목록으로
지역사회 문제해결을 위한 AI 활용
폭우가 마을을 고립시키기 전에: AI로 찾아내는 도로 단절 위험과 선제대응 방안
집중호우로 인한 산사태와 도로 단절이 마을 고립으로 이어지는 문제를 해결하기 위해, ChatGPT와 AI 바이브코딩 도구를 활용하여 공공데이터 기반 재난위험 분석 및 선제대응 웹 시제품을 제작했습니다.
🤖 활용 AI 도구
ChatGPT(OpenAI), 모두의 AI 실험실 바이브코딩(MY-STUDIO)
### 1. 문제 발견: 위험한 곳은 알 수 있지만, 고립될 마을은 알기 어렵다
강원특별자치도 인제군과 같은 산악지역에서는 집중호우가 산사태와 토석류, 도로·교량 단절로 이어지면서 마을 전체가 고립될 위험이 있습니다. 하나의 교량이 침수되더라도 대체도로가 부족하면 주민의 이동뿐 아니라 구급차 접근, 생필품 공급, 대피시설 이용까지 어려워질 수 있습니다.
특히 인제군 남면 우각1교 일원은 집중호우 시 주민 통행로 단절 우려로 자연재해위험개선지구에 지정된 지역입니다.
기존 재난정보는 강우량, 산사태 위험, 도로 상황 등을 개별적으로 제공하지만, 특정 도로가 끊어졌을 때 어느 마을이 영향을 받는지 종합적으로 판단하려면 추가적인 분석이 필요합니다.
저는 이러한 문제를 해결하기 위해 **'어디가 위험한가'에서 '어느 마을이 고립되고 누구를 먼저 보호해야 하는가'로 관점을 전환**했습니다.
### 2. AI 활용: 혼자서 재난위험 분석과 시제품 제작에 도전하다
이 문제를 해결하기 위해 'CascadeGuard AI'라는 연쇄재난 대응 서비스를 기획하고, ChatGPT와 모두의 AI 실험실 바이브코딩 환경을 활용했습니다.
먼저 ChatGPT를 활용해 집중호우 → 산사태·토석류 → 도로·교량 단절 → 마을 고립으로 이어지는 연쇄재난 과정을 구조화했습니다. 이후 어떤 데이터를 결합해야 고립 위험을 분석할 수 있을지 검토하고, 재난위험·도로망 연결성·주민 접근성을 함께 고려하는 분석 절차를 설계했습니다.
다음으로 산림청 산사태위험지도, 지형 고도자료(DEM), 국토교통부 도로 NODE/LINK, 행정경계 등 공공데이터를 수집·정리하고, 인제군 남면 일대를 대상으로 공간정보와 도로망 분석 구조를 마련했습니다.
바이브코딩 도구는 분석 코드와 웹서비스 화면을 설계하고 시제품을 구현하는 데 활용했습니다. 초기 화면에는 지도 기반 위험 표시, 마을별 위험정보, 도로 단절 우려, 위험지표 등을 표현했습니다.
AI를 단순히 글이나 이미지를 만드는 데 이용하는 것이 아니라, 지역의 안전 문제를 분석하고 실제 활용 가능한 서비스 형태로 발전시키는 도구로 사용한 것입니다.
### 3. 활용 결과: 복잡한 재난정보를 한눈에 이해하는 형태로 바꾸다
가장 의미 있었던 변화는 여러 종류의 재난정보를 하나의 문제해결 절차로 연결했다는 점입니다.
기존에는 강우, 산사태, 도로, 주민 생활권을 각각 살펴봐야 했지만, 시제품에서는 지도와 위험지표를 통해 이러한 정보를 함께 검토할 수 있는 화면 구조를 마련했습니다.
또한 특정 도로나 교량의 통제를 가정하고 대체경로와 마을 고립 가능성을 비교하는 'What-if 시뮬레이션' 방식을 설계했습니다.
이러한 과정을 통해 재난 발생 후 피해 상황을 확인하는 방식에서 벗어나, 재난 발생 전에 우선 점검할 구간과 보호가 필요한 생활권을 판단하도록 지원하는 서비스의 가능성을 구체화했습니다.
현재까지의 성과는 공공데이터 수집·분석, 서비스 구조 설계 및 초기 웹 시제품 제작입니다. 실제 재난 예측 정확도와 현장 대응시간 단축 효과는 아직 검증되지 않았으며, 후속 실증이 필요한 단계입니다.
