RagHack
1.0.0
맞춤형 피트니스 지도 : MyFitnessBuddy는 맞춤형 운동 루틴, 다이어트 계획, 음식 칼로리 계산기를 제공하여 일반 피트니스 앱의 한계를 해결하는 GenAI 피트니스 조언자 앱입니다.
고급 검색 증강 생성 : 검색 증강 생성(RAG)과 그래프 검색 증강 생성(GRAG)을 결합한 하이브리드 접근 방식을 활용하여 사용자 쿼리에 대한 정확한 상황 인식 응답을 제공합니다.
RAGHack에서 혁신 시연 : RAGHack 해커톤을 위해 개발된 MyFitnessBuddy는 Azure AI 및 널리 사용되는 프레임워크를 사용하여 매력적이고 효과적인 AI 기반 피트니스 솔루션을 만드는 RAG 기술의 힘을 보여줍니다.
그림 1 아키텍처
MyFitnessBuddy는 RAG(Retrieval-Augmented Generation)와 GRAG(Graph Retrieval-Augmented Generation)를 결합한 하이브리드 아키텍처를 사용합니다. 데이터는 Python 스크립트를 사용하여 추출되고 구조화된 데이터의 경우 Azure Blob Storage로, 구조화되지 않은 데이터의 경우 Azure Cosmos DB(Gremlin API)로 수집됩니다. Azure AI Search는 구조화된 데이터를 인덱싱하고, 그래프 데이터베이스는 구조화되지 않은 데이터의 복잡한 관계를 관리합니다. 애플리케이션은 Azure AI Studio 및 프롬프트 흐름을 활용하여 채팅 논리를 정의하고 데이터 소스를 연결합니다. 사용자 쿼리는 앱 서버에서 처리되어 Azure AI Search 및 Cosmos DB에서 관련 정보를 검색한 다음 Azure OpenAI Services(ChatGPT)로 전송되어 맞춤형 응답을 생성합니다. 이러한 하이브리드 접근 방식은 사용자에게 정확하고 상황을 인식하며 개인화된 피트니스 안내를 보장합니다.
그림 2. 데이터 추출 아키텍처
그림 3. 하이브리드 RAG 아키텍처
그림 4. Azure CosmoDB(Gremlin API)에서 비정형 데이터를 그래프로 저장하는 방법의 예
그림 5. Azure AI Studio 아키텍처
Azure Prompt Flow를 사용하여 두 개의 엔드포인트를 배포했습니다. 하나는 재작성 의도 엔드포인트이고 다른 하나는 My Fitness Buddy 입니다. 이러한 엔드포인트는 두 가지 서로 다른 사용 사례를 해결하도록 설계되었습니다. 하나는 쿼리 생성을 통해 문서 검색을 최적화하는 데 중점을 두는 반면, 다른 하나는 RAG의 지식 기반을 통해 사전 정의된 안전 경계 내에서 개인화된 피트니스 조언을 제공합니다.
목적 : 이 엔드포인트는 사용자의 질문과 이전 대화 기록을 기반으로 검색 쿼리를 생성하는 특정 작업을 처리하도록 설계되었습니다. "현재 사용자 질문"과 이전 컨텍스트를 결합함으로써 엔드포인트는 변형 없이 필요한 모든 세부 정보를 포함하는 단일 표준 쿼리를 생성합니다. 이는 정확한 쿼리와 의도를 생성하여 보다 정확한 결과를 가져오는 문서 검색 시스템에 사용됩니다.
그림 6. Rewrite Intent 엔드포인트의 흐름
목적 : 두 번째 끝점은 사용자 입력을 기반으로 개인화된 피트니스 조언, 운동 계획 및 영양 팁을 제공하는 My Fitness Buddy 입니다. 보조자는 의학적 조언을 피하고 제공된 데이터 세트에만 전념하여 모든 권장 사항이 안전하고 동기 부여적이며 증거 기반인지 확인하고 검색 색인으로 구성된 문서 덩어리에 대한 지식 기반을 검색하도록 프로그래밍되었습니다.
그림 7. My Fitness Buddy 엔드포인트 흐름
그림 8. 적용
그림 9. 엔드포인트용 테스트 도구
MyFitnessBuddy는 검색 증강 생성(RAG) 및 그래프 검색 증강 생성(GRAG)과 같은 고급 AI 기술을 결합하여 고도로 개인화되고 상황을 인식하는 피트니스 조언자를 만드는 잠재력을 보여줍니다. Azure AI의 기능을 활용하고 여러 데이터 소스를 통합함으로써 앱은 맞춤형 운동 루틴, 식이 계획 및 사용자 쿼리에 대한 정확한 응답을 제공합니다. 이 접근 방식은 맞춤형 관련 피트니스 지침을 제공함으로써 사용자 참여와 만족도를 향상시킵니다.
