happybell80 1534005e78 Add: 사용자 관점 감정 서비스 시나리오 3개 추가

- 시나리오 1: 감정 기반 대화 조절 (즉시 구현 가능)
- 시나리오 2: 장기 감정 패턴 리포트 (TimescaleDB 필요)
- 시나리오 3: 팀 감정 온도계 (TimescaleDB 필요)

각 시나리오별 구현 요구사항 명시

2025-10-02 10:10:04 +09:00

8.7 KiB

Raw Blame History

감정 시스템 구현 계획 (rb8001)

작성일: 2025-10-02 작성자: Claude & happybell80 관련 서비스: rb8001 이슈: 감정 분석 시스템 미구현

사용자 관점 시나리오

시나리오 1: 감정 기반 대화 조절

상황: 사용자가 "프로젝트 실패해서 너무 짜증나" 입력
동작: 로빙이 분노/좌절 감지 → 공감적이고 차분한 톤으로 응답 조절
효과: 평소보다 조심스럽게 대안 제시, 비판적 피드백 자제
구현 요구사항: 감정 분석 API + LLM 프롬프트 동적 조절

시나리오 2: 장기 감정 패턴 리포트

상황: 매주 금요일 자동 리포트
동작: "이번 주 당신의 감정 변화" 시각화 제공
예시: "월요일 불안 70% → 수요일 기쁨 60% → 금요일 만족 80%"
효과: 번아웃 예방, 정신건강 관리 지원
구현 요구사항: TimescaleDB 시계열 저장 + time_bucket 집계 쿼리

시나리오 3: 팀 감정 온도계

상황: Slack 채널 전체 대화 모니터링
동작: 실시간 "팀 분위기 지표" 계산 및 제공
효과: 부정 감정 임계치 초과 시 매니저 알림, 회의 전 팀 감정 브리핑
구현 요구사항: 채널별 감정 집계 + 임계치 알림 시스템

현재 구현 가능성

시나리오 1: 즉시 가능 (감정 분석 API + 프롬프트 수정)
시나리오 2-3: TimescaleDB 구축 후 가능 (시계열 저장/집계 필요)

현재 상황

rb8001 감정 시스템 현황

구조만 존재: rb8001/app/core/emotion/base.py:16-34, rb8001/app/llm/emotion_llm.py:18-114
실제 분석 없음: rb8001/app/core/emotion/base.py:46-55 (모든 감정 균등 분포 반환)
rb10508_micro: rb10508_micro/app/core/emotion/base.py:46-55 (동일 구조)

서버 확인 결과 (2025-10-02)

51124 서버 확인 사항

# 확인 필요
docker exec rb8001 ls -la /code/app/core/emotion/  # emotion 파일 목록
docker exec rb8001 cat /code/app/core/emotion/emotion_llm.py  # 구현 코드
docker exec rb8001 ls -la /code/onnx_models/  # ONNX 모델 존재 여부
docker logs rb8001 --tail 1000 | grep -i emotion  # 감정 로그
curl http://localhost:8001/v1/emotion/infer -X POST -d '{"text":"테스트"}'  # API 테스트

# 전체 서비스 확인
for container in rb8001 skill-embedding robeing_monitor skill-rag-file; do
  echo "=== $container ==="
  docker exec $container find /code -name "*emotion*" 2>/dev/null
done

51123 서버 확인 결과

PostgreSQL: emotion_readings 테이블 없음
모델 파일: /opt/models에 감정 모델 없음 (sentence-transformer만 존재)
API 엔드포인트: /v1/emotion/* 엔드포인트 없음 ("Endpoint not found")
Gateway 서비스: robeing-gateway 실행 중 (포트 8100)
결론: 51123에 감정 시스템 관련 인프라 전혀 구현되지 않음

구현된 부분

rb8001/app/core/emotion/base.py:16-34  EmotionState 정의 (9개 감정 레이블 포함)
rb8001/app/core/emotion/base.py:37-44  calculate_entropy[_cached]
rb8001/app/core/emotion/base.py:128-155 ThompsonSampler
rb8001/app/llm/emotion_llm.py:25-54  analyze_user_emotion (analyze_emotion 호출)
rb8001/app/llm/emotion_llm.py:56-89  generate_response_with_emotion (메모리 저장)

미구현 부분

모델 통합: klue/bert-base 기반 7클래스 분류기 (코드 없음)
ONNX 추론: 모델 변환 및 최적화 (코드 없음)
Temperature Scaling: 확률 보정 (코드 없음)
데이터베이스: emotion_readings 테이블 (스키마/마이그레이션 없음)
API 엔드포인트: /v1/emotion/infer 등 (엔드포인트 없음)

구현 로드맵

Phase 1: 기본 감정 분석 (1주)

Day 1-2: 모델 준비
- klue/bert-base 기반 감정 분류 모델 준비
- 7개 클래스: fear, surprise, anger, sadness, neutral, happiness, disgust
- ONNX 변환 및 최적화

