프로젝트 발표자: 최명재
레스토랑별 특성에 맞는 주류를 AI 기반으로 자동 추천하여 B2B 담당자의 업무 효율성을 극대화합니다.
- 자동화: 수작업 추천 프로세스 자동화
- 정확도: AI 기반 유사도 분석으로 높은 추천 정확도 달성
- 통합성: 기존 업무 흐름(슬랙, 노션)에 자연스럽게 통합
-
Top1: 70% 이상
- 수동 수정 필요: 30% (실용적인 수준)
- N개 데이터 120분 → 0.3N 36분
- 약 3배 효율 증가
-
Top3: 90% 이상
- Top1의 70% 신뢰도를 Top3로 향상
- 기존 추천 이유와 생성된 추천 이유 유사도: 0.7 이상
- 코사인 45도 값(0.707)을 유사한 값으로 판단 (논문/연구 결과)
훈련 세트: p·N개 → 표준편차 = 1/√(p·N)
테스트 세트: (1−p)·N개 → 표준편차 = 1/√((1−p)·N)
전체 오차: 1/(p(1-p)·N)
- 전체 오차 최소화를 위해 p(1-p) 최대가 되도록 p 선택
- 조건: 2[훈련 표준편차] ≤ [테스트 표준편차]
- 결과: p = 0.8 (8:2 비율)
출처: "Why 70/30 or 80/20 Relation Between Training and Testing Sets" (Gholamy et al., 2018)
| 방식 | 장점 | 단점 | 결과 |
|---|---|---|---|
| TF-IDF | 구현 간단, 빠른 개발 | 의미 이해 부족 ("소고기"≠"쇠고기") | ❌ 제외 |
| 규칙 기반 | 초기 높은 성능 | 1000개 음식점마다 수백 개 규칙 필요 | ❌ 제외 |
| 결정 트리 | 텍스트 불필요 | 시그니처메뉴 미활용 | ❌ 제외 |
| 임베딩 | 입력 데이터 완전 활용, 확장 용이 | 벡터 연산 이해 필요 | ✅ 선택 |
- 음식 종류
- 평균 가격
- 시그니처메뉴
음식 종류 기여도(A) = Baseline - [평균 가격 + 시그니처메뉴] 정확도
평균 가격 기여도(B) = Baseline - [음식 종류 + 시그니처메뉴] 정확도
시그니처메뉴 기여도(C) = Baseline - [평균 가격 + 음식 종류] 정확도
식당명 기여도(D) = 식당명 포함 후 정확도 - Baseline
지역 기여도(E) = 지역 포함 후 정확도 - Baseline
평점 기여도(F) = 평점 포함 후 정확도 - Baseline
각 기여도의 가중치 = 각 기여도 / (A+B+C+D+E+F)
임베딩 전에 가중치만큼 텍스트를 반복 처리합니다.
프롬프트를 활용한 자동 가중치 조정:
- 필수 규칙: 기존 이유의 철학과 뉘앙스 유지
- 가중치 조정:
- 기존 추천 근거 비중: 유사도%
- 새로운 내용 비중: (100 - 유사도)%
| 항목 | Claude | GPT | Gemini-Flash |
|---|---|---|---|
| 주요 강점 | 코드 생성 | 다목적 | 텍스트 생성 |
| 프로젝트 적합도 | 오버 스펙 | 오버 스펙 | 적절 |
| 비용 | $3-8 | $14.50 | $0-1 |
| 속도 | 느림 | 중간 | 빠름 |
선택: Gemini-Flash (자연어 처리 및 텍스트 생성에 최적)
선택: multilingual-e5-small-ko-v2
- 경량 모델
- 다국어 중 한국어 특화
- 지표: NDCG (검색 결과 및 추천 시스템의 랭킹 성능 측정)
| 메서드 | 고려 대상 | 범위 | 사용 곳 |
|---|---|---|---|
| 코사인 | 방향만 | -1 ~ 1 | 임베딩, 추천 시스템 |
| Dot Product | 방향 + 크기 | 무한대 | 신경망 내부, 대규모 실시간 |
| 거리 | 거리 | 0 ~ 무한대 | GPS, 클러스터링 |
선택: 코사인 유사도 (임베딩 모델이 코사인 유사도로 학습됨)
- 모델 로드
- Excel 파일 읽기
- Train/Test 분할 (8:2 비율)
- 텍스트 전처리 및 가중치 적용
- Train 임베딩 생성
- Test 임베딩 생성
- 코사인 유사도 계산
- 정확도 계산
- 추천 주류 정확도
- 추천 이유 유사도 평균
| 방식 | 장점 | 단점 | 결과 |
|---|---|---|---|
| 웹 | 유지보수/확장성 우수 | 기존 시스템과 분리 | ❌ 제외 |
| 데스크톱 앱 | 유지보수/확장성 우수 | 기존 시스템과 분리 | ❌ 제외 |
