시즌 5 기획!

[HangryDev]

시즌 5 기획을 작성해 주시면 됩니다. 양식은 자유지만, 7 Minute Pitch에 어울리는 짧고 굵은 방식을 권장합니다

❗ 48시간 안에 완성할 수 있는 분량으로 만들어주세요!
❗ 내가 이거 n시간안에 완성할 수 있나? 꼭 생각하고 분배합시다.

저의 기획안입니다 (실제 제안서를 그대로 올립니다 번역 안된거 양해바랍니다 🙏.)

1. Problem Statement:

According to Gitcoin’s State of the Web3 Grant Report, there are over 1B $USD of grant issued across 5,900 projects in 2023. However, it lacks a standardized and automated measure to assess the activity of the project such that it requires extra effort for validation and the fund may be allocated to the wrong project.

2. Solution:

Dead Project Snipper offers an automated agent that

• Collects data from the projects’ social(ex. X), building(ex. Github), and user(ex. onchain transaction) activity and store it on the activity database
• Calculates the activity score based on the score calculator algorithm for “Dead” and “Active” analysis
• Reports whether the project is dead or alive with the analysis data to back up the judgement. The report will be stored onchain for further verification

3. Technical Breakdown:

System Flow

The project consist of three main flows, which is coded alphabetically.

• Collect & organize data points: This means figuring out which project is the target for monitoring, and acquiring the project's social/github/wallet address. This part is less about programming; it's more about coordinating with funded projects for information.
• Collect activity data: Once data points are set, we use APIs to monitor and collect activity data in regular cycle.
• Judgement and action: Activity data is ingested to llm-based algorithm. Based on the result score, fact-based reports are created (by llm), actions may be called, and the info is updated to offchain DB & mainnet.

Details

• Data point / Collector: Github / X Api collecter, Near indexing
• Data Sets for the Metrics: Web3 Grant Funding DB (most likely to be Gitcoin but need discussion)
• Score Calculator: Multipath reasoning algorithm that utilizes LLM-as-a-judge
• Report: Instruction based prompt engineering with RAG on Langchain
• Report UI: Colab with metrics and instructions on how to customize them

4. Impact

• Historical Grant Assessment: Check and see whether previous grant projects are still in progress or not
• Grant Project Management: Check the current grant projects to see if their activity should be eligible for the amount
• Grant Criteria Setup: Set up metrics for the least / preferred required activities for the grant recipient

5. Roadmap

• Phase 1 - Quick Start (100H w/ 2 people)
  • Objective: Build a testable framework based on minimal data
  • Based on a small set of projects / data set for testing purposes
  • No Web/App UI integration. Only testable results shown on colab
• Phase 2 - MVP
  • Objective: More dataset / product level UI to start the service adoption
  • Larger dataset for comparison / score calculation
  • Web based UI for datapoint / reporting. Any project can be registered
  • Product ready level for the grant project(ex. Gitcoin, Potlock) integration
• Phase 3 - Expansion
  • Objective: Develop into a project assessment agent
  • In theory, Dead Project Snipper can be generally applied as a project assessment that can not only be applied to Grant Projects outside of Web3, but also any project that requires performance metrics (ex. investment, employment, etc)
  • In order for expansion, it will require multiple data points for the assessment and more developed scoring metrics that befits the purpose of the area of application

6. Team : 정한결, 손기훈, 이경재, 안예진, 이찬호

• Hankeol Jeong: The team leader

[MinwooKim1990]

1. Problem Statement:
Large language models (LLMs) require significant computational resources, which limits their deployment on low-resource devices such as mobile phones, embedded systems, and lightweight laptops. Despite the progress in NLP, there is a lack of standardized and automated methods to optimize these models for such environments while maintaining performance.

---

2. Solution:
The project proposes using three core techniques to reduce model size and computational requirements while preserving model accuracy:
• Knowledge Distillation: Reducing the complexity of LLMs by training smaller student models from larger teacher models.
• Pruning: Eliminating less important weights and neurons in the neural network to shrink the model size.
• Quantization: Lowering the precision of model parameters (e.g., from 32-bit to 8-bit) to reduce memory and computation overhead.
The optimized models will be tested on low-resource devices to ensure feasibility and performance.

---

3. Technical Breakdown:
The project consists of three main phases coded alphabetically:

A. Data Collection & Preprocessing:

1. Identify Target Models: Select a base model (e.g., GPT-2, BERT) from Hugging Face’s model zoo.
2. Dataset Preparation: Gather benchmark datasets (e.g., SQuAD for QA tasks, IMDB for sentiment analysis) to fine-tune and test the models.

B. Model Optimization Techniques:

1. Knowledge Distillation:
   o Use Hugging Face's Trainer API to implement knowledge distillation.
   o The larger teacher model will guide the student model, balancing between performance and model size.
2. Pruning:
   o Implement both structured and unstructured pruning using PyTorch’s pruning utilities.
   o Monitor trade-offs between accuracy, latency, and size.
3. Quantization:
   o Apply dynamic and static post-training quantization using ONNX or TensorFlow Lite.
   o Test the model on M1 MacBook for real-time inference capabilities.

C. Testing & Deployment:

1. Performance Evaluation:
   o Metrics: Model accuracy, size, latency, and memory usage on low-resource hardware.
   o Compare optimized models against the baseline.
2. Deployment:
   o Convert the final optimized model to ONNX or TensorFlow Lite for deployment on devices
   o Create a REST API or local inference script to test the model in real-time scenarios.

---

4. Impact:
• Performance on Low-Resource Devices: Ensures that state-of-the-art NLP models can be effectively deployed in real-world applications with hardware limitations.
• Generalization: The techniques can be applied to various other LLMs and real-time tasks, potentially improving accessibility in industries requiring lightweight NLP solutions.
• Energy Efficiency: Reduction in computational overhead will lead to lower energy consumption, contributing to sustainable AI.

