[개발 후기] 금융 AI 웹 서비스를 오픈하며 겪은 기술적 도전과 교훈

안녕하세요, OKKA 여러분. 물리학과 대학원생입니다.

취미로 AI 주가 예측 웹 서비스(AI 시그널)를 오픈했습니다. 모델 개발부터 실제 서비스 배포까지의 과정에서 배운 기술적 도전과 해결책을 공유합니다.

1. 핵심 기술 스택

• 백엔드/AI: Python(FastAPI), TensorFlow/Keras(LSTM+GARCH), Pandas

• 프론트엔드: React, Chart.js

• 데이터: EWMA 기반 5일 예측 제공, Prophet/LSTM 모델 튜닝 중

2. 주요 기술적 도전 & 해결

문제 1: 모델 서빙 속도

• 요청마다 모델 로드 시 응답 지연 발생

• 해결: Singleton Pattern으로 서비스 시작 시 모델 미리 로드, 인스턴스 재사용

문제 2: 동시 요청 처리

• 여러 종목 예측 요청 시 작업 차단

• 해결: Celery + Redis로 비동기 작업 큐 구성, 작업 ID 반환 후 폴링 처리

문제 3: 결과 시각화

• 모델 출력(숫자 배열)을 직관적인 정보로 변환 필요

• 해결: Chart.js로 과거/예측 데이터 오버레이, 신뢰 구간 음영 처리 추가 고민

3. 최근 개선사항: DeepSeek API 뉴스 분석

금융 뉴스의 정서 분석을 위해 DeepSeek API를 도입했습니다:

1. 자동 크롤링: 주요 금융 뉴스를 수집하는 파이프라인 구축

2. 텍스트 분석: 뉴스 헤드라인/본문의 감성 점수화

3. 예측 연동: 감성 지수를 LSTM 모델의 추가 feature로 활용 검토

4. 비용 효율: 타 API 대비 가격 경쟁력 확보

4. 앞으로의 과제

• LSTM + GARCH 모델 정교화

• 백테스트 시스템 구축

• 서버 모니터링 강화 (현재 i5-8500, 8GB 서버로 시작)

💡 마치며

"인간의 감정을 배제한 수학적 승리"라는 슬로건처럼, 감정적 코딩보다 측정 가능한 지표와 안정적인 아키텍처에 집중하고 있습니다. AI 모델 서빙이나 FinTech 프로젝트에 관심 있으신 분들, 조언과 피드백 환영합니다!