🍊 LLM 기반 제주여행 추천플랫폼 - 탐라,탐나

🍊 LLM 기반 제주도 여행 계획 추천 서비스 ‘탐라, 탐나‘

📑 목차

• 🍊 LLM 기반 제주도 여행 계획 추천 서비스 ‘탐라, 탐나‘
• 🧑‍💻 역할 및 기여
• 🛠️ 프로젝트 진행 과정
• ✅ 최종 결과물
  • 📱 화면 구성
  • 🧩 설계 내용
  • 🔩 기술 스택
• 💡 회고
• 🔗 Github Link

프로젝트의 소개

🍊 LLM 기반 제주도 여행 계획 추천 서비스 “탐라, 탐나”

  LLM과 RAG를 결합하여 제주도를 여행하는 사용자들에게
  개인의 취향과 필요에 맞춘 여행 계획을 쉽게 세우고 실행할 수 있도록 돕는 플랫폼

---

역할 및 기여

• 기획: 발표 PPT 제작, 보고서 작성, 설계도 및 아키텍쳐 문서화 작업.
• 데이터 수집 및 전처리: 벡터 DB 구성에 필요한 데이터를 수집하고, 전처리함.
• 벡터 DB 구성: Pinecone을 이용한 벡터형 데이터베이스를 구성, RAG 기능을 통해 LLM의 답변 성능 향상.
• 백엔드 개발: 회원 기능을 개발하고 회원 세션 유지 로직 구현을 통해 사용자 경험을 강화.
• LLM 프롬포터 엔지니어링: 프롬포터 엔지니어링을 통해서 LLM 모델의 역할 제한 및 답변 성능 강화.

---

프로젝트 진행 과정

개발 범위

• 플랫폼 기능:
  • 여행 일정 추천: 사용자 정보를 기반으로 개인화된 여행 일정을 추천.
  • 마이페이지: 사용자가 저장한 일정을 관리.
• 기술 스택:
  • 프론트엔드: React를 사용하여 동적인 사용자 경험을 제공.
  • 백엔드: Spring Boot와 Flask를 이용하여 RESTful API를 구축하고 안정적인 서버 환경을 구현.
  • 데이터베이스: MySQL과 Pinecone DB를 사용하여 사용자 데이터와 장소 정보를 체계적으로 관리.
  • LLM 통합: OpenAI의 GPT를 활용하여 대화형 인터페이스와 로직을 구현.
• 사용 데이터셋:
  RAG 활용을 위한 데이터셋 구성
  • 한국관광공사 관광지 데이터 활용
  • 구글맵 관광지 데이터 크롤링

---

최종 결과물

📌 로그인 및 회원가입 페이지

회원가입 페이지	로그인 페이지

• 로그인 및 회원가입 페이지
  • 로그인 기능
    • 사용자가 이메일과 비밀번호를 입력하여 로그인 가능
    • 로그인 성공 시 메인 페이지로 자동 이동
  • 회원가입 기능
    • 새로운 사용자가 이메일과 닉네임 및 비밀번호를 입력하여 계정 생성 가능

📌 메인 페이지

메인 페이지

• 메인 페이지
  • 제주도 추천 여행지 영상
    • 메인 페이지에서 제주도여행 추천 영상을 배치해 사용자 이목 집중
  • 주요 기능 바로 가기 버튼
    • 마이페이지, 일정 추천, 로그아웃 기능으로 바로 이동할 수 있는 버튼 제공
    • 사용자 편의성을 고려한 직관적인 네비게이션 구성

📌 여행 일정 추천 페이지

시작 화면	사용자 초기 입력	일정 추천 완료

• 여행 일정 추천 페이지
  • 여행 에이전트 ‘탐탐이’와 대화를 시작하면 일정 추천
  • 사용자 초기 입력 기능
    • 사용자가 여행 일정(날짜), 동반자, 테마를 초기 입력값으로 선택 가능
    • 테마는 다중 선택 가능(예: 힐링, 모험, 문화 등)
  • 여행 일정 추천 기능
    • 입력된 초기 데이터를 기반으로 LLM을 활용해 개인화된 여행 일정 추천 제공
    • 사용자는 버튼 클릭으로 간편하게 여행 일정을 추천받을 수 있음

📌 여행 일정 추천 페이지 - 일정 수정

수정 요청	수정 완료

• 여행 일정 추천 페이지
  • 추천 일정 수정 요청
    • 대화형 인터페이스를 통해 추천된 일정에 대한 수정 요청 가능
    • 예: 특정 장소 변경, 일정 시간 조정, 추가 장소 요청 등
  • 실시간 반영
    • 사용자가 입력한 수정 요청을 LLM을 통해 즉시 반영하여 수정된 일정 제공
    • 자연어 기반 대화로 직관적인 수정 과정 지원
  • 장소 정보 실시간 확인
    • 탐탐이가 추천해 준 여행지에 대해 여행지 정보를 한 페이지에서 확인 할 수 있음
    • 실제 장소를 추천함으로써 신뢰도 향상

📌 상세 일정 페이지 & 마이페이지

여행 확정	여행 제목 입력	체크리스트

• 상세 일정 페이지
  • 일정 저장 및 관리
    • 확정된 여행 일정을 저장, 후에는 마이페이지에서 일정 확인 가능
    • 상세 일정 및 지도에서 위치 확인 가능
  • 여행 체크리스트
    • 각 일정에 대한 체크리스트 기능 이용 가능
    • 기본 체크리스트 제공 및 사용자 맞춤형 항목 추가/수정 가능

마이페이지	저장한 일정 목록

• 마이페이지
  • 상세 일정 확인
    • 카드를 클릭하면 해당 일정의 상세 일정 페이지로 이동하여 세부 정보 확인 가능
  • 검색 및 정렬 기능
    • 저장된 일정들을 검색하거나 날짜, 테마 등 기준으로 정렬 가능
    • 사용자 편의를 위한 직관적인 필터링 제공

---

🧩 설계 내용

프로젝트 구조도

**<프로젝트 구조도="">**

🔷 1. 프론트엔드 (React)

• 사용자와 직접 상호작용하는 UI는 React로 개발됨.
• 브라우저에서 실행되며, 사용자 요청은 LoadBalancer를 통해 백엔드로 전달됨.

