• 다양한 문해력 진단 테스트 제공 (유의어/반의어 선택, 문장 요약 등)
• 게임화된 진단 과정을 통해 사용자의 흥미 유발
• 초기 레벨 테스트를 통해 학습 경로 제시

2. 맞춤형 콘텐츠 및 문제 추천

• 빅데이터 분석을 통해 사용자 맞춤형 문제와 학습 콘텐츠 추천
• 단계별 콘텐츠 제공으로 점진적 학습 지원

3. 성장 추적 및 보완 학습

• 그래프 기반 성과 분석과 오답노트 기능 제공
• 틀린 문제를 다시 풀 수 있는 기능으로 반복 학습 가능

4. 참여도에 따른 캐릭터 성장

• 출석률 및 학습 성과에 따른 캐릭터 성장 시스템 제공 | "[ 교육용 라이브 스트리밍 ] 서비스

1. 라이브 스트리밍

2. 실시간 채팅, 출석체크, 퀴즈풀이

3. 교육생 관리 (교육과정 및 트랙 관리, 퇴소 관리)

4. 채팅, 퀴즈 결과 기반 기프티콘 목록 작성 및 우수자 선정

5. MatterMost 연동 - 방송 일정, 방송 결과 메시지 자동 발송

6. 방송종료 즉시 다시보기 저장 및 추후 다시보기 파일 수정 기능

7. 미참석자 명단, 기프티콘 수상자 명단 엑셀 다운로드" | | 프로젝트의 특장점 (기능 관점) | 1. 맞춤형 학습 경로 제공

• 초기 진단을 통해 사용자 개개인의 문해력 수준을 파악하고, 이에 맞는 학습 경로를 자동으로 제시하는 기능
• 단계별 학습 콘텐츠를 제공하여 사용자가 자신의 페이스에 맞게 학습을 진행할 수 있음

2. 성장 추적 시스템

• 그래프 기반으로 사용자의 성장 과정을 시각적으로 보여주며, 학습 동기를 부여
• 오답노트를 통해 취약한 부분을 반복 학습할 수 있도록 지원

3. 캐릭터 성장 시스템

• 학습 참여도에 따라 캐릭터가 성장하거나 퇴보하는 기능을 통해 지속적인 학습 동기 부여 | "1. 실시간 스트리밍 서비스

2. 방송 화면에서의 실시간 채팅, 퀴즈, 출석체크 진행 기능

3.SSAFY 운영 효율을 위한 맞춤형 기능

• excel 파일을 활용한 교육생 등록 및 수정 기능
• 방송별 미출석자 명단, 기프티콘 당첨자 명단 MM 발송 및 excel 파일 다운로드 기능
• 교육 영상 자동 업로드, 공개 여부 설정 및 영상 소스 교체 기능

4.기존 SSAFY 운영 방식을 반영한 기본 기능

• 교육생 정보 조회 및 수정
• 트랙 정보 조회 및 수정
• 트랙과 MM 연동을 통한 자동 공지 기능" | | 프로젝트의 차별점 / 독창성 (기술 관점) | 1. 빅데이터 기반 문제 추천 시스템
• 사용자 데이터를 분석하여 개인 맞춤형 문제를 자동으로 추천

2. msa를 통한 트래픽 분산 및 DB 분산

• 서비스별로 서버를 나누어 트래픽을 분산하고 DB Connection 제한으로 인한 DB 접근을 분산하기 위해 DB를 서비스별로 따로 두어 관리하여 가용성을 높이는 설계를 함

3. kafka를 통한 동기화 및 통신

• 다른 서버에 있는 자원을 가져오거나 다른 서버의 DB의 내용을 변경해야하는 경우 kafka를 통해 producer 서버에서 변경 메시지를 kafka에 전달하고 consumer 서버에서 메시지를 받아 이에 해당하는 작업을 수행 | "1. RTMP-HLS 프로토콜 기반의 라이브 스트리밍으로, 평균 지연시간 6~10초로 구현

