1. TensorBoard 실행 및 접속

1. 터미널(또는 PowerShell)에서 프로젝트 루트로 이동한 뒤,
2. bash
   복사편집
   python -m tensorboard.main --logdir=./tensorboard_logs
3. 브라우저에서 http://localhost:6006 에 접속
4. 왼쪽 사이드바에서 SCALARS 탭을 선택하면,
   • train/episode_reward
   • train/cumulative_return
   • train/policy_loss, train/value_loss 등
   기본적으로 기록된 지표들이 그래프로 보여집니다.

2. 추가로 로깅할 커스텀 지표

현재 RewardLoggingCallback 에서 에피소드 보상을, CustomMetricsLoggingCallback 에서 cumulative_return 을 기록하도록 설정하셨는데,
훈련 평가에서 계산하는 Sharpe ratio, Max Drawdown, Accuracy 등도 TensorBoard에 남기면 더욱 편리합니다.

• model.learn(..., callback=[RewardLoggingCallback(), FullMetricsCallback(eval_env)]) 처럼 주입하면,
  훈련이 끝난 시점에 eval/ 네임스페이스 아래에 커스텀 지표들이 남습니다.

3. 로그 포맷·출력 옵션 확장

만약 콘솔 출력이나 CSV 파일로도 보고 싶다면, configure 에 로그 타입을 추가할 수 있습니다.

• stdout : 터미널에 실시간 지표 출력
• csv : ./tensorboard_logs/progress.csv 에 기록

이렇게 하면 TensorBoard, 콘솔 로그, CSV 모두에 성능 지표가 남아 다양한 방식으로 분석할 수 있습니다.

4. 요약

1. ./tensorboard_logs 에 잘 기록되니, TensorBoard로 그래프 확인
2. BaseCallback 를 활용해 Sharpe, Drawdown, Accuracy 같은 커스텀 지표도 self.logger.record 로 남기기
3. configure(..., ["tensorboard","stdout","csv"]) 로 콘솔/CSV 출력까지 확장

이 흐름을 적용하시면 훈련 전후, 하이퍼파라미터 변화에 따른 지표 변화를 한눈에 비교·분석하기 훨씬 수월해집니다.

훈련 전·후 모델의 “성능이 정말 좋아졌는지”를 판단하려면, 단순히 “매도의견이 사라졌다” 수준이 아니라 다음의 정량적 지표들을 비교·분석해 보셔야 합니다.

1. 핵심 성능 지표

1. 누적 수익률 (Cumulative Return)
   • 평가 구간 전체에서 에이전트가 얻은 총 보상합(또는 net_worth 변화량)
   • performance_metrics['cumulative_return'] 에 저장된 값
2. 샤프 비율 (Sharpe Ratio)
   • (평균 수익률) ÷ (수익률의 표준편차)
   • 보상(수익) 대비 변동성(위험)을 같이 고려
   • performance_metrics['sharpe_ratio']
3. 최대 낙폭 (Max Drawdown)
   • 최고 자산가치 고점 대비 최저 자산가치까지의 하락폭 비율
   • 큰 손실 구간이 얼마나 있었는지 파악
   • performance_metrics['max_drawdown']
4. 정확도 (Accuracy)
   • 에이전트가 “이동 방향(익절/손절)”을 제대로 맞춘 비율
   • performance_metrics['accuracy']

이 네 가지 지표를 훈련 전, 훈련 후, 혹은 하이퍼파라미터(Optuna/Bayesian) 최적화 이전·이후 모델로 각각 계산해서 표로 비교해 보세요.

2. 지표 비교를 위한 간단한 워크플로우

1. Baseline 기록
   • 현재 학습 로직으로 먼저 한 번 돌려서 performance_metrics 를 저장 (baseline_metrics).
2. 변경 적용 후 재훈련
   • 학습률·스텝수·보상구조 등을 조정해서 재훈련 → new_metrics 기록.
3. DataFrame으로 정리
4. python
   복사편집
   import pandas as pd df = pd.DataFrame([ {'model':'baseline', **baseline_metrics}, {'model':'new', **new_metrics} ]) print(df)
5. 비교 시각화
   • df.plot.bar(x='model', y=['cumulative_return','sharpe_ratio','max_drawdown','accuracy'])
   • 혹은 표 형태로 눈으로 빠르게 확인

3. 훈련 과정 로깅 활용

• 이미 RewardLoggingCallback 에서 TensorBoard에 train/episode_reward, train/cumulative_return 등을 기록하도록 설정하셨으니,
  1. 터미널에서
  2. bash
     복사편집
     python -m tensorboard.main --logdir=./tensorboard_logs
  3. 브라우저에서 http://localhost:6006 접속
  4. Training → Scalars 탭에서 에피소드 리워드 곡선, cumulative return curve, 정책/가치 손실(policy_loss, value_loss) 등을 모니터링
• ↳ 학습 곡선이 우상향하는지, 후반부에 흔들림(과적합) 없이 안정적인지를 체크하면 “학습이 잘 되고 있는지” 알 수 있습니다.

