본 문서는 TUNING 서비스의 인공지능 모델 및 시스템 구성에 대한 기술 문서로, 모델 선정, 추론 성능 최적화 방안, 그리고 전체 서비스 아키텍처 설계 전략을 중심으로 작성되었습니다. 서비스 운영 및 기술 고도화를 위한 기준 문서 역할을 수행하며, 실질적인 시스템 구현 및 운영에 활용될 수 있습니다.

TUNING은 MZ세대를 중심으로 한 관계 기반 소셜 매칭 및 커뮤니티 디스커버리 플랫폼입니다. 사용자의 성향, MBTI, 관심사 등을 기반으로 유사한 또는 궁합이 맞는 사람들을 자연스럽게 연결해주는 서비스로, 다음과 같은 기능을 포함합니다:

• 유저 간 성향 매칭 기반 추천 시스템
• 채팅 내 유해 표현 감지를 위한 클린봇
• 매칭 결과를 감성적으로 콘텐츠화하는 뉴스 생성 기능

TUNING의 핵심 차별성은 자연어 기반의 인공지능 기술을 통해 '관계의 순간'을 유의미하게 전달하는 것입니다.
이를 위해 다음 세 가지 AI 모델이 아래와 같은 역할을 수행합니다

기능	AI 모델	역할
유저 추천	jhgan/ko-sbert-nli	유저 성향을 문장 임베딩 후 유사도 기반 추천 수행
콘텐츠 생성	Qwen/Qwen2.5-7B-Instruct-1M	매칭 결과를 뉴스 콘텐츠로 변환 (LLM 활용)
모더레이션	beomi/KcELECTRA-small-v2022	실시간 채팅 유해 표현 필터링 및 분류 처리

각 모델은 서비스 기능별로 분리되어 배포되며, FastAPI를 기반으로 클라우드 환경에서 효율적으로 운영됩니다.

• API 엔드포인트 목록 및 기능
• API 입/출력 명세
• API 역할 및 연동 관계
• API 호출 및 응답 예시

• 기존 모델 추론의 성능 지표
• 성능 병목 요소 및 원인 분석
• 최적화 기법 및 적용 계획
• 최적화 적용 후 기대 성능 지표

• 모듈화 적용 후 서비스 아키텍처 다이어그램
• 각 모듈 책임 및 기능
• 모듈 간 인터페이스 설계
• 모듈화 기대효과 및 장점
• 모듈화된 설계의 서비스 시나리오 부합 근거

• 현재 서비스 구조 요약
• LLM 모델의 LangChain 미사용 근거
• LangChain 확장 가능 방안
• LLM 이외 모델의 서비스 요구 충족 근거 및 확장 방향성

• 현재 서비스 구조 요약
• RAG 미적용 결정의 기술적 근거
• 선택한 방식이 서비스 목표와 부합하는 이유
• 향후 RAG 도입 가능성 및 확장 방향

• MCP 도입 배경
• MCP 도입 설계도
• MCP 프로토콜 상 메시지 포맷
• 기대효과와 적용상의 어려움 및 극복 방안
• 장기적 확장성 및 기능 구현에 미치는 영향
• 결론 및 고찰

• 확장성을 고려한 배포 아키텍처 다이어그램
• 사용한 인프라 기술 및 서비스 명세
• 모니터링 대상 지표 목록 및 수집/시각화 방법
• 간이 부하 테스트/시뮬레이션 결과
• 서비스의 향후 성장 및 운영에 대한 기여 전망

• 전체 서비스 아키텍처
• 단계별 설계 적용 결과 요약
• 시스템 성능 및 품질 평가
• 프로젝트 수행 회고 및 평가
• 향후 개선 방안
• 종합 결론