한 줄 소개: LangChain과 Chroma를 활용하여 의료법 검색을 위한 Retrieval-Augmented Generation (RAG) 애플리케이션을 구현

프로젝트 요약

• 이 프로젝트는 사용자가 의료법에 대한 질문을 입력하면, 관련 데이터를 검색하여 정확하고 맥락에 맞는 답변을 제공

주요 특징

• 의료법 지식베이스: 한국 의료법 문서를 데이터베이스로 구축하여 검색 및 질의 응답에 활용
• LangChain 기반 연결: LangChain의 RetrievalQA 체인을 활용하여 대형 언어 모델(LLM)과 연결
• 향상된 검색 성능: 키워드 기반 검색과 유사도 검색을 결합하여 정확도를 높임

LangChain과 Chroma를 활용한 RAG 구성

• 1. 데이터 준비 및 분할
• 문서 로드: Docx2txtLoader를 사용하여 한국 의료법 문서를 .docx 형식으로 불러옵니다.
• 문서 분할: RecursiveCharacterTextSplitter를 활용하여 문서를 작은 chunk로 분할하여 처리 효율성을 높입니다.
• 2. 데이터 임베딩 및 저장
• 임베딩 생성: UpstageEmbeddings의 "solar-pro" 모델을 사용하여 각 chunk를 벡터화합니다.
• 데이터 저장: Chroma를 사용하여 벡터화된 데이터를 영구적인 벡터 데이터베이스에 저장합니다.
• 3. 질문-답변 생성
• 유사도 검색: 사용자가 입력한 질문과 가장 관련성이 높은 chunk를 Chroma를 통해 검색합니다.
• RetrievalQA 체인: LangChain의 RetrievalQA 체인을 활용하여 검색된 데이터를 기반으로 자연어 답변을 생성합니다.

현재 상태

• 의료법 검색 챗봇 애플리케이션인 medical_chatbot.py는 Streamlit 기반으로 구현되었습니다.
• 하지만, API KEY 문제로 인해 Streamlit 환경에서 실행 시 오류가 발생하고 있습니다.
• 동일한 API KEY로 Jupyter Notebook에서는 정상적으로 작동하며, 이 문제를 해결하기 위한 조사가 진행 중입니다.

프로젝트 목표

• 의료법과 같은 특정 도메인에 특화된 정보를 검색하고, LLM을 활용해 자연어로 답변을 제공하는 솔루션을 구축
• RAG 및 LangChain을 활용하여 효율적이고 확장 가능한 검색 시스템을 구현

GitHub Repository: GitHub Link

한 줄 소개: AI와 Computer Vision 기술을 활용해 중고서적의 상태를 자동으로 평가하고, 알라딘의 중고서적 매입 시스템 효율성을 개선하는 프로젝트

프로젝트 목표

• 알라딘 중고서적 매입 시스템 개선을 통한 사용자 경험 극대화 및 자동화된 서적 상태 평가 시스템 도입

핵심 활동

• 데이터 수집 및 라벨링
• 각 300장 이상의 손상 도서 이미지를 직접 촬영하고 데이터셋 구축
• Roboflow 플랫폼을 사용해 라벨링 클래스 세분화 작업 수행
• 이미지 전처리 및 데이터 증강
• PyTorch를 활용해 다양한 이미지 전처리 기법 적용 및 실행
• 데이터 다양성 증대를 통해 YOLO 모델의 mAP 성능 개선
• YOLO 모델 커스터마이징
• 손상 탐지 관련 논문 참고하여 YOLO 모델 커스터마이징
• 모델 비교 및 성능 개선
• Object Detection vs Instance Segmentation
• 라벨링 클래스 세분화 (5개 vs 9개)
• Data Augmentation 적용 여부
• YOLOv11 모델 크기 비교 (nano, small, large)
• Faster R-CNN 및 Mask R-CNN 적용

주요 결과

• Instance Segmentation 모델이 Object Detection 모델보다 높은 mAP 기록
• 세분화된 라벨링을 통해 mAP 0.18% 향상
• Data Augmentation 적용 시 mAP 0.03% 향상
• YOLOv11 small 버전이 최적의 성능과 리소스 효율성 제공
• Faster R-CNN 및 Mask R-CNN 적용 시 mAP가 상당히 향상되었으나, 처리 시간 증가로 실시간 서비스 적용 어려움

기술 스택

• Python, PyTorch, Roboflow, YOLOv11, Faster R-CNN, Mask R-CNN, Google Gemini API, Streamlit

GitHub Repository: GitHub Link

한 줄 소개: 기존 카트를 활용하면서 고객의 매출을 극대화할 수 있는 쇼핑카트 시스템 구현

프로젝트 목표

• 기존 카트를 활용하면서 고객의 매출을 극대화할 수 있는 쇼핑카트 시스템 구현

핵심 활동

• AI 쇼핑 도우미 '포리' 개발
• GPT-4 기반 챗봇과 STT/TTS 기술을 활용하여 음성으로 상품 검색, 추천 및 문의 응대 기능 구현
• 제품 자동 인식 및 장바구니 업데이트
• YOLOv7 모델을 적용해 실시간 상품 탐지 및 식별
• 무게 센서를 활용해 카트 내 상품 변화를 감지하고 장바구니 자동 업데이트 시스템 구축
• 고객 맞춤형 위치 추천 시스템
• Google Cloud Vision OCR API로 매장 내 카트 위치를 분석
• 고객 구매 패턴을 기반으로 개인화된 상품 추천 알고리즘 개발
• 고객 접근성 향상 및 다중 사용자 환경 최적화
• Nvidia Triton Server를 활용해 마트 서버와의 다중 접속 환경을 안정적으로 구축
• Android 앱 및 웹 인터페이스를 통해 장바구니 및 위시리스트 관리 기능 제공

