# 아키텍처 최적안 결정

**문서 버전**: 1.0
**작성일**: 2025-10-28
**작성자**: 길동 (Architect)
**승인자**: 민준 (Product Owner)

---

## 목차
1. [차이점 분석](#1-차이점-분석)
2. [Architectural Decision Records](#2-architectural-decision-records)
3. [최종 아키텍처](#3-최종-아키텍처)
4. [비용 분석](#4-비용-분석)
5. [구현 권장사항](#5-구현-권장사항)

---

## 1. 차이점 분석

### 1.1 Vector Database 선택

| 구분 | 용어집 (기존 제안) | 관련회의록 (기존 제안) | 충돌 사항 |
|------|-------------------|----------------------|----------|
| **Vector DB** | Phase 1: JSON<br>Phase 2: PostgreSQL+pgvector<br>Phase 3: Qdrant | Azure AI Search<br>(meetings-index) | 관련회의록 문서는 "Shared Azure AI Search"를 명시했으나<br>용어집 문서는 Azure AI Search 언급 없음 |
| **인덱스 구조** | - | 별도 인덱스:<br>- terms-index (용어집)<br>- meetings-index (회의록) | 용어집 문서에서 terms-index 계획 없음 |
| **선택 근거** | 소규모 데이터,<br>점진적 확장 | 대규모 데이터,<br>Semantic Ranking 필요 | 데이터 규모 차이 |

### 1.2 검색 전략

| 구분 | 용어집 | 관련회의록 | 차이점 |
|------|--------|-----------|--------|
| **검색 방식** | 키워드 우선 + Vector fallback | Vector 우선 + Semantic Ranking | 우선순위 반대 |
| **알고리즘** | 정확 매칭 → TF-IDF → Vector 유사도 | Hybrid Search (Keyword + Vector) + RRF | 복잡도 차이 |
| **Semantic Ranking** | 미사용 | Azure AI Search 내장 기능 활용 | 기술적 차이 |
| **선택 이유** | 용어는 정확한 매칭 필요 | 회의록은 맥락적 유사도 필요 | 사용 패턴 차이 |

### 1.3 데이터 특성 및 청크 크기

| 구분 | 용어집 | 관련회의록 | 비율 |
|------|--------|-----------|------|
| **데이터 규모** | 소규모 (수백 건) | 대규모 (수만 건) | 1:100 |
| **청크 크기** | 256-512 tokens | 2000-2500 tokens | 1:5 |
| **청크 전략** | 용어 정의 단위 (고정) | 안건 단위 (의미 기반) | 전략 차이 |
| **임베딩 차원** | 1536 (text-embedding-3-small) | 1536 (text-embedding-ada-002) | 동일 |
| **업데이트 주기** | 수동 → 반자동 → 자동 | 야간 배치 자동 | 성숙도 차이 |

### 1.4 비용 구조 (월간)

| 항목 | 용어집 (독립) | 관련회의록 (독립) | 합계 |
|------|--------------|------------------|------|
| **인프라** |
| PostgreSQL | $50 | - | $50 |
| Azure AI Search | - | $250 | $250 |
| Redis | $30 | $50 | $80 |
| **API 사용료** |
| OpenAI Embedding | $20 | $30 | $50 |
| Claude API | $300 | $216 | $516 |
| **기타** |
| Storage | $10 | $10 | $20 |
| **총계** | **$410/월** | **$556/월** | **$966/월** |

### 1.5 충돌 사항 요약

**명시적 충돌**:
1. **관련회의록 문서 (AD-000)**는 "단일 Azure AI Search 계정에 두 개의 별도 인덱스 운영" 명시
2. **용어집 문서**는 PostgreSQL+pgvector → Qdrant 전환 전략만 있음
3. 두 문서 간 통합 전략 불일치

**암묵적 충돌**:
1. 비용 중복: Redis, Embedding, Claude API가 각 문서에 개별 산정됨
2. 아키텍처 일관성 부족: 하나의 시스템에 두 개의 독립적인 Vector DB 전략

---

## 2. Architectural Decision Records

### ADR-000: 통합 플랫폼 전략

**상태**: 승인됨
**날짜**: 2025-10-28
**결정자**: 길동 (Architect), 민준 (Product Owner)

#### 결정 내용

**하이브리드 접근: 단계적 독립 → 선택적 통합**

- **Phase 1-2**: 용어집과 관련회의록을 독립적으로 구현
  - 용어집: PostgreSQL+pgvector
  - 관련회의록: Azure AI Search (meetings-index)

- **Phase 3**: 용어집 성장에 따른 통합 평가
  - 조건: 용어 500개 이상 또는 성능 이슈 발생시
  - 옵션 A: Azure AI Search의 terms-index로 마이그레이션
  - 옵션 B: 현상 유지 (독립 운영)

#### 대안 분석

| 대안 | 장점 | 단점 | 점수 |
|-----|------|------|------|
| **대안 1: 하이브리드 접근** ✅ | • 각 기능별 최적 DB 선택<br>• 초기 비용 절감<br>• 점진적 확장 가능<br>• 리스크 분산 | • 관리 복잡도 증가<br>• 통합 필요시 마이그레이션 비용 | **9/10** |
| 대안 2: 단일 Azure AI Search | • 통합 관리<br>• 일관된 검색 엔진<br>• 약간의 비용 절감 | • 용어집 초기에 과도한 인프라<br>• 키워드 검색 최적화 어려움 | 7/10 |
| 대안 3: 완전 독립 (Qdrant) | • 완전 독립성<br>• 각 기능 최적화 | • 높은 운영 비용 ($1,400/월)<br>• 관리 복잡도 최고 | 5/10 |

#### 근거

1. **비용 효율성**
   - Phase 1-2: $410/월 (용어집만) vs $250/월 (Azure AI Search 단독)
   - 용어집 MVP는 소규모(50-100개)이므로 Azure AI Search는 과도
   - 점진적 투자로 초기 비용 40% 절감

