# 실시간 회의록 작성 전체 프로세스

## 1. 개요

### 1.1 문서 목적
회의 진행 중 참석자의 발언을 실시간으로 텍스트로 변환하고, AI 기반으로 회의록 내용을 정리하며, 전문용어와 관련 자료를 자동으로 추출하여 모든 참석자에게 실시간으로 제공하는 전체 프로세스를 정의합니다.

### 1.2 핵심 목표
- **자동 회의록 작성**: AI 기반 내용 정리 및 구조화
- **지능형 분석**: 전문용어 자동 감지 및 맥락 기반 설명
- **관련 자료 연결**: 과거 회의록 및 사내 문서 자동 링크
- **데이터 영속성**: 모든 처리 결과를 데이터베이스에 저장
- **실시간 동기화**: 모든 참석자에게 동일한 정보 제공

---

## 2. 전체 프로세스 개요

### 2.1 5단계 처리 플로우

```
Phase 1: 음성 → 텍스트 변환
  ↓
Phase 2: AI 분석 (병렬 처리)
  - 회의록 내용 정리
  - 전문용어 추출
  - 관련 자료 검색
  ↓
Phase 3: 데이터 저장 (영속화)
  ↓
Phase 4: 처리 결과 실시간 동기화
  ↓
Phase 5: 통합 화면 표시
```

---

## 3. Phase 1: 음성 → 텍스트 변환

### 3.1 음성 녹음
**참여자**: 참석자, 웹 애플리케이션

**처리 흐름**:
1. 참석자가 회의 중 발언
2. 웹 애플리케이션이 마이크를 통해 음성 녹음
3. 실시간 스트리밍 방식으로 STT Service에 전송

**기술 스택**:
- Web Audio API
- WebRTC MediaStream
- 실시간 스트리밍 (WebSocket 또는 gRPC)

---

### 3.2 STT 변환
**참여자**: STT Service, Azure Speech

**처리 흐름**:
1. STT Service가 음성 스트림 수신
2. Azure Speech API로 실시간 변환 요청
3. 변환된 텍스트 세그먼트 수신 (화자, 타임스탬프)
4. STT DB에 텍스트 세그먼트 저장

**데이터 구조**:
```json
{
  "segmentId": "seg-12345",
  "meetingId": "meeting-123",
  "speaker": "홍길동",
  "timestamp": "2025-01-22T14:30:15.123Z",
  "text": "다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다",
  "confidence": 0.97
}
```

**성능 목표**:
- 발언 → 텍스트 변환: **< 1초**
- STT 변환 정확도: **> 95%**
- 화자 식별 정확도: **> 90%**

---

### 3.3 이벤트 발행
**참여자**: STT Service, RabbitMQ

**처리 흐름**:
- 5초 간격으로 변환된 텍스트 세그먼트를 배치 처리
- RabbitMQ에 `TranscriptReady` 이벤트 발행

**이벤트 페이로드**:
```json
{
  "eventType": "TranscriptReady",
  "meetingId": "meeting-123",
  "timestamp": "2025-01-22T14:30:20.000Z",
  "segments": [
    {
      "segmentId": "seg-12345",
      "speaker": "홍길동",
      "text": "다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다",
      "timestamp": "2025-01-22T14:30:15.123Z"
    },
    {
      "segmentId": "seg-12346",
      "speaker": "김철수",
      "text": "각 팀별 목표를 먼저 정의하고 진행하면 좋겠습니다",
      "timestamp": "2025-01-22T14:30:18.456Z"
    }
  ]
}
```

---

## 4. Phase 2: AI 분석 (병렬 처리)

### 4.1 회의록 내용 정리
**담당**: AI Service (LLM 기반)

**처리 단계**:

#### 4.1.1 발언 내용 분석
```
입력 텍스트:
"홍길동: 다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다"
"김철수: 각 팀별 목표를 먼저 정의하고 진행하면 좋겠습니다"

↓ LLM 분석

주제 파악: "다음 분기 목표 설정"
핵심 내용: "OKR 및 KPI 설정 필요성"
액션 아이템: "팀별 목표 정의"
```

