# 벡터DB 임베딩용 관련자료 샘플 데이터

**작성일**: 2025-01-22
**버전**: v1.0
**작성자**: AI 개발팀

---

## 1. 개요

### 1.1 목적
회의록 작성 시 AI가 참조할 수 있는 관련 자료를 벡터DB에 임베딩하여, 맥락 기반 용어 설명 및 관련 회의록 자동 연결 기능을 제공하기 위한 샘플 데이터를 생성합니다.

### 1.2 데이터 구성
- **도메인**: 통신 업무 도메인 15개
- **데이터 소스 유형**: 4가지 (이전 회의록, 조직문서, 프로젝트 문서, 운영문서)
- **샘플 개수**: 각 도메인별 × 각 소스별 5개 = **총 300개**

---

## 2. 통신 업무 도메인 (15개)

| 번호 | 도메인 | 설명 |
|------|--------|------|
| 1 | 네트워크 인프라 | 네트워크 구축 및 운영, 유무선 통신망 관리, 5G/LTE, 기지국 |
| 2 | 기술 개발 및 연구 | 신기술 연구개발, AI/빅데이터, IoT, 클라우드 기술 |
| 3 | 고객 서비스 | 고객 상담 및 지원, VoC 관리, 서비스 품질 관리 |
| 4 | 영업 및 마케팅 | 요금제 기획, 프로모션, 유통채널 관리, B2B/B2C 영업 |
| 5 | 요금 및 청구 | 요금 청구 시스템, 과금 관리, 미수금 관리, 정산 업무 |
| 6 | 네트워크 운용 | 네트워크 모니터링, 장애 대응 및 복구, 품질 최적화 |
| 7 | 서비스 기획 및 상품 개발 | 신규 서비스 기획, 요금제 설계, 콘텐츠 서비스 |
| 8 | 정보보안 | 통신 보안, 개인정보 보호, 사이버 보안, 보안 정책 수립 |
| 9 | 시스템 운영 및 관리 | IT 시스템 운영, 데이터센터 관리, 클라우드 인프라 |
| 10 | 가입자 관리 | 가입자 정보 관리, 번호 이동, 개통 및 해지, 명의 변경 |
| 11 | 망 품질 관리 | 통신 품질 측정, 품질 개선, 서비스 레벨 관리 |
| 12 | 규제 대응 및 준법 | 통신 규제 대응, 법률 준수, 정부 정책 대응 |
| 13 | 기업 영업 | B2B 솔루션, 전용선 서비스, AICC, 데이터센터 서비스 |
| 14 | 로밍 및 국제 업무 | 국제 로밍 서비스, 해외 통신사 제휴, 국제 전화 서비스 |
| 15 | 신사업 | OTT 서비스, 콘텐츠 사업, 핀테크, 스마트홈/IoT 서비스 |

---

## 3. 데이터 소스 유형 (4가지)

### 3.1 이전 회의록 (meeting_minutes)
**형식**:
- 회의 제목, 일시, 참석자
- 논의 내용, 결정 사항, 액션 아이템

**예시 토픽**:
- 프로젝트 킥오프, 월간 리뷰, 장애 대응, 정책 수립

**메타데이터**:
- 회의 유형, 참석자 목록, 태그

### 3.2 조직문서 (manual)
**유형**:
- 업무 매뉴얼, 정책 및 규정, 표준화 문서

**예시**:
- 프로세스 가이드, 보안 정책, 업무 표준

**메타데이터**:
- 문서 카테고리, 버전, 승인자

### 3.3 프로젝트 문서 (project_doc)
**유형**:
- 요구사항 정의서, 설계 문서, 수행 결과서

**예시**:
- 프로젝트 계획서, 기술 설계서, 완료 보고서

**메타데이터**:
- 프로젝트명, 단계, 담당자

### 3.4 운영문서 (operation_doc)
**유형**:
- 장애 보고서, 고객 응대 문서

**예시**:
- 장애 분석 보고서, 고객 이슈 처리 가이드

**메타데이터**:
- 심각도, 영향 범위, 해결 상태

---

## 4. 데이터 구조

### 4.1 JSON 스키마
```json
{
  "document_id": "도메인명_소스유형_일련번호",
  "document_type": "meeting_minutes|manual|project_doc|operation_doc",
  "title": "문서 제목",
  "content": "실제 문서 내용 (500-1000자)",
  "metadata": {
    "domain": "도메인명",
    "date": "YYYY-MM-DD",
    "author": "작성자명",
    "tags": ["태그1", "태그2", "태그3"],
    "organization_id": "org_telecom_001",
    "folder_id": "folder_도메인명"
  }
}
```

