목록으로
지역사회 문제해결을 위한 AI 활용
재난·응급의료·범죄 정보를 한눈에 볼 수 있고, 민원 작성까지 AI가 도와주는 지역 안전 도우미 'OLA'를 개발
재난·응급의료·범죄 정보를 다국어로 안내하고, 민원 사진까지 AI가 자동으로 분류·접수해주는 지역 안전 도우미 'OLA'
🤖 활용 AI 도구
OpenAI GPT(AI 상담 챗봇), OpenAI Embedding(RAG 벡터검색), CNN 이미지 분류 모델(ONNX, 민원 사진 자동분류), Tesseract.js(OCR, 차량번호 인식)
① 어떤 상황에서 AI를 활용했나요?
"AI-X 융복합 인재 양성 과정" 팀 프로젝트로, 재난문자·응급실/AED 위치·대피소·범죄통계·미세먼지처럼 필요할 때마다 여러 공공기관 사이트를 따로따로 찾아봐야 했던 정보들을 한 곳에서 확인할 수 있으면 좋겠다는 생각에서 기획을 시작했습니다. 동네 주민을 위한 안전 정보 서비스를 만들기로 했고, 비개발자가 섞인 팀이라 짧은 기간 안에 실제로 동작하는 서비스를 만들어야 하는 상황이었습니다.
② 어떤 AI를 어떻게 활용했나요?
OpenAI Embedding 기반 RAG로 안전·행정 상담 챗봇의 지식베이스를 구축했습니다. 키워드 매칭 → 벡터 임베딩 검색(유사도 0.35 이상만 채택) → LLM 폴백의 3단계 구조로 답변 정확도와 응답 안정성을 함께 확보했습니다. 민원 사진(불법주정차 등)은 CNN(자체설계 모델 정확도 86.3%, ResNet18 전이학습 모델 93.1%)으로 자동 분류해 관련 법령·과태료 정보를 바로 안내하고, Tesseract.js OCR로 차량번호까지 인식했습니다. 4개 언어(한/영/중/일) 다국어 처리로 외국인 주민도 이용할 수 있게 했습니다.
③ 활용 결과 어떤 변화가 있었나요?
RAG 챗봇 덕분에 사용자가 정확한 법률/행정 용어를 몰라도 의미 기반으로 원하는 안전 정보를 찾아줄 수 있게 됐습니다 (단순 키워드 검색이었다면 놓쳤을 질문에도 답할 수 있게 됨).
CNN 이미지 분류로 민원 사진을 자동 분류해, 사용자가 직접 카테고리를 고르지 않아도 몇 초 만에 관련 법령·과태료 정보를 바로 안내받게 됐습니다.
OCR로 차량번호를 자동 인식해 수동 입력 과정을 줄였습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
기획 단계에서 기존 생활안전 서비스를 분석했는데, "안전디딤돌"(행안부 앱)은 재난 발생 시 일방향 알림 위주라 평상시 병원·AED·민원 같은 정보는 다루지 않고, "국민신문고"는 민원 접수는 되지만 사용자가 직접 신고 유형을 찾아 수동으로 작성해야 해 사진 기반 자동 분류나 AI 초안 작성 기능이 없다는 빈틈을 발견했습니다. OLA는 첫째, 평상시 생활안전 정보의 통합 제공, 둘째, AI를 통한 민원 자동화, 이 두 지점을 채우는 방향으로 AI 활용을 설계했습니다.
그 외 AI 활용 자체의 개선 포인트로는:
· 임베딩 기반 검색이 실패하면 키워드 검색으로 자동 전환되도록 설계해, AI가 불안정해도 상담 기능 자체는 끊기지 않게 했습니다.
· CNN·OCR의 예측 결과를 곧바로 확정하지 않고, 사용자가 확인·수정할 수 있는 입력창에 넣는 방식으로 AI의 불완전한 정확도를 사용자 확인 절차로 보완했습니다.
· "지어내지 않는다"는 원칙을 AI 답변에도 적용해, RAG가 근거 데이터를 찾지 못하면 억지로 답을 만들어내지 않고 "정보 없음"으로 처리하게 해 AI 환각(hallucination) 문제를 의도적으로 차단했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
네, 공공데이터포털의 오픈 API(기상청, 응급의료정보, 경찰청 범죄통계 등)와 오픈소스 임베딩·이미지 분류 모델을 조합하는 구조라, 다른 지역의 생활안전 서비스에도 그대로 적용할 수 있습니다. CNN 이미지 분류 정확도(전이학습 기준 93.1%)와 벡터 검색 유사도 임계값(0.35) 같은 구체적인 기준값도 함께 공유할 수 있어, 비슷한 서비스를 만들려는 다른 팀이 시행착오를 줄이는 데 참고할 수 있습니다.
