자료로 활용

기술개발 일정 및 추진체계

개발 일정

기술 로드맵 구성	진행 순서 (월단위)
기술 로드맵 구성	3	4	5	6
프로젝트 구상 및 구체화
DB 설계
UI 설계
추천 모델 데이터 수집 및 학습
AI 서버 제작
API 서버 제작
웹 제작
설문 조사
릴리즈 버전 테스트

구성원 및 추진체계

◇ Front-end (류병욱)

 UI/UX
 프론트 페이지 HTML 작성
 Back-end와의 통신코드 작성

◇ Back-end (김준)

 mmr시스템 로직 구현
 mmr시스템을 통한 Quiz 추천
 기업문제 추천

◇ Back-end (김형철)

 크롤링 로직 구현
 JWT 로그인 구현
 어드민 페이지 API 개발
 비정상적 문제 검열 로직

◇ Back-end (김준, 김형철 공통)

 서비스 로직 API 개발

◇ AI (한수한)

 모델 학습
 평가 & 비교(EASE, AUTO_ENCODER)

◇ 아마존 배포 (임재욱)

 main 머지 시 자동 배포 (CI/CD)

설계

설계사양

제품의 요구사항

◇ R1: 알고리즘 퀴즈를 풀고 이력을 확인할 수 있다.
◇ R2: 취약한 알고리즘 분야에 대한 추천을 받을 수 있다.
◇ R3: 다양한 알고리즘 문제를 추천받을 수 있다.
◇ R4: 요약 프로필을 제공받을 수 있다.

설계 사양

◇ F1:

기능: 알고리즘 퀴즈를 하나씩 제공하고 정답 여부가 기록되어 마이페이지에서 제공한다.
정량 목표:

- AI: AUTO_ENCODER 모델을 적용하여 추천 문제를 선별하여 Back-end 서버에 제공한다.

- Back-end: 알고리즘 퀴즈를 Front-end 서버에 전달하며, 정답 여부를 db에 저장한다.

- Front-end: Back-end 서버로부터 전달받은 추천 문제와 알고리즘 퀴즈 문제를 화면에 보이고 문제를 풀수 있는 UI를 제공한다.

◇ F2:

기능: 유저로부터 전달받은 정보를 활용하여 AI 모델을 통해 적합한 문제를 추천한다.
정량 목표:

- AI: 유저가 취약한 알고리즘 분야의 문제를 추천받고자 하는 경우, AUTO_ENCODER 모델을 적용하여 추천 문제를 선별하여 Back-end 서버에 제공한다.

- Back-end: 추천 문제를 Front-end 서버에 전달한다.

- Front-end: Back-end 서버로부터 전달받은 추천 문제를 화면에 보이고 문제를 풀 수 있는 링크또한 제공한다.

◇ F3: 랜덤 문제, 유저가 취약한 알고리즘 분야의 문제, 기업 문제를 추천한다.

기능: 유저로부터 전달받은 정보를 활용하여 AI 모델을 통해 적합한 문제를 추천한다.
정량 목표:

- AI: AUTO_ENCODER 모델을 적용하여 추천 문제를 선별하여 Back-end 서버에 제공한다.

- Back-end: 추천 문제를 Front-end 서버에 전달하며, 오늘의 추천 문제와 기업 문제 또한 Front-end 서버에 전달한다.

- Front-end: Back-end 서버로부터 전달받은 추천 문제를 화면에 보이고 문제를 풀수 있는 링크 또한 제공한다.

◇ F4: 문제 히스토리와 요약 프로필을 제공한다.

기능: 퀴즈 결과와 알고리즘 대분류별 MMR을 제공한다.
정량 목표:

- Back-end: 퀴즈 결과와 알고리즘 대분류별 MMR 점수를 Front-end에 전달한다.

- Front-end: Back-end 서버로부터 전달받은 데이터를 화면에 보이고 데이터를 가공하여 100점 만점을 기준으로 점수를 보여주며 능력치를 progress bar 형태로 보여준다.

개념설계안

1. EC2 Instance와 Docker Container: EC2 인스턴스에서 Docker를 실행하고, Docker 컨테이너를 생성하여 애플리케이션을 실행합니다.
2. Dockerfile과 Docker Image: Dockerfile은 Docker 이미지를 작성하는데 사용됩니다. Docker 이미지는 애플리케이션과 애플리케이션 실행에 필요한 모든 종속성을 포함하는 실행 가능한 패키지입니다.

Dockerfile은 총 3개로, 각각 AI, Front-end, Back-end 도메인을 의미합니다.

3. Docker Compose.yml과 Docker Compose: Docker Compose는 여러 개의 Docker 컨테이너를 정의하고 관리하는 데 사용되는 도구입니다. Docker Compose.yml 파일은 Docker Compose가 사용하는 설정 파일입니다.
4. AWS S3와 EC2 Instance: EC2 인스턴스는 AWS S3에 접근하여 데이터를 읽거나 쓸 수 있습니다. 이를 통해 EC2 인스턴스와 S3 버킷 간에 파일 공유 또는 데이터 저장 등의 작업이 가능합니다.
5. AWS RDS와 EC2 Instance: EC2 인스턴스는 AWS RDS(Relational Database Service)에 접근하여 데이터베이스에 연결하고 데이터를 읽거나 쓸 수 있습니다. 이를 통해 애플리케이션과 데이터베이스 간의 상호작용이 가능합니다.
6. 현재 Dockerfile, docker-compose.yaml의 내용이 변경된 것은 쉽게 적용이 가능하지만, 프로젝트의 내용이 바뀐 경우도 고려하여 GitHub Actions를 사용하여 CI/CD를 적용하였습니다.

이론적 계산 및 시뮬레이션

AI 추천 모델

◇ 기본적으로 훈련에 쓰인 데이터외의 데이터를 통해서도 문제를 추천해줄 수 있는 모델을 선정하였다.
◇ auto_encoder 모델이 위의 특성을 가지고 있어 auto_encode 기본 모델(AUTO_ENCODER)과 간단하면서도 성능이 좋은 모델(EASE)을 선정하였다.

1. AUTO_ENCODER

상세설계 내용

◇ AI

Amazon EC2 환경에서 서버 배포
모델 성능 비교 및 도메인을 고려하여 모델 선정
AUTO_ENCODER, EASE 모델 업로드 및 모델 적용을 통한 문제 추천

◇ Back-end

Amazon EC2 환경에서 서버 배포
Amazon RDS로 Maria DB 인스턴스 관리
Front-end에게 필요한 데이터 전달

- Amazon S3를 활용하여 이미지 리소스 전달

- Swagger를 활용하여 API 명세서 공유

◇ Front-end

Amazon EC2 환경에서 서버 배포
Back-end로부터 전달받은 데이터를 CLIENT에게 전달하며 구현한 화면에 포함시킴

◇ Infra

AI, Back-end, Front-end 서버를 Docker Compose를 활용하여 배포
GitHub Actions를 활용하여 CI/CD 적용

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

내용

포스터

내용

완료작품의 평가

내용

향후계획

내용

특허 출원 내용

내용

@@ 264번째 줄: / 264번째 줄: @@
 ◇ auto_encoder 모델이 위의 특성을 가지고 있어 auto_encode 기본 모델(AUTO_ENCODER)과 간단하면서도 성능이 좋은 모델(EASE)을 선정하였다.<br>
 =====1. AUTO_ENCODER=====
-[[ 파일:Image00005.png ]]
+[[파일:Image00005.png]]
 ===상세설계 내용===

"Vision"의 두 판 사이의 차이