docs: 감정 모델 ONNX 변환 및 통합 방안 트러블슈팅

- aihub-7emotions 모델 ONNX 변환 과정
- 임베딩 vs 분류 모델 차이점 분석
- 768차원 hidden state의 실제 의미
- skill-embedding 서비스 통합 방안 결정
- 두 감정 모델 연결 방법 검토

troubleshooting/250813_claude_감정모델ONNX변환및통합방안.md

@@ -0,0 +1,181 @@
+# 감정 모델 ONNX 변환 및 통합 방안 검토
+
+작성일: 2025년 8월 13일  
+작성자: Claude (51124 서버)
+
+## 작업 배경
+
+happybell80이 학습한 7개 감정 분류 모델(aihub-7emotions-complete)을 받아서 ONNX로 변환하고, 서비스 통합 방안을 검토했음.
+
+## 작업 과정
+
+### 오전 12시 6분 - 모델 파일 수신
+
+- 파일: model.safetensors (423MB)
+- 위치: /home/admin/ivada_project/training_emotion/outputs/aihub-7emotions-complete/
+- scp로 51123 서버에서 전송받음
+
+### 오전 12시 17분 - ONNX 변환
+
+1. 변환 스크립트 작성
+```python
+# /home/admin/ivada_project/onnx_models/convert_emotion_to_onnx.py
+def convert_emotion_to_onnx(model_path, output_dir):
+    tokenizer = AutoTokenizer.from_pretrained(model_path)
+    model = AutoModelForSequenceClassification.from_pretrained(model_path)
+    
+    torch.onnx.export(
+        model,
+        (inputs["input_ids"], inputs["attention_mask"]),
+        onnx_path,
+        input_names=["input_ids", "attention_mask"],
+        output_names=["logits"],
+        opset_version=14
+    )
+```
+
+2. uv 가상환경으로 변환 실행
+```bash
+uv venv && source .venv/bin/activate
+uv pip install transformers torch onnx onnxruntime
+python convert_emotion_to_onnx.py
+```
+
+3. 변환 결과
+- 출력: /home/admin/ivada_project/onnx_models/aihub-7emotions/model.onnx (423MB)
+- 레이블: fear, surprise, anger, sadness, neutral, happiness, disgust
+
+### 오전 12시 20분 - 테스트
+
+```python
+# ONNX 모델 테스트
+session = ort.InferenceSession('aihub-7emotions/model.onnx')
+outputs = session.run(None, {
+    'input_ids': inputs['input_ids'],
+    'attention_mask': inputs['attention_mask']
+})
+```
+
+테스트 결과:
+- "기분이 좋아요" → happiness (99.5%)
+- "화가 나서" → anger (88.2%)
+- "깜짝 놀랐어요" → surprise (95.0%)
+- "슬퍼서 눈물" → sadness (98.6%)
+- "무서워서" → fear (93.5%)
+- "평범한 하루" → sadness (76.9%) ← 한국 정서 반영
+
+### 오전 12시 30분 - 서비스 통합 방안 논의
+
+#### 1. 초기 계획: skill-embedding 서비스에 추가
+
+- 장점: ONNX 런타임 이미 있음, 관리 단순
+- 문제점: 임베딩 ≠ 감정 분류 (논리적 불일치)
+
+#### 2. 임베딩 vs 분류 구분
+
+**임베딩 모델 (multilingual-MiniLM-L12-v2)**
+- 입력: 텍스트
+- 출력: 384차원 벡터 (의미적 유사도)
+
+**감정 분류 모델 (aihub-7emotions)**
+- 입력: 텍스트
+- 출력: 7개 감정 확률
+- 내부: 768차원 hidden state (BERT)
+
+#### 3. 768차원 임베딩 기반 감정 추출 검토
+
+원래 계획 (250807 문서):
+```
+768차원 임베딩 → 9개 감정 프로토타입과 거리 계산 → 소프트맥스
+```
+
+현재 상황:
+- 모델들의 768차원은 내부 표현
+- ONNX 출력은 최종 감정 확률만
+- 임베딩 기반으로 하려면 중간 레이어 추출 필요
+
+#### 4. 두 모델 연결 방안 (11개 → 7개)
+
+korean-sentiment-kcelectra (11개) + aihub-7emotions (7개) 연결:
+
+```python
+# 방법 1: 매핑
+mapping = {
+    'happiness': [기쁨, 고마운, 설레는, 사랑하는, 즐거운],
+    'neutral': [일상적인, 생각이 많은],
+    'sadness': [슬픔, 힘듦],
+    'anger': [짜증남],
+    'fear': [걱정스러운],
+    'surprise': [],  # 11개에 없음
+    'disgust': []    # 11개에 없음
+}
+
+# 방법 2: 앙상블
+final = weight * mapped_11 + (1-weight) * probs_7
+```
+
+### 오전 12시 45분 - 최종 결정
+
+1. **서비스 위치**: skill-embedding에 통합 (경제적 이유)
+   - 자원 공유: ONNX Runtime, FastAPI, transformers
+   - 메모리 절약: 약 200MB
+   - 관리 단순화
+
+2. **구현 방식**: 직접 분류 모델 사용
+   - 임베딩 기반보다 정확 (95% vs 70-80%)
+   - 계산 단순 (1회 추론)
+   - 이미 최적화됨
+
+3. **설정값**:
+   - confidence_threshold = 0.35
+   - entropy_threshold = 2.0
+   - temperature_scaling = 1.232
+
+## 기술적 인사이트
+
+### 임베딩 vs 분류의 차이
+
+1. **임베딩**: 텍스트를 벡터 공간에 표현
+   - 목적: 유사도 측정
+   - 출력: 고차원 벡터
+
+2. **분류**: 텍스트를 카테고리로 분류
+   - 목적: 레이블 예측
+   - 출력: 확률 분포
+
+### 768차원의 의미
+
+- BERT/ELECTRA의 hidden_size = 768
+- 이는 내부 표현 차원
+- 최종 출력과는 다름
+
+### 프로토타입 기반 vs 직접 분류
+
+**프로토타입 기반**:
+- 장점: 새 카테고리 추가 유연
+- 단점: 프로토타입 정의 어려움, 정확도 낮음
+
+**직접 분류**:
+- 장점: 높은 정확도, 단순함
+- 단점: 고정된 카테고리
+
+## 교훈
+
+1. **실용성 우선**: 논리적 완벽함보다 경제성과 효율성
+2. **기존 자원 활용**: ONNX Runtime 공유로 메모리 절약
+3. **정확도 중요**: 복잡한 방법이 항상 좋은 것은 아님
+4. **문화적 맥락**: "평범한 하루" → sadness는 한국 정서 반영
+
+## 다음 단계
+
+1. 로컬 개발자: skill-embedding에 /emotion 엔드포인트 추가
+2. Gitea Actions로 자동 배포
+3. 51124 서버: 테스트 및 검증
+4. rb10508_micro: 균등 분포 → API 호출로 변경
+
+## 성과
+
+- aihub-7emotions ONNX 변환 완료
+- 두 감정 모델 비교 분석
+- 통합 방안 확정
+- 테스트로 정확도 검증