Taoyuan Metro MetroMARS: 설비 사이로 번지는 철도 장애를 2시간 앞서 잡아 막는 AI

타오위안 공항 MRT 운영사 Taoyuan Metro는 설비마다 고장을 예측하는 데서 그치지 않고 한 설비의 열화가 다음에 어느 설비로 번질지를 짚어 네 부서가 같은 절차로 움직이게 했습니다. 사례집 기준으로 연쇄고장 21건을 막았고 MKBF는 2년 사이 7배가 됐습니다. 옮겨 쓰려면 설비 사이의 연쇄 경로를 현장 전문가와 함께 정의하고 경보마다 어떤 절차를 누가 시작하는지 미리 정해 두어야 합니다.

요약

Taoyuan Metro Corporation(桃園大眾捷運股份有限公司)은 타오위안 국제공항과 타이베이를 잇는 공항 MRT를 운영합니다. 사례집에 적힌 하루 승객은 약 13만 명입니다. 이 회사가 2026 Gartner Eye on Innovation Awards 정부 부문에 제출한 『MetroMARS Smart-Rail Platform』이 Greater China 사례집에 실렸습니다. 회사가 짚은 문제는 장애의 모양이 바뀌었다는 점입니다. 설비 하나가 홀로 고장 나기보다 전력, 신호, 차량 같은 하위 시스템이 서로 영향을 주고받다가 장애가 번지는 일이 많아졌습니다. 기존 철도 플랫폼은 여러 설비의 고장을 각각 예측했지만 아직 멀쩡한 설비 가운데 다음에 영향을 받을 곳이 어디인지는 알려 주지 못했습니다. 회사는 MetroMARS를 세 층으로 쌓았습니다. L1은 설비 감시와 predictive maintenance(예지정비, 고장 징후를 미리 잡아 정비 시점을 당기는 방식)입니다. L2는 degradation chain(열화 연쇄, 한 설비의 성능 저하가 다른 설비로 번지는 경로) 모델이고 L3는 경보를 관제·전력·신호·정비 네 부서의 공동 SOP(standard operating procedure, 표준 작업 절차)로 바꿉니다.

사례집이 밝힌 성과(기업 보고 실적)는 다섯 가지입니다. 조기 감지와 공동 대응으로 지연 3,000분을 막았고 연 운영비는 20%, 약 220만 달러 줄었습니다. MKBF(mean kilometers between failures, 고장 한 번 사이의 평균 주행거리)는 2023년 100만 차량-km에서 2025년 700만 차량-km로 올랐습니다. 연쇄고장 21건을 막아 운행 약 400회와 승객 이동 약 3만 회를 지켰고 탐지 성능은 정밀도 0.78, 재현율 0.72, F1 0.75였습니다. 회사가 든 이유는 경보가 다음 피해 지점을 알려 주는 동시에 실제 SOP를 곧바로 시작시킨다는 점, 그리고 데이터·모델·규칙·SOP를 벤더가 아닌 회사가 쥐고 있다는 점입니다. 한 경영진은 이 변화를 “from asset prediction to cascade prevention”이라고 요약했습니다. 공개 보도에 따르면 대만 교통부 철도국은 2021년부터 공항 MRT를 스마트 철도 시험장으로 삼았고 이 기간에 정비 인력 시간이 20% 줄었습니다. 아래에서는 세 층이 각각 어떻게 작동하는지 풀고 한국 제조 현장의 설비 연쇄 문제로 옮기는 방법을 붙입니다.

핵심 메커니즘

L1 Asset Monitoring: 설비군 다섯 곳을 한곳에서 보는 감시·예지정비 층

무엇인가. 차량(rolling stock), 전력, 신호, 선로 전환기(switch), 출입문 다섯 설비군의 상태 데이터를 모아 이상과 고장 징후를 잡는 층입니다. MetroMARS의 바닥이자 L2가 쓰는 원재료입니다.

어떻게 작동하나. 사례집 기준으로 하루 12억 개의 데이터 포인트를 받아 대시보드 170개로 보여 주고 설비군마다 예지정비 모델을 돌립니다. 입력은 센서값과 운행 기록이고 처리는 설비별 이상 탐지와 고장 징후 점수 계산이며 출력은 설비 단위 경보와 정비 권고입니다. 공상시보(2025년 12월)는 metro MARS 클라우드에 하루 약 56만 건의 데이터 레코드가 쌓인다고 보도했습니다. ‘데이터 포인트’와 ‘레코드’는 세는 단위가 달라 둘을 따로 적습니다. 같은 보도는 전력 고장 사전 감지와 신호·차량·환경 이상 경보를, 자유시보(2024년 11월)는 차륜 림 검사 분석을 플랫폼 응용으로 들었습니다.

