프로젝트 개요
AI-Go란?
실제 도로 주행 영상을 분석해 다양한 교통 상황을 텍스트로 구조화하고,
이를 바탕으로 퀴즈와 해설을 자동 생성하여
고령운전자의 법규 이해도와 위험 대응 능력을 체계적으로 향상시키는
교통안전 학습 서비스입니다.
문제 상황
- 고령운전자 교통사고 발생 건수 4년간 36.4% 급증, 전체 교통사고의 21.6%를 차지 (2020-2024)
- 법규위반 및 교통사고와 높은 상관성을 가지는 위험행동율이 높은 고령 운전자
- 면허반납제, 자격시험강화는 통제중심의 정책 → 고령자의 이동권 문제와 교육 부재를 해결 못함
- 고령운전자의 사고율 감소를 위해 자진 반납 및 면허 갱신 제도 등이 시행 중이나, 반납률이 낮고 실효성 부족
고령자의 자율성과 안전을 모두 확보하는 교육 중심 솔루션 필요
AI-Go
- AI가 도로 영상 → 상황 설명 자동 생성
- 도로교통법 기반 퀴즈 자동 생성 (RAG)
- 사용자 맞춤형 학습 분석 제공
- 영상 기반 실전형 교육 콘텐츠 제공
법규 이해 · 상황 인지 · 안전 대응 능력을 강화시켜
고령운전자 교통사고율 감소 효과
서비스 흐름
Data
시스템 아키텍처
개발 Flow & 나의 역할
나의 역할 상세
My Contribution
AI Learning System Architect
데이터 설계 및 전처리
공공 데이터 정제 · 흐름 설계 · 카테고리 체계화
VLM 모델 분담 실험 : 영상 -> 텍스트 변환
모델 실험 · 한계 분석 · 프롬프트 엔지니어링
RAG + GPT-OSS 문제 생성 시스템 설계
법 조항 기반 RAG · 문제 생성 파이프라인 · 검색 품질 개선
MariaDB 기반 DB 설계
스키마 설계 · 성능 최적화
사용자 맞춤 학습 분석 로직
분석 알고리즘 · 피드백 자동 생성
분석 알고리즘
- •전체 정답률 계산
- •카테고리별 강·약점 분석
- •주차별 개선도 산출
피드백 자동 생성
- •분석 결과 → GPT-OSS 텍스트 생성
- •사용자 수준별 학습 방향 제시
웹 서비스 UI/UX 설계
Figma · IA 설계 · 퀴즈 UX
문서화 및 시스템 정리
ERD · 요구사항 · 시연 영상
- •ERD 설계
- •요구사항 정의서
- •모델 정의서
- •기능 시연 영상 제작
모델 설계 상세
🤖 AI Pipeline
Qwen VL
Vision-Language 모델
역할: 영상 → 상황 설명 스크립트 생성
도로 주행 영상으로부터 스크립트, 도로 상황을 정확하게 설명하는 텍스트를 도출
GPT-OSS + RAG
법령 데이터 벡터화 및 검색
1. 법령 데이터 벡터화
도로교통법을 FAISS 기반으로 벡터화
2. 상황 매핑
Qwen이 생성한 상황 설명과 관련된 법령 조항 자동 매핑
3. 퀴즈 생성
4지선다 객관식 문제 자동 생성
LTX-Video
AI 기반 영상 생성
역할: 이미지를 도로주행 영상으로 확장
공유마당 도로주행 이미지 → 영상 확장하여 퀴즈 비디오 생성
1. 비디오 생성
공유마당 자율주행 원천데이터(이미지)를 기반으로 일상적 주행 상황의 비디오 생성
Lightricks의 텍스트와 이미지를 입력으로 받아 실시간 고품질 비디오를 생성하는 모델
퀴즈 학습의 몰입감과 실제성 확보
이미지 기반 문제는 상황의 흐름, 동적 판단, 돌발 요소의 인지 타이밍을 제공하기 어려움 → 영상 기반 문제를 출제해야 운전자에게 실제 도로에 가까운 학습 경험 제공 가능