#### 4.1.2 주제별 분류
```
주제 1: 목표 설정
  - OKR 설정 필요성
  - KPI 정의

주제 2: 실행 계획
  - 팀별 목표 정의 우선
  - 진행 방안
```

#### 4.1.3 핵심 내용 요약
```
요약:
다음 분기 OKR 달성을 위해 KPI 설정이 필요하며,
각 팀별 목표를 먼저 정의한 후 진행하기로 합의함.
```

#### 4.1.4 구조화된 회의록 생성
```json
{
  "meetingId": "meeting-123",
  "summary": "다음 분기 OKR 달성을 위한 KPI 설정 논의",
  "topics": [
    {
      "topicId": "topic-001",
      "title": "목표 설정",
      "content": "OKR 및 KPI 설정 필요성 논의",
      "participants": ["홍길동", "김철수"],
      "timestamp": "2025-01-22T14:30:15.123Z"
    }
  ],
  "actionItems": [
    {
      "actionId": "action-001",
      "description": "팀별 목표 정의",
      "assignee": "각 팀",
      "dueDate": null
    }
  ]
}
```

**성능 목표**:
- 회의록 정리: **< 5초** (5초 배치당)

---

### 4.2 전문용어 추출
**담당**: AI Service (NLP + LLM)

**처리 단계**:

#### 4.2.1 전문용어 자동 감지
```
입력: "다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다"

↓ NLP 분석

감지된 용어:
- OKR (대문자 약어)
- KPI (대문자 약어)
```

**감지 알고리즘**:
- 대문자 약어 패턴 (2-5자)
- 용어 사전 기반 매칭
- 문맥 기반 전문용어 분류

#### 4.2.2 벡터 임베딩 생성
```
용어: "OKR"
↓
OpenAI Embeddings API
↓
벡터: [0.123, -0.456, 0.789, ...]  (1536차원)
```

#### 4.2.3 맥락 기반 설명 생성
```
LLM 프롬프트:
"""
다음 용어를 우리 조직의 실제 사용 맥락에서 설명해주세요:
- 용어: OKR
- 발언 문맥: "다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다"
- 관련 문서: [OKR 운영 가이드, 2024 Q4 OKR 회의록]
"""

↓ LLM 응답

설명:
"OKR(Objectives and Key Results)은 우리 조직에서 분기별 목표 관리
체계로 사용됩니다. 각 팀은 분기 초에 3-5개의 핵심 목표(Objectives)와
각 목표당 3-5개의 핵심 결과(Key Results)를 설정하며, KPI와 함께
성과 측정 지표로 활용됩니다."
```

**결과 데이터 구조**:
```json
{
  "terms": [
    {
      "termId": "term-001",
      "term": "OKR",
      "position": [7, 10],
      "explanation": "OKR(Objectives and Key Results)은...",
      "category": "경영관리",
      "relatedDocs": ["doc-123", "doc-456"]
    },
    {
      "termId": "term-002",
      "term": "KPI",
      "position": [18, 21],
      "explanation": "KPI(Key Performance Indicator)는...",
      "category": "경영관리",
      "relatedDocs": ["doc-789"]
    }
  ]
}
```

**성능 목표**:
- 전문용어 감지 및 설명: **< 3초**

---

### 4.3 관련 자료 검색
**담당**: AI Service (RAG - 벡터 검색)

**처리 단계**:

#### 4.3.1 유사도 기반 문서 검색
```
쿼리 벡터: [OKR 임베딩]
↓
Vector DB 검색 (Pinecone/Weaviate)
↓
유사도 점수 계산 (Cosine Similarity)
↓
관련도 70% 이상 문서 필터링
↓
상위 5개 문서 선택

결과:
1. "OKR 운영 가이드" (관련도: 95%)
2. "2024 Q4 OKR 회의록" (관련도: 88%)
3. "OKR vs KPI 비교" (관련도: 82%)
4. "목표 설정 가이드" (관련도: 78%)
5. "분기별 성과 관리" (관련도: 73%)
```

#### 4.3.2 관련 회의록 검색
```
현재 회의 주제: "다음 분기 목표 설정"
↓
과거 회의록 DB 검색
↓
주제 유사도 기반 필터링
↓
최근 6개월 이내 회의록 우선

결과:
1. "2024 Q4 목표 설정 회의" (2024-10-15)
2. "팀별 OKR 리뷰 회의" (2024-12-20)
3. "성과 지표 개선 논의" (2024-11-08)
```

