AI/빅데이터 기반의 영유아 대상 식단 추천 서비스, 키플

---

🔖 소개

• 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.

💡 서비스 목적

• 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.

🏃🏻 프로젝트 목표

• 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.

📚 기술 스택

📢 프레젠테이션

• Google Slides

🗓️ 개발 일정

• Project Backlog
• Issue Control
• Google Spreadsheets

📌 WBS

📑 ERD

Scenario

DB Schema

🔗 API

Main Service

• 영유아의 개월수를 기준으로 세분화한 식단 제공 서비스
• 알러지 필터링 서비스
• 기존 데이터에 없던 식단 추가 리포트 요청

Sub Service

• 추천받은 식단에 대한 👍🏻(Good) & 👎🏻(Bad) 평가
• 딥러닝 모델 기반 잘못된 데이터 입력에 대한 방어

🖥️ 프로토타입

🔑 기술적 이슈와 해결 과정

Dataflow Runner

• 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

개월 수 기준 분류

• 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

식단 분류에 필요한 높은 정확도

• 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

LSTM

• 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

필터링 로직 구현 과정

• 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

❗️ 프로젝트 작업 시 유의사항

☑️ 커밋 메세지 컨벤션

• 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