이미지 데이터의 활용성 극대화
공개된 도로 주행 관련 데이터는 대부분 이미지 형태(공유마당 데이터 포함) → 기존 데이터를 동적인 영상 콘텐츠로 확장함으로써 데이터 공백을 메울 수 있음
2. 영상 설명 추출
LTX-Video, AI-Hub 도로주행 영상으로부터 도로상황 설명 텍스트 생성
Qwen 시리즈의 비전-언어 모델(Vision-Language Model, VLM)
객체 인식 및 영상 이벤트 탐지 특화
모델 설정
도로주행 영상의 찰나의 이벤트
전체 주행 흐름의 시간 순서 파악 정확도 낮음
초당 프레임 수(FPS) / 영상 프레임 수 조정
→ 영상의 중요한 장면들이 시간 순서대로 균형 있게 샘플링 되도록 조정
프롬프트 엔지니어링
비슷한 문장 반복 / 잘못된 정보 포함한
도로상황 텍스트 생성
Few-shot 프롬프팅 적용
마크다운 기법 활용
→ 자연스러운 문장 구조 + 사실 중심의 묘사 가능
3. VLM 모델 비교
VLM 모델 후보 KoLLaVA, GIT, Honeybee, Kanana, PLLaVA, Qwen
최종 선정 Qwen2.5-VL-3B-Instruct
영상 → 도로 상황 설명 정확도 비교 (Qwen Vs PLLaVA)
PLLaVA 출력 결과
잘못된 정보 + 도로상황과 관련 없는 스크립트 생성
Qwen 출력 결과
도로의 노란색 경계선, 속도 제한 표지판(30), 건설 구역·교통 콘, 주차된 픽업트럭 등 영상과 일치하는 정확한 상황 묘사. 중요한 장면이 시간 순서대로 균형 있게 기술됨.
4. 영상 관련 문제 생성
도로상황 설명 텍스트 기반으로 객관식 문제 + 실제 법 조항 기반 해설 생성
도로교통법 문서 벡터화 → FAISS 법 조항 검색
법 조항 기반 Ollama의 GPT-OSS LLM 활용해 객관식 문제 생성
5. 연관문제 생성
LLM(GPT-OSS) + RAG(앙상블 리트리버)로 운전면허 연관 문제 검색
6. 사용자 맞춤 피드백
LLM(GPT-OSS)으로 사용자 문제 풀이 정보를 분석해 맞춤형 피드백 제공
데이터 설계
🗂 DB 설계 구조
User
사용자 정보
Quiz
퀴즈 데이터
Law Mapping
법령 매핑
Quiz Result
퀴즈 결과
Insight Log
분석 로그
Index
성능 최적화
📊 ERD 다이어그램
ERD 이미지 삽입 영역
서비스 화면
📱 주요 화면
퀴즈 화면
영상 기반 인터랙티브 퀴즈
UI 스크린샷 영역
결과 화면
점수 및 정답률 표시
UI 스크린샷 영역
오답노트
틀린 문제 복습 기능
UI 스크린샷 영역
학습 분석 대시보드
사용자 맞춤 인사이트
UI 스크린샷 영역
💡 UI는 "보여주기용"이고, 설명은 "로직 중심"으로 작성
성능 평가
📈 Performance
89%
영상 설명 정확도
Qwen VL 모델 성능
A+
문제 생성 품질
시험자 테스트 결과
4.5/5
사용자 만족도
테스트 참가자 평가
기술적 도전과 해결
💡 차별화 포인트
💼 이걸 쓰면 "진짜 개발자"로 보입니다
결과 및 확장성
🏆 프로젝트 결과
- 공모전 제출 완료
- 서비스 프로토타입 완성
- AI 기반 학습 자동화 검증
🚀 확장 가능성
- 보험사 안전교육
- 시뮬레이션 운전 교육
- 자율주행 데이터 학습 보조
팀원 소개
더 알아보기
GitHub 코드와 상세 문서를 확인하세요