exlm - Domain-Specific LLM Automation Platform

exlm은 도메인 특화 LLM을 자동으로 생성하고 배포할 수 있는 통합 플랫폼입니다. 오픈소스 LLM 파인튜닝부터 합성 데이터 생성, 최신 학습 기법 적용, 그리고 프로덕션 서빙까지 전체 파이프라인을 자동화합니다.

🚀 주요 기능

🤖 모델 관리

최신 오픈소스 LLM 지원: Llama3, Mistral, Qwen2, Phi-3 등
자동 파인튜닝: LoRA, QLoRA, DPO, ORPO 등 최신 기법 지원
모델 버전 관리: 실험 추적 및 모델 버전 관리

📊 데이터 생성

합성 데이터 생성: OpenAI, Claude, Gemini API를 활용한 고품질 데이터 생성
프롬프트 템플릿: 도메인별 커스터마이징 가능한 템플릿
품질 관리: 자동 중복 제거, 품질 점수 계산, 도메인 관련성 검증

🔧 파이프라인 자동화

드래그 앤 드롭 인터페이스: 직관적인 파이프라인 설계
최신 기법 조합: 다양한 학습 기법을 자유롭게 조합
코드 자동 생성: 설계한 파이프라인을 실행 가능한 코드로 변환

🌐 모델 서빙

vLLM 통합: 고성능 추론 서버
OpenAI API 호환: 기존 애플리케이션과 쉽게 통합
자동 스케일링: 트래픽에 따른 자동 확장

⚡ 빠른 시작

RunPod 원클릭 배포 (권장) ⭐

GPU 환경에서 1분 만에 완전 자동 설치가 가능합니다.

# RunPod SSH 접속 후 한 번의 명령어로 완료
curl -sSL https://raw.githubusercontent.com/quantumaikr/exlm-app/main/scripts/runpod-full-setup.sh | bash

✅ 완전 자동화: 시스템 설정부터 서비스 시작까지 모든 과정 자동
✅ GPU 자동 감지: CUDA 환경 자동 구성
✅ 즉시 사용 가능: 설치 완료 후 바로 웹 UI 접속 가능

포트 설정: RunPod 콘솔에서 3000, 8000 포트를 Public으로 설정 접속: https://[POD_ID]-3000.proxy.runpod.net

📚 상세 가이드: RunPod 빠른 설치 가이드

📋 요구사항

Python 3.9+
Node.js 18+
Docker & Docker Compose (선택사항)
CUDA 11.8+ (GPU 학습 시)

🛠️ 설치 방법

방법 1: RunPod 배포 (권장) ⭐

GPU 환경에서 빠른 배포를 원한다면 RunPod을 사용하세요:

소스코드가 이미 있는 경우 (가장 간단)

# EXLM 프로젝트 디렉토리에서 실행
cd /workspace/exlm-app
chmod +x scripts/setup-runpod-local.sh
./scripts/setup-runpod-local.sh

# 서비스 시작
./start-all.sh

처음부터 설치하는 경우

# 자동 배포 스크립트 다운로드
curl -sSL https://raw.githubusercontent.com/quantumaikr/exlm-app/main/scripts/deploy-runpod-native.sh -o deploy.sh
chmod +x deploy.sh

# 토큰과 함께 배포 (권장)
./deploy.sh YOUR_GITHUB_TOKEN

# 또는 토큰 없이 배포 (Public 저장소인 경우)
./deploy.sh

RunPod 포트 설정: 3000, 8000, 5555 포트를 Public으로 설정하세요.

📚 상세 가이드: RunPod 네이티브 배포 가이드

방법 2: Docker 환경 (로컬/서버)

1. 저장소 클론

git clone https://github.com/quantumaikr/exlm-app.git
cd exlm-app

2. 환경 변수 설정

cp .env.example .env
# .env 파일을 열어 필요한 API 키와 설정을 입력하세요

3. Docker Compose로 실행

# 개발 환경 (CPU)
docker-compose up -d

# GPU 환경
docker-compose -f docker-compose.gpu.yml up -d

방법 3: 개발 환경 설정 (로컬)

Backend (Python/FastAPI)

cd backend
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt
uvicorn main:app --reload

Frontend (React/Next.js)

cd frontend
npm install
npm run dev

📖 사용 방법

프로젝트 생성: 웹 UI에서 새 프로젝트를 생성합니다.
모델 선택: 사용할 베이스 모델을 선택합니다.
데이터 준비: 기존 데이터를 업로드하거나 합성 데이터를 생성합니다.
파이프라인 설계: 원하는 학습 기법을 선택하고 조합합니다.
학습 실행: 설계한 파이프라인으로 모델을 학습시킵니다.
배포: 학습된 모델을 API로 서빙합니다.