#### 4.3.3 참고 자료 링크 생성
```json
{
  "relatedDocs": [
    {
      "docId": "doc-123",
      "title": "OKR 운영 가이드",
      "type": "document",
      "url": "/documents/okr-guide",
      "relevance": 0.95,
      "summary": "조직 내 OKR 설정 및 운영 방법"
    },
    {
      "docId": "meeting-456",
      "title": "2024 Q4 목표 설정 회의",
      "type": "meeting",
      "url": "/meetings/meeting-456",
      "relevance": 0.88,
      "summary": "지난 분기 목표 설정 과정 및 결과"
    }
  ]
}
```

**성능 목표**:
- 관련 자료 검색: **< 2초**

---

## 5. Phase 3: 데이터 저장

### 5.1 AI Service 저장
**데이터베이스**: AI DB (PostgreSQL)

**저장 내용**:
- 전문용어 사전 (TermGlossary)
- 용어 설명 (TermExplanation)
- 문서 임베딩 (DocumentEmbedding)
- 처리 이력 (ProcessingHistory)

---

### 5.2 Meeting Service 저장
**데이터베이스**: Meeting DB (PostgreSQL)

**저장 내용**:

#### 5.2.1 회의록 데이터
```sql
-- Transcript 테이블
INSERT INTO transcripts (
  meeting_id,
  summary,
  content,
  status,
  created_at
) VALUES (
  'meeting-123',
  '다음 분기 OKR 달성을 위한 KPI 설정 논의',
  '{구조화된 회의록 JSON}',
  'in_progress',
  '2025-01-22T14:30:20.000Z'
);
```

#### 5.2.2 전문용어 매핑
```sql
-- TranscriptTerms 테이블
INSERT INTO transcript_terms (
  transcript_id,
  term_id,
  position,
  context
) VALUES (
  'transcript-123',
  'term-001',
  '[7, 10]',
  '다음 분기 OKR 달성을 위한 KPI 설정이 필요합니다'
);
```

#### 5.2.3 관련 자료 링크
```sql
-- TranscriptRelatedDocs 테이블
INSERT INTO transcript_related_docs (
  transcript_id,
  doc_id,
  doc_type,
  relevance,
  created_at
) VALUES (
  'transcript-123',
  'doc-123',
  'document',
  0.95,
  '2025-01-22T14:30:20.000Z'
);
```

**성능 목표**:
- 데이터 저장: **< 1초**

---

### 5.3 이벤트 발행
**참여자**: AI Service, RabbitMQ

**이벤트**: `TranscriptSummaryCreated`

**페이로드**:
```json
{
  "eventType": "TranscriptSummaryCreated",
  "meetingId": "meeting-123",
  "transcriptId": "transcript-123",
  "timestamp": "2025-01-22T14:30:20.000Z",
  "summary": "다음 분기 OKR 달성을 위한 KPI 설정 논의",
  "termCount": 2,
  "relatedDocCount": 5
}
```

---

## 6. Phase 4: 처리 결과 실시간 동기화

### 6.1 Meeting Service 처리
**참여자**: Meeting Service

**처리 흐름**:
1. `TranscriptSummaryCreated` 이벤트 구독
2. 회의 상태 업데이트 (DB)
3. Collaboration Service에 회의록 업데이트 요청 (REST API)

**API 요청**:
```http
POST /api/collaboration/meetings/{meetingId}/transcript-update
Content-Type: application/json

{
  "transcriptId": "transcript-123",
  "summary": "다음 분기 OKR 달성을 위한 KPI 설정 논의",
  "terms": [...],
  "relatedDocs": [...]
}
```

---

### 6.2 Collaboration Service 동기화
**참여자**: Collaboration Service, 모든 참석자

**처리 흐름**:
1. Meeting Service로부터 업데이트 요청 수신
2. WebSocket으로 모든 참석자에게 통합 결과 전송

**WebSocket 메시지**:
```json
{
  "type": "transcript-summary-update",
  "meetingId": "meeting-123",
  "timestamp": "2025-01-22T14:30:22.000Z",
  "data": {
    "summary": "다음 분기 OKR 달성을 위한 KPI 설정 논의",
    "topics": [
      {
        "title": "목표 설정",
        "content": "OKR 및 KPI 설정 필요성 논의",
        "participants": ["홍길동", "김철수"]
      }
    ],
    "terms": [
      {
        "term": "OKR",
        "explanation": "OKR(Objectives and Key Results)은...",
        "relatedDocs": [...]
      },
      {
        "term": "KPI",
        "explanation": "KPI(Key Performance Indicator)는...",
        "relatedDocs": [...]
      }
    ],
    "relatedDocs": [
      {
        "title": "OKR 운영 가이드",
        "url": "/documents/okr-guide",
        "relevance": 0.95
      }
    ],
    "actionItems": [
      {
        "description": "팀별 목표 정의",
        "assignee": "각 팀"
      }
    ]
  }
}
```

