KT × 한국교통안전공단 프로젝트, 주제를 고르는 법

KT 디지털인재장학생 2년 차, 이번에는 한국교통안전공단과 함께하는 AI 기반 사회문제해결 프로젝트다. 9인 팀에서 AI 파트를 맡았고, 첫 과제는 주제 선정이었다. 3개 후보를 같은 틀(문제 정의 → 필요 데이터 → 모델 아키텍처 → 서비스 형태 → MVP → 고려사항)로 정리해 비교했다.

1안. 스쿨존 사각지대 위험도 분석 및 어린이 안심 귀가

스쿨존 사고 피해자의 절반 이상이 7~9세에 집중되고, 부산은 스쿨존 사고 전국 3위 지역이다. 현행 정책은 학교 정문 앞에 집중되어 경계 밖 이면도로 · 학원가 골목은 방치된다. “사고가 난 곳”이 아니라 “사고가 날 수밖에 없는 구조”를 사전에 탐지하는 게 목표.

DBSCAN으로 사고 핫스팟 탐지 → 경계 밖 사각지대 도출
XGBoost Multi-Output으로 위험도 등급 + 사고 유형 동시 분류, SHAP으로 요인 해석
마르코프 모델로 학기/방학/우천 등 시기별 위험 상태 전이 확률 산출
정책용 위험도 히트맵 대시보드 + 학부모 앱 프로토타입

2안. 교통약자 맞춤형 종합 최적 경로 AI 매칭

기존 길찾기는 최단거리 · 최단시간 중심이라 교통약자에게 최적화되어 있지 않다. 서울동행맵은 촘촘한 인프라를 전제로 한 규칙 기반이지만, 부산 · 대구는 인프라가 없는 구간에서 대안을 제시해야 하고 사용자별 이동 특성이 달라 규칙이 아닌 데이터로 학습한 모델이 필요하다.

K-Shortest Path로 경로 후보 N개 추출
경로를 안전 · 편의 · 쾌적 · 효율 피처 벡터로 변환
LightGBM/XGBoost 기반 Learning to Rank로 사용자별 경로 점수 예측
사용자 선택 피드백을 재학습 데이터로 축적

3안. PM 이동 경로 및 주차 금지구역 자동화 (스페어)

PM 사고가 2020년 대비 두 배 이상 증가했고 보도 위 무단 주차가 교통약자 이동권을 침해한다. Isolation Forest로 충격량 이상 구간을 탐지하고 XGBoost로 주차 적합도를 점수화하는 구조. 다만 운영사 데이터 확보와 실제 반납 제어에 제약이 커서 스페어로 두었다.

비교표

기준	1안 스쿨존	2안 교통약자 경로	3안 PM
문제 명확성	★★★★★	★★★★	★★★★
공단 데이터 연계	★★★★★	★★★★	★★★★
AI 적용 구체성	★★★★★	★★★★	★★★
MVP 구현 가능성	★★★★★	★★★	★★★
서비스 확장성	★★★★★	★★★★★	★★★
리스크	중간	높음	중상

피드백을 받기 위한 질문을 먼저 준비했다

주제를 확정하기 전에 공단 연구원님께 드릴 질문을 9개로 정리했다. 1안이 공단 데이터와 가장 잘 연결되는지, 스쿨존 내부만 볼지 경계 밖까지 볼지, 교통카드 청소년 데이터의 활용 가능 범위, MVP를 대시보드 중심으로 잡아도 되는지, 2안의 사용자군을 어디로 좁힐지 같은 것들이다.

결과적으로 팀은 2안(교통약자 경로 추천)으로 방향을 잡았다. 1안이 데이터가 상당수 겹치는 데다, 도로정보 부족으로 막히는 부분이 두 안 모두에 있었기 때문이다. 이 결정이 이후 “동넷”이 된다.