Taoyuan SafeSite · Youth Safety Net: 공사장 위험과 위기 청소년을 여러 기관이 한 기록으로 먼저 찾아낸 두 사례
대만 타오위안시는 건설·노동·환경 부서가 한 현장기록과 위험 순위를 함께 쓰는 SafeSite로 건설 사망자를 19명에서 13명으로 줄였다고 보고했습니다. 8개 기관 44개 지표를 묶은 Youth Safety Net으로는 위기청소년 첫 접촉을 117일에서 29일로 앞당겼습니다. 한국 제조 대기업이 협력사 공사 안전과 협력사 위기 조기경보에 옮기는 법을 붙였습니다.
타오위안시는 부서마다 따로 들고 있던 데이터를 한 기록으로 묶었습니다. AI가 위험 신호를 먼저 올리면 사람이 확인하고 여러 기관이 같은 기록 위에서 후속 조치를 합니다. 우리 회사에 옮기려면 모델보다 먼저 정할 것이 셋입니다. 무엇을 같은 ID로 묶을지, 순위 기준을 어떻게 공개할지, AI 신호를 누가 언제까지 확인할지입니다.
요약
대만 타오위안시 정부(Taoyuan City Government, 桃園市政府)는 2026 Gartner Eye on Innovation Awards 정부 부문에 두 사례를 냈고 사용자가 준 Greater China 사례집에 실렸습니다. 첫째는 SafeSite입니다. 건설 경기가 달아오른 도시에서 건설·노동·환경보호 부서가 각자 점검하고 데이터를 따로 들고 있었습니다. 공사 소음 민원은 해마다 2,500건을 넘었습니다. SafeSite는 건축 허가, 재해 기록, 드론 영상, 기상 데이터를 GIS(지리정보시스템) 위에 합쳤습니다. 그 위에 굴착 깊이·크레인 하중·비계 높이로 현장 순위를 매기는 위험 엔진을 얹고 AI 비전으로 추락 위험을 찾게 했습니다. 둘째는 Taoyuan Youth Safety Net(TYSN, 타오위안 청소년 안전망)입니다. 청소년 인구는 줄었는데 위기 사례는 2년 동안 32% 늘었습니다. 8개 기관이 일부 정보만 보는 사이 기관 간 인계에 평균 117일이 걸렸습니다. TYSN은 8개 기관의 44개 지표를 한 데이터 계층에 모으고 머신러닝으로 여러 영역에 걸친 위기 신호를 찾습니다. 사회복지사가 확인한 뒤 기관 연계로 넘기는 구조입니다.
사례집이 전하는 결과는 이렇습니다. SafeSite를 쓰는 동안 건설 부문 사망자는 19명에서 13명으로 31.6% 줄었습니다. 위험 순위로 점검한 깊은 굴착현장 13곳 가운데 6곳에서 중대 결함이 나왔습니다. AI가 표시한 위험의 52%는 하루 안에 시정됐습니다. 두 개 이상 부서가 한 현장기록으로 함께 처리한 사례는 13건입니다. 사망자 감소는 프로젝트 성과로 보고됐지만 단독 인과관계나 통제집단 분석은 자료에 없다고 사례집이 직접 적었습니다. TYSN은 청소년 7,765명을 지원했습니다. 의뢰부터 사회복지사 첫 접촉까지 평균 117일이 29일로 75% 줄었습니다. 대상 위기청소년의 등록 범위는 75%에서 95%로 넓어졌습니다. 청소년 범죄 관여율은 4.48%에서 3.42%로 내려갔고 중퇴 상담을 받던 학생 94명 가운데 69명이 복학했습니다. 두 사례의 효과는 모델 정확도보다 순서를 바꾼 데서 나왔습니다. 따로 보던 기록을 한 장으로 묶자 어디부터 갈지 정할 수 있었습니다. AI 신호 뒤에 사람의 확인과 처리 기한을 붙이자 실제 조치까지 이어졌습니다. 아래에서는 사례별 구현 메커니즘, 공개 자료로 확인한 맥락, 한국 제조 대기업이 옮기는 방법을 차례로 정리합니다.