Day 3-4: 추론 엔진 구현

없음: rb8001/app/core/emotion/inference.py (파일 미존재)
없음: rb8001 내 onnxruntime/transformers 런타임 사용 코드
참고: training_emotion/train_korean_emotion.py:244-257 (학습용 ORT/Tokenizer)
현재 추론 경로: rb8001/app/core/emotion/base.py:63-85 (analyze_emotion[_cached])
현재 LLM 연동: rb8001/app/llm/emotion_llm.py:25-54 (analyze_user_emotion)
토크나이저/ONNX 세션 초기화 위치: 없음 (프로덕션 코드 기준)
EMOTION_TEMPERATURE 사용: rb8001/app/core/emotion/base.py:14 (상수 로드)
Temperature Scaling 적용: 없음 (확률 보정 미적용)
모델 파일 경로 상수: 없음
레이블 상수(7클래스): 없음
추론 입력 전처리: 없음
추론 출력 후처리: 없음
배치 추론 엔트리포인트: 없음
에러 처리/재시도: 없음
로깅 위치: rb8001/app/llm/emotion_llm.py:49 (분석 결과 로그)

Day 5: DB 스키마 구현 (TimescaleDB 권장)

없음: emotion_readings 테이블 (코드/마이그레이션 미존재)
확인: DOCS/ideas/emotion_graph_implementation.md:215,232 (문서 내 예시 스키마)
확인: DOCS/ideas/250916_로빙_감정_분석_시스템_구현_계획.md:11 (테이블 부재 명시)

[TimescaleDB 적용 권장]
- emotion_readings는 시계열 데이터로 TimescaleDB 하이퍼테이블이 적합
- robeing_metrics DB 사용 (main_db와 분리)
- 참고: frontend-base/backend/metrics_database.py:103 (time_bucket 쿼리)
- 참고: DOCS/troubleshooting/250714_system_metrics_implementation.md

CREATE TABLE emotion_readings (
  time TIMESTAMPTZ NOT NULL,
  user_id UUID NOT NULL,
  text_hash VARCHAR(64),
  model_version VARCHAR(20),
  temperature FLOAT,
  logits JSONB,
  probs JSONB,
  top_label VARCHAR(20),
  top_p FLOAT,
  entropy FLOAT,
  meta JSONB
);

SELECT create_hypertable('emotion_readings', 'time');
CREATE INDEX ON emotion_readings (user_id, time DESC);

Phase 2: API 및 통합 (1주)

Day 6-7: API 엔드포인트

없음: rb8001 내 /v1/emotion/* 라우트
확인: rg 검색 결과 엔드포인트 미발견
관련 파일: rb8001/main.py (감정 관련 API 없음)
현재 사용 경로: rb8001/app/llm/llm_service.py:119-134 (내부 호출만 존재)
robeing-gateway/app/main.py (프록시에 감정 API 없음)
robeing-monitor (감정 API 없음)

Day 8-9: 기존 시스템 통합
- Router에서 감정 분석 호출
- 메모리 저장 시 감정 메타데이터 추가
- Slack 응답에 감정 정보 포함
Day 10: 시각화
- 감정 그래프 생성 (matplotlib/plotly)
- Slack 이미지 업로드

Phase 3: 고도화 (선택적)

Temperature Calibration
- 검증 데이터셋으로 최적 T 값 찾기
- ECE (Expected Calibration Error) 최소화
배치 처리 최적화
- 마이크로배칭
- 비동기 처리 큐
감정 공명 시스템
- 과거 감정과 현재 감정 결합
- 사용자별 감정 패턴 학습

구현 우선순위

즉시 구현 가능 (Quick Win)

✅ 감정 DB 테이블 생성 (TimescaleDB 하이퍼테이블로)
✅ 간단한 규칙 기반 감정 분석 (키워드 매칭)
✅ 감정 저장 및 조회 API

TimescaleDB 활용 전략

신규 테이블 우선: emotion_readings를 robeing_metrics DB에 하이퍼테이블로 생성
기존 main_db 유지: 프로덕션 DB는 그대로 유지, 시계열만 분리
asyncpg 주의사항: interval 바인딩 이슈 대응 필요 (DOCS/troubleshooting/250715_metrics_graph_timebucket_error.md)

중기 목표 (1-2주)

⏳ BERT 모델 통합
⏳ ONNX 최적화
⏳ Temperature Scaling

장기 목표 (1개월+)

📅 사용자별 감정 패턴 학습
📅 실시간 감정 모니터링 대시보드
📅 감정 기반 응답 생성

리소스 요구사항

모델

klue/bert-base (400MB)
ONNX 변환 모델 (100MB)
추론 시간: CPU 40-80ms, GPU 10-20ms

인프라

추가 메모리: 500MB-1GB
DB 스토리지: 사용자당 일 100KB
계산 리소스: CPU 2 cores 권장

주의사항

프라이버시
- 원문 텍스트는 해시만 저장
- 사용자 동의 필요
- 삭제 권한 보장
성능
- 캐싱 적극 활용
- 배치 처리로 효율화
- 비동기 처리 필수
정확도
- 한국어 특화 모델 필요
- 지속적인 모니터링
- 사용자 피드백 수집

결론

rb10508_micro의 감정 시스템을 rb8001로 이식 또는 skill-embedding으로 분리 필요:

rb10508_micro에 Bayesian 기반 감정 시스템 구현됨
rb8001에 기본 구조만 있고 실제 기능 없음
이식 또는 독립 스킬화 검토 필요

8.7 KiB Raw Blame History