2. **기술적 타당성**
   - 용어집: 정확한 키워드 매칭 + 트랜잭션 보장 필요 → PostgreSQL 적합
   - 관련회의록: 대규모 의미 검색 + Semantic Ranking → Azure AI Search 필수
   - 두 기능은 독립적이므로 통합 쿼리 불필요

3. **운영 복잡도**
   - PostgreSQL은 이미 메인 DB로 운영 중 (학습 곡선 없음)
   - Azure AI Search는 관련회의록 전용으로 독립 관리
   - 캐싱(Redis), LLM(Claude), Embedding(OpenAI)은 공유

4. **확장성**
   - 용어집이 성장하면(500개 이상) Azure AI Search 통합 옵션 보유
   - 명확한 마이그레이션 경로 존재
   - 데이터 증가에 따른 유연한 대응

5. **팀 역량 고려**
   - 백엔드 팀은 PostgreSQL에 익숙
   - Azure AI Search는 DevOps와 협업하여 관리
   - 단계적 학습 가능

#### 통합 아키텍처 개요

```
┌─────────────────────────────────────────────────────────────┐
│                     AI Service (Backend)                     │
├─────────────────────────────────────────────────────────────┤
│                                                               │
│  ┌──────────────────────┐      ┌──────────────────────┐    │
│  │  용어집 기능          │      │  관련회의록 기능      │    │
│  │  (Term Glossary)     │      │  (Related Meetings)  │    │
│  └──────────┬───────────┘      └──────────┬───────────┘    │
│             │                              │                 │
│             │                              │                 │
│  ┌──────────▼───────────┐      ┌──────────▼───────────┐    │
│  │  PostgreSQL          │      │  Azure AI Search     │    │
│  │  + pgvector          │      │  (meetings-index)    │    │
│  │                      │      │                      │    │
│  │  • 소규모 (수백 건)   │      │  • 대규모 (수만 건)   │    │
│  │  • 키워드 우선        │      │  • Vector 우선        │    │
│  │  • 트랜잭션 보장      │      │  • Semantic Ranking  │    │
│  └──────────────────────┘      └──────────────────────┘    │
│                                                               │
│  ┌─────────────────────────────────────────────────────┐    │
│  │           공통 컴포넌트 (Shared Components)         │    │
│  ├─────────────────────────────────────────────────────┤    │
│  │  • Azure OpenAI Embedding (text-embedding-ada-002)  │    │
│  │  • Claude 3.5 Sonnet (맥락 설명 / 요약 생성)         │    │
│  │  • Redis (L1 캐싱, TTL 1-24시간)                     │    │
│  └─────────────────────────────────────────────────────┘    │
└─────────────────────────────────────────────────────────────┘
```

#### 결과

- 초기 비용 40% 절감 ($966/월 → $556/월, Phase 1-2)
- 각 기능의 최적 DB 선택으로 성능 최적화
- 향후 통합 옵션 보유로 확장성 확보
- 명확한 마이그레이션 경로 존재

---

### ADR-001: Vector Database 최종 선택

**상태**: 승인됨
**날짜**: 2025-10-28

#### 결정 내용

**기능별 독립 Vector DB 선택**

1. **용어집 (Phase 1-2)**
   - **선택**: PostgreSQL + pgvector 확장
   - **버전**: PostgreSQL 14+ with pgvector 0.5.0+
   - **인덱스**: HNSW (Hierarchical Navigable Small World)
   - **차원**: 1536 (OpenAI text-embedding-ada-002)

2. **용어집 (Phase 3, 조건부)**
   - **선택**: Azure AI Search (terms-index) 마이그레이션
   - **조건**: 용어 500개 이상 OR 성능 이슈 OR 관리 복잡도
   - **타이어**: Standard tier ($250/월, meetings-index와 공유)

3. **관련회의록 (Phase 1-3)**
   - **선택**: Azure AI Search (meetings-index)
   - **타이어**: Standard tier ($250/월)
   - **인덱스**: HNSW with Semantic Configuration

#### 대안 비교

**용어집용 Vector DB**

| 대안 | 장점 | 단점 | 비용 | 점수 |
|-----|------|------|------|------|
| **PostgreSQL+pgvector** ✅ | • 기존 DB 활용<br>• 트랜잭션 보장<br>• 학습 곡선 낮음<br>• 소규모에 적합 | • 대규모시 성능 제한<br>• Vector 검색 최적화 부족 | $0 (기존 DB) | **9/10** |
| Azure AI Search | • 고성능 검색<br>• Semantic Ranking<br>• 관리형 서비스 | • 소규모에 과도<br>• 비용 높음 | $250/월 (공유시 $0) | 7/10 |
| Qdrant (self-hosted) | • 전문 Vector DB<br>• 고성능<br>• 오픈소스 | • 운영 부담<br>• 학습 곡선 높음 | $500/월 (인프라) | 6/10 |
| Pinecone (managed) | • 관리형 서비스<br>• 쉬운 사용<br>• 고성능 | • 비용 높음<br>• 한국어 지원 부족 | $70-200/월 | 5/10 |

**관련회의록용 Vector DB**

| 대안 | 장점 | 단점 | 비용 | 점수 |
|-----|------|------|------|------|
| **Azure AI Search** ✅ | • Semantic Ranking<br>• Hybrid Search<br>• 대규모 처리<br>• 한글 지원 우수 | • 비용 높음 | $250/월 | **10/10** |
| Qdrant | • 고성능<br>• 커스터마이징 | • Semantic Ranking 없음<br>• 운영 부담 | $500/월 | 7/10 |
| PostgreSQL+pgvector | • 통합 관리 | • 성능 부족<br>• Semantic Ranking 없음 | $0 | 5/10 |

#### 근거

1. **기술적 요구사항**
   - 용어집: 소규모 + 키워드 정확 매칭 → PostgreSQL 충분
   - 관련회의록: 대규모 + 의미 검색 → Azure AI Search 필수

