국내 기업 AX 소식: 고속철도 끊김 구간을 데이터로 찾아 기지국 전환을 앞당긴다 (11월 8일 묶음)

11월 8일 묶음에는 KT·삼성전자 소식 1건이 들어 있습니다. 두 회사는 고속철도 구간의 품질 데이터를 AI로 분석해 끊김이 되풀이되는 지점을 골라내고 그 지점에서만 기지국 전환 시점을 앞당겨 끊김 발생 비율을 약 29% 줄였습니다. 엔지니어가 현장을 돌며 기지국을 하나씩 찾던 일을 데이터로 먼저 좁힌 것입니다. 따라 하려면 측정 기록을 위치·구간 단위로 묶는 기준, 원인별 처방 규칙, 전후를 공정하게 비교할 지표를 시작 전에 정해 둬야 합니다.

요약

이번 묶음은 11월 5일 KT가 발표한 소식 1건을 다룹니다. 배정 기사는 전자신문 보도이고 같은 날 AI타임스·파이낸셜뉴스·아시아경제가 낸 기사로 사실을 확인했습니다. 시속 250km 넘게 달리는 KTX·SRT 안에서는 열차가 짧은 시간에 여러 기지국을 지나갑니다. 그래서 단말이 연결을 다음 기지국으로 넘기는 기지국 전환(핸드오버)이 잦고 전환이 조금만 늦어도 데이터 전송이 잠깐 멈추거나 통화 품질이 떨어집니다. KT와 삼성전자는 경부선 경기 평택시 고덕면~화성시 매송면 구간에서 모은 신호 세기와 연결 장애 이력을 AI로 분석해 품질 저하가 되풀이되는 구간과 연결 패턴을 찾았습니다. 분석 결과 다음 기지국으로 넘어가는 연결이 늦는 것이 객실 끊김의 주된 원인으로 나왔고 두 회사는 문제 구간에서 전환이 더 일찍 일어나도록 시점을 조정했습니다. 예전에는 엔지니어가 현장에서 측정해 품질이 떨어진 기지국을 하나씩 찾아 손봤습니다.

적용 전후 데이터를 비교하니 끊김 발생 비율이 약 29% 줄었습니다. 기사는 이를 끊김 100회가 약 71회로 줄어든 것으로 풀어 썼습니다. 실증에 쓴 기지국 수, 기간, 구체적인 설정값과 두 회사의 역할 분담은 기사에 나오지 않습니다. 이번 실증은 두 회사가 이어 온 AI-RAN(AI를 넣은 무선 접속망) 협력의 하나입니다. AI타임스에 따르면 두 회사는 2025년 12월 성남 상용망에서 가입자 약 1만8,000명을 대상으로 AI-RAN 기반 사용자 맞춤 최적화도 검증했습니다. KT는 이 기술을 고속철도 구간에 실제로 적용하는 방안을 검토하고 있습니다. 데이터로 문제 지점을 먼저 좁히고 그 지점의 설정만 바꾸고 전후를 숫자로 비교하는 순서는 통신망 밖의 현장 운영에도 옮길 수 있습니다. 아래에서 사례를 정리한 뒤 이 순서를 실제로 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.

사례별 정리

KT·삼성전자: 고속철도 품질 데이터를 AI로 분석해 기지국 전환 시점을 앞당기자 끊김이 약 29% 줄었다

• 상황: 시속 250km 이상으로 달리는 고속철도에서는 기지국 신호가 빠르게 바뀌어 전환이 잦습니다. 전환 시점이 어긋나면 데이터 전송이 순간적으로 늦어지거나 통화 품질이 떨어집니다. 지금까지는 현장 측정으로 품질이 떨어진 기지국을 하나씩 찾아 조치했습니다.
• 한 일: KT와 삼성전자가 고속철도 무선망 최적화 기술을 함께 개발해 경부선 평택 고덕면~화성 매송면 구간에서 실증했습니다. 이 구간에서 모은 신호 세기, 연결 장애 이력 같은 통신 품질 데이터를 AI로 분석해 품질 저하가 반복되는 구간과 연결 패턴을 찾았습니다. 분석에서 다음 기지국으로의 연결 지연이 끊김의 주된 원인으로 나왔고 문제 구간을 골라 전환이 더 일찍 일어나도록 시점을 조정했습니다.
• 결과: 적용 전후 데이터를 비교한 결과 끊김 발생 비율이 약 29% 줄었습니다(기사 환산 100회 → 약 71회). 기지국 수, 실증 기간, 조정한 설정값, 표본 규모는 기사에 나오지 않습니다.
• 다음 계획: KT는 고속철도 구간에 실제로 적용하는 방안을 검토하고 두 회사는 AI-RAN 기술 공동 개발과 검증을 이어 갑니다. 삼성리서치 정진국 부사장(차세대통신연구센터장)은 통신 여건이 나쁜 고속 이동 환경에서도 고객 체감 품질을 높일 수 있음을 보였다고 했습니다. KT 이종식 전무(네트워크부문 미래네트워크랩장)는 고속철도처럼 품질이 취약한 곳에서 AI로 체감 품질을 개선할 가능성을 확인했다고 평가했습니다.
• 출처: AI타임스 이정환 기자, 파이낸셜뉴스 최혜림 기자, 아시아경제 노경조 기자, 2026년 11월 5일(KT 발표 기반). 배정 기사인 전자신문 보도와 같은 사건입니다.

