🍙 KB이벤티처 | KB Event Matcher

KB이벤티처는 금융 서비스에서 고객 맞춤형 이벤트 추천과 금융 용어 해설을 통해 고객 경험을 향상시키는 프로젝트입니다.

🌟 배경

디지털 시대가 급격히 발전하면서, 다양한 금융 서비스가 고객 개개인의 니즈에 맞춰 개인화되고 있습니다. 하지만 많은 고객들은 여전히 금융 용어의 어려움, 각종 이벤트 정보를 일일이 찾아보기 힘들어 참여를 망설이고 있습니다.

이 문제를 해결하기 위해, 저희 팀은 고객들이 흥미로운 이벤트 정보만 손쉽게 확인하고, 어려운 금융 용어를 간단히 이해할 수 있도록 돕는 ‘KB이벤티처’ 프로젝트를 기획했습니다.

💡 문제 정의

• 고객 요구 변화: 디지털 시대의 도래로 개인화된 서비스를 요구하는 고객들이 증가하고 있습니다.
• 금융 이해도 부족: 고객들이 금융 용어를 이해하는 데 어려움을 겪고 있으며, 이를 쉽게 풀어내는 서비스가 필요합니다.
• 고객 경험 개선: 맞춤형 추천과 쉬운 용어 해설을 통해 고객 경험을 크게 향상시킬 수 있습니다.

🚀 해결 방안

• AI 기반 맞춤형 이벤트 추천 시스템
• 금융 용어 쉽게 설명하는 시스템
• 고객의 데이터를 분석하여 맞춤형 이벤트를 추천하고, 어려운 금융 용어를 쉽게 설명하는 시스템을 제공합니다.

🤖 기술 활용

주요 기술

• AI 모델: OpenAI API, Hugging Face, RAG 모델
• 데이터 분석: 고객 데이터와 이벤트 데이터를 분석하여 유사도 계산 및 맞춤형 추천 제공
• Embedding Vector: 이벤트 내용과 고객 데이터를 임베딩하여 유사도 기반 추천

🔑 주요 기능

• 고객 맞춤형 이벤트 추천
• 금융 용어 해설 기능
• 직관적인 UI/UX 제공

📐 프로젝트 아키텍처

• 데이터 수집: 고객 정보와 이벤트 데이터를 수집하여 텍스트로 변환합니다.
• AI 모델 활용: 고객 데이터와 이벤트 간 유사도를 계산하고 맞춤형 이벤트를 추천합니다.
• RAG 시스템: 고객의 질문에 맞는 이벤트를 추천하며 금융 용어를 쉽게 설명합니다.

🏗️ 기술 과정

• 이벤트 데이터 크롤링:

  • Selenium을 사용하여 국민은행 웹사이트에서 이벤트 정보를 크롤링합니다.
  • CLOVA OCR을 활용해 이미지에서 텍스트 데이터를 추출합니다.

• 고객 데이터 수집:

  • 서울 시민의 소비 및 이동 패턴 데이터를 기반으로 고객의 특성을 파악하고, 이를 이벤트 추천에 활용합니다.

• 텍스트 임베딩:

  • OpenAI의 text-embedding-ada-002 모델을 사용하여 이벤트 데이터와 고객 데이터를 텍스트 형태로 임베딩합니다.
  • 임베딩된 데이터는 벡터화되어 유사도를 계산하는 데 사용됩니다.

• 유사도 계산:

  • Hugging Face의 sentence-transformer를 이용하여 고객의 질문에 가장 유사한 이벤트를 도출합니다.
  • 이를 통해 추천할 이벤트의 정확도를 높입니다.

• 추천 시스템:

  • RAG 시스템을 활용하여 고객의 질문에 맞는 이벤트를 추천합니다.
  • ChatGPT와 Embedding Vector를 결합하여, 고객 맞춤형 추천을 제공하며, 금융 용어를 쉽게 설명합니다.

• 금융 용어 해설:

  • 고객이 이해하기 어려운 금융 용어를 쉽게 설명해주는 시스템을 통합하여, 고객의 이해도를 높입니다.

• 텍스트 분할:

  • 텍스트 분할을 통해 긴 문장을 작은 단위로 나누어, chunk_size 및 chunk_overlap을 설정하여 처리합니다.
  • 1000자 이하로 텍스트를 분할하고, 200자씩 겹쳐서 더 정확한 해석을 제공합니다.

• Vector Store-backed Retriever:

  • 고객의 질문에 맞는 금융 용어를 Vector DB에서 검색하고, 관련된 설명을 제공합니다.
  • Chroma Vector DB에 저장된 정보를 기반으로 금융 용어에 대한 쉬운 설명을 제공합니다.

• 프로세스:

  • 고객의 질문을 Embedding Vector로 변환하여 유사한 금융 용어를 찾고, 이를 통해 쉽게 이해할 수 있는 설명을 생성합니다.