호우 시 상류에서 하류로 수위가 전파되는 시간차를 학습해 아산시 곡교천 13개 지점의 수위를 1~4시간 앞서 예측하는 모니터링 도구. 재난 대응의 골든타임을 데이터로 버는 예측모델 실무 적용이다.
사례 대상 바로가기 · 공유 링크 · 아카이브에서 보기
상세 정보
- 사례 성격
- 개인 개발
- 출처 채널
- 오픈채팅
- 수집일
- 2026-09-06
- 태그
- #재난 #수위예측 #모니터링
- AI 모델
- 없음(비LLM)
- 라이선스
- 명시 없음 (확인 2026-09-06)
- 저장소
- ★ 1 · 유지보수 정체
- 링크 점검
- 정상 (2026-11-02)
개발자
GitHub·공공 GitLab 공개 프로필 기준 — 공공AX 챔피언 디렉토리와 같은 자료입니다.
4축 평가
| AX 단계 | AI-Ready |
|---|---|
| 업무 범위 | S1 Single tool |
| 업무 완결성 | C1 결과 제공 |
| 권한(P축) | P1 산출물 생성(잠정) |
| 위험도 | R0 최소 |
| 인간 통제 | 해당 없음 |
| 증거 등급 | E1 코드·도구 확인 |
| 신뢰도 | 낮음 |
깃랩 상위 200 확장 조사 배치(★1층, 09-06) — 호우 시 상류에서 하류로 수위가 전파되는 시간차를 학습해 아산시 곡교천 13개 지점의 수위를 1~4시간 앞서 예측하는 모니터링 도구. 저장소 설명·메타 기준 일괄 판정이며 실측 시 재평가한다.
디자인 패턴 분석
『모두의 공공AX 디자인 패턴』 카탈로그 v0.7.1 기준 — 사례를 기관이 함께 쓰는 AI 부품과 그 조립으로 읽은 결과입니다. · 패턴 성좌에서 전체 보기 ↗
업무 패턴 B2 예측·추천기 보조 B5 현장 감지·경보 변형: 시계열 예측(수위 전파 지연 학습, 1~4시간 선행)
환경 축 배포:미확인 네트워크:미확인 모델:없음(비LLM) 런타임:미확인 권한:P0 읽기 전용
- 공통 서비스(A)
- A1 데이터 자산 서비스 A2.5 모델 서빙 · 비LLM 학습 모델 A7 자체 제작 환경
- 서비스 블록(D)
- D6 점검·감시 D8.1 탐색·조회
- 부품 배선
- A1 → B2 · A2.5 → B2 · B2 → B5 · B5 → D6 · B2 → D8.1
- 참조 구현 후보
- B2 예측·추천기 개인 개발자가 하천 수위 전파 지연을 학습해 다지점 선행 예측을 구현한 소규모 예측기
판정 근거
호우 시 상류→하류 수위 전파 시간차를 학습해 곡교천 13개 지점 수위를 1~4시간 앞서 예측하는 모니터링 도구. LLM이 아닌 학습 모델이 수치를 내고 사람이 대응 판단에 쓰므로 B2 예측·추천기, 자체 학습 모델 서빙 A2.5, 학습용 수위 이력 정제는 A1. 주기 관측 스트림을 상시 표시하는 모니터링은 secondary B5(주기 점검형). 재난 골든타임 확보 목적이라 유형 10. 예측 표시만이라 P0. 평가 세트·환류·경보 연계는 요약에 없어 미태그. 원장 model_dependency 없음(비LLM)을 그대로 옮김. URL 없음.
구현 가이드
주 패턴 B2 예측·추천기을 구현할 때
구현 단계
- 예측 대상과 이 값이 바꿀 담당자 결정(점검 순서·배정 등)을 먼저 정한다.
- A1에서 기준 시점 스냅샷으로 시간 누수를 막은 데이터셋을 만들고, 시험 세트를 분리해 C9로 둔다.
- 모델을 학습해 A2.5로 서빙하고, 등급화가 필요하면 임계값·산식을 규칙 게이트(B′9)로 분리한다.
- 결과를 F9 기여 요인·F7 한계 안내와 함께 담당자 화면에 내고 C1에서 조치를 확정하게 한다.
