🎋 Mind Log: Multi-Task Emotion Tracker

"당신의 감정을 비워드리는 AI 가비지 컬렉터 (Emotional Garbage Collector)"

말하지 않아도 드러나는 감정의 흐름을 데이터로 기록하다

18.12.2025.01_39.webm

1. 프로젝트 개요

Mind Log 는 사용자의 구어체 텍스트를 분석하여 '감정(Emotion)' 과 '상황(Situation)' 을 동시에 추론하는 Multi-Task Learning (MTL) 기반의 AI 분석 시스템입니다.

현대인들은 부정적인 감정을 털어놓고 싶어 하지만, 지인에게 말하기엔 부담스럽고 SNS에는 기록이 남을까 우려합니다. Mind Log는 "침묵의 기록(Silent Tracker)" 을 지향합니다. 사용자가 뱉어낸 감정적 언어를 AI가 객관적으로 분석하고 분류해 줌으로써, "내 말이 이해받았다"는 심리적 위로를 제공하고 감정의 객관화를 돕습니다.

핵심 목표

• 효율적인 모델 서빙: 무거운 LLM 대신 경량화된 모델(KcELECTRA)을 사용하여 CPU 환경에서도 50ms 이내 의 추론 속도 달성.
• 확장 가능한 백엔드: FastAPI를 도입하여 모델 서빙 로직을 API로 분리, 확장 가능한 아키텍처 구현.
• 데이터 강건성 확보: 문어체가 아닌 뉴스 댓글 데이터 기반 모델을 사용하여 구어체, 신조어, 오탈자 에 강건한 성능 확보.

2. 시스템 아키텍처

단일 모델이 두 가지 태스크를 동시에 처리하는 Multi-Task Learning (MTL) 구조 위에, FastAPI 를 활용한 서빙 레이어를 구축했습니다.

2-1. 모델링 (Multi-Task Learning)

• 공유 인코더 (Hard Parameter Sharing): KcELECTRA-Base를 공유하여 문맥 정보를 학습.
• 독립적인 분류 헤드: 감정(Emotion)과 상황(Situation)을 위한 별도의 분류기(Classifier) 부착.
• 최적화 전략: Weighted CrossEntropy Loss를 적용하여 데이터 불균형(Imbalance) 해소.

2-2. 서빙 아키텍처 (Serving)

• 백엔드 (FastAPI): Pydantic을 활용한 입출력 검증 및 비동기 추론 처리. (Port: 8000)
• 프론트엔드 (Gradio): API 서버와 통신하여 실시간 분석 결과 및 타임라인 시각화 제공. (Port: 7860)

3. 성능 평가

초기 모델(KoBERT)의 한계를 분석하고, 도메인에 적합한 모델(KcELECTRA) 선정과 Loss 최적화를 통해 실사용 가능한 성능을 확보했습니다.

Model	Task	Accuracy	Improvement
KoBERT (Baseline)	Emotion	23.4%	-
KcELECTRA (Final)	Emotion	76.9%	+53.5%p 🔺
KoBERT (Baseline)	Situation	23.8%	-
KcELECTRA (Final)	Situation	74.6%	+50.8%p 🔺

Insight: 뉴스 댓글 데이터로 학습된 KcELECTRA는 구어체 이해도가 매우 높아, 모델 교체만으로 비약적인 성능 향상을 이뤘습니다.

4. 프로젝트 구조

로직의 모듈화를 위해 **API(Backend)**와 Demo(Frontend) 코드를 분리하였습니다.

mindlog/
├── api/                   # Backend Logic (FastAPI)
│   ├── inference.py       # Model Inference Handler
│   ├── schemas.py         # Pydantic Data Models
│   └── config.py          # Path & Hyperparameter Config
├── data/                  # Data Assets
│   └── processed/         # Preprocessed Data & Label Maps
├── models/                # Trained Model Binary (.bin)
├── main.py                # FastAPI Server Entry Point
├── app_gradio.py          # Gradio Client UI
├── requirements.txt       # Dependencies
└── test_api.py            # API Testing Script

5. 시작하기

본 프로젝트는 Server(FastAPI) 와 Client(Gradio) 가 분리되어 있습니다. 두 개의 터미널에서 순서대로 실행해야 합니다.

5-1. 설치

git clone https://github.com/byahram/mindlog.git
cd mindlog
pip install -r requirements.txt

5-2. 서버 실행 (Backend)

먼저 모델을 로드하고 API 서버를 구동합니다.

# Terminal 1
uvicorn main:app --reload

• Server Status: http://127.0.0.1:8000
• API Docs: http://127.0.0.1:8000/docs (Swagger UI에서 API 테스트 가능)

📸 API 테스트 결과 스크린샷

API 테스트 결과 (Swagger UI): 모델이 정상적으로 감정과 상황을 분류하여 JSON으로 응답합니다.

5-3. 클라이언트 실행 (Frontend)

서버가 켜진 상태에서, 새로운 터미널을 열어 UI를 실행합니다.

# Terminal 2
python app_gradio_api.py

• Client Access: http://127.0.0.1:7860 브라우저 접속

6. Tech Stack

Category	Technology
Language	Python 3.9+
Model	beomi/KcELECTRA-base-v2022 (PyTorch)
Backend	FastAPI, Uvicorn, Pydantic
Frontend	Gradio, Matplotlib
Data	Pandas, AI Hub (감성 대화 말뭉치)