이력서와 채용공고를 기반으로 AI가 실제 면접관처럼 질문하고, 음성·영상·표정까지 분석해주는 자기주도 AI 가상 면접 트레이닝 서비스
이력서 & 채용공고 기반 면접 진행 및 피드백이 진행되는 자기주도형 면접 트레이닝 서비스.
미핏은 사용자가 자신의 이력서와 지원하고자 하는 채용공고를 등록하면, AI가 두 정보를 결합해 실제 면접관처럼 맞춤형 질문을 생성하고, 사용자의 답변을 Audio / Video / Transcript 데이터로 추출하여 분석 후 종합 분석 리포트를 제공하는 가상 면접 플랫폼입니다.
"이력서와 채용공고만으로 자기주도 면접을 무한히 반복하고 싶은 모든 구직자를 위한, 실제 면접관처럼 질문하고 점수를 매겨주는 AI 기반 가상 면접 시뮬레이션 플랫폼, MeFit을 개발한다."
한국의 신입 채용 시장에서 면접은 합격을 결정짓는 가장 큰 변수입니다. 그러나 동시에 가장 연습하기 어려운 단계이기도 합니다.
| 단계 | 일반적 횟수 | 비고 |
|---|---|---|
| 서류 작성 | 수십 ~ 수백 회 | 본인 노트북에서 무한 반복 가능 |
| 자기소개서 첨삭 | 수회 ~ 수십 회 | 학교 / 친구 / 유료 첨삭 서비스 활용 |
| 모의면접 | 0 ~ 2 회 | 학교 / 유료 기관 자원 의존, 매칭 실패 빈번 |
| 실전 면접 | 통상 1 ~ 2 회 | 합격을 결정짓는 최종 단계 |
서류·자소서는 무한히 다듬을 수 있는 반면, 면접은 본인의 답변을 본인이 들어볼 기회 자체가 거의 없는 상태에서 실전에 들어가게 됩니다. 결과적으로 다수의 구직자는 "실전에서 처음 말해 보는 답변" 이라는 구조적 비대칭에 노출됩니다.
| 차이점 | 일반 AI 챗봇 | meFit |
|---|---|---|
| 본인 이력서를 학습하는가 | ✗ | ✅ |
| 본인 지원 공고를 학습하는가 | ✗ | ✅ |
| 음성·영상·표정을 함께 분석하는가 | ✗ | ✅ |
| 학습 루프(스트릭/업적/티켓)가 있는가 | ✗ | ✅ |
결정적 격차 — "이력서와 채용공고를 모두 알고, 답변을 Audio, Video, Transcript로 나누어 분석하며, 후속 질문까지 만들어 주는 자기주도 면접 트레이닝 플랫폼이 시장에 아직 자리잡지 못했다."
| 가치 | 설명 | |
|---|---|---|
| 🎯 | 개인 맞춤 | 사용자 이력서 + 사용자 지원 공고 기반 질문 생성 |
| 📊 | 정량 피드백 | 5개 카테고리 점수 + 음성 분석 + 모범 답안 |
| 🔁 | 무한 반복 | 장소 제약 없이 매일 / 매시간 연습 가능 |
| 🏆 | 스트릭 / 업적 티켓 보상 | 스트릭 / 업적 달성으로 티켓 보상을 지급하고 긍정적 학습 루프 형성 |
PDF / DOCX 업로드 또는 텍스트 입력 → 섹션 단위 Chunking → LangChain + Pydantic 스키마로 LLM 구조화 분석 → 벡터 임베딩 생성 → 면접 질문 생성에 직접 활용.
|
|
구체성 / 직무 적합성 / 논리성 / 신뢰도 / 면접태도 5 카테고리 점수 + 음성 지표 (속도 / 필러 / 침묵 / 음량) + 표정 4분류 (긍정 / 부정 / 중립 / 미감지) + 카테고리별 strengths / improvements / model_answer.
