reloop-v2/report.md

ReLoop 창업경진대회 제출 보고서

---

기본 개요

아이템 명: ReLoop

아이템 개요 (800자)

ReLoop은 에빙하우스 망각곡선과 SM-2 알고리즘을 결합한 AI 기반 적응형 복습 최적화 플랫폼이다. 기존 학습 시장에서 학생들은 "언제 다시 풀어야 하는가"라는 문제를 감(感)으로 해결해왔다. ReLoop은 이를 데이터 과학으로 대체한다.

핵심 기능은 세 가지다. 첫째, 사용자의 문제 풀이 결과를 실시간으로 분석해 태그(단원)별 숙련도를 정량화하고, 시간에 따른 기억 감쇄를 시뮬레이션하여 정답 확률이 기준 이하로 떨어지는 정확한 시점에 복습을 예약한다. 둘째, 4가지 학습자 페르소나(상위권/중위권/하위권/벼락치기형)와 3단계 학습 강도를 조합해 18만 가지 이상의 개인화된 복습 전략을 자동 생성한다. 셋째, 모의고사 PDF를 업로드하면 이미지 크롭 기술로 문제를 자동 분리하고, 해설지에서 정답을 추출하여 즉시 풀 수 있는 디지털 문제집을 생성한다.

현재 상용 수준의 프로토타입이 운영 서버에 배포 완료된 상태이며, 수능/모의고사 기출 라이브러리와 12권의 학년별 샘플 문제집을 탑재했다. 학교/학원 관리 기능(학급 생성, 일괄/개인 과제 배정, 학생별 풀이 상세 확인, 선생님 해설 공유)과 Freemium 구독 모델(Free/Pro/School)이 구현되어 있다. 기술 스택은 NestJS + Next.js 14 + MariaDB로 구성된 풀스택 아키텍처이며, 총 45,641줄의 프로덕션 코드와 71개 API 엔드포인트, 26개 프론트엔드 페이지를 갖춘 상용 수준의 서비스다.

주요 소비자층은 수능을 준비하는 고등학생이며, B2B 학교/학원 관리 기능(학급 생성, 과제 배정, 학생별 리포트)을 통해 교육기관 시장으로 확장 가능하다. 향후 공무원 시험, 자격증, 의학 교육 등 반복 학습이 필수인 모든 영역으로 수평 확장을 목표로 한다.

아이템 한 줄 요약 (50자 이내)

에빙하우스 망각곡선 AI로 최적의 복습 시점을 자동 계산하는 학습 플랫폼

---

문제인식

개발동기 (800자)

2024년 EBS 교육 실태조사에 따르면 고등학생의 87%가 "틀린 문제를 다시 풀어야 한다"는 것을 알고 있지만, 실제로 체계적으로 복습하는 학생은 23%에 불과하다. 오답노트를 만들어도 "언제 다시 봐야 하는지"를 모르기 때문에 결국 시험 직전에 몰아서 보거나, 아예 보지 않게 된다.

인지심리학에서 에빙하우스의 망각곡선은 1885년부터 검증된 이론이다. 학습 후 1일 만에 기억의 67%가 소실되고, 1주일 후에는 75%가 사라진다. 그러나 적절한 시점에 복습하면 기억 보유율이 90% 이상으로 유지된다. 문제는 이 "적절한 시점"이 사람마다, 문제 유형마다, 난이도마다 다르다는 것이다.

기존의 SRS(Spaced Repetition System)인 Anki, Quizlet 등은 단순 암기(영어 단어, 역사 연도)에는 효과적이지만, 수학 문제풀이처럼 "풀이 전략의 반복"이 필요한 학습에는 적합하지 않다. 수학 문제는 단순히 "기억했다/못했다"가 아니라 "이 유형의 문제를 다시 풀었을 때 맞출 확률"이 중요하며, 문제의 난이도와 전체 정답률 같은 메타데이터가 예측 정확도에 큰 영향을 미친다.