---

5. Duration: 16 weeks
Tools:
• Frameworks: PyTorch, Hugging Face Transformers
• Optimization Libraries: Optimum (for Hugging Face), ONNX, TensorFlow Lite
• Hardware: Any devices (similar low-resource machines)

Week 1-2: Project Setup & Introduction to LLM Optimization
• Goal: Set up the project environment and introduce LLM optimization concepts.
• Tasks:

1. Set up development environments (e.g., Docker, Conda).
2. Review baseline LLM models (e.g., BERT, GPT-2).
3. Introduce knowledge distillation, pruning, and quantization methods.
4. Gather datasets (e.g., SQuAD, IMDB).
   • Deliverables:
   o Project repo setup
   o Research paper summary on LLM optimization techniques
   o Dataset preprocessing script

Week 3-4: Knowledge Distillation
• Goal: Apply knowledge distillation to compress the LLM.
• Tasks:

1. Implement knowledge distillation using a teacher-student model (e.g., BERT to DistilBERT).
2. Fine-tune the student model on the dataset.
3. Evaluate the student model’s performance against the teacher.
   • Deliverables:
   o DistilBERT implementation
   o Accuracy and model size comparison report

Week 5-6: Model Pruning
• Goal: Explore pruning to reduce model complexity.
• Tasks:

1. Apply layer and weight pruning to the student model.
2. Measure the trade-offs between accuracy loss and model size.
3. Experiment with structured vs. unstructured pruning.
   • Deliverables:
   o Pruned model version
   o Comparison of accuracy, size, and latency before and after pruning

Week 7-8: Quantization
• Goal: Use quantization to reduce memory footprint and improve speed.
• Tasks:

1. Apply post-training static and dynamic quantization.
2. Use PyTorch or ONNX for quantization and validate model performance.
3. Benchmark speed improvements and memory reductions on devices.
   • Deliverables:
   o Quantized model ready for deployment
   o Benchmarking results on device

Week 9-10: Hybrid Optimization
• Goal: Combine distillation, pruning, and quantization for maximum efficiency.
• Tasks:

1. Integrate all three optimization techniques on the LLM.
2. Perform fine-tuning on the hybrid model for better performance.
3. Measure how well the model balances accuracy, size, and latency.
   • Deliverables:
   o Fully optimized hybrid model
   o Performance report and analysis

Week 11-12: Transfer Learning & Fine-Tuning
• Goal: Apply transfer learning to adapt the optimized model to a new domain.
• Tasks:

1. Fine-tune the optimized model on domain-specific datasets (e.g., medical, legal).
2. Evaluate the model's adaptability and performance in the new domain.
   • Deliverables:
   o Fine-tuned model on new domain
   o Domain-specific performance evaluation

Week 13-14: Real-World Deployment
• Goal: Deploy the model on a low-resource device like an M1 MacBook or mobile.
• Tasks:

1. Convert the model into ONNX or TensorFlow Lite format.
2. Set up a basic REST API or local inference script for testing.
3. Deploy and monitor the performance.
   • Deliverables:
   o Deployed model with inference API
   o Performance benchmarking on low-resource devices

Week 15-16: Final Evaluation & Presentation
• Goal: Present findings and finalize project.
• Tasks:

1. Compare the initial and optimized models in terms of accuracy, size, and performance.
2. Prepare a final project report and presentation.
3. Identify potential future improvements.
   • Deliverables:
   o Comprehensive project report
   o Final presentation deck
   o Optimized model code and documentation

[deliciouscat]

☀️📰 매일 아침 스트리밍 뉴스 ☀️📰

기안자: 구선모

🧱 노코드/완전관리형/api 등등.. 웬만해선 상용 제품을 최대한 활용하는 방향으로 접근합니다. 🧱

1. Problem Statement:

개인마다 관심사는 상이한데에 비해, 뉴스 컨텐츠는 현재 개인화된 스트리밍의 형태로 제공되고 있지 않다.
또한 뉴스는 현재의 이야기를 다루기 때문에, 이전 컨텍스트의 이해가 부족하면 전혀 이해할 수 없다.

2. Solution:

크롤링한 전체 뉴스 풀 중 사용자가 지정한 주제에 해당하는 뉴스를 텍스트 또는 음성으로 서빙한다.
시청기록에 근거하여 이전 맥락에 대한 지식이 없는 유저에 대해선 보충설명을 통해 뉴스에 대한 이해도를 높인다.
오디오 스트리밍을 통해 사용자가 편하게 청취할 수 있도록 한다.

3. Technical Breakdown:

다음과 같은 기술스택/api 활용을 고려하고 있습니다:

프론트/백엔드

• FlutterFlow
• FireBase
• FastAPI

크롤링

• 직접 크롤링
• 상용 api 활용(News api, Naver api, 딥서치 뉴스 api)

TTS

• 타입캐스트 api 활용

스트리밍

• Wowza Streaming Engine

다음 분야에 대해 연구할만한 요소가 있습니다:

Recommendation

• 사용자의 현재 관심사에 맞는 적절한 기사를 추천
• 잠재적으로 미래에 사용자가 관심을 가질만한 주제를 예측

Knowledge Tracing

• 사용자가 알고 있는 지식의 범위를 추정하여 보충설명의 범위를 정함

뉴스 중요도 분석

• 모든 뉴스에 대해 TTS를 수행하기에는 비용상 제약이 있으므로, 전체 사용자(또는 타겟 사용자)의 만족도를 최대화하는 subset을 구성하는 연구가 필요

Multi-document Summarization

• 전후 맥락을 한 기사에 적절하게 통합하기 위해서는 적절한 Prompt Engineering에 대한 연구가 필요

4. Impact:

• 정보의 홍수 속에서 나에게 꼭 필요한 정보를 선별하여 들을 수 있음
• 전체 맥락에 대한 종합적인 서술로 단편적인 정보가 아닌 전체적인 현상을 이해하도록 도움
• 오디오 스트리밍을 통해 복잡한 출퇴근길에 편하게 들을 수 있게 함

5. Roadmap:

계획 및 역할 논의(Week 1)

• 팀원 전체 의견/관심 기술스택 고려하여 현재 계획 수정
• 역할분배

MVP 단계(Week 2~6)

• 텍스트 형식의 뉴스 제공 시스템 구축
• 기본적인 키워드 기반 추천 엔진 개발
• 사용자 인터페이스 설계 및 구현

1차 고도화(Week 7~11)

• 음성 스트리밍 기능 구현 (TTS API 연동)
• 뉴스 중요도 산출 엔진 개발 및 적용
• 사용자 피드백 시스템 구축

2차 고도화(Week 12~16)

• 추천 엔진 고도화 (머신러닝 모델 적용)
• Knowledge Tracing 기술 도입
• Multi-document Summarization 구현

[sinjy1203]

2024 빅콘테스트 생성형AI분야 대회 참가

대회 홈페이지

1. 대회소개 요약

• LLM 활용 제주도 맛집 추천 대화형 AI 서비스 개발
• 일정
  • 결과물 제출: 10/25
  • 발표 심사: 11/19 ~ 11/21 (서류 합격시)
• 추천 대상: 제공 데이터에 있는 상위 9,252개 요식업 가맹점
• 제공데이터: 각 가맹점에 대한 이용건수 통계, 관광지 조회수, 관광지 평점 리뷰
• 모델 제약: Gemini 1.5 Flash(LLM), e5 or sroberta or bge (embedding model) -> finetuning 안됨
• 결과물 제출: 서비스 설명서(ppt), 웹 서비스 시연 영상, 코드, 데이터
• 평가 요소
  1. 검색형 질문 응답 정확도: 단순 정보 검색용 질문에 대한 답변 구현 (제공데이터에서만) (30%)
  2. 추천형 질문 응답 구현도: 팀별로 질문 테마를 정해서 해당 테마 특화 추천 시스템 구현 (40%)
  3. 유저관점에서 서비스 완성도 종합 평가 (30%)