### 4.2 필드 설명

| 필드 | 타입 | 설명 |
|------|------|------|
| document_id | string | 문서 고유 식별자 |
| document_type | enum | 문서 유형 (4가지 중 1개) |
| title | string | 문서 제목 |
| content | text | 실제 문서 내용 (청킹 대상) |
| metadata.domain | string | 업무 도메인 |
| metadata.date | date | 작성일 (2024-01-01 ~ 2025-01-22) |
| metadata.author | string | 작성자명 |
| metadata.tags | array | 태그 배열 (3-5개) |
| metadata.organization_id | string | 조직 ID |
| metadata.folder_id | string | 폴더 ID |

---

## 5. 샘플 데이터 생성 방법

### 5.1 자동 생성 스크립트
**위치**: `tools/generate_vector_samples.py`

**실행 방법**:
```bash
# Windows PowerShell 또는 CMD에서 실행
cd C:\Users\hiond\home\workspace\HGZero
python tools\generate_vector_samples.py
```

**출력 파일**: `data/samples/vector_db_samples_300.json`

### 5.2 생성 로직

#### 도메인별 키워드 매핑
각 도메인마다 관련 키워드 및 토픽을 정의하여 실제 통신 업무 상황을 반영합니다.

**예시** (네트워크 인프라):
- **키워드**: 5G, LTE, 기지국, 광케이블, RAN, 코어망, 백홀, 전송망
- **토픽**: 5G 구축, 기지국 설치, 망 이중화, 광케이블 교체, 커버리지 확대

#### 랜덤 요소
- 날짜: 2024-01-01 ~ 2025-01-22 범위에서 랜덤 선택
- 작성자: 16명의 작성자 풀에서 랜덤 선택
- 키워드 조합: 각 문서마다 2-3개 키워드를 랜덤 조합

#### 템플릿 기반 생성
각 문서 유형별로 표준 템플릿을 정의하고, 도메인 및 키워드를 치환하여 실제 문서처럼 생성합니다.

---

## 6. 생성 통계

### 6.1 전체 통계
- **총 샘플 개수**: 300개
- **도메인별**: 각 20개 (15개 도메인)
- **소스별**: 각 75개 (4가지 소스)

### 6.2 문서 유형별 분포

| 문서 유형 | 개수 | 비율 |
|-----------|------|------|
| 이전 회의록 (meeting_minutes) | 75개 | 25% |
| 조직문서 (manual) | 75개 | 25% |
| 프로젝트 문서 (project_doc) | 75개 | 25% |
| 운영문서 (operation_doc) | 75개 | 25% |
| **합계** | **300개** | **100%** |

### 6.3 도메인별 분포

| 도메인 | 회의록 | 매뉴얼 | 프로젝트 | 운영 | 합계 |
|--------|--------|--------|----------|------|------|
| 네트워크 인프라 | 5 | 5 | 5 | 5 | 20 |
| 기술 개발 및 연구 | 5 | 5 | 5 | 5 | 20 |
| 고객 서비스 | 5 | 5 | 5 | 5 | 20 |
| 영업 및 마케팅 | 5 | 5 | 5 | 5 | 20 |
| 요금 및 청구 | 5 | 5 | 5 | 5 | 20 |
| 네트워크 운용 | 5 | 5 | 5 | 5 | 20 |
| 서비스 기획 및 상품 개발 | 5 | 5 | 5 | 5 | 20 |
| 정보보안 | 5 | 5 | 5 | 5 | 20 |
| 시스템 운영 및 관리 | 5 | 5 | 5 | 5 | 20 |
| 가입자 관리 | 5 | 5 | 5 | 5 | 20 |
| 망 품질 관리 | 5 | 5 | 5 | 5 | 20 |
| 규제 대응 및 준법 | 5 | 5 | 5 | 5 | 20 |
| 기업 영업 | 5 | 5 | 5 | 5 | 20 |
| 로밍 및 국제 업무 | 5 | 5 | 5 | 5 | 20 |
| 신사업 | 5 | 5 | 5 | 5 | 20 |
| **합계** | **75** | **75** | **75** | **75** | **300** |

