주제 구성 — 대주제에서 소주제까지
이 프로젝트는 KDT 과정의 대주제 “LLM(Large Language Model) : Finance 소비 분석 서비스” 아래에서 진행됩니다. 이 페이지는 대주제가 우리 팀주제로, 팀주제가 다시 5개 소주제로 어떻게 나뉘는지를 정리한 지도입니다.
💡 쉽게 말하면: 과정에서 받은 큰 숙제(대주제)를 우리 팀이 풀 수 있는 문제(팀주제)로 좁히고, 그 문제를 다시 실제로 만들 다섯 조각(소주제)으로 자른 것입니다. 각 조각의 자세한 설계는 링크된 문서에 있습니다.
대주제 → 팀주제 연결
| 구분 | 내용 |
|---|---|
| 대주제 | LLM(Large Language Model) : Finance 소비 분석 서비스 |
| 팀주제 | 메타볼레(Metabole) — 상권 데이터 구조화 및 창업 분석 Hybrid RAG용 Agent 개발 |
우리가 다루는 소비는 개인의 가계부가 아니라 상권 단위의 소비입니다. 핵심 지표인 서울시 상권분석서비스의 추정매출은 카드 소비 데이터를 기반으로 산출되므로, 이 프로젝트는 지역 소비 데이터를 LLM(Hybrid RAG)으로 분석하는 서비스에 해당합니다. 여기에 정책자금 공고 요약과 대출 비교 계산기로 Finance 요소를 직접 연계합니다. 즉 “상권 소비 데이터를 LLM으로 분석해 창업 의사결정과 자금 조달까지 잇는 서비스”로서 대주제 안에 들어갑니다.
소주제 5개
1) 상권·소비 공공데이터 수집 및 연계 파이프라인
서울시 상권분석서비스(카드 소비 기반 추정매출), 행안부 LOCALDATA 인허가, 서울 생활인구, 국토부 실거래가 등 공공데이터를 수집·정제하는 파이프라인을 구축합니다. 좌표계 변환, 증분 수집, 소스 간 조인(업종코드 매핑)까지 포함합니다.
2) 공공데이터 구조화(Chunking) 및 Hybrid RAG 검색 파이프라인
수집한 데이터를 AI가 검색하기 좋은 단위로 구조화하고, 벡터 검색과 키워드 검색을 결합한 Hybrid RAG 파이프라인에 올립니다. 정책자금 공고문 등 자유 텍스트는 LLM으로 대상·한도·금리·마감일을 추출해 메타데이터화합니다. 검색 정확도 목표는 Recall@5 91.5%입니다.
상세: 4) 데이터 구조화 및 Hybrid RAG 파이프라인
3) LLM 기반 창업 분석 에이전트 (전통 변수 × 특이변수 진단)
“이 지역에서 이 업종으로 창업해도 되는가”라는 질문에, 상권의 기초 체력(유동인구·경쟁밀도·폐업률 등 전통 변수 8종)과 외부 충격(정책·금리·트렌드·지역 이벤트 등 특이변수 4계층)을 분리해 진단하고 근거 문서를 인용하며 답하는 에이전트를 개발합니다.
상세: 4) 데이터 구조화 및 Hybrid RAG 파이프라인 — 분석 변수 체계
4) 상권 지도 시각화 서비스 (행정동 단계구분도·시계열)
브이월드 지도 위에 행정동별 폐업률·성장률을 색상으로 표시하고, 2019년부터 현재까지의 시계열 슬라이더로 코로나 충격과 회복 과정을 시각화합니다. 행정동을 클릭하면 업종별 지표 요약과 에이전트 분석으로 이어집니다.
상세: 5) 대민 서비스 플랫폼 기능
5) 금융 연계 — 정책자금 공고 요약 및 대출 비교 계산기
분석 결과와 연계해 해당 업종·지역에 맞는 정책자금 공고를 LLM 요약 카드(원문 링크 포함)로 제공하고, 실거래가와 은행연합회 공시 금리 기반의 월세 vs 매입 대출 비교 계산기를 제공합니다. 중개·모집 없이 정보 제공까지만 수행합니다(금융소비자보호법 경계 준수).
상세: 5) 대민 서비스 플랫폼 기능 · 7) 보안 및 개인정보 보호
소주제와 문서의 대응
소주제는 “무엇을 만드나”를 다섯 조각으로 자른 것이고, 2) 주요 사업 내용은 같은 내용을 사업 관점의 네 덩어리로 묶은 것입니다. 소주제 1·2가 사업 내용의 ①(수집·구조화)과 ②의 파이프라인 부분에, 소주제 3이 ②의 에이전트에, 소주제 4가 ③(지도 시각화)에, 소주제 5가 ④(금융 연계)에 대응합니다.