4. 검증용 데이터에 대한 평가

• 학습 중 train_df 외에 검증용 eval_df 를 분리하셨으니,
  • 학습용 vs 평가용 지표를 각각 계산해 과적합 여부를 파악
  • 예를 들어 df_eval_metrics['sharpe_ratio'] < df_train_metrics['sharpe_ratio'] 처럼 평가 성능 하락 유무

요약

1. 정량적 지표(누적 수익률·샤프·낙폭·정확도)를 훈련 전·후 비교
2. TensorBoard 로 훈련 곡선(episode_reward, loss 등)을 모니터링
3. 학습 vs 검증 지표 차이로 과적합 여부 관찰
4. 지표들을 표나 차트로 시각화해서 한눈에 비교

이 흐름을 통해 “매도의견이 없어졌다”가 아니라, “누적 수익률 +24% → +30%, 샤프 0.8 → 1.2, 최대 낙폭 15% → 10%, 정확도 52% → 60%” 와 같은 구체적 개선 수치를 얻을 수 있습니다.

make_summary.py 데이터 플로우 프로세스 메뉴얼

📋 프로그램 개요

목적: 미국 뉴스 API에서 분야별 Top-뉴스를 수집하고, OpenAI를 통해 섹션별 요약 및 추천 업종·종목을 생성하여 JSON 파일로 저장

주요 기능:

• NewsAPI.org를 통한 미국 비즈니스 뉴스 수집
  Developer price 0$ 사용중: 100 requests over a 24 hour period (50 requests available every 12 hours)
• OpenAI(o4-mini) 모델을 이용한 뉴스 요약 및 시장 분석
• 섹션별 정리된 JSON 결과물 생성

🔄 전체 데이터 플로우

[시작] → [날짜 계산] → [뉴스 수집] → [데이터 통합] → [AI 분석] → [JSON 저장] → [종료]

📅 STEP 1: 날짜 계산 및 설정

🎯 목적

뉴욕 시간 기준으로 분석 대상 날짜 범위를 설정

📊 데이터 플로우

현재 시점(뉴욕 시간)
    ↓
target_date = 현재 - 5일 (분석 기준일)
    ↓
start_date = target_date - 5일 (검색 시작일)
    ↓
target_datetime = 타임스탬프 생성

🔧 함수: get_target_and_start_dates()

입력: 없음
출력:

• target_date_str: "2025-05-29" (파일명용)
• start_datetime_str: "2025-05-24 10:30:00" (정렬용)
• start_date_str: "2025-05-24" (API 검색용)
• now_ny: 뉴욕 현재 시간 객체

📝 실행 로그 예시

▶ Target date (NY 기준): 2025-05-29
▶ Target datetime (NY 기준): 2025-05-29 10:30:00
▶ Start date (5일 전): 2025-05-24

📰 STEP 2: 뉴스 데이터 수집

🎯 목적

NewsAPI를 통해 비즈니스 뉴스와 주요 키워드별 뉴스를 수집

📊 데이터 플로우

2-1. 비즈니스 헤드라인 수집

NewsAPI (top-headlines)
    ↓ category="business", country="us"
biz_raw (최대 20개 기사)
    ↓ publishedAt 기준 내림차순 정렬
biz_articles (상위 3개 선택)
    ↓
market_headlines 리스트 생성

2-2. 키워드별 뉴스 수집

6개 키워드 검색:
├── economics: "economic indicators"
├── ai_software: "AI software"  
├── ai_semiconductor: "AI semiconductor"
├── quantum: "quantum computing OR quantum networking"
├── ai_robotics: "AI robotics"
└── aerospace: "Aerospace & Defense"
    ↓
각 키워드별 NewsAPI (everything) 호출
    ↓ start_date ~ target_date 범위
raw_articles (최대 30개씩)
    ↓ publishedAt 기준 내림차순 정렬  
topics_articles[키워드] (상위 3개씩)

