포트폴리오 - LLM 파인튜닝 프로젝트 설명

 

표지 (Cover Page)

프로젝트 이름: resumOpenAI
부제목: 사용자 맞춤형 이력서 생성기

 

프로젝트 구조

소개 (Introduction)

프로젝트 설명: resumOpenAI는 OpenAI의 GPT 모델을 사용하여 사용자의 정보를 기반으로 맞춤형 이력서를 생성하는 웹 애플리케이션입니다.
목적: 이력서 작성 시간을 단축하고, 사용자의 개인 정보를 반영한 고품질의 이력서를 제공하는 것을 목표로 합니다.

 

기술 스택 (Technology Stack)

백엔드: Flask, Flask-CORS, OpenAI API
프론트엔드: React
기타 도구: Python, JavaScript, HTML, CSS

 

주요 기능 (Key Features)

이력서 생성: 사용자 정보 입력을 통해 맞춤형 이력서를 자동으로 생성합니다.
이력서 다운로드: 생성된 이력서를 PDF 형식으로 다운로드할 수 있습니다.
섹션 업데이트: 이력서의 각 섹션을 사용자가 원하는 대로 수정할 수 있습니다.
섹션 초기화: 모든 섹션을 초기 상태로 되돌릴 수 있습니다.

 

프로젝트 상세 설명 (Project Details)

프로젝트 배경 및 필요성
이력서 작성은 많은 사람들에게 시간과 노력을 요하는 작업입니다. 특히 맞춤형 이력서를 작성하는 것은 더욱 어려운 일입니다. 이를 해결하기 위해, 사용자의 개인 정보를 기반으로 자동으로 맞춤형 이력서를 생성하는 웹 애플리케이션을 개발하게 되었습니다.

역할 및 기여 (Role and Contribution)
프로젝트의 전반적인 기획부터 구현까지 모든 단계를 담당하였습니다.

프로젝트 기획: 

프로젝트의 목적과 기능을 정의하고, 필요한 기술 스택을 선정하였습니다.

 

백엔드 개발: 

Flask와 Flask-CORS를 사용하여 서버를 구축하고, OpenAI API를 통합하여 GPT 모델을 미세 조정하였습니다.

프론트엔드 개발: 

React를 사용하여 사용자 인터페이스를 설계하고 구현하였습니다.

모델 미세 조정: 

사용자 정보로 학습 데이터를 생성하고, OpenAI의 GPT 모델을 사용하여 맞춤형 이력서를 생성할 수 있도록 미세 조정하였습니다.

 

 

AI LLM 파인튜닝의 이해 및 적용 (Understanding and Applying AI LLM Fine-Tuning)

대규모 언어 모델 (LLM)

대규모 언어 모델은 인간과 유사한 텍스트를 생성할 수 있는 고급 인공지능 모델입니다. 이러한 모델은 대량의 텍스트 데이터를 학습하여 언어의 패턴과 구조를 이해합니다.

파인튜닝 (Fine-Tuning)

파인튜닝은 이미 사전 학습된 모델을 특정 작업이나 도메인에 맞게 추가로 학습시키는 과정입니다. resumOpenAI 프로젝트에서는 사용자의 개인 정보를 기반으로 한 이력서를 생성하기 위해 GPT 모델을 파인튜닝했습니다.

파인튜닝 과정

데이터 준비

사용자 정보(성장 배경, 교육, 프로젝트, 강점과 약점, 자격증, 직무 포지션, 직무 설명)로부터 학습 데이터를 생성하였습니다.

모델 학습

준비된 데이터를 사용하여 사전 학습된 GPT 모델을 추가로 학습시켰습니다. 학습 파라미터로 n_epochs를 4로 설정하여 모델이 과적합되지 않으면서도 충분히 학습할 수 있도록 하였습니다.
평가 및 조정: 학습된 모델을 평가하고, 필요에 따라 추가로 조정하여 최적의 성능을 달성하였습니다.

주요 학습 결과
맞춤형 성능: 파인튜닝을 통해 모델이 사용자 맞춤형 이력서를 생성할 수 있게 되었습니다.
효율성: 사전 학습된 모델을 기반으로 하여 학습 시간을 절약하고, 더 적은 데이터로도 고성능 모델을 구축할 수 있었습니다.
적응성: 파인튜닝을 통해 모델이 새로운 사용자 데이터에 빠르게 적응할 수 있음을 확인했습니다.

 

학습 결과 및 인사이트 (Learning Outcomes and Insights)

이번 프로젝트를 통해 얻은 주요 학습 결과 및 인사이트는 다음과 같습니다:

미세 조정의 중요성: 사용자 맞춤형 텍스트 생성을 위해서는 미세 조정이 매우 중요하다는 것을 배웠습니다.
데이터 준비의 중요성: 좋은 학습 데이터가 좋은 모델을 만든다는 것을 깨달았습니다. 사용자 정보의 각 섹션을 체계적으로 정리하여 학습 데이터를 준비하였습니다.
통합 개발 경험: 백엔드와 프론트엔드의 통합 개발을 통해 전체 시스템을 이해하고 구현하는 능력을 향상시켰습니다.
LLM의 잠재력: 대규모 언어 모델의 잠재력과 이를 활용하여 다양한 응용 프로그램을 개발할 수 있는 가능성을 확인했습니다.

향후 계획 (Future Plans)

모델 성능 향상: 더 많은 사용자 데이터를 수집하고 분석하여 모델의 성능을 지속적으로 향상시킬 계획입니다.
다양한 기능 추가: 사용자의 피드백을 반영하여 이력서 템플릿을 추가하고, 다양한 언어를 지원하는 기능을 개발할 예정입니다.
모바일 지원: 모바일 환경에서도 사용하기 편리하도록 반응형 웹 디자인을 적용할 계획입니다.
자동화 및 확장성: 모델 학습과 배포 과정을 자동화하고, 시스템의 확장성을 향상시킬 계획입니다.

 

 

 

 

다음 글에서는 해당 프로젝트 코드 분석을 진행하겠습니다.