# ONNX 기반 임베딩 경량화 작업

작성일: 2025년 8월 4일
작성자: Claude (51124 서버)

## 작업 배경

rb10508_micro의 컨테이너 이미지가 6.19GB로 매우 크고, 주요 원인이 PyTorch와 sentence-transformers였음. ONNX로 변환하여 경량화 진행.

## 작업 과정

### 오후 3시 15분 - ONNX 변환 시작

1. 작업 디렉토리 생성
```bash
mkdir -p /home/admin/ivada_project/onnx_models
```

2. uv 설치 및 가상환경 생성
```bash
pip install uv
uv venv
source .venv/bin/activate
uv pip install transformers torch onnx onnxruntime
```

### 오후 3시 20분 - 변환 스크립트 작성

`convert_to_onnx.py` 작성하여 `paraphrase-multilingual-MiniLM-L12-v2` 모델을 ONNX로 변환

주요 문제:
- 첫 시도에서 입력 이름 불일치 (`input.3` 추가 입력 요구)
- 해결: torch.onnx.export에서 명시적으로 2개 입력만 전달

### 오후 3시 30분 - 경량 추론 모듈 개발

1. ONNX 임베딩 기능 설계
   - PyTorch 없이 ONNX Runtime만으로 임베딩 생성
   - ChromaDB 호환 인터페이스 제공
   - Mean pooling 구현
   
2. **주의**: 이 기능은 후에 skill-embedding 서비스에 직접 구현됨
   - 별도 파일(`onnx_embedder.py`, `chroma_onnx_function.py`)로 생성하지 않음
   - skill-embedding 서비스의 embedder.py에 ONNXEmbedder 클래스로 구현
   - http_embedding_function.py에 HTTPEmbeddingFunction 클래스로 구현

### 오후 3시 40분 - 테스트 및 검증

테스트 결과:
- 한국어-영어 번역 문장 유사도: 0.970 (매우 높음)
- ChromaDB 통합 테스트 성공
- 한국어 문서 검색 정확도 확인

## 성능 비교

### 이미지 크기
- 기존: 6.19GB (PyTorch + sentence-transformers)
- 예상: ~500MB (Python slim + ONNX Runtime)

### 모델 크기
- ONNX 모델: 449MB (변환 완료)
- 토크나이저 포함 전체: ~500MB

### 메모리 사용량
- PyTorch 오버헤드 제거로 대폭 감소 예상

## 로컬 개발자 작업 가이드

### 1. Dockerfile 수정
```dockerfile
# 기존
FROM chroma_vector:1.0

# 변경
FROM python:3.11-slim

# sentence-transformers, torch 제거
# onnxruntime만 설치
RUN pip install onnxruntime transformers
```

### 2. 코드 수정
```python
# 기존
from sentence_transformers import SentenceTransformer
embedder = SentenceTransformer(model_name)

# 변경 (skill-embedding 서비스 사용)
from http_embedding_function import HTTPEmbeddingFunction
embedding_function = HTTPEmbeddingFunction("http://localhost:8515")
```

### 3. 모델 마운트
```yaml
volumes:
  - /home/admin/ivada_project/onnx_models:/models/onnx:ro
```

## 교훈

1. **ONNX 변환 시 입력 명세 주의**
   - torch.onnx.export의 input_names와 실제 모델 입력이 일치해야 함
   - 불필요한 입력은 명시적으로 제외

2. **ChromaDB API 변경 대응**
   - 구 API: `chromadb.Client(Settings(...))`
   - 신 API: `chromadb.PersistentClient(path=...)`

3. **경량화의 핵심은 의존성 제거**
   - 기능 축소만으로는 한계 (코드는 줄어도 라이브러리는 그대로)
   - 무거운 라이브러리를 경량 대안으로 교체해야 진정한 경량화

4. **uv 사용으로 패키지 설치 속도 향상**
   - pip 대비 10배 이상 빠른 설치
   - 특히 대용량 패키지(PyTorch 등) 설치 시 효과적

## 다음 단계

1. 로컬 개발자가 Dockerfile 및 requirements.txt 수정
2. 베이스 이미지를 python:3.11-slim으로 변경
3. GitHub Actions 워크플로우 업데이트
4. 배포 후 실제 메모리 사용량 측정

## 오후 7시 04분 - rb10508_micro ONNX 통합 작업

### 문제 1: ModuleNotFoundError - sentence_transformers
- **증상**: `ModuleNotFoundError: No module named 'sentence_transformers'`
- **원인**: requirements.txt에서 sentence-transformers 제거했지만 코드에서 여전히 import
- **해결**: memory.py에서 ONNX 기반 임베딩으로 변경

### 문제 2: ChromaDB embedding function 충돌
- **증상**: `ValueError: An embedding function already exists in the collection configuration`
- **원인**: rb10508_test의 기존 ChromaDB가 default embedding으로 생성되어 있음
- **해결**: rb10508_micro 전용 ChromaDB 경로 사용 (`./chroma_db_micro`)

### 최종 수정사항
1. **memory.py 수정**:
   ```python
   # 기존
   from sentence_transformers import SentenceTransformer
   self.embedder = SentenceTransformer(settings.EMBEDDING_MODEL)
   
   # 변경
   import sys
   sys.path.append('/models/onnx')
   from chroma_onnx_function import ONNXEmbeddingFunction
   self.embedding_function = ONNXEmbeddingFunction("/models/onnx/multilingual-MiniLM-L12-v2")
   ```

2. **ChromaDB 컬렉션 생성 시 embedding_function 전달**:
   ```python
   self.episodic = self.client.get_or_create_collection(
       name=f"{settings.ROBING_ID}_episodic",
       metadata={"type": "episodic"},
       embedding_function=self.embedding_function
   )
   ```

3. **docker-compose.yml 수정**:
   ```yaml
   volumes:
     - ./chroma_db_micro:/code/chroma_db  # 전용 ChromaDB
     - ./logs:/code/logs:rw
     - /home/admin/ivada_project/onnx_models:/models/onnx:ro
   ```

### 교훈
1. **코드와 의존성 동기화**: requirements.txt 수정 시 반드시 코드도 함께 수정
2. **ChromaDB 데이터 분리**: 서로 다른 embedding function 사용 시 별도 DB 필요
3. **ONNX 모델 경로**: 서브디렉토리까지 정확히 지정 (`/models/onnx/multilingual-MiniLM-L12-v2`)
4. **추측하지 말고 확인**: 서버의 ONNX 모듈 구조와 사용법 먼저 확인