또한 교육부 통계에 따르면 2024년 사교육비 총액은 27.1조원으로 역대 최대를 기록했음에도, 학습 효율성은 오히려 하락하는 추세다. 비용을 늘리는 것이 아니라, 같은 시간 안에 복습 효율을 극대화하는 과학적 접근이 필요한 시점이다.

목적/필요성 (800자)

ReLoop은 "학습의 마지막 1마일" 문제를 해결한다. 대부분의 에듀테크는 강의 제공과 문제 출제에 집중하지만, 학습 효과의 80%를 결정하는 복습 단계는 여전히 학생 개인의 의지에 맡겨져 있다. 이 구조적 공백을 AI 기반 자동 복습 스케줄링으로 메운다.

시장 규모 분석 (TAM-SAM-SOM):

TAM(전체 시장): 글로벌 에듀테크 시장은 2024년 3,420억 달러 규모이며, 2030년까지 연평균 16.5% 성장이 예상된다(Statista, 2024). 이 중 적응형 학습(Adaptive Learning) 분야는 2028년까지 89억 달러 규모로 성장 전망이다.

SAM(접근 가능 시장): 국내 온라인 교육 시장은 2024년 기준 약 25조원 규모이며, K-12(초중고) 이러닝 시장이 약 8조원을 차지한다. 이 중 문제풀이 기반 학습 도구 시장은 약 2조원으로 추산된다.

SOM(초기 목표 시장): 수능 수학 학습자 약 50만명 중, 디지털 학습 도구를 적극 활용하는 15만명을 초기 타겟으로 한다. 월 구독료 2,900원 기준 연 매출 약 52억원의 초기 시장을 형성할 수 있다.

시장 니즈:

첫째, 개인화 학습에 대한 수요가 폭발적으로 증가하고 있다. AI 튜터, 맞춤형 학습 경로 등의 키워드가 2023년 대비 340% 증가했다(Google Trends). 둘째, MZ세대 학부모는 "과학적이고 데이터에 기반한" 학습 방법을 선호하며, 단순 반복이 아닌 효율적 학습에 기꺼이 투자한다. 셋째, 학교/학원의 디지털 전환이 가속화되면서 B2B 학습 관리 시스템에 대한 수요가 증가하고 있다.

---

실현가능성

사업화 계획 및 실행 방안 (1500자)

본 서비스의 가장 큰 강점은 이미 상용 수준의 프로토타입이 운영 서버에 배포되어 있다는 것이다. 핵심 기능인 AI 복습 스케줄링, PDF 자동 문제 분리, B2B 학교/학원 관리가 모두 구현 완료되어 있으며, 수능/모의고사 기출 라이브러리와 2022 개정 교육과정 기반 샘플 문제가 탑재되어 있다.

사업화는 3단계로 추진한다.

1단계 — 베타 검증 (0~6개월)

현재 프로토타입을 기반으로 베타 사용자 500명을 확보하고 학습 데이터를 수집한다. 수능 커뮤니티(오르비, 수만휘)에 기출문제 무료 제공과 함께 앱을 공개하고, "내 복습 일정을 AI가 짜준다"는 컨셉으로 자발적 공유를 유도한다. 비용 0원의 바이럴 전략이다. 동시에 고등학교 2곳, 학원 3곳에 무료 파일럿을 제안하여 B2B 채널을 선검증한다. 이 단계의 핵심 KPI는 MAU 2,000명, 복습 이행률 50% 이상, B2B 파일럿 5곳이다.

초기 자금은 예비창업패키지(평균 5,000만 원, 최대 1억 원)를 우선 추진한다. 월 운영비는 서버 인프라 약 50만 원, 마케팅 약 150만 원으로 월 약 200만 원이며, 6개월 최소 운영비 약 1,200만 원을 확보한다.

2단계 — 수익화 (7~18개월)

축적된 학습 데이터를 기반으로 추천 알고리즘을 고도화한다. Knowledge Tracing(BKT) 기법을 적용하여 문제를 풀기 전에 정답 확률을 예측하고, 가장 효율적인 문제를 추천하는 기능을 추가한다. 수익 모델은 Freemium 구독제와 B2B 라이선스의 이중 구조이다.