|
🔥 스트릭 & 도전과제 (게이미피케이션) ・ 📧 이메일 알림 (인증 / 리포트 완료) ・ 🎟️ 티켓 재화 (Free / Pro 플랜) ・ 🪞 풀스크린 가드 (몰입 면접 환경)
| 페르소나 | 페인 포인트 | 사용 패턴 |
|---|---|---|
| 김취준 (24, 신입 취준생) | "면접 자체를 처음 본다" / 학교 모의면접은 학기당 1 회만 매칭 | 본인 이력서 + 지원한 회사 채용공고 등록 → FOLLOWUP 모드 → 매일 점수 추적 |
| 이이직 (29, 이직 직장인) | 마케팅 3년 차, 데이터 분석 직무 전환 — 답변 프레이밍 어려움 | 마케팅 경력 이력서 + 데이터 분석 채용공고 → FULL_PROCESS 모드 |
| 박코치 (40, 부트캠프 강사) | 수강생 50명 1:1 모의면접을 인력으로 감당 불가 | 수강생에게 MeFit 권장 → 분석 리포트를 코칭 자료로 활용 |
☸️ k3s on EC2 클러스터 컨트롤 플레인 + 워커 노드 · Traefik Ingress |
☁️ AWS 이벤트 파이프라인 S3 → SNS → SQS Fan-out → Lambda 5종 |
📐 전체 통합 인프라 다이어그램 보기 → (12개 마이크로서비스 + k3s 클러스터 + AWS 이벤트 파이프라인 통합 구성도)
| # | 모듈 | 역할 | 핵심 기술 |
|---|---|---|---|
| 1 | backend |
Django REST 기반 메인 API 서버 · 13개 도메인 앱 · WebSocket / SSE | Django 6 · DRF · Celery · Channels |
| 2 | frontend |
React SPA · 28 페이지 · Feature-Sliced Design 6 layer | React 19 · Vite · Bun · Tailwind 4 |
| 3 | scraping |
채용공고 URL → 구조화 정보 자동 추출 Worker · Plugin 구조 · 2단계 Fallback | Celery · Playwright · httpx · LLM |
| 4 | analysis-resume |
이력서 LLM 분석 + 벡터 임베딩 Worker · 섹션 Chunking | LangChain · pdfplumber · python-docx · Pydantic |
| 5 | interview-analysis-report |
면접 분석 리포트 Worker · 5단계 파이프라인 (Loader → VoiceAnalysisInvoker → AnalysisContext.build → LLMAnalyzer → Repository.save) | LangChain · Pydantic · Hypothesis |
| 6 | analysis-stt |
음성 인식 Worker · faster-whisper small/int8 · CPU 한국어 디코딩 · Singleton 모델 | faster-whisper · Celery · S3 |
| 7 | analysis-video |
AWS Lambda 4종 — video-converter / frame-extractor / audio-extractor / voice-analyzer | AWS Lambda · ffmpeg · S3 · SNS · SQS |
| 8 | face-analyzer |
AWS Lambda 1종 — MediaPipe Face Landmarker로 표정 4분류 (긍정 / 부정 / 중립 / 얼굴 미감지) | MediaPipe · numpy · AWS Lambda |
| 9 | voice-api |
TTS 음성 합성 서버 · audio/mpeg 스트리밍 · Stateless · Bearer JWT 위임 | FastAPI · edge-tts (14언어 322 voices) |
| 10 | infra |
k3s 다중 노드 클러스터 운영 · Traefik Ingress · deploy.sh 한 줄 무중단 배포 / 롤백 |
k3s · Traefik · GitHub Actions |
| 11 | mefit-tools |
로컬 개발 환경 관리 GUI · Docker Compose 통합 제어 · 1명령어 부팅 | Streamlit · Docker Compose |
| 12 | mefit-diagrams |
모든 설계 다이어그램의 코드 관리 (Component / Activity / State / Sequence) | PlantUML · Python diagrams |
Tip
각 모듈은 독립 Dockerfile + Deployment 매니페스트로 단독 배포 가능하며, 도메인별 Celery 큐 분리 + 모든 SQS DLQ 로 장애 격리가 보장됩니다.
