AI/빅데이터 기반의 영유아 대상 식단 추천 서비스, 키플
- 키플(kipl)은 키즈 플레이트(Kid's Plate)의 줄임말로, AI/빅데이터 기반 영유아 대상 식단 추천 서비스입니다.
- 비지도학습으로 군집화된 데이터를 카테고리화하여 만든 AI 모델을 통해 사용자의 요구 사항이 반영된 결과를 제공합니다.
- 연령대별 최적의 성장 및 발달을 위한 양질의 데이터를 제공합니다.
- AI(머신러닝 & 딥러닝)을 활용한 최적의 데이터를 제공합니다.
- 가정에서는 물론, 어린이집이나 아동 보호소 등 다양한 장소 및 분야에서 사용할 수 있도록 활용도 높은 서비스를 제공합니다.
- Google Cloud Platform의 서비스들을 적재적소에 활용하여 프로젝트의 완성도를 높입니다.
- Google Workspace, Github와 같은 협업 서비스를 사용하여 활발한 소통을 바탕으로 효율적인 협업을 통해 공동의 목표에 달성합니다.
- 영유아의 개월수를 기준으로 세분화한 식단 제공 서비스
- 알러지 필터링 서비스
- 기존 데이터에 없던 식단 추가 리포트 요청
- 추천받은 식단에 대한 👍🏻(Good) & 👎🏻(Bad) 평가
- 딥러닝 모델 기반 잘못된 데이터 입력에 대한 방어
- Dataflow API 이용 시 Direct Runner는 동작이 가능하나, Dataflow Runner는 동작이 실패하였음
- 위 문제를 Pcollection 생성 부분의 단계에서 beam.Create 대신 ReadFromText 함수를 사용하여 해결
- 2개의 Pcollection을 합칠 때, 처리해야 할 데이터의 요소 합치기 문제 발생
- Flatten() 함수를 사용하여 하나로 묶어진 데이터를, DoFn을 이용하여 요소를 합쳐 해결
- 초/중/후기가 분류가 잘 안되었을 경우 잘못된 추천을 유도하게 됨
- 목적에 따른 가설을 토대로 여러 군집화 알고리즘과 분류 모델을 사용하여, 높은 정확도를 내는 방법을 택해 문제 해결
- 정확도가 높지 않으면 초기 때부터 먹을 수 있는 중/후기 식단을 추천하는 현상이 발생함
- 기간을 구별 가능한 특징들을 분석하여 모델을 학습시켜 일부 특징만 사용하게 되는 모델을 적용하여 가볍고 정확도가 높아지게 됨
- 모델에 층을 쌓고 Multi-input을 통해 Input마다 목적을 가지게 하였음
- 예측 결과를 확인하고 모델을 개선함
- 모델의 일반화가 떨어져 새로운 데이터에 대해 제대로 예측하지 못하게 되는 과적합으로 인해 정확도에 큰 변화가 없었고, 그로 인해 모델이 제대로 학습하지 못했음을 확인함
- 불필요한 층을 제거하고 다양한 Layer 구성을 시도하여 문제를 해결함
- Dataflow: Model의 picklable 문제로 인해 실패
- Cloud Function: Model이 Cloud Function 내에 업로드가 불가능하여 실패
- Vertex AI NLP Model + Prompt(PaLM 2): 모델을 서버 단위에서 불러와서 실행에 성공
Tag: YYMMDD_내용
형식으로 커밋 메세지를 작성해주세요.- 커밋 메세지 내용은 간결하게 작성하고, Extended description 란에 수정사항을 작성해주세요.
Tag | Mean |
---|---|
feature | 새로운 기능 추가 |
fix | 버그 수정 |
docs | 문서 수정 |
style | 코드 포맷 수정 |
test | 테스트 코드 추가 |
refactoring | 코드 리팩토링 |