2. **비용 효율성**
   - Phase 1-2: PostgreSQL 활용으로 $250/월 절감
   - Phase 3: 필요시 Azure AI Search 통합 (추가 비용 없음)

3. **성능 요구사항**
   - 용어집: < 500ms (pgvector로 달성 가능)
   - 관련회의록: < 1.5초 (Azure AI Search Semantic Ranking 필요)

4. **확장성**
   - 명확한 마이그레이션 경로 존재
   - 데이터 증가에 따른 유연한 대응

#### 결과

- Phase 1-2 비용 절감: $250/월
- 기능별 최적 DB 선택
- 향후 통합 가능성 유지

---

### ADR-002: 검색 전략 최적화

**상태**: 승인됨
**날짜**: 2025-10-28

#### 결정 내용

**기능별 차별화된 검색 전략**

1. **용어집: 키워드 우선 + Vector Fallback**
   ```
   1단계: 정확 매칭 (normalized_name = 'api gateway')
   2단계: TF-IDF 키워드 검색 (유사어 매칭)
   3단계: Vector 유사도 검색 (의미 기반)
   ```

2. **관련회의록: Hybrid Search + Semantic Ranking**
   ```
   1단계: Keyword Search (제목, 안건)
   2단계: Vector Search (임베딩 유사도)
   3단계: Folder Filter (같은 폴더 +20% 가중치)
   4단계: Semantic Ranking (Top 50 → Top 10)
   5단계: RRF (Reciprocal Rank Fusion) 통합
   ```

#### 대안 비교

**용어집 검색 전략**

| 대안 | 정확도 | 속도 | 구현 복잡도 | 점수 |
|-----|--------|------|------------|------|
| **키워드 우선** ✅ | 95% | < 100ms | 낮음 | **9/10** |
| Vector 우선 | 85% | < 300ms | 중간 | 7/10 |
| Hybrid (동시) | 90% | < 500ms | 높음 | 6/10 |

**관련회의록 검색 전략**

| 대안 | 정확도 | 맥락 이해 | 구현 복잡도 | 점수 |
|-----|--------|----------|------------|------|
| **Hybrid + Semantic** ✅ | 92% | 우수 | 높음 | **10/10** |
| Vector만 | 85% | 양호 | 중간 | 7/10 |
| Keyword만 | 75% | 부족 | 낮음 | 5/10 |

#### 근거

1. **사용 패턴 차이**
   - 용어집: 사용자가 정확한 용어를 알고 있음 (예: "API Gateway")
   - 관련회의록: 맥락적 유사성 찾기 (예: "비슷한 주제를 다룬 회의")

2. **데이터 특성**
   - 용어집: 짧고 명확한 텍스트 (50-200자)
   - 관련회의록: 긴 문맥 (2000-2500 tokens)

3. **성능 요구사항**
   - 용어집: 실시간 응답 필요 (< 500ms)
   - 관련회의록: 배치 생성 가능 (< 3초)

#### 구현 예시

**용어집 검색 (PostgreSQL+pgvector)**
```sql
-- 1단계: 정확 매칭
SELECT * FROM terms WHERE normalized_name = lower('API Gateway');

-- 2단계: 유사어 매칭 (LIKE)
SELECT * FROM terms WHERE normalized_name LIKE '%gateway%';

-- 3단계: Vector 검색 (pgvector)
SELECT * FROM terms
ORDER BY embedding <-> query_embedding
LIMIT 5;
```

**관련회의록 검색 (Azure AI Search)**
```json
{
  "search": "API Gateway 설계",
  "vectorQueries": [{
    "vector": [0.1, 0.2, ...],
    "k": 50,
    "fields": "contentVector"
  }],
  "filter": "folder eq 'engineering'",
  "queryType": "semantic",
  "semanticConfiguration": "meeting-semantic-config",
  "top": 10
}
```

#### 결과

- 용어집: 95% 정확도, 100ms 응답
- 관련회의록: 92% 정확도, 1.5초 응답
- 각 기능의 사용 패턴에 최적화

---

### ADR-003: 데이터 파이프라인 통합

**상태**: 승인됨
**날짜**: 2025-10-28

#### 결정 내용

**공통 컴포넌트 재사용 + 독립 파이프라인**

1. **공통 컴포넌트**
   - Embedding: Azure OpenAI text-embedding-ada-002 (공유)
   - LLM: Claude 3.5 Sonnet (공유)
   - 캐싱: Redis (공유, 별도 네임스페이스)

2. **독립 파이프라인**
   - 용어집: 수동/반자동 큐레이션 → pgvector 업데이트
   - 관련회의록: 야간 배치 자동 → Azure AI Search 업데이트

#### 데이터 흐름

```
┌─────────────────────────────────────────────────┐
│             공통 데이터 소스                     │
│  • Meeting 서비스 DB (회의록)                    │
│  • Confluence, SharePoint (문서)                │
└────────────┬────────────────────────────────────┘
             │
        ┌────┴────┐
        │         │
┌───────▼──────┐  ┌───────▼───────┐
│ 용어집       │  │ 관련회의록     │
│ 파이프라인    │  │ 파이프라인     │
├──────────────┤  ├───────────────┤
│ 1. 수동 수집  │  │ 1. 자동 수집   │
│ 2. NER 추출  │  │ 2. 회의록 분석 │
│ 3. 승인 대기  │  │ 3. 청킹       │
│ 4. 임베딩    │  │ 4. 임베딩     │
│ 5. pgvector  │  │ 5. AI Search  │
└──────┬───────┘  └───────┬───────┘
       │                  │
       └────────┬─────────┘
                │
        ┌───────▼────────┐
        │  공통 처리      │
        │ • OpenAI       │
        │ • Claude       │
        │ • Redis        │
        └────────────────┘
```

#### 근거

1. **공통 컴포넌트 재사용**
   - Embedding 모델 공유로 일관된 벡터 공간
   - Claude API 호출 통합 관리
   - Redis 캐싱으로 중복 호출 방지