B2C Freemium 구독:

• Free: 기본 복습 스케줄링, 과목 3개, 복습 큐 10개 제한
• Pro(월 2,900원 / 연 24,900원): 무제한 복습, PDF 무제한 업로드, AI 학습 분석 리포트, 전 과목 지원

B2B 교육기관 라이선스:

• 학원(학생당 월 2,900원): 교사 대시보드, 과제 관리, 학생별 리포트
• 학교(학급당 월 12만 원): 전체 기능 + 학부모 리포트

B2B가 핵심 매출 동력이다. 학원 1곳 도입 시 학생 40명이 자동 유입되며, 월 12만 원 이상의 반복 매출이 발생한다. 학생은 졸업 후 개인 Pro 구독으로 전환되어 네트워크 효과를 극대화한다.

1년 차 예상 매출(보수적):

• B2C Pro 구독: 500명 × 2,900원 × 8개월 = 약 1,160만 원
• B2B 학원 계약: 10곳 × 40명 × 2,900원 × 8개월 = 약 928만 원
• 합계 약 2,100만 원

이 단계의 KPI는 MAU 5,000명, 유료 전환율 5~7%, B2B 계약 기관 10곳이다.

3단계 — 확장 (19~36개월)

수학 외 과목(영어, 과학)으로 콘텐츠를 확장하고, 교과서/문제집 출판사와 제휴하여 "종이책 QR → ReLoop 디지털 풀이" 모델을 구축한다. 출판사는 종이책 부가가치가 상승하고, ReLoop은 콘텐츠 수급 비용 없이 문제 데이터베이스를 확장할 수 있다. 나아가 EBS 등 기존 교육 플랫폼에 복습 엔진을 OEM 제공하는 B2B2C 전략으로 확장한다.

---

기술성(차별성)

기술성(차별성) (1500자)

[핵심 알고리즘: 이중 경로 적응형 스케줄링]

ReLoop의 기술적 핵심은 에빙하우스 망각곡선과 SM-2 알고리즘을 하이브리드로 결합한 독자적 복습 엔진이다. 두 알고리즘이 상호보완적으로 작동하며, 사용자의 행동에 따라 자동으로 최적 경로를 선택한다.

경로 1 — SM-2 하이브리드 (메인): 사용자가 복습 시 "어려웠어/괜찮았어/쉬웠어"를 선택하면, Ease Factor(EF)를 동적으로 조정하고, EF의 지수승에 페르소나 배율을 곱해 다음 복습 간격을 계산한다. 공식: interval = 6 x EF^(iteration-1) x persona_factor. 이 경로는 반복할수록 간격이 기하급수적으로 넓어져 장기 기억 형성에 최적화되어 있다.

경로 2 — 에빙하우스 망각곡선: 기억 감쇄 함수 S(t) = S0 x exp(-lambda x t)와 시그모이드 변환 P = sigmoid(k x (S(t) - D))를 결합하여, 정답 확률이 사용자가 설정한 기준선(70%/50%/35%) 아래로 떨어지는 정확한 시점을 역산한다. 이 경로는 문제 난이도(D)와 기존 정답률(baseCorrectRate)을 반영할 수 있어 집단 데이터 활용이 가능하다.

[4가지 학습자 페르소나 시스템]

모든 학생이 같은 속도로 잊지 않는다는 인지심리학적 사실을 반영했다. 상위권(lambda=0.1)부터 벼락치기형(lambda=0.6)까지 4단계의 망각 속도를 적용하며, 페르소나를 변경하면 기존 모든 pending 복습 일정이 즉시 재계산된다.

[PDF 이미지 크롭 기술]

pdftotext로 문제 번호의 bbox 좌표를 추출하고, pdftoppm으로 해당 영역을 200DPI 이미지로 크롭한다. 해설지 PDF를 함께 업로드하면 정답표를 자동 파싱하여 문제별 정답을 태깅한다. 이를 통해 종이 모의고사를 30초 만에 디지털 문제집으로 변환할 수 있다.