Frontend
Backend
AI / ML
Infra (AWS · k3s)
Observability
CI/CD · DevOps
| 지표 | 목표값 | 측정 위치 |
|---|---|---|
| 페이지 초기 로드 시간 | ≤ 3초 (FCP) | Lighthouse / WebPageTest |
| API 평균 응답 시간 (조회) | ≤ 200 ms | Django Middleware / Flower |
| LLM 첫 질문 생성 시간 | ≤ 5초 (gpt-4o-mini, 한국어 첫 토큰) | TokenUsage 기록 |
| 영상 청크 업로드 처리 | ≤ 1초/청크 (S3 멀티파트) | Frontend useChunkUploader |
| 분석 리포트 생성 시간 | ≤ 2분 (질문 5~10개) | InterviewAnalysisReport 통계 |
| Lambda 콜드 스타트 | ≤ 5초 (Python 3.14, ffmpeg Layer) | CloudWatch Lambda Insights |
| 지표 | 목표값 |
|---|---|
| Pod 재시작 발생률 | < 1회 / 일 |
| Lambda 실패율 | < 0.1 % (DLQ 진입 기준) |
| Celery 태스크 실패율 | < 1 % (재시도 후) |
| 동시 사용자 수 (피크) | ≥ 50 |
| 일일 면접 세션 수 | ≥ 100 |
| 일일 LLM 호출 수 | ≥ 1,000 (분석 / 후속 질문 / 평가 합산) |
| 한 면접 세션당 LLM 비용 | ≤ ₩200 (gpt-4o-mini 우선 사용) |
| 월 운영 인프라 비용 | ≤ ₩100,000 (캡스톤 지원 인프라 한도 내) |
https://mefit.kr방문 → 회원가입 → 이메일 인증 → 직무 / 경력 입력- 이력서 업로드 (PDF / DOCX) 또는 텍스트 입력
- 지원하려는 채용공고 URL 입력 또는 직접 입력
- 면접 모드 + 난이도 선택 → Precheck (카메라 / 마이크 / 풀스크린) → 면접 시작
- 면접 종료 → 분석 리포트 자동 생성 → 5 카테고리 점수 + 음성 / 표정 분석 확인
# 1. 클론 + 서브모듈 초기화
git clone https://github.com/kookmin-sw/2026-capstone-54.git
cd 2026-capstone-54
git submodule update --init --recursive
# 2. 로컬 환경 부팅 (mefit-tools)
cd mefit-tools
make up-all # 모든 서비스 한 번에
# 또는
make gui-up # Streamlit GUI 로 제어자세한 운영 방법은 각 모듈의
README.md를 참고하세요.
2026-capstone-54/
├── 🎨 frontend/ React 19 + Vite + Tailwind 4
├── ⚙️ backend/ Django 6 메인 API + WebSocket/SSE
├── 📄 analysis-resume/ 이력서 LLM 분석 / 임베딩 Worker
├── 🎙️ analysis-stt/ faster-whisper STT Worker
├── 🎬 analysis-video/ AWS Lambda 4종 (영상 처리 파이프라인)
├── 😀 face-analyzer/ AWS Lambda 1종 (MediaPipe 표정 분석)
├── 📊 interview-analysis-report/ 면접 종합 분석 리포트 Worker
├── 🔊 voice-api/ edge-tts FastAPI TTS 서버
├── 🕸️ scraping/ 채용공고 URL → 구조화 정보 추출 (Plugin + Fallback)
├── ☸️ infra/ k3s 매니페스트 + Traefik + deploy.sh + CI/CD
├── 🧰 mefit-tools/ 로컬 개발 환경 GUI/CLI (Streamlit)
├── 📐 mefit-diagrams/ PlantUML / Python diagrams 코드
├── 🌐 github-page/ React 인터랙티브 팀 페이지 (별도 브랜치 호스팅)
│
├── _config.yml GitHub Pages 설정
├── index.md GitHub Pages 진입점
└── README.md 본 파일
 김신건 (조장) PM · Architect 전체 아키텍처AI · Infra · Backend
|
 김석준 Backend Django · 채용공고표정 분석 파이프라인
|
 김유진 Backend Django · 면접 질문분석 파이프라인
|
 이주현 Frontend Frontend 개발디자인 전반
|
"채용 시장의 정보 비대칭과 면접 기회 부족을, AI 로 모두에게 평등하게 풀어준다."
지방 / 비명문대 / 비전공 직무 전환자처럼 오프라인 모의면접에 접근하기 어려운 구직자도, 시간과 장소에 구애받지 않고 "실전 같은 면접 → 정량 피드백 → 개선" 사이클을 무한히 반복할 수 있게 만드는 것이 본 프로젝트의 궁극적 목표입니다.
이를 통해 "면접 정보는 더 이상 선배 네트워크의 자산이 아니다" 라는 사회적 가치를 함께 실현하고자 합니다.
MIT License © 2026 meFit · 국민대학교 SW캡스톤 2026 · 54팀
본 저장소는 국민대학교 소프트웨어융합대학 소프트웨어학부 다학제간캡스톤디자인 I 의 결과물입니다.
