White-Box - 교통사고 분쟁 해결을 위한 AI 사고판독 서비스

목차

1. 프로젝트 개요

2. 기술 스택

3. 아키텍처 & ERD

4. 서비스 기능 소개

5. 프로젝트 회고

1. 프로젝트 개요

White-Box는 교통사고 분쟁 해결을 위한 AI 사고판독 서비스를 제공하는 사이트입니다.

📅 개발 기간

개발기간	2024.08.26 ~ 2024.10.11 (7주)

👥 팀원 소개

팀원	역할	개발 내용
신우호	팀장, AI 리드	MMAction2 SlowFast ResNet 50 모델을 이용하여 교통사고 블랙박스 영상을 124개의 교통사고 유형으로 분류
정호성	FE 리드	프론트엔드 세팅, 메인페이지 구현, 유저관련 페이지 구현, 과실판단 및 투표재고 구현, 정보게시판 구현
민 호	FE	Figma 이용 UI 구현, 커뮤니티 구현(투표, 댓글, rich text editor 등 구현)
차재훈	BE	Spring boot와 FastAPI 간의 Reactive Streams 적용,게시판 REST API 구현과 미디어 파일 처리
송인범	BE,AI,INFRA	object-detection model 개발, rag 모델 개발, 변호사 인증 로직 개발, 회원 기능 개발, 정보 게시판 개발, AI 통신 서버 개발
김근욱	INFRA	ec2, docker 기반 서버 구축, Jenkins 활용 파이프라인 구축

💡 기획 배경

다음과 같은 문제 상황들을 개선하고자 했습니다.

1. 연간 100만 건 이상의 교통사고 발생건수가 꾸준히 증가하는 추세를 보이고 있습니다.
2. 교통사고로 인한 분쟁 심의 건수가 매년 가파르게 늘어나고 있습니다.
3. 분쟁 심의 및 소송에 소요되는 시간이 길고, 절차가 복잡합니다.

💡 기대효과 및 차별점

1. 기대효과
   • 교통사고 과실비율을 산정하기 위해 소요되는 시간과 비용 절감
   • 보험사 및 법률 전문 기관의 업무 부담 완화
   • 교통사고 통계 자료로서 활용가능
2. 차별점
   • 어디에도 없던 새로운 서비스
   • 신속하고 편리하게 사고 과실을 확인할 수 있음
   • RAG기반으로 풍부하고 이해하기 쉬운 산정 근거 제공 및 중립적인 판단 제공

2. 기술 스택

Infra

BE & DB

FE

AI

3. 아키텍처 & ERD

4. 서비스 기능 소개

1. AI

1. RAG(Retrieval-Augmented Generation)
    - 대법원 판례 88000개를 크롤링
    - 교통사고 용어들을 기준으로 9000여개의 데이터 셋 구축
    - SBert기반으로 임베딩 파일 구축
    - Chroma DB 기반의 쿼리 탐색으로 유사 판례 제공
    - LangChain 기반의 파이프라인으로 LLM 질문 프롬프트 구축
    - 프롬프트 엔지니어링 기법으로 ReAcT 프레임워크 활용
2. CasCade R-CNN
    - 순차적인 end - to - end 기반의 Object-Detection 학습
    - 프레임을 R-CNN 기반의 학습으로 라벨링 작업 수행
3. SlowFast ResNet50
    - Bounding Box가 표시된 이미지들을 이용하여, 124개 교통사고 유형으로 분류
    - 각 유형별 사전에 정의된 사고장소, 사고장소 특징, 상대/블랙박스 차량 진행방향, 과실비율 제공
4. DeepFace
    - 두 이미지를 verify 하는 알고리즘
    - threshold를 0.3으로 설정하여 두 이미지 간의 유사도 판별

2. 투표게시판

1. AI 판독 결과를 바탕으로 다른 사용자들의 투표를 받을 수 있는 게시판을 제공한다.
2. 투표 게시판에는 AI 판독에 쓰인 비디오를 비롯해 추가로 제목과 설명, 이미지를 입력할 수 있다.
3. 댓글에는 그 사용자가 댓글을 쓴 시점에 마지막으로 투표한 결과가 표시된다.
4. ai 얼굴인식을 통해 인증받은 변호사는 인증 마크가 표시되어 댓글에 표시된다.

