AI 모델 학습에 필요한 정제된 태깅 데이터를 확보하기 위해 PC용 태깅 시스템을 구축했습니다. 다양한 OS에서 활용 가능한 크로스플랫폼 클라이언트 앱(Electron + React + Typescript)을 개발하였고, 사용자 인터랙션과 태깅 효율성을 고려해 Redux 구조를 설계했습니다. 백엔드는 Node.js 기반 API 서버와 PostgreSQL을 사용해 작업 데이터를 안정적으로 저장하고 관리할 수 있도록 구성했습니다.
작업자별 생산성과 작업량을 한눈에 파악할 수 있는 태깅 데이터 관리 대시보드.
1. 프로젝트 배경
AI 학습용 데이터 수집 과정에서 민감한 보안 데이터 처리와 작업 효율성 문제가 대두되었습니다. 기존 수작업 방식의 한계를 극복하고 데이터 무결성을 보장하기 위한 전용 솔루션이 필요했습니다.
-
기존 문제점
- 외부에 노출할 수 없는 민감한 데이터로 인해 외주 태깅 불가능
- 작업자별 태깅 현황 및 정확도를 실시간으로 파악하기 어려움
- 수작업 기반 파일 전달 방식으로 인한 데이터 누락, 중복, 오류 위험 잔존
-
프로젝트 목표
- 보안 강화: PC용 크로스플랫폼 태깅 앱 개발을 통한 데이터 보안성 확보
- 자동화: 태깅 데이터 자동 저장 및 실시간 작업 기록 수집 시스템 구축
- 운영 효율화: 작업자별 통계 확인 및 관리가 가능한 전용 웹 대시보드 구축
2. 프로젝트 성과
- 태깅 효율 40% 향상: Electron 기반 전용 앱 도입으로 작업자당 평균 처리량 대폭 증가
- 데이터 누락률 0%: 자동 저장 및 백엔드 실시간 연동 구조 도입 후 누락 이슈 원천 차단
- 관리 자동화: 대시보드를 통해 사용자별 태깅 수, 정확도, 소요시간을 실시간으로 확인 및 관리
- 환경 확장성 확보: Windows와 Mac 모든 환경에서 동일한 작업 경험을 제공하는 안정적인 구동 환경 구축
3. 핵심 기능
| 기능 | 상세 내용 | 이미지/동영상 |
|---|---|---|
| 크로스플랫폼 클라이언트 | Electron 기반으로 설치 없이 실행 가능한 Windows/Mac 대응 태깅 앱 |  |
| 실시간 동기화 | 작업 중 자동 저장 및 서버 연동을 통한 최상의 데이터 무결성 보장 | - |
| 통계 대시보드 | React 기반 웹 대시보드를 통한 작업자별 퍼포먼스 모니터링 및 분석 | - |
4. 진행 단계
- 기획 및 분석
- 태깅 데이터 속성 정의 및 작업자 요구사항 분석
- 데이터 보안 및 무결성 보장을 위한 시스템 아키텍처 설계
- 개발 및 구현
- Electron, React, Typescript를 활용한 고성능 클라이언트 개발
- Node.js 및 PostgreSQL 기반의 안정적인 백엔드 API 서버 구축
- Redux를 이용한 복잡한 태깅 상태 관리 로직 최적화
- 운영 및 고도화
- 작업자 피드백 반영 및 대시보드 통계 기능 강화
- 태깅 데이터 특허 출원을 통한 기술 자산화 완료
기술적 특징
- Client: Electron, React, Typescript, Redux
- Server: Node.js (Express), Sequelize ORM
- Database: PostgreSQL
- Infrastructure: Heroku, Github Actions (CI/CD 자동화)
- Special: WebAssembly(Mediainfo.js) 기반 영상 메타데이터 분석 최적화