AIRD Pack

서울시 공장 등록 데이터를 활용한 머신러닝 분석과 AI 에이전트 프로젝트입니다. 공장 리스크 분류, 노후공장 비중 분석, Hotspot 탐지 등의 ML 모델과 자연어 질의응답을 통한 데이터 분석 기능을 제공합니다.

GitHub Repository

https://github.com/hike-lab/AIRD-PACK

목차

1. 사전 요구사항
2. 파일 구조
3. 실행 방법
   • 3.1 로컬 실행
   • 3.2 Google Colab 실행
4. 사용 가이드
   • 4.1 데이터
   • 4.2 ML-Pack
   • 4.3 QA-Pack
5. 주의 사항

---

1. 사전 요구사항

• Python 3.12 이상
• OpenAI API Key

2. 파일 구조

AIRD-PACK
│
├── README.md
├── requirements.txt                    # 라이브러리 설치 파일
├── .env.example                        # API KEY 설정 파일. `.env`로 파일명 변경 후 사용
│
├── data
│   ├── raw/
│   │   └── seoul_factory_registry_2025_v1.csv          # 서울시 공장등록 원본
│   └── processed/                                      # ml-pack 코드 실행 파일이 저장되는 경로
│       ├── ml_factory_risk_seoul_2025_v1.csv           # 공장 리스크
│       ├── ml_region_old_factory_share_seoul_2025_v1.csv  # 자치구 노후비중
│       └── ml_location_score_candidate_sites_v1.csv   # 동 단위 Hotspot
│
└── code
    ├── ml-pack
    │   ├── aird_quality_diagnosis.ipynb                # 품질진단 노트북
    │   ├── aird_ml_factory_pack_builder.ipynb          # ML Dataset 빌더
    │   ├── aird_ml_learning_examples.ipynb             # ML 학습 예제
    │   └── aird_ml_inference_examples.ipynb            # 학습 모델 추론 예제
    └── qa-pack
        ├── prompt-test.ipynb                           # 프롬프트 테스트 노트북
        └── sub-files/                                  # QA-Pack 서브 모듈
            ├── agent_module.py
            ├── config.py
            ├── state.py
            └── tools_module.py

3. 실행 방법

이 프로젝트는 로컬 환경과 Google Colab 두 가지 방식으로 실행할 수 있습니다.

3.1 로컬 실행

Step 1: 가상환경 생성 및 활성화

macOS / Linux

python -m venv env
source env/bin/activate

Windows

python -m venv env
env\Scripts\activate

Step 2: 의존성 패키지 설치

pip install -r requirements.txt

Step 3: 환경 변수 설정

프로젝트 루트 디렉토리에 .env 파일을 생성하고 OpenAI API Key를 설정합니다:

OPENAI_API_KEY=your_openai_api_key_here

3.2 Google Colab 실행

아래 노트북 URL을 Google Colab에서 열어 실행할 수 있습니다.

ML-Pack

1. 데이터 품질 진단

   • 🔗 Colab URL
   • 파일: code/ml-pack/aird_quality_diagnosis.ipynb

2. ML Dataset 빌더

   • 🔗 Colab URL
   • 파일: code/ml-pack/aird_ml_factory_pack_builder.ipynb

3. ML 학습 예제

   • 🔗 Colab URL
   • 파일: code/ml-pack/aird_ml_learning_examples.ipynb

4. 학습 모델 추론 예제

   • 🔗 Colab URL
   • 파일: code/ml-pack/aird_ml_inference_examples.ipynb

QA-Pack

1. 프롬프트 테스트
   • 🔗 Colab URL
   • 파일: code/qa-pack/prompt-test.ipynb

참고: Colab에서 실행 시 환경 변수는 노트북 내에서 직접 설정하거나 Colab의 Secrets 기능을 활용하세요.

---

4. 사용 가이드

4.1 데이터

• 한국산업단지공단의 공장등록통계 데이터(2025년 10월말 기준)를 사용합니다.
• data/raw/seoul_factory_registry_2025_v1.csv는 '(2025.10월말기준)_공장등록통계.xlsx' 파일을 전처리하고, 서울특별시 데이터만 추출하여 가공한 데이터입니다.

