💳 거래 데이터 기반 Context-Aware RAG 시스템

내 소비 패턴에 딱 맞는 카드, AI가 찾아드립니다

1. 프로젝트 개요

기존 서비스는 단순 인기순 나열 또는 수동 카테고리 선택에 의존하여 개인의 실제 소비 패턴을 정밀하게 반영하지 못하는 한계가 있습니다. 본 프로젝트는 실제 거래 내역을 기반으로 소비 리포트를 생성하고, RAG 파이프라인으로 맞춤형 카드를 추천하는 것을 목표로 합니다.

	기존 방식	제안 방식
정보 접근성	카드사별 웹사이트 직접 탐색	자연어 질의로 즉시 접근
비교 분석	사용자가 직접 대조	거래 데이터 기반 자동 매칭
개인화	범용적 혜택 안내	소비 패턴 기반 맞춤 추천

---

2. 기술 스택

영역	기술
Backend	FastAPI, Spring
Vector DB	Qdrant (Hybrid Search)
Embedding	BAAI/bge-m3
Reranker	BAAI/bge-reranker-v2-m3
SLM	Qwen 2.5 (Ollama 로컬 실행)
LLM	GPT-4o-mini
OCR	PyMuPDF + CLOVA OCR
API	Codef API

---

3. 시스템 아키텍처

메타데이터 설계

• card_name, card_type 구조화로 신용/체크 카드 사전 필터링
• overlap 청킹 적용으로 문맥 손실 최소화

---

4. 파이프라인 선택

LLM-as-a-Judge 테스트

	Hybrid	Hybrid+Reranker	Hybrid+SLM+Reranker
Hybrid 검색 수	30개	30개	30개
SLM 필터	-	-	top 10 추출
Reranker	top 5 추출	top 5 추출	top 5 추출

정량 평가의 한계(다차원 추천 특성, 이진 평가 불가)로 인해 Gemini를 평가자로 사용하여 4개 지표(소스 충실도,쿼리 의도,리포트 반영,조건 정확성)로 상호 대조 평가

카드 추천은 반복적이지 않은 일회성 서비스로 속도보다 정확도가 중요하다고 판단, 최종 선택: Hybrid + SLM + Reranker

---

5. 최종 UI

🎬 데모 영상

소비패턴 반영 모드 영상

---