💡프로젝트 소개

base project : Base Project link

1️⃣ 주제 : KoBART를 활용한 카카오톡 대화 요약 서비스
2️⃣ 목표 : KoBART로 학습한 한국어 대화문 요약 모델을 Flask를 통해서 웹 서비스로 배포
3️⃣ 설명 : 기존의 Aiffel에서 진행한 대화문 생성요약 프로젝트를 베이스로 하여 KoBART 모델을 개선 및 서빙을 진행할 것 

해당 프로젝트에 관한 자세한 설명은 블로그에 정리해 놓았다.

• KoBART를 활용한 카카오톡 대화 요약 서비스_1(feat.개요와 데이터)
  
• KoBART를 활용한 카카오톡 대화 요약 서비스_2(feat.모델과 평가)
• KoBART를 활용한 카카오톡 대화 요약 서비스_3(feat.생성 전력과 허깅페이스)
• KoBART를 활용한 카카오톡 대화 요약 서비스_4(feat.서빙)
• KoBART를 활용한 카카오톡 대화 요약 서비스_5(ft.추가 개선)

---

1. Model Test

해당 모델은 HuggingFace에 업로드하여 pipeline으로 쉽게 사용할 수 있다.

pip install transformers==4.25.1

from transformers import pipeline

model_name = "jx7789/kobart_summary_v2"

dialogue = ["다들 설날에 함 보자?", "며칠에 볼지는 안 정했지?", "ㅇㅇ 아직 안정함ㅋㄱㅋ", "ㅇㅋ", "설 당일은 다들 바쁠테고", "토요일이나 월 중에 보면 될려나", "토욜", "저녁 한끼하고", "볼링이나 칩시다"]

gen_kwargs = {"length_penalty": 2.0, "num_beams":8, "max_length": 128}

pipe = pipeline("summarization", model=model_name)
print(pipe("[sep]".join(dialogue), **gen_kwargs)[0]["summary_text"])

output : 다들 설날에 볼지 아직 정하지 않았고 당일은 다들 바쁠 테니 토요일 저녁에 볼링이나 칩시다.

2. Service Test

1) 로컬 Test

pip install transformers==4.25.1
pip install Flask 

python run.py

2) Docker Test

• Ubuntu-18.04(WSL) 환경에서 사용

docker build -t flask .
docker run -d -p 3000:3000 flask

---

🗓️ 프로젝트 개선 진행

1. 모델링

최종 결과 코드 보러가기

기존 서비스	개선 서비스	진행사항(%)	RougeL F1
성능저하시키는 전처리	불필요한 전처리 기법 제거	100%
mecab으로 길이측정	model tokenizer로 길이측정	100%
학습, 검증 데이터 동일한 전처리 적용	학습, 검증 데이터 전처리 구분	100%
테스트 데이터셋 미구축	테스트 데이터셋 구축	100%	0.2386
BOS, SEP 미사용	BOS, SEP사용	100%	0.2439
일반 fine-tuning	도메인 적응	100%	0.2526
모델 미배포	fine-tuning post-pretrain	100%

2. Serving

개선 서비스	진행사항(%)
웹 구현	100%
전처리 속도 개선	100%
도커 빌드	100%

3. 2023.04에 추가 개선

기존 서비스	개선 서비스	진행사항(%)
.ipynb로 구현	.py로 현업에 맞게 재구현	100%
post-train 모든 토큰 loss 계산	masking만 loss 계산	100%
post-train meta data 미적용	post-train meta data 적용	100%(불필요)
잘못된 비율로 적용된 masking	masking 적용 개선	100%(불필요)
잘못된 datacollator 사용	직접 datacollator 구현	100%

---