**성능 목표**:
- WebSocket 전송: **< 500ms**

---

## 7. Phase 5: 통합 화면 표시

### 7.1 UI 컴포넌트 구성

#### 7.1.1 메인 영역
**정리된 회의록**:
- 주제별 탭 구성
- 핵심 내용 요약
- 액션 아이템 하이라이트
- 전문용어 하이라이트 (밑줄)

#### 7.1.2 사이드바 (우측)
**전문용어 패널**:
- 감지된 전문용어 목록
- 클릭 시 상세 설명 표시
- 관련 문서 빠른 링크

**관련 자료 패널**:
- 관련도 순으로 정렬
- 문서 유형 아이콘 표시
- 클릭 시 새 탭에서 열기

**액션 아이템 패널**:
- 실시간 추출된 할 일 목록
- 담당자 할당 가능
- 진행 상황 추적

### 7.2 인터랙션

**전문용어 호버**:
```
사용자가 하이라이트된 용어에 마우스 오버
  ↓
툴팁 표시 (간단한 정의)
  ↓
클릭 시 상세 설명 팝업
```

**관련 자료 클릭**:
```
사용자가 관련 문서 링크 클릭
  ↓
새 탭에서 문서 열기
  ↓
문서 내용 표시 (PDF, 회의록, Wiki 등)
```

**액션 아이템 생성**:
```
AI가 자동 추출한 할 일 표시
  ↓
사용자가 담당자 할당
  ↓
Todo Service에 자동 등록
```

---

## 8. 전체 프로세스 성능 목표

### 8.1 단계별 성능

| Phase | 단계 | 목표 시간 |
|-------|------|----------|
| 1 | 음성 → 텍스트 변환 | < 1초 |
| 2-1 | 회의록 내용 정리 | < 5초 |
| 2-2 | 전문용어 추출 | < 3초 |
| 2-3 | 관련 자료 검색 | < 2초 |
| 3 | 데이터 저장 | < 1초 |
| 4 | 처리 결과 동기화 | < 1초 |
| 5 | 통합 화면 표시 | < 500ms |
| **전체** | **발언 → 완전 처리** | **< 13초** |

### 8.2 사용자 체감 성능

| 항목 | 목표 |
|------|------|
| 발언 → AI 분석 완료 | < 10초 |
| 분석 결과 → 화면 표시 | < 2초 |
| 용어 설명 표시 | 즉시 (클릭 시) |
| 관련 자료 로딩 | < 3초 |

---

## 9. 데이터 흐름 요약

```
음성 (User)
  ↓
텍스트 (STT Service → STT DB)
  ↓
이벤트 (RabbitMQ)
  ↓
┌─────────┬─────────┬─────────┐
↓         ↓         ↓
회의록   전문용어  관련자료
정리     추출      검색
(AI)     (AI)      (AI)
  ↓         ↓         ↓
AI DB    AI DB    AI DB
  ↓         ↓         ↓
         통합 결과 (Meeting DB)
                ↓
         실시간 동기화 (Collab)
                ↓
         통합 화면 표시 (WebApp)
```

---

## 10. 기술 스택

### 10.1 서비스별 기술

| 서비스 | 핵심 기술 | 용도 |
|--------|----------|------|
| STT Service | Azure Speech API | 음성-텍스트 변환 |
| AI Service | OpenAI GPT-4 | 회의록 정리, 용어 설명 |
| AI Service | OpenAI Embeddings | 벡터 임베딩 생성 |
| AI Service | Pinecone/Weaviate | 벡터 검색 |
| Meeting Service | PostgreSQL | 회의록 데이터 저장 |
| Collaboration Service | Socket.io | 실시간 WebSocket |
| 웹 애플리케이션 | React | UI 렌더링 |
| 웹 애플리케이션 | Web Audio API | 음성 녹음 |

### 10.2 인프라

| 컴포넌트 | 기술 | 용도 |
|----------|------|------|
| 메시지 브로커 | RabbitMQ | 이벤트 기반 통신 |
| 캐시 | Redis | 용어 설명 캐싱 |
| 데이터베이스 | PostgreSQL | 영속성 저장소 |
| 벡터 DB | Pinecone | 문서 임베딩 검색 |

