README

프로젝트 명

Azure Container Apps(ACA) 기반의 AI 모의 면접 서비스

프로젝트 멤버 이름 및 멤버 별 담당한 파트 소개

강지원
- DeepFace를 활용하여 자신감, 긴장도, 안정도를 수치화하여 유저에게 제공하는 웹페이지 제작
- Azure Container Apps를 통한 Auto Scaling(Scale-in, Scale-out) 테스트 진행
김영빈
- Semi-real-time 음성 인식 기능 구현
- LLM을 활용한 채팅형 면접 기능 구현
한지석
- 마이크로서비스 아키텍처(MSA) 구조 설계 및 API 게이트웨이 연동
- 멀티모달 데이터(영상 분석 결과 및 STT 텍스트) 기반의 LLM 면접 피드백 실시간 추론 파이프라인 구축
- Azure Container Apps의 블루-그린(Blue-Green) 배포 테스트 진행

프로젝트 소개

본 프로젝트는 실시간 영상 분석(DeepFace), 음성 인식(Whisper), 피드백 생성(LLM) 모듈을 독립된 마이크로서비스 아키텍처(MSA) 구조로 분리하고, 이를 클라우드 네이티브 인프라와 융합하여 서비스 가용성을 극대화한 AI 모의 면접 서비스이다.

각 기능 모듈을 독립된 마이크로서비스로 쪼개어 Docker 컨테이너로 패키징되어 완전관리형 서버리스 플랫폼인 Azure Container Apps(ACA) 환경에 배포된다. 이를 통해 내장된 인그레스를 통한 효율적인 트래픽 분산과, 실시간 부하 및 이벤트 기반의 유연한 자동 확장(Auto-Scaling), 그리고 무부하 시 리소스를 0 으로 축소(Scale-to-Zero)하는 고가용성 및 비용 최적화된 안정적인 서비스 구조를 갖춘다.

프로젝트 필요성 소개

통계청에 따르면 청년 취업 준비생이 58만 명에 달할 정도로 면접 연습 수요가 높지만, 대면 모의 면접이나 전문 컨설팅은 시간과 비용 부담이 크고 객관적인 자가 평가가 어렵다. 본 서비스는 웹 브라우저만으로 언제 어디서나 객관적인 멀티모달 평가 리포트를 제공하여 이 문제에 대한 해결책을 제시한다.

또한, 고부하 AI 모델 서빙은 초기 투자 비용과 관리 인력이 부족한 스타트업 및 중소기업에 큰 진입 장벽이다. 이를 해결하기 위해 Azure Container Apps(ACA) 기반의 서버리스 인프라를 채택하여, 유휴 상태에는 자원을 완전히 끄는 Scale-to-Zero로 비용 낭비를 막고 트래픽 증가 시에만 동적으로 오토스케일링한다. 결과적으로 초기 인프라 투자 없이도 고가용성 AI 서빙 환경을 안정적으로 운영하여 기술 도입의 비용 효율성을 극대화한다.

프로젝트 개발 결과물 소개 (+ 다이어그램)

개발 결과물을 사용하는 방법 소개 (설치 방법, 동작 방법 등)

[로컬 배포] Docker Comose

사전 준비

Docker Desktop 설치 및 실행
프로젝트 루트에 .env 파일 생성

# .env
GROQ_API_KEY=your_actual_groq_api_key

실행 방법

1. 빌드 (최초 1회 또는 코드 변경 시)

docker compose build

2. 실행

docker compose up -d

3. 상태 확인

docker compose ps

4개 서비스가 모두 Up 상태이면 정상

router           Up    0.0.0.0:8000->8000/tcp
video-analysis   Up    0.0.0.0:8001->8001/tcp
audio-stt        Up    0.0.0.0:8002->8002/tcp
llm-feedback     Up    0.0.0.0:8003->8003/tcp

4. 접속

브라우저에서 아래 주소로 접속

http://localhost:8000

종료 방법

docker compose down

문제 해결

로그 확인

# 전체 로그
docker compose logs

# 특정 서비스 로그
docker compose logs router
docker compose logs video-analysis
docker compose logs audio-stt
docker compose logs llm-feedback

특정 서비스만 재빌드

docker compose build router
docker compose up -d

헬스체크

curl http://localhost:8000/health
curl http://localhost:8001/health
curl http://localhost:8002/health
curl http://localhost:8003/health

unhealthy 표시가 있어도 각 헬스체크에서 응답이 오면 정상 동작 중임

[클라우드 배포] Azure Container Apps + Blue Green

ACA (Azure Container Apps) 배포 가이드

전체 과정

로컬의 컨테이너를 Azure Container Registry에 업로드 후 Azure Container App에 배포하는 과정이다.