기술 디테일: 데이터로 좁히고 설정을 바꾸는 순서를 실제로 돌리려면

아래는 사례의 순서, 곧 데이터로 반복 구간을 찾고 그 구간의 전환 설정만 바꾼 뒤 전후를 비교하는 순서를 따라 만들 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이며 필드명·설정값·기준은 모두 가상 예시입니다. RSRP, TTT, CIO 같은 이동통신 용어는 일반 표준 자료의 뜻을 따랐습니다.

측정 기록을 선로 위치에 묶어야 반복 구간이 보입니다(사례의 ‘반복 구간 찾기’ 단계). 단말과 기지국이 남기는 측정 기록에는 시각과 셀 번호는 있어도 열차가 선로 어디쯤이었는지는 없습니다. 열차 운행 시각표나 단말 GPS로 기록마다 선로 거리(track_km)를 붙이고 200~500m 단위 구간(segment_id)으로 묶습니다. 한 행에는 ts, segment_id, direction(상행·하행), serving_cell, target_cell, rsrp_serving, rsrp_target(신호 세기), ho_event(전환 시도·성공·실패), drop_flag(끊김 여부), speed_kmh를 남깁니다. 방향을 나누는 이유는 같은 지점이라도 진행 방향에 따라 넘겨받는 기지국이 달라지기 때문입니다. 터널이나 교량처럼 전파 환경이 바뀌는 지점은 구간 속성(env)으로 따로 표시합니다. 속도가 시속 200km 아래인 기록은 역 주변 정차·서행 구간이므로 따로 분석합니다. 시각표와 측정 기록의 시각이 2초만 어긋나도 시속 250km에서는 약 140m가 밀리므로, 시각 보정부터 확인합니다.

원인을 셋으로 나눠야 ‘앞당기기’가 맞는 처방인지 압니다(사례의 ‘연결 지연이 주원인’ 판정). 같은 끊김이라도 원인에 따라 처방이 반대입니다. 다음 기지국 신호가 이미 충분히 센데 전환이 늦어 끊기면 ‘늦은 전환’이고 앞당기는 것이 맞습니다. 너무 일찍 넘어갔다가 원래 기지국으로 되돌아오면 ‘이른 전환·핑퐁’이라 오히려 늦춰야 합니다. 두 기지국 신호가 모두 약하면 ‘커버리지 공백’이라 설정이 아니라 안테나나 중계기를 손봐야 합니다. 판정은 처음부터 복잡한 모델로 하지 말고 규칙으로 시작합니다. 예를 들어 끊기기 직전 1초 동안 rsrp_target이 rsrp_serving보다 3dB 이상 높았으면 늦은 전환으로 봅니다. 규칙으로 라벨을 붙인 뒤 구간·셀 쌍별 특징(평균 속도, 신호 차이, 터널 여부, 시간대)으로 gradient boosting 분류기를 학습시키면 규칙이 놓친 패턴을 더 찾을 수 있습니다. ‘반복’의 기준도 숫자로 정합니다. 최근 14일 중 10일 이상, 해당 셀 쌍 전환의 2% 이상에서 끊김이 나면 반복 구간으로 올리는 식입니다. LLM은 판정 자체가 아니라 엔지니어가 읽을 구간별 요약(원인, 근거 수치, 권고 조치)을 쓰는 데 쓰고 근거 수치는 표에서 그대로 가져오게 해 숫자를 만들어 내지 못하게 합니다.

전환 시점은 문제 셀 쌍에서만, 작게 나눠 움직입니다(사례의 ‘전환 시점 조정’ 단계). LTE와 5G에서 전환은 보통 다음 기지국 신호가 지금 기지국보다 정해진 차이(offset, hysteresis) 이상 세지고 그 상태가 일정 시간(TTT, time-to-trigger) 이어질 때 시작됩니다. 열차가 초속 약 70m로 달리면 TTT 320ms 동안 약 22m를 지나갑니다. 전환을 앞당기려면 해당 셀 쌍의 오프셋(CIO, cell individual offset)을 키우거나 TTT를 줄입니다. 모든 기지국에 한꺼번에 적용하면 저속 이용자가 많은 역 주변에서 핑퐁이 늘 수 있으므로, 반복 구간으로 판정된 셀 쌍에만 적용합니다. 한 번에 1~2dB 또는 TTT 한 단계씩만 바꾸고 하루 단위로 끊김 비율과 핑퐁 비율을 함께 봅니다. 핑퐁이 기준선보다 늘면 바로 되돌립니다. 변경마다 change_id, cell_pair, param, before, after, applied_at, rollback_at을 남겨 두면 나중에 전후 비교의 단위로 그대로 쓸 수 있습니다.