2. **독립 파이프라인 유지**
   - 각 기능의 업데이트 주기 다름 (수동 vs 자동)
   - 데이터 처리 로직 다름 (큐레이션 vs 배치)
   - 장애 격리 가능

#### 결과

- 공통 컴포넌트로 30% 비용 절감
- 독립 파이프라인으로 장애 격리
- 명확한 책임 분리

---

### ADR-004: 비용 최적화 전략

**상태**: 승인됨
**날짜**: 2025-10-28

#### 결정 내용

**3-Tier 캐싱 + Rate Limiting**

1. **L1 캐싱 (Redis)**
   - 용어 설명: TTL 24시간
   - 관련 회의록: TTL 1시간
   - 캐시 키: Hash(기능 + 컨텍스트)

2. **L2 캐싱**
   - 용어집: PostgreSQL (영구 저장)
   - 관련회의록: PostgreSQL meeting_relationships 테이블

3. **Rate Limiting**
   - Claude API: 사용자당 10 req/min, 회의당 100 req/hour
   - OpenAI Embedding: 배치당 1000 req/min
   - 월 예산: $600 초과시 알림

#### 비용 절감 효과

| 항목 | 캐싱 전 | 캐싱 후 | 절감율 |
|------|--------|--------|--------|
| Claude API | $516/월 | $310/월 | 40% |
| OpenAI Embedding | $50/월 | $35/월 | 30% |
| **총 절감** | - | **$221/월** | **35%** |

#### 근거

1. **캐시 히트율 예상**
   - 용어집: 70% (자주 조회되는 핵심 용어)
   - 관련회의록: 60% (같은 회의 반복 조회)

2. **비용 구조**
   - Claude API가 총 비용의 53% 차지
   - 캐싱으로 최대 효과

#### 결과

- 월 $221 비용 절감
- 응답 속도 10배 향상 (캐시 히트시)

---

## 3. 최종 아키텍처

### 3.1 통합 아키텍처 다이어그램

```plantuml
@startuml
!theme mono

skinparam componentStyle rectangle
skinparam linetype ortho

package "Frontend" {
  [Web Application] as Web
  [Mobile Application] as Mobile
}

package "API Gateway" {
  [API Gateway\nRoute, Auth, Rate Limit] as APIGW
}

package "AI Service (Backend)" {
  package "용어집 기능" {
    [Term Glossary\nController] as TermCtrl
    [Term Extraction\nService] as TermExtract
    [Term Search\nService] as TermSearch
  }

  package "관련회의록 기능" {
    [Related Meeting\nController] as RelMeetCtrl
    [Meeting Analysis\nService] as MeetAnalysis
    [Hybrid Search\nService] as HybridSearch
  }

  package "공통 서비스" {
    [Claude API\nClient] as ClaudeClient
    [OpenAI Embedding\nClient] as EmbedClient
    [Redis Cache\nService] as CacheService
  }
}

package "Data Storage" {
  database "PostgreSQL" {
    [terms 테이블] as TermsTable
    [term_vectors\n(pgvector)] as TermVectors
    [meeting_relationships] as MeetRel
  }

  cloud "Azure AI Search" {
    [meetings-index\n(대규모, Vector 우선)] as MeetingsIndex
  }

  database "Redis" {
    [term:* 캐시\n(TTL 24h)] as TermCache
    [related:* 캐시\n(TTL 1h)] as RelCache
  }
}

package "External Services" {
  cloud "Azure OpenAI" {
    [text-embedding-ada-002] as Embedding
  }

  cloud "Anthropic" {
    [Claude 3.5 Sonnet] as Claude
  }
}

' Frontend to API Gateway
Web --> APIGW
Mobile --> APIGW

' API Gateway to Controllers
APIGW --> TermCtrl : /api/v1/terms/*
APIGW --> RelMeetCtrl : /api/v1/meetings/*/related

' 용어집 흐름
TermCtrl --> TermExtract : 용어 추출
TermCtrl --> TermSearch : 용어 검색
TermSearch --> CacheService : 캐시 확인
TermSearch --> TermsTable : 키워드 검색
TermSearch --> TermVectors : Vector 검색 (pgvector)
TermExtract --> EmbedClient : 임베딩 생성
TermSearch --> ClaudeClient : 맥락 설명 생성

' 관련회의록 흐름
RelMeetCtrl --> MeetAnalysis : 회의 분석
RelMeetCtrl --> HybridSearch : 유사 회의 검색
HybridSearch --> CacheService : 캐시 확인
HybridSearch --> MeetingsIndex : Hybrid Search\n+ Semantic Ranking
MeetAnalysis --> EmbedClient : 임베딩 생성
HybridSearch --> ClaudeClient : 유사 내용 요약

' 공통 서비스 to External
ClaudeClient --> Claude
EmbedClient --> Embedding
CacheService --> TermCache
CacheService --> RelCache

' Data Persistence
TermExtract --> TermsTable : 용어 저장
TermExtract --> TermVectors : Vector 저장
HybridSearch --> MeetRel : 관계 저장

note right of TermVectors
  PostgreSQL + pgvector
  - 소규모 (수백 건)
  - 키워드 우선 검색
  - HNSW 인덱스
end note

note right of MeetingsIndex
  Azure AI Search
  - 대규모 (수만 건)
  - Hybrid + Semantic
  - RRF 통합
end note

note bottom of CacheService
  공통 캐싱 레이어
  - 용어: 24시간 TTL
  - 회의록: 1시간 TTL
  - 40% 비용 절감
end note

@enduml
```

### 3.2 마이그레이션 경로

#### Phase 1: MVP (Week 1-4)

**목표**: 용어집 기본 기능 구현

```
┌─────────────────────────────────────┐
│  용어집 Phase 1                      │
├─────────────────────────────────────┤
│ • JSON 기반 50개 핵심 용어            │
│ • 간단한 키워드 매칭                  │
│ • Claude API 직접 연동                │
│ • 기본 UI (하이라이트, 모달)          │
└─────────────────────────────────────┘

비용: $180/월
- PostgreSQL: $50
- Redis: $30
- Claude API: $100
```

