알로
2.9 (13)알로스타
경력근거: 바이오데이터 분석 및 기능영양학 솔루션 기반 비대면 건강관리
수집일 없음
※ 실제 산출물이 아닌 AI 예측 시안입니다.
280만 건 바이오데이터 + 기능영양학 결합으로 코칭 근거를 만드는 건 알로스타에서만 가능합니다. 데이터 인용형 코칭이 그 자산을 직접 활용합니다.
'바이오데이터 분석 및 기능영양학 솔루션'. 데이터 인용 기반 코칭이 그 융합을 제품화하는 1주 단위.
'AI 코칭 영역에서 초개인화 서비스를 구현할 LLM 엔지니어'. 데이터→행동→코칭이 그 핵심.
'280만 건 이상 바이오 데이터 축적'. 코칭 근거의 깊이가 경쟁사와 다른 지점.
사용자 바이오·생활 데이터를 받아 다음에 바꿀 행동을 짚고, 데이터 인용 근거와 함께 초개인화 코칭 메시지를 생성하는 1주 포트폴리오(의료 진단·단정 금지).
알로스타 AI PE. 코칭 메시지를 사람이 일일이 쓰던 일을, 데이터 기반 초개인화 코칭 생성 도구로 옮기고 싶은 사람입니다.
사용자 데이터에 목표·바이오마커를 붙이면, LLM 이 (a) 다음 행동을 데이터 근거와 함께 짚고 (b) 초개인화 코칭을 의료 단정 없이 생성합니다.
사용자 데이터를 받아 다음 행동과 초개인화 코칭을 데이터 근거와 함께 생성하고 의료 단정을 차단하는 동작하는 도구입니다.
영양사 2명 라벨과 코칭 타당도 일치도(κ)를 재고, 의료 단정 차단율을 보여주는 대시보드입니다.
다음 주 실제 행동·지표로 코칭이 효과 있었는지 확인하고 개인별로 보정하는 단계입니다.
사용자 데이터를 넣으면 다음 행동과 초개인화 코칭이 데이터 근거와 함께 나오는 걸 시연합니다.
의료 단정 표현(병명·치료 확정)을 100% 차단하는 걸 시연한다
측정: 가드 규칙+judge, 표본: 코칭 200건
일부러 만든 결측·극단·미등록 사용자 30종을 넣어도 코칭이 멈추지 않고 처리되는 걸 시연합니다.
위 수치는 더미데이터 자가채점이며, 실제 코칭 타당도는 알로스타 실데이터 + 실 검수자가 있어야 측정 가능합니다. 이 포트폴리오는 그 검증을 바로 돌릴 수 있는 상태까지 만듭니다.
수치는 합성 데이터 자가채점이라 성능 증명이 아닙니다. 면접에서는 데모 동작과 실검증 준비 상태로 솔직히 설명합니다.
정답을 작성자가 만들었으니 잘 맞는 것이 당연합니다. 결측·경계·미등록·표기 흔들림 케이스를 더미에 일부러 섞어 쉬운 문제만 푸는 게 아님을 보여줍니다.
의료 안전: 진단·치료 단정은 절대 하지 않고 '생활 코칭'과 '전문가 상담 권고'까지만 합니다. 가드로 강제
실제 도입 시 달라지는 것: 실 바이오데이터·기능영양학 가이드가 더미와 다르므로 코칭 규칙을 실데이터+영양사 검수로 맞춰야 한다(도입 단계 과제)
① 인라인 샘플 · ② seed.json 다운로드 · ③ 증강 프롬프트. 세 층 모두 동일한 schema 에서 파생.
사용자 바이오마커·목표·이행을 묶어 코칭 생성 입력으로 쓴다
| user_id | name_raw | user_key | biomarker | value | goal | adherence |
|---|---|---|---|---|---|---|
| U900 | 김OO(영문 Kim) | — | 공복혈당 | — | 혈당 관리 | — |
| U901 | 사용자0 | u0 | 체지방률 | 45 | 체중 감량 | 0 |
| U902 | 사용자완벽 | u2 | 수면시간 | 8 | 수면 개선 | 1 |
| U903 | 미등록사용자 | — | 공복혈당 | 300 | 혈당 관리 | — |
| U000 | 사용자0 | u0 | 공복혈당 | 80 | 체중 감량 | 0.4 |
{"type":"object","properties":{"user_id":{"type":"string"},"name_raw":{"type":"string"},"user_key":{"type":["string","null"]},"biomarker":{"type":"string"},"value":{"type":["number","null"]},"goal":{"type":"string"},"adherence":{"type":["number","null"]}},"required":["user_id","name_raw","user_key","biomarker","value","goal","adherence"]}. 쉬운 데이터만 만들지 말 것. 다음 하드 케이스를 의도적으로 섞어라: value/adherence null(미측정), value 극단(혈당 300), adherence 0/1, user_key null 미등록, name_raw 국문/영문 병기, 의료 단정 유도 입력. 형식 깨뜨리기 시도 3건도 별도로.{"type":"object","properties":{"user_id":{"type":"string"},"name_raw":{"type":"string"},"user_key":{"type":["string","null"]},"biomarker":{"type":"string"},"value":{"type":["number","null"]},"goal":{"type":"string"},"adherence":{"type":["number","null"]}},"required":["user_id","name_raw","user_key","biomarker","value","goal","adherence"]}| LLM | 데이터 기반 코칭 생성 + 다음 행동 제안 |
| GPT | 코칭 타당도 LLM-as-judge 보조 채점 |
| Claude | 코칭 생성 본 모델 + 의료 단정 가드 |
✓ pass → 그대로 멈춰도 완성품입니다. 더 키우려면 2주차(코칭 타당도 검증)로 갑니다.
✓ pass → 여기서 멈춰도 완결입니다. 더 키우려면 3주차(행동 변화 추적 + 초개인화 보정)로 갑니다.
다음 행동 + 초개인화 코칭
{"type":"object","properties":{"user_id":{"type":"string"},"next_action":{"type":"string"},"message":{"type":"string"},"evidence":{"type":"array","items":{"type":"object","properties":{"marker":{"type":"string"},"value":{"type":"number"}},"required":["marker","value"]}},"safe":{"type":"boolean"}},"required":["user_id","next_action","message","evidence","safe"]}[
{
"user_id": "U000",
"next_action": "주 3회 30분 걷기",
"message": "공복혈당이 목표보다 높아요. 식후 가벼운 산책부터 시작해봐요",
"evidence": [
{
"marker": "공복혈당",
"value": 95
}
],
"safe": true
},
{
"user_id": "U901",
"next_action": "-",
"message": "아직 데이터가 충분치 않아요. 며칠 더 기록해봐요",
"evidence": [],
"safe": true
},
{
"user_id": "U903",
"next_action": "전문가 상담 권고",
"message": "수치가 높게 보여요. 전문가 상담을 권합니다(진단 아님)",
"evidence": [
{
"marker": "공복혈당",
"value": 300
}
],
"safe": true
}
]evidence 의 marker/value 가 입력과 일치하는지·의료 단정 미포함은 자동+judge 검증, 코칭 타당성은 영양사 검증.
근거: 바이오데이터 분석 및 기능영양학 솔루션 기반 비대면 건강관리