언제 쓰고 언제 안 쓰나. 설비에 센서가 달려 있고 이력이 쌓인 곳이면 먼저 깔 층입니다. 다만 이 층만으로는 다음 피해 설비를 알 수 없어 회사는 L2를 따로 만들었습니다.

작은 예시(가상 예시). 반도체 공장의 칠러, 초순수 공급, 배기 설비가 각각 대시보드와 이상 경보를 갖고 있다면 L1까지는 이미 된 셈입니다.

Directional Degradation Chain: 다음 피해 설비를 잇는 방향 있는 경로

무엇인가. 원인 설비의 열화가 어느 설비에 어떤 순서로 번지는지를 방향이 있는 경로로 정의한 것입니다. MetroMARS L2에는 이런 경로가 40개 있습니다.

어떻게 작동하나. 경로의 출발 설비에서 상태 변화가 잡히면, 같은 경로 위에 있으면서 아직 고장 나지 않은 하류 설비의 위험을 끌어올립니다. 방향이 있으므로 ‘전력에서 신호로’와 ‘신호에서 전력으로’는 다른 경로입니다. 사례집 기준으로 경로 경보의 참양성은 약 70%, 장애보다 앞서는 시간은 약 2시간입니다. 경로를 전문가가 정의했는지 데이터에서 학습했는지는 사례집에 나오지 않습니다. 사례집이 꼽은 핵심 기술에 Digital Twin과 Modeling & Simulation이 들어 있다는 점만 확인됩니다.

언제 쓰고 언제 안 쓰나. 하위 시스템이 물리적으로 묶여 있어 장애가 번지는 구조에 맞습니다. 설비끼리 독립적이어서 한 대가 서도 옆 설비에 영향이 없다면 L1로 충분합니다.

작은 예시(가상 예시). 변전 설비의 전압 흔들림 → 선로 전환기 동작 시간 증가 → 신호 연동의 진로 확보 지연 → 열차 대기라는 경로가 있다고 합시다. 전압 흔들림이 잡힌 순간 전환기와 신호의 위험 점수가 함께 올라갑니다.

Lead Time과 Alert Quality: 얼마나 일찍, 얼마나 맞게 울리나

무엇인가. 경보가 쓸모 있으려면 대응할 시간을 남길 만큼 일찍, 현장이 믿을 만큼 정확하게 울려야 합니다. 사례집은 선행 시간 약 2시간, 경로 경보의 참양성 약 70%를 적었고 성과 항목에는 정밀도 0.78, 재현율 0.72, F1 0.75를 따로 적었습니다.

어떻게 작동하나. 정밀도(precision)는 울린 경보 가운데 실제 연쇄로 이어진 비율이고 재현율(recall)은 실제 연쇄 가운데 미리 잡은 비율입니다. F1은 두 값의 조화평균으로, 0.78과 0.72로 계산하면 사례집의 0.75와 맞습니다. 약 70% 참양성과 0.78 정밀도는 측정 기간과 범위가 사례집에 따로 나오지 않아 여기서도 나눠 적습니다.

언제 중요한가. 2시간이면 정비 인력 투입과 운행 간격 조정까지 할 수 있습니다. 헛경보가 열 번 중 두세 번일 때 현장이 견딜지는 운영 리드가 판단합니다.

작은 예시(가상 예시). 한 달에 경로 경보가 50번 울리고 그중 39번이 실제 연쇄로 이어졌다면 정밀도는 0.78입니다. 같은 달 실제 연쇄가 54번이었다면 재현율은 0.72입니다.

SOP Trigger: 경보를 네 부서의 공동 절차로 바꾸는 층

무엇인가. L3는 경보가 오면 OCC(operations control center, 운행 관제센터), 전력, 신호, 정비 부서가 각자 판단하지 않고 미리 정해 둔 공동 SOP를 시작하게 하는 층입니다.