핵심 메커니즘
Single Site Record: 세 부서가 같은 현장 기록을 쓰기
SafeSite의 바닥은 단일 현장기록(single site record)입니다. 한 공사 현장을 건설 부서는 허가 건으로, 노동 부서는 사업장으로, 환경 부서는 민원 발생지로 따로 관리해 왔습니다. SafeSite는 이 셋을 같은 현장 단위로 묶어 GIS 위에 올렸습니다. 입력은 건축 허가, 재해 기록, 드론 영상, 기상 데이터입니다. 출력은 현장마다 위험과 점검 이력이 한곳에 모인 지도입니다. 사례집은 두 개 이상 부서가 이 기록으로 함께 처리한 사례를 13건으로 적었습니다.
이 구조는 한 대상을 여러 조직이 서로 다른 이름으로 관리할 때 효과가 큽니다. 담당 부서가 하나뿐인 대상이라면 통합 비용이 효과보다 큽니다.
Transparent Risk Engine: 공개된 기준으로 현장 순위 매기기
두 번째 층은 투명한 위험 엔진(transparent risk engine)입니다. 사례집이 든 요인은 굴착 깊이, 크레인 하중, 비계 높이와 그 밖의 요인입니다. 점검원은 이 순위에 따라 위험한 현장부터 갑니다. 사례집은 이 엔진을 투명하다고 표현했습니다. 블랙박스 점수가 아니라 어떤 요인이 순위를 올렸는지 보이는 규칙형 점수라는 뜻으로 읽힙니다. 공공 점검은 대상 업체가 결과에 이의를 제기할 수 있어서 근거를 설명할 수 있어야 합니다. 결과는 깊은 굴착현장 13곳 가운데 6곳의 중대 결함 발견으로 나타났습니다. 가중치와 나머지 요인은 사례집에 나오지 않습니다.
AI-assisted, Human-reviewed Follow-up: AI가 표시하고 사람이 확인하는 후속 처리
세 번째 층은 AI 보조 워크플로입니다. 컴퓨터 비전이 현장 영상에서 추락 위험 가능성을 표시합니다. 소음 측정값은 같은 시각의 현장 영상과 대조해 소음이 공사에서 나온 것인지 추정합니다. 표시된 신호는 사람이 검토한 뒤 점검과 공동 후속 조치로 넘어갑니다. 사례집 경영진 코멘트도 무작위 점검과 종이 증빙에서 위험 순위, AI 보조, 사람 검토 방식으로 옮겼다고 설명합니다. AI가 표시한 위험의 52%가 하루 안에 시정됐다는 수치가 이 층의 결과입니다. 분모가 된 표시 건수는 사례집에 없습니다.
Multidomain Signal Engine: 학교·가족·건강·또래·고용 신호를 함께 보기
TYSN은 네 하위체계로 나뉩니다. 첫째 통합 데이터 계층이 8개 기관의 44개 지표를 모으고 암호화, 역할 기반 접근 통제, 감사 로그를 겁니다. 둘째 다영역 신호 엔진(multidomain signal engine)이 머신러닝으로 지표를 분석합니다. 사례집 설명의 요점은 위기가 한 기관의 지표 하나로 드러나지 않는다는 것입니다. 결석이 조금 늘어나는 일, 가정 돌봄 기록이 새로 생기는 일, 취업 상담이 끊기는 일은 따로 보면 모두 작습니다. 엔진은 이 신호를 묶어 충족되지 않은 서비스 수요를 찾고 개입할 기관이나 기관 조합을 제안합니다. 쓰인 모델 종류와 44개 지표 목록은 공개되지 않았습니다.
Validated Referral with SLA: 사회복지사 검증 뒤 연계하고 기한을 추적하기
셋째 하위체계는 사람의 검증입니다. 모델이 제안한 매칭을 사회복지사가 먼저 확인합니다. 그 뒤에 대시보드가 기관 간 의뢰 흐름을 조정합니다. 이때 SLA(service-level agreement, 처리 기한 약속)를 추적합니다. 의뢰를 받은 기관이 언제까지 첫 접촉을 해야 하는지 정해 두고 넘기면 경고하는 방식입니다. 의뢰부터 첫 접촉까지 117일이 29일로 줄었다는 결과가 이 층과 바로 이어집니다. 신호를 일찍 찾아도 인계가 늦으면 효과가 없기 때문입니다.
