AI를 활용한 개인용 뇌 훈련 앱 'Myndra' 개발기

실용적 조언

앱 스토어 등록 시 '치료'나 '진단' 같은 단어를 피하고 '훈련'이나 '보조' 같은 완곡한 표현을 사용하여 규제 문제를 예방하라.
데이터 시각화가 복잡하다면 Obsidian의 데이터뷰(Dataview) 플러그인을 활용할 수 있도록 마크다운 내보내기 기능을 구현하라.

섹션별 상세

작성자는 FastAPI, SQLite, Streamlit을 결합한 경량 스택을 선택했다. Claude가 초기 대화에서 제안한 아키텍처를 그대로 유지하며 3주간의 개발 기간 동안 큰 구조적 변경 없이 안정적으로 시스템을 구축했다. 이는 AI가 제안한 초기 설계가 실제 프로덕션 수준의 프로토타입에서도 충분히 유효할 수 있음을 시사한다.

비용과 성능의 균형을 위해 멀티 모델 전략을 채택했다. 단순한 훈련 문제 생성에는 저렴하고 빠른 GPT-4o-mini를 사용하고, 사용자의 응답에 담긴 미묘한 뉘앙스를 평가하는 채점 로직에는 Claude Sonnet을 배치하여 정확도를 높였다. 특히 채점 로직을 디버깅할 때 Claude에게 자신의 점수 부여 근거를 직접 설명하게 함으로써 로직을 정교화했다.

데이터 소유권과 시각화를 위해 Obsidian 통합 기능을 구현했다. 모든 훈련 세션 결과는 YAML 프론트매터가 포함된 마크다운 파일로 내보내지며, 이를 통해 사용자는 외부 대시보드에서 자신의 6주간 인지 능력 향상 트렌드를 직접 확인할 수 있다. 이는 폐쇄적인 상용 앱과 차별화되는 개인화된 데이터 관리 방식이다.

기술적 구현보다 의료/건강 관련 규제 준수를 위한 문구 수정에 더 많은 시간이 소요됐다. '치료(therapy)' 대신 '인지 훈련(cognitive training)'을, '입증된(proven)' 대신 '연구가 시사하는(research suggests)'과 같은 표현을 사용하여 법적 책임을 회피하는 과정이 필수적이었다. 이는 헬스케어 AI 앱 개발 시 기술 외적으로 고려해야 할 중요한 실무적 장벽이다.

용어 해설

바이브코딩(Vibecoding): — 엄밀한 설계나 아키텍처 정의보다는 AI 에이전트와의 대화 흐름(vibe)에 의존하여 직관적으로 코드를 생성하고 프로젝트를 진행하는 개발 방식이다. AI의 제안을 즉각 수용하며 빠르게 프로토타입을 구축하는 것이 특징이다.
YAML 프론트매터(YAML Frontmatter): — 마크다운 파일의 최상단에 위치하며 문서의 메타데이터(날짜, 태그, 점수 등)를 구조화된 형식으로 저장하는 블록이다. 데이터 분석 도구나 대시보드에서 해당 문서를 데이터베이스처럼 활용할 수 있게 한다.
LLM 평가(LLM Evaluation): — 사람의 정답지 없이도 LLM이 다른 모델의 출력물이나 사용자의 응답을 논리적 기준에 따라 채점하고 피드백을 제공하는 기법이다. 정성적인 뉘앙스를 수치화하여 시스템의 성능을 측정하는 데 필수적이다.

언급된 도구

FastAPI추천

백엔드 API 서버 구축

Streamlit추천

프론트엔드 대시보드 및 UI 구현

Obsidian추천

훈련 데이터 저장 및 장기 트렌드 분석

언급된 리소스

DemoMyndra App