어떻게 작동하나. 경로 경보가 들어오면 그 경로에 묶인 SOP가 선택되고 부서별 할 일과 순서와 기한이 배정되며 수행 결과가 기록으로 남습니다. 사례집의 경영진 인용은 이 구조 덕분에 네 운영 부서가 연쇄가 번지기 전 몇 분 안에 움직인다고 설명합니다.

언제 쓰고 언제 안 쓰나. 장애가 부서 경계에서 커지는 조직에 맞습니다. 한 부서가 설비와 대응을 다 맡는다면 경보를 작업 지시에 잇는 것으로 충분합니다.

작은 예시(가상 예시). 앞의 전압 경로 경보가 울리면 관제는 해당 구간 운행 간격을 늘립니다. 전력은 급전 상태를 확인하고 신호는 연동 장치를 점검하며 정비는 전환기 현장으로 출동합니다.

Sovereignty: 데이터·모델·규칙·SOP를 운영사가 쥐는 구조

무엇인가. 사례집은 Taoyuan Metro가 데이터, 모델, 규칙, SOP 네 가지를 모두 직접 통제한다고 적었습니다. 목표는 vendor lock-in(특정 공급사 시스템에 묶여 바꾸기 어려운 상태)을 피하고 운영사가 주도하는 스마트 철도 모델을 세우는 것이었습니다.

어떻게 작동하나. 공개 자료를 보면 이 통제는 국가 차원의 데이터 표준 위에 서 있습니다. 철도국은 2024년 9월 30일 스마트 철도 정보통신 기술 규범을 발표해 클라우드·네트워크·단말 구조와 데이터 교환 틀을 정했습니다(자유시보). 공상시보는 데이터 표준화 범위를 58개 분류, 1,448개 항목으로 전했고 2021년부터 운영한 metro MARS를 국가 철도 클라우드로 넓히는 중이라고 보도했습니다. 중앙통신사(2025년 12월)는 Taoyuan Metro 시스템이 국가 철도 클라우드 데이터 플랫폼에 연결돼 시스템 사이 통합을 검증했다고 전했습니다.

왜 필요한가. 연쇄 경로는 서로 다른 공급사가 납품한 설비를 가로지릅니다. 변전 설비와 신호 설비 공급사가 각자 자기 플랫폼에만 데이터를 쌓는다면(가상 예시) 앞의 전압 경로는 어디에서도 그릴 수 없습니다.

통념과 다른 주장

사례 재구성

Taoyuan Metro: MetroMARS로 연쇄고장 예방

구분	내용
상황	하루 약 13만 명이 타는 공항 MRT에서 장애가 설비 하나보다 하위 시스템 사이의 연쇄로 생기는 일이 늘었습니다. 기존 플랫폼은 다음 영향 설비를 알려 주지 못했고 회사는 벤더 종속도 피하려 했습니다. 대만 5G Smart Rail 검증 현장이라는 위치가 출발점이었습니다.
한 일	MetroMARS를 세 층으로 만들었습니다. L1은 하루 12억 데이터 포인트·대시보드 170개·다섯 설비군 예지정비, L2는 방향 있는 열화 경로 40개(참양성 약 70%, 약 2시간 선행), L3는 관제·전력·신호·정비 공동 SOP입니다. 데이터·모델·규칙·SOP는 회사가 통제합니다.
결과	지연 3,000분 예방, 연 운영비 20%(약 220만 달러) 감소, MKBF 2023년 100만에서 2025년 700만 차량-km, 연쇄고장 21건 예방(운행 약 400회·승객 이동 약 3만 회 보호), 정밀도 0.78·재현율 0.72·F1 0.75. 모두 기업 보고 실적입니다.
연결	Directional Degradation Chain과 SOP Trigger가 성과의 중심이고 Sovereignty는 공급사 경계를 넘는 경로를 그릴 수 있게 한 바탕입니다.

MKBF는 같은 기간 고장 한 번 사이에 달린 거리입니다. 2년 사이 7배가 된 이 값이 사례집 수치 가운데 변화 폭이 가장 큽니다. 공상시보 보도는 시험장 운영 기간의 운행 신뢰도가 4~7배 올랐다고 범위로 전했습니다.

기술 디테일: 연쇄 경로 경보를 실제로 돌리려면

아래는 사례집에 나온 구조를 실제로 돌릴 때 필요한 것을 새로 정리한 내용입니다. 필드명, 숫자, 설정값은 모두 가상 예시입니다.

