최유빈 · Youbin Choi

대학·공공기관이 챗봇을 도입할 때마다 중복 개발 비용과 데이터 구축 장벽이 반복됐습니다. 기관마다 처음부터 다시 만드는 구조를 없애고 싶었습니다.

기관별 지식베이스 위에서 동작하는 No-code 플랫폼을 설계했습니다. PDF/TXT 업로드 → 자동 전처리·chunking·embedding·ChromaDB 인덱싱 → LLM 질의응답으로 이어지는 RAG 파이프라인을 구현했습니다.

별도 정량 평가 대신, 검색 신뢰도가 낮을 때 답을 지어내지 않도록 설계했습니다. 사용자의 질문을 임베딩해 문서 벡터와의 유사도를 계산하고, 유사도가 0.7 미만이면 '해당 질문을 이해하지 못했어요'라고 답해 환각을 차단합니다. 기관별 데이터·프롬프트는 논리적으로 분리하고 감사 로그로 운영 안정성도 확보했습니다.

전국 27개 전문대학이 실제 운영에 사용하는 SaaS 형 공공 플랫폼으로 자리 잡았습니다.

공개된 얼굴 생성 모델은 서구권 성인 데이터 중심이라, 한국인 아동 얼굴에는 품질이 크게 떨어졌습니다.

한국인 아동 얼굴에 특화된 성별별 LoRA 노화 모델을 학습하고, GFPGAN 후처리로 얼굴 복원 품질을 높여 FastAPI 서버로 배포했습니다.

1장 생성에 약 40초가 걸렸고, 동일 프롬프트·시드 비교와 정성 평가를 진행했습니다. 아시아권 얼굴은 생성되지만 얼굴 아이덴티티(동일인 식별) 보존에는 한계가 남았고, 나이 노화 표현은 잘 작동하는 것으로 평가됐습니다.

한국잡월드 미래체험관 AI 포토존 12대 장비에 설치·운영·유지보수되었습니다.

비대면 시험이 늘면서, 사람이 일일이 감독하지 않고도 부정행위를 자동으로 탐지할 방법이 필요했습니다.

웹캠 영상에서 얼굴 랜드마크와 Head Pose(solvePnP)를 추출해 정면 이탈·거리·눈 깜빡임 등 행동 변수를 정의하고, 1분 단위로 집계해 이상 패턴을 탐지하는 LBDM 모델을 만들었습니다.

실험자 18명을 대상으로 정상 풀이와 비정상 풀이(검색·핸드폰 보기 등)를 각 15분씩 수집해 약 352개 데이터를 구성했습니다. 전처리 전 기준선 정확도는 신경망 72%, 결정트리 68%, 랜덤포레스트 65%, SVM 58% 수준이었습니다.

결측치·이상치를 제거하고 스태킹 앙상블로 모델을 바꾸자 정확도가 랜덤포레스트 96%, 스태킹 100%까지 올랐고, 탐지 이벤트는 GIF 녹화와 로그로 자동 저장해 증거로 남깁니다.