프로젝트 개요
[AI] 중급 프로젝트 — 자연어 처리 / LLM 트랙 팀: GPTPilots | 가상 소속: B2G 입찰지원 컨설팅 스타트업 ‘입찰메이트’ 엔지니어링 팀
미션
복잡한 형태의 기업·정부 제안요청서(RFP) 내용을 효과적으로 추출·요약해 필요한 정보를 제공하는 사내 RAG 시스템을 구축한다. 나라장터 등에서 하루 수백 건씩 쏟아지는 수십 페이지짜리 RFP를, 컨설턴트가 일일이 읽지 않고도 주요 요구조건·대상 기관·예산·제출 방식 등 핵심을 빠르게 파악하고 문서 기반 Q&A로 후속 질문까지 이어갈 수 있게 하는 것이 목표다.
성공 기준: 100개의 실제 RFP 문서 + 메타데이터를 대상으로 (1) 단일 문서 정확 추출, (2) 다중 문서 종합, (3) 후속 질문 맥락 유지, (4) 문서에 없는 내용은 “모른다”고 답하는 것을 팀이 직접 정한 지표로 평가해 실증한다.
데이터
- 100개의 실제 RFP 문서 + 각 문서 메타데이터(
data_list.csv) - 위치: 구글 드라이브 > 프로젝트 > 중급 프로젝트 > 원본데이터
- 포맷:
hwp,pdf두 가지 모두 대응 필요 - ⚠️ 비밀유지계약 대상 — 원본 RFP 문서는 GitHub·포트폴리오 등 외부에 절대 업로드 금지 (2차 가공물은 공유 가능)
기술 스택 (두 시나리오 비교 실험)
| 구분 | 시나리오 B : LLM API 기반 (먼저 권장) | 시나리오 A : GCP 실행 기반 |
|---|---|---|
| LLM | OpenAI(gpt-5-mini/nano), Claude, Gemini | HuggingFace 모델 (LLaMa, Gemma 등) |
| 임베딩 | OpenAI Embedding(text-embedding-3-small) 등 | HuggingFace 임베딩 모델 |
| Vector DB | FAISS / Chroma / Supabase | FAISS / Chroma |
- 제공 자원: 팀별 GCP VM(g2-standard-4 + L4 GPU, 24h) + OpenAI API(팀당 $20 한도, allow 모델: gpt-5-mini / gpt-5-nano / text-embedding-3-small)
- ⚠️ API Key·SSH Key가 GitHub·GenAI 대화에 유출되지 않도록 각별히 주의 (한도 초과 시 즉시 disabled)
RAG 파이프라인 단계
- 데이터 처리 — hwp/pdf 로딩, 메타데이터 활용, 청킹(크기·중첩·의미단위)
- 임베딩·Retrieval — 임베딩 모델·Vector DB 선정, naive 베이스라인 → 메타데이터 필터링 → (심화) MMR/Hybrid/Multi-Query/Re-Ranking
- Generation — 모델·생성옵션(temperature/top_p/max_tokens) 선정, 컨텍스트 충실 반영 프롬프트, 대화 맥락 유지
- 성능 평가 — 팀이 직접 지표 선정, 다양한 질문 세트로 평가, 응답 속도도 고려
역할 분담 (권장 가이드)
| 역할 | 담당 영역 |
|---|---|
| Project Manager | 협업 매니징, 스프린트 회의 주도, 성능 평가 |
| 데이터 처리 | 메타데이터 처리, 문서 청킹 전략 설계·검증 |
| Retrieval | 임베딩 생성·Vector DB 구축, 메타데이터 필터링·retrieval 고도화 |
| Generation | 모델 선정·생성 옵션, 응답 고도화, 대화 히스토리 전략 |
가이드일 뿐, 팀 상황·관심사에 맞게 자유롭게 조정.
최종 제출물
| 항목 | 마감 | 담당 |
|---|---|---|
| GitHub Repository 링크 (RAG 재현 코드) | D-1 19:00 (주말 제외) | 팀장 (팀 명의 1개) |
| 보고서 PDF (Readme에서 다운로드 가능하게 첨부) | D-1 19:00 (주말 제외) | 담당자 |
| 개인 협업일지 (Readme에 링크) | D-day 23:50 | 팀원 각자 |
1차 목표 (v0.1)
최소 동작 파이프라인 완성 (end-to-end)
시나리오 B(LLM API)로 먼저 돌아가는 RAG를 완성. 성능보다 파이프라인 완성이 우선.
2차 목표 (v0.2)
- Retrieval 고도화 (메타데이터 필터링, MMR/Hybrid, Re-Ranking 등)
- Generation 품질 개선 (프롬프트, 대화 맥락 유지, 토큰 최적화)
- 성능 평가 지표 확립 + 질문 세트 기반 정량 비교 / (여유 시) 시나리오 A 실험
평가 방식
- 과정 중 평가(멘토, 개인): 적극성·문제해결·의사소통·성장가능성 (각 25점)
- 결과 평가 (팀 단위, 주강사): 기획·데이터·모델설계·훈련평가·코드품질·비즈니스 시사점·발표
- 결과 평가 (개인 단위, 주강사): 협업일지 + 발표 세션 참여 내역
금지 사항
- 다른 팀 작업/결과물 복제 금지 (적발 시 전 영역 0점, 세션 제외)
- 원본 RFP 데이터 외부 공유 금지 (비밀유지계약)
- API Key / SSH Key GitHub 업로드 금지
Connections
- 홈
- Q&A 칸반
- 원본 가이드: ⚡ [AI] 중급 프로젝트 가이드 (Notion)