---

## 11. 에러 처리 및 복구

### 11.1 STT 변환 실패
**시나리오**: Azure Speech API 장애, 네트워크 지연

**대응**:
1. 음성 데이터 로컬 버퍼링 (최대 5분)
2. 재시도 (Exponential Backoff, 최대 3회)
3. 실패 시 사용자 알림 + 수동 입력 옵션
4. 회의 종료 후 배치 재처리

### 11.2 AI 처리 실패
**시나리오**: LLM API 타임아웃, 용량 초과

**대응**:
1. AI 처리 백그라운드 재시도
2. 처리 완료 시 화면 업데이트
3. 최종 실패 시 회의 종료 후 재처리
4. 사용자에게 처리 상태 알림

### 11.3 데이터 저장 실패
**시나리오**: DB 연결 끊김, 디스크 풀

**대응**:
1. Redis에 임시 저장 (백업)
2. DB 복구 후 자동 동기화
3. 관리자 알림 발송
4. 데이터 무결성 검증

### 11.4 WebSocket 연결 끊김
**시나리오**: 네트워크 불안정, 클라이언트 재시작

**대응**:
1. 자동 재연결 (최대 5회, 10초 간격)
2. 재연결 성공 시 누락 데이터 동기화 (REST API)
3. 최종 실패 시 폴링 모드로 전환
4. 사용자에게 연결 상태 표시

---

## 12. 보안 및 프라이버시

### 12.1 음성 데이터 보안
- **전송 암호화**: TLS 1.3
- **저장 암호화**: AES-256
- **보관 기간**: 회의 종료 후 90일
- **자동 삭제**: 90일 경과 후 완전 삭제

### 12.2 회의록 접근 제어
- **참석자 전용**: 회의 참석자만 조회 가능
- **권한 관리**: 작성자/참석자/뷰어 권한 분리
- **공유 설정**: 링크 기반 공유 시 비밀번호 설정
- **감사 로그**: 모든 접근 기록 저장

### 12.3 전문용어 및 관련 자료
- **권한 기반 필터링**: 사용자 권한에 따른 자료 필터링
- **민감 정보 마스킹**: 개인정보 자동 마스킹
- **접근 로그**: 문서 조회 이력 기록

---

## 13. 향후 개선 방향

### 13.1 단기 (1-3개월)
- [ ] 다국어 지원 (영어, 일본어)
- [ ] 회의록 템플릿 자동 적용
- [ ] 감정 분석 (발언 톤 분석)
- [ ] 오프라인 모드 지원

### 13.2 중기 (3-6개월)
- [ ] 실시간 번역 (동시통역)
- [ ] AI 기반 회의 진행 가이드
- [ ] 회의 품질 점수 및 개선 제안
- [ ] 발언 시간 분석 및 밸런스 알림

### 13.3 장기 (6-12개월)
- [ ] 회의 효율성 예측 모델
- [ ] 자동 후속 회의 스케줄링
- [ ] 조직 지식 그래프 구축
- [ ] 회의록 기반 의사결정 추적

---

## 14. 다이어그램

**파일**: `design/backend/logical/realtime-meeting-transcript-flow.mmd`

### 14.1 렌더링 방법
1. [Mermaid Live Editor](https://mermaid.live/) 접속
2. `realtime-meeting-transcript-flow.mmd` 파일 내용 복사
3. 붙여넣기 → Sequence Diagram 확인

---

## 15. 참고 자료

- [논리 아키텍처 설계서](./logical-architecture.md)
- [실시간 음성-용어설명 프로세스](./realtime-stt-rag-flow.md)
- [Azure Speech 문서](https://learn.microsoft.com/azure/cognitive-services/speech-service/)
- [OpenAI API 문서](https://platform.openai.com/docs/)
- [Pinecone 벡터 DB](https://www.pinecone.io/)
- [Socket.io 문서](https://socket.io/)

---

## 16. 문서 이력

| 버전 | 작성일 | 작성자 | 변경 내용 |
|------|--------|--------|----------|
| 1.0 | 2025-01-22 | 길동 (Architect) | 초안 작성 |
| 1.1 | 2025-01-22 | 길동 (Architect) | 실시간 텍스트 표시 단계 제거, 5단계 프로세스로 단순화 |