CubeAI - AI 블록코딩 플랫폼 🧊

🛠️ 기술 스택

Backend

• FastAPI - 고성능 웹 프레임워크
• Uvicorn - ASGI 서버
• Server-Sent Events - 실시간 로그 스트리밍

AI/ML

• PyTorch 2.1.0 - 딥러닝 프레임워크
• torchvision 0.16.0 - Computer Vision 라이브러리
• scikit-learn 1.3.2 - 머신러닝 유틸리티
• NumPy 1.24.3 - 수치 연산
• Pandas 2.0.3 - 데이터 처리

Visualization

• Matplotlib 3.8.2 - 그래프 생성
• Seaborn 0.13.2 - 통계 시각화
• Pillow 10.0.1 - 이미지 처리

📁 프로젝트 구조

CubeAI-AI/
│
├── blocks/                    # 블록 코드 생성 모듈
│   ├── Preprocessing/        # 데이터 전처리 블록
│   │   ├── data_selection.py
│   │   ├── drop_na.py
│   │   ├── normalize.py
│   │   └── ...
│   ├── ModelDesign/          # 모델 설계 블록
│   │   ├── conv2d.py
│   │   ├── pooling.py
│   │   ├── fc_layer.py
│   │   └── ...
│   ├── Training/             # 학습 블록
│   │   ├── optimizer.py
│   │   ├── loss_function.py
│   │   └── ...
│   └── Evaluation/           # 평가 블록
│       ├── metrics.py
│       ├── confusion_matrix.py
│       └── ...
│
├── core/                     # 핵심 기능 모듈
│   ├── config.py            # 설정 관리
│   ├── workspace.py         # 워크스페이스 관리
│   ├── process.py           # 프로세스 실행 관리
│   └── dataset.py           # 데이터셋 관리
│
├── dataset/                  # 데이터셋 저장소
│   └── *.csv                # MNIST 등 CSV 데이터
│
├── workspace/                # 사용자별 작업 공간
│   └── {user_id}/           # UUID 기반 격리
│       ├── generated_code.py
│       ├── model.pth
│       └── logs/
│
├── logs/                     # 실행 로그
│
├── main.py                   # FastAPI 메인 애플리케이션
├── requirements.txt          # Python 패키지 의존성
└── README.md                # 프로젝트 문서

🚀 설치 및 실행

1. 요구사항

• Python 3.8 이상
• CUDA 11.8 (GPU 사용시, 선택사항)

2. 설치

# 레포지토리 클론
git clone https://github.com/your-username/CubeAI-AI.git
cd CubeAI-AI

# 가상환경 생성 및 활성화
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 패키지 설치
pip install -r requirements.txt

3. 실행

# 개발 서버 실행
python main.py

# 또는 uvicorn 직접 실행
uvicorn main:app --reload --host 0.0.0.0 --port 8000

서버가 실행되면 http://localhost:8000 에서 API 문서를 확인할 수 있습니다.

📡 API 엔드포인트

주요 API

Method	Endpoint	Description
GET	/	루트 페이지 - /app으로 리다이렉트
GET	/app	메인 애플리케이션 페이지 (워크스페이스 초기화)
GET	/app/{user_id}	사용자 ID가 포함된 URL 지원
POST	/convert	블록 설정을 Python 코드로 변환
POST	/run	생성된 코드 실행 (subprocess)
GET	/logs/stream	실시간 로그 스트리밍 (SSE)
GET	/download/{stage}	생성된 코드 파일 다운로드
GET	/result	실행 결과 조회 (모델 파일, 메트릭 등)
GET	/result/status	실행 상태 확인
GET	/data-info	CSV 데이터셋 정보 조회 (shape/structure/sample/images)
GET	/debug/dataset	데이터셋 디버깅 정보

블록 파라미터 예시

{
  "stage": "all",
  "dataset": "mnist_train.csv",
  "resize_n": 28,
  "normalize": "0-1",
  "conv1_filters": 32,
  "conv1_kernel": 3,
  "optimizer": "Adam",
  "learning_rate": 0.001,
  "epochs": 10,
  "batch_size": 64
}

🔄 워크플로우

1. 데이터 선택: CSV 데이터셋 업로드 또는 선택
2. 전처리 설정: 정규화, 리사이즈, 증강 등 설정
3. 모델 설계: CNN 레이어 구성 (Conv2D, Pooling, Dense)
4. 학습 설정: 옵티마이저, 손실함수, 에폭 설정
5. 코드 생성: 설정된 블록을 Python 코드로 자동 변환
6. 실행 및 모니터링: 코드 실행 및 실시간 로그 확인
7. 평가: 정확도, 혼동행렬, 샘플 예측 확인

📊 지원 기능

전처리 블록

• ✅ 데이터 로드 및 분할
• ✅ 결측치 처리
• ✅ 라벨 필터링
• ✅ 이미지 리사이즈
• ✅ 데이터 증강 (회전, 뒤집기, 이동)
• ✅ 정규화 (Min-Max, Z-score)

모델 설계 블록

• ✅ Convolutional Layer (Conv2D)
• ✅ Pooling Layer (Max/Average)
• ✅ Dropout Layer
• ✅ Fully Connected Layer
• ✅ Activation Functions (ReLU, Sigmoid, Tanh)

학습 블록

• ✅ Optimizers (Adam, SGD, RMSprop)
• ✅ Loss Functions (CrossEntropy, MSE)
• ✅ Learning Rate Scheduler
• ✅ Early Stopping
• ✅ Checkpoint 저장

평가 블록

• ✅ Accuracy, Precision, Recall, F1-Score
• ✅ Confusion Matrix
• ✅ Classification Report
• ✅ Sample Predictions
• ✅ Misclassified Samples