🔧 주요 함수들

fetch_headlines_with_image(category, country, page_size)

• 입력: 카테고리, 국가, 페이지 크기
• 출력: 정제된 기사 리스트
• API: /v2/top-headlines

fetch_everything(query, from_date, to_date, page_size)

• 입력: 검색어, 시작일, 종료일, 페이지 크기
• 출력: 원본 기사 리스트
• API: /v2/everything

📝 실행 로그 예시

▶ fetch_headlines_with_image 반환 기사 개수: 17
▶ biz_articles (상위 3개) 개수: 3
▶ economics 키워드, 상위 3개 뉴스 개수: 3
▶ ai_software 키워드, 상위 3개 뉴스 개수: 3

🔍 STEP 3: 콘텐츠 보강 (크롤링)

🎯 목적

NewsAPI에서 제공하는 짧은 스니펫을 실제 기사 본문으로 보강

📊 데이터 플로우

기사 스니펫 검사
    ↓ (길이 < 100자 OR 끝이 "…")
해당 기사 URL 크롤링
    ↓ BeautifulSoup으로 <p> 태그 추출
본문 텍스트 (최대 5,000자)
    ↓
기존 snippet 대체

🔧 함수: fetch_full_text(url, max_chars=5000)

• 입력: 기사 URL, 최대 문자 수
• 출력: 추출된 본문 텍스트
• 오류 처리: 크롤링 실패 시 빈 문자열 반환

🗂️ STEP 4: 데이터 통합 및 구조화

🎯 목적

수집된 모든 기사를 섹션별로 분류하고 통합 데이터 구조 생성

📊 데이터 플로우

4-1. 전체 기사 리스트 생성

market_headlines (비즈니스 3개)
    ↓ category="미국 주식시장 동향" 추가
topics_articles (키워드별 3개씩)
    ↓ 한글 섹션명 매핑
        ├── economics → "주요 경제지표"
        ├── ai_software → "AI 소프트웨어"
        ├── ai_semiconductor → "AI 반도체"
        ├── quantum → "양자 컴퓨팅·네트워킹"
        ├── ai_robotics → "AI 로보틱스"
        └── aerospace → "항공우주 방산"
    ↓
all_articles (전체 기사 통합, 총 21개)

4-2. 섹션별 그룹핑

sections_map 초기화 (6개 섹션)
    ↓
all_articles 순회
    ↓ category별 분류
sections_map[섹션명] = [기사1, 기사2, 기사3]
    ↓
JSON 직렬화 (간결한 형태)

📋 데이터 구조

# 각 기사 객체 구조
{
    "category": "섹션명(한글)",
    "headline": "기사 제목",
    "source": "출처명",
    "url": "기사 URL",
    "urlToImage": "이미지 URL",
    "snippet": "기사 내용",
    "date": "발행일시"
}

🤖 STEP 5: AI 분석 및 요약

🎯 목적

OpenAI를 통해 섹션별 기사 요약 및 시장 분석 리포트 생성

📊 데이터 플로우

sections_map (JSON 직렬화)
    ↓
OpenAI 프롬프트 구성
    ├── System Message: 역할 및 출력 형식 지정
    └── User Message: 실제 뉴스 데이터 전달
    ↓
OpenAI API 호출 (o4-mini 모델)
    ↓
JSON 응답 파싱
    ├── 성공: 요약 섹션 + 추천 종목
    └── 실패: 원본 기사 + 빈 추천 리스트

🔧 AI 프롬프트 구조

System Message 핵심 내용

• 역할: "미국 금융 시장 리포터"
• 작업: 6개 섹션 기사 요약 + 추천 업종·종목 3선
• 형식: 순수 JSON 객체만 출력
• 키 구조: date, sections, recommendations

User Message 구성

• 현재 날짜 명시: target_date
• 실제 뉴스 데이터: sections_map JSON
• 출력 요구사항 재강조

📝 응답 파싱 및 오류 처리

try:
    parsed = json.loads(content)
    found_sections = parsed.get("summary_sections", [])
    found_recommendations = parsed.get("recommendations", [])
except json.JSONDecodeError:
    # 파싱 실패 시 원본 데이터 사용
    found_sections = 원본_sections_map
    found_recommendations = []