Governance Layer: 결정을 남기고 모델을 다시 배우고 밖에서 점검받기
넷째 하위체계는 거버넌스 계층입니다. 결정을 기록하고 모델을 재학습하며 외부 검토를 받습니다. 미성년자의 민감 정보를 여러 기관이 공유하는 일이라 이 계층이 없으면 시작할 수 없습니다. 사회복지사가 모델 제안을 받아들였는지 거부했는지가 기록되면, 그 판정이 다음 재학습의 라벨이 됩니다. 사례집 경영진 코멘트는 TYSN이 경찰 조치 대신 사회복지사의 아웃리치를 부르게 했다고 강조합니다. 위험을 찾는 시스템이 처벌로 이어지지 않게 하는 설계 선택입니다.
통념과 다른 주장
흔히 이렇게 봅니다공공 부문이 AI로 위험 대상을 찾으면 단속과 처벌을 늘리는 쪽으로 쓰입니다.
타오위안시는 이렇게 봅니다TYSN은 위기 신호를 지원 연계로 돌렸습니다. 경영진 코멘트의 표현으로는 "triggering social worker outreach instead of police action"입니다. SafeSite도 적발 건수보다 순위 기반 점검과 공동 시정을 앞세웠습니다.
근거TYSN은 첫 접촉을 117일에서 29일로 앞당기고 중퇴 상담 학생 94명 중 69명이 복학했다고 보고했습니다. SafeSite는 AI 표시 위험의 52%가 하루 안에 시정됐다고 밝혔습니다(사례집 기재).
사례 재구성
SafeSite: 건설현장 위험관리 모델
| 구분 | 내용 |
|---|---|
| 상황 | 건설·노동·환경보호 부서가 데이터와 점검을 따로 운영해 현장 위험을 함께 볼 수 없었습니다. 건설 호황 속에서 수천 곳의 현장을 관리하기 어려웠고 공사 소음 민원이 해마다 2,500건을 넘었습니다. |
| 한 일 | 허가·재해 기록·드론 영상·기상 데이터를 GIS로 통합한 3계층 모델을 만들었습니다. 굴착 깊이·크레인 하중·비계 높이 등으로 현장 순위를 매기고 세 부서가 단일 현장기록을 함께 씁니다. AI 비전이 추락 위험을 표시하고 소음과 현장 영상을 대조합니다. 기술 범주는 API, 클라우드, IoT, AI, 데이터·분석, 소프트웨어 플랫폼입니다. |
| 결과 | 건설 부문 사망자 19명에서 13명(31.6% 감소), 깊은 굴착현장 13곳 중 6곳 중대 결함 발견, AI 표시 위험 52% 하루 내 시정, 2개 이상 부서 공동 처리 13건(사례집 기재, 기간 미기재). |
| 연결 | Single Site Record가 공동 처리를, Transparent Risk Engine이 결함 발견률을, AI-assisted, Human-reviewed Follow-up이 하루 내 시정을 맡은 구조입니다. |
SafeSite라는 이름은 공개 자료에서 찾지 못했습니다. 대신 배경이 되는 사정은 보도로 확인됩니다. 연합보(聯合報, 2025년 10월 28일) 보도에 따르면 타오위안시 관리 대상 사업장은 6,000곳이 넘는데 노동 검사원은 정원 70명에 현원 57명이었습니다. 시 노동검사처장은 건축관리 부서와 함께 현장 출입자의 안전규정 준수를 확인하는 식별 시스템을 만들고 있으며 2025년 말 틀을 완성하고 2026년 초 시험한다고 의회에서 답했습니다. 같은 매체(2026년 7월 19일)는 환경보호국이 2026년 10월부터 지능형 건설 소음 관리 시스템을 시행한다고 전했습니다. 대상 공사장에 야간 촬영·녹음 카메라와 소음·PM2.5 센서를 달아 클라우드로 실시간 전송하고 한 해 최대 500곳을 관리한다는 내용입니다. 이 두 보도가 SafeSite의 일부인지는 기사에 나오지 않습니다.