로컬 => ACR => ACC

0. 사전 준비

# Azure CLI 로그인
az login

# 필요 확장 설치
az extension add --name containerapp --upgrade

# 변수 설정
RESOURCE_GROUP=rg-interview
LOCATION=koreacentral
ACR_NAME=interviewacr          # 전역 고유 이름
ACA_ENV=interview-env

1. 리소스 그룹 & ACR 생성

az group create --name $RESOURCE_GROUP --location $LOCATION

az acr create \
  --resource-group $RESOURCE_GROUP \
  --name $ACR_NAME \
  --sku Basic \
  --admin-enabled true

2. 이미지 빌드 & ACR 푸시

# ACR 로그인
az acr login --name $ACR_NAME

ACR_SERVER=$(az acr show --name $ACR_NAME --query loginServer -o tsv)

## 수정 - 현재 develop 브랜치(최신 브랜치)기준 "각 서비스 빌드 & 푸시"는 다음과 같은 명령어로 동작됨
for svc in router video-analysis audio-stt llm-feedback; do
  docker build -t $ACR_SERVER/interview-$svc:v1 ./services/$svc
  docker push $ACR_SERVER/interview-$svc:v1
done

이미 ACR에 이미지들을 빌드 했다면 생략

3. Container Apps Environment 생성

az containerapp env create \
  --name $ACA_ENV \
  --resource-group $RESOURCE_GROUP \
  --location $LOCATION

4. ACR 자격증명 확인

ACR_USERNAME=$(az acr credential show --name $ACR_NAME --query username -o tsv)
ACR_PASSWORD=$(az acr credential show --name $ACR_NAME --query "passwords[0].value" -o tsv)

5. 내부 서비스 배포 (Internal Ingress)

5-1. video 서비스

az containerapp create \
  --name interview-video-analysis \
  --resource-group $RESOURCE_GROUP \
  --environment $ACA_ENV \
  --image $ACR_SERVER/interview-video-analysis:v1 \
  --registry-server $ACR_SERVER \
  --registry-username $ACR_USERNAME \
  --registry-password $ACR_PASSWORD \
  --target-port 8001 \
  --ingress internal \
  --cpu 1.0 --memory 2.0Gi \
  --min-replicas 1 --max-replicas 3

5-2. audio 서비스

az containerapp create \
  --name interview-audio-stt \
  --resource-group $RESOURCE_GROUP \
  --environment $ACA_ENV \
  --image $ACR_SERVER/interview-audio-stt:v1 \
  --registry-server $ACR_SERVER \
  --registry-username $ACR_USERNAME \
  --registry-password $ACR_PASSWORD \
  --target-port 8002 \
  --ingress internal \
  --cpu 2.0 --memory 4.0Gi \
  --min-replicas 1 --max-replicas 3

5-3. llm 서비스

az containerapp create \
  --name interview-llm-feedback \
  --resource-group $RESOURCE_GROUP \
  --environment $ACA_ENV \
  --image $ACR_SERVER/interview-llm-feedback:v1 \
  --registry-server $ACR_SERVER \
  --registry-username $ACR_USERNAME \
  --registry-password $ACR_PASSWORD \
  --target-port 8003 \
  --ingress internal \
  --cpu 0.5 --memory 1.0Gi \
  --min-replicas 1 --max-replicas 5 \
  --env-vars GROQ_API_KEY=secretref:groq-api-key

6. Secret 등록 (GROQ_API_KEY)

az containerapp secret set \
  --name interview-llm-feedback \
  --resource-group $RESOURCE_GROUP \
  --secrets groq-api-key=<자신의 Groq API-KEY>

7. 내부 FQDN 확인

ACA 내부 서비스는 <앱이름>.<환경내부도메인> 형식의 FQDN으로 통신함

VIDEO_FQDN=$(az containerapp show \
  --name interview-video-analysis \
  --resource-group $RESOURCE_GROUP \
  --query "properties.configuration.ingress.fqdn" -o tsv)

AUDIO_FQDN=$(az containerapp show \
  --name interview-audio-stt \
  --resource-group $RESOURCE_GROUP \
  --query "properties.configuration.ingress.fqdn" -o tsv)