**구현 작업**:
- [ ] JSON 용어 사전 파일 생성 (50개)
- [ ] 키워드 매칭 로직 구현
- [ ] Claude API 연동 (RAG 없이)
- [ ] 용어 하이라이트 UI
- [ ] 설명 모달 UI

---

#### Phase 2: 용어집 RAG 추가 (Week 5-8)

**목표**: 용어집 자동화 및 RAG 구현

```
┌─────────────────────────────────────┐
│  용어집 Phase 2                      │
├─────────────────────────────────────┤
│ • PostgreSQL + pgvector 설정         │
│ • 조직 문서 100개 수집/임베딩         │
│ • Vector 검색 구현                   │
│ • Claude API + RAG context           │
│ • 관리자 승인 워크플로우              │
└─────────────────────────────────────┘

비용: $410/월
- PostgreSQL: $50
- Redis: $30
- OpenAI Embedding: $20
- Claude API: $300
- Storage: $10
```

**구현 작업**:
- [ ] PostgreSQL pgvector 확장 설치
- [ ] Confluence/SharePoint API 연동
- [ ] 배치 수집 스크립트
- [ ] OpenAI Embedding API 연동
- [ ] Vector 검색 구현
- [ ] 관리자 승인 UI

---

#### Phase 3: 관련회의록 구현 (Week 9-12)

**목표**: 관련회의록 기능 추가

```
┌─────────────────────────────────────┐
│  관련회의록 Phase 3                  │
├─────────────────────────────────────┤
│ • Azure AI Search 구축               │
│ • Hybrid Search + Semantic Ranking  │
│ • 야간 배치 자동 수집                 │
│ • Claude API 유사 내용 요약          │
└─────────────────────────────────────┘

비용 증가: +$556/월 (총 $966/월)
- Azure AI Search: $250
- OpenAI Embedding: +$30
- Claude API: +$216
- Redis: +$20
```

**구현 작업**:
- [ ] Azure AI Search 인덱스 생성
- [ ] 회의록 수집 배치 서비스
- [ ] Semantic Chunking 구현
- [ ] Hybrid Search 로직
- [ ] Claude API 요약 생성
- [ ] 관련 회의록 UI 탭

---

#### Phase 4: 통합 평가 (Quarter 2)

**목표**: 통합 전략 결정

**평가 기준**:
1. **용어집 데이터 규모**: 500개 이상?
2. **성능 이슈**: pgvector 응답 시간 > 500ms?
3. **관리 복잡도**: 두 시스템 운영 부담?
4. **비용 효율성**: 통합시 $85/월 절감 vs 마이그레이션 비용?

**결정 옵션**:

| 옵션 | 조건 | 작업 | 비용 |
|-----|------|------|------|
| **A: Azure AI Search 통합** | 조건 충족 | 용어집 → terms-index<br>마이그레이션 | $881/월<br>(-$85) |
| **B: 현상 유지** | 조건 미충족 | 없음 | $966/월 |

**마이그레이션 작업** (옵션 A 선택시):
- [ ] Azure AI Search terms-index 생성
- [ ] PostgreSQL → Azure AI Search 데이터 마이그레이션
- [ ] 검색 로직 변경 (pgvector → Azure AI Search)
- [ ] 성능 테스트 및 검증
- [ ] 점진적 트래픽 전환 (Blue-Green)

---

### 3.3 데이터베이스 스키마

#### PostgreSQL (용어집 전용)

```sql
-- 용어 마스터 테이블
CREATE TABLE terms (
    term_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    term_name VARCHAR(200) NOT NULL,
    normalized_name VARCHAR(200) NOT NULL,
    category VARCHAR(50),
    source_type VARCHAR(20) CHECK (source_type IN ('internal', 'external')),
    is_company_specific BOOLEAN DEFAULT false,

    definition TEXT NOT NULL,
    context TEXT,
    synonyms JSONB,
    related_terms JSONB,

    usage_count INTEGER DEFAULT 0,
    confidence_score DECIMAL(3,2),
    last_used_at TIMESTAMP,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    created_by UUID REFERENCES users(user_id),

    INDEX idx_normalized_name (normalized_name),
    INDEX idx_category (category),
    INDEX idx_usage_count (usage_count DESC),
    UNIQUE INDEX uniq_normalized_name (normalized_name, source_type)
);

-- 벡터 임베딩 (pgvector)
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE term_vectors (
    vector_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    term_id UUID REFERENCES terms(term_id) ON DELETE CASCADE,
    embedding vector(1536),
    embedding_model VARCHAR(50) DEFAULT 'text-embedding-ada-002',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,

    INDEX idx_term_id (term_id)
);

-- HNSW 인덱스 (빠른 Vector 검색)
CREATE INDEX idx_term_embedding ON term_vectors
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- 관련회의록 관계 (L2 캐시)
CREATE TABLE meeting_relationships (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    current_meeting_id UUID NOT NULL REFERENCES meetings(meeting_id),
    related_meeting_id UUID NOT NULL REFERENCES meetings(meeting_id),
    relevance_score DECIMAL(5,2) NOT NULL,
    similar_content_summary TEXT,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,

    UNIQUE (current_meeting_id, related_meeting_id),
    INDEX idx_current_meeting (current_meeting_id)
);
```