2. STOMP Socket과 외부 브로커 RabbitMQ를 활용해 채팅/퀴즈/출석체크/관리자 큐를 나눠 4가지의 기능을 데이터 손실없이 실시간으로 구현

3. Redis를 사용하여 채팅데이터와 jwt 토큰을 관리하여 빠른 데이터접근 및 효율성을 증대함

4. 수동으로 타이핑하여 공지하는 것을 대신하여 MM 알람을 자동으로 공지, 쉬운 관리를 위해 excel 파일로 제공" | | AI 기술 (활용하는 경우 작성) | 1. 챗봇(Chat GPT)을 통한 실시간 피드백

• 사용자가 학습 중 궁금한 점을 질문할 수 있도록 AI 기반 챗봇을 도입
• 학습 중 실시간으로 피드백을 제공하여 사용자의 학습 효율성을 높임 | "

1. 얼굴 인식 및 객체 탐지를 위한 Yolo v8모델 활용 비디오 스트림에서 얼굴과 특정 객체를 실시간으로 인식하고 탐지하는데 활용

   • YOLO v8 모델을 사용하여 얼굴과 객체를 탐지
   • OpenCV를 사용하여 비디오 스트림을 처리하고 탐지 결과를 시각화
   • 모델의 성능을 평가하고 최적화 진행

2. 감정 분석을 위한 BERT모델 황용 미디어 게시물의 감정을 분석하여 긍정, 부정, 중립으로 분류

   • 트위터에서 게시물 데이터를 수집하고 전처리
   • Hugging Face의 Transformers 라이브러리를 사용하여 BERT 모델을 활용
   • 모델을 학습시키고 감정 분석 성능을 평가

" | | 역할별 담당자 | BE: 강민제, 김규태, 이서빈, 한수한 FE: 임세하, 조서영 Infra: 한수한 Data: 강민제, 김규태, 이서빈, 한수한 | "FE: 김싸피 BE: 이싸피 Infra: 김싸피 기타: 박싸피" | | 프론트 / 모바일 프레임워크 | React | React | | 백엔드 프레임워크 | Spring Boot, Flask | Spring Boot | | DB | MySQL, Mongodb, Redis | MySQL, Redis | | 주요 기술 스택 | FE: React BE: Java 17, Spring Boot 3.3.3 Infra: Ubuntu 20.04, Docker, DockerHub, Docker Compose DB: MySQL, Mongodb, Redis | "FE: Vue.js 3.0.0, SCSS, JavaScript, HTML5 BE: Java 1.8, SpringBoot 2.5.5 DB: MySQL 8.0.23, Redis Infra: Ubuntu 20.04, Docker" | | 요구사항 명세서 | https://ssafy-second-project.notion.site/8dbdeec453144d999907812b166624e1?pvs=4 | 싸피킹 요구사항 명세서 링크 | | 기획 (와이어프레임) | https://www.figma.com/design/N2k61NsDVrZHZt5Hf5OUk5/Glu?node-id=0-1&node-type=CANVAS&t=Ix6oqqEBTnh3ijH2-0 | 싸피킹 와이어프레임 링크 | | 설계 (ERD) | https://www.erdcloud.com/d/RZWS5JqDuRMZzLdN4 | 싸피킹 ERD 링크 | | 설계(API) | https://ssafy-second-project.notion.site/API-abb0a37cdcfc4b4cb60c0aef97059ebd?pvs=4 | 싸피킹 API 링크 | | 외부 API | | 싸피킹 API 링크 | | 배포자동화 | Jenkins, Docker, Dockerhub, Kubernetes | Jenkins, Docker, Dockerhub, Mattermost, Kubernetes | | 테스트 계획 / 결과 | | | | 서비스 URL | | | | 테스트계정 - 사용자 ID | | "ssafy123 / 카카오 로그인 구글 로그인 네이버 로그인" | | 테스트계정 - 사용자 PW | | "q1w2e3r4! / 카카오 로그인 구글 로그인 네이버 로그인" | | 테스트계정 - 관리자 ID | | rhksflwk123 | | 테스트계정 - 관리자 PW | | djfudnsqlqjs123 |