아이디어 구체화 - 100-hours-a-week/16-Hot6-wiki GitHub Wiki

목차

  1. 아이디어 초기
  2. 생각 정리 단계
  3. 생각 정리 완료

아이디어 초기

사용자가 찍은 자신의 데스크 사진

Image

‘책상 위의 하루’로 출력한 데스크 사진

Image
  • 이미지 입력 → Object Detection 사용 키워드 추출 → 누락된 혹은 추천해줄 키워드 제품 전달 → 생성형 모델에 전달 → 이미지 생성, 리스트 + 링크 제작
  • SNS 기능을 넣기 위해 Before, After 사진을 올리는 게시판 제작
    • 게시판을 만들기 위해 로그인 기능이 필요
      • 포인트 서비스를 만들어 사용자들의 서비스 이용 유도
        • 포인트 서비스를 통해 특가 상품 구매하는 수단으로 사용
  • 생성된 이미지 사용자가 다운로드
  • 적절하지 않은 데스크 이미지로 생성 요청 시 프롬프트로 필터링 처리 (예: null값을 BE로 보내서 예외 처리)
  • 서비스에서 판매하는 특가 상품을 AI가 포함하여 이미지 생성
  • DALL E 3가 아닌 서비스 자체의 모델 구현
    • 서비스 맞춤형 모델 고도화 가능

생각 정리 단계

MVP 모델에 들어가야할 것

  1. 데스크 사진 → AI 추천 데스크로 합성
  2. 게시판 기능 (SNS 기능)
  3. 로그인 기능 (게시판 + AI 비용 제한)
  4. API를 통해 추천할 수 있는 상품들의 정보 미리 파악

생각 정리 완료

💡 풀스택

  1. 출력된 이미지 BE에서 수신 받아 FE로 전달한다.
  2. 이미지 응답 시간 개선 방안
    1. 스트리밍 방식
      1. S3에서 이미지 데이터 스트림으로 받고 클라이언트로 전달
        1. 빠른 사용자 응답
    2. 비동기 처리
      1. 이미지 처리 다른 스레드에서 처리 또는 I/O 논블로킹 방식으로 수행
    3. Spring WebFlux + S3 Async SDK
      1. 대규모/고성능 서비스에 적합
      2. 응답 흐름 제어 쉬움
      3. 클라이언트 요청 끊기면 스트리밍 종료
      4. 러닝 커브 높음
    4. Spring MVC + 스트리밍
      1. 카테부 한정 동시성 처리에는 문제 없는 성능
  3. UX를 위해 로딩 애니메이션을 적용하거나 별도의 조치가 필요하다.
  4. 동시성 처리 최적화 고려한다.

💡 클라우드

  1. 배포 단계를 빠르게 거치면서 문제점을 파악하고 개선하고 히스토리는 다음과 같다.

    1-1. 빅뱅

    1-2. 컨테이너

    1-3. CI/CD

  2. 로그인이 없다면 사용자 유입에 도움이 되겠지만, 이익에 비해 감당해야 할 비용이 너무 크다.

  3. 특가 플랫폼인만큼 추가 캐싱 및 트래픽 시간 수평 확장을 적극적으로 고려한다.

💡 AI

  1. 사진을 받아 AI가 추천하는 데스크 이미지 만들어 풀스택에게 전달
  2. RAG, 임베딩을 이용한 LLM 파인튜닝을 하여 우리 서비스에 맞는 모델 동시 개발 착수
  3. 데스크 위 기존 Item 이외의 추천 받은 Item 좌표 찾는 모델 구현
⚠️ **GitHub.com Fallback** ⚠️