💾 STEP 6: 최종 JSON 생성 및 저장

🎯 목적

분석 결과를 구조화된 JSON 파일로 저장

📊 데이터 플로우

AI 분석 결과
    ↓
summary_obj 객체 생성
    ├── date: target_datetime
    ├── sections: 요약된 섹션 리스트
    └── recommendations: 추천 업종·종목
    ↓
summaries 디렉터리 생성
    ↓
JSON 파일 저장: us_market_summary_{target_date}.json

📋 최종 JSON 구조

{
  "date": "2025-05-29 10:30:00",
  "sections": [
    {
      "title": "미국 주식시장 동향",
      "items": [
        {
          "headline": "기사 제목",
          "source": "출처명",
          "url": "기사 URL",
          "urlToImage": "이미지 URL",
          "snippet": "기사 내용",
          "date": "2025-05-29T08:00:00Z"
        }
      ]
    }
  ],
  "recommendations": [
    {
      "sector": "AI 소프트웨어",
      "stocks": ["AAPL", "MSFT", "GOOGL"]
    }
  ]
}

📝 파일 저장 규칙

• 디렉터리: summaries/
• 파일명: us_market_summary_{target_date}.json
• 인코딩: UTF-8
• 형식: 들여쓰기 2칸으로 가독성 향상

⚠️ 예외 처리 및 오류 대응

🔧 주요 오류 처리 포인트

1. API 호출 실패

NewsAPI 응답 오류
    ↓
빈 리스트 반환
    ↓
다음 단계 정상 진행

2. 크롤링 실패

URL 접근 오류
    ↓
빈 문자열 반환
    ↓
원본 snippet 유지

3. OpenAI 파싱 실패

JSON 파싱 오류
    ↓
경고 메시지 출력
    ↓
원본 sections_map 사용

4. AttributeError 방지

• 원인: art.get("source", {}).get("name", "")에서 source가 문자열일 때
• 해결: 섹션별로 데이터 구조 분리 처리

🚀 실행 방법

📋 사전 준비

1. 설정 파일: efriend_config.yaml에 API 키 설정
    

   yaml

   OPENAI_SEC_KEY: "your-openai-api-key"
   NEWS_API_KEY: "your-news-api-key"

2. 패키지 설치:
    

   bash

   pip install openai requests beautifulsoup4 PyYAML pandas python-dateutil pytz

🎯 실행 명령

python make_summary.py

📊 실행 결과

• 성공: summaries/us_market_summary_YYYY-MM-DD.json 파일 생성
• 로그: 각 단계별 진행 상황 출력
• 오류: 상세한 에러 메시지와 함께 traceback 출력

📈 확장 및 개선 아이디어

🔧 설정 변경 가능 항목

• 키워드 추가: topic_queries에 새로운 검색어 추가
• 기사 개수 조정: 상위 3개 → 5개 또는 다른 개수로 변경
• AI 모델 설정: 토큰 수, 온도 등 파라미터 조절
• 크롤링 범위: 최대 문자 수 조정

🚀 자동화 방안

• 스케줄링: Cron Job, AWS Lambda, Kubernetes CronJob
• 알림 기능: 오류 발생 시 Email/SMS 알림
• 모니터링: 실행 상태 및 결과 품질 모니터링

📞 문제 해결 가이드

❓ 자주 발생하는 문제

1. API 키 오류: efriend_config.yaml 파일 확인
2. 네트워크 오류: 인터넷 연결 및 방화벽 설정 확인
3. JSON 파싱 실패: OpenAI 응답 로그 확인 후 프롬프트 조정
4. 파일 저장 실패: summaries 디렉터리 권한 확인

🔍 디버깅 팁

• 각 단계별 로그 메시지 확인
• serialized_sections 출력으로 데이터 구조 검증
• OpenAI 응답 내용 직접 확인
• 예외 발생 시 traceback 전체 내용 분석

이 메뉴얼은 make_summary.py 프로그램의 전체 데이터 플로우를 단계별로 설명하여, 프로그램의 동작 원리를 쉽게 이해할 수 있도록 구성되었습니다.

위처럼 생성된 json파일은 하기의 웹앱으로 보내집니다. 참조하시기 바랍니다.

https://howardkim.pythonanywhere.com/

안녕하세요? 드디어 저도 웹사이트를 하나 갖게되었습니다.

https://howardkim.pythonanywhere.com 에 저의 집을 만들었습니다. 

내용은 다음과 같습니다.

anaconda 64bit 설치후`
>python -m pip install --upgrade pip

>set CONDA_FORCE_32BIT=1
>conda create -n py38_32 python=3.8
>activate py38_32

>pip install pyqt5

ImportError: DLL load failed while importing QtWidgets 지정된 모듈을 찾을 수 없습니다.