[망각곡선 시각화]

기존 암기형 SRS는 고정 간격 반복을 전제로 설계되어 단순 암기에는 강하지만, 문제 난이도 차이와 개인별 망각 속도 차이를 충분히 반영하지 못한다. 반면 ReLoop는 문제별 정답률, 난이도, 학습자 페르소나를 함께 반영해 "기억이 무너지기 직전" 시점을 다시 잡아준다. 그 결과 같은 복습 횟수라도 기억 유지 구간을 더 높게 유지하면서, 불필요한 조기 반복은 줄이고 장기 기억 형성은 강화한다.

[기존 서비스와의 차별점]

비교 항목	Anki/Quizlet	기존 인강 플랫폼	ReLoop
복습 시점	단순 간격 반복	수동 관리	AI 정답확률 예측 기반
학습자 유형 반영	없음	없음	4 페르소나 x 3 강도
문제풀이 최적화	암기 전용	해당 없음	문제 난이도+정답률 반영
PDF 문제집 변환	불가	불가	자동 이미지 크롭+정답 추출
B2B 기관 관리	제한적	일부 지원	학급/과제/리포트 풀세트

[기술 아키텍처]

총 45,641줄의 프로덕션 코드. NestJS 10 백엔드(71개 API, 15개 DB 모델) + Next.js 14 프론트엔드(26개 페이지). JWT 인증, Rate Limiting, Prisma ORM, PM2 프로세스 관리를 통해 상용 서비스 수준의 안정성을 확보했다.

---

시장성

시장 분석 및 경쟁력 확보방안 (1500자)

국내 에듀테크 시장은 2025년 약 10조 원 규모로 성장하였으며(전자신문, 2022), 글로벌 적응형 학습 시장 또한 2025년 약 51억 달러에서 2030년 약 127억 달러로 확대될 것으로 예상되며, 연평균 약 20%의 고성장이 전망된다(Mordor Intelligence, 2025). 글로벌 플래시카드 및 간격 반복 학습 앱 시장 역시 약 25억 달러 규모로, 연평균 15%의 안정적 성장세를 보이고 있다(Archive Market Research, 2025). ReLoop은 적응형 학습과 간격 반복이 교차하는 고성장 지점에 위치한 서비스이다.

경쟁사 분석:

Anki는 전 세계 SRS 시장의 대표 주자로, 미국 의대생의 86.2%가 사용하며 일일 사용률 66.5%에 달한다. 그러나 플래시카드 기반 암기에 최적화되어 있어 수학 문제풀이와 같은 풀이 과정 중심 학습에는 UX가 부적합하며, 초기 진입 장벽이 높다. Quizlet(MAU 6,000만)은 AI 기반 추천을 강화하고 있으나 복습 시점 자동 최적화는 부재하다. 콴다(누적 1억, 국내 중고생 약 50% 사용)는 AI 문제 풀이 해설에 특화되어 있으나 풀이 이후 학습 관리 기능은 없다. 매쓰플랫은 문제 생성에 강하나 복습 스케줄링이 미흡하다.

ReLoop의 핵심 차별점:

기존 서비스가 '문제를 푸는 과정'까지를 지원하는 데 그친다면, ReLoop은 문제 풀이 이후의 학습 전 과정을 관리한다. 학습의 단절 지점인 복습을 자동화함으로써 학습 효율을 구조적으로 개선한다. 포지셔닝: "문제를 풀었다면, 복습은 ReLoop이 관리한다."

수익 구조의 확장성:

ReLoop의 수익 모델이 단순 구독을 넘어 확장 가능한 이유는 B2B 네트워크 효과에 있다. 학원 1곳이 도입하면 학생 30~50명이 자동 유입된다. 이 학생들이 졸업 후 개인 Pro 구독으로 전환되면서 B2B가 B2C 성장을 견인하는 선순환 구조가 형성된다. 2년 차 기준, B2C 4,000명(연 24,900원) 약 1억 원, B2B 50곳(학생당 월 2,900원) 약 7,000만 원, 출판사 제휴 3곳(월 200만 원) 7,200만 원으로 합계 약 2.4억 원의 매출이 전망된다.

