Sorapot 프로젝트

🌱 프로젝트 개요

Sorapot은 로컬 LLM(AI)과 IoT 센싱·제어, 맞춤형 데이터·UI를 결합하여
비전문가도 쉽게 식물을 재배, 관리, 모니터링할 수 있는 "지능형 AI팜 시스템"을 개발하는 것을 목표로 합니다.
(주요 예시 식물: 고추, 방울토마토 등)

🎯 핵심 목표 & 비전

🚀 추진 단계 & 작업 흐름

1. 기획/분석
프로젝트 목적·요구사항 정의,
기술 검토·팀 역할 분담
2. 데이터 수집/정제
식물별 재배법·환경정보 크롤링 및 Q&A·예시 수집
센서 데이터 파이프라인 구축
3. AI/RAG/파인튜닝
TinyLlama 등 경량 LLM, RAG(벡터DB)
QLoRA 파인튜닝, QA 시나리오 설계
4. IoT/센서 연동
온습도, 토양수분, 조도, EC/pH 센서
펌프·LED 등 MCU 액추에이터
5. 백엔드/프론트 개발
FastAPI, Flask, 대시보드 UI(React/Streamlit), 프롬프트 창
6. 테스트/통합/운영
전체 시스템 검증
사용자 피드백, 자동화 배포·운영

🔧 주요 기술·데이터·리소스

구분상세 내용(주요 도구/플랫폼)적용/역할
데이터수집 Hugging Face Datasets, Kaggle, Common Crawl, 직접 크롤링 식물 Q&A, 재배 시나리오, 실환경 센싱데이터
AI/모델 TinyLlama, Hugging Face, QLoRA, 벡터DB(FAISS/Chroma), Transformers 도메인 용 LLM 파인튜닝, RAG 기반 QA
IoT/센서 Raspberry Pi, ESP32, 온습도/토양/조도/EC센서, MQTT, Python 환경 데이터 수집 및 제어 신호
백엔드 FastAPI, Flask, REST API, DB(SQLite/PostgreSQL) 데이터 처리·AI API 서빙
프론트엔드 React, Next.js, Streamlit, Responsive CSS 실시간 모니터링·프롬프트 UI
배포/운영 Docker, GitHub Actions, Kubeflow 자동화·MLOps·운영확장

🗂️ 세부 일정 & 마일스톤(예시, 15주)

기간주요 내용산출물
1-2주 기획·분석·기술스택 확정, 역할분담 스펙, 역할, 기능정의
3-5주 데이터 수집/정제, AI QA 데이터셋 구축 Q&A, RAG DB, 센서 파이프라인
6-8주 AI/RAG 도메인 파인튜닝, LLM 구축 최적화 LLM, 검색형 QA API
9-10주 IoT 하드웨어 연동·센서 실증 센서값 실시간 연동, 액추에이터 제어
11-13주 백엔드/프론트엔드 UI/UX 개발 대시보드, 프롬프트 시스템
14-15주 통합 테스트·AI/센서 검증·배포 최종 PoC/프로토타입, 피드백 로그, 자동배포 스크립트
운영·확장 고려: 배포-DB확장, 추가 MLOps, 주기적 재학습, Device Test 등

🔥 기대 효과

🛡️ 주요 이슈 및 관리

📚 참고 자료