### 4. 나만의 개선 방식: AI가 판단을 대신하지 않고 근거를 제시하게 하다
제가 가장 중요하게 생각한 것은 **AI가 그럴듯한 답변을 만드는 것이 아니라, 확인 가능한 자료를 바탕으로 판단을 지원하도록 설계하는 것**이었습니다.
이를 위해 세 가지 원칙을 세웠습니다.
첫째, 공공데이터와 시뮬레이션 가정값을 구분합니다. 실제 관측자료와 가상 재난상황이 혼동되지 않도록 출처와 데이터의 성격을 표시합니다.
둘째, 도로 단절 위험만으로 우선순위를 정하지 않고 대체경로, 의료시설 접근성, 고령자 등 이동취약계층의 영향을 함께 고려합니다.
셋째, 생성형 AI 대응 브리핑에는 분석에서 확인된 정보만 활용하고, 근거가 불충분한 사항은 '추가 확인 필요'로 표시하도록 설계했습니다. 최종 도로 통제와 주민 대피 판단은 현장 담당자가 수행하도록 했습니다.
이는 생성형 AI의 생산성을 활용하면서도 재난안전 분야에서 요구되는 정확성과 책임성을 확보하기 위한 접근입니다.
### 5. 확산 가능성: 다른 지역에서도 활용할 수 있는 재난안전 AI
CascadeGuard AI의 핵심은 특정 지역만을 위한 별도 시스템이 아니라, 지역별 공공데이터를 변경해 다른 산악지역에도 적용할 수 있도록 설계했다는 점입니다.
일반 사용자도 공개된 기상·지형·도로 데이터를 수집하고, 생성형 AI로 문제를 구조화한 뒤, 바이브코딩 도구로 위험지도나 분석 화면의 시제품을 제작하는 방식은 참고할 수 있습니다.
다만 실제 재난 의사결정에 활용하려면 공간정보의 정확성, 예측모델의 신뢰성, 실시간 자료 연계 및 현장 검증이 선행되어야 합니다.
이번 경험을 통해 확인한 가장 큰 변화는 전문적인 개발조직이 아니더라도, 한 사람이 AI를 활용해 지역문제를 구체적으로 분석하고 서비스 시제품으로 발전시킬 수 있다는 가능성이었습니다.
**AI의 가치는 재난을 맞히는 데만 있는 것이 아니라, 위험을 더 일찍 이해하고 사람을 먼저 보호할 수 있는 판단을 돕는 데 있다고 생각합니다.**
강원특별자치도 인제군과 같은 산악지역에서는 집중호우가 산사태와 토석류, 도로·교량 단절로 이어지면서 마을 전체가 고립될 위험이 있습니다. 하나의 교량이 침수되더라도 대체도로가 부족하면 주민의 이동뿐 아니라 구급차 접근, 생필품 공급, 대피시설 이용까지 어려워질 수 있습니다.
특히 인제군 남면 우각1교 일원은 집중호우 시 주민 통행로 단절 우려로 자연재해위험개선지구에 지정된 지역입니다.
기존 재난정보는 강우량, 산사태 위험, 도로 상황 등을 개별적으로 제공하지만, 특정 도로가 끊어졌을 때 어느 마을이 영향을 받는지 종합적으로 판단하려면 추가적인 분석이 필요합니다.
저는 이러한 문제를 해결하기 위해 **'어디가 위험한가'에서 '어느 마을이 고립되고 누구를 먼저 보호해야 하는가'로 관점을 전환**했습니다.
### 2. AI 활용: 혼자서 재난위험 분석과 시제품 제작에 도전하다
이 문제를 해결하기 위해 'CascadeGuard AI'라는 연쇄재난 대응 서비스를 기획하고, ChatGPT와 모두의 AI 실험실 바이브코딩 환경을 활용했습니다.
먼저 ChatGPT를 활용해 집중호우 → 산사태·토석류 → 도로·교량 단절 → 마을 고립으로 이어지는 연쇄재난 과정을 구조화했습니다. 이후 어떤 데이터를 결합해야 고립 위험을 분석할 수 있을지 검토하고, 재난위험·도로망 연결성·주민 접근성을 함께 고려하는 분석 절차를 설계했습니다.