Taoyuan Youth Safety Net: 위기청소년 조기 연계
| 구분 | 내용 |
|---|---|
| 상황 | 청소년 인구가 줄어드는데도 위기 사례가 프로젝트 전 2년 동안 32% 늘었습니다. 위기 청소년은 학교·가족·건강·고용에서 이상 신호를 보였지만 8개 기관이 일부만 보았고 인계에 평균 117일이 걸렸습니다. |
| 한 일 | 네 하위체계로 된 기관 간 플랫폼을 만들었습니다. 8개 기관 44개 지표의 통합 데이터 계층(암호화·역할 기반 접근·감사 로그), 머신러닝 다영역 신호 엔진, 사회복지사 검증 뒤 대시보드로 연계하고 SLA를 추적하는 의뢰 흐름, 결정 기록·재학습·외부 검토의 거버넌스 계층입니다. 기술 범주는 API, 클라우드, 소프트웨어 플랫폼, AI, 데이터·분석입니다. |
| 결과 | 청소년 7,765명 지원, 의뢰~첫 접촉 117일에서 29일(75% 단축), 등록 범위 75%에서 95%, 범죄 관여율 4.48%에서 3.42%, 중퇴 상담 94명 중 69명 복학(사례집 기재, 기간 미기재). |
| 연결 | Multidomain Signal Engine이 등록 범위를, Validated Referral with SLA가 첫 접촉 시간을, Governance Layer가 민감 정보 공유의 전제를 맡은 구조입니다. |
공개 보도에도 같은 44개 지표가 나옵니다. 연합보 보도는 장산정(張善政) 시장이 시의회에서 시 경찰국 소년보도위원회가 주도한 『青春啟航, 打造桃園少年幸福城』 사업을 소개했다고 전했습니다. 44개 위험 지표와 데이터 분석으로 고위험 청소년을 일찍 찾아 상담과 지원으로 잇는 사업이며 서울 스마트시티상에서 은상을 받았다는 내용입니다. 원견잡지(遠見, 2026년 5월 4일, 시 정부가 비용을 낸 기획 기사)는 이 상을 2025년 서울 스마트시티상 ‘사람 중심’ 부문 은상으로 적고 교육·고용·정신건강·가족 자원을 잇는 예측·예방·보호 모델로 소개했습니다. 두 기사 모두 TYSN이라는 이름과 사례집의 성과 수치는 쓰지 않았습니다.
기술 디테일: 우리 데이터로 다시 만들려면
단일 현장기록(Single Site Record)을 만들려면 현장 ID부터 고정합니다. 공공에서는 건축 허가 번호가 기준 키가 되기 쉽습니다. 기업 안에서는 공사 계약 번호와 사업장 코드를 묶은 현장 ID를 새로 발급하는 편이 낫습니다. 부서마다 쓰는 번호는 별칭 테이블로 매답니다. 주소·좌표·시공사로 2차 후보를 만든 뒤 사람이 확정합니다. 기록에는 출처 시스템과 갱신 시각을 꼭 붙입니다. 공동 처리 건이 생기면 같은 기록에 담당 부서 목록과 처리 상태가 함께 쌓이게 합니다.