| 엑셀 VBA | 엑셀 내 직접 실행 | 확장성 부족, MacOS 미지원 | ❌ 제외 |
| 슬랙 봇 | 기존 워크플로우 통합, 비용 효율적 | — | ✅ 선택 |
| 항목 | Notion DB | Excel 파일 |
|---|---|---|
| 요청 처리 방식 | 병렬 처리 (동시 처리 가능) | 직렬 처리 (순차 진행) |
| 다중 요청 시나리오 | A, B 동시에 추천 요청 가능 | A 완료 → B 진행 (순차) |
| 팀 협업 | 다양한 추천 동시 처리 가능 | 한 번에 하나의 추천만 처리 |
| 비즈니스 영향 | ✅ 팀 생산성 최대화 | ❌ 병목 현상, 비효율 |
선택: Notion DB (병렬 처리로 팀 협업 효율성 극대화)
| 항목 | Cloud Run | Lambda |
|---|---|---|
| 코드 패징 | 표준 Docker 컨테이너 | 코드 + Zip + 레이어 관리 |
| 요청 처리 | 1개 컨테이너가 80개 요청 | 80개 요청 = 80개 인스턴스 |
| 요청 가격 | $0.40/백만 요청 | $0.20/백만 요청 |
| 컴퓨팅 가격 | $0.000002500/vCPU-초 | $0.0000166667/GB-초 |
| 프리 티어 | 180만 vCPU-초 + 360만 GiB-초 + 200만 요청 | 100만 요청 + 40만 GB-초 |
| 배포 복잡도 | 간편 | 복잡 |
선택: Cloud Run (간편한 배포, 제한된 시간 내 개발)
선택 이유:
- 높은 라이브러리 완성도
- 빠른 개발 속도
- 우수한 코드 가독성
- 의존성 관리 용이성
| 항목 | FastAPI | Flask | Django |
|---|---|---|---|
| 처리 방식 | 비동기 (ASGI) | 동기 (WSGI) | 동기 (WSGI) |
| 속도 | 매우 빠름 | 보통 | 느린 편 |
| 파일 업로드 (Excel) | 매우 쉬움 | 쉬움 | 쉬움 |
| Slack Bot 연동 | 최적 (비동기 지원) | 가능 | 가능 |
| Notion API 연동 | 매우 편함 | 가능 | 가능 |
| 임베딩/FAISS 궁합 | 최적 | 보통 | 보통 |
| 확장성 | 매우 높음 | 중간 | 매우 높음 (과함) |
선택: FastAPI (비동기 처리로 다중 요청 최적 처리)
/excel2notion슬래시 커맨드 + Excel 파일 입력- Excel → JSON 변환
- Notion API 스키마로 매핑
- Notion API에 데이터 전송
/append2top1슬래시 커맨드 + 자연어/PDF 입력- 입력값 분석 (자연어/PDF 판별)
- Gemini로 정해진 클래스로 변환
- 열 가중치 적용
- 임베딩 생성
- Notion DB 임베딩 인덱싱
- 유사도 계산 및 Top1 선택
- 추천 이유 생성 (Gemini)
- 결과를 Notion에 저장 및 Slack 알림
시나리오 2와 동일하나, 추천 개수만 Top3으로 변경
/notion2excel슬래시 커맨드 입력- Notion API로 DB 조회
- Excel 파일로 변환
- Slack에 파일 업로드
| 작업 | 1일 | 2일 | 3일 | 4일 | 5일 | 6일 | 7일 |
|---|---|---|---|---|---|---|---|
| 열 가중치 계산 및 정확도 개선 | ✓✓✓ | ||||||
| 로컬 환경에서 개발 및 테스트 | ✓✓ | ||||||
| 배포 | ✓ |
| 분류 | 기술 |
|---|---|
| 프레임워크 | FastAPI |
| 언어 | Python |
| 임베딩 | multilingual-e5-small-ko-v2 |
| LLM | Google Gemini Flash |
| 유사도 계산 | Cosine Similarity |
| 클라우드 | Google Cloud Run |
| 데이터 저장 | Notion DB |
| 메시징 | Slack Bot |
| ML 라이브러리 | FAISS (벡터 인덱싱) |
✅ 자동화: 수작업 추천을 AI로 완전 자동화
✅ 효율성: 약 3배 작업 시간 단축
✅ 확장성: 임베딩 기반으로 새로운 데이터 쉽게 추가
✅ 통합성: 기존 업무 흐름(Slack, Notion)에 자연스럽게 연동
✅ 비용 효율: 클라우드 프리 티어로 초기 비용 최소화
✅ 협업 최적화: Notion DB 병렬 처리로 팀 생산성 극대화