① 어떤 상황에서 AI를 활용했나요?
보험·대출 권유 전화는 일상에서 자주 받고, 그중에는 개인정보나 송금을 요구하는 보이스피싱도 섞여 있어 금융 피해로 이어질 수 있습니다. 문제는 전화를 받은 직후 몇 마디만으로는 광고인지 사기인지, 아니면 보험사나 은행의 정상 안내인지 구분하기 어렵다는 점입니다.

번호 목록(DB)으로 차단하는 앱은 새 번호나 개인 번호로 걸려오는 전화를 걸러내지 못하는 경우가 있습니다. 그래서 번호가 아니라 통화 초반 문장의 내용을 보고 판단해 보기로 했습니다. 개인이 분류 모델을 직접 만들기는 어려워서 분류 전용 AI(Jev)를 API로 연결해, 문장을 입력하면 위험 여부를 알려 주는 웹을 만들었습니다. 실제 통화에 연결하지는 않았고 가상 문장을 입력하는 범위입니다.

② 어떤 AI를 어떻게 활용했나요?
분류 전용 모델 선택: 문장을 길게 쓰는 대화형 AI 대신, 정해 준 질문에 정해진 형식으로만 답하는 Jev를 사용했습니다.
일상적인 입력: 보험·대출·피싱·일반 전화 중 어느 종류인지와 위험도가 5단계 중 어디에 가까운지(2.67처럼 소수로 반환)를 물었습니다.
단정하지 않는 경고: 종류별 위험도 기준값을 넘으면 전화 수신 화면 형태의 웹 화면에 '의심됩니다'라고 알려 주고, 받을지는 이용자가 판단하게 했습니다.

③ 활용 결과 어떤 변화가 있었나요?
평가 구성: 일상에서 오는 전화 유형으로 가상 문장 66건(보험·대출·피싱 각 11건, 정상 33건)을 만들었습니다. 정상 중 약 18건은 보험사·은행 안내처럼 스팸과 비슷해 보이는 문장입니다.
정확도: 종류 기준 89.4%(59/66). 스팸 33건은 모두 스팸 종류로 분류됐고, 정상 전화 6건이 오탐이었습니다.
응답 시간: 중앙값 224ms
상세 수치와 틀린 문장은 첨부 자료에 정리했습니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
일상 사용 기준으로 오탐을 측정: 정상 문장의 절반 이상을 스팸처럼 보이는 정상 안내 전화로 채워, 실제로 쓸 때 불편할 지점을 먼저 확인했습니다.
기준값 분리: 평가 세트와 별개의 예시 문장 10개로 기준값을 정한 뒤 66건에 그대로 적용했습니다.
한계를 숨기지 않기: 보험은 스팸과 정상의 위험도가 겹쳐 보험 스팸 2건에 경고가 뜨지 않았습니다. 기준을 낮추면 정상 전화에도 경고가 떠서, 임의로 낮추지 않고 한계로 남겼습니다.

⑤ 다른 사람도 따라 할 수 있나요?
네. ① 내가 자주 받는 전화 유형을 떠올려 질문 정하기(종류, 위험도) ➔ ② 스팸과 스팸처럼 보이는 정상 안내 문장으로 가상 세트 만들기 ➔ ③ 문장 전체를 API로 호출 ➔ ④ 종류별 위험도 분포를 보고 기준값 정하기 ➔ ⑤ 틀린 문장 확인 순서입니다. TypeSafe API 키와 파이썬 환경이 필요하고, 코드는 AI 도구의 도움을 받을 수 있습니다. 다만 평가는 가상 문장 66건이라 실제 통화를 대표하지 못하고, 기준값은 자신의 문장으로 다시 정해야 합니다. 응답 시간에는 음성 변환과 모바일 네트워크 지연이 빠져 있으며 가상 데이터만 사용했습니다.