라는 메세지가 뜰때는 하기 link에서 직접 관련 파일을 다운받습니다.

https://www.riverbankcomputing.com/pypi/simple/pyqt5/

저는 kiwoom api 사용하므로 32bit env환경에서 사용하므로 , 32bit용을 다운 받았습니다.

>pip install c:\PyQt5-5.15.12.dev2408131152-cp38-abi3-win32.whl

이렇게 직접 다운받은 파일을 이용해서 설치를 합니다.

그리고, 계속 합니다.

>pip install pytz
>pip install numpy pandas requests
>pip install numpy>=1.21.2 pandas>=1.3.0 requests>=2.31

>pip install numpy

>pip install --user pandas==1.5.3 

pandas2.0은 matplotlib 최신버젼과 호환이 되지 않아서 지정된 버젼으로 설치합니다.

>pip install c:\TA_Lib-0.4.24-cp38-cp38-win32.whl

>pip install c:\TA_Lib-0.4.24-cp37-cp37m-win_amd64.whl

>pip install mpl_finance
# >pip install pycurl  #
>pip install c:\pycurl-7.45.1-cp38-cp38-win32.whl
  
# Successfully installed PyQt5-5.15.9
>pip install PyQt5Singleton
>pip install slacker
>pip install telegram

>conda install -c conda-forge finance-datareader

#>pip uninstall python-telegram-bot telegram -y
>pip install python-telegram-bot
>pip install python-telegram-bot --upgrade
>pip install python-telegram-bot==13.3 # 20.0a0버젼부터는 dispatcher를 더이상 사용불가합니다. 계속사용하려면13.3을 설치합니다.
>pip install holidays
>pip install gtts
>pip install pyglet==1.5 #2.0이상부터는 python 3.8 이상 사용해야 한다.
>pip install mplfinance #ERROR: Could not build wheels for pillow which use PEP 517 and cannot be installed directly
>pip install lxml
>pip install https://github.com/pyinstaller/pyinstaller/archive/develop.zip
>pip install yfinance
>pip install pandas_datareader
>pip install bs4
>pip install matplotlib 대신 >conda install matplotlib 사용해야 한

>pip install Pillow==9.5.0 #Requirement already satisfied: Pillow==9.5.0 in c:\users\howto\appdata\roaming\python\python38\site-packages (9.5.0)
>pip install pyautogui
>pip install selenium
>pip install scikit-learn #scikit-learn이란 python을 대표하는 머신러닝 라이브러리이다. '사이킷런'이라고 부르기도 한다
>pip install PyYAML #yaml파일의 내용을 딕셔너리로 만들어준다.

>conda deactivate

여기서부터는 64비트 env환경에서 사용할 환경설정을 시작합니다.
>set CONDA_FORCE_64BIT=1
>conda create -n py38_64 python=3.8 
>activate py38_64

>pip install numpy pandas

> pip install pyqt5

> pip install slacker

>pip install telegram

> pip install mplfinance

> pip install pyupbit

>pip install pybithumb

> pip install torch torchvision

> pip install torch torchvision

> pip uninstall python-telegram-bot telegram -y
>pip install python-telegram-bot

> pip install yfinance

> pip install sklearn

> pip install stable_baselines3

> pip install bayes_opt

> pip install bayesian-optimization # bayes_opt 패키지는 **bayesian-optimization**으로 설치해야 합니다.

> pip install gym

> pip install openai

> pip install python-telegram-bot

> pip install python-telegram-bot --upgrade

># pip install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html #No matching distribution found for torch===1.3.1

>pip install holidays
>pip install gtts
>pip install pyglet #pyglet 2.0.1 requires Python 3.8 or newer.
>
>pip install lxml
>pip install https://github.com/pyinstaller/pyinstaller/archive/develop.zip
>pip install yfinance
>pip install pandas_datareader
>pip install gym==0.25.2
>pip install pygame
>pip install pytz
>pip install -U finance-datareader
>CUDA download
>pip install -U scikit-learn or conda install scikit-learn
>Visual Studio Downloadde
>pip install sklearn 

>set CONDA_FORCE_64BIT=1
>conda create -n py39_64 python=3.9 anaconda
>activate py39_64

>pip install torch
#최신버전의 tensrflow를 설치한다.
>pip install tensorflow
or 
>py -m pip install tensorflow
or
>python -m pip install --user --upgrade pip
Collecting pip
  Using cached pip-20.1.1-py2.py3-none-any.whl (1.5 MB)
Installing collected packages: pip
  WARNING: The scripts pip.exe, pip3.7.exe and pip3.exe are installed in 'C:\Users\howto\AppData\Roaming\Python\Python37\Scripts' which is not on PATH.
  Consider adding this directory to PATH or, if you prefer to suppress this warning, use --no-warn-script-location.
Successfully installed pip-20.1.1

PATH에 추가해도 안됨..