다음으로 산림청 산사태위험지도, 지형 고도자료(DEM), 국토교통부 도로 NODE/LINK, 행정경계 등 공공데이터를 수집·정리하고, 인제군 남면 일대를 대상으로 공간정보와 도로망 분석 구조를 마련했습니다.
바이브코딩 도구는 분석 코드와 웹서비스 화면을 설계하고 시제품을 구현하는 데 활용했습니다. 초기 화면에는 지도 기반 위험 표시, 마을별 위험정보, 도로 단절 우려, 위험지표 등을 표현했습니다.
AI를 단순히 글이나 이미지를 만드는 데 이용하는 것이 아니라, 지역의 안전 문제를 분석하고 실제 활용 가능한 서비스 형태로 발전시키는 도구로 사용한 것입니다.
### 3. 활용 결과: 복잡한 재난정보를 한눈에 이해하는 형태로 바꾸다
가장 의미 있었던 변화는 여러 종류의 재난정보를 하나의 문제해결 절차로 연결했다는 점입니다.
기존에는 강우, 산사태, 도로, 주민 생활권을 각각 살펴봐야 했지만, 시제품에서는 지도와 위험지표를 통해 이러한 정보를 함께 검토할 수 있는 화면 구조를 마련했습니다.
또한 특정 도로나 교량의 통제를 가정하고 대체경로와 마을 고립 가능성을 비교하는 'What-if 시뮬레이션' 방식을 설계했습니다.
이러한 과정을 통해 재난 발생 후 피해 상황을 확인하는 방식에서 벗어나, 재난 발생 전에 우선 점검할 구간과 보호가 필요한 생활권을 판단하도록 지원하는 서비스의 가능성을 구체화했습니다.
현재까지의 성과는 공공데이터 수집·분석, 서비스 구조 설계 및 초기 웹 시제품 제작입니다. 실제 재난 예측 정확도와 현장 대응시간 단축 효과는 아직 검증되지 않았으며, 후속 실증이 필요한 단계입니다.
### 4. 나만의 개선 방식: AI가 판단을 대신하지 않고 근거를 제시하게 하다
제가 가장 중요하게 생각한 것은 **AI가 그럴듯한 답변을 만드는 것이 아니라, 확인 가능한 자료를 바탕으로 판단을 지원하도록 설계하는 것**이었습니다.
이를 위해 세 가지 원칙을 세웠습니다.
첫째, 공공데이터와 시뮬레이션 가정값을 구분합니다. 실제 관측자료와 가상 재난상황이 혼동되지 않도록 출처와 데이터의 성격을 표시합니다.
둘째, 도로 단절 위험만으로 우선순위를 정하지 않고 대체경로, 의료시설 접근성, 고령자 등 이동취약계층의 영향을 함께 고려합니다.
셋째, 생성형 AI 대응 브리핑에는 분석에서 확인된 정보만 활용하고, 근거가 불충분한 사항은 '추가 확인 필요'로 표시하도록 설계했습니다. 최종 도로 통제와 주민 대피 판단은 현장 담당자가 수행하도록 했습니다.
이는 생성형 AI의 생산성을 활용하면서도 재난안전 분야에서 요구되는 정확성과 책임성을 확보하기 위한 접근입니다.
### 5. 확산 가능성: 다른 지역에서도 활용할 수 있는 재난안전 AI
CascadeGuard AI의 핵심은 특정 지역만을 위한 별도 시스템이 아니라, 지역별 공공데이터를 변경해 다른 산악지역에도 적용할 수 있도록 설계했다는 점입니다.
일반 사용자도 공개된 기상·지형·도로 데이터를 수집하고, 생성형 AI로 문제를 구조화한 뒤, 바이브코딩 도구로 위험지도나 분석 화면의 시제품을 제작하는 방식은 참고할 수 있습니다.
다만 실제 재난 의사결정에 활용하려면 공간정보의 정확성, 예측모델의 신뢰성, 실시간 자료 연계 및 현장 검증이 선행되어야 합니다.
이번 경험을 통해 확인한 가장 큰 변화는 전문적인 개발조직이 아니더라도, 한 사람이 AI를 활용해 지역문제를 구체적으로 분석하고 서비스 시제품으로 발전시킬 수 있다는 가능성이었습니다.
**AI의 가치는 재난을 맞히는 데만 있는 것이 아니라, 위험을 더 일찍 이해하고 사람을 먼저 보호할 수 있는 판단을 돕는 데 있다고 생각합니다.**