{"site_id":"S-2026-0417","aliases":{"permit":"건축-1123","labor":"사업장-58812","env":"민원지-0931"},
"geo":[24.99,121.30],"factors":{"excavation_m":14.5,"crane_t":32,"scaffold_m":28},
"risk":{"score":81,"rank":7,"top_reasons":["excavation_m","scaffold_m"]},
"flags":[{"type":"fall_hazard","src":"cv","conf":0.83,"reviewed_by":"점검원-12","status":"시정요구"}]}투명한 위험 엔진(Transparent Risk Engine)은 처음에는 가중합 규칙으로 시작합니다. 요인마다 구간 점수(예: 굴착 깊이 5m 미만 0점, 5~10m 2점, 10m 이상 4점)를 정하고 합계로 순위를 냅니다. 출력에는 점수와 함께 순위를 끌어올린 상위 요인 두세 개를 남깁니다. 점검원과 대상 업체가 이 근거를 보고 이의를 낼 수 있어야 하기 때문입니다. 점검 결과(결함 있음·없음)가 3개월 정도 쌓이면 상위 순위 현장의 결함 발견률을 무작위 점검 대조군과 비교합니다. 그 결과를 보고 가중치를 조정합니다. 이 단계에서도 모델은 설명 가능한 로지스틱 회귀 정도로 둡니다. SafeSite의 깊은 굴착현장 13곳 중 6곳은 이 비교의 출발값으로 쓸 만한 숫자입니다.
AI 영상 신호(AI-assisted Follow-up)는 탐지 대상을 좁게 정합니다. 추락 위험이라면 안전난간 미설치, 개구부 덮개 누락, 안전대 미착용처럼 화면에서 판정할 수 있는 항목 서너 개로 시작합니다. 모델은 YOLO 계열 같은 객체 탐지 모델을 현장 사진 수천 장으로 미세조정하는 방식이 일반적입니다. 카메라마다 화각과 조도가 달라 현장별 검증 표본 200장 정도를 따로 둡니다(가상 기준). 탐지마다 confidence를 받아 0.7 미만은 버리고 0.7~0.9는 점검원 검토 대기열로, 0.9 이상은 시공사 알림과 검토를 함께 보냅니다(가상 기준). 같은 위치에서 30분 안에 반복된 탐지는 한 건으로 묶어 알림 피로를 줄입니다. 소음 대조는 측정값이 기준을 넘은 시각 앞뒤 5분 영상을 잘라 붙여, 사람이 공사 기인 여부를 한 화면에서 판정하게 합니다. 오탐으로 판정된 건은 라벨로 모아 한 달에 한 번 탐지 임계값을 다시 봅니다.
다영역 신호 엔진(Multidomain Signal Engine)을 옮기려면 지표를 영역별로 나누고 기관 하나만으로는 경보가 울리지 않게 설계합니다. 예를 들어 영역 두 곳 이상에서 이상 신호가 동시에 있을 때만 후보로 올리는 규칙을 기본으로 둡니다. 모델은 그래디언트 부스팅 같은 표 데이터용 모델이 무난합니다. 출력은 점수 하나가 아니라 영역별 기여도와 추천 기관 목록으로 냅니다. 사회복지사가 매칭을 거부하면 사유 코드(정보 오류, 이미 지원 중, 본인 거부 등)를 고르게 해 재학습 라벨로 씁니다. 민감 정보이므로 원천 기관 데이터는 그대로 두고 지표 값만 가명 ID로 넘깁니다. 열람은 역할별로 제한하고 모든 조회를 감사 로그에 남깁니다.
SLA 추적(Validated Referral with SLA)은 의뢰 레코드에 referred_at, accepted_at, first_contact_at, sla_days, owner_agency를 둡니다. 대시보드는 SLA의 70%가 지나면 노랑, 넘으면 빨강으로 표시하고 담당 기관 관리자에게 알립니다(가상 기준). 117일에서 29일 같은 개선을 측정하려면 시스템을 켜기 전 3~6개월의 인계 시간을 같은 정의로 먼저 뽑아 두어야 합니다.
