📕 프로젝트 개요: 증권사 자료 기반 주식 LLM 서비스 개발

• 프로젝트 목표: 증권사 자료가 담긴 PDF 문서로부터 유용한 정보를 추출하고, 이를 기반으로 주식 관련 질의에 대해 정확한 답변을 제공하는 LLM 서비스 개발
• 핵심 기능:
  • PDF 문서에서 텍스트 및 그래프 등 정보 추출
  • 데이터 레포지토리 구축 (GraphDB, VectorDB 등 활용)
  • 쿼리에 대해 최적의 데이터를 찾는 RAG 시스템 구현
  • 프롬프트 엔지니어링 및 답변 생성
  • Q&A 기능을 통한 정량 평가 수행

😁 팀 소개

김정석	서재덕	손익준	원호영	이상의

📆 세부 일정

• 프로젝트 기간: 2025.1.10 ~ .2.12

프로젝트 주요 모듈

• PDF 정보 추출: 텍스트 및 그래프 등 핵심 정보 파싱
• 데이터베이스 구축: GraphDB, VectorDB를 활용한 효율적 데이터 저장 및 검색
• RAG (Retrieval-Augmented Generation) 시스템: 적절한 문서 검색 및 최적의 답변 생성
• 프롬프트 엔지니어링: 효과적인 질의 응답을 위한 프롬프트 설계
• REST API 구현: 질의 입력 시 답변을 제공하는 API 서비스 구축

프로젝트 아키텍처

• PDF Parser → embedding/VectorDB → RAG System → LLM → REST API

디렉토리 구조

• src/table_extraction/: 테이블 추출 메인 모듈
  • models.py: 테이블과 메타데이터를 위한 데이터 모델
  • extractor.py: Claude를 사용한 테이블 추출 핵심 로직

평가 기준

(필수)

1. 정량 평가 (50%): 테스트셋 질의에 대한 답변 성능 평가 (G-Eval 등 활용)
2. 정성 평가 (50%): 서비스 창의성, 유용성, 개발 완성도, 소스코드 품질 및 문서화 수준

Usage

Requirements

• 의존성 모듈 설치

pip install -r requirements.txt

• API key 포함한 '.env' 파일 생성.

ANTHROPIC_API_KEY=your_api_key_here
GOOGLE_API_KEY=your_google_api_key
GOOGLE_SEARCH_API_KEY=your_google_search_api_key
GOOGLE_CX=your_google_cx

Command

''' TODO '''

Appendix

개발 환경

하드웨어

• 서버: 실험 및 학습을 위한 GPU 서버 활용
  • GPU: NVIDIA V100 40GB
  • Storage: 200GB SSD

소프트웨어

• Python 3.10
• PyTorch 2.X
• HuggingFace Transformers
• LangChain
• DVC
• FastAPI
• Jupyter Notebook

협업 및 프로젝트 관리 도구

• GitHub: 코드 버전 관리 및 협업. GitHub Flow 활용.
• Notion: 프로젝트 문서화 및 일정 관리.
• Slack & Zoom: 팀 내 소통 및 회의 진행.
• pre-commit: 코드 스타일 및 품질 유지.