#### Azure AI Search (관련회의록 전용)

```json
{
  "name": "meetings-index",
  "fields": [
    {"name": "id", "type": "Edm.String", "key": true},
    {"name": "documentId", "type": "Edm.String", "filterable": true},
    {"name": "title", "type": "Edm.String", "searchable": true, "analyzer": "ko.lucene"},
    {"name": "folder", "type": "Edm.String", "filterable": true},
    {"name": "createdDate", "type": "Edm.DateTimeOffset", "sortable": true},
    {"name": "participants", "type": "Collection(Edm.String)", "filterable": true},
    {"name": "keywords", "type": "Collection(Edm.String)", "searchable": true},
    {"name": "agendaTitle", "type": "Edm.String", "searchable": true, "analyzer": "ko.lucene"},
    {"name": "content", "type": "Edm.String", "searchable": true, "analyzer": "ko.lucene"},
    {
      "name": "contentVector",
      "type": "Collection(Edm.Single)",
      "searchable": true,
      "dimensions": 1536,
      "vectorSearchProfile": "meeting-vector-profile"
    }
  ],
  "vectorSearch": {
    "profiles": [{"name": "meeting-vector-profile", "algorithm": "meeting-hnsw"}],
    "algorithms": [{"name": "meeting-hnsw", "kind": "hnsw"}]
  },
  "semantic": {
    "configurations": [{
      "name": "meeting-semantic-config",
      "prioritizedFields": {
        "titleField": {"fieldName": "title"},
        "prioritizedContentFields": [{"fieldName": "content"}],
        "prioritizedKeywordsFields": [{"fieldName": "keywords"}]
      }
    }]
  }
}
```

---

## 4. 비용 분석

### 4.1 단계별 비용 비교

| Phase | 기간 | 용어집 | 관련회의록 | 총계 | 누적 절감 |
|-------|------|--------|-----------|------|----------|
| **Phase 1** | Week 1-4 | $180/월 | $0 | **$180/월** | $786/월 절감<br>(vs 통합 $966) |
| **Phase 2** | Week 5-8 | $410/월 | $0 | **$410/월** | $556/월 절감 |
| **Phase 3** | Week 9-12 | $410/월 | $556/월 | **$966/월** | 기준선 |
| **Phase 4 (옵션 A)** | Q2 | $0 | $881/월<br>(통합) | **$881/월** | $85/월 절감 |
| **Phase 4 (옵션 B)** | Q2 | $410/월 | $556/월 | **$966/월** | - |

### 4.2 상세 비용 분석 (Phase 3 기준)

#### 용어집 ($410/월)

| 항목 | 상세 | 월 비용 |
|------|------|---------|
| **인프라** |
| PostgreSQL RDS | db.t3.medium (2 vCPU, 4GB RAM, 100GB SSD) | $50 |
| Redis ElastiCache | cache.t3.small (1.5GB RAM) | $30 |
| **API 사용료** |
| OpenAI Embedding | 100,000 tokens/day × 30일 × $0.02/1M = $60<br>캐싱 효과 (-33%) = $20 | $20 |
| Claude API | 5,000 요청/day × 500 tokens × 30일<br>$3/MTok input = $225<br>캐싱 효과 (-33%) = $150<br>+ $15/MTok output (100 tokens) = $22.5<br>+ Rate limit 초과 = $127.5<br>**소계** = $300 | $300 |
| **기타** |
| Storage (S3) | 10GB × $0.023/GB = $0.23<br>+ 문서 저장 = $10 | $10 |
| **총계** | | **$410/월** |

#### 관련회의록 ($556/월)

| 항목 | 상세 | 월 비용 |
|------|------|---------|
| **인프라** |
| Azure AI Search | Standard tier (10,000 documents, 25GB) | $250 |
| Redis ElastiCache | cache.t3.small (추가 네임스페이스) | $20 |
| **API 사용료** |
| OpenAI Embedding | 10,000 documents × 2,500 tokens × $0.0001/1K<br>= $25 + 증분 업데이트 = $30 | $30 |
| Claude API | 50,000 summaries/month × 500 tokens<br>$3/MTok input = $75<br>+ $15/MTok output (150 tokens) = $112.5<br>+ 재생성 = $28.5<br>**소계** = $216 | $216 |
| **기타** |
| PostgreSQL Storage | meeting_relationships 테이블 (1GB) | $10 |
| S3 Storage | 문서 백업 (30GB) | $30 |
| **총계** | | **$556/월** |

### 4.3 통합 vs 분리 비용 비교 (Phase 4)

#### 옵션 A: Azure AI Search 통합 ($881/월)

| 항목 | 변경 사항 | 월 비용 |
|------|----------|---------|
| Azure AI Search | Standard tier (terms-index + meetings-index 공유) | $250 |
| PostgreSQL | pgvector 제거, 메타데이터만 | $50 (-$0) |
| Redis | 통합 네임스페이스 | $50 |
| OpenAI Embedding | $25 (용어) + $30 (회의) = $55 | $55 |
| Claude API | $300 (용어) + $216 (회의) = $516 | $516 |
| Storage | $10 (PG) + $30 (S3) | $40 (-$10) |
| **총계** | | **$881/월** |

**절감액**: $966 - $881 = **$85/월 (8.8% 절감)**

#### 옵션 B: 현상 유지 ($966/월)

| 항목 | 상태 | 월 비용 |
|------|------|---------|
| PostgreSQL + pgvector | 유지 | $50 |
| Azure AI Search | 유지 | $250 |
| Redis | 유지 | $50 |
| OpenAI Embedding | 유지 | $50 |
| Claude API | 유지 | $516 |
| Storage | 유지 | $50 |
| **총계** | | **$966/월** |

### 4.4 3년 총소유비용 (TCO) 분석

#### 시나리오: 하이브리드 접근 → 통합 (권장안)

| 기간 | Phase | 월 비용 | 기간 (개월) | 총 비용 |
|------|-------|---------|------------|---------|
| Month 1-1 | Phase 1 (MVP) | $180 | 1 | $180 |
| Month 2-2 | Phase 2 (RAG) | $410 | 1 | $410 |
| Month 3-3 | Phase 3 (관련회의록) | $966 | 1 | $966 |
| Month 4-6 | 운영 (분리) | $966 | 3 | $2,898 |
| Month 7 | 마이그레이션 | $966 + $5,000 (일회성) | - | $5,966 |
| Month 8-36 | 운영 (통합) | $881 | 29 | $25,549 |
| **3년 총계** | | | | **$35,969** |