(env 삭제)
>conda env remove -n ENV_NAME



또는
If you are using python-3

>py -m pip install --upgrade pip
>py -m pip install tensorflow

> pip install --upgrade tensorflow

$ pip install numpy scipy
$ pip install scikit-learn
$ pip install pillow
$ pip install h5py
talling Keras with TensorFlow backendShell
$ pip install keras
$ workon keras_tf

>pip install pyinstaller

>pyinstaller --version
3.6
# PyQt5를 포함하여 main.exe 실행파일 만들기
>pyinstaller --windowed --onefile main.py
  exe실행시 ("Fatal error detected","Failed to execute script main") 메세지 뜸.
그래서, 이번엔..
>pyinstaller --onefile main.py

다시..
>pyinstaller myfile.py --upx-dir=..\upx391w -y --onefile

=> cannot import name 'pywrap_tensorflow' from 'tensorflow_core.python'


결국, 
"if you are using anaconda, python 3.7 is installed by default, so you have to downgrade it to 3.6:"
그래서..
>conda install python=3.6
실행함...
그리고, 다시..
# Requires the latest pip
>pip install --upgrade pip

# Current stable release for CPU and GPU
>pip install --ignore-installed --upgrade tensorflow

# Or try the preview build (unstable)
>pip install tf-nightly

안녕하세요? 

이번에는  ChatGPT Vision을 어떤 곳에서 활용할 수 있을까를 생각해 봤습니다.

이 글을 읽으신 분들도 한번 같이 생각해 봐 주시고, 의견 달아주시면 정말 감사하겠습니다.

1) 주식 차트정보를 보여주고, 이 주식 매수해도 될지 ChtGPT에게 물어보기

    - 제가 지금 API를 통해서 구현하면서 얼마나 정확성이 있는지 테스트 해보고 있는 방법이죠.

      GPT 4o Vision 활용하기(1)을 참조해 주세요.

2) 인물 사진을 보여주고, 누구인지, 어디사는 사람인지, 한국인인지 일본인지, 중국인지 등 물어볼 수 있겠죠?

3) 식물, 동물 사진 보여주고, 식물이름이나, 동물이름, 해조류 이름 등 맞추기

4) 분해되어 있거나, 아직 조립하지 않은 물건을 어떻게 조립하면 될지 물어볼수도 있겠죠?

5) 생산제품 외관사진을 보여주고 불량인지 아닌지 판별해 달라고 할 수 도 있겠죠?

6) 두장의 사진을 비교해서 보여주고, 어떤 문제가 있는지 분석요청도 할 수 있겠죠?

7) 어떤 사고현장 사진을 보여주고, 현 상황을 설명하게 하고, 119나 112에 전화하는 기능과 연결할 수도 있겠죠?

이 밖에 다양하게 인공지능 생성형 AI Vision 기능을 통해서 할 수 있는 일들이 무궁무진할 것 같긴합니다.

여러분들은 어떤 곳에서 사용될 수 있을거라고 생각하시나요?

이번에는 ChatGPT Vision을 사용할 경우, 각 버젼별 비용을 알아볼거에요.

1) GPT-4o( GPT-4o-2024-05-13 )

    1일 사용 token 2,292,425 token(input&output)

    1일 사용 Cost 11.52$

    ------------------------------

     1 token당 약 0.006784원(Won) => 1회당 약 300 token 사용한다고 할때, 1회 API요청시 약 2원이 사용됨.

2) GPT-4o-mini GPT-4o-2024-05-13

    1일 사용 token 146,851,547 token(input&output)

    1일 사용 Cost 22.04$

     ------------------------------

     1 token당 약 0.0002026원 => 1회당 약 300 token 사용한다고 할때, 1회 API요청시 약 0.06원이 사용됨.

결국, GPT-4o는 GPT-4o-mini보다 약 33배 비싸다고 할 수 있겠네요.

이용에 참조하세요.