LangTailor페이지 목차
이 페이지에서 검색
SUPERSUB
이 페이지에 묻기
이 프로젝트 소개 본문에서만 찾아 답합니다. 답을 지어내지 않고 해당하는 대목을 그대로 보여 주며, 여기에 없으면 없다고 알려 드립니다.
생성형 AI가 아니라 이 페이지 본문을 찾아 그대로 보여 주는 방식입니다. 외부로 나가는 요청이 없습니다.
IBM * 레드햇 AX 과정 · 수강생 팀 프로젝트
SUPERSUB — 스포츠 대체 선수 매칭과 실력 분석
아마추어 축구·야구 팀이 필요한 선수를 찾고, 경기 영상으로 실력을 살펴볼 수 있도록 만든 플랫폼입니다. 인원 부족으로 경기가 취소되는 문제에서 출발해 매칭과 분석을 하나의 흐름으로 연결합니다.
개발 기간 · 2026.08.20 ~ 2026.10.27 (10주)
생성 수정
01 · 프로젝트 주제
LMM(Large Multimodal Model): Video&Text 기반 용병 매칭 및 실력분석 추천 시스템 (슈퍼서브)
1. 경기 영상 수집·전처리 및 지표 산출 파이프라인
업로드된 축구·야구·농구 경기 영상을 규격 검사(video_validation) 후 비동기 분석(analysis_job)에 태워 포즈 키포인트를 추출하고, 종목·동작별로 정의된 지표 항목(metric_definition)에 맞춰 임팩트 시점의 관절각 등을 산출한다. 산출 버전(pipeline_version)을 함께 기록해 재현 가능성을 보장한다.
2. 루브릭 구조화 및 Hybrid RAG 검증 파이프라인
종목×동작 단위로 작성한 루브릭(임계값·등급 기준)을 벡터·키워드 검색을 결합한 RAG 파이프라인에 올리고, 분석 리포트 생성 시 근거 문장을 함께 인용한다. (검색 정확도 Hit Rate 90%, Recall@5 90% 목표)
3. LLM 기반 실력 판정 및 호칭 부여 에이전트
정량 측정치(전통 변수: 관절각·속도 등)와 종목별 예외 케이스(특이변수: 팔 종목의 릴리스 시점 보정 등)를 분리 진단해 등급을 판정하고, 판정 근거가 된 지표를 남겨 호칭(user_title)을 부여하는 에이전트를 개발한다. EXAONE 기반 판정 백엔드로 상주 VRAM 2.4GB 수준을 유지한다.
4. 선수 카드·매칭 추천 서비스
분석 결과를 수치 능력치 노출 없이 카드와 칭호로 시각화하고, 팀의 구인 공고에 대해 수준·역할·성향 3축 적합도(fitness_score)를 계산해 근거(reason)를 포함한 후보 추천(recommendation)을 제시한다. 매칭 확정은 팀·지원자 양측 수락 시각이 모두 채워졌을 때만 성립한다.
5. 신뢰·정산 연계
경기 후 상호 평가를 원자료로 누적하고, 평가자 신뢰도는 저장하지 않고 필요 시 집계 뷰로 산출한다. 노쇼·매너 신고는 평가 점수와 분리된 별도 기록으로 제재를 처리하며, 분석 크레딧 증감 방식으로 무료 한도·건당 과금 어느 쪽이든 동일한 구조를 유지한다.
02 · 사업 개요
프로젝트명
SUPERSUB (슈퍼서브)
한 줄 소개
아마추어 축구·야구 동호인을 위한 용병(대체 선수) 매칭 및 실력분석 플랫폼
비전 → 미션 → 핵심 가치 → 목표
비전
“경기에 사람이 부족해서 취소되는 일이 없는 스포츠 생활”을 만든다.
미션
- 동호회/팀이 부족한 포지션의 용병을 빠르고 신뢰도 높게 구할 수 있도록 연결한다.
- 축적된 경기 데이터를 기반으로 개인의 실력을 객관적으로 분석·시각화하여, 매칭의 신뢰도를 높인다.
