하이브리드 AI 워크플로우 자동화 시스템(이브이브야 일해라)
뛰어난 성능과 효율성을 갖춘 차세대 AI 워크플로우 자동화 시스템을 소개합니다. 로컬 AI, 웹 AI, IDE AI의 완벽한 통합을 통해 개발 프로세스를 혁신적으로 개선합니다.
프로젝트 개요
프로젝트명: 이브이브야 일해라
프로젝트 코드: EVE-1
진행 기간: 진행중
팀 역할: 유동적
  • 박민재
  • 신진영
아래 보여질 내용은
앞으로의 비전을 미리 보여드리는 것 입니다.
현재는 여러가지 문제(사실 하드웨어에요)로
로직 개선중에 있습니다.
낮은 사양에서는 성능이 안나와서 현재 구현은 끝났지만 웹 연결이나 자동 최적화를 구현할 물리적 리소스가 부족해요ㅠㅠㅠㅠ
프로젝트 목표
로컬 AI + 웹 AI + IDE AI 통합
최적의 성능과 비용 효율성 달성을 위한 다중 AI 시스템의 완벽한 통합
고성능 하드웨어 활용
듀얼 RTX 4070Ti Super (32GB VRAM)를 활용한 대형 모델 실행 환경 구축
자연어 기반 자동화
자연어 명령을 통한 복합적 워크플로우 자동화 구현
멀티모달 지원
음성, 화면, 텍스트를 동시에 처리하는 지능형 에이전트 개발
성공 지표 (KPI)
1-2초
응답 속도 (일반 작업)
일반적인 명령어 처리 시간
10초
응답 속도 (복합 작업)
복잡한 워크플로우 완료 시간
90%+
작업 성공률
정확하게 완료된 작업 비율
$80
월 운영비
목표 월간 운영 비용
99%+
시스템 안정성
시스템 가동 시간 비율
300%
효율성 향상
사용자 작업 효율성 증가율
기술 아키텍처
사용자 인터페이스
음성/텍스트/화면 입력을 통합 처리하는 멀티모달 인터페이스
지능형 라우터
작업 유형에 따라 최적의 AI 엔진을 자동 선택
워크플로우 엔진
복합 작업을 순차적으로 처리하는 자동화 시스템
AI 실행 레이어
로컬/웹/IDE AI를 통합 관리하는 실행 환경
하드웨어 사양
1
CPU
Intel i9-14900K (24코어)
고성능 멀티스레딩으로 병렬 작업 처리
2
GPU
듀얼 RTX 4070Ti Super (32GB 총 VRAM)
AI 모델 실행 및 텐서 병렬화 지원
3
RAM
192GB DDR5
대규모 데이터셋 및 멀티태스킹 지원
4
저장장치
NVMe SSD 2TB+
고속 데이터 로딩 및 모델 스왑 지원
5
전원공급장치
900W 80+ Gold
안정적인 전력 공급 및 효율성 보장
소프트웨어 스택
프론트엔드 레이어
Streamlit + Custom UI Components
직관적인 사용자 인터페이스와 실시간 상호작용 제공
오케스트레이션
LangChain + Custom Router + vLLM
다양한 AI 모델과 서비스를 효율적으로 연결 및 관리
로컬 AI 모델
Qwen 2.5 7B/VL + Whisper + Coqui TTS
텍스트, 음성, 비전 처리를 위한 로컬 모델 활용
웹 자동화
Selenium + Playwright + Browser Controllers
웹 기반 AI 서비스 자동화 및 데이터 추출
IDE 통합
IntelliJ Junie + AI Assistant
코드 에디터와 AI 도구의 원활한 통합
시스템 자동화
PyAutoGUI + OS API Wrappers
운영체제 수준의 작업 자동화 및 제어
기반 인프라: Python 3.10 + CUDA 12.1 + Docker
핵심 구성 요소
로컬 AI 엔진
Qwen 2.5 기반 텍스트/비전 처리
  • 32GB VRAM에 최적화된 양자화 모델
  • 실시간 응답을 위한 가속화 기법 적용
웹 AI 브릿지
ChatGPT/Claude/Perplexity 자동화
  • 브라우저 자동화를 통한 웹 AI 접근
  • 결과 추출 및 통합 처리 시스템
IDE AI 연동
JetBrains Junie 통합
  • 코드베이스 분석 및 이해
  • 코드 자동 생성 및 리팩토링
멀티모달 인터페이스
음성/화면/텍스트 동시 처리
  • 음성 명령어 인식 및 합성
  • 화면 콘텐츠 분석 및 이해
지능형 라우터
작업별 최적 AI 자동 선택
  • 작업 유형 분류 및 우선순위 지정
  • 비용/성능 최적화 알고리즘
워크플로우 엔진
복합 시나리오 자동 실행
  • 작업 의존성 관리
  • 실패 감지 및 복구 메커니즘
개발 일정 및 마일스톤
1
Phase 1: 인프라 구축
1주차
2
Phase 2: 핵심 AI 모듈
2-4주차
3
Phase 3: 웹 AI 통합
5-6주차
4
Phase 4: IDE/시스템 통합
7주차
5
Phase 5: 지능형 시스템
8-10주차
6
Phase 6: UI/UX 개발
10-11주차
7
Phase 7: 테스트 및 배포
12-13주차
Phase 1: 인프라 구축 (1주)
마일스톤 M1: 하드웨어 설치 및 기본 환경 완성
  • 듀얼 GPU 설치 및 드라이버 설정
  • Python 환경 + CUDA + Ollama 설치
  • 로컬 LLM 모델 다운로드 및 테스트
  • 멀티 GPU 텐서 병렬화 구성

핵심 목표: 1주 차 종료 시점에 기본 모델이 정상적으로 로드되고 두 개의 GPU에서 병렬 실행되는지 확인합니다. 이 단계에서는 하드웨어 설정의 안정성이 가장 중요합니다.