전후 비교는 같은 조건끼리 합니다(사례의 ‘약 29% 감소’ 측정). 기사의 ‘100회 중 약 29회 감소’를 우리 지표로 옮기면 ‘열차 통과 100회당 끊김 수’ 또는 ‘전환 시도 대비 끊김 비율’입니다. 분모를 먼저 정해 둬야 운행 편수가 달라져도 비교할 수 있습니다. 적용 구간과 조정하지 않은 인접 구간을 같은 기간에 함께 재면 날씨나 이용자 수 변화가 만든 차이를 걸러 낼 수 있습니다. 요일과 시간대를 맞추고 적용 전후를 각각 최소 2주씩 봅니다. 결과표에는 끊김 비율 옆에 핑퐁 비율, 전환 성공률, 평균 처리량을 나란히 둬서 한 지표를 좋게 하려다 다른 지표가 나빠지지 않았는지 확인합니다.

현업 실행 디테일: 누가, 언제, 무엇을

고속철도 선로 한 구간에 8주 실증을 붙이는 경우를 예로 듭니다. 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
실증 책임	네트워크 운영 부서 팀장	구간 선정, 설정 변경 승인, 확대 여부 결정
무선망 최적화	엔지니어 2~3명	원인 판정 규칙 정의, 설정 변경·되돌림, 열차 탑승 측정
데이터·AI 개발	데이터 엔지니어 1명, ML 엔지니어 1명	측정 기록과 위치 결합, 반복 구간 판정, 대시보드
장비 협력사	기지국 장비 담당 1~2명	바꿀 수 있는 설정 범위와 적용 방법 확인, 장비 로그 제공
고객 품질	VOC 담당 1명	해당 노선 민원 추이 확인, 체감 품질 지표 정의 참여

준비물은 다섯 가지입니다. 최근 4주치 구간 측정 기록, 열차 운행 시각표나 위치 기록, 셀 목록과 현재 전환 설정값, 과거 설정 변경 이력, 해당 노선 민원 목록입니다. 1~2주차에는 측정 기록에 위치를 붙이고 ‘통과 100회당 끊김’ 기준선을 잽니다. 3~4주차에는 반복 구간 판정 결과의 상위 10곳을 엔지니어가 열차에 타서 직접 측정해 맞는지 확인합니다. 5~6주차에는 늦은 전환으로 확인된 셀 쌍만 골라 설정을 한 단계씩 바꿉니다. 7~8주차에는 인접 구간과 대조해 전후를 비교하고 확대 여부를 정합니다.

시작 전에 운영 부서에 물을 질문입니다.

1. 지금 끊김을 무엇으로 셉니까(단말 보고 기지국 로그, 고객 민원)? 세 숫자는 얼마나 다릅니까?
2. 측정 기록에 열차 위치를 붙일 수 있습니까? 운행 시각표와 기록 시각은 몇 초 단위로 맞습니까?
3. 셀 쌍별 전환 설정을 바꾸려면 누구 승인이 필요하고 되돌리는 데 몇 분이 걸립니까?
4. 같은 구간에 공사나 다른 설정 변경이 예정돼 있습니까?
5. 핑퐁이 늘면 누가 언제 알아차립니까?

진행 판정 기준(예시)은 이렇게 둡니다. 반복 구간 판정 결과 가운데 현장 측정으로 확인된 비율이 80% 이상이면 설정 조정으로 넘어갑니다. 조정 뒤 통과 100회당 끊김이 기준선보다 20% 이상 줄고 핑퐁 비율이 늘지 않았으면 다음 구간으로 넓힙니다. 핑퐁이나 전환 실패가 늘어 되돌린 셀 쌍이 30%를 넘으면 확대를 멈추고 원인 판정 규칙부터 다시 봅니다.

AX 적용 제언. 이 사례에서 옮겨 올 것은 통신 기술보다 일하는 순서입니다. 현장 기록을 위치나 구간 같은 공통 키로 묶고 문제가 되풀이되는 지점을 데이터로 먼저 좁히고 그 지점의 설정만 작게 바꾸고 같은 조건으로 전후를 비교합니다. 사람이 현장을 돌며 문제를 하나씩 찾던 업무라면 어디든 같은 순서를 쓸 수 있습니다. 제조 라인의 설비 레시피 조정, 물류센터 분류 설비의 분기 설정, 배송 차량의 경로 규칙이 예입니다. 첫 과제는 현장 측정에 사람이 가장 많이 들고 설정을 바로 되돌릴 수 있는 곳에서 고르는 편이 안전합니다. 기사에서 두 회사가 강조한 것처럼 성과는 내부 장비 지표가 아니라 고객이 실제로 겪는 품질로 정의해 두면 무엇을 조정할지와 언제 멈출지가 분명해집니다.

