• 2024.10.14 ~ 2024.11.19 (6주)

이상민	이중현	김민주	유재광	신민경	주현민
Leader, BE	BE	Infra, BE	BE	FE	AI

"E.D.I.T.H" 는 개발자들이 GitLab을 활용한 협업 과정에서 발생하는 코드리뷰의 부담을 줄이고, 각 기여자가 무엇을 어떻게 기여했는지를 명확하게 정리해주는 포트폴리오를 자동으로 생성하는 것을 목표로 하고 있습니다. 또한 웹캠을 활용한 얼굴인식 기능을 통해 팀 내 작업자들이 비밀번호 없이 안전하게 로그인하고 프로젝트에 접근할 수 있게 합니다.

📎 Figma Link

📎 API
📎 기능 정의서

• 회원가입, 로그인 제공
  • 이메일 로그인, 얼굴인식 로그인 선택

• 이메일, 비밀번호, Git Personal Access Token 입력

• 얼굴인식 등록

• 얼굴인식 로그인

• 사용자의 프로젝트, 사용자 당일 커밋 수, 사용자 당일 MR 요청 수 제공

• GitLab repository의 project ID, 프로젝트 이름, 코드리뷰 대상 branch, 설명을 입력하여 진행중인 프로젝트를 등록

• 등록에 성공할 경우 해당 gitlab repository에 webhook 자동 생성

• 프로젝트를 진행하며 MR 등록을 했을 때, 일정 시간 후 AI 코드리뷰 등록

• 프로젝트에 대한 전체적인 정보 제공

• 나의 포트폴리오 생성 버튼을 누를 경우 다음과 같은 AI 기반의 개인 맞춤형 포트폴리오 제공

• 기능 설명:
  • GitLab 커밋 감지: GitLab API를 통해 새 커밋이 (웹 훅으로 감지)발생할 때마다 LLM이 해당 커밋의 코드를 자동으로 분석합니다. 커밋 메시지와 함께 변경된 파일 목록을 확인하고, 변경된 코드에 대한 리뷰를 생성합니다.
  • RAG 활용: 프로젝트 전체 코드를 메소드 별로 chunking 하고, CodeGraphBert 모델로 임베딩하여 vector DB에 저장합니다. LLM은 vector 형태로 저장된 코드를 리뷰 대상 코드와의 연관성을 판단하는데 사용합니다.
  • LLM 분석: 코드 스타일, 오류 가능성, 성능 개선 가능성 등을 분석하는 AI 모델을 사용하여 리뷰를 생성합니다. 예를 들어, 잘못된 변수명, 불필요한 복잡성, 성능 저하 가능성 등이 감지되면 자동으로 수정 제안을 포함한 리뷰를 작성합니다.
  • 코드 리뷰 생성: LLM은 커밋된 코드를 분석한 후 해당 코드에 대해 개선 사항이나 권장 사항을 작성합니다. 리뷰 내용은 변경된 코드 블록과 함께 표시되어, 코드 리뷰가 명확하게 이루어질 수 있도록 지원합니다.

• 기능 설명:
  • 자동 분석: 각 커밋에 대한 코드 리뷰 기록을 바탕으로, 기여자가 프로젝트에 어떤 영향을 미쳤는지를 자동으로 분석합니다. 트러블슈팅, 추가된 기능, 코드 개선 사항 등을 정리하여 포트폴리오를 구성합니다.
  • 트러블슈팅 기록: 기여자가 해결한 문제에 대한 로그를 자동으로 추적하고, 이를 상세하게 기록하여 포트폴리오의 문제 해결 섹션에 포함시킵니다.
  • 핵심 기능 분석: 기여자가 프로젝트에서 개발한 주요 기능을 식별하여, 포트폴리오에 해당 기여자가 맡은 기능과 성과를 명확하게 표시합니다.
  • 기여자별 분류: 각 기여자가 담당한 코드와 모듈을 분류하고, 팀 프로젝트에서의 기여도와 역할을 정리하여 포트폴리오에 반영합니다.
• 포트폴리오 구성 요소:
  • 트러블슈팅 기록: 프로젝트 중 발생한 문제점과 그 해결 과정.
  • 핵심 기능: 기여자가 개발한 주요 기능 및 기여한 코드 영역.
  • 기여자별 담당 기능: 프로젝트에서 각 기여자가 담당한 모듈, 기능 등을 분류하여 정리.

• 보안: 얼굴 인식 데이터는 안전하게 처리되고 저장됩니다. 실시간으로 인식을 수행하여 편리하면서도 보안성이 높은 환경을 제공합니다. 얼굴 벡터 데이터는 Qdrant를 활용해 유사도를 계산하고, Anti-Spoofing 기술을 적용하여 보안성을 강화했습니다.

• 기능 설명: 웹캠을 이용한 얼굴 인식 시스템을 통해 사용자들이 비밀번호 없이 안전하게 프로젝트 시스템에 로그인/로그아웃 할 수 있습니다.

  • 얼굴 데이터 전처리 사용자가 입력한 얼굴 이미지를 클라이언트(React)에서 전처리 후, 벡터 데이터로 변환. 변환된 벡터 데이터만 서버로 전송하여 개인 데이터를 보호.
  • Anti-Spoofing 기술 적용 사용자가 업로드한 얼굴 이미지를 분석해 실제 사용자와의 일치 여부를 판단. 사진이나 동영상 등으로 로그인 시도를 방지하여 보안 강화.
  • 벡터 데이터 비교 (Qdrant 사용) Qdrant의 벡터 데이터베이스를 사용하여 사용자의 얼굴 벡터와 기존 데이터 간 유사도를 계산. 유클리드 거리 계산(Euclidean Distance) 알고리즘을 사용하여 벡터 간의 거리를 측정하고, 사전 정의된 임계값을 기준으로 인증 여부 결정.