🔶 2. 로드 밸런서 (AWS Load Balancer)

• 사용자 요청을 두 개의 EC2 인스턴스(Spring Boot / Flask)로 분산 처리.
• 트래픽 분산을 통해 서버 과부하 방지, 고가용성 확보.

🟩 3. Spring Boot (EC2 - 백엔드 서버)

• 주요 비즈니스 로직 및 API 처리 담당.
• 회원가입, 로그인, 마이페이지, 일정 CRUD 등의 기능 구현.
• MySQL(RDS)와 연동되어 사용자 데이터를 관리.

🟦 4. Flask + Gunicorn (EC2 - 백엔드 서버)

• 여행 일정 추천 기능 전용 서버.
• Python 기반 Flask를 사용하여 LLM 관련 요청 처리.
• Gunicorn은 Flask 앱을 WSGI 서버로 실행하는 역할.

🟨 5. RDS (MySQL)

• AWS에서 제공하는 클라우드 관계형 데이터베이스 서비스.
• 사용자, 일정, 장소 데이터 등을 저장.
• Spring Boot 및 Flask에서 모두 접근 가능.

🧠 6. LLM 연동 구성
🔹 Pinecone

• 벡터 검색 데이터베이스.
• 전처리된 관광지 정보를 벡터로 저장하고, RAG 방식으로 검색 수행.

🔹 ChatGPT (OpenAI)

• 자연어 이해 및 여행 일정 생성 역할.
• 사용자의 입력을 바탕으로 프롬프트 처리 및 결과 생성.

🔹 LangChain

• Pinecone + ChatGPT + Flask 간 흐름을 제어하는 Python 프레임워크.
• 입력 → 벡터 검색 → 응답 생성 과정을 체계적으로 관리.

---

🍊 탐탐이 마스코트

• 서비스 정체성을 상징하는 마스코트.
• 유저 친화적 경험을 위한 디자인 요소.

---

✅ 전체 흐름 요약

사용자 (React)
↓
LoadBalancer
↓
EC2 인스턴스
├─ Spring Boot → MySQL (RDS)
└─ Flask + Gunicorn → LangChain → Pinecone + ChatGPT

---

ERD 설계도

- 주요 테이블(Users, saved_plans, travel_plans) 간의 관계를 설계
- 데이터 흐름과 참조 구조를 기반으로 효율적인 쿼리 구조 마련

---

유저 플로우 차트

- 사용자의 행동 흐름을 시각화하여 UX 흐름을 설계
- 주요 기능(회원가입 → 일정 생성 → 마이페이지) 간 전환 구조를 명확히 표현

---

프론트-백엔드 구조도

- 사용자가 React 페이지에서 일정 추천 요청
- HTTP + JSON 형태로 서버에 전달
- 서버가 REST API 통해 요청 처리
- LLM 호출 + Vector DB → 자연어 추천 일정 생성
- 생성된 일정은 DB에 저장 후 사용자에게 전송
- 사용자는 상세 일정 확인 및 저장 가능

🔩 기술 스택

💻 Frontend

🧠 Backend

☁️ Server & Infra

🗃️ Database

🧪 Development Tools

📡 Communications

🔗 Collaboration / APIs

🗂️ Version Control

---

💡 회고

• LLM + RAG 연동 경험
  OpenAI의 LLM과 RAG(Retrieval-Augmented Generation)를 실제 서비스 흐름에 적용하면서,
  어떤 데이터를 벡터로 저장하고, 어떤 데이터는 DB로 관리하는 것이 효율적일지 고민하게 되었다. 단순히 모델을 호출하는 수준을 넘어, RAG를 접목시키는 과정에서 AI의 할루시네이션을 최대한 방지하고자 하였고,
  개발 당시 없는 장소를 추천하거나, 허위 정보를 제공하는 등의 문제를 최소화 하고자 하였다.

• Spring Boot 기반의 백엔드 설계 Spring Boot를 이용해 RESTful API를 직접 설계하고 구현하면서, 백엔드 구조를 체계적으로 이해할 수 있었다.
  함께 공부하면서 스프링부트 사용해 보는 좋은 경험이었다.

• LangChain을 통한 LLM 제어 경험
  LangChain을 활용하여 프롬프트 템플릿, 체인 구조, 에이전트 설정 등을 다뤄보며,
  단순한 GPT 호출을 넘어 LLM의 동작을 구성 요소별로 제어하는 구조화된 방식을 익힐 수 있었다.
  특히 사용자 요청 흐름을 자연스럽게 설계하기 위해,
  단어 단위의 유사도 분석을 활용하여 보다 정교하고 의미 있는 장소 추천이 이루어지도록 고민했다.

• 유지 보수의 중요성 체감
  실제 데이터를 기반으로 DB를 구성하고 RAG를 적용하면서,
  장소 정보의 정확도 유지와 실시간 업데이트가 중요한 과제로 다가왔다.
  특히 시즌별 폐업·변경된 장소가 반영되지 않을 경우, 사용자 경험에 직접적인 영향을 주기 때문에
  데이터 신선도와 시스템 유지 보수의 중요성을 실감할 수 있었다.

---

🔗 Github Link

https://github.com/CSID-DGU/2024-2-SCS4031-jjambbong-3

---