저희 프로젝트 Rezoom은 지원자의 이력서와 채용공고를 AI가 분석하여 매칭 점수, 요약, 학습 로드맵, 자기소개서 피드백을 제공하는
AI 기반 양방향 채용 매칭·코칭 플랫폼입니다.
단순 API 사용이 아닌 직접 학습시킨 LoRA 기반 LLaMA3 모델 사용
- LLM 기반 이력서-채용공고 정밀 분석 및 매칭
- Multi-Agent 기반 피드백 & 로드맵 생성
- 프론트/백 분리 + 완전 MSA 구조 + ECS 자동 배포
| 영역 | 기술 구성 |
|---|---|
| Frontend | React |
| Backend | Spring Boot (결제, 인증), FastAPI (AI 분석, DB 연동) |
| AI/LLM 모델 | LLaMA3 8B (Unsloth LoRA fine-tuned) + CrewAI Agent + LangGraph GAN 구조 |
| 데이터베이스 | PostgreSQL, MongoDB Atlas |
| 스토리지 | Amazon S3 |
| 인프라 | GitHub Actions → Docker → AWS ECR → ECS Fargate / RunPod 추론 서버 |
| 기타 연동 | Toss Payments, OpenAI API, Poetry, Wandb |
- 모델명:
ninky0/rezoom-llama3.1-8b-4bit-b16-r64 - 기반: Meta LLaMA 3.1 8B, 4-bit 양자화, b16 r64 구조
- 파인튜닝: Unsloth + Alpaca SFT
- 배포 환경: RunPod 워커 병렬 추론 → FastAPI 호출로 응답
- 구성: LLaMA3 기반 8B 모델, 4-bit LoRA, b16 r64 구조
- 추론 환경: RunPod 병렬 워커 배포, FastAPI로 서빙
- 검증 흐름: LangGraph 기반 GAN 구조 + Agent 기반 피드백 추천
|
|
|
|
Hugging Face - ninky0/rezoom-llama3.1-8b-4bit-b16-r64
| 김지환 | 남인경 | 손정원 | 정우찬 | 최정민 |
|---|---|---|---|---|
| PM, FE, AI | BE, FE, AI | BE, AI, Infra | BE, AI | FE, BE, AI |
전체 일정과 우선순위를 관리 프론트엔드 베이스 코드 구성, 리팩토링, 모듈화 모델 학습용 데이터셋 설계 · 생성 DeepSeek-Qwen-2.5 7B, Phi-4 4B, Llama-3.1 8B 파인튜닝 데이터셋, 모델 성능 평가 · 검증을 통해 모델 품질 개선 |
SpringSecurity+JWT 기반 회원 관리 시스템 TossPayments 결제창 연동 및 크레딧 서비스 모델 학습용 데이터셋 구축 및 검증 Llama-3.1 8B 모델 QLoRA 방식 파인튜닝 및 배포 CrewAI+LangGraph 기반 자소서 피드백 서비스 Swagger를 활용한 API 명세 자동화 Intro.js를 활용한 사용자 온보딩 튜토리얼 구성 |
Mistral 7B-instruct 파인튜닝 인프라 및 프로젝트 파이프라인 설계 및 구축 협업, 배포 및 서버 오류 모니터링 시스템 구축 ECS 기반 트래픽 로드밸런싱 및 비용 최적화 설계 Git Flow 전략 수립과 PR 관리, 메인 브랜치 유지 단계별 예외 처리와 보상 트랜잭션 및 롤백 구현 UML 및 시스템 아키텍처 설계 |
FastAPI AI 서비스 백엔드 초기 설계 및 전담 개발 gemma-3.4b 모델 파인튜닝 및 데이터셋 추론 CrewAI 기반 에이전트 시스템 초기 기획 및 구축 담당 벡터 DB PDF 비정형 텍스트 / 임베딩 저장 파이프라인 설계 및 구축 |
Llama-3.1 8B 기반 파인튜닝 및 성능 평가 프롬프트 엔지니어링을 통한 데이터 증강을 하여 학습 데이터셋 생성 Agent 기능을 LangGraph 기반 worker-evaluator 구조로 개선 프론트엔드 초기 설계 및 재정비, 에러 처리 시스템 UI/UX 화면 설계 및 AX 인터랙션 |
| GitHub | GitHub | GitHub | GitHub | GitHub |
본 프로젝트는 실무형 AI 채용 서비스를 위한
엔드-투-엔드 아키텍처 구성 및 모델 추론 시스템을 구현하며 개발 역량을 강화하는 데 중점을 두었습니다.