새로운 wish가 기존의 해결책(resolution)을 사용할 수 있는 기준을 설정해야 합니다. 이를 통해 AI 호출 비용을 줄이고, 이미 존재하는 해결책을 재사용할 수 있도록 합니다. 새로운 wish와 기존 wish 간의 유사성을 기반으로 다음과 같은 방법을 제안합니다.
제안된 기준
유사도 임계값 설정
임베딩 유사도: 새로운 wish와 기존 wish의 텍스트 임베딩 벡터 간의 코사인 유사도 또는 유클리드 거리를 계산합니다. 일정 임계값 이상인 경우 동일한 해결책을 사용하도록 합니다.
예시: 코사인 유사도가 0.8 이상이면 동일한 해결책 사용.
주제 및 키워드 기반 필터링
주제 모델링: Latent Dirichlet Allocation (LDA)와 같은 주제 모델링 기법을 사용하여 wish 텍스트의 주제를 추출하고 비교합니다. 동일한 주제의 wish는 같은 해결책을 사용합니다.
예시: 동일한 주제에 속한 wish는 동일한 해결책 사용.
키워드 추출: 텍스트에서 주요 키워드를 추출하여 비교합니다. 높은 비율(예: 70%)로 키워드가 일치하는 경우 동일한 해결책을 사용합니다.
예시: 키워드가 70% 이상 일치하면 동일한 해결책 사용.
비즈니스 로직 기반 조건 설정
카테고리 기반: wish를 특정 카테고리로 분류하고, 동일한 카테고리의 wish는 같은 해결책을 사용합니다.
예시: 환경 문제와 관련된 wish는 동일한 해결책 사용.
사용자 정의 규칙: 도메인 전문가와 협의하여 특정 규칙을 설정합니다. 예를 들어, 특정 키워드를 포함하는 wish는 동일한 해결책을 사용합니다.
설명
새로운 wish가 기존의 해결책(resolution)을 사용할 수 있는 기준을 설정해야 합니다. 이를 통해 AI 호출 비용을 줄이고, 이미 존재하는 해결책을 재사용할 수 있도록 합니다. 새로운 wish와 기존 wish 간의 유사성을 기반으로 다음과 같은 방법을 제안합니다.
제안된 기준
유사도 임계값 설정
주제 및 키워드 기반 필터링
비즈니스 로직 기반 조건 설정
작업 항목
임베딩 유사도 계산 구현
주제 및 키워드 기반 필터 구현
비즈니스 로직 기반 조건 정의