Skip to content

Fisa5-Main-Project/ai-server

BranchesTags

Repository files navigation

노후하우 AI 서버 (KnowWhoHow AI Server)

1. 프로젝트 개요

본 프로젝트는 크게 데이터 파이프라인(Airflow) 과 API 서버(FastAPI) 로 구성되어 있습니다.

AI 서버는 사용자의 마이데이터와 금융 성향을 전처리 및 벡터화하여, **RAG(Retrieval-Augmented Generation)**를 활용하여 개인 맞춤형 금융 상품(예금, 적금, 펀드, 연금)을 추천하고 상담해주는 서버입니다.

특히 Airflow를 활용하여 금융위원회, 금융감독원 등 다양한 공공 데이터 OpenAPI로부터 최신 금융 상품 정보를 주기적으로 수집하고 전처리하여 데이터의 **신선도(Freshness)**를 유지합니다. 수집된 데이터와 벡터 임베딩은 Cloud NoSQL DB인 MongoDB Atlas에 적재되어, 고성능의 하이브리드 검색(Hybrid Search)을 지원합니다.

2. 주요 기능

  • 개인 맞춤형 상품 추천: 사용자의 자산 현황, 투자 성향, 연령대 등을 분석하여 최적의 금융 상품 추천.
  • 지능형 챗봇 상담: 금융 상품에 대한 질의응답을 실시간 스트리밍으로 제공.
  • 데이터 최신화 (ETL): 금융위원회 및 각 금융사 데이터를 주기적으로 수집, 전처리, 임베딩하여 벡터 DB에 적재.
  • 유저 페르소나 벡터화: 사용자 데이터를 텍스트화 및 벡터화하여 유사도 검색에 활용.

3. 기술 스택 (Tech Stack)

3.1. Server (EC2 / Local)

  • Framework: FastAPI
  • Language: Python 3.10+
  • AI & LLM:
    • LangChain (Core, Community, Google GenAI)
    • Google Gemini Pro (Generative AI)
    • LangGraph (Agent Workflow)
  • Database:
    • MongoDB Atlas (Vector Store & Data Lake)
    • MySQL (User Data - Read Only)
  • Deployment: Docker, Uvicorn

3.2. Airflow (On-Premise)

  • Orchestrator: Apache Airflow 3.1.1
  • Executor: Celery Executor
  • Message Broker: Redis
  • Metadata DB: PostgreSQL
  • Key Libraries:
    • pandas, requests (Data Processing)
    • pymongo (DB Interaction)
    • langchain-google-genai (Embedding Generation)

4. 디렉토리 구조

main-project-ai/
├── airflow/                  # Airflow 관련 설정 및 DAG
│   ├── dags/                 # 데이터 파이프라인 (ETL) 정의
│   ├── config/               # Airflow 설정 파일
│   ├── Dockerfile            # Airflow 커스텀 이미지 빌드 설정
│   └── requirements.txt      # Airflow 의존성 패키지
├── server/                   # AI API 서버
│   ├── app/                  # FastAPI 애플리케이션 코드
│   │   ├── api/              # API 라우터 (v1)
│   │   ├── core/             # 설정(Config) 및 공통 모듈
│   │   ├── services/         # 비즈니스 로직 (RAG, Chatbot 등)
│   │   └── main.py           # 앱 진입점
│   ├── Dockerfile            # Server 이미지 빌드 설정
│   └── requirements.txt      # Server 의존성 패키지
├── docker-compose.local.yml  # 로컬 개발 환경 실행 설정 (Airflow + Server + Mongo)
└── scripts/                  # 유틸리티 스크립트

5. APIs

주요 API 엔드포인트는 다음과 같습니다. 상세 명세는 서버 실행 후 /docs에서 확인할 수 있습니다.

Method Endpoint Description
GET / 서버 상태 및 버전 정보 확인
GET /api/v1/recommendations/{user_id} 특정 유저를 위한 맞춤형 금융 상품 추천
POST /api/v1/chat/stream 챗봇과의 대화 (스트리밍 응답)
POST /api/v1/chat/feedback 추천/상담 결과에 대한 피드백 저장
POST /api/v1/users/{user_id}/vectorize 유저 데이터 벡터화 및 갱신 (트리거)

5.1. Admin APIs

관리자 페이지를 위한 통계 및 로그 조회 API입니다.

Method Endpoint Description
GET /api/v1/admin/stats/overview 대시보드 전체 통계 조회
GET /api/v1/admin/stats/trends 대화 및 API 요청 추이 조회
GET /api/v1/admin/stats/feedback 피드백 분포 조회
GET /api/v1/admin/users 사용자별 AI 사용 통계 조회
GET /api/v1/admin/logs 챗봇 대화 로그 목록 조회
GET /api/v1/admin/logs/{user_id} 특정 사용자의 대화 상세 내역 조회

6. 배포 정보

7. 실행 가이드 (로컬 환경)

사전 요구사항

  • Docker 및 Docker Compose 설치
  • .env 파일 설정 (각 디렉토리의 .env.example 참고)

