homekeeper-showcase
홈키퍼: AI 기반 집안 물건 관리 시스템
AI 이미지 분석을 활용해 집안 물건을 자동으로 분류하고 관리하는 풀스택 웹 애플리케이션
| 라이브 데모 체험 | API 문서 |
프로젝트 개요
문제 정의: 개인이 집안 물건을 찾느라 시간을 낭비하고, 이미 있는 물건을 중복 구매하는 일이 빈번함
해결책: 사진 한 장 업로드 → AI가 자동으로 물건을 인식하고 분류해서 개인별로 체계적으로 관리
핵심 가치: AI 기술을 활용한 개인 사용자 중심의 실용적인 문제 해결과 사용자 경험 개선
설계 원칙: 개인 사용자 중심의 독립적 데이터 관리 구조로, 각 사용자가 자신의 데이터만 접근하고 관리
주요 기능
- AI 이미지 분석: OpenAI GPT-4o-mini로 사진 속 물건을 자동 인식하고 카테고리/태그를 생성
- 위치별 관리: 개인 사용자의 방과 서랍 정보로 물건 위치 체계적 관리
- 데이터 보안: 사용자 인증을 통한 데이터 격리 및 개인정보 보호
- 신뢰도 기반 분류: AI 분석 결과의 신뢰도 점수를 표시하고 사용자가 직접 수정 가능
데모 영상
직접 다운로드: demo.mp4
스크린샷
| 사진 업로드 | 이미지 분석 |
|---|---|
|
|
| 이미지 분석결과 | 방 관리 |
|
|
| 물건 관리 | 통계 |
|
|
시스템 아키텍처
- 계층형 구조: Models → Repositories → Services → Routers로 관심사 분리
- 개인 데이터 격리: 사용자별로 독립된 데이터 관리 시스템
- RESTful API: FastAPI 기반 자동 문서화 및 타입 안전성 보장
- 타입 동기화: 백엔드 스키마 기반 TypeScript 타입 생성
홈키퍼 시스템 아키텍처
이미지 분석 플로우
인증 플로우
주요 테이블 관계
기술 스택
프론트엔드
- Vite + React + TypeScript
- Tailwind CSS + React Query
- Playwright (E2E 테스트)
백엔드
- FastAPI + Python 3.12+
- SQLModel (Pydantic + SQLAlchemy)
- PostgreSQL 데이터베이스
AI & 클라우드
- OpenAI GPT-4o-mini
- Supabase (인증 + 스토리지)
- Railway (백엔드) + Vercel (프론트엔드)
핵심 기술 구현
AI 이미지 분석 시스템
- 이중 AI 제공자: OpenAI GPT-4o-mini 우선, 실패 시 Anthropic Claude로 자동 폴백
- 이미지 전처리: AI 분석 전 1024x1024 리사이징 및 JPEG 85% 품질 압축
- 구조화된 프롬프트: 일관된 JSON 응답을 위한 상세 프롬프트 템플릿 설계
- 응답 파싱: Pydantic 모델을 통한 AI 응답 구조화 및 검증
- 모듈화 설계: AI 서비스와 이미지 처리 서비스 분리로 유지보수성 확보
- 사용자 데이터 격리: 인증된 사용자만 자신의 데이터에 접근 가능하도록 격리
프롬프트 엔지니어링
- 표준 카테고리 체계: 10개 주요 카테고리, 67개 세부 분류 정의
- 다중 아이템 감지: 한 이미지 내 여러 물건 개별 인식 및 분석
- 한국어 최적화: 한국 가정환경에 특화된 물건 분류 및 명명
- 신뢰도 측정: 0.0-1.0 스케일 신뢰도 점수 및 임계값 관리
현재 구현 상태
- 구현 완료: AI 이미지 분석, 사용자 인증, 물건/공간/컨테이너 관리
- 부분 구현: 카테고리 관리 (라우터는 존재하지만 모델과 비즈니스 로직 미완성)
- 미구현: 벡터 검색, 고급 통계 분석, 알림 시스템
주요 성과
기술적 성취
- 실제 사용자 서비스 런칭: 실제 사용자가 사용할 수 있는 서비스 출시
- AI 통합: OpenAI GPT-4o-mini 통합 및 프롬프트 엔지니어링 경험
- 엔드투엔드 시스템 개발: 사용자 인터페이스부터 서버 로직까지 전체 흐름 구현
- 보안 시스템: 사용자 인증 및 데이터 격리를 통한 개인정보 보호
- 멀티 클라우드 인프라 구축: Railway, Vercel, Supabase 등 여러 클라우드 서비스 활용
AI 활용 개발 경험
- AI 코딩 도구 활용: AI 코딩 어시스턴트를 활용한 개발 생산성 향상 경험
- 자유로운 실험 환경: 사이드프로젝트에서 AI 도구 활용을 자유롭게 실험하고 실패를 통해 학습
- AI 기술 학습 기반 구축: 향후 고급 AI 기술 학습을 위한 기반 시스템 구축. (AI 기술 학습을 위해 Python 백엔드 선택)
향후 계획
사용성 개선
- AI 분석 속도 개선: 비동기 처리 및 사용자 경험 최적화
- 여러 이미지 등록: 여러 장의 사진을 한 번에 업로드하여 일괄 처리
- 옷장 정리 전용 모드: 옷장 정리에 특화된 등록 및 관리 워크플로우
- 사용자 피드백 학습: 사용자가 수정한 분류 결과를 학습하여 향후 분석 정확도 향상
- 모바일 앱 개발: 웹보다 사용하기 편한 모바일 앱으로 서비스 확장
고급 기능
- RAG 기반 물건 관리 가이드: 물건의 특성과 용도에 따른 보관법, 정리 팁, 최적 보관 위치 제안
- 정리 습관 분석: 사용자의 물건 등록 패턴을 분석하여 정리 효율성 개선 방안 제시
- 재고 관리 시스템: 물건의 보유 현황을 체계적으로 관리하여 중복 구매 방지
- 재활용 가이드: 물건의 재활용 가능성과 방법을 AI가 분석하여 제안
- 분리수거 안내: 물건의 재질과 분리수거 방법을 자동으로 안내
기술적 개선
- 카테고리 시스템 완성: 현재 미완성인 카테고리 관리 모델 및 비즈니스 로직 구현
- 벡터 검색: Qdrant 설정은 완료되었으나 실제 구현은 미완성
- 성능 최적화: 데이터베이스 쿼리 최적화 및 캐싱 시스템 도입
프로젝트 링크
- 실제 서비스: https://homekeeper-sepia.vercel.app/
- API 문서: https://homekeeper-api-production.up.railway.app/docs/
- 기술 블로그: https://skyparci.vercel.app/
기술적 인사이트
다시 한다면 이렇게
- 보안 우선 설계: 민감 정보 Git 히스토리 보호 및 LLM 사용 시 .env 파일 접근 금지 등 보안 규칙 명시적 수립
- 환경 격리 우선: 프로젝트 시작과 동시에 로컬/테스트/프로덕션 분리하여 나중의 대규모 리팩토링과 데이터 오염 사고 방지
- 기술 부채 최소화: 새 기능 2개 추가할 때마다 1회씩 LLM 코드 재검토 및 최적화 시간 확보
- 모델 설계 우선: 데이터 모델과 API 설계를 먼저 완성한 후 구현 단계로 진행