2. 예상 사용 기술

• 프론트: 대회에서 제공해주는 streamlit 코드 사용예정
• 백엔드: colab pro로 제한되어 있고 평가 요소에 없기 때문에 따로 구성하지는 않을 예정
• 알고리즘
  • pipeline 개발: langgraph, langchain
  • DB: sqlite, neo4j
  • agent tool: DB search, web search

3. 개발 일정

• ~현재까지
  • 단순 정보 검색용 응답에 대한 version 1 구현 완료
  • github
• ~10/6
  • 단순 정보 검색용 응답에 대한 알고리즘 개선
• ~10/13
  • 추천형 질문 응답에 대한 질문 테마 기획 및 구현
• ~10/20
  • 추천형 질문 응답에 대한 알고리즘 개선
• ~10/25
  • 결과물 작성

[videorighter]

공시정보를 활용한 주식투자 도우미 챗봇 고도화

참고페이지
[NAVER Cloud X PseudoLab Green Developers] 주식투자 도우미 챗봇 개발기
[NAVER Cloud X PseudoLab Green Developers] 주식투자 도우미 챗봇 개발기 2

1. Problem Statement:

• 주식투자를 해보긴 했으나 확신을 가지고 투자하지 못하는 초보자들을 위해 챗봇을 제작하고자 합니다.
• 우리 프로젝트에서는 투자 초보자들에게 공시정보를 통해 얻은 투자 지표와 산업 트렌드, 뉴스 보도 등을 통해 종합적으로 투자 정보를 전달하고 투자에 대해 잘 판단할 수 있도록 방향을 제시하고자 합니다.

2. Solution:

• 이 프로젝트에서는 전자공시시스템으로부터 제공받은 공시정보와 기타 금융 관련 정보들을 토대로 투자를 도와주는 챗봇을 LLM으로 제작합니다.
• 전자공시시스템(DART)이란, 상장법인 등이 공시서류를 인터넷으로 제출하고, 투자자 등 이용자는 제출 즉시 인터넷을 통해 조회할 수 있도록 하는 종합적 기업공시 시스템인데요, DART로부터 API를 통해 해당 자료들을 제공받을 수 있습니다.
• 또한, 주식 투자에 영향을 미치는 기업 관련 뉴스데이터들을 수집 및 요약하여 챗봇의 답변에 활용할 수 있습니다.
• 본 프로젝트에서는 DART API 데이터와 뉴스데이터 이외에 한국투자증권 KIS 오픈API를 사용하여 주가정보를 활용하고, 각종 증권사리포트요약 데이터 등을 추가로 활용합니다.

3. Technical Breakdown:

• 지금까지 개발된 전체 파이프라인입니다. 이번 기수에서는 각 Tool 고도화 또는 새로운 Tool을 제작하는 것을 목표로 하고 있습니다.
• 수집한 데이터로부터 키워드를 추출해 지식 그래프를 구성하고 서브 그래프를 통해 GraphRAG를 수행하여 답변을 확장하려 합니다.
• 프론트엔드 및 백엔드 개발자분들은 기존에 작업하시던 분들과 계속해서 커뮤니케이션 하며 진행할 예정입니다.

• 위 시스템 아키텍쳐는 네이버 클라우드를 기준으로 구성된 아키텍쳐입니다.
• 추후 가용 여부에 따라 AWS로 마이그레이션을 할 계획이며, 현재는 제 개인 PC에서 테스트 중입니다.

4. Impact

• 지식 그래프 구축을 통해 투자 종목에 대해 풍부한 정보를 얻을 수 있습니다.
• 뉴스 제공, 증권사 리포트 요약 내용 등 외부 데이터를 추가로 활용할 수 있습니다.

5. Roadmap

• 약 12주 가량 개발
• 이후 약 3~4주 가량 개발 고도화 및 마무리
• 위 일정은 참여하시는 분들에 맞춰 유연하게 변경 가능합니다.

[cheonsol-lee]

안녕하세요. 이천솔입니다.
주식투자 프로젝트에 관심이 있으며, 여러 아이디어를 준비해보았습니다. (기획 회의를 통한 구체화 필요)

1. 지식그래프 기반 주식 분석

• 목적: 그래프 간의 인과관계 분석을 통한, 투자가치 높은 주식 추천
• 방법: 기업 속보나 투자 레포트 문서를 지식그래프 DB로 제작
• 참고: 인포시즈 관련 기사(https://digitalchosun.dizzo.com/site/data/html_dir/2024/07/12/2024071280167.html)

2. 주식 보조 지표 기반 인사이트 제공

• 목적: 특정 기업의 주식 지표를 분석하여, 매수 타이밍 추천
• 예시: XX회사의 주식을 주식 지표 기반으로 분석해줘
• 방법: 주식 지표별 모듈을 생성하여, 주식 지표 기반 인사이트 제공
• 유형: 추세지표, 모멘텀지표, 변동성지표, 시장강도지표, 일목균형표

3. 재무제표 기반 주식 추천

• 목적: PBR, PER, ROE를 고려한 주식 추천
• 예시: 저PBR 기업은 XX으로 해당 주식을 추천합니다.
• 방법: 재무제표 수집 API 활용

4. 해외주식 투자 보조

• 목적: 국내보다 해외주식에 관심 많은 고객을 대상으로 최적의 주식 추천
• 방법: 해외속보 요약, 주식지표 계산을 통한 주식 추천
• 기술: 한국투자증권 API(해외주식 기본시세, 시세분석, 실시간 시세)

[jh941213]

저도 주식이라서 댓글 달아봅니다.

📊 KOSPI Chat - 실시간 국내 증시 분석, AI 채팅 및 주가 예측 시스템 ☀️

Problem Statement:
개인 투자자들은 실시간 KOSPI 시장 정보에 대한 접근과 해석에 어려움을 겪고 있습니다. 또한, 방대한 양의 시계열 데이터를 효과적으로 처리하고 이를 바탕으로 한 정확한 주가 예측의 부재로 인해 투자 결정에 어려움을 겪고 있습니다.
Solution:
KOSPI Chat은 실시간 KOSPI 지수, 상위 급등주 정보, 주요 기업 뉴스를 제공하는 대시보드와 AI 채팅 기능을 제공합니다. 더 나아가, Kafka와 Spark를 활용한 대규모 시계열 데이터 처리 시스템을 구축하고, 이를 바탕으로 한 주가 예측 모델을 개발하여 사용자에게 더욱 심도 있는 시장 인사이트를 제공합니다.
Technical Breakdown:
다음과 같은 기술스택/API를 활용하고 있습니다:

프론트엔드

React와 Next.js를 이용한 SPA 구현
Tailwind CSS를 활용한 반응형 디자인
Recharts 라이브러리를 활용한 실시간 차트 구현

백엔드

FastAPI를 이용한 백엔드 서버 구현
Kafka를 활용한 실시간 데이터 스트리밍 처리
Spark를 이용한 대규모 시계열 데이터 처리 및 분석

AI/ML

LLM 을 활용하여 데이터마트의 데이터를 통한 주가 예측 (Claude, ChatGPT, Gemini 별 따로따로)
시계열 예측 모델 (ARIMA, LSTM 등)을 활용한 주가 예측 시스템

데이터 파이프라인

Kafka-Spark 연동을 통한 실시간 데이터 처리 파이프라인 구축
데이터 마트 구축을 통한 효율적인 데이터 관리 및 분석
Redis 를 활용한 데이터 마트 저장 관리 캐싱

다음 분야에 대해 연구할만한 요소가 있습니다:
분산 시스템 최적화

Kafka와 Spark 클러스터의 효율적인 구성 및 튜닝

고급 시계열 분석

다변량 시계열 분석을 통한 복합적 시장 동향 파악

AI 모델 성능 개선

지속적인 학습 및 파인튜닝을 통한 예측 모델 정확도 향상

Impact:

실시간 대규모 데이터 처리를 통한 즉각적이고 정확한 시장 정보 제공
AI 기반 주가 예측 모델을 통해 투자자들의 의사결정 지원
복잡한 시장 데이터를 직관적으로 이해할 수 있는 인터페이스 제공

Roadmap:
초기 개발 단계 (Week 1-2)

프로젝트 아키텍처 설계 및 기술 스택 구체화
기본적인 UI/UX 디자인 및 구현
Kafka, Spark 환경 구축

핵심 기능 구현 (Week 3-4)

실시간 KOSPI 데이터 스트리밍 시스템 구축 (Kafka 활용)
Spark를 이용한 대규모 시계열 데이터 처리 시스템 개발
AI 채팅 시스템 및 기본 주가 예측 모델 개발

데이터 파이프라인 및 분석 시스템 구축 (Week 5-6)

Kafka-Spark 연동 데이터 파이프라인 최적화
데이터 마트 구축 및 효율적인 데이터 관리 시스템 개발
고급 시계열 분석 및 예측 모델 개발 (ARIMA, LSTM 등)

시스템 통합 및 고도화 (Week 7-8)

프론트엔드와 백엔드 시스템 통합
실시간 데이터 처리 및 예측 결과 시각화 구현
사용자 인증 및 개인화 기능 추가

성능 최적화 및 테스트 (Week 9-10)

분산 시스템 성능 최적화 및 스케일링 테스트
AI 모델 성능 개선 및 정확도 향상
대규모 베타 테스트 및 사용자 피드백 수집

최종 개발 및 출시 준비 (Week 11-12)

피드백을 바탕으로 한 시스템 개선 및 버그 수정
보안 강화 및 서버 안정화
최종 테스트 및 출시 준비

기존에 IDE test 로 프론트엔드는 만들어 두었습니다. 백엔드 작업요망

https://www.linkedin.com/posts/kjh941213_vercel-v0-shadcn-cursor-claude-%EB%A5%BC-%ED%99%9C%EC%9A%A9%ED%95%98%EC%97%AC-activity-7245290095996510208-j2Jq?utm_source=share&utm_medium=member_desktop

[videorighter]

@cheonsol-lee 의견 감사합니다!

• 지식그래프 기반 주식 분석은 아래와 같이 Neo4j를 이용한 방법이 있더라구요! 좋은 글이 있어 공유 드립니다. 출처
  
• 주식 보조 지표 기반 인사이트 제공과 재무제표 기반 주식 추천은 한국투자증권 API와 DART API를 통해 뽑아낼 수 있을 것 같습니다. 지난번에도 설명드렸는데 관련 도메인 지식이 관건이 될 것 같습니다 :)
• 해외 주식 쪽은 저희 캐파가 허용된다면 추가적으로 진행하면 좋을 것 같네요!

@jh941213 늘 링크드인 포스트 잘 보고 있습니다! 감사합니다.

• 짧은 시간 동안 BE FE 모두 개발하시다니 놀랍습니다...! 충분한 기획과 인사이트가 추가된다면 엄청난 결과물이 나올 것 같습니다.
• 차트를 실시간으로 FE에서 보여주는 내용은 지난 프로젝트 초기 기획에도 있었긴 한데 진행 일정 때문에 제외 시킨 기억이 있습니다. 만약 구현하실 예정이시라면 많은 기대가 됩니다. :)
• 그리고 마지막으로 도메인이 조금 겹치는데 작성하신 기획안을 같이 진행하실 예정이신지, 혹시 따로 팀을 꾸려 주도적으로 진행하실 것인지도 궁금합니다...!

[jh941213]

@videorighter 저도 원래 예전부터 해야지 해야지 했던 기획이긴 해서 도메인이 비슷하다면 같이 해서 시너지가 나면 오히려 더 좋을 것 같습니다. 서로 부족하거나 피드백이 될만한 요구사항도 반영할 수 있지 않을까 싶습니다.!

[xodhx4]

• 깃잔심 기획서
  collapsed:: true

  • 1. Problem Statement

    • “내가 더 멀리 볼 수 있었다면, 그것은 거인들의 어깨 위에 서 있었기 때문이다.” - 아이작 뉴턴. 우리는 모두 문제를 풀어야 할 때 레퍼런스를 참고하곤 합니다. 개발자라면 실리콘밸리 기업들의 문제 해결을 참고하기 위해 그들이 어떻게 했는지를 참고하게 됩니다. 그렇지만 그런 문제 해결 케이스들은 현재 인터넷에 파편화 되었거나, 혹은 공식적이지 않은 형태(개인 블로그 등)로 재가공되어 있습니다. 이는 우리가 원하는 문제 해결 케이스를 검색하기 어렵게 만들고, 신뢰하기 어렵게 만듭니다.

