DOCS/troubleshooting/20251002_emotion_system_implementation.md

# 감정 시스템 구현 계획 (rb8001)

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

## 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
```bash
# 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
```text
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
1. **모델 통합**: klue/bert-base 기반 7클래스 분류기 (코드 없음)
2. **ONNX 추론**: 모델 변환 및 최적화 (코드 없음)
3. **Temperature Scaling**: 확률 보정 (코드 없음)
4. **데이터베이스**: emotion_readings 테이블 (스키마/마이그레이션 없음)
5. **API 엔드포인트**: /v1/emotion/infer 등 (엔드포인트 없음)

## 구현 로드맵

### Phase 1: 기본 감정 분석 (1주)
1. **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

2. **Day 3-4: 추론 엔진 구현**
   ```text
   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)
   ```

3. **Day 5: DB 스키마 구현 (TimescaleDB 권장)**
   ```text
   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)

1. **Day 6-7: API 엔드포인트**
   ```text
   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)
   ```

2. **Day 8-9: 기존 시스템 통합**
   - Router에서 감정 분석 호출
   - 메모리 저장 시 감정 메타데이터 추가
   - Slack 응답에 감정 정보 포함

3. **Day 10: 시각화**
   - 감정 그래프 생성 (matplotlib/plotly)
   - Slack 이미지 업로드

### Phase 3: 고도화 (선택적)

1. **Temperature Calibration**
   - 검증 데이터셋으로 최적 T 값 찾기
   - ECE (Expected Calibration Error) 최소화

2. **배치 처리 최적화**
   - 마이크로배칭
   - 비동기 처리 큐

3. **감정 공명 시스템**
   - 과거 감정과 현재 감정 결합
   - 사용자별 감정 패턴 학습

## 구현 우선순위

### 즉시 구현 가능 (Quick Win)
1. ✅ 감정 DB 테이블 생성 (TimescaleDB 하이퍼테이블로)
2. ✅ 간단한 규칙 기반 감정 분석 (키워드 매칭)
3. ✅ 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)
1. ⏳ BERT 모델 통합
2. ⏳ ONNX 최적화
3. ⏳ Temperature Scaling

### 장기 목표 (1개월+)
1. 📅 사용자별 감정 패턴 학습
2. 📅 실시간 감정 모니터링 대시보드
3. 📅 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

1. **프라이버시**
   - 원문 텍스트는 해시만 저장
   - 사용자 동의 필요
   - 삭제 권한 보장

2. **성능**
   - 캐싱 적극 활용
   - 배치 처리로 효율화
   - 비동기 처리 필수

3. **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