PRISM-Pred: 예측 AI 에이전트

PRISM-Pred는 PRISM-AGI 플랫폼의 예측을 담당하는 AI 에이전트로, 멀티모달 데이터를 통합 분석하여 공정 결과를 예측합니다.

---

1. 주요 기능

Orchestration에서 응답을 자연어로 요청 받고, 최종 응답을 자연어로 반환하는 모듈

• 자연어 질의 처리 가능
• 도출 결과를 다시 자연어로 처리하여 반환 가능

멀티모달 예측 시스템

• 정형 데이터를 분석하는 전문가 모델
• 이미지, 텍스트 등 비정형 데이터를 분석하는 전문가 모델
• 다양한 형태의 데이터를 통합하여 종합적으로 분석하는 멀티모달 모델
• 주어진 과업에 가장 적합한 분석 전문가를 자동으로 할당하는 알고리즘

데이터 타입별 전문가 풀

• 테이블(Table) 데이터 처리 전문가 모델
• 이미지(Image) 데이터 분석 전문가 모델
• 텍스트(Text) 데이터 처리 전문가 모델
• 시계열(Time-series) 데이터 분석 전문가 모델
• 각 전문가 모델의 예측 결과를 융합하여 성능을 극대화하는 앙상블 및 협업 메커니즘

예측 신뢰도 관리

• 예측 결과의 신뢰도를 정량적으로 평가하는 시스템
• 모델의 불확실성을 측정하고 진단하는 모듈
• 새로운 데이터에 스스로 적응하며 성능을 개선하는 자가 발전 기능 (도메인 적응)
• 예측 결과에 따르는 잠재적 위험을 평가하는 기능

---

2. 성능 목표

기능	지표	목표
예측 정확도	각 데이터 타입별 예측 오차	5% 이내
신뢰도 관리	예측 위험 평가 상관계수	0.5 이상

---

3. 실행 방법

시계열 전용 후보 모델 학습 과정 업데이트 후, 아래 예시 코드로 실행할 수 있습니다.

3-1. 의존성 설치

프로젝트 루트에서 아래 명령으로 필요한 패키지를 설치합니다:

pip install -r requirements.txt

3-2. 환경 설정

.env 파일에 필요한 정보를 채워줍니다:

LLM_API_URL=http://*/api/agents
DB_API_URL=http://*/api/db
OPENAI_API_KEY=*

3-3. API 서버 실행

FastAPI 서버를 실행합니다:

uvicorn main:app --host 0.0.0.0 --port 8001 --reload

3-4. 이후 절차

서버 실행 후, 아래 주소에서 예측 모듈 기능을 확인할 수 있습니다:

• UI: [http://localhost:8001/ui]
• Swagger 문서: [http://localhost:8001/docs]

또는, 다른 터미널에서 예측 엔드포인트를 호출할 수도 있습니다 (jq가 없다면 마지막 | jq .는 생략 가능):

curl -s -X POST "http:///api/v1/prediction/run-direct" -H "Content-Type: application/json" -d '{"taskId":"1","fromAgent":"orchestration","objective":"prediction","timeRange":"2025-08-20 09:00:00 - 09:10:00","sensor_name":"CMP","target_cols":"MOTOR_CURRENT","constraints":null,"userRole":"engineer"}' | jq .

참고

• 현재 DB는 ./prism_prediction/Industrial_DB_sample/dataset_v2의 하위 파일인 CMP/CVD/ETCH/ION/PHOTO 공정의 데이터를 사용합니다.
• 서버 로그는 uvicorn을 실행한 터미널에서 확인할 수 있습니다.

---

4. 응답 예시 (실제 출력)

아래는 예측 API 호출 시의 예시 응답입니다.
모델/버전/데이터에 따라 수치는 달라질 수 있습니다.

{
  "mode": "csv",
  "csv_path": "prism_prediction/Industrial_DB_sample/SEMI_CMP_SENSORS_predict.csv",
  "seq_len": 48,
  "label_len": 24,
  "pred_len": 11,
  "enc_in": 11,
  "c_out": 11,
  "eval_channel_idx": 8,
  "selection_metric": "val_rmse_focus",
  "best_model": "TimesNet",
  "best_val_rmse_focus": 3.2319672107696533,
  "best_val_rmse_all": 235.93780517578125,
  "results": {
    "Autoformer": { "val_rmse_all": 248.3970184326172, "val_rmse_focus": 108.75589752197266 },
    "DLinear":    { "val_rmse_all": 255.54910278320312, "val_rmse_focus": 3.3810741901397705 },
    "TimesNet":   { "val_rmse_all": 235.93780517578125, "val_rmse_focus": 3.2319672107696533 },
    "LightTS":    { "val_rmse_all": 1152.325439453125, "val_rmse_focus": 19.069955825805664 }
  },
  "prediction": [18.095299, 16.372711, 18.664963, 14.825407, 16.47625, 16.487608, 17.424318, 16.602634, 17.291752, 15.002139, 18.01297],
  "target_col_name": "MOTOR_CURRENT",
  "feature_start_col": 5
}