Skip to content

README.md

Latest commit

 

History

History
104 lines (83 loc) · 3.03 KB

README.md

File metadata and controls

104 lines (83 loc) · 3.03 KB

Health-care-system

한국어 식단 입력을 처리하여 식품의 영양 정보와 건강 효과를 제공하는 AI 기반 건강 관리 시스템입니다. sentence-transformers로 임베딩을 파인튜닝하고, FAISS를 활용한 RAG 파이프라인으로 정확한 검색 결과를 제공합니다.

프로젝트 개요

  • 목표: 한국어 식단(예: 김치, 비빔밥)을 분석하여 영양 정보 제공.
  • 주요 기능:
    • all-MiniLM-L6-v2 모델을 한국어 데이터로 파인튜닝.
    • 로지스틱 회귀 분류기로 긍정/부정 식품 분류.
    • FAISS 벡터 저장소로 효율적인 검색.
  • 데이터셋: AI/health_guidelines_training.json (한국어 432개).
  • 기술 스택: Python 3.10, Sentence-Transformers, LangChain, FAISS, Scikit-learn, PyTorch.

설치 방법

1. 저장소 클론

git clone https://github.com/username/Health-care-system.git
cd Health-care-system

2. 가상환경 설정

python3.10 -m venv venv
source venv/bin/activate

3. 의존성 설치

pip install -r requirements.txt

requirements.txt 예시:

sentence-transformers
torch
scikit-learn
pandas
numpy
langchain
langchain-community
faiss-cpu
datasets
accelerate>=0.26.0

사용법

1. 데이터셋 준비

  • 파일:
    • AI/health_guidelines_training.json: 한국어 식품 데이터.
    • BE/health_guidelines.json: 검색용 가이드라인.
  • 예시: 
    {"food": "김치", "text": "프로바이오틱스 풍부, 장 건강 증진, 면역력 강화", "label": 1}
{"food": "인스턴트 라멘", "text": "나트륨 과다, 영양소 부족, 혈압 상승 위험", "label": 0}

2. 모델 학습

cd AI
python train_embeddings.py

출력:

  • AI/fine_tuned_mini_lm: 파인튜닝된 모델.
  • AI/faiss_index: FAISS 벡터 저장소.
  • 성능 지표: 정확도, Precision, Recall, F1-score, Support.

3. 검색 테스트

from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
embeddings = HuggingFaceEmbeddings(model_name="AI/fine_tuned_mini_lm")
vector_store = FAISS.load_local("AI/faiss_index", embeddings, allow_dangerous_deserialization=True)
results = vector_store.similarity_search("김치")
print(results)

데이터셋

  • 파일: AI/health_guidelines_training.json.
  • 구성: 100개 항목 (긍정 70, 부정 30).
  • 형식: {"food", "text", "label"} (1=긍정, 0=부정).
  • 분할: 학습 80개, 테스트 20개 (test_size=0.2).
  • 특징: 한식(김치, 비빔밥), 간식(떡볶이), 가공식품(인스턴트 라멘).

기여 가이드

  • 이슈: 버그, 기능 제안.
  • 풀 리퀘스트:
    1. 브랜치 생성: git checkout -b feature/your-feature.
    2. 코드 스타일: PEP 8.
    3. 테스트: python AI/train_embeddings.py.
  • 문의: GitHub 이슈 페이지.

라이선스

MIT License

한국어 식단 분석에 최적화된 AI 솔루션으로, 데이터셋 확장과 성능 개선을 목표로 합니다.