기술 스택

• Python, YOLOv7, Google Cloud Vision OCR API, Nvidia Triton Server, Android Studio, Java, Streamlit, Arduino IDE, Raspberry Pi

GitHub Repository: GitHub Link

한 줄 소개: 2차 전지 제조 공정 데이터를 분석하여 불량률 감소 및 생산 효율성 향상을 도출

프로젝트 목표

• 2차 전지 제조 공정 최적화를 통해 불량률 감소 및 생산 효율성 향상

핵심 활동

• 핵심 문제 해결을 위한 다각적 데이터 분석
• 2차 전지 Aging 공정의 불량률 문제 해결을 위해 온도, 습도, 시간 등 주요 변수 간의 관계 심층 분석
• 3D Scatter Plot을 통해 열, 연, 단별 불량 발생 패턴을 입체적으로 분석
• 카이제곱검정, ANOVA 검정, t-검정 등 통계적 검정을 통해 데이터 간의 유의미한 관계 검증
• 머신러닝 기반 불량 예측 모델 개발 및 최적화
• Random Forest, XGBoost 활용하여 불량 예측 및 영향 요인 분석
• 하이퍼파라미터 튜닝, 피처 엔지니어링, 앙상블 기법을 적용해 모델의 예측 성능 최적화
• 데이터 기반 공정 개선 및 효과 검증
• 설비 온도 관리, 공정 조건 최적화, 모니터링 시스템 구축 등 실질적인 개선 방안 도출
• Pilot 테스트를 통해 개선 방안의 효과를 입증하며, 불량률을 3.1%에서 1.28%로 감소

주요 결과

• 설비 온도 관리 최적화를 통해 불량률 3.1% → 1.28%로 감소 및 분기당 340억 원의 품질 기회비용 절감
• 최적 공정 조건 도출을 통해 양품 확률 98%까지 향상 및 불량 발생 시 공정 시간 조절을 통해 불량률 추가 감소
• OCV 검사 결과값 활용 모니터링 시스템 구축 → 불량 발생 사전 예측 및 예방

기술 스택

• Python,Pandas, Numpy, Streamlit, Machine Learning

GitHub Repository: GitHub Link

한 줄 소개: 후판공정 Scale(산화철) 불량 원인 분석 및 예측을 통한 불량률 감소 및 생산 효율성 향상

프로젝트 목표

• 후판공정 Scale(산화철) 불량 원인 분석 및 예측을 통한 불량률 감소 및 생산 효율성 향상

핵심 내용

• 데이터 이해 및 전처리
• 공정 변수에 대한 도메인 지식 습득 및 기술 통계 분석
• 압연 온도 등 명백한 이상치 제거, 발주 규격 범위 내 정상 데이터 유지
• 분석에 불필요한 변수(Plate 번호, 제품 규격, 가열로 추출 온도) 및 특정 범주(티타늄, HSB 미적용) 제거를 통한 분석 효율성 증대
• 데이터 특성 분석 및 핵심 인자 도출
• 시계열 분석을 통해 작업조별 불량률 추이 및 특정 일자(2023-01-04) 연속 불량 원인 분석
• 변수 간 상관관계 분석 및 주요 인자 도출 (Spearman Correlation, Heatmap 활용)
• 모델링 및 결과 분석
• t-test 및 다중선형회귀를 통한 영향 인자 검증 및 온도 저하량 공식 검증
• 다양한 머신러닝 모델 비교 후, XGBoost(정확도 95.8%)가 최적 모델로 선정

주요 결과

• 공정 최적화 및 관리 시스템 개선안 제안
• 오스테나이트 상 범위 내에서 압연 온도 최적점 도출을 통한 가공성 및 Scale량 개선
• HSB, descailing 공정 횟수 최적화를 위한 실험을 통해 최적 횟수 도출

기술 스택

• Python, Pandas, Numpy, Machine Learning

GitHub Repository: GitHub Link

한 줄 소개: 인도 중고차 시장 진출을 위한 가격 예측 모델 개발 및 핵심 영향 인자 분석을 통해 경쟁력 확보 및 수익성 향상

프로젝트 목표

• 인도 중고차 시장 진출을 위한 가격 예측 모델 개발 및 핵심 영향 인자 분석을 통해 경쟁력 확보 및 수익성 향상

핵심 활동

• 데이터 분석 및 전처리
• 기술적 통계 분석으로 데이터 특성 파악 및 목표 변수(Price)와 주요 변수 간 관계 분석
• 범주형 변수 그룹화(Brand, Location, Fuel_Type, Owner_Type)와 One-Hot-Encoding 적용
• 통계적 분석 및 가설 검정
• 정규성 검정 및 다중공선성 검정 (VIF 10 이하로 다중공선성 없음 확인)
• 상관관계 분석을 통해 가격에 영향을 미치는 주요 인자(Power, Engine 등) 파악
• 모델링 및 성능 비교
• Decision Tree, Random Forest, XGBoost 등 머신러닝 모델 학습 및 성능 비교 분석
• 모델별 변수 중요도 분석으로 핵심 인자(Power, Used_Year, etc) 도출

주요 결과

• XGBoost 모델을 통해 92.4%의 정확도로 중고차 가격 예측
• 도출된 핵심 인자를 바탕으로 인도 중고차 시장 공략 전략 수립

기술 스택

• Python, Pandas, Numpy, Machine Learning

GitHub Repository: GitHub Link