아톨러브

1. 문제 정의서비스가 실제로 해결하고자 하는 핵심 과제 또는 시장의 Pain Point를 명확히 규정하는 단계입니다.l 어떤 문제를 해결할 것인가?l 사용자(고객)는 무엇을 불편해하고 있는가?l 기존 서비스 또는 시스템의 한계점은 무엇인가?2. 타깃 설정주요 고객층 또는 서비스 대상 그룹을 명확히 정의합니다. 인구통계학적 특성, 관심사, 행태 등을 바탕으로 구체적인 페르소나를 도출합니다.l 우리 서비스의 주요 타깃은 누구인가?l 연령대, 성별, 직업, 지역 등 주요 속성은?l 주로 어떤 채널을 통해 정보를 얻는가?3. 사용자 니즈 분석타깃 사용자의 구체적인 요구와 불편, 서비스에 대한 기대를 심층적으로 파악하는 단계입니다. 사용자 여정(Journey Map), 설문조사, 인터뷰, 행동 분석 ..

AWS EC2 인스턴스에 설치된 백엔드(Flask + Qdrant)와 프론트엔드(React serve)를 처음부터 올바르게 구동하는 순서를 상세히 정리합니다. 현재 구동 중인 프로세스를 확인하고 종료하는 단계부터 시작하겠습니다.AWS EC2 인스턴스에서 애플리케이션 구동 순서 (단계별) 사전 준비물:AWS EC2 인스턴스에 SSH로 접속 가능한 터미널 창sudo 권한각 애플리케이션의 파일 경로 (예: /home/ec2-user/flask, /home/ec2-user/front/build)Flask 앱 파일명 (예: chapter5-1-3_from_4-2_from_3-7_copy.py)1단계: 현재 실행 중인 모든 관련 프로세스 확인 및 종료 이 단계에서는 Qdrant, Flask, serve 관련 프로세..

이 에러 메시지는 "Address already in use" (이미 사용 중인 주소) 문제로, Flask 애플리케이션을 실행하려는 5500번 포트가 이미 다른 프로그램에 의해 사용되고 있기 때문에 발생합니다.Port 5500 is in use by another program. Either identify and stop that program, or start the server with a different port.이 메시지처럼, 5500번 포트를 사용 중인 프로그램을 찾아 중지시키거나, Flask 서버를 다른 포트에서 시작해야 합니다. 해결 방법:옵션 1: 5500번 포트를 사용 중인 프로그램 찾아서 중지시키기 (권장)이 방법은 가장 일반적이며, 기존에 백그라운드로 실행해 둔 Flask 앱이나 ..

코드는 React를 사용하여 간단한 웹 챗봇 인터페이스를 구현한 것입니다. 사용자가 메시지를 입력하고 전송하면, 해당 메시지가 화면에 표시되고 백엔드 API(http://localhost:5500/searchChat)와 통신하여 챗봇의 응답을 받아 다시 화면에 표시하는 기능을 합니다.import React, {useState} from "react" // React 라이브러리와 React 훅인 useState를 가져옵니다.// useState: 컴포넌트 내에서 상태(데이터)를 관리할 수 있게 해주는 훅입니다.import "./ChatPage.css" // ChatPage 컴포넌트의 스타일을 정의하는 CSS 파일을 가져옵니다.const ChatPage =() => { // ChatPage라는 이름의 함수형..

아래의 Flask 애플리케이션 코드는 Qdrant 벡터 데이터베이스와 OpenAI API를 연동하여 간단한 RAG(Retrieval Augmented Generation) 기반 챗봇 서비스를 구현한 것입니다. 각 부분에 대한 상세 정리와 함께, 더 좋은 코드가 되기 위한 개선 사항 및 추가 코드를 정리합니다.1. 코드 전체 해설이 코드는 크게 세 가지 주요 구성 요소로 나뉩니다: Flask 웹 서버, Qdrant 벡터 데이터베이스 클라이언트, OpenAI API 클라이언트.1.1. 초기 설정 및 클라이언트 초기화from flask import Flask, request, jsonify # Flask 웹 프레임워크 관련 모듈from qdrant_client import QdrantClient # Qdran..

세 가지 Python 코드는 Qdrant 벡터 데이터베이스를 활용한 기본적인 벡터 검색 워크플로우를 보여줍니다. 각 코드가 어떤 역할을 하는지, 그리고 전체적인 흐름은 어떻게 되는지 상세히 정리합니다.전체 워크플로우 개요이 세 가지 코드는 다음과 같은 순서로 실행되어야 하며, 각기 다른 역할을 수행합니다.첫 번째 코드: Qdrant에 벡터를 저장할 **컬렉션(Collection)**을 생성합니다.두 번째 코드: OpenAI 임베딩 모델을 사용하여 텍스트를 벡터로 변환한 후, 이 벡터들을 생성된 컬렉션에 **삽입(Upsert)**합니다.세 번째 코드: 새로운 텍스트를 벡터로 변환한 후, 이 쿼리 벡터와 가장 유사한 벡터들을 컬렉션에서 **검색(Query)**합니다.이 과정은 RAG(Retrieval Aug..