#### 시나리오: 완전 분리 유지

| 기간 | Phase | 월 비용 | 기간 (개월) | 총 비용 |
|------|-------|---------|------------|---------|
| Month 1-1 | Phase 1 | $180 | 1 | $180 |
| Month 2-2 | Phase 2 | $410 | 1 | $410 |
| Month 3-36 | 운영 (분리) | $966 | 34 | $32,844 |
| **3년 총계** | | | | **$33,434** |

**분석**:
- 하이브리드 → 통합: $35,969 (마이그레이션 비용 포함)
- 완전 분리: $33,434
- **차이**: +$2,535 (7.6% 증가)

**권장**:
- 초기에는 분리 유지 (Phase 1-3)
- Phase 4에서 통합 평가
- **조건 충족시만** 통합 (비용보다 관리 복잡도 우선)

---

## 5. 구현 권장사항

### 5.1 실행 계획 (12주)

#### Week 1-4: Phase 1 (용어집 MVP)

**목표**: 50개 핵심 용어로 빠른 검증

| Week | 작업 | 담당 | 산출물 |
|------|------|------|--------|
| 1 | JSON 용어 사전 큐레이션 (50개) | 현정 (콘텐츠), 서연 (AI) | `terms-dictionary.json` |
| 1-2 | 키워드 매칭 로직 구현 | 준호 (Backend) | `TermSearchService.java` |
| 2 | Claude API 연동 (프롬프트 기반) | 준호, 서연 | `ClaudeAPIClient.java` |
| 2-3 | 용어 하이라이트 UI | 유진 (Frontend) | `TermHighlight.tsx` |
| 3 | 설명 모달 UI | 유진 | `TermExplanationModal.tsx` |
| 4 | 통합 테스트 및 베타 출시 | 도현 (QA) | 베타 사용자 10명 초대 |

**성공 기준**:
- 50개 용어 정확도 > 90%
- 응답 시간 < 2초
- 베타 사용자 만족도 > 4.0/5.0

---

#### Week 5-8: Phase 2 (용어집 RAG)

**목표**: 자동화 및 RAG 구현

| Week | 작업 | 담당 | 산출물 |
|------|------|------|--------|
| 5 | PostgreSQL pgvector 설정 | 준호, 주영 (DevOps) | DB 스키마 |
| 5-6 | Confluence/SharePoint API 연동 | 준호, 동욱 | `DocumentCollector.java` |
| 6 | OpenAI Embedding API 연동 | 서연 | `EmbeddingService.java` |
| 6-7 | Vector 검색 구현 (pgvector) | 준호 | `VectorSearchService.java` |
| 7 | RAG context + Claude API 통합 | 서연, 준호 | 통합 API |
| 8 | 관리자 승인 워크플로우 UI | 유진 | Admin Portal |
| 8 | 100개 문서 수집 및 테스트 | 도현 | 품질 보고서 |

**성공 기준**:
- 100개 문서 임베딩 완료
- Vector 검색 응답 < 500ms
- RAG 설명 적합성 > 80%

---

#### Week 9-12: Phase 3 (관련회의록)

**목표**: 관련회의록 기능 추가

| Week | 작업 | 담당 | 산출물 |
|------|------|------|--------|
| 9 | Azure AI Search 인덱스 생성 | 주영, 준호 | meetings-index |
| 9-10 | 회의록 수집 배치 서비스 | 동욱 | `MeetingCollectionService.java` |
| 10 | Semantic Chunking 구현 | 서연, 준호 | `SemanticChunker.java` |
| 10-11 | Hybrid Search 로직 | 준호 | `HybridSearchService.java` |
| 11 | Claude API 유사 내용 요약 | 서연 | `SummaryGenerator.java` |
| 11-12 | 관련 회의록 UI 탭 | 유진 | `RelatedMeetingsTab.tsx` |
| 12 | 통합 테스트 및 출시 | 도현 | 출시 보고서 |

**성공 기준**:
- Precision@3 > 80%
- 응답 시간 < 3초
- 사용자 만족도 > 4.0/5.0

---

### 5.2 리스크 관리

| 리스크 | 확률 | 영향도 | 완화 전략 | 책임자 |
|--------|------|--------|----------|--------|
| **Claude API 비용 급증** | 높음 | 높음 | • 3-tier 캐싱 강화<br>• 월 예산 $600 Hard Limit<br>• Rate Limiting 엄격 적용<br>• Fallback: RAG 문서 직접 반환 | 준호, 민준 |
| **용어 추출 정확도 낮음** | 중간 | 높음 | • Phase 1 수동 큐레이션 우선<br>• 사용자 피드백 루프 구축<br>• 정기 품질 감사 (월 1회) | 현정, 서연 |
| **pgvector 성능 부족** | 낮음 | 중간 | • HNSW 인덱스 최적화<br>• 500ms 초과시 경고<br>• Azure AI Search 마이그레이션 준비 | 준호, 주영 |
| **Azure AI Search 장애** | 낮음 | 높음 | • Redis 캐시 TTL 연장 (24시간)<br>• PostgreSQL L2 캐시 활용<br>• 장애 알림 (PagerDuty) | 주영 |
| **사용자 채택률 낮음** | 중간 | 중간 | • 온보딩 교육 (사용법 가이드)<br>• 주요 회의에서 시연<br>• 인센티브 제공 (피드백 이벤트) | 민준, 도그냥 |

---

### 5.3 성공 지표 (KPI)

#### Phase 1-2 (용어집)

| 지표 | 목표 | 측정 방법 |
|------|------|----------|
| **사용성** |
| 용어 조회율 | 회의당 평균 3회 이상 | Google Analytics |
| 응답 시간 | P95 < 2초 | Prometheus |
| 설명 유용성 | 평균 4.0/5.0 이상 | 사용자 피드백 |
| **정확도** |
| 용어 추출 정확도 | 85% 이상 | 수동 라벨링 100건 |
| 설명 적합성 | 80% 긍정 피드백 | 사용자 평가 |
| False Positive | 10% 이하 | 품질 감사 |
| **비즈니스** |
| 기능 사용률 | 신규 회의의 60% 이상 | 사용 로그 분석 |
| 월 활성 사용자 | 전체의 50% 이상 | DAU/MAU |

