🛍️ AI 쇼핑몰 - 대화형 상품 추천 시스템

OpenAI GPT와 pgvector를 활용한 지능형 쇼핑몰 플랫폼 자연어 대화를 통한 개인화된 상품 추천 제공

🚀 주요 특징

• 🤖 AI 대화형 추천: OpenAI GPT-4 + text-embedding-3-small을 활용한 자연어 상품 추천
• 🔍 벡터 유사도 검색: PostgreSQL pgvector + HNSW 인덱스로 고속 검색 (10-50ms)
• ⚡ 성능 최적화: 비동기 처리 + Redis 캐싱으로 빠른 응답
• 🔐 보안: JWT 인증 + Spring Security 기반 권한 관리

🛠️ 기술 스택

Core

• Backend: Spring Boot 3.1.4 (Java 17)
• Database: PostgreSQL 16 + pgvector
• Cache: Redis 7
• AI: OpenAI GPT-4, text-embedding-3-small (1536차원)
• Security: Spring Security + JWT

Support

• Spring Data JPA, MyBatis, QueryDSL 5.0
• MapStruct, Lombok, Firebase
• Docker & Docker Compose

🏗️ 아키텍처

사용자 쿼리 → OpenAI Embedding (1536차원 벡터)
    ↓
PostgreSQL pgvector 코사인 유사도 검색
    ↓
추천 상품 반환 + 대화 이력 저장

핵심 컴포넌트

컴포넌트	역할	위치
ConversationalRecommendationService	대화형 추천 오케스트레이터	ai/recommendation/application/
ProductVectorService	pgvector 검색 엔진	ai/recommendation/infrastructure/
EmbeddingApiClient	OpenAI API 클라이언트	ai/embedding/
RecommendationEngine	추천 로직	ai/recommendation/application/

🚦 빠른 시작

1. 사전 요구사항

• Java 17+
• Docker & Docker Compose
• OpenAI API Key

2. 환경 설정

# OpenAI API 키 설정
echo "openai.api.key=sk-proj-your-key" > src/main/resources/application-secrets.properties

3. 실행

# 인프라 시작 (PostgreSQL + Redis)
docker-compose up -d

# 애플리케이션 시작
./gradlew bootRun

4. 접속

• 애플리케이션: http://localhost:8080
• 헬스체크: http://localhost:8080/actuator/health

📊 프로젝트 구조

src/main/java/com/example/crud/
├── ai/                          # AI 기능 모듈
│   ├── conversation/           # 대화 시스템
│   ├── embedding/              # OpenAI 임베딩
│   └── recommendation/         # 추천 엔진
├── common/                      # 공통 컴포넌트 (보안, 설정)
├── controller/                  # REST 컨트롤러
├── data/                        # 비즈니스 로직 (상품, 주문, 결제)
├── entity/                      # JPA 엔티티
└── repository/                  # 데이터 접근 계층

🔍 핵심 기능

벡터 검색 쿼리

SELECT p.number, p.name,
       (1 - (p.description_vector <=> CAST(? AS vector))) as similarity
FROM product p
WHERE (1 - (p.description_vector <=> CAST(? AS vector))) > 0.3
ORDER BY p.description_vector <=> CAST(? AS vector)
LIMIT ?;

성능 지표

항목	소요 시간	비고
임베딩 생성	300-500ms	OpenAI API
Redis 캐시	5-10ms	캐시 히트 시
벡터 검색	10-50ms	HNSW 인덱스
전체 응답	50-400ms	캐시 여부에 따라

Java 반복문 vs pgvector: 200-600배 성능 향상 ⚡

🧪 API 테스트

# 헬스체크
curl http://localhost:8080/actuator/health

# 임베딩 생성
curl -X POST http://localhost:8080/api/test/recommendation/embedding \
  -H "Content-Type: application/json" \
  -d '{"text": "warm winter sweater"}'

# 상품 추천
curl -X POST http://localhost:8080/api/test/recommendation/text \
  -H "Content-Type: application/json" \
  -d '{"query": "comfortable knit clothing", "limit": 5}'

🔧 주요 설정

스레드 풀

# OpenAI API 전용
embeddingTaskExecutor: 코어 4, 최대 8, 큐 100

# DB 벡터 검색 전용
dbTaskExecutor: 코어 4, 최대 8, 큐 50

Redis 캐싱

String cacheKey = text.trim().toLowerCase().hashCode();

• 임베딩 결과 캐싱으로 API 호출 최소화

🗃️ 데이터베이스

주요 테이블

• product: 상품 정보 + description_vector (1536차원)
• conversation: 대화 이력
• conversation_message: USER/ASSISTANT 메시지
• member: 회원 정보 + JWT 인증

pgvector 인덱스

CREATE INDEX idx_product_vector ON product
USING hnsw (description_vector vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

🔍 트러블슈팅

OpenAI API 실패

cat src/main/resources/application-secrets.properties

pgvector 오류

docker-compose exec db psql -U sungho -d app \
  -c "CREATE EXTENSION IF NOT EXISTS vector;"

Redis 연결 실패

docker-compose exec redis redis-cli ping

📝 참고 문서

• Spring Boot 3.1 Docs
• OpenAI API Docs
• pgvector GitHub
• HNSW Algorithm

---

🎯 핵심: AI 기술을 활용한 개인화된 쇼핑 경험 제공