L1 데이터를 연쇄 분석에 쓰려면(L1 Asset Monitoring) 시간과 설비 ID부터 맞춥니다. 연쇄는 순서의 문제라서 하위 시스템 시계가 1초만 어긋나도 원인과 결과가 뒤바뀝니다. 수집 장치를 NTP나 PTP로 맞추고 값마다 밀리초 단위 UTC 타임스탬프를 붙입니다. 설비 ID는 역·구간·설비번호를 결합해 경로의 노드와 1:1로 맞춥니다. 공개 보도에 나온 58개 분류·1,448개 항목 같은 데이터 사전을 먼저 만들고 결측이나 보정 여부를 표시하는 quality_flag를 둡니다. 헛경보의 원인을 거슬러 찾을 때 이 플래그를 씁니다.

열화 연쇄 경로를 정의하려면(Directional Degradation Chain) 문서 추출과 센서 검증을 차례로 합니다. 먼저 3~5년치 장애 보고서에서 ‘원인 설비 → 영향 설비’ 쌍을 LLM으로 뽑습니다. 같은 보고서를 temperature 0으로 세 번 돌려 세 번 다 같은 쌍만 후보로 남기고 나머지는 사람이 봅니다. 다음으로 설비 도메인 리드가 방향과 발생 조건을 확정해 서명합니다. 끝으로 센서 데이터에서 상류 이상 뒤 하류 이상이 정해진 시간 안에 나온 비율(follow_rate)과 선행 시간 분포를 계산해, 비율이 낮은 경로는 버립니다.

{
  "chain_id": "PWR-SW-SIG-01",
  "nodes": ["substation.feeder_voltage", "switch.throw_time", "interlock.route_set_time"],
  "direction": "upstream_to_downstream",
  "trigger": {"node": "substation.feeder_voltage", "rule": "voltage_dip_count_10min >= 3"},
  "evidence": {"incident_reports": 14, "lead_time_min_p50": 115, "follow_rate": 0.64},
  "owner": "power_domain_lead",
  "sop_id": "SOP-CASCADE-PWR-01"
}

경로 경보 모델을 만들려면 경로마다 작은 모델 하나를 둡니다. 입력은 상류 설비의 이상 점수와 추세, 하류 설비의 현재 상태, 운행 밀도와 시간대입니다. 출력은 ‘하류 설비가 120분 안에 이상 상태에 들어갈 확률’과 예상 선행 시간입니다. 모델은 gradient boosting으로 시작하고 선행 시간 자체를 맞히려면 생존 분석 모델을 씁니다. 학습과 검증은 반드시 시간 순으로 나눠 과거로 미래를 맞히는 backtest로 합니다. 연쇄가 1년에 몇 번밖에 없는 경로는 사례집 핵심 기술 목록에 있는 Digital Twin·시뮬레이션으로 사례를 보강합니다. 시뮬레이션 데이터는 학습에만 쓰고 성능 평가는 실제 사례로만 합니다.

경보 품질을 재려면(Lead Time과 Alert Quality) 판정 규칙을 먼저 고정합니다. 경보 뒤 120분 안에 하류 설비가 이상 상태에 들어가면 적중, 경보 없이 연쇄가 생기면 놓침입니다. 까다로운 것은 SOP가 개입해 연쇄를 막은 경우입니다. 이를 헛경보로 세면 SOP가 잘 돌수록 정밀도가 떨어집니다. ‘막음’이라는 판정을 따로 두고 운영·설비 리드 세 명이 주 1회 모여 확인합니다. ‘연쇄 21건 예방’ 같은 숫자를 셀 근거도 이 기록입니다.

경보를 SOP로 넘기려면(SOP Trigger) 경보를 구조화된 메시지로 만듭니다. 경보 판정과 SOP 선택은 규칙으로 고정하고 LLM은 쓰더라도 관제사가 읽을 요약문과 체크리스트 안내 문구를 만드는 데만 씁니다. sop_id를 모델이 고르게 하지 않는 것이 원칙입니다. 부서별 할 일은 선행 시간 안에 끝나도록 시간표로 짭니다.