LLM_FQDN=$(az containerapp show \
  --name interview-llm-feedback \
  --resource-group $RESOURCE_GROUP \
  --query "properties.configuration.ingress.fqdn" -o tsv)

echo "VIDEO : $VIDEO_FQDN"
echo "AUDIO : $AUDIO_FQDN"
echo "LLM   : $LLM_FQDN"

8. router 서비스 배포 (External Ingress)

az containerapp create \
  --name interview-router \
  --resource-group $RESOURCE_GROUP \
  --environment $ACA_ENV \
  --image $ACR_SERVER/interview-router:v1 \
  --registry-server $ACR_SERVER \
  --registry-username $ACR_USERNAME \
  --registry-password $ACR_PASSWORD \
  --target-port 8000 \
  --ingress external \
  --cpu 0.5 --memory 1.0Gi \
  --min-replicas 1 --max-replicas 5 \
  --env-vars \
    VIDEO_MODEL_URL=wss://$VIDEO_FQDN/ws/analyze \
    AUDIO_MODEL_URL=wss://$AUDIO_FQDN/ws/stream \
    LLM_SERVICE_URL=https://$LLM_FQDN/feedback

⚠️ ACA 내부 HTTPS/WSS는 자동으로 TLS 종료됩니다.

내부 통신이라도 wss://, https:// 를 사용하세요.

9. router 외부 URL 확인

ROUTER_URL=$(az containerapp show \
  --name interview-router \
  --resource-group $RESOURCE_GROUP \
  --query "properties.configuration.ingress.fqdn" -o tsv)

echo "Router URL: https://$ROUTER_URL"

10. 리소스 정리

az group delete --name $RESOURCE_GROUP --yes

웹 사용 설명

[초기 화면]

면접 시작버튼을 눌러 면접을 시작할 수 있습니다.

[면접 중 화면]

면접 중에는 카메라와 마이크가 활성화되며, 유저는 오른쪽 화면에 AI 면접관이 생성한 질문에 대한 답변을 시작하면 됩니다.
답변은 음성 활동을 자동으로 감지해 실시간 음성인식(STT)으로 변환되어 화면에 기록되며, 답변 후 10초간 침묵이 지속되면 다음 질문으로 자동으로 넘어갑니다.
면접 중 유저의 표정은 1초 간격으로 분석되어 자신감·긴장도·안정도 수치와 감정 변화 흐름으로 시각화됩니다.

[면접 결과 및 피드백 화면]

면접 중지 버튼을 누르거나, AI 면접관이 모든 질문을 마치면 자동으로 면접이 종료되며 AI 종합 분석 리포트가 제공됩니다.

개발 결과물의 활용방안 소개

사용자 관점: 개인 맞춤형 상시 면접 훈련 플랫폼 취업 준비생들은 시공간의 제약 없이 웹 브라우저만을 활용해 대면 컨설팅 수준의 면접 연습을 반복할 수 있다. 정량화된 멀티모달 분석 리포트와 타임스탬프 기반의 피드백을 통해 본인의 시선 처리, 감정 변화, 답변 논리 구조의 취약점을 스스로 파악하고 개선하는 자가 학습 도구로 활용 가능하다.
개발자 및 기업 관점: 플러그앤플레이(Plug-and-Play)형 AI 면접 솔루션 본 프로젝트는 각 분석 기능을 마이크로서비스(MSA) 모듈로 분리하고 Docker 컨테이너로 가상화하여 설계했다. 따라서 향후 특정 기업이나 직군별로 특화된 자체 AI 모델(예: 커스텀 fine-tuning된 LLM이나 고도화된 안면 인식 모델)이 개발되더라도, 전체 시스템을 재구축할 필요 없이 해당 컨테이너 모듈만 독립적으로 교체(Plug-and-Play)하여 쉽게 시스템을 고도화할 수 있다.

AI 활용 (어떤 AI를 사용하여 개발했으며, 전체 코드의 몇 %가 AI로 개발되었는지를 설명)

전체 코드의 40%가 AI로 개발
- 웹 컴포넌트 레이아웃 및 UI 디자인 코드 생성에 활용 (Claude)
- 정보 공유를 위한 리서치 자료 문서화 (Gemini)
- 테스트 코드 생성 및 에러 디버깅 (Gemini)

Name		Name	Last commit message	Last commit date
images		images
notebooks		notebooks
services		services
.gitignore		.gitignore
README.md		README.md
docker-compose.yml		docker-compose.yml

Latest commit

History

Folders and files

Repository files navigation