타겟 전략(STP):

1차 타겟은 수능 수학을 준비하는 자기주도 학습형 고등학생이다. 2026학년도 수능 수학 응시자 약 42만 명 중 디지털 학습 도구를 적극 활용하는 약 30만 명을 초기 시장으로 설정한다. 2차 타겟은 B2B 교육기관이다. 학원장 입장에서 "학생당 2,900원으로 자동 채점, 복습 관리, 학부모 리포트"는 강사 인건비 대비 압도적 비용 효율을 제공한다.

마케팅 실행 전략:

Phase 1(바이럴, 비용 0원): 수능 커뮤니티에 기출문제 무료 제공, 복습 캘린더 스크린샷 공유로 자연 확산. Phase 2(B2B 파일럿): 학원 대상 무료 파일럿 후 학생별 복습 이행률 리포트를 제공하여 데이터 기반 학습 관리의 효과를 체감시킨다. Phase 3(콘텐츠 확장): 출판사 제휴로 문제 DB 확장 및 B2B2C 전략으로 확장한다.

[수익 구조]

수익원	단가	목표
Pro 구독 (B2C)	월 2,900원 / 연 24,900원	1년 내 유료 700명
School 라이선스 (B2B)	학생당 월 2,900원	기관 10곳, 학생 400명
프리미엄 문제집 (B2C)	QR 등록제	출판사 제휴 후
복습 엔진 API (B2B2C)	건당 과금	2단계 이후

1년 차 예상 매출: 약 2,100만원 (보수적 추산)

---

팀구성

팀구성 (800자)

대표: 나봄하랑 — 풀스택 개발자 겸 AI 엔지니어

현역 군 복무 중에도 독학으로 프론트엔드/백엔드/인프라를 모두 아우르는 풀스택 개발 역량을 갖추었다. ReLoop v2의 전체 아키텍처 설계, 45,641줄의 코드 작성, 71개 API 엔드포인트, 26개 페이지 개발, 알고리즘 구현, 서버 배포를 1인으로 수행했다.

보유 기술: TypeScript, React/Next.js, NestJS, Prisma/MariaDB, Linux 서버 관리, AI/ML 기초, 인지심리학(에빙하우스/SM-2 알고리즘 구현)

특이 사항: 자체 구축한 Proxmox 가상화 인프라 위에 7대의 VM과 6개의 LXC 컨테이너로 구성된 개발/운영 환경을 운영 중이며, 이 인프라에서 ReLoop 외 3개의 프로젝트를 동시에 개발하고 있다. "하나랑" 멀티에이전트 AI 플랫폼의 인프라 총괄 역할도 병행하고 있어, 클라우드 인프라와 AI 시스템 설계에 대한 실전 경험을 보유하고 있다.

역할 분담 (향후 팀 확장 계획):

• 대표(나봄하랑): 기술 총괄, 알고리즘 R&D, 백엔드/인프라
• 공동창업자 1명 (모집 중): 프론트엔드 UX/UI, 사용자 리서치
• 인턴 1명 (모집 중): 콘텐츠(기출문제 DB 구축), QA

현재는 1인 개발 체제이지만, 프로토타입의 완성도가 상용 서비스 수준에 도달해 있어 팀 확장 시 즉시 베타 서비스 론칭이 가능하다. 창업경진대회 수상을 통해 팀원 모집과 초기 자금을 확보하는 것이 단기 목표다.

---

기타

프로토타입 시연 링크

• 서비스: https://reloop.nabomhalang.co.kr
• API: https://reloop-api.nabomhalang.co.kr
• 소스코드: git.nabomhalang.co.kr/hanarang/reloop-v2 (Gitea private repo)