🧩 Data Collection Pipeline — The First Step to Building an LLM Twin🧩

Context

LLM Twin 모델을 학습하기 위해 Medium, Substack, LinkedIn, GitHub 등 다양한 플랫폼에서 디지털 발자국을 수집해야 한다. 기존 구조화된 데이터 저장소로는 텍스트, 코드, 링크, 메타데이터, 댓글 등 비정형 데이터를 효율적으로 관리할 수 없다.

Technical Solution

• Extract → Transform → Load 3단계 ETL 파이프라인 도입: 플랫폼에서 포스트·아티클·코드 크롤링 → 데이터 정제 및 표준화 → 데이터베이스 저장
• NoSQL 데이터베이스(MongoDB, DynamoDB, Firestore) 선택: 비정형 문서 저장소로 SQL 관계형 DB 대신 도입
• 콘텐츠 타입별 그룹화 설계: 플랫폼(Medium 데이터, LinkedIn 데이터, GitHub 데이터) 기반 분류 대신 콘텐츠 타입(Articles, Posts, Code) 기반 분류
• 콘텐츠 타입별 처리 규칙 세분화: Articles는 긴 청킹, Posts는 짧은 청킹, Code는 신택스 인식 분할
• 모듈식 파이프라인 구조: 새로운 데이터 소스 추가 시 기존 파이프라인 재작성 없이 새 ETL 플러그인만 추가 가능

Key Takeaway

데이터 수집 파이프라인의 설계가 이후 RAG, 프롬프트 최적화, 파인튜닝 단계의 품질을 결정한다. LLM Twin 구축에서 모델 선택보다 데이터 구조와 처리 로직을 먼저 설계해야 한다.