🏗️ 아키텍처

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   Frontend  │────▶│   Backend   │────▶│     ML      │
│  (Next.js)  │     │  (FastAPI)  │     │  Pipeline   │
└─────────────┘     └─────────────┘     └─────────────┘
       │                   │                    │
       ▼                   ▼                    ▼
┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   Browser   │     │  PostgreSQL │     │    vLLM     │
│     UI      │     │    Redis    │     │   Server    │
└─────────────┘     └─────────────┘     └─────────────┘

🤝 기여하기

프로젝트에 기여하고 싶으신가요? CONTRIBUTING.md를 참고해주세요.

📄 라이선스

이 프로젝트는 MIT 라이선스 하에 배포됩니다. 자세한 내용은 LICENSE 파일을 참고하세요.

📚 문서

💬 지원

🛠️ 환경 요구사항

개발 환경 (macOS/Linux)

Docker & Docker Compose
Node.js 18+
Python 3.9+

프로덕션 환경 (GPU 서버)

NVIDIA GPU (CUDA 11.8+)
Docker & Docker Compose
NVIDIA Container Toolkit

📦 설치 및 실행

1. 개발 환경 (CPU only)

# 저장소 클론
git clone <repository-url>
cd exlm

# 개발 환경 시작
make up-dev

# 또는 직접 실행
docker-compose up -d

2. GPU 환경

# GPU 환경 시작
make up-gpu

# 또는 직접 실행
docker-compose -f docker-compose.gpu.yml up -d

3. 환경별 빌드

# 개발 환경 빌드 (CPU only)
make build-dev

# GPU 환경 빌드
make build-gpu

🌐 서비스 접속

프론트엔드: http://localhost:3000
백엔드 API: http://localhost:8000
API 문서: http://localhost:8000/docs
Flower (Celery 모니터링): http://localhost:5555
Grafana: http://localhost:3001 (admin/admin)

🔧 환경 설정

환경 변수

.env 파일을 생성하여 환경 변수를 설정할 수 있습니다:

# 데이터베이스
POSTGRES_USER=postgres
POSTGRES_PASSWORD=postgres
POSTGRES_DB=exlm_db

# 빌드 환경 (dev 또는 gpu)
BUILD_ENV=dev

# API 키들
OPENAI_API_KEY=your_openai_key
ANTHROPIC_API_KEY=your_anthropic_key
GOOGLE_API_KEY=your_google_key

GPU 환경 설정

GPU 환경을 사용하려면:

NVIDIA Container Toolkit 설치:

# Ubuntu/Debian
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

GPU 환경 시작:

make up-gpu

🧪 테스트

# 개발 환경 테스트
make test-dev

# GPU 환경 테스트
make test-gpu

📊 모니터링

Prometheus 메트릭

Prometheus: http://localhost:9090
Node Exporter: 시스템 메트릭
PostgreSQL Exporter: 데이터베이스 메트릭
Redis Exporter: 캐시 메트릭

Grafana 대시보드

Grafana: http://localhost:3001
기본 계정: admin/admin
사전 구성된 대시보드 포함

🔍 로그 확인

# 전체 로그
make logs

# GPU 환경 로그
make logs-gpu

# 특정 서비스 로그
make backend-logs
make frontend-logs
make celery-logs
make flower-logs

🛠️ 개발 도구

컨테이너 쉘 접속

# 개발 환경
make shell-backend
make shell-frontend

# GPU 환경
make shell-backend-gpu
make shell-frontend-gpu

서비스 재시작

make restart-backend
make restart-frontend
make restart-celery

📁 프로젝트 구조

exlm/
├── backend/                 # FastAPI 백엔드
│   ├── app/
│   │   ├── api/            # API 엔드포인트
│   │   │   ├── core/           # 핵심 설정
│   │   │   ├── models/         # SQLAlchemy 모델
│   │   │   ├── schemas/        # Pydantic 스키마
│   │   │   ├── services/       # 비즈니스 로직
│   │   │   └── tasks/          # Celery 태스크
│   │   ├── requirements.txt    # 개발 환경 의존성
│   │   └── requirements-gpu.txt # GPU 환경 의존성
│   ├── frontend/               # Next.js 프론트엔드
│   ├── monitoring/             # 모니터링 설정
│   ├── docker-compose.yml      # 개발 환경 설정
│   ├── docker-compose.gpu.yml  # GPU 환경 설정
│   └── Makefile               # 자동화 스크립트

🔄 환경별 차이점

기능	개발 환경 (CPU)	GPU 환경
PyTorch	CPU 버전	CUDA 11.8 버전
vLLM	미설치	설치됨
bitsandbytes	미설치	설치됨
모델 학습	제한적	전체 기능
모델 서빙	제한적	전체 기능