듀얼 GPU 설정 및 텐서 병렬화 구성은 향후 대규모 모델의 효율적인 운영을 위한 핵심 기반입니다. 특히 Qwen 2.5 7B 모델의 최적 로딩을 위해 VRAM 활용을 최적화해야 합니다.
Phase 2: 핵심 AI 모듈 (2.5주)
마일스톤 M2: 로컬 AI 시스템 완성
로컬 LLM API 래퍼 개발
다양한 모델을 일관된 인터페이스로 통합
  • vLLM 기반 고성능 추론 엔진
  • 모델 스왑 및 로드 관리 시스템
음성 처리 모듈 구현
STT/TTS 기능 통합
  • Whisper 기반 음성 인식
  • Coqui TTS 기반 음성 합성
화면 캡처 + OCR + 비전 모듈
시각적 정보 처리 시스템
  • 화면 영역 분석 및 텍스트 추출
  • UI 요소 인식 및 상호작용
기본 자동화 컨트롤러 구현
시스템 제어 기반 구축
  • 키보드/마우스 제어 추상화
  • 기본 OS 작업 자동화
Phase 3: 웹 AI 통합 (2주)
마일스톤 M3: 하이브리드 AI 시스템 구축
웹 자동화 프레임워크 구현
Selenium과 Playwright를 활용한 고급 브라우저 제어 시스템
  • 헤드리스 브라우저 관리
  • 동적 웹페이지 상호작용
AI 서비스 자동화 모듈
ChatGPT, Claude, Perplexity 등 외부 AI 서비스 통합
  • 서비스별 특화 래퍼 개발
  • 인증 및 세션 관리
세션 관리 및 결과 파싱 시스템
웹 기반 AI 응답 처리 및 통합
  • 응답 추출 및 정규화
  • 오류 처리 및 재시도 메커니즘
Phase 4: IDE/시스템 통합 (1주)
마일스톤 M4: IDE 및 고급 기능 통합
JetBrains Junie 설정 및 연동
IDE 내 AI 어시스턴트 구성 및 최적화
  • 플러그인 설정 및 사용자화
  • 키 바인딩 및 단축키 맵핑
IDE-AI 브릿지 개발
통합 시스템과 IDE 간 양방향 통신
  • 명령어 라우팅 시스템
  • 코드 컨텍스트 추출 및 전달
프로젝트 컨텍스트 통합
코드베이스 이해 및 프로젝트 정보 관리
  • 프로젝트 구조 분석
  • 코드 의존성 매핑
JetBrains IDE와의 통합은 개발 워크플로우를 크게 향상시킵니다. 코드 작성, 디버깅, 리팩토링 등 다양한 개발 작업을 AI 시스템으로 자동화하고 보조합니다.