  • 2. Goal

    • 이 프로젝트를 통해 실용적인 목적과 학습 목적을 달성하고자 합니다
    • 실용적인 목적으로는 쉽게 신뢰할 수 있는 레퍼런스를 찾을 수 있게 만들어 문제 해결에 도움이 될 수 있게 합니다.
    • 학습의 목적으로는 실제 오픈소스 모델을 목적에 맞게 튜닝, 경량화, 서빙 개발을 경험합니다.

  • 3. Solution

    • 크롤러 시드 생성
    • 데이터베이스
      • 크롤링 된 컨텐츠
      • 내용에 대한 태그
    • 서빙 서버
    • LLM 경량화 프레임워크
    • 웹서버

  • 4. Roadmap

    • PoC 구현
      logseq.order-list-type:: number
      • RAG용 데이터베이스, PoC용 데이터(테크 블로그, 논문 등), 상용 LLM 모델을 구성하여 기본적인 검색 기능을 완성합니다
        logseq.order-list-type:: number
      • PoC 데이터를 구성하는데 있어 도움이 필요하다면 모델의 도움을 받습니다
        logseq.order-list-type:: number
      • 태그 생성, 임베딩 생성 등 컨텐츠 이외의 정보를 이용한 검색 역시 고려합니다
        logseq.order-list-type:: number
    • 자체 모델을 이용한 서빙으로 대체
      logseq.order-list-type:: number
      • 먼저 가능한 큰 사이즈의 모델을 이용하여 서빙을 합니다
        logseq.order-list-type:: number
      • 경량화 프레임워크를 이용하여 서빙 성능을 향상시킵니다
        logseq.order-list-type:: number
      • 필요하다면 파인튜닝 등을 이용하여 더 작은 모델을 사용할 수 있게 디스틸션 합니다
        logseq.order-list-type:: number
    • 크롤러 및 웹서버 개발로 PoC가 아닌 지속가능한 시스템으로 변경
      logseq.order-list-type:: number
      • 웹서버를 통해 웹에서 직접 검색 가능하게 구현합니다
        logseq.order-list-type:: number
      • PoC 데이터에서 벗어나, 크롤러 시스템을 구축하여 지속적으로 데이터가 업데이트 될 수 있게 합니다.
        logseq.order-list-type:: number
    • 크롤러 시드 생성을 에이전트로 변경
      logseq.order-list-type:: number
      • 새로운 시드 생성을 위해 사람이 직접 추가하는 것이 아니라, LLM을 이용하여 시드를 추가 및 신뢰성에 대한 확인을 하고 사람은 마지막에 확인만 합니다
        logseq.order-list-type:: number
    • 추천, 요약 등 추가적인 피처를 구현합니다
      logseq.order-list-type:: number

  • Reference

    • https://blogboard.io/
      • 해외 개발 블로그에 대한 구독, 검색, 관심 있을 컨텐츠 추천 등을 제공합니다
    • https://techblogposts.com/ko
      • 한국 서비스로 한국의 테크 블로그를 모아서 제공합니다

[tomatojams]

안녕하세요. 김지한입니다.
저는 기존에 하던 프로젝트 외에도 단기간에 할수있는 프로젝트를 추가하였습니다.

각각 웹페이지 링크로 만들었으니 링크로 들어가 보시길 부탁드립니다.

1. TARO-Night

• 단기프로젝트로 즐겁게 참여하실 수 있게 만들어봤습니다.
  https://debonair-mare-3e4.notion.site/TARO-Night-10c49b9b2cce80daa857f7a99aad7cf9?pvs=4

2. P.Tmind

• 중장기 프로젝트로 주로 고도화, 게임기능 추가에 중점으로 합니다.
• 7분 스피치 + 시연영상과 기술부문을 조금 더 추가한 분량으로 설명을 써놨어요.
  https://debonair-mare-3e4.notion.site/P-Tmind-10d49b9b2cce804c84d4c568e8b360fb

관심있으신분은 팀빌딩 이전에도
https://open.kakao.com/o/gxEdpERg
으로 편하게 문의주셔도 됩니당

[onun1059]

안녕하세요. 이동건입니다. 자기소개

지한님의 TARO-Night프로젝트에 참여하고 싶습니다!
이번 미니 프로젝트를 진행하면서 LLM 뿐만 아니라 다른 기술스택, 디자인도 공부하고 싶어요. 지한님의 기획에서 스터디 뿐만 아니라 상업성으로도 도전하신다는 부분에서 프로젝트의 현실을 체감할 수 있을 거 같아 관심을 갖게 되었어요.
그리고 예전 스타트업 대회에서 '은둔형 외톨이들을 위한 모임'으로 소셜 벤쳐에 나간 경험이 있어 프로젝트'P.Tmind'도 관심이 가긴 합니다. 혹시나 가능하면 이도 추후에 참여하고 싶습니다.

[hidden719]

안녕하세요. 함경표입니다.
클로드 대리와 함께 성과지표관리를 자기관리와 연계시킨 프로젝트를 한번 가져와봤습니다.
아직 아이디어 단계여서 세부사항 조정 및 조사가 더 필요하고 개선이 필요하다고 생각합니다.
참고 링크 : OKR과 KPI 뭐가 다른 걸까?](https://partner.polarisofficecorp.com/atlassian/pages/viewpage.action?pageId=24314471)

프로젝트 제안서: AI 기반 자기 개선 OKR 앱

1. 문제 정의
   많은 개인들이 효과적인 목표 설정, 진행 상황 추적, 그리고 개인 발전을 위한 동기 유지에 어려움을 겪고 있습니다. 기존의 목표 설정 방법들은 종종 개인화, 적응성, 그리고 지속적인 동기부여가 부족합니다.
2. 해결책
   대규모 언어 모델(LLM)과 검색 증강 생성(RAG)을 활용하여 개인화된 목표 설정 및 달성 플랫폼을 만드는 AI 기반 OKR 앱을 개발할 것을 제안합니다. 이 앱의 주요 기능은 다음과 같습니다:

• AI 기반 개인화된 OKR 설정 및 관리

LLM을 활용한 사용자 맞춤형 목표와 핵심 결과 제안
사용자의 진행 상황과 피드백에 기반한 동적 OKR 조정

• 지능형 진행 상황 추적 및 분석

데이터 기반 진행 상황 모니터링 및 시각화
AI 분석을 통한 성과 예측 및 개선 영역 식별

• 개인화된 코칭 및 자원 추천

RAG 시스템을 활용한 맞춤형 조언 및 학습 자원 제공
사용자의 목표와 진행 상황에 맞춘 동기부여 메시지 및 챌린지 생성

3. 기술적 세부사항
   AI 기반 OKR 앱은 다음과 같은 주요 구성 요소로 구축될 것입니다:

AI 엔진:

LLM 통합 (예: GPT 모델)
RAG 시스템 구현
자연어 처리 (NLP) 기능

데이터 관리:

사용자 프로필 및 OKR 데이터베이스
진행 상황 추적 및 분석 시스템

사용자 인터페이스:

모바일 및 웹 애플리케이션 (크로스 플랫폼)
대화형 AI 인터페이스 (챗봇 및 음성 지원)

4. 영향
   이 앱은 사용자의 목표 달성률을 40% 향상시키고, 자기 인식과 동기부여를 크게 증가시킬 것으로 예상됩니다. 또한, 개인화된 접근 방식을 통해 사용자의 전반적인 생산성과 삶의 질 향상에 기여할 것입니다.
5. 로드맵 (16주)
   1-4주차: 프로젝트 설정 및 AI 엔진 개발
   5-8주차: OKR 관리 시스템 및 진행 상황 추적 구현
   9-12주차: 개인화된 코칭 시스템 개발
   13-16주차: 사용자 인터페이스 개발, 통합 및 테스트

[ranian963]

작성자 : 이상윤

개인적으로 매일 여러 통로를 통해서 AI 관련 정보들을 접하는데 이를 정리를 할 수가 없어서
그러한 서비스를 만들면 좋을 것 같아서 기획하였습니다. (위에 구선모님이 작성해주신거랑 비슷한거 같긴 합니다.)

1. Problem Statement

• 생성형 AI 관련 정보가 너무 빠르게 변화하고 다양한 소식이 쏟아져 나와 모든 정보를 따라가기 힘듬
• 다양한 형태(텍스트, 이미지, URL 등)의 정보를 일관되게 관리하고 분석하기 어려움
• AI, LLM, RAG 등 관련 기술과 서비스 정보를 체계적으로 정리하고 요약하는 데 너무 많은 시간과 노력이 필요함
• 하루 쉰다고 놓치면 그 사이를 손해 본 것 같은 느낌이 듬

2. Solution

• 사용자가 쉽게 정보를 입력하고 관리할 수 있는 인터페이스 제공
• 사용자가 입력한 정보를 자동으로 분류, 태깅, 요약 및 분류에 따른 템플릿에 맞도록 정리 (ex. LLM 모델의 정보가 들어오면 LLM 정리용 템플릿을 사용해서 정리)
• 수집된 정보를 자동으로 분석하여 주기적으로 요약된 뉴스레터 생성 (매일, 매주, 매월)
• 노션을 활용한 DB화 및 데이터 view (처음 부터 웹페이지를 만드는 것에 많은 시간을 사용하고 싶지 않아서)
• 추후에는 웹을 감시하다가 자동으로 수집까지 해주도록 발전 시킬 수 있으면 좋을 것 같음
• 입력 정보 형태
  • 텍스트
  • 메신저 대화 캡쳐 이미지
  • 페이스북 멘션 캡쳐 이미지
  • 트위터 멘션 캡쳐 이미지
  • 웹페이지 URL
  • GitHub, Hugging Face URL
  • YouTube 영상 URL

3. Technical Breakdown

• 프론트엔드

  • 노션
  • React.js - 최소한의 웹 인터페이스 (데이터 입력용)

• 백엔드

  • FastAPI (REST API 구현)
  • LangChain
  • OCR or 멀티모달

• 서버 인프라

  • AWS (EC2, S3, Lambda)

4. Impact

• AI 관련 정보 수집 및 정리 시간 대폭 감소
• 최신 AI 트렌드에 대한 접근성 향상
• AI 기술 및 서비스 관련 의사결정에 필요한 인사이트 제공
• 개인화된 필터링으로 관심 분야에 집중할 수 있는 환경 제공

5. Roadmap

1차

• 프로젝트 초기 설정 및 환경 구축
• FastAPI를 이용한 기본 백엔드 API 구현
• 다양한 형태의 정보 입력 기능만 제공하는 최소한의 프론트엔드 웹 페이지 개발
• AWS 서버 설정 및 github action
• Notion API를 이용한 데이터 연동
• 이미지 OCR(or 멀티모달) 처리
• URL 콘텐츠 자동 요약 기능 구현
• 텍스트 분석 및 자동 태깅 기능 구현
• 기본적인 LLM 기반 텍스트 분석 (요약, 분류, 키워드 추출)
• 노션 템플릿 구성

2차

• 크롬 확장 프로그램 개발
• 자동화된 일일/주간/월간 요약 뉴스레터 생성 기능 개발

3차

• 자동화된 정보 수집
• 노션에서 데이터베이스로 마이그레이션
• 새로운 프론트엔드 UI/UX 디자인 및 개발

[kihoon71]

Servant Chatbot

기획 배경 및 문제 발굴

---

• 공무원 분들의 빠르 업무 적응 및 문서 검색 시스템을 만들자.

1. 공무원 지인이 초급 공무원 분들이 가장 많이 겪는 어려움은 보통 세가지로 나뉜다고 하였다. 1) 민원 대응, 2) 인수인계의 자료 부족과 3) 민원 관련 조례 및 법안을 찾는 게 가장 힘들다고 하여 이 부분에서 공무원 분들께 도움을 줄 수 있는 서비스가 있다면 좋지 않을까 생각하였다.
2. 초급 공무원 면직률에 대한 뉴스 기사 및 초급 공무원들의 겪는 어려움에 대한 다양한 기사를 볼 수 있었다. 단순히 젊은 공무원 사이의 고충이 아닌 초급 공무원들의 업무 적응과 높은 이탈률은 중요한 사회적인 문제로 인식되고 있음을 알 수 있었다. 해당 문제를 해결할 수 있다면, 공무원들의 빠른 업무적응으로 이탈률 방지와 전반적인 국가 서비스의 질을 높일수 있다고 생각한다.

컨셉

---

• Advanced RAG와 가능하면 Graph RAG를 사용하여, 문서 검색의 정확도를 높이고 민원 데이터를 통해서 일차적으로 모델을 훈련시켜 모델이 민원 응대 초안을 작성하게 해주자!
• 위의 1),2)3)의 문제 모두 적절한 RAG 시스템이 갖춰 진다면 충분히 해결 가능한 문제라는 생각이 들었다.

프로젝트 구조

---

1. 민원 데이터 소스를 정하고 일정 주기로 크롤링
2. 데이터를 nosql로 일차 저장
3. Vector DB와 Graph DB로 저장
4. Nosql에 저장된 데이터로 모델 Lora 훈련
5. 데이터 검색 시스템 개발(Graph RAG와 Advanced RAG의 기법 사용)
6. 간단한 웹 페이지 제작

[minglet]

안녕하세요. 김민아입니다.
구체적인 테크니컬 정보를 넣진 못했는데 프로젝트 진행에 앞서 세부 추가 정보를 조사하고 진행할 예정입니다.