핵심 가치 (Core Value)
| 가치 | 설명 |
|---|---|
| 신속성 | 급하게 필요한 용병을 짧은 시간 안에 구인 |
| 신뢰성 | 후기·실력분석 데이터 기반의 매칭으로 “아무나 오는” 문제 해결 |
| 성장 | 경기 데이터 누적을 통한 개인 실력 성장 추적 |
프로젝트 목표
- 용병 매칭과 기본 프로필·후기 기능을 갖춘 MVP 출시
- 실력분석 알고리즘의 첫 버전 개발
- 브랜드 아이덴티티(BI) 구축 — 원문 기준 진행 중
기대 효과
- 동호인 스포츠 활동과 교류 활성화
- 경기 데이터를 활용해 개인 실력을 확인하는 문화 확산
SUPERSUB 사업 개요의 비전과 계획을 바탕으로 정리했습니다. 프로젝트 목표와 기대 효과는 완료 실적이 아닌 지향점입니다.
사업 개요 원문 보기 ↗03 · 필요한 선수를 연결하는 매칭
팀이 부족한 포지션과 인원을 등록하면 경기 일정·장소·포지션 조건에 맞는 대체 선수를 연결합니다. 팀과 선수의 조건을 함께 살펴, 경기에 참여할 사람을 찾는 과정을 돕습니다.
04 · 경기 영상으로 살펴보는 실력
선수가 올린 경기 영상을 포즈 추정 코드로 측정하고, AI 에이전트가 분석 결과를 판정합니다. 자기소개만으로 파악하기 어려운 실력을 영상에서 확인하는 것이 목표입니다. 분석 결과로 호칭이 붙은 선수 카드를 공유하고, 경기 후 상호 평가에서 노쇼와 신고를 별도로 기록합니다.
영상 업로드 후 분석할 선수를 지정하고, 관절 추적으로 자세를 분석해 기준 선수와 동작을 비교합니다. 결과는 내 프로필의 분석 리포트에서 확인할 수 있습니다.
05 · 모집 등록 도우미와 사용자 확인
챗봇에 말로 요청하면 Gemini Function Calling이 팀·시각·장소·포지션을 정리해 확인 카드를 보여줍니다. 사용자가 내용을 확인하고 등록 버튼을 눌러야 실제 등록이 진행됩니다. 언어 모델의 해석 오류가 곧바로 데이터베이스 쓰기로 이어지지 않도록 구성한 흐름입니다.
06 · 영상 분석과 API의 운영 분리
영상 분석은 GPU 인스턴스 g4dn.xlarge, API는 일반 인스턴스 t3.large로 분리합니다. 무거운 영상 처리와 일반 요청을 각각의 환경에서 처리하고, GPU가 필요한 작업을 분리해 운영 비용을 줄이도록 구성했습니다. 업로드·분석 파이프라인과 PostgreSQL/pgvector 데이터 설계를 연결하고, AWS S3·k3s·nginx 및 Vercel·Cloudflare를 함께 사용합니다.
07 · 주요 구성 기술
- Frontend
- Next.js · TypeScript · Flutter · Jekyll(제안서 사이트)
- Backend
- FastAPI · Python · LangGraph · PostgreSQL 18 + pgvector
- AI
- Gemini 2.5 Flash · Function Calling · 포즈 추정 · 영상 판정 에이전트
- Infra
- AWS EC2(g4dn.xlarge · t3.large) · S3 · k3s · nginx
- Deploy
- Vercel · Cloudflare(DNS·SSL) · GitHub
08 · 팀 구성과 담당 역할
박민호 · 팀장 · PM · 인프라
기획·일정 총괄, AWS EC2·도메인·Cloudflare 구성, DB 마이그레이션, 발표 [개인홈페이지 이동]
백성검 · 프론트엔드 · 웹/앱
Next.js 웹·Flutter 앱, 매칭·프로필·선수 카드 UI/UX [개인홈페이지 이동]
정어진 · 백엔드 · 파이프라인
FastAPI API, 영상 업로드·분석 파이프라인, PostgreSQL/pgvector 데이터 설계 [개인홈페이지 이동]
정상호 · AI 에이전트 · RAG
영상 판정 AI 에이전트, RAG 기반 실력 검증 설계 [개인홈페이지 이동]
프로젝트 내용과 기술 구성은 팀이 제출한 SUPERSUB 프로젝트 소개 보고서를 기준으로 정리했습니다.
← 7기 팀별 프로젝트로 돌아가기