PortfolioResume
AWARDED AI PBL PROJECT · 2026

Pop Talk

HyperCLOVA X 기반 영화 관람 기록·취향 분석 AI Agent

사용자의 취향뿐 아니라 누구와 보는지, 현재 기분과 시청 가능 시간 같은 상황까지 이해하고 추천 이유와 검증 근거를 함께 제공하는 Personal Movie AI Agent입니다.

ProgramNIPA-NAVER Cloud Sovereign AI PBL 기반 프로젝트
Collaboration4인 팀 · 데이터·AI Agent 구현 참여
Result우수상
01 / PROBLEM

추천을 생성하는 것보다
신뢰하게 만드는 문제

  1. 01

    영화 선택에 시간이 오래 걸리지만 기존 추천은 현재 상황을 충분히 반영하지 못했습니다.

  2. 02

    생성형 AI 추천은 근거가 부족하고 환각 가능성이 있어 결과를 신뢰하기 어려웠습니다.

  3. 03

    영화 정보, 리뷰, 평점과 관람 기록이 여러 서비스에 분산되어 있었습니다.

02 / PRODUCT PRINCIPLES

개인화부터 검증까지
네 가지 설계 원칙

01

Personalization

사용자 취향과 현재 요청 조건을 함께 반영

02

Explainability

추천한 이유와 사용한 근거를 사용자에게 설명

03

Verification

영화 정보, 요청 조건과 리뷰 근거를 재검증

04

Trust

검수 결과와 안전한 폴백으로 응답 신뢰성 확보

03 / MY FOCUS

제가 집중한 구현 범위는
데이터에서 Agent 품질까지

팀 프로젝트 중 데이터·AI Agent 구현에 참여한 범위를 발표자료의 처리 흐름에 맞춰 구체화했습니다.

01 / DATA PIPELINE

공공 영화 데이터를 검색 가능한 근거로

KOBIS·KMDB 데이터를 스케줄 수집하고 정제·병합해 PostgreSQL에 적재하는 흐름을 구현했습니다.

02 / RAG CONTEXT

메타데이터와 리뷰를 답변 근거로

영화와 리뷰 임베딩을 pgvector에 저장하고, 검색 결과와 근거 ID가 응답 생성까지 이어지도록 구성했습니다.

03 / AGENT QUALITY

실패를 원인별로 되돌리는 검수 루프

의도 분류·QueryPlan·검색·생성·검수를 분리하고 실패 원인에 따라 필요한 단계부터 재실행하도록 설계했습니다.

04 / WORKING PRODUCT

추천 화면뿐 아니라
운영과 검수까지 구현

발표자료에 포함된 실제 구현 화면입니다. 사용자 경험과 데이터 운영 화면을 함께 보여주어 서비스가 어디까지 완성됐는지 확인할 수 있습니다.

Pop Talk의 영화 추천 홈, 영화 상세, 관람객 리뷰와 취향 온보딩 사용자 화면
USER EXPERIENCE

탐색·상세·리뷰·취향 온보딩

영화 탐색과 상세 정보, 관람객 리뷰, 가입 시 선호 키워드 선택까지 개인화의 입력과 결과를 하나의 흐름으로 연결했습니다.

크게 보기 ↗
자연어 조건을 반영한 Pop Talk 영화 추천 결과와 외부 리뷰 근거 화면
USER EXPERIENCE

자연어 추천과 외부 리뷰 근거

상황을 담은 자연어 요청에 영화별 추천 이유를 제공하고, 관련 리뷰 콘텐츠까지 이어지는 응답 화면을 구현했습니다.

크게 보기 ↗
영화 데이터와 배치 실행 현황을 보여주는 Pop Talk 관리자 대시보드
ADMIN OPERATIONS

데이터와 배치를 한눈에 보는 운영 대시보드

영화 인증 상태, 전체 영화·감상평 현황과 매일 실행되는 데이터 수집 배치의 처리 결과를 한 화면에서 확인합니다.

크게 보기 ↗
수집 영화의 인증과 노출 상태를 검수하는 Pop Talk 관리자 화면
ADMIN OPERATIONS

영화 검수와 노출 상태 관리

수집된 영화의 정보 누락, 인증 상태와 사용자 노출 여부를 검색·필터링하고 상세 화면에서 검수할 수 있습니다.

크게 보기 ↗
05 / LANGGRAPH AGENT FLOW

실패 원인에 따라
이전 단계로 돌아가는 Agent

한 번 생성하고 끝내지 않습니다. 검색 근거와 응답 품질을 검수하고, 원인에 맞는 단계부터 다시 실행합니다.

ORIGINAL INTERACTIVE FLOW · 17 NODES전체 화면으로 보기 ↗
06 / GROUNDED DATA

영화 공공데이터에서
답변 근거까지

01

KOBIS 영화 목록·상세 수집

02

KMDB 포스터·등급·줄거리·키워드 결합

03

데이터 정제·병합 후 PostgreSQL UPSERT

04

영화·리뷰 임베딩을 pgvector에 저장

05

RAG 검색 결과를 HyperCLOVA X 응답 근거로 사용

07 / ARCHITECTURE

서비스부터 PrivateLink까지
분리한 NCP 구조

사용자 트래픽, 외부 API, AI API의 진입 경로를 분리하고 Web·WAS·ChatBot·DB를 Private Subnet 중심으로 구성했습니다.

Public Load Balancer, Web Server, Private Load Balancer, WAS와 ChatBot Server, PostgreSQL, Batch Server, Object Storage, NAT Gateway와 PrivateLink로 구성한 NCP 시스템 아키텍처
REQUEST PATHPublic LB → Web → Private LB → WAS / ChatBot

외부 데이터는 NAT Gateway, HyperCLOVA X는 PrivateLink를 통해 연결하고 운영 로그와 오브젝트 스토리지를 별도 관리합니다.

원본 크기로 보기 ↗

Service

Next.js 사용자·관리자 화면, FastAPI 기반 REST API

AI & Agent

HyperCLOVA X, CLOVA Studio Router, LangGraph, RAG

Data

KOBIS·KMDB 수집 배치, PostgreSQL 16, pgvector

NCP Infrastructure

Public·Private Subnet, 이중 Load Balancer, Bastion, NAT Gateway, PrivateLink

08 / STACK

학습한 기술을
하나의 서비스로 통합

Front-End

Next.jsReactTypeScriptTailwind CSS

Back-End

PythonFastAPISQLAlchemy

AI & Agent

HyperCLOVA XLangGraphRAGCLOVA Studio

Data

PostgreSQLpgvectorKOBIS APIKMDB API

Infra

NAVER Cloud PlatformVPCLoad BalancerObject Storage
09 / RESULT & NEXT

완성한 범위와
다음 과제를 구분

FINAL EVALUATION

NIPA-NAVER Cloud Sovereign AI PBL 기반 프로젝트
우수상

자연어 추천, 데이터 수집·RAG, 자가교정 Agent, 사용자·관리자 화면과 NCP 인프라까지 하나의 서비스로 통합했습니다.

NEXT ITERATION
  1. 01
    추천 검증 고도화

    벡터 저장과 RAG 조회 과정에서 아쉬웠던 검색 정확도와 추천 근거의 적합도를 개선합니다.

  2. 02
    멀티플렉스·OTT 연계

    추천 영화가 현재 어느 멀티플렉스와 OTT에서 제공되는지 함께 안내합니다.

  3. 03
    장기 취향 Profile

    최초 선호 장르 선택에 그치지 않고, 시청 영화의 평점과 리뷰를 누적해 사용자 취향 선호도를 지속적으로 고도화합니다.