Phase 5: 지능형 시스템 (2.5주)
마일스톤 M5: AI 라우팅 및 워크플로우 완성
1
지능형 AI 라우터 개발
작업 유형에 따라 최적의 AI 서비스 선택
  • 작업 분석 및 분류 알고리즘
  • 비용/성능/정확도 기반 의사결정
  • 부하 분산 및 병렬 처리 최적화
2
대화 관리 및 컨텍스트 시스템
장기 메모리 및 대화 이력 관리
  • 컨텍스트 윈도우 최적화
  • 중요 정보 추출 및 요약
  • 관련 정보 인출 및 활용
3
복합 워크플로우 엔진 구현
여러 단계로 구성된 작업 자동화
  • 워크플로우 정의 및 관리
  • 조건부 분기 및 오류 처리
  • 중간 결과 검증 및 피드백
Phase 6: UI/UX 개발 (1.5주)
마일스톤 M6: 사용자 인터페이스 완성
Streamlit 메인 대시보드
직관적인 사용자 인터페이스 개발
  • 명령어 입력 및 결과 표시
  • 대화형 상호작용 컴포넌트
  • 멀티모달 입력 처리 (음성/텍스트)
실시간 모니터링 시스템
시스템 상태 및 성능 추적
  • GPU/CPU 사용량 모니터링
  • 작업 큐 및 진행 상황 표시
  • 오류 및 경고 알림
설정 및 관리 인터페이스
시스템 구성 및 관리 도구
  • 모델 및 서비스 설정
  • API 키 및 인증 관리
  • 워크플로우 템플릿 저장 및 로드
Phase 7: 테스트 및 배포 (2.5주)
마일스톤 M7: 프로덕션 준비 완료
단위/통합 테스트 완료
시스템 안정성 및 기능 검증
  • 모든 모듈에 대한 단위 테스트
  • 전체 워크플로우 통합 테스트
  • 예외 처리 및 오류 복구 검증
성능 최적화 및 튜닝
시스템 효율성 및 응답성 개선
  • 병목 현상 식별 및 해결
  • 메모리 사용량 최적화
  • 캐싱 및 모델 양자화 적용
문서화 및 배포 가이드
시스템 운영 및 유지보수 문서
  • 설치 및 설정 가이드
  • 사용자 매뉴얼 작성
  • 문제 해결 및 FAQ 문서
주요 리스크 및 대응 방안
1
GPU 메모리 부족
위험도: HIGH | 영향도: HIGH
대형 모델 로딩 시 VRAM 부족으로 시스템 성능 저하 또는 충돌 발생
대응 방안:
  • 모델 양자화 (INT8/INT4) 적용
  • 동적 메모리 관리 시스템 구현
  • 모델 분할 및 스왑 메커니즘 구축
2
웹 AI 접근 제한
위험도: MEDIUM | 영향도: HIGH
ChatGPT/Claude 등의 서비스가 자동화 접근을 차단하거나 제한
대응 방안:
  • 다중 세션 및 계정 로테이션 시스템
  • 접근 패턴 다양화 및 인간 행동 모방
  • 로컬 모델 폴백 시스템 구현
3
모델 호환성 문제
위험도: MEDIUM | 영향도: MEDIUM
모델 업데이트 또는 API 변경으로 인한 호환성 문제 발생
대응 방안:
  • 모델 버전 관리 및 테스트 환경 구축
  • 추상화 레이어를 통한 모델 독립성 확보
  • 신속한 업데이트 및 패치 시스템 마련
예산 및 리소스: 하드웨어 비용

참고 사항
  • GPU 단가는 평균 $900로 계산했으며, 실제 구매 시 모델별·시점별 최대 ±10% 변동 가능
  • RAM은 RGB 포함 모델 기준이며, 비-RGB는 약 $600대부터 구매 가능
  • SSD는 Gen4 2TB 기준, 고급 모델은 $130~$150까지 분포
  • PSU는 80+ Gold 인증 기준, 플래티넘 모델은 $200 이상
예산 및 리소스: 소프트웨어 및 인력 비용
소프트웨어 비용 (월간)
총 월간 운영비: $60

총 프로젝트 비용: 약 4000$
하드웨어 비용($3,740)을 포함한 초기 투자 비용이며, 이후 월간 $60의 운영 비용이 발생합니다.
품질 관리 및 테스트 전략
테스트 계획
1
단위 테스트
각 모듈별 95% 코드 커버리지 목표
  • pytest 기반 자동화 테스트
  • 모든 기능별 테스트 케이스 작성
2
통합 테스트
전체 워크플로우 시나리오 검증
  • 실제 사용 시나리오 기반 테스트
  • 모듈 간 인터페이스 검증
3
성능 테스트
동시 사용자, 메모리 부하 테스트
  • 스트레스 테스트 및 부하 분석
  • 메모리 누수 검사
4
보안 테스트
API 키 관리, 데이터 프라이버시
  • 인증 및 권한 검증
  • 민감 정보 처리 검사
5
사용성 테스트
실제 사용자 시나리오 검증
  • 인터페이스 직관성 평가
  • 피드백 수집 및 개선
성능 기준
95%
응답 시간
요청의 95%가 2초 이내 처리 완료
80%
메모리 사용률
최대 메모리 사용률 80% 이하 유지
90%
GPU 활용률
처리 중 GPU 활용률 90% 이상 달성
48시간
시스템 안정성
연속 48시간 무중단 운영 검증