2nd/10_Wiki/Topics_Business/system_analysis_and_improvement_plan.md

ConnectAI 기술 부채 및 아키텍처 개선 계획 (Python Core)

📌 핵심 진단 요약

현재 ConnectAI의 Python 기반 추론 엔진은 알고리즘 비효율성(O(N^2)), 동기식 I/O 블로킹, 강한 결합도(Tight Coupling)로 인해 성능 확장이 제한된 상태임. 이를 프로덕션 수준으로 끌어올리기 위한 단계별 최적화가 필요함.

🛠️ 최적화 전략 (Phase 2: Core Optimization)

1. 알고리즘 효율화 (Performance P1)

• 현상: InferenceEngine.py의 feature_match_brute_force 함수가 중첩 루프로 인해 O(N^2) 복잡도 가짐.
• 해결: KD-Tree 또는 행렬 분해 기법을 도입하여 $O(N \log N)$으로 최적화. 추론 지연 시간 5~10배 단축 목표.

2. 비동기 I/O 전환 (Throughput P1)

• 현상: DataLoader.py의 load_dataset_sync 함수가 동기식으로 동작하여 I/O 대기 시 CPU 유휴 발생.
• 해결: asyncio 기반 비동기 I/O 또는 스레드 풀 기반 병렬 처리를 도입하여 처리량(Throughput) 개선.

3. 모듈 디커플링 (Maintainability P2)

• 현상: PreprocessingModule과 CoreModel 간의 직접 의존성으로 인한 강한 결합.
• 해결: 관찰자 패턴(Observer Pattern) 도입. DataReadyEvent 발행-구독 모델을 통해 모듈 간 독립성 및 테스트 용이성 확보.

🚀 구현 가이드라인

• Step 1: 알고리즘 최적화 (KD-Tree 구현 및 검증)
• Step 2: 비동기 I/O 전환 (async/await 래핑 및 이벤트 루프 통합)
• Step 3: 아키텍처 디커플링 (이벤트 시스템 구축 및 DIP 실현)

---

분석 일자: 2026-04-30 우선순위: Step 1 (ROI 최상) > Step 2 > Step 3