Markit Two-Way MR 평가 시스템

1. 프로젝트 핵심 철학 (Core Philosophy)

기존의 MR 교육은 정해진 스크립트를 읽고 녹음하는 '일방향(One-Way)' 방식에 머물렀습니다. 하지만 실제 영업 현장은 예측 불가능한 대화의 연속입니다. 본 프로젝트는 이 한계를 극복하기 위해 시작되었습니다.

2. 시스템 아키텍처 (System Architecture)

본 시스템은 Event-Driven Architecture를 기반으로 설계되었습니다. 클라이언트와 서버는 WebSocket으로 지속적인 연결을 유지하며, 음성 데이터와 텍스트 메시지를 실시간으로 교환합니다.

3. 핵심 데이터 흐름 (Core Data Flow)

사용자가 발화하는 순간부터 AI의 음성이 스피커로 나오기까지의 데이터 흐름은 다음과 같습니다.

4. 출처 매칭 시스템 (Grounded Verification) CRITICAL

4.1 GroundedVerifier 클래스 (utils/groundedVerifier.js)

모든 AI 생성 콘텐츠(FAQ 답변, 정답 힌트 등)가 저장되기 전에 이 검증기를 통과해야 합니다.

Layer 1: Deterministic Literal Matching (결정론적 문자열 검사)

const numbers = answer.match(/\d+(\.\d+)?%?/g) || [];
for (const num of numbers) {
    if (!fullContent.includes(num)) {
        return { verified: false, reason: `수치(${num})가 원문에 없음` };
    }
}

Layer 2: LLM Semantic Verification (의미론적 검증)

Layer 3: Mechanical Noun/Number Check (기계적 명사 검증)

4.2 출처 검증이 적용되는 곳

4.3 FAQ 출처 검색 로직 상세 (/api/faq/context)

FAQ 항목 클릭 시 원문 출처를 찾는 3단계 Fallback 로직:

5. 지식 베이스 관리 (Knowledge Base Management)

5.1 VectorReferenceAnalyzer (models/vectorReferenceAnalyzer.js)

시스템의 "뇌"에 해당하는 핵심 모듈입니다. 모든 지식 데이터는 이 클래스를 통해 관리됩니다.

5.2 문서 파서 (utils/documentParser.js)

PDF/DOCX 파일을 텍스트로 변환하며, 멀티모달 분석 기능을 포함합니다.

6. AI 멘토 모드 (Knowledge Encyclopedia) v4.3 NEW

6.1 주요 특징

• Flexible RAG: 질문이 FAQ와 정확히 일치하지 않아도, 유사한 의미라면 해당 지식을 활용합니다.
• 가독성 포맷팅: 긴 의학적 답변도 읽기 편하도록 문단 분리와 글머리 기호(Bullet points) 줄바꿈을 강제합니다.
• 명확한 UI: 중앙 버튼이 "AI 멘토에게 질문하세요"로 변경되어 현재 모드를 명확히 인지시킵니다.

6.2 지식 검색 및 자동 학습 로직 (Knowledge Retrieval & Auto-Learning) CRITICAL

AI 멘토 모드는 단순히 답변만 하는 것이 아니라, **FAQ 데이터를 스스로 확장하는 자가 학습(Auto-Learning) 메커니즘**을 가집니다.

7. STT 고도화 시스템 (Speech-to-Text Enhancement)

6.1 단어장 자가 학습 프로세스

Whisper의 의학 용어 인식률을 극대화하기 위한 지능형 학습 시스템입니다.

6.2 SttCorrector 클래스 (utils/sttCorrector.js) v4.1 UPDATE

6.3 STT 교정 테이블 관리 (/twoway/stt-dictionary) v4.3 NEW

관리자가 웹 UI에서 직접 오인식 패턴을 등록하고 관리할 수 있습니다. (stt_corrections.json)

• Hard Rules: "혈앤비아" -> "케렌디아" 처럼 1:1 강제 치환 규칙 적용
• Raw Text Download: full_vector_data.txt를 다운로드하여 학습 데이터의 무결성을 직접 검증 가능

8. FAQ 사전승인 시스템 (Pre-Approved FAQ) v4.0 NEW

8.1 AI 의사 롤플레잉 모드 작동 원리 (Strict FAQ Constraint) CRITICAL

AI 의사 모드는 100% FAQ 데이터 기반으로 작동하며, 지식 데이터(PDF)를 참조하지 않습니다.

8.2 FAQ 팟캐스트 모드 (FAQ 이어듣기) v4.7 UPDATED

MR들이 출퇴근 시 라디오처럼 모든 질문과 답변을 연속으로 청취하며 학습할 수 있는 기능입니다.

8.3 FAQ 실시간 검색 및 승인 (Pending FAQ Approval) v4.7 NEW

• Auto-Add Pipeline: AI 멘토가 생성한 새로운 지식은 Pending FAQ로 저장됩니다.
• Admin UI (/faq-admin): 관리자는 대기 중인 질문을 승인하여 즉시 Live FAQ에 반영할 수 있습니다.

7.4 FAQ 데이터 구조 (data/[product]/faq.json)

7.5 FAQ HTML 구조

<div class="qa-box new-entry">
    <div class="question">케렌디아의 심혈관 보호 효과는?</div>
    <div class="answer">
        <div class="answer-content" data-evidence="FIDELIO-DKD 연구에서...">
            케렌디아는 FIDELIO-DKD 연구에서 심혈관 복합 결과를 14% 감소시켰습니다.
            <div class="source-citation">📚 Source: Kerendia_PI.pdf (AI Reference)</div>
        </div>
    </div>
</div>

9. 평가 로직 및 배점 기준 (Evaluation Logic & Scoring Criteria) v4.3 NEW

9.1 평가 구조 개요

9.2 Opening (도입부) - 150점

의사와의 첫 대면 시 신뢰를 형성하고 대화의 목적을 명확히 하는 단계입니다.

9.3 FAQ (핵심 디테일링) - 질적 평가 (1~10점/문항)

AI 의사(멘토)와의 질의응답을 통해 제품 지식의 정확성과 전달력을 평가합니다.

FAQ 배점 시뮬레이션 예시

케렌디아 제품의 경우, 총 76개 FAQ 문항이 등록되어 있습니다. (Opening K-000, CTA K-CTA 제외)

• Case A (최소 점수): 76문항 × 1점 = 76점
• Case B (최대 점수): 76문항 × 10점 = 760점

* 실제 대화의 흐름에 따라 AI가 무작위 또는 문맥에 맞춰 질문하며, 모든 문항을 다루지 않을 수 있습니다.

9.4 Call-to-Action (마무리) - 150점

디테일링을 성공적으로 마무리하고 실질적인 처방 유도 및 다음 약속을 잡는 단계입니다.

9.5 고득점을 위한 핵심 가이드

10. 기술 스택 (Technical Stack)

11. 시스템 페이지 가이드 (Page Guide)

12. 개발자 가이드 (For Developers)

10.1 핵심 파일 맵

10.2 환경 변수 (.env)

# API Keys (Required)
OPENAI_API_KEY=sk-xxxxx
GEMINI_API_KEY=AIzaxxxxx

# Server Config
PORT=3003

10.3 서버 실행

# 개발 모드 (nodemon)
npm run dev

# 프로덕션 모드
pm2 start ecosystem.config.js