AI 워크플로우 및 모니터링 시스템

이 프로젝트는 시나리오 데이터 기반의 모니터링 대시보드와 복잡한 분석 워크플로우를 실행하는 AI 시스템입니다. 자연어 쿼리를 입력받아 다단계 분석을 수행하고, 실시간으로 시스템 상태를 예측합니다.

전체 예시 코드

env 준비

#.env-local 파일에 작성합니다.
ID=hanyang
PW=hanyang1234
USER_ID=user_2222
PYTHONPATH=./prism-core:./
OPENROUTER_API_KEY= #무료 llm api key (optional)
PRISM_CORE_URL=https://grnd.bimatrix.co.kr/django/agi/ # or http://147.47.39.144:8000/ (prsim core url)
AGENT_NAME=MonitoringAgent

실행

#bash
docker-compose up --build

API 요청

#python
import requests
#대시보드 조회
url = 'http://localhost:8002/api/v1/monitoring/dashboard'
res = requests.get(url)
print(res.json())
#이상탐지 수행
url = 'http://localhost:8002/api/v1/workflow/start'
data = {
    'taskId': 'example_task_id',
    'query': '어셈블리 생산라인 최근 이상탐지 해줘'
    'extra_key': '...'
}
res = requests.post(url, json=data)
print(res.json())
#{
#    'summary': '...', # <-를 사용하면 됩니다.
#    'result': '...',
#    'monitored_timeseries':{
#        'format': 'csv',
#        'description': '...',
#        'sample_data': '...'
#    }
#}

주요 기능 (Main Features)

1. 대시보드 (Dashboard)

시나리오 데이터를 기반으로 모든 시나리오의 현재와 미래 상태를 예측하여 제공합니다.

• API: GET /api/v1/monitor/dashboard
• 응답 예시 (Response Example):

  {
  "dashboard": {
      "semiconductor_cmp": {
          "predictions" : [
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "HEAD_ROTATION": 120.17138671875,
                  "MOTOR_CURRENT": 16.496299743652344,
                  "PAD_THICKNESS": 2.012294054031372,
                  "POLISH_TIME": 199.8785858154297,
                  "PRESSURE": 3.149606227874756,
                  "SLURRY_FLOW_RATE": 251.85693359375,
                  "SLURRY_TEMP": 25.056913375854492,
                  "TEMPERATURE": 25.00965118408203,
                  "VIBRATION": 0.986939549446106
              },
              {
                  ...
              }
          ],
          "current_data": [
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "HEAD_ROTATION": 120.17138671875,
                  "MOTOR_CURRENT": 16.496299743652344,
                  "PAD_THICKNESS": 2.012294054031372,
                  "POLISH_TIME": 199.8785858154297,
                  "PRESSURE": 3.149606227874756,
                  "SLURRY_FLOW_RATE": 251.85693359375,
                  "SLURRY_TEMP": 25.056913375854492,
                  "TEMPERATURE": 25.00965118408203,
                  "VIBRATION": 0.986939549446106
              },
              {
                  ...
              }
          ]
      },
      "semiconductor_etch": {
          "predictions" : [
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "...": ...,
              },
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "...": ...,
              },
          ],
          "current_data": [
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "...": ...,
              },
              {
                  "ANOMALY_SCORE": 0.09563945978879929,
                  "...": ...,
              },
          ]
      }
  }
  }

2. 워크플로우 (Workflow)

사용자의 자연어 쿼리(Query)를 받아 총 8단계의 복잡한 분석 파이프라인을 수행합니다.

• API: POST /api/v1/workflow/start
• 요청 예시 (Request Example):

  {
    "taskId": "TASK_0001",
    "query": "용접 라인의 WELD_CURRENT가 불안정합니다. 현재 용접 품질 상태를 분석해주세요",
    "extras": "..."
  }

• 응답 예시 (Response Example):

  {
      "summary": "...",
      "result": "...",
      "monitored_timeseries":{
          "format": "csv",
          "description": "...",
          "sample_data": "..."
      }
  }

• 워크플로우 단계:
  1. query2sql: 자연어 쿼리를 SQL로 변환합니다.
  2. 이상치분석 (Anomaly Detection): 데이터에서 이상 징후를 탐지합니다.
  3. 원인 설명 (Root Cause Analysis): 이상 현상의 근본 원인을 분석합니다.
  4. 과업 후보군 생성 (Task Candidate Generation): 문제 해결을 위한 작업 후보를 생성합니다.
  5. 향후 상태 예측 (Future State Prediction): 현재 상태 기반으로 미래 상태를 예측합니다.
  6. 리스크 평가 (Risk Assessment): 잠재적 리스크를 평가합니다.
  7. 향후 리스크 예측 (Future Risk Prediction): 미래에 발생 가능한 리스크를 예측합니다.
  8. 종합 분석 결과 (Comprehensive Analysis Result): 모든 분석 결과를 요약하여 제공합니다.

---

설치 (Installation)

본 프로젝트는 pipenv를 통해 패키지 및 가상 환경을 관리합니다.

1. pipenv 설치

   pip install pipenv

2. 가상 환경 활성화

   pipenv shell

3. 의존성 라이브러리 설치 Pipfile 및 Pipfile.lock에 명시된 라이브러리를 설치합니다.

   pipenv install

환경 변수 (Environment Variables)

• 프로젝트 루트 디렉터리에 .env 파일을 생성하여 필요한 환경 변수를 설정합니다.
• pipenv shell 명령어 실행 시 .env 파일의 변수들이 자동으로 환경에 주입됩니다.

---

실행 (Execution)

1. 가상 환경 활성화

   pipenv shell

2. 서버 실행 (Uvicorn) uvicorn을 사용하여 애플리케이션을 실행합니다. --reload 옵션은 코드 변경 시 서버를 자동으로 재시작합니다.

   uvicorn main:app --reload

초기 실행 참고사항

• 최초 실행 시: 시나리오 데이터에 대한 모델 학습 및 저장을 수행합니다. 이 과정에서 시간이 다소 소요될 수 있습니다.
• 이후 실행 시: 이미 저장된 모델이 있다면, 학습 과정 없이 바로 모델을 불러옵니다.
• 초기 설정: 최초 실행 시 에이전트(Agents) 및 툴(Tools) 등록 과정을 수행합니다.

---

Docker를 통한 배포

• Dockerfile을 통한 배포 시에도 pipenv를 설치하고 실행하는 과정이 포함되어 있습니다.
• Docker 배포 시에는 .env-local 파일의 값이 .env 파일로 복사되어 환경 변수로 주입됩니다. 배포 환경에 맞게 .env-local 파일을 수정하십시오.