[AI] IntentFlow 프로젝트 회고 및 소개

IntentFlow 프로젝트 회고 및 소개

🧭 프로젝트 개요

IntentFlow는 음성 입력을 받아 사용자의 의도를 파악하고, 적절한 응답을 음성으로 생성하는 End-to-End 음성 대화 시스템이다. Whisper 기반 STT, Sentence Transformers 임베딩, Weaviate 벡터 검색, Piper TTS, 그리고 LLM 폴백 구조를 결합하여, 로컬 환경에서 완전한 대화 루프를 완성한다.

🎯 개발 목적

• 음성 기반 의도 인식 정확도 확보 (≥85%)
• 1.5초 이내 응답 시간(p95) 달성
• LLM 폴백률 ≤30%로 효율적 커버리지 확보
• 완전한 로컬 독립 실행형 파이프라인 구현 (Docker 기반)

---

🧩 아키텍처 요약

사용자 음성 입력
   ↓
[STT] Whisper → 텍스트 변환
   ↓
[Embedding] Sentence Transformers
   ↓
[Vector DB] Weaviate 검색 (TopK=5, Thresh=0.85)
   ↓ ├─ 매칭 성공 → 템플릿 렌더링
      └─ 매칭 실패 → LLM 폴백
   ↓
[TTS] Piper → 음성 응답 출력

총 5단계 Core Pipeline: STT → Embedding → Vector Search → Template → TTS

---

💡 주요 성과

항목	결과	근거
응답시간	p95 ≈ 1,480ms	Whisper(600ms) + TTS(800ms)
Intent 매칭 정확도	0.87	20 샘플 테스트 기준
LLM 폴백률	0.28	Vector Thresh=0.85 조건
시스템 안정성	/health uptime 99.9%	Docker Health Check

---

🧪 주요 학습 및 개선점

1️⃣ 기술적 성취

• 모듈 간 독립성 확보: STT, Embedding, VectorSearch, TTS가 각기 단일 서비스로 동작하며 Health Check 및 Dependency Control로 통합 안정화.
• 템플릿 기반 응답 렌더링: {{now_hm}}, {{now_date}} 등 매크로 지원으로 유연한 응답 생성 가능.
• Weaviate + SentenceTransformers 최적화: TopK 및 Thresh 튜닝으로 recall@10 안정화.

2️⃣ 협업 및 관리 측면

• task_flow.md 기반의 체계적 Task 분할로 개발 병렬화에 성공.
• task_guide.md의 절차적 정의를 준수하여, Task 상태 추적 및 로그 기록이 명확해짐.
• Week Plan 기반 리뷰 루프(Plan→Do→Review)로 일정 지연 없이 완료.

3️⃣ 회고 포인트

• 좋았던 점
  • STT~TTS End-to-End 파이프라인 완주 및 실측 성능 확보.
  • Task 구조화와 문서 자동화(task_flow.md→week_plan)가 실효적이었음.
• 개선점
  • 초기 LLM 폴백 API 응답 지연 발생(LLM Temperature 0.8→0.5 조정으로 해결).
  • TTS 캐시 전략 미비로 동일 응답 재생 시 성능 저하.
• 다음 단계 제안
  • Prometheus 기반 메트릭 노출 추가.
  • Intent 자동 확장 기능(intent_loader.py) 개선 및 QA 데이터셋 추가.

---

로컬 기동

---

📘 참고 문서 링크

• API 명세: API_SPEC.md
• 아키텍처 개요: ARCHITECTURE.md
• 튜닝 가이드: TUNING_GUIDE.md
• 의도 설계 가이드: INTENT_DESIGN.md
• Task Flow: task_flow.md
• Task Guide: task_guide.md

---

🏁 결론

IntentFlow는 로컬 환경에서 음성 입력 → 의미 추론 → 음성 응답의 전 과정을 자율적으로 완주한 첫 프로토타입이다.
“Vector DB + LLM 폴백 기반의 Hybrid Voice AI” 구조를 검증하였으며, 향후 MAS(Multi-Agent System) 레이어로 확장 가능한 기반을 확보했다.

작성일: 2025-11-12
작성자: Peterica SE Team