서버에서 응답을 받으면, 챗봇의 답변을 메시지 배열에 추가합니다.
이벤트 핸들러 함수로 handleInputChange 함수와 handleSendClick 함수를 사용하였습니다.
handleSendClick함수는 사용자가 메시지를 보내려고 할 때 호출되며 기능은 다음과 같습니다.
1) 사용자의 메시지를 메시지 배열에 추가한 뒤, 입력필드를 비웁니다.
// 사용자의 메시지
setMessages((prevMessages) => [
...prevMessages,
{
message: inputValue,
sentTime: "just now",
sender: "User",
direction: "outgoing",
position: "single",
type: "text"
}
]);
setInputValue(""); //메시지 보낸 후 입력 필드 비우기
2) 서버로 메시지를 POST 요청으로 전송하며, 이후 서버에서 응답을 받으면 챗봇의 답변을 메시지 배열에 추가합니다.
fetch(serverURL, {
method: "POST",
headers: {
"Content-Type": "application/json", // JSON 형식의 데이터를 전송한다고 알리는 헤더
},
body: JSON.stringify(data1),
})
.then(response => response.json())
.then(result =>{
// 챗봇의 답변
let resultdata = "hello";
if (result.answer[0].type == "welfare") {
const endNumber = result.answer.length;
const startNumber = 0;
const newMessages = [];
const newMessage = {
message: "회원님을 위한 "+ result.answer.length +"개의 지원금이 있네요!",
sentTime: "just now",
sender: "희망이",
direction: "incoming",
position: "single",
type: "text"
};
newMessages.push(newMessage);
3) 구성된 메시지 배열을 MessageList 컴포넌트에서 순회하며 각 메시지에 대한 Message 컴포넌트를 생성하여 보여줍니다.
for (let i = startNumber; i < endNumber; i++) {
var partdata = result.answer[i].info;
const messageContent = partdata.service + "을 알아 보시는 것은 어떨까요?\n\n" +
partdata.service + "은(는) " + partdata.content + "\n\n" + partdata.target + "\n\n" + partdata.how;
const newMessage = {
message: messageContent,
sentTime: "just now",
sender: "희망이",
direction: "incoming",
position: "single",
type: "text"
};
newMessages.push(newMessage);
}
backend
+---ai
| | apply_model.py
| | benefit_job_model.py
| |
| \---faiss
| faiss.faiss
| faiss.pkl
|
\---project
| db.sqlite3
| manage.py
|
+---fatherapp
| | admin.py
| | apps.py
| | hire_json.json
| | models.py
| | serializer.py
| | tests.py
| | urls.py
| | views.py
| | __init__.py
| |
| \---migrations
| 0001_initial.py
| __init__.py
|
\---project
asgi.py
settings.py
urls.py
wsgi.py
__init__.py
manage.py를 통해 Django Framework의 서버 실행 및 전반적인 관리를 수행하였습니다.
/benefit, /welfare, /jobs 로부터 GET request를 받거나,
/myinfo, /jobs 로부터 POST request를 받아 backend/fatherapp/view.py에서 REST API를 처리합니다.
/chatbot, /applypage 에서 사용자의 질문에 따라 backend/fatherapp/view.py 와 backend/ai 의 module을 활용해
생성형 AI의 반응을 형성하며 사용자와 상호작용합니다.
models.py로 파이썬 특유의 ORM(Object Relational Mapping)을 이용하여
데이터베이스를 생성하고 탐색 등을 진행할 수 있습니다.
또한 사용자가 가진 특성에 따라 다른 출력값이 나타나도록 데이터 상호작용 로직을 확립하였습니다.
view.py에서 APIView의 메소드를 이용해 사용자가 이용할 페이지와의 전반적인 상호작용 로직을 처리하였습니다.
또한 파이썬 기반의 API를 이용해 생성형 AI 활용으로 확장하였습니다.
ai/apply_model.py, benefit_job_model.py 등의 모듈을 이용하여 생성형 AI의 상호작용을 도왔습니다.
혜택 및 일자리 안내 모델과 자소서 작성 도우미 모델을 만들었습니다.
1) 복지로, 장애인잡 사이트에서 대구 관련 데이터를 크롤링하였습니다.
2) openAI에서 제공하는 기능을 통해 데이터를 벡터 임베딩하여 DB에 저장하였습니다.
from langchain.text_splitter import REcursiveCharacterTextSplitter, CharacterTextSplitter
t1 = open('test.txt', '\', encoding= 'utf-8')
pages = []
for i in range(1, 82):
temp = ""
with open('./pages/' + str[i] + '.txt') as f:
lines = f.readlines()
text_splitter = REcursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
for line in lines:
if line.split(': ')[0] == '대상':
temp = ("id: " + str[i] + "//distinction: 혜택, 복지, 지원금//target: " + line[4:])
#print(temp)
texts = text_splitter.split_text(temp)
pages.append(text_splitter.create_documents(texts)[0])
f1.wrtie(temp)
print(pages)
print(len(pages))
print(pages[78].page_content)
embeddings = OpenAIEmbeddings(openai_api_key = "APP KEY")
db = FAISS.from_documents(pages, embeddings)
db.save_local('./','faiss')
3) 사용자의 특성에 맞는 데이터를 뽑습니다. (ex) 24세 심하지 않은 장애)
query = 'target: 24 ' # 만 24세 기준
retrieved_pages = db.similarity_search_with_relevance_scores(query, k=20) # 유사도 상위 20개
retrieved_contents = "\n".join([p[0].page_content for p in retrieved_pages])
4) 위에서 만든 벡터 데이터와 함께 chat 모델을 정의하고 사용합니다.
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
chat = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0, openai_api_key=OPENAI_API_KEY)
# 답변 형식
system_template = """
당신은 질문에 맞게 target: 과 distinction: 과 '이상', '미만', '심한', '심하지 않는'을 잘 구별하여 id: 를 답해야 됩니다.
질문에서 '중증' 단어는 '심한'으로, '경증' 단어는 '심하지 않은'으로 해석해야 합니다.
{docs} 내용만으로 대답해야 되고, id: 는 여러개일 수도 있으며, 적절한 id가 있다면 반드시 <distinction: ?, id: [?, ?, ?, ...]> 형식만을 출력해야되고,
그렇지 않다면 "해당되는 정보가 없습니다."라고 출력해야 됩니다.
"""
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
# 질문 형식
human_template = "Answer the following question: {question}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages(
[system_message_prompt, human_message_prompt]
)
from langchain.chains import LLMChain
chain = LLMChain(llm=chat, prompt=chat_prompt)
query = "24세 이상인 심하지 않은 장애인이 받을 수 있는 복지는 뭐가 있지?"
response = chain.run(question=query, docs=retrieved_contents)
response = response.replace("\n", "")
print(response)
#결과
<distinction: 혜택, 복지, 지원금, id: [25, 56, 52, 14, 19]>
자소서 작성 도우미 모델도 4번 과정과 같습니다.
컴퓨터학부
| 신영재 | 박준석 | 신동혁 | 이승운 |
| 팀장,Backend | 디자인,AI | Frontend | Frontend |
|
|
|
|