🤖 잔반플러팅 AI

FastAPI 기반의 AI 추천 서버로, 식약처 영양성분표 데이터를 기반으로 맞춤형 반찬 추천과 섭취 팁 제공을 담당합니다.

🔹 AI 기능

• 메뉴 추천

  • 5가지 콘셉트 기반: diet(다이어트), keto(저탄고지), low_sodium(저염), glycemic(혈당), bulking(벌크업)
  • 입력 메뉴명 -> 유사도 매칭 -> 영양 성분 피처화 -> 콘셉트별 점수화(0~100)

• Tip 생성

  • OpenAI API 연동을 통한 식습관 가이드 / 레시피 제안

---

🚀 Tech Stack

🔹 Framework & Language

• Python 3.11
• FastAPI : 경량 웹 프레임워크
• Uvicorn : ASGI 서버

🔹 Data / ML

• scikit-learn : 벡터화, 차원 축소, 스케일링, 결측치 보정
• hnswlib : 근접 탐색 (메뉴명 유사도 매칭)
• numpy / joblib : 수치 연산 및 모델 직렬화

---

📂 Project Structure

📦 menu-ai
├── Dockerfile
├── main.py                # FastAPI 실행 엔트리포인트
├── requirements.txt
├── leftovers
│   ├── core                # 설정, 에러 핸들러, 공통 응답, 외부 클라이언트
│   └── domain
│       ├── recommend       # 메뉴 추천 도메인
│       │   ├── api/        # 추천 API
│       │   ├── data/       # 원본 영양 데이터 (식약처 엑셀)
│       │   ├── model_store # 학습된 모델 및 전처리 아티팩트
│       │   ├── schemas/    # 요청/응답 스키마
│       │   └── service/    # 추천 로직 (매칭, 스코어링, 전처리, 학습)
│       └── tip             # 팁/레시피 도메인
│           ├── api/        # Tip API
│           ├── schemas/    # 요청/응답 스키마
│           └── service/    # 프롬프트/LLM 호출

---

🔬 데이터 파이프라인 & 알고리즘

1. 데이터 로딩

   • 식약처 영양 데이터(.xlsx) 로드 -> 결측치 보정(Imputer) -> 정규화(Scaler)

2. 메뉴명 매칭

   • TF-IDF 벡터화 -> TruncatedSVD 차원 축소 -> hnswlib 근접 탐색으로 유사 메뉴 검색

3. 영양 피처화

   • kcal, protein, fat, carbs, sugar, sodium 등 주요 영양소를 벡터화

4. 스코어링 (Concept Scoring)

   • 다이어트: 열량·당류·탄수화물 제한
   • 저염: 나트륨 엄격 제한
   • 혈당: 당류·탄수화물 동시 제한
   • 저탄고지/벌크업: 기존 비율 유지

5. 추천 결과 반환

   • 점수(0~100) 기반 랭킹 -> 상위 N개 반환
   • 응답 구조: isSuccess, httpStatus, data, timeStamp

---

⚙️ 실행 방법

1. 의존성 설치

python3.11 -m venv .venv
source .venv/bin/activate
pip install --no-cache-dir -r requirements.txt

2. 학습 (모델 생성)

최초 실행 시, model_store/가 비어 있다면 학습 과정이 필요합니다.

python -m leftovers.domain.recommend.service.train

→ nutrition_imputer.joblib, nutrition_scaler.joblib, concept_model_*.joblib 등이 생성됩니다.

3. 서버 실행

uvicorn main:app --host 0.0.0.0 --port 8000