🚨 문제 해결

RunPod 특화 문제

apt_pkg 모듈 오류

# add-apt-repository 오류 발생 시
chmod +x scripts/fix-apt-pkg.sh
./scripts/fix-apt-pkg.sh

# 수동으로 해결하는 경우
sudo rm -f /usr/lib/python3/dist-packages/apt_pkg.cpython-*.so
sudo ln -sf /usr/lib/python3/dist-packages/apt_pkg.cpython-310-x86_64-linux-gnu.so /usr/lib/python3/dist-packages/apt_pkg.cpython-311-x86_64-linux-gnu.so

PyYAML 빌드 오류

# PyYAML 빌드 오류 발생 시
cd backend
chmod +x ../scripts/fix-pyyaml.sh
../scripts/fix-pyyaml.sh

의존성 충돌 오류

# 의존성 충돌 오류 발생 시
cd backend
chmod +x ../scripts/fix-dependencies.sh
../scripts/fix-dependencies.sh

일반적인 문제들

PostgreSQL 연결 오류

docker-compose down -v
docker-compose up -d

GPU 컨테이너 시작 실패

# NVIDIA Container Toolkit 확인
docker run --rm --gpus all nvidia/cuda:11.8-base-ubuntu20.04 nvidia-smi

메모리 부족 오류

# Docker 메모리 제한 증가
# Docker Desktop > Settings > Resources > Memory

📝 라이선스

이 프로젝트는 MIT 라이선스 하에 배포됩니다.

🤝 기여하기

Fork the repository
Create your feature branch (git checkout -b feature/amazing-feature)
Commit your changes (git commit -m 'Add some amazing feature')
Push to the branch (git push origin feature/amazing-feature)
Open a Pull Request

Name		Name	Last commit message	Last commit date
Latest commit History 19 Commits
alembic		alembic
app		app
backend		backend
docs		docs
frontend		frontend
logs		logs
ml		ml
models		models
monitoring		monitoring
scripts		scripts
services		services
tests		tests
.env		.env
.env copy.example		.env copy.example
.gitignore		.gitignore
CLAUDE.md		CLAUDE.md
CONTRIBUTING.md		CONTRIBUTING.md
Dockerfile.backend		Dockerfile.backend
Dockerfile.dev		Dockerfile.dev
Dockerfile.frontend		Dockerfile.frontend
Makefile		Makefile
README.md		README.md
alembic.ini		alembic.ini
dev_loop.sh		dev_loop.sh
docker-compose.dev.yml		docker-compose.dev.yml
docker-compose.gpu.yml		docker-compose.gpu.yml
docker-compose.yml		docker-compose.yml
env.example		env.example
fix_python39_compat.sh		fix_python39_compat.sh
pyproject.toml		pyproject.toml
requirements-dev.txt		requirements-dev.txt
requirements-gpu.txt		requirements-gpu.txt
requirements-minimal.txt		requirements-minimal.txt
requirements.txt		requirements.txt
run_backend_test.sh		run_backend_test.sh
run_full_tests.sh		run_full_tests.sh
run_tests.sh		run_tests.sh
setup_guide.md		setup_guide.md
simple_test.sh		simple_test.sh
test_ml_pipeline.py		test_ml_pipeline.py

Folders and files

Latest commit

History

Repository files navigation

exlm - Domain-Specific LLM Automation Platform

🚀 주요 기능

🤖 모델 관리

📊 데이터 생성

🔧 파이프라인 자동화

🌐 모델 서빙

⚡ 빠른 시작

RunPod 원클릭 배포 (권장) ⭐

📋 요구사항

🛠️ 설치 방법

방법 1: RunPod 배포 (권장) ⭐

소스코드가 이미 있는 경우 (가장 간단)

처음부터 설치하는 경우

방법 2: Docker 환경 (로컬/서버)

1. 저장소 클론

2. 환경 변수 설정

3. Docker Compose로 실행

방법 3: 개발 환경 설정 (로컬)

Backend (Python/FastAPI)

Frontend (React/Next.js)

📖 사용 방법

🏗️ 아키텍처

🤝 기여하기

📄 라이선스

📚 문서

💬 지원

🛠️ 환경 요구사항

개발 환경 (macOS/Linux)

프로덕션 환경 (GPU 서버)

📦 설치 및 실행

1. 개발 환경 (CPU only)

2. GPU 환경

3. 환경별 빌드

🌐 서비스 접속

🔧 환경 설정

환경 변수

GPU 환경 설정

🧪 테스트

📊 모니터링

Prometheus 메트릭

Grafana 대시보드

🔍 로그 확인

🛠️ 개발 도구

컨테이너 쉘 접속

서비스 재시작

📁 프로젝트 구조

🔄 환경별 차이점

🚨 문제 해결

RunPod 특화 문제

apt_pkg 모듈 오류

PyYAML 빌드 오류

의존성 충돌 오류

일반적인 문제들

📝 라이선스

🤝 기여하기

About

Resources

Contributing

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages