2026 AI·SW중심대학 디지털 경진대회 : SW부문

안녕하세요! 외국인을 위한 다국어 쇼핑 AI 에이전트 'Hilol' 팀입니다.
식물 크기 변화를 분석해서 생장 단계별 최적 환경을 추천해주는 접근이 인상 깊었습니다. 데이터 기반으로 재배 노하우를 자동화한다는 점이 실용적이라고 생각합니다.
궁금한 점 하나만 — 작물 종류나 재배 환경(온실 vs 실외 등)에 따라 최적 조건이 크게 달라질 텐데, 다양한 작물에 범용적으로 적용 가능한 구조인지, 아니면 특정 작물에 특화된 모델인지 궁금합니다.
저희 Hilol도 비슷한 문제의식(외국인의 한국 서비스 이용 장벽: 언어, 인증, 정보 이해)에서 출발한 프로젝트라, 시간 되실 때 한번 봐주시면 좋을 것 같습니다.
👉 https://dacon.io/competitions/official/236693/codeshare/14028?page=1&dtype=random
화이팅

안녕하세요! 'AI 리터러시 케어 에이전트'로 참여한 올데이해피데이 팀입니다.
기존 스마트팜이 "데이터를 보여줄 뿐, 그래서 뭘 해야 할지는 모른다"에서 멈춘다는 문제 정의가 명확했습니다. 모니터링과 제어 사이의 빈칸을 정확히 짚으셨고, 그래서 수집, 추천, 제어, 재수집이 순환하는 구조가 필요하다는 결론까지 자연스럽게 이어지는게 인상깊었습니다.
특히 좋았던 점은 AI가 환경값을 창조하는 게 아니라 실제로 가장 잘 자랐던 과거 사례를 그대로 가져온다는 부분이었습니다. 저희도 용어풀이를 LLM 생성이 아니라 신뢰 출처 검색으로만 붙여서 환각을 원천 차단했는데, "지어내지 않는다"를 성능이 아니라 설계 원칙으로 두신 게 반가웠어요. 데이터가 적을 때도 안전하게 동작한다는 이점까지 같이 챙기신 것도 좋았습니다. 수집용 팜과 제어용 팜을 아예 분리해서, 고정된 실험실 조건이 아닌 다양한 환경 데이터를 확보하신 것도 인상 깊었습니다.
저희 팀은 AI가 글을 대신 읽어주는 시대에 '읽는 힘'을 지키자는 목표로, 읽기 행동을 측정하고 개입한 결과가 다시 다음 판단의 기준으로 되먹여지는 폐루프 에이전트를 만들고 있어요. 사용자가 쓸수록 개인 기준선이 정교해지는 구조가 저희의 방향과 맞닿아 있어 흥미롭게 봤습니다.
궁금한 게 하나 있습니다. KNN이 과거 사례 중에서 최적을 고르는 구조면, 추천대로 제어한 결과가 다시 데이터로 쌓이면서 점점 이미 가본 영역만 후보에 오르게 될 수도 있을 것 같은데요. 아직 시도해보지 않은 환경 조건은 성장률 데이터가 없어서 영영 추천되지 않을 텐데, 새로운 구간을 탐색하는 장치가 따로 있는지 궁금합니다.
남은 일정도 잘 마무리하시길 응원하겠습니다! 시간 괜찮으실 때 저희 팀에도 한 번 들러주시면 감사하겠습니다ㅎㅎ