"AI-X 융복합 인재 양성 과정" 팀 프로젝트로, 재난문자·응급실/AED 위치·대피소·범죄통계·미세먼지처럼 필요할 때마다 여러 공공기관 사이트를 따로따로 찾아봐야 했던 정보들을 한 곳에서 확인할 수 있으면 좋겠다는 생각에서 기획을 시작했습니다. 동네 주민을 위한 안전 정보 서비스를 만들기로 했고, 비개발자가 섞인 팀이라 짧은 기간 안에 실제로 동작하는 서비스를 만들어야 하는 상황이었습니다.
② 어떤 AI를 어떻게 활용했나요?
OpenAI Embedding 기반 RAG로 안전·행정 상담 챗봇의 지식베이스를 구축했습니다. 키워드 매칭 → 벡터 임베딩 검색(유사도 0.35 이상만 채택) → LLM 폴백의 3단계 구조로 답변 정확도와 응답 안정성을 함께 확보했습니다. 민원 사진(불법주정차 등)은 CNN(자체설계 모델 정확도 86.3%, ResNet18 전이학습 모델 93.1%)으로 자동 분류해 관련 법령·과태료 정보를 바로 안내하고, Tesseract.js OCR로 차량번호까지 인식했습니다. 4개 언어(한/영/중/일) 다국어 처리로 외국인 주민도 이용할 수 있게 했습니다.
③ 활용 결과 어떤 변화가 있었나요?
RAG 챗봇 덕분에 사용자가 정확한 법률/행정 용어를 몰라도 의미 기반으로 원하는 안전 정보를 찾아줄 수 있게 됐습니다 (단순 키워드 검색이었다면 놓쳤을 질문에도 답할 수 있게 됨).
CNN 이미지 분류로 민원 사진을 자동 분류해, 사용자가 직접 카테고리를 고르지 않아도 몇 초 만에 관련 법령·과태료 정보를 바로 안내받게 됐습니다.
OCR로 차량번호를 자동 인식해 수동 입력 과정을 줄였습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
기획 단계에서 기존 생활안전 서비스를 분석했는데, "안전디딤돌"(행안부 앱)은 재난 발생 시 일방향 알림 위주라 평상시 병원·AED·민원 같은 정보는 다루지 않고, "국민신문고"는 민원 접수는 되지만 사용자가 직접 신고 유형을 찾아 수동으로 작성해야 해 사진 기반 자동 분류나 AI 초안 작성 기능이 없다는 빈틈을 발견했습니다. OLA는 첫째, 평상시 생활안전 정보의 통합 제공, 둘째, AI를 통한 민원 자동화, 이 두 지점을 채우는 방향으로 AI 활용을 설계했습니다.
그 외 AI 활용 자체의 개선 포인트로는:
· 임베딩 기반 검색이 실패하면 키워드 검색으로 자동 전환되도록 설계해, AI가 불안정해도 상담 기능 자체는 끊기지 않게 했습니다.
· CNN·OCR의 예측 결과를 곧바로 확정하지 않고, 사용자가 확인·수정할 수 있는 입력창에 넣는 방식으로 AI의 불완전한 정확도를 사용자 확인 절차로 보완했습니다.
· "지어내지 않는다"는 원칙을 AI 답변에도 적용해, RAG가 근거 데이터를 찾지 못하면 억지로 답을 만들어내지 않고 "정보 없음"으로 처리하게 해 AI 환각(hallucination) 문제를 의도적으로 차단했습니다.
⑤ 다른 사람도 따라 할 수 있나요?
네, 공공데이터포털의 오픈 API(기상청, 응급의료정보, 경찰청 범죄통계 등)와 오픈소스 임베딩·이미지 분류 모델을 조합하는 구조라, 다른 지역의 생활안전 서비스에도 그대로 적용할 수 있습니다. CNN 이미지 분류 정확도(전이학습 기준 93.1%)와 벡터 검색 유사도 임계값(0.35) 같은 구체적인 기준값도 함께 공유할 수 있어, 비슷한 서비스를 만들려는 다른 팀이 시행착오를 줄이는 데 참고할 수 있습니다.