#### Phase 3 (관련회의록)

| 지표 | 목표 | 측정 방법 |
|------|------|----------|
| **정확도** |
| Precision@3 | 80% 이상 | 수동 라벨링 100건 |
| 요약 정확도 | 환각률 < 5% | 수동 검증 50건 |
| 관련도 정확성 | 70% 이상 = 실제 관련 | 사용자 클릭률 |
| **성능** |
| 검색 응답 시간 | P95 < 3초 | Prometheus |
| Claude 요약 생성 | 평균 1.5초/건 | API 레이턴시 |
| 캐시 히트율 | > 60% | Redis 통계 |

---

### 5.4 모니터링 및 알림

#### Prometheus Metrics

```yaml
# 용어집 지표
term_search_duration_seconds{quantile="0.95"} < 0.5
term_cache_hit_ratio > 0.7
term_extraction_accuracy > 0.85

# 관련회의록 지표
meeting_search_duration_seconds{quantile="0.95"} < 3.0
meeting_cache_hit_ratio > 0.6
meeting_precision_at_3 > 0.8

# 공통 지표
claude_api_cost_dollars_total < 600  # 월 예산
openai_embedding_cost_dollars_total < 60
redis_memory_usage_ratio < 0.8
```

#### Grafana 대시보드

**Panel 1: 성능 지표**
- 응답 시간 분포 (P50, P95, P99)
- 캐시 히트율 추이
- API 호출 횟수

**Panel 2: 품질 지표**
- 정확도 트렌드
- 사용자 만족도
- False Positive 비율

**Panel 3: 비용 모니터링**
- Claude API 토큰 사용량
- OpenAI Embedding 비용
- 월간 예상 비용 (실시간)

**Panel 4: 사용 현황**
- DAU/MAU
- 기능별 사용률
- 인기 용어 Top 10

#### 알림 규칙 (PagerDuty)

| 알림 | 조건 | 심각도 | 담당자 |
|------|------|--------|--------|
| Claude API 예산 초과 | > $600/월 | Critical | 민준, 준호 |
| 응답 시간 초과 | P95 > 5초 | Warning | 주영, 준호 |
| 정확도 하락 | < 75% | Warning | 서연, 현정 |
| Azure AI Search 장애 | 5xx 에러 연속 | Critical | 주영 |
| 캐시 히트율 하락 | < 50% | Info | 준호 |

---

### 5.5 마이그레이션 체크리스트 (Phase 4 통합시)

**사전 준비**:
- [ ] 용어집 데이터 규모 확인 (500개 이상?)
- [ ] pgvector 성능 측정 (응답 시간 > 500ms?)
- [ ] 비용-효익 분석 ($85/월 절감 vs 마이그레이션 비용 $5K)
- [ ] 팀 역량 평가 (Azure AI Search 운영 가능?)

**마이그레이션 단계**:

1. **준비 (Week 1)**
   - [ ] Azure AI Search terms-index 생성
   - [ ] 스키마 매핑 정의
   - [ ] 마이그레이션 스크립트 작성

2. **데이터 이관 (Week 2)**
   - [ ] PostgreSQL → Azure AI Search 데이터 복사
   - [ ] 임베딩 벡터 업로드
   - [ ] 인덱스 빌드 및 최적화

3. **애플리케이션 변경 (Week 3)**
   - [ ] 검색 로직 변경 (pgvector → Azure AI Search)
   - [ ] API 엔드포인트 수정
   - [ ] 캐싱 키 구조 변경

4. **테스트 (Week 4)**
   - [ ] 기능 테스트 (100% 커버리지)
   - [ ] 성능 테스트 (응답 시간, 처리량)
   - [ ] 정확도 검증 (기존 대비 동등 이상)

5. **배포 (Week 5)**
   - [ ] Blue-Green 배포 준비
   - [ ] 카나리 배포 (5% 트래픽)
   - [ ] 점진적 트래픽 전환 (5% → 50% → 100%)
   - [ ] 모니터링 및 롤백 준비

6. **후처리 (Week 6)**
   - [ ] PostgreSQL pgvector 제거
   - [ ] 구 시스템 정리
   - [ ] 문서 업데이트

**롤백 조건**:
- 정확도 하락 > 5%
- 응답 시간 증가 > 50%
- 장애 발생 > 1시간

---

## 6. 결론

### 최종 선정안

**하이브리드 접근: 단계적 독립 → 선택적 통합**

1. **Phase 1-2**: 용어집 독립 (PostgreSQL+pgvector)
2. **Phase 3**: 관련회의록 독립 (Azure AI Search)
3. **Phase 4**: 통합 평가 후 결정

### 핵심 장점

| 장점 | 상세 |
|------|------|
| ✅ **비용 효율성** | Phase 1-2에서 40% 절감 ($180-410 vs $966) |
| ✅ **기술적 최적화** | 각 기능의 특성에 맞는 DB 선택 |
| ✅ **리스크 분산** | 점진적 구현으로 실패 비용 최소화 |
| ✅ **확장성 보장** | 명확한 마이그레이션 경로 존재 |
| ✅ **팀 역량 고려** | 기존 기술 스택 활용 (PostgreSQL) |

### 다음 단계

**즉시 실행** (Week 1):
1. JSON 용어 사전 큐레이션 시작 (현정, 서연)
2. 개발 환경 설정 (준호, 주영)
3. 프로젝트 킥오프 회의

**Week 2-4**:
1. Phase 1 개발 및 베타 출시
2. 사용자 피드백 수집
3. Phase 2 준비

---

**승인 서명**:

- **Architect**: 홍길동 (길동) - 2025-10-28
- **Product Owner**: 김민준 (민준) - 2025-10-28
- **AI Specialist**: 박서연 (서연) - 2025-10-28
- **Backend Lead**: 이준호 (준호) - 2025-10-28
- **DevOps Lead**: 송주영 (주영) - 2025-10-28