---

## 7. 벡터DB 임베딩 프로세스

### 7.1 데이터 정제
1. **텍스트 정제**: HTML 태그 제거, 특수문자 정규화
2. **청킹**: 문서를 1000 토큰 단위로 분할 (200 토큰 오버랩)
3. **메타데이터 추출**: JSON 메타데이터 파싱

### 7.2 벡터화
- **임베딩 모델**: text-embedding-3-small (OpenAI)
- **차원**: 1536
- **비용**: $0.02 / 1M 토큰

### 7.3 PostgreSQL + pgvector 적재
```sql
INSERT INTO document_chunks (
  document_id,
  chunk_index,
  content,
  embedding,
  metadata,
  organization_id
) VALUES (?, ?, ?, ?, ?, ?);
```

---

## 8. 활용 방안

### 8.1 맥락 기반 용어 설명
1. 회의록 작성 중 전문 용어 감지
2. Vector DB에서 유사도 검색 (Top-5)
3. Claude AI에게 맥락 기반 설명 요청

### 8.2 관련 회의록 자동 연결
1. 현재 회의록 내용 벡터화
2. Vector DB에서 유사 회의록 검색
3. 관련도 점수 계산 (70% 이상)
4. 최대 5개 회의록 자동 연결

### 8.3 대시보드 참고자료
- 관련 회의록 탭: 유사 회의록 목록
- 프로젝트 문서 탭: 관련 프로젝트 문서
- 조직 문서 탭: 관련 매뉴얼 및 정책

---

## 9. 품질 검증

### 9.1 데이터 품질 기준
- **실무 반영도**: 실제 통신 업무 용어 및 상황 반영 여부
- **일관성**: 도메인 및 문서 유형별 일관성 유지
- **다양성**: 키워드 및 토픽의 다양성 확보

### 9.2 검증 방법
1. **샘플링 검사**: 각 도메인별 1-2개 샘플 수동 검토
2. **키워드 분석**: 도메인 관련 키워드 포함 여부 확인
3. **메타데이터 검증**: 필수 필드 누락 여부 확인

---

## 10. 향후 계획

### 10.1 데이터 확장
- **단계 1** (현재): 300개 샘플 (도메인별 × 소스별 5개)
- **단계 2** (Phase 1 완료 후): 600개 샘플 (도메인별 × 소스별 10개)
- **단계 3** (Phase 2 이후): 1,500개 샘플 (도메인별 × 소스별 25개)

### 10.2 품질 개선
- 실제 회의록 데이터 반영
- 도메인 전문가 검토 및 피드백 반영
- 사용자 피드백 기반 지속 업데이트

---

## 11. 참고 자료

### 11.1 관련 문서
- [회의 주제 관련 자료 수집 및 Claude AI 연동 구현 방안](../구현방안-관련자료.md)
- [ADR-001: Vector Database 및 Embedding 통합 아키텍처](../ADR-001-Vector-DB-통합아키텍처.md)
- [통신업무도메인](../../reference/통신업무도메인.md)

### 11.2 기술 스택
- **Vector DB**: PostgreSQL + pgvector
- **Embedding**: OpenAI text-embedding-3-small (1536 dim)
- **검색**: 하이브리드 (벡터 유사도 + 키워드 매칭)
- **캐싱**: Redis + Claude Prompt Cache

---

**문서 버전**: v1.0
**최종 수정**: 2025-01-22
**담당자**: AI 개발팀