3. 정보게시판

1. 교통사고 관련 법 개정정보를 알 수 있다.
2. 과실상계 및 절차에 대한 정보를 알 수 있다.
3. 교통사고 관련 용어에 대한 정보를 알 수 있다.
4. 교통사고 관련사이트에 대한 정보 및 링크를 통한 접근을 할 수 있다.

4. 유저 관련 기능 및 일반 게시판

1. 유저는 로그인, 회원가입, 프로필 보기 등을 할 수 있다.
2. 유저는 자신의 이름, 생년월일, 사진을 통해 변호사 인증을 할 수 있다.
3. 유저는 프로필 페이지에서 자신의 사고내역, 자신이 참여한 투표, 자신이 쓴 일반 글을 확인할 수 있다.
4. 유저는 글을 작성, 수정, 삭제, 타인의 글을 확인할 수 있다.

5. 프로젝트 회고

• 신우호

  • 느낀 점: 처음으로 데이터의 전처리부터 모델 선정, 하이퍼파라미터 조정 등 AI 모델 학습을 해볼 수 있어서 정말 좋았습니다.
  • 아쉬운 점: 데이터 증강 기법을 적용하여 모델의 정확도를 높였으면 더 좋았을 것 같습니다.

• 정호성

  • 느낀 점: React를 이용한 반응형 디자인과 스토어 관리를 통한 화면 구현, axios를 이용한 백엔드 서버와의 통신에 많은 경험치가 쌓인 것 같다. tailwindCSS를 사용해 보았고, 더 많은 프레임워크를 사용해 보고 싶다.
  • 아쉬운 점: 충분히 컴포넌트화 시킬 수 있던 것들을 컴포넌트로 만들지 못했던 코드가 일부 있었고, 코드가 길어지고 가독성이 떨어졌던 것 같다. 구현하기 전에 컴포넌트의 구조화에 대해 좀 더 신경쓰고 문서화를 할 필요가 있다고 느꼈다.

• 민호

  • 느낀 점:
    1. 기술 사용: React 프론트엔드 라이브러리로 이번 프로젝트를 진행했습니다. 잘 사용할 수 있을지에 대한 고민이 컸지만, FE 리더의 도움과 지금까지 배운 프론트엔드 기술들, 그리고 개인적인 공부를 통해 제가 구현하고자 한 기능들 전부를 구현할 수 있었습니다
    2. 에러일지 작성: 7주간 30개의 에러일지를 작성하며 반복되는 에러를 줄일 수 있었습니다.
    3. 소통의 중요성: 백엔드 팀원들과의 소통을 통해 빠르게 문제를 공유하고 해결할 수 있었습니다.
  • 아쉬운 점: javaScript에 대한 지식이 부족하여 부가 기능을 구현할 때 시간을 많이 소모했습니다. 추가 공부에 대한 필요성을 느꼈습니다.

• 차재훈

  • 느낀 점: 처음으로 Spring Boot를 이용한 백엔드 개발을 진행, 어려운 점도 많았지만 많은 것을 배울 수 있었습니다.
  • 아쉬운 점: 클린 코드를 작성하지 못해, 본인이 작성한 코드도 이해하기 어려운 부분이 많았습니다. 다음 프로젝트에서는 컨벤션과 로직을 더 신경 써야 할 것 같습니다.

• 송인범

  • 느낀 점: 백엔드 스프링 인가/인증을 구현해봐서 정말 행복하다. 최신 AI 기술에 대한 두려움이 있었는데 레퍼런스와 기존 지식을 잘 결합해 구현한 거 같다. 밤 늦게 고생한 시간이 많지만 문제 해결에 있어 논리적으로 접근해서 좋았다.
  • 아쉬운 점: 직접 코드를 많이 짜봐야하는데 chatGPT를 많이 활용해서 아쉽다. 그리고 성능 테스트에 있어 많이 해보지 못한것이 아쉽다. 그래도 jmeter는 해냈다!

• 김근욱

  • 느낀 점: 인프라 정말 쉽지 않았다. 혼자 부딪혀 보려고했지만 어려운 부분이 많아 다른 사람들의 도움을 많이 받았다. 이러한 과정에서 배워가는 것은 많았던 것 같다.
  • 아쉬운 점: 초반에 인프라를 공부할 때 좀더 체계적으로 공부했으면 하는 아쉬움이 있다. 부분부분 기술들만 공부하다보니 하나의 플로우를 제대로 그리지 못했다. 앞으로 새로운 것을 배울 때는 초반 지식을 닦아둔 후 세부 기술로 들어가야겠다.