현업 실행 디테일: 누가, 언제, 무엇을
한국 제조 대기업에는 시 정부의 건설 점검도 청소년 복지도 없지만 같은 구조의 업무가 있습니다. SafeSite는 사업장 안 협력사 공사(설비 증설, 건물 신축, 정기 보수) 안전관리로 옮길 수 있습니다(가상 예시). 이 일은 보통 시설·EHS·구매·생산 부서가 각자 들고 있습니다. 작업 허가는 시설팀에, 재해 기록은 EHS팀에, 협력사 계약은 구매팀에 있는 식입니다. TYSN은 협력사 위기 조기경보로 옮길 수 있습니다(가상 예시). 품질 불량, 납기 지연, 재무 악화, 안전 사고가 각각은 작아도 함께 나타나면 공급 중단 위험이 커집니다. 담당자 검증 뒤 구매·품질·상생 지원 부서로 연계하고 처리 기한을 추적하는 구조가 그대로 맞습니다.
| 역할 | 담당 | 할 일 |
|---|---|---|
| 현업 스폰서 | 사업장장 또는 EHS 담당 임원 | 시범 현장 지정, 부서 간 공동 처리 규칙 승인 |
| 업무 책임자 | EHS 팀장 | 위험 요인과 구간 점수 정의, 점검 순서 운영 |
| 데이터 담당 | IT·데이터 팀 2명 | 작업 허가·재해·계약 시스템의 현장 ID 매칭 |
| 영상 담당 | 시설팀 1명 + 외부 비전 업체 | 카메라 위치 선정, 탐지 항목 학습·검증 |
| 준법·노무 | 법무·노무 1명 | 작업자 영상 수집 고지와 보관 기간 확인 |
| AX 추진 | AX 조직 PM 1명 | 일정·지표 관리, 판정 회의 준비 |
시작 전 준비물은 네 가지입니다. 시범 대상 협력사 공사 현장 30곳 목록, 그 현장들의 시스템별 번호, 최근 1년 재해·아차사고 기록과 점검 결과, 노사가 합의한 영상 활용 범위 문서입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 현장 데이터 위치 파악, 현장 ID 규칙 확정, 영상 활용 범위 합의 | 데이터 지도, ID 별칭표, 합의 문서 |
| 3~4주 | 위험 요인 5~7개와 구간 점수 확정, 순위 v1 산출 | 위험 순위표, 근거 요인 목록 |
| 5~6주 | 순위 상위 10곳과 무작위 10곳을 같은 기준으로 점검, 영상 탐지 시범 | 점검 결과표, 탐지 로그 |
| 7~8주 | 결함 발견률 비교, 하루 내 시정률 측정, 확대 여부 판정 | 판정 보고서 |
현업 인터뷰에서 물을 질문은 이렇습니다. 같은 공사 현장을 부서마다 어떤 번호로 부르는가. 지난 1년 사고 가운데 다른 부서가 먼저 징후를 알고 있던 건이 있었나. 점검원은 지금 어떤 순서로 현장을 고르는가. 시정 요구를 보낸 뒤 완료를 누가 어떻게 확인하는가. AI가 표시한 신호를 하루 안에 확인할 사람이 정해져 있는가.
진행 판정 기준(예시)은 세 가지입니다. 순위 상위 현장의 결함 발견률이 무작위 현장보다 1.5배 이상 높은가. 영상 탐지 가운데 점검원이 유효하다고 판정한 비율이 50% 이상인가. 시정 요구 건의 하루 내 시정률이 측정 가능한 상태로 기록되는가. 셋 중 둘을 넘으면 현장을 사업장 전체로 넓힌 뒤 협력사 위기 조기경보로 넘어갑니다.
AX 조직이 고객사에 제안한다면 SafeSite 구조가 먼저입니다. 현장 단위 기록과 규칙형 순위는 기존 시스템을 바꾸지 않고 만들 수 있습니다. 효과도 결함 발견률과 시정 시간으로 바로 잴 수 있습니다. TYSN 구조는 민감 정보와 여러 조직의 합의가 필요해 준비가 깁니다. 협력사 조기경보로 옮길 때도 거버넌스 계층(결정 기록, 재학습, 외부 검토)을 먼저 설계하고 신호 엔진은 그다음에 붙이는 순서가 타오위안시의 구성과 맞습니다. 두 사례에서 가장 옮길 만한 것은 모델이 아니라 신호 뒤에 붙인 확인 담당자와 처리 기한입니다.