Airflow 실행

# airflow 루트에서 실행
docker-compose up -d --build

개별 실행 (Server Only)

cd server
pip install -r requirements.txt

python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

8. 결과

🛠️ ServerTech Stack Overview (기술 스택)

Category Technology Usage
Language Python 서버 및 데이터 파이프라인(Airflow) 핵심 로직 구현
Database (RDBMS) MySQL 사용자 정보(회원, 계좌, 자산 등)의 원천 데이터 저장
Database (NoSQL) MongoDB 벡터 스토어(임베딩 저장), 로그, 비정형 데이터 관리
Embedding Gemini Google text-embedding-004: 텍스트를 고차원 벡터로 변환
Framework LangChain RAG(검색 증강 생성) 파이프라인 및 Agent 구축
Vector Search Atlas Vector Search Index: 데이터 중 유사 데이터 초고속 검색
ORM SQLAlchemy Python 객체와 관계형 데이터베이스(MySQL) 간 매핑

1. 사용자 페르소나 정의 (User Vectorization)

가장 먼저, RDBMS에 흩어져 있는 사용자 데이터를 조회하여 AI가 이해 가능한 **"텍스트 서사(Persona)"**로 변환합니다.

👤 데이터 조회 (MySQL + SQLAlchemy)

UserVectorizationService는 SQLAlchemy를 사용하여 MySQL에서 다음 데이터를 직접 쿼리합니다.

  • Users 테이블: 나이, 성별, 투자 성향
  • Assets 테이블: 자산 규모 및 포트폴리오(예적금, 부동산 등) 분포
  • UserInfo 테이블: 연 소득, 은퇴 목표, 희망 생활비
  • Keyword 테이블: 사용자가 선택한 관심 키워드

📝 페르소나 생성 & 임베딩

조회된 데이터를 자연어 텍스트로 합친 후 임베딩합니다.

  • Model: Google text-embedding-004 (via langchain-google-genai)
  • Process: 텍스트 -> 768차원(예시) 벡터 변환
  • Storage: 결과 벡터는 MongoDB user_vectors 컬렉션에 저장됩니다.

2. 금융상품 지식화 (Product Vectorization)

금융상품 데이터 역시 AI가 검색할 수 있도록 벡터화되어 준비됩니다.

🔄 데이터 파이프라인 (Airflow ETL)

매일 새벽, Airflow DAG가 금융기관(금감원, 금융위, KVIC) API를 호출합니다.

  1. Extract: JSON 데이터 수집
  2. Transform: 상품 특징, 우대 조건 등을 rag_text 필드로 가공
  3. Embed: 동일한 Gemini Embedding 모델을 사용하여 벡터 생성
  4. Load: MongoDB에 적재 (API 서버와 공유하는 DB)

3. 매칭 및 추천 (RAG & Vector Search)

사용자가 질문을 하면, 시스템은 사용자 벡터와 상품 벡터를 비교하여 가장 적합한 상품을 찾아냅니다.

1단계: 검색 (MongoDB Atlas Vector Search)

  • 사용자의 질문 + 페르소나를 결합하여 쿼리 벡터를 생성합니다.
  • MongoDB Atlas의 vectorSearch 기능을 사용하여 코사인 유사도(Cosine Similarity)가 높은 상위 상품을 검색합니다.
    • 효과: 단순 키워드 매칭이 아닌, "맥락"에 맞는 상품 검색 가능

2단계: 에이전트 분석 (LangGraph)

검색된 후보 상품들과 사용자 페르소나를 LangGraph 기반의 Agent에게 전달합니다.

  • Prompt: "당신은 금융 전문가입니다. [사용자 페르소나]와 [검색된 상품]을 보고 최적의 상품을 추천해주세요."
  • Output: 추천 사유가 담긴 정형화된 JSON 데이터

4. 피드백 및 최적화 (Feedback Loop)

추천은 일방적이지 않고 사용자의 반응에 따라 계속 진화합니다.

👍👎 재정렬 로직 (Hybrid Filtering)

사용자가 챗봇에서 남긴 '좋아요/싫어요' 로그는 MongoDB chat_logs에 저장됩니다.

  • Logic: ProductsService에서 추천 결과를 반환하기 전, MongoDB 로그를 조회하여 Dislike 상품은 필터링하고 Like 상품은 가중치를 부여해 재정렬합니다.

🛠️ 요약 다이어그램

graph TD
    subgraph "Data Source"
        MySQL[(MySQL DB)] -->|SQLAlchemy| Service[User Service]
    end

    subgraph "User Processing"
        Service -->|Data Aggregation| Persona[페르소나 텍스트]
        Persona -->|Gemini Embedding| UserVec[사용자 벡터]
        UserVec -->|Store| Mongo[(MongoDB)]
    end
    
    subgraph "RAG System"
        Query[사용자 질문] --> Chat[Chat Service]
        Chat -->|Context| UserVec
        UserVec -->|Vector Search| Atlas[MongoDB Atlas Search]
        Atlas -->|Candidates| Candidates[후보 상품군]
        Candidates -->|LangGraph| Final[최종 추천]
    end
Loading

About

main project ai server

Resources

Readme
Activity
Custom properties

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Contributors 3

  •  
  •  
  •  

Languages