KSEB 3기 07.17

 

1. 차후 3년간 연도별 그리고 지역별 그리고 월별 예측량을 지도에 띄워서 보여줄 때 SAGEMAKER를 쓰려고 하는데 너무 과한 것일지? 굳이?? 버셀에 과금을 늘려서 로컬에서 돌릴 때 잘 돌아가게 해라 LLM이면 
근데 해본다는 것에 이력서에 추가할거면 하는 건 나쁘지 않은데 어차피 모델이 빡세지는 않잖아? LSTM이니까??? 그러니까 SAGEMAKER는 그냥 가볍게 써라~~~~ SAGEMAKER는 WAS하고 연결해야 하는데 방화벽을 어떻게 설정할 지 멘토링 시간에 들으면 될듯

사용자가 직접 입력을 하게 해서 예측을 하게 하면 굳이 디비가 필요할까? 

1. 클라우드 아키텍처는 다시 고칠 것 ci, cd, 로드밸런싱은 버셀이 해줄 것(시간이 부족함)
2. 
3. 

===========
2. 태양광 발전량 데이터셋을 5년치를 모은 후 연도별, 지역별로 정리해서 데이터프레임을 아래와 같이 정렬해서 

| MONTH | REGION | PRODUCTION |
|---- |--- |--- |
| 2019.01 | SEOUL   | 00000.00   |
| 2019.02 | SEOUL   | 00000.00   |
| ....         | SEOUL   | ...        |
| 2019.12 | SEOUL   | 00000.00   |
| ...      | ....       | ...   |
| 2023.12 | JEONBUK   | 00000.00   |

시계열 형태로 정리하고자 시도를 했으나, 

(생략)

태양광 발전의 추세가 최근에 많아져서 아주 과거의 발전량 데이터는 별로 없는데? 그러면 어떻게 모델링을 하는 것이 좋은가?
결국은 실험을 많이 해라 -> 베이스라인을 놓고(뻥뛰기 안한 데이터, 5년 간의 데이터) ARIMA, ENSAMBLE, LSTM 기법마다 많은 모델링을 했다
ARIMA는 여름 계절의 예측이 잘된다 ENSEMBLE은 어느 걸 잘한다 LSTM은 어느 게 잘된다 이런 식으로 해봐라
근데 베이스라인으로 해본 것이 좋을 수도 있다. 그러면 AUGMENTATION으로 해본 경험들을 버리지는 말고 한 번 포함을 해라
그리고 AUGMENTATION을 한 데이터로 할거면 적어도 데이터셋의 양에 대한 질문에 자신있게 대답을 할 수 있다.

그리고 모델의 정확도는 95% 정도를 맞추고 너무 높게 맞추려고 시간을 쓰지 마라
===========

부지예측을 하는 부분에 엔드포인트를 잡아라

예선에서 어디까지 현실성을 맞출건지 현실적으로 한정을 하자

한정된 일정에서 다시 어떻게 할건지 수정해라 구글 맵 프론트를 쓰더라도 AWS가 가능하다 그리고 회사들은 GCP보다는 AWS를 많이 쓰니까 경험은 AWS를 써라

지라는 와서 배우면 된다 그냥 노션을 써라 이력서에 경험을 추가하는 게 목적이면 팀플은 그냥 노션으로 하세요. 노션을 잘 하면 지라도 컨플도 금방 배우니까 노션을 써라

시장조사를 먼저 해라 처음에는 필요가 하잖아? 라는 기세로 밀어붙어라

기본적인 예측은 물론이고 LLM의 단점을 보완한 RAG 챗봇을 추가하자 문서 내에서만 봇이 분석을 하도록 하는 것을 의미한다.

할 수 있는 것을 계획하고 진행을 하는 것이 좋다 너무 높게 잡으면 좋지 않다.

백엔드: 스웨거 GET POST .... API 정의 명세서 쓸 것 따로 django를 쓸 필요는 없음
프론트: 리액트 
웹디자인: 피그마

AWS의 LLM인 베드락을 이용해서 RAG에 태양광 발전에 도메인 지식이 포함된 문서를 학습시켜서 부지예측 서비스 페이지에 학습을 시킬 것 (최종적인 목표)
도를 클릭하면 RAG가 먼저 사용자가 입력한 데이터를 기반으로 먼저 질문을 해서 답을 유도하게 하자
기존의 시. 도 기반 예측량 발표는 정부기관 관계자 입장에서 정책 
차라리 생산량, 소비량, 부지예측을 싱글 페이지로 하더라도 좋다

====================
예측을 위해서는 sagemaker는 1.5주일
LLM인 베드락 RAG 1.5주일
도합 3주일

나머지 1주일 동안 준비를 완료하세요
====================