8주의 여정을 돌아보며

우리가 걸어온 길

Week 1: LLM 기초
  "프롬프트 하나로 AI가 응답하는 것에 놀랐다"
  -> 프롬프트 엔지니어링, API 활용, 토큰 이해
  -> 산출물: 제조 매뉴얼 Q&A 챗봇
     |
Week 2: RAG 기초
  "검색 + 생성의 결합이 이렇게 강력하구나"
  -> 청킹, 임베딩, 벡터DB (Chroma, Pinecone)
  -> 산출물: 기술문서 RAG 시스템
     |
Week 3: RAG 심화
  "품질을 높이는 건 기술이 아니라 전략이다"
  -> 멀티모달 RAG, Hybrid Search, RAGAS 평가
  -> 산출물: KOSHA 안전지침 RAG
     |
Week 4: AI Agent 기초
  "AI가 스스로 판단하고 도구를 사용하다니"
  -> Tool 정의, Function Calling, ReAct
  -> 산출물: 설비 조회 Agent
     |
Week 5: AI Agent 심화
  "복잡한 문제도 여러 Agent가 협력하면 풀린다"
  -> MCP, A2A, LangGraph, CrewAI
  -> 산출물: 트러블슈팅 멀티에이전트
     |
Week 6: QLoRA 파인튜닝
  "나만의 전문 AI를 만들 수 있구나"
  -> LoRA/QLoRA, PEFT, HuggingFace
  -> 산출물: 제조 Q&A sLLM
     |
Week 7: 온톨로지 & Knowledge Graph
  "데이터의 관계가 보이기 시작했다"
  -> Neo4j, Cypher, GraphRAG
  -> 산출물: 설비-공정 Knowledge Graph
     |
Week 8: 통합 프로젝트 (지금!)
  "모든 것을 하나로 합쳐 MVP를 완성했다"
  -> 아키텍처 설계, Streamlit, Docker
  -> 산출물: 제조 AI 어시스턴트 MVP

---

기술 스택 총정리

┌─────────────────────────────────────────────────────────┐
│                  배운 기술 스택                            │
├─────────────────────────────────────────────────────────┤
│                                                         │
│  LLM 계열:                                              │
│    OpenAI GPT-4o / GPT-4o-mini                          │
│    HuggingFace Transformers                             │
│    QLoRA / PEFT 파인튜닝                                 │
│                                                         │
│  RAG 계열:                                              │
│    ChromaDB (벡터 DB)                                    │
│    LangChain (파이프라인)                                │
│    Embedding Models                                     │
│    RAGAS (평가)                                          │
│                                                         │
│  Agent 계열:                                            │
│    LangGraph (StateGraph)                               │
│    Function Calling / Tool Use                          │
│    ReAct / Plan-and-Execute                             │
│    MCP (Model Context Protocol)                         │
│                                                         │
│  Knowledge Graph:                                       │
│    Neo4j + Cypher                                       │
│    GraphRAG                                             │
│    온톨로지 설계                                         │
│                                                         │
│  인프라:                                                │
│    Docker + Docker Compose                              │
│    Streamlit (UI)                                       │
│    pyvis (시각화)                                        │
│    Plotly (차트)                                         │
│                                                         │
└─────────────────────────────────────────────────────────┘

---

MVP에서 프로덕션으로

MVP (현재)                        프로덕션 (목표)
────────────                      ──────────────
Docker Compose                 -> Kubernetes (K8s)
SQLite                         -> PostgreSQL
단일 LLM (GPT-4o-mini)        -> LLM Router (비용 최적화)
파일 업로드                    -> S3/MinIO 스토리지
단일 사용자                    -> 인증/권한 (OAuth)
수동 테스트                    -> CI/CD (GitHub Actions)
로컬 배포                      -> 클라우드 배포 (AWS/GCP)
대화 로그 없음                 -> 로깅/모니터링 (ELK)
MES 연동 없음                  -> 실시간 센서 데이터 연동

로드맵 (3개월)

[1개월차: 안정화]
- 프로덕션 DB (PostgreSQL) 전환
- 인증/권한 시스템 추가
- CI/CD 파이프라인 구축
- 모니터링 (Prometheus + Grafana)

[2개월차: 확장]
- MES/SCADA 실시간 데이터 연동
- 알림 시스템 (슬랙, 이메일)
- 다국어 지원 (영어, 일본어)
- 성능 최적화 (캐싱, 배치 처리)

[3개월차: 고도화]
- 예지보전 모델 연동
- 멀티 팩토리 지원
- 음성 인터페이스 (STT/TTS)
- 모바일 앱 (React Native)

---

포트폴리오 정리

이 프로젝트를 포트폴리오로 정리할 때:

GitHub README 구성:

1. 프로젝트 소개
   - 한 줄 설명: "제조 현장 AI 어시스턴트 (RAG + Agent + KG)"
   - 스크린샷 (Chat, KG 시각화)

2. 기술 스택
   - LLM: GPT-4o, text-embedding-3-small
   - RAG: ChromaDB, LangChain
   - Agent: LangGraph, Tool Calling
   - KG: Neo4j, Cypher
   - UI: Streamlit
   - Infra: Docker Compose

3. 아키텍처 다이어그램
   - 4-Layer 구조도

4. 주요 기능
   - 설비 트러블슈팅 (RAG + KG)
   - 안전 규정 조회 (RAG)
   - 설비 관계 시각화 (KG + pyvis)
   - 문서 업로드 & 인덱싱

5. 실행 방법
   - docker compose up (1줄)
   - .env 설정

6. 데모 영상/GIF

7. 향후 계획

---

마무리

8주 전: "LLM API 호출하는 것도 처음인데..."
지금:    "RAG + Agent + KG를 통합한 MVP를 Docker로 배포했다."

이것이 성장이다.

축하합니다!

다음 주(Week 9)에는 이 프로젝트를 발표하고, 포트폴리오로 정리하는 시간을 갖게 됩니다.

오늘의 MVP가 내일의 프로덕션 시스템이 될 수 있습니다.