1. Problem Statement:

현대 사회에서 실업률이 증가하고 있으며, 지속적인 이직을 통해 커리어를 발전시키는 문화가 자리 잡고 있습니다. 이에 따라 취업 준비는 반복적이고 구직자가 자신의 역량이 충분하더라도, 효과적으로 어필하지 못해 기회를 놓치는 경우가 많습니다. 이러한 문제를 해결하기 위해 보다 효과적인 지원 프로세스를 제공하는 시스템이 필요합니다.

2. Solution:

• 직무 기반 공고 필터링: 다양한 플랫폼에서 수집된 여러 직무 공고 중, 사용자의 관심에 맞는 공고만을 선별하여 보여줍니다.
• 회사 관련 정보 요약 제공: 선택된 회사의 Job description(JD)에 맞는 관련 뉴스를 요약해 제공하여, 지원자가 회사의 최신 이슈와 트렌드를 파악할 수 있도록 합니다.
  • 관련 정보 : 회사 이슈, 제품, 인재상, 해당 업계 트렌드 등을 검색하여 정보를 제공하고, 출처를 명확히하여 신뢰성을 높입니다.
• 이력서 평가 및 피드백: 사용자가 이력서 혹은 자기소개서를 업로드하면, 해당 JD와의 적합성을 분석하고, 맞춤형 피드백을 제공합니다.

(추가 기능)

• 경험 반영 및 자동 수정: 사용자가 추가 경험을 입력하면, JD에 맞춰 이력서와 자기소개서를 수정 가능한 단락을 생성하여 추가 옵션을 제공합니다.
• 드래그 앤 드롭 UX: 사용자가 쉽고 직관적으로 정보를 입력하고 수정할 수 있는 드래그 앤 드롭 기능을 구현하여 사용성을 높입니다.

3. Technical Breakdown:

• 회사 크롤링 및 데이터 수집: 주기적으로 주요 기업 및 플랫폼에서 공고 데이터를 수집하고, 크롤링한 데이터를 VectorDB에 저장
• Modular RAG 구성: 여러 실험을 통해 Modular RAG 파이프라인을 구축하고 할루시네이션을 방지하며, 중복된 정보를 재검색하지 않도록 최적화
• LLM 기반 피드백 시스템: 이력서와 JD 간 적합성을 분석하는 LLM 기반 시스템을 구축하고, 추가Fine-tuning 여부를 결정하기 위해 간단한 PoC를 진행
• 모델 경량화 및 최적화: LLM의 경량화를 통해 서버 운영 비용과 처리 속도를 최적화하며, 서빙 경험을 개선

4. Roadmap:

1-3주차 (3주)

• 구체적인 로드맵 작성 및 프로젝트 환경 구축
• FastAPI를 이용한 간단한 백엔드 API 개발
• JD 디스플레이 및 파일 업로드를 위한 프론트엔드 웹 페이지 구축
• AWS 서버 설정 및 데이터베이스 초기 세팅

4-9주차 (5주)

• 주요 기업들 위주의 주기적인 크롤링 진행 및 VectorDB 구축
• Modular RAG 파이프라인 구현 및 할루시네이션 검증
• 이력서 및 자기소개서 분석 시스템 PoC 진행: LLM 피드백 기능 구축 및 Fine-tuning 필요성 평가

10-14주차 (4주)

• LLM 경량화 및 서빙 최적화 진행
• 프론트엔드 UI/UX 개선 (드래그 앤 드롭 기능 추가)

15-16주차 (2주)

• 전체 시스템 통합 테스트 및 버그 수정
• 시스템 성능 최적화 및 최종 피드백 반영
• 사용자 테스트 진행 및 추가 개선사항 반영

[MinwooKim1990]

안녕하세요! 김민우라고 합니다.

올려주신 기획서를 보고 제가 관심을 가지고 있던 LLM 경량화 부분이나 취업에 관심 있는 입장이어서 매우 흥미롭게 읽었습니다. 먼저 저는 LLM 경량화를 목표로 한 기획서를 이미 올렸었는데, 제가 의도하던 프로젝트가 민아님께서 올려주신 프로젝트에 적용이 될 수 있다고 생각이 들어서 댓글을 달고 있습니다.

제 기획서에는, Knowledge Distillation, Pruning, Quantization 같은 기술을 소형 기기를 위해 공부하는게 목표였습니다. 기회가 된다면 앞으로 LoRA 기반 경량화도 추가로 연구해보고 싶다는 생각을 가지고 있었습니다..

따라서 이런 기술들을 이용해 작성해주신 기획에 맞게 적용해보고 싶습니다. 구체적으로 기획하신 프로젝트에 LLM 경량화 파트를 담당하고 싶습니다. 제 기획에서도 썼던 기술들이나 새롭게 찾을 수 있는 기술을 이용하여 서버 운영 비용 절감과 처리 속도 최적화를 도울 수 있습니다.

이 프로젝트를 통해 제가 배우고자 했던 기술들을 실제로 적용하며, 더 나아가 취업 관련 정보도 얻게 되는 좋은 기회가 될 것 같아 기대가 큽니다.

단순히 기술을 배우는 것을 넘어서, 구직자들에게 실질적으로 도움을 줄 수 있는 가치 있는 시스템을 함께 만들어가는 데 일조할 수 있기를 기대하고 있습니다.

[workdd]

안녕하세요! 최재강이라고 합니다. 자기소개

민아님의 프로젝트에 참여하고 싶습니다!
실제 구직자의 취업과 이직에 도움이 될 수 있는 주제를 제안해주셔서 재미있게 프로젝트 같이 진행할 수 있을 것 같습니다.

제가 프로젝트에 기여할 수 있을 만한 부분들을 정리해보았습니다.

1. 현재 재직중인 회사에서 LLM 서빙 시스템(Kafka, FastAPI 사용)을 개발하고 있어 API 개발 및 LLM 시스템 개발 부분에 기여할 수 있습니다.
2. 2년간의 AWS 사용 경험이 있어 관련 서버 구축 작업이 가능합니다.
3. LLM경량화 및 서빙 최적화 작업에 관심이 크게 있어 관련하여 같이 공부하며 개발해 나갈 수 있을 것 같습니다.
4. Modular RAG는 잘 모르는 분야이지만 공부해보고 기여해보고 싶습니다.

제가 추후 이직준비를 할 때도 이 프로젝트 결과물을 사용할 수 있기를 기대하며 성공적으로 같이 잘 마무리하고 싶습니다. 감사합니다!

