DentiCheck AI Project: Technical Deep Dive & Guide

 

 

 

DentiCheck AI Project - Architecture Analysis

DentiCheck AI Project 2026

DentiCheck AI Project:
기술 분석 및 구현 가이드

Python 3.12

FastAPI

Milvus 2.4+

Llama 3.2

LangChain

개요: 본 프로젝트는 AI 객체 탐지(YOLO)와 검색 증강 생성(RAG)을 결합하여, 구강 이미지 분석 결과를 환자 친화적인 소견서로 변환하는 고성능 헬스케어 서비스입니다.

목차 (Contents)

01. 프로젝트 핵심 아키텍처 02. 데이터 엔지니어링 및 Milvus 활용 03. RAG 엔진과 LLM 파이프라인 04. 비동기(Async) 기반 고성능 처리

프로젝트 핵심 아키텍처

DentiCheck는 비즈니스 로직(Java Spring)과 AI 연산(Python FastAPI)을 분리하여 확장성을 확보했습니다.

초보자를 위한 비유: 이 구조는 병원에서 접수처(Java)와 전문 진료실(AI)이 나누어져 있는 것과 같습니다. 접수처는 환자 정보를 관리하고, 진료실은 실제 정밀 분석을 수행하여 효율을 극대화합니다.

특히 2026년 현재 표준인 Microservice Architecture(MSA)를 지향하여, AI 모델 업데이트 시 전체 서비스 중단 없이 개별 배포가 가능하도록 설계되었습니다.

데이터 엔지니어링 및 Milvus 활용

방대한 의학 데이터를 효율적으로 찾기 위해 벡터 데이터베이스(Milvus)를 사용합니다.

 

 

 

# 최신 Ko-sRoBERTa 모델을 활용한 데이터 적재
from langchain_community.vectorstores import Milvus
from langchain_huggingface import HuggingFaceEmbeddings

# 2026 최신 임베딩 모델 적용
embeddings = HuggingFaceEmbeddings(model_name="jhgan/ko-sroberta-multitask")
vector_db = Milvus.from_documents(
    documents,
    embeddings,
    connection_args={"uri": "./data/milvus_dental.db"}
)

기술 업데이트: 기존의 단순 키워드 검색과 달리, 문맥의 의미를 숫자로 변환하여 검색하기 때문에 "치아가 아파요"라는 질문에도 관련 의학 지식을 정확히 추출합니다.

RAG 엔진과 LLM 파이프라인

RAG(Retrieval-Augmented Generation)는 AI가 모르는 내용을 거짓으로 말하는 환각(Hallucination) 현상을 방지합니다.

주의사항: Java와 Python 간 임베딩 모델 불일치 문제는 데이터 정합성을 해치는 주요 원인입니다. 모든 검색 로직을 Python 서버로 통합하여 단일 소스 원칙(Single Source of Truth)을 준수함으로써 정확도를 98% 이상으로 개선했습니다.

사용되는 Llama 3.2 모델은 경량화되면서도 한국어 처리 능력이 대폭 강화되어, 모바일 환경에서도 빠른 응답 속도를 보여줍니다.

비동기(Async) 기반 고성능 처리

대규모 트래픽을 처리하기 위해 Async/Await 패턴을 전면 도입했습니다.

진동벨 시스템 비유: 카페에서 커피가 나올 때까지 진동벨을 들고 기다리는 것과 같습니다. 서버는 LLM의 긴 응답 시간 동안 가만히 멈춰있는 것이 아니라, 다른 환자의 요청을 계속해서 받아들입니다.

이를 통해 CPU와 메모리 자원을 낭비하지 않고, 동시 접속자 수가 급증하는 상황에서도 안정적인 서비스 제공이 가능합니다.

Data & AI Intelligence > AI & Agent

Last Updated: 2026-02-23 | DentiCheck Project Lab.

TOP