원문 사례

회사	대상 업무	내용	수치·계획(기사·회사 발표)
KT·삼성전자	고속철도 구간 무선망 품질	경부선 평택 고덕면~화성 매송면 실증. 신호 세기·연결 장애 이력을 AI로 분석해 반복 저하 구간과 연결 패턴 탐지, 문제 구간 전환 시점을 앞당김	시속 250km 이상 구간. 끊김 발생 비율 약 29% 감소(100회 → 약 71회, 기사 환산). 기지국 수·기간·설정값 미공개. KT 실제 적용 검토
KT·삼성전자(배경)	상용망 AI-RAN 최적화	성남 상용망에서 AI-RAN 기반 사용자 맞춤 최적화 검증(AI타임스)	2025년 12월, 가입자 약 1만8,000명

기사	매체 · 기자	날짜	비고	링크
KT·삼성전자, 고속철도 구간 품질 데이터를 AI로 분석해 기지국 전환 시점 조정	전자신문	2026-11-05	배정 기사. 제목은 배정 목록 기준, 원문 페이지 미확인	기사
KT·삼성전자, 시속 250km 고속철 ‘통신 끊김’ AI로 잡는다	AI타임스 · 이정환	2026-11-05	사실 확인에 사용	기사
KT·삼성전자, AI로 KTX내 통신 끊김현상 29% 줄였다	파이낸셜뉴스 · 최혜림	2026-11-05	사실 확인에 사용	기사
KTX 내 통신 끊김 줄인다…KT-삼성, AI로 고속철도 무선망 최적화	아시아경제 · 노경조	2026-11-05	사실 확인에 사용	기사

핵심 개념

기지국 전환(핸드오버)

이동 중인 단말의 연결을 지금 기지국에서 다음 기지국으로 넘기는 일. 고속철도에서는 몇 초~수십 초마다 일어난다.

AI-RAN

무선 접속망(RAN)의 운영과 설정에 AI를 넣는 기술. KT와 삼성전자는 상용망 최적화와 고속철도 실증을 이 협력으로 진행했다.

RSRP

단말이 받는 기지국 기준 신호의 세기. 전환 판단과 끊김 원인 분석에 가장 먼저 보는 값이다.

TTT(time-to-trigger)

전환 조건이 이 시간 동안 이어져야 전환을 시작하도록 둔 대기 시간. 줄이면 전환이 빨라지지만 핑퐁이 늘 수 있다.

CIO(cell individual offset)

특정 이웃 셀에만 더하는 보정값. 키우면 그 셀로의 전환이 더 일찍 일어난다.

핑퐁

전환한 뒤 짧은 시간 안에 원래 기지국으로 되돌아가는 현상. 전환을 너무 앞당겼을 때 생긴다.

셀 쌍

전환을 주고받는 두 셀의 조합. 조정과 효과 측정을 이 단위로 하면 영향 범위를 좁게 관리할 수 있다.

내 메모

TODO: 내 생각 추가

원문: 배정 기사는 전자신문 2026년 11월 5일 보도(제목은 배정 목록 기준)입니다. 전자신문 원문 페이지는 열지 못해 같은 KT 발표를 다룬 AI타임스(이정환) 「KT·삼성전자, 시속 250km 고속철 ‘통신 끊김’ AI로 잡는다」, 파이낸셜뉴스(최혜림) 「KT·삼성전자, AI로 KTX내 통신 끊김현상 29% 줄였다」, 아시아경제(노경조) 「KTX 내 통신 끊김 줄인다…KT-삼성, AI로 고속철도 무선망 최적화」(모두 2026.11.5)로 사실을 확인해 썼습니다. ‘100회 → 약 71회’ 환산은 파이낸셜뉴스·아시아경제, 성남 상용망 검증은 AI타임스에 나온 내용입니다. 요약과 사례별 정리, 원문 사례는 기사에 나온 사실을 AX Review가 다시 정리한 것이고 수치는 모두 기사나 회사가 밝힌 값입니다. 기술 디테일, 현업 실행 디테일, 인포그래픽과 표는 AX Review가 새로 작성했으며 필드명·설정값·일정·판정 기준은 가상 예시입니다. RSRP, TTT, CIO, 핑퐁 같은 용어 설명은 이동통신 일반 자료를 따랐습니다. 전체 내용은 원문 기사에서 볼 수 있습니다.