refactor: 분석 페이지 코드 정돈 및 AI 엔진 고도화 통합

analysis_service.py

@@ -127,22 +127,46 @@ class AnalysisService:
             # 지수 감쇄 적용 (AAS Score)
             soi_score = math.exp(-ai_lambda * days_stagnant) * 100
 
-            # [AI 데이터 진정성 검증 로직 - ECV 패널티 추가]
-            # 파일이 하나도 없거나(유령), 현저히 적은 경우(껍데기) 활동의 진정성을 불신함
+            # [AI 데이터 진정성 검증 로직 1 - ECV 패널티 (존재론적)]
             existence_confidence = 1.0
             if file_count == 0:
-                existence_confidence = 0.05 # 파일 0개는 로그가 있어도 최대 5% 미만으로 강제
+                existence_confidence = 0.05 
             elif file_count < 10:
-                existence_confidence = 0.4 # 파일 10개 미만은 활동 신뢰도 40%로 제한
+                existence_confidence = 0.4 
             
-            soi_score = soi_score * existence_confidence
+            # [AI 데이터 진정성 검증 로직 2 - Log Quality Scoring (활동의 질)]
+            log_quality_factor = 1.0
+            if log and log != "데이터 없음":
+                # 성과 중심 (High)
+                if any(k in log for k in ["업로드", "수정", "등록", "변환", "파일", "업데이트"]):
+                    log_quality_factor = 1.0
+                # 구조 관리 (Mid)
+                elif any(k in log for k in ["폴더", "생성", "삭제", "이동"]):
+                    log_quality_factor = 0.7
+                # 단순 행정/설정 (Low)
+                elif any(k in log for k in ["참가자", "권한", "추가", "변경", "메일"]):
+                    log_quality_factor = 0.4
+                else:
+                    log_quality_factor = 0.6 # 기타 일반 로그
+            
+            # 최종 점수 산출 (AAS * ECV * LogQuality)
+            soi_score = soi_score * existence_confidence * log_quality_factor
             
             if is_auto_delete:
                 soi_score = 0.1 
 
-            # [AI 미래 예측 연동]
-            history = SOIPredictionService.get_historical_soi(cursor, p['project_id'])
-            predicted_soi = SOIPredictionService.predict_future_soi(history, days_ahead=14)
+            # [AI 미래 예측 및 실무 투입 에너지 분석]
+            history_rows = SOIPredictionService.get_historical_soi(cursor, p['project_id'])
+            predicted_soi = SOIPredictionService.predict_future_soi(soi_score, history_rows, days_ahead=14)
+            
+            # 실무 투입 에너지 계산 (최근 30개 히스토리 기준 파일 변화일수)
+            effort_days = 0
+            if len(history_rows) > 1:
+                for i in range(1, len(history_rows)):
+                    if history_rows[i]['file_count'] != history_rows[i-1]['file_count']:
+                        effort_days += 1
+            
+            work_effort_rate = round((effort_days / max(1, len(history_rows))) * 100, 1)
 
             total_soi += soi_score
             
@@ -156,7 +180,9 @@ class AnalysisService:
                 "is_auto_delete": is_auto_delete,
                 "master": p['master'],
                 "dept": p['department'],
-                "ai_lambda": round(ai_lambda, 4), # 디버깅용 계수 포함
+                "ai_lambda": round(ai_lambda, 4),
+                "log_quality": log_quality_factor,
+                "work_effort": work_effort_rate, # 신규 지표 추가
                 "avg_info": {
                     "avg_files": 0,
                     "avg_stagnant": 0,