{
  "alert_id": "A-20261028-0412",
  "chain_id": "PWR-SW-SIG-01",
  "upstream_asset": "SS03.feeder2",
  "at_risk_assets": ["SW-A12", "IXL-A1"],
  "risk": 0.81,
  "lead_time_min": 110,
  "sop_id": "SOP-CASCADE-PWR-01",
  "tasks": [
    {"unit": "OCC", "action": "headway_extend", "due_min": 10},
    {"unit": "power", "action": "feeder_check", "due_min": 30},
    {"unit": "signal", "action": "interlock_check", "due_min": 60},
    {"unit": "maintenance", "action": "switch_inspection", "due_min": 120}
  ],
  "outcome": null
}

실패하는 경우와 대응. 가장 흔한 실패는 헛경보 피로입니다. 매달 경로별 정밀도를 보고 0.6 아래인 경로는 경보 대신 대시보드 표시로 내립니다. 경로 밖에서 생긴 연쇄는 놓침으로 기록해 새 경로 후보로 올리고 설비를 교체하면 그 설비가 들어간 경로만 다시 학습합니다.

현업 실행 디테일: 누가, 언제, 무엇을

아래는 한국 대기업, 특히 제조사 AX 조직이 이 사례를 자기 과제로 옮길 때의 계획입니다. 역할, 일정, 기준은 모두 가상 예시입니다.

역할. 스폰서는 운영 또는 생산 본부장입니다. 부서 사이 공동 SOP는 부서장 한 명이 승인할 수 없어서입니다. 설비마다 도메인 리드를 두어 경로 정의에 서명하게 하고 데이터·ML 엔지니어 2~3명이 태그와 모델을 맡습니다. 운영 리드는 경보 수용 여부를, 안전·표준 담당은 SOP 문서를 맡습니다.

시작 전 준비물. 3~5년치 장애 보고서 원문, 설비 목록과 연결도(단선결선도, P&ID), 센서 태그 목록과 수집 주기, 부서별 대응 절차서, 공급사 계약서의 데이터 접근·반출 조항을 모읍니다. 계약서는 Sovereignty에서 가장 먼저 막히는 곳이라 법무와 구매를 1주차부터 부릅니다.

12주 일정과 산출물. 1~3주에 경로 후보 20~30개와 데이터 사전을 만들고 4~6주에 전문가 검토로 경로를 5개로 좁혀 backtest를 돌립니다. 7~9주에는 경보를 기록만 하는 섀도 운영을 하며 경로마다 SOP를 쓰고 10~12주에 부서 합동 훈련 뒤 계속 여부를 판정합니다.

인터뷰 질문. 설비 리드에게는 지난 2년간 이 설비 때문에 다른 설비가 멈춘 일이 몇 번이었는지, 처음 이상을 본 사람이 누구이고 장애까지 몇 분 걸렸는지 묻습니다. 운영 리드에게는 경보가 몇 분 전에 와야 계획을 바꿀 수 있는지, 하루 몇 번까지 경보를 받아도 무시하지 않을지 묻습니다. 공급사에는 원시 데이터를 실시간으로 내보낼 수 있는지, 모델과 규칙을 우리가 고칠 권한이 계약에 있는지 확인합니다.

진행 판정 기준. 12주 끝에 네 가지를 봅니다. 상위 5개 경로의 backtest 정밀도가 0.6 이상인지, 선행 시간 중앙값이 60분 이상인지, 경로 전부에 담당 부서가 지정된 SOP가 붙었는지, 섀도 운영 4주 기록을 보고 운영 리드가 실전 전환에 동의하는지입니다. 넷 중 하나라도 못 미치면 경로를 줄이거나 데이터를 보강해 6주를 더 돌립니다.

어디에 먼저 쓸까. 한국 제조사에서 이 구조가 가장 잘 맞는 곳은 유틸리티와 설비가 줄줄이 묶인 연속 공정입니다. 반도체 공장의 전력·칠러·초순수·배기, 제철소의 연속 주조 라인, 석유화학 플랜트의 압축기와 냉각 계통이 후보입니다. 첫 과제는 장애 보고서에 ‘원인 → 영향’이 가장 자주 적힌 설비군에서 경로 5개만 고르는 것입니다. 성과 지표는 설비 가동률보다 MKBF처럼 ‘고장 한 번 사이에 얼마나 오래 버텼나’를 보여 주는 값으로 잡아야 연쇄를 막은 효과가 드러납니다. 공급사 계약을 갱신할 때 데이터 반출과 규칙 수정 권한을 넣는 일은 구매와 법무의 몫으로 처음부터 정해 둡니다.

