💡 왜 시작했나?

최근 취준 떄문에 기업들을 찾아보고 있는데, 기업들의 AI, 특히 딥러닝과 머신러닝 기술을 적극 활용하는 흐름을 보면서, 나도 간단하게나마 관련 기술을 체험해보고 싶었다. 학습 데이터를 수집하고 모델을 학습시키는 풀사이클을 바로 하기보다는, 이미 잘 만들어진 모델을 활용해보는 방식이 적절하다고 판단했고, 그래서 선택한 것이 바로 Hugging Face였다. 모델 검색도 간편하고, API 문서도 깔끔하게 정리되어 있어 입문용으로 적절했다.
텍스트 감정 분석 → 감정에 맞는 음악 추천
이라는 주제를 정하고, 프론트엔드에서 이 기능을 실제로 구현해보는 작업을 진행했다.

🔧 사용 기술

• Hugging Face Inference API
• CSS Module을 활용한 UI 구성
• 음악 추천: 감정 분류에 따른 YouTube 링크 매핑
• Multilingual Sentiment Analysis 모델: nlptown/bert-base-multilingual-uncased-sentiment
  -> 해당 모델은 텍스트의 감정을 1~5점으로 분류해준다. 숫자가 높을수록 긍정적인 감정이다.

🎯 목표

• 텍스트 입력을 받아 감정을 분석한다.
• 분석된 감정에 맞는 음악을 추천해준다.
• 프론트엔드 UI는 Next로 구현하고, 추후 다양한 기능을 탭으로 확장할 수 있도록 구조화한다.

Hugging Face 모델 고르기

처음에는 한국어 감정 분석 모델을 찾았지만, 실제 API로 사용할 수 있는 모델은 대부분 영어 위주였다.
그래서 한국어 문장을 영어로 번역한 뒤, 영어 감정 분석 모델인
👉 nlptown/bert-base-multilingual-uncased-sentiment
를 사용하기로 결정했다.

-감정 점수: 1–5단계 -응답 정확도: 영어 정확도 67%, ±1단계 95%
영어 베이스 모델 한국어 일부 추가

감정 결과 해석하기

응답 형태

[
  [
    { label: "1 star", score: 0.05 },
    { label: "2 stars", score: 0.1 },
    { label: "3 stars", score: 0.15 },
    { label: "4 stars", score: 0.3 },
    { label: "5 stars", score: 0.4 },
  ],
];

응답은 2차원 배열 형태이며, result[0]은 각 감정 점수와 그 확률이다.

가장 높은 score를 가진 label이 최종 감정이다.

가장 높은 점수 뽑기

const topLabel = result[0].reduce((a, b) => (b.score > a.score ? b : a), result[0][0]);
const score = parseInt(topLabel.label); // "5 stars" → 5

감정에 따른 음악 추천

감정 점수를 기준으로 음악을 추천하도록 구성했다.

const musicMap = {
  5: {
    text: "😄 매우 긍정적인 감정 (기쁨, 사랑, 희망)",
    youtube: [
      ...
    ],
  },
  // 나머지 점수도 구성됨...
};

결과

평균 응답 지연: 약 600–800 ms (초당 1회 요청 기준)
최대 입력 길이: 512 tokens (대략 300~400자)

🐛 겪었던 이슈

• Hugging Face 모델 중 Inference API 비활성 상태인 경우가 많음
• 한국어 기반 모델 대부분 API 호출 불가 또는 느린 응답
• .env에 API 키를 넣어도 process.env가 클라이언트에서는 노출 안 되는 문제 → NEXT PUBLIC prefix로 해결
  결국 영어 기반 모델로 우회하면서 위 문제를 해결할 수 있었다. 모델 선택 시에는 Hugging Face 모델 페이지 상단의 Inference API 활성 여부 확인이 중요하다는 점을 알게 되었다.

마무리

이번 프로젝트는 기존 모델을 불러와서 프론트엔드에서 사용하는 방식에 대한 감을 익히기 위한 목적이 컸다.
직접 모델을 학습시키거나, 텍스트 전처리부터 fine-tuning까지 해보진 않았지만, 확실히 Hugging Face API를 통해 AI 활용의 입문 경험을 할 수 있었다.

다음에는 직접 데이터를 수집하고, 전처리와 학습, 모델 배포까지 이어지는 머신러닝/딥러닝 프로젝트에 도전해보고 싶다. 예를 들어 한국어 감정 분류 모델을 fine-tuning해서 음악 추천 정확도를 높이거나, PyTorch나 TensorFlow를 활용한 딥러닝 모델을 직접 구현해보는 것도 도전해보고 싶다.

향후에는 텍스트 요약, 이미지 생성, 챗봇 등의 기능도 작업실 탭에 하나씩 추가해볼 계획이다.