[LewisVille-flow]

안녕하세요, 이주형입니다.
저는 서비스 구현 및 실제 배포에서의 모델 최적화/경량화에 관심이 있어, 아래와 같은 기술+아주 간단한 PoC 태스크 수행이 곁들어진 프로젝트를 제안합니다. 해당 프로젝트를 활용해 다른 완성도 높은 서비스에 같이 수행할 수 있을 것으로 기대합니다.

추신) 제 자기소개를 늦게 작성해서 추후 추가하도록 하겠습니다: 깃잔심 자기소개 링크

---

제목: 한국어 특화 요약 태스크 수행을 위한 경량화된 LLM 개발하기

1. 문제 정의

주어진 글을 짧게, 핵심만 추려 요약하는 단일 태스크만을 수행한다면, 기존 LLM들은 상당히 경량화 될 가능성과 필요성이 높다고 볼 수 있습니다.
저는 따라서 한국어 특화 요약 태스크를 수행하는 최소한의 사이즈의 LLM을 개발하는 프로젝트를 제안합니다.

본 프로젝트를 통해 한국어에 특화되어 요약 태스크를 수행하면서도, 다른 큰 모델들과 유사한 성능을 유지하면서도 모바일 기기나 임베디드 시스템에서 실행 가능한 모델을 만드는 것을 목표로 합니다.

2. 프로젝트 예상 진행방향 및 제안 솔루션

LLM의 크기를 줄이고 성능을 유지하는 데 주안점을 두고자, 다음의 세 가지 핵심 기술을 사용하여 한국어 요약 태스크에 특화된 모델을 경량화하고자 합니다.

• Knowledge Distillation: 대형 모델을 teaching 모델로 하여, 소형 student 모델에 성능을 전수하는 방식으로 모델 크기를 줄이는 방법론
• Pruning: 모델에서 덜 중요한 뉴런과 가중치를 제거하여 불필요한 연산을 최소화.
• Quantization: 모델의 연산 정밀도를 낮춰 메모리 사용량과 연산 요구량을 줄임.

3. 목표

• 특정 도메인에 대한 summarization 스코어를 최대한으로 달성
• 임베디드 기기 혹은 맥북과 같은 기기에서 정상 동작
• 요약 태스크 및 경량화 방법론에 대한 깊은 이해
• (직접 모델을 학습할 예정으로 runpod 사용을 위한 비용지출이 있을 수 있습니다)

4. 간단한 로드맵(12주 목표)

• 1-5주차: 최적화 기법에 대한 survey
  • 필요 개발 환경세팅
  • 각종 한국어 모델 및 다국어 오픈소스 모델 탐색
  • 최적화 기법에 대한 논문 리뷰
  • 목표 아웃풋: 여러 최적화 기법들에 대한 탐색을 통한 적절한 가설 설계
• 6-12주차: 실험 진행 및 문서화
  • 학습 데이터세트 선정 / 평가 메트릭 설정 및 설계
  • Knowledge distillation / Pruning / Quantization 등 여러 실험 기법 비교
  • 모델 배포(onnx / tensorflow lite) 및 테스트
  • 목표 아웃풋: 임베디드 기기에서의 요약 태스크 성공 및 Huggingface 업로드(문서화)
• 추가 진행)
  • 관련된 서비스에 integration

[Garurubi]

안녕하세요. 정재희라고 합니다. 자기소개

주형님의 프로젝트에 참여하고 싶습니다!
Apple on device ai 발표 이후 단일 태스크만 수행하는 on-device 모델의 필요성을 느껴 경량화에 관심을 가지게 되었습니다.
경량화에 대해 아직 잘 알지는 못하지만 LoRA fine-tuning 경험과 AWQ quantization된 모델을 추론 테스트 경험은 있습니다.

[SangMini2]

안녕하세요!
저는 이상민이라고 합니다! 자기소개

괜찮으시면 저도 주형님 프로젝트에 참여하고 싶습니다!
계기는 '한국어 LLM 개발'이라는 점이 재밌게 느껴졌습니다! 경량화도 물론 재밌을 것 같아요!

[johnny9210]

안녕하세요, 정일균이라고 합니다.

프로젝트에 참여하고 싶습니다.
학습부터 경량화 부분 공부를 해보고 싶었는데 참여해서 기여하고 싶습니다.
h100 사용가능합니다.

[yesinkim]

안녕하세요. 김예신입니다.
집중력 저하로 일정 관리 시 창을 왔다 갔다 하는 작업에서 컨텍스트 스위칭 비용이 너무 많이 소요됩니다.
개인적인 필요 및 흥미로 아래 프로젝트를 기획합니다.

Problem Statement

• 일정관리에 드는 시간과 노력을 줄이고 싶다는 개인적인 귀찮음에서 비롯되었습니다.
• 일정 정보를 수동으로 캘린더에 입력하는 과정이 번거롭고 비효율적입니다.

Solution

• 가장 점유율이 높은 크롬 브라우저에 확장프로그램으로 일정 파싱 및 등록을 자동화합니다.
• 드래그 및 오른쪽 클릭으로 텍스트, 이미지 데이터를 LLM을 이용해 간편하게 파싱합니다.
• 파싱된 정보를 사용자 확인 후 구글 캘린더에 자동 등록합니다.
• (추가 확장) 장소가 파싱되는 일정일 시 주변 음식점/카페 등을 추천하여 일정 관리의 편의성을 높입니다.

Technical Breakdown

• 크롬 확장 프로그램: JavaScript, HTML/CSS
• 데이터 파싱: OCR, LLM(Gemini 1.5 Pro 예정) API
• 캘린더 연동: Google Calendar API
• 데이터 저장: (😅불필요시 덜어낼 예정입니다.)
• 장소 추천: (확장 시 고려)

Impact

• 사용자의 일정 관리 시간 단축 및 효율성 증대
• 웹 브라우징 중 일정 관리의 편의성 향상
• 장소 기반 추천을 통한 사용자 경험 개선

Roadmap

• Phase 1: 기본 기능 개발 (1-2개월)

  • 프로젝트 요구사항 상세화
  • 기본 UI/UX 설계 및 구현
  • 확장 프로그램 기본 구조 개발
  • 텍스트 파싱 기능 구현
  • 이미지 파싱 기능(OCR) 구현
  • 파싱된 일정 구글 캘린더 저장 기능 구현

• Phase 2: 추가 기능 개발 (1-2개월)

  • 장소 기반 주변 시설 추천 기능 구현
  • 사용자 인터페이스 개선 및 베타 테스트

• Phase 3: 마켓 등록 (1개월)

  • 프로젝트 아이콘 및 배너 이미지 디자인
  • 개인정보 및 데이터 보안 정책 확인
  • 크롬 웹 스토어 등록 준비 및 제출