원문 사례
| 항목 | SafeSite | Taoyuan Youth Safety Net |
|---|---|---|
| 기관 | Taoyuan City Government(대만 타오위안) | Taoyuan City Government(대만 타오위안) |
| 부문 | Gartner 2026 Eye on Innovation Awards 정부 | 같음 |
| 대상 업무 | 건설현장 위험관리, 점검, 소음 민원 | 위기청소년 발견과 기관 간 연계 |
| 연결한 데이터 | 건축 허가, 재해 기록, 드론 영상, 기상 데이터, 소음 측정 | 8개 기관 44개 지표(학교·가족·건강·또래·고용) |
| 참여 조직 | 건설·노동·환경보호 부서 | 8개 기관, 사회복지사 |
| 기술 범주 | API, 클라우드, IoT, AI, 데이터·분석, 소프트웨어 플랫폼 | API, 클라우드, 소프트웨어 플랫폼, AI, 데이터·분석 |
| 보고 수치 | 사망자 19명에서 13명(31.6% 감소), 깊은 굴착현장 13곳 중 6곳 중대 결함, AI 표시 위험 52% 하루 내 시정, 공동 처리 13건 | 7,765명 지원, 첫 접촉 117일에서 29일(75% 단축), 등록 범위 75%에서 95%, 범죄 관여율 4.48%에서 3.42%, 중퇴 상담 94명 중 69명 복학 |
| 수치 해석 | 사망자 감소의 단독 인과관계·통제집단 분석 없음(사례집 표기) | 기간 미기재 |
| 공개 자료 | SafeSite 이름으로는 확인 못 함. 검사원 인력(2025.10.28)과 지능형 건설 소음 관리(2026.07.19) 보도로 배경 확인 | 44개 지표 사업과 서울 스마트시티상 은상 보도 |
핵심 개념
- GIS(Geographic Information System)
- 위치를 기준으로 여러 데이터를 겹쳐 보는 시스템. SafeSite는 현장을 지도 위 한 점으로 묶는다.
- Deep excavation
- 깊은 굴착 공사. 흙막이 붕괴와 인접 건물 피해 위험이 커서 SafeSite가 집중 점검한 대상.
- Computer vision
- 영상에서 사물과 상황을 인식하는 AI. 여기서는 추락 위험 표시와 소음 원인 확인에 쓴다.
- Role-based access control
- 사람이 아니라 역할에 열람 권한을 주는 방식. 기관마다 볼 수 있는 지표를 다르게 정한다.
- Audit log
- 누가 언제 무엇을 보고 바꿨는지 남기는 기록. 민감 정보 공유의 전제 조건.
- SLA(service-level agreement)
- 처리 기한에 대한 약속. TYSN은 기관 간 의뢰마다 기한을 걸고 추적한다.
- Retraining
- 새로 쌓인 판정 결과로 모델을 다시 학습시키는 일. 사회복지사의 수락·거부가 라벨이 된다.
내 메모
TODO: 내 생각 추가
근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Taoyuan City Government, 슬라이드 39·40)와 확인한 공개 자료입니다. 연합보 『57人要看6千多個工地 桃園勞檢員工作量超負荷』(2025.10.28, https://udn.com/news/story/7324/9101420), 연합보 『噪音陳情減4成！桃園再出招 深夜爆竹禁令提前、500工地即時監控』(2026.07.19, https://udn.com/news/story/7324/9636889), 연합보 『大數據預測少年犯罪 桃園奪首爾智慧城市獎全球銀獎』(발행일 미확인, https://udn.com/news/story/7324/9043722), 원견잡지 『橫掃國內外逾50項大獎 桃園用AI改變城市』(2026.05.04, 시 정부 비용 기획 기사, https://www.gvm.com.tw/article/129264). SafeSite와 Taoyuan Youth Safety Net이라는 이름은 사례집 밖 공개 자료로 확인하지 못했습니다. 수상 여부도 공개 자료로 확인하지 않아 제출·소개된 사례로 적었습니다. 요약·메커니즘·사례 재구성은 위 자료를 AX Review가 다시 정리했고 기술·현업 디테일과 JSON 예시, 판정 기준, 일정, 인포그래픽과 표는 새로 작성했으며 그 안의 숫자는 가상 예시입니다.