🧠 온니맛스 스터디 소개: GPT와 데이터 표준의 만남

✨ 스터디 목적

GPT가 코드를 도와주는 시대, 그렇다면 데이터 분석가와 데이터 표준은 어떻게 공존할 수 있을까? 우리는 다음과 같은 문제의식에서 시작했습니다.

“도메인마다 다른 스키마, 다양한 용어, 흩어진 메타데이터 속에서 GPT가 정확하고 일관된 응답을 하기 위해서는 무엇이 필요할까?”

바로 그 해답은 데이터 표준이었습니다.

---

📅 5월 활동 요약

✅ 1. LLM 성능 평가 실험 및 PoC 개발

• 표준 데이터 vs 비표준 데이터로 질문할 때 GPT 응답의 질 차이를 측정
• ROUGE, BLEU, BERTScore 등 지표를 사용해 성능 평가 자동화
• Streamlit 기반의 시각화 PoC 구현

✅ 2. 데이터허브와 표준 데이터 구조 리서치

• LinkedIn의 DataHub 분석
• 메타데이터 리니지(Lineage), 프로파일링, 도메인 태깅 구조 검토
• 실무 적용을 위한 설계 방향 탐색

✅ 3. Text-to-SQL 모델 비교

• GPT, Claude, Clova 등 주요 LLM의 NLU/NLG, 보안성, 한국어 대응력 비교
• 도메인 기반 질의 대응력과 설명 능력 중심으로 검토

✅ 4. 표준 데이터 추천 알고리즘 설계

• OpenAI Embedding API + FAISS 기반의 표준 스키마 추천 알고리즘 구현
• 단순 유사도뿐 아니라 가중치 기반 유사도 및 향후 피드백 루프도 고려

---

🔧 이 저장소는?

스터디 PoC 및 리서치 자료들을 모아두는 저장소입니다!

• 사용자가 표준 데이터를 DuckDB에 등록
• 하나의 질문에 대해 표준 기반 GPT vs 비표준 GPT의 응답 비교
• ROUGE-L 점수를 통해 성능 차이 자동 분석

📂 이 레포지토리의 실제 코드들은 PoC 단계이므로, 오류와 버그 투성이입니다. 참고만 해주세요!

---

🙌 앞으로의 계획

• 정확한 데이터 표준을 도출하기 위한 파인튜닝 및 RAG 리서치
• 평가 지표 다각화 및 사용자 피드백 연동
• 연구를 통한 실제 업무 PoC 적용

함께 GPT 시대의 데이터 표준 전략을 고민하고 싶다면, 언제든지 환영합니다!