4.2 ML-Pack

✅ 테스트 파일 (순서대로 실행)

1. code/ml-pack/aird_quality_diagnosis.ipynb - 데이터 품질 진단
2. code/ml-pack/aird_ml_factory_pack_builder.ipynb - ML Dataset 빌더
3. code/ml-pack/aird_ml_learning_examples.ipynb - ML 학습 예제 (3가지 모델)
4. code/ml-pack/aird_ml_inference_examples.ipynb - 학습 모델 기반 추론 예제

✅ 주요 기능

1. 품질진단

• 완전성, 정확성, 일관성, 적시성, 유효성 평가
• 종합 품질 점수 산출 (0-100점)
• HTML 리포트 자동 생성

2. AI Ready 변환

• 3개 ML Dataset 생성

3. ML 학습 & 해석

• Random Forest, XGBoost 학습
• SHAP 기반 해석

4. 시각화

• 차트 (Matplotlib, Plotly)

5. 인사이트 도출

• 정책: 위험 지역 발굴, 예산 배분
• 민간: 보험 리스크, ESG 컨설팅, 입지 전략

✅ 사용 예시

ML 파이프라인

• 데이터 전처리: 결측치 처리, 이상치 제거, Feature Engineering
• 모델 학습: Logistic Regression, Random Forest, XGBoost
• 모델 해석: SHAP, Feature Importance, Partial Dependence
• 하이퍼파라미터 튜닝: Grid Search, Random Search
• 모델 평가: Confusion Matrix, ROC-AUC, Precision/Recall

1. 공장 리스크 분류

• Dataset: ml_factory_risk_seoul_2025_v1.csv (5,521개)
• Target: label_high_risk (고위험/저위험)
• 모델: Random Forest (Accuracy ~85%)
• 활용: 안전 점검 우선순위, 보험 리스크 평가

2. 자치구 노후공장 비중 분석

• Dataset: ml_region_old_factory_share_seoul_2025_v1.csv (26개)
• Target: label_high_old_share (노후비중 高/低)
• 모델: Logistic Regression, Random Forest
• 활용: 정책 우선순위, 산업단지 재생

3. 동 단위 Hotspot 탐지

• Dataset: ml_location_score_candidate_sites_v1.csv (1,858개)
• Target: label_hotspot (Hotspot 여부)
• 모델: Random Forest
• 활용: 제조업 입지 전략, 인프라 투자

4.3 QA-Pack

공장 등록 현황 데이터를 분석하는 AI 에이전트를 실행하는 프로젝트입니다.

✅ 실행 방법

code/qa-pack/prompt-test.ipynb에서 실행합니다.

1. Setting & Import 셀을 먼저 실행하여 필요한 모듈을 임포트합니다.
2. Test 셀을 실행하면 대화형 모드가 시작됩니다.
3. 질문을 입력하면 AI 에이전트가 데이터를 분석하여 답변을 제공합니다.
4. 종료하려면 이제 끝!을 입력합니다.

✅ 주요 기능

• 대화형 인터페이스: 연속적인 질문-답변 대화 지원
• 세션 관리: 대화 히스토리를 유지하여 맥락 이해
• 자동 코드 생성: 질문에 맞는 Pandas 코드 자동 생성 및 실행
• 결과 저장: 생성된 코드와 실행 결과를 저장하여 추후 조회 가능

✅ 사용 예시

노트북의 Examples 섹션에서 다음 예시들을 확인할 수 있습니다:

• "서울에서 공장이 가장 많은 구는 어디야?"
• "지난 20년간 서울에서 공장 수가 가장 많이 증가한 5개 구를 알려줘"
• "새로 생긴 공장들이 요즘 어느 지역에 많이 몰려 있어?"
• "금천구에서 규모가 가장 큰 회사는 어디야?"
• "공장의 면적 대비 직원 수가 많은 공장 상위 5개를 알려줘"

---

5. 주의 사항

• .env 파일에 올바른 OpenAI API Key가 설정되어 있어야 합니다.
• code/qa-pack/sub-files 폴더에 .py 파일들이 존재해야 합니다.
• 첫 실행 시 필요한 패키지 설치에 시간이 걸릴 수 있습니다.