원문 사례

항목	내용	출처
회사	Taoyuan Metro Corporation, 대만 타오위안. 공항 MRT 운영	사례집
제출	『MetroMARS Smart-Rail Platform』, 2026 Gartner Eye on Innovation Awards 정부 부문에 제출·소개	사례집
문제	하루 약 13만 승객, 하위 시스템 사이 연쇄가 장애 원인, 다음 영향 설비 예측 불가, 벤더 종속	사례집
L1	하루 12억 데이터 포인트, 대시보드 170개, 차량·전력·신호·전환기·출입문 예지정비	사례집
L2	방향 있는 열화 경로 40개, 참양성 약 70%, 약 2시간 선행	사례집
L3	관제(OCC)·전력·신호·정비 공동 SOP	사례집
통제	데이터·모델·규칙·SOP를 회사가 통제	사례집
핵심 기술	AI, Data & Analytics, IoT, Cloud, Digital Twin/Modeling & Simulation, Software/Platform	사례집
성과	지연 3,000분 예방, 연 운영비 20%(약 220만 달러) 감소, MKBF 100만(2023)→700만(2025) 차량-km, 연쇄 21건 예방(운행 약 400회·승객 이동 약 3만 회), 정밀도 0.78·재현율 0.72·F1 0.75	사례집(기업 보고 실적)
시험장	철도국 국가 스마트 철도 계획(2021~)의 시험장, metro MARS 클라우드 2021년부터 운영	자유시보 2024.11, 공상시보 2025.12
보도 수치	5분 이상 지연 60% 감소, 정비 인력 시간 20% 감소(2024.11 보도). 지연 사건 70~82% 감소, 운행 신뢰도 4~7배, 하루 약 56만 데이터 레코드(2025.12 보도)	자유시보, 공상시보
표준	스마트 철도 ICT 기술 규범 2024년 9월 30일 발표, 데이터 표준 58개 분류·1,448개 항목	자유시보, 공상시보
확장	국가 철도 클라우드 연결로 시스템 간 통합 검증, 2단계에서 디지털 트윈·AI 도입, 그린라인 북부 구간 확대 계획	중앙통신사 2025.12

핵심 개념

MKBF (mean kilometers between failures)

고장 한 번이 날 때까지 차량이 달린 평균 거리. 값이 클수록 믿을 만한 운행입니다.

car-km (차량-km)

차량 한 칸이 1km를 달린 것을 1로 세는 단위. 편성 길이가 달라도 비교할 수 있습니다.

OCC (operations control center)

열차 운행 전체를 보고 지시하는 관제센터. MetroMARS 공동 SOP의 네 부서 가운데 하나입니다.

vendor lock-in

한 공급사의 시스템과 데이터 형식에 묶여 다른 선택을 하기 어려워진 상태.

Railway Cloud (鐵道雲)

여러 철도 운영사의 데이터를 표준 형식으로 모으는 대만 국가 철도 클라우드. metro MARS가 그 출발점입니다.

backtest

과거 데이터를 시간 순으로 잘라, 앞 기간으로 학습하고 뒤 기간을 맞히는지 보는 검증.

shadow mode (섀도 운영)

모델의 경보를 현장 대응에 쓰지 않고 기록만 하며 실제 결과와 비교하는 시험 운영.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(정부, Taoyuan Metro Corporation 『MetroMARS Smart-Rail Platform』, 슬라이드 41). 요약·메커니즘의 사례 내용·통념과 다른 주장·사례 재구성·원문 사례 표는 이 자료의 사실을 AX Review가 다시 정리했습니다. 공개 자료로는 공상시보(工商時報) 2025년 12월 12일 보도(https://www.ctee.com.tw/news/20251212701269-431401), 자유시보(自由時報) 2024년 11월 26일 보도(https://news.ltn.com.tw/news/life/breakingnews/4875912), 중앙통신사 2025년 12월 12일 보도(https://www.cna.com.tw/news/aloc/202512120140.aspx)를 확인했고 보도 내용은 본문에 출처를 밝혀 사례집 사실과 나눠 적었습니다. 사례집과 보도의 수치는 측정 단위와 기간이 달라 서로 맞추지 않았습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 시상 부문 안내는 Gartner Eye on Innovation Awards 정부 페이지(https://www.gartner.com/en/about/awards/eye-on-innovation/government)에서 볼 수 있습니다.