- 실제 결과를 C4로 적재하고 C6 재학습 주기와 배포 전 C9 비교 게이트를 정한다.
점검표
- 시간 누수를 막은 독립 시험 세트가 있는가
- 예측 근거(기여 요인)가 담당자에게 보이는가
- 등급 산정 규칙이 모델과 분리되어 있는가
- 재학습 주기와 배포 전 비교 기준이 정해져 있는가
환경 조건
E2 비LLM이 보통이어서 폐쇄망 이식이 쉽다. E4는 P1이 기본이고, 순위가 지급·승인·반려 결과에 직결되면 P3이며 C1·C2가 필수다. 유형 ⑩에서 C2는 등급 자동분류가 있을 때만 필수이고 연속값 예측·참고용 순위는 면제된다(R10).
주의할 점
- 도메인별 재학습이 필요해 기관 간 재사용이 제한됨
- 근거 표시 없이는 현장 수용이 낮음
- 적대적 접점에서 근거 노출이 취약점이 될 수 있음(X16)
- 성능표만 보고하고 배포 후 환류가 없으면 X5
기본 배선 예
A1 → A2.5 → B2 (B′9) → C1 → D6 · C4 → C6 → B2 (재학습)
보완이 필요한 필수 부품
이 조합에서 카탈로그가 함께 갖추라고 권하는 부품 가운데 아직 확인되지 않은 것이다.
- C1 검토 큐 AI 산출물이 다음 단계로 넘어가기 전에 사람이 맞고 틀림을 확인·수정·확정하는 대기열을 두어, 오류가 업무 결과로 흘러가지 않게 한다.
- C2 위험도 라우터 건별 위험도·신뢰도를 매겨 저위험은 자동 처리, 중간은 검토 큐, 고위험은 숙련자에게 보내 사람의 검토를 필요한 곳에 집중시킨다.
- C6 환류 파이프라인 사용 결과(수정·이의·오탐 기록)가 정해진 주기와 트리거로 재학습·기준 개정에 되돌아오게 해, 배포 후에도 성능과 기준이 개선되게 한다.
- C9 평가 세트·회귀시험 배포 전에 업무 맥락의 질문·정답·채점 기준을 세트로 만들어, 프롬프트·모델·설정의 모든 변경을 같은 자로 재고 회귀를 잡는다.
- F9 판정 근거·기여도 표시 SHAP 요인 문장, 의심 부위 BBox, 판정 사유 코드, 자연어 판독 이유, 예측-실제 잔차로 모델이 왜 그렇게 판정했는지 보인다. B2·B4·B5의 필수 면이다.
- F7 한계·신뢰도 안내 AI가 무엇을 못 하는지, 얼마나 확신하는지, 공식 판단이 아님을 이용자가 볼 수 있는 곳에 적어 과신을 막는다.
피해야 할 안티패턴
- X5 성능표만 있는 학습 학습 모델의 정확도는 보고하지만 배포 후 수정률을 누가 집계해 무엇을 바꾸는지가 없어, 개선이 배포 시점에 멈추는 함정이다. 대처: 배포 후 사람이 고친 기록을 C4 감사 로그·지표로 모아 수정률·오탐·이의를 숫자로 말하게 한다. C1 검토 큐의 수정 내역을 C4·C6의 입력으로 연결하고, C6 환류 파이프라인에 재학습·기준 개정의 주기와 트리거(예: 수정률 임계)를 정한다. 재학습한 모델은 C9 평가 세트로 재검증한 뒤 교체한다. 판정 질문은 '지난 분기 지표 때문에 바뀐 규칙이 하나라도 있는가'다.
- X15 빌린 성과표 실증 고유의 실측치 없이 벤더 상용 서비스의 KPI를 준용해 성과로 보고하는 함정이다. 195건 태깅에서 별도 명명이 요청되어 v0.6에 추가됐다. 대처: 기관 업무 데이터(A1)에서 정답을 뽑아 C9 자체 평가 세트를 만들고, 도입한 벤더 모델을 그 세트로 직접 잰다. 실증 기간 동안의 처리 건수·처리시간·수정률은 C4 지표로 적재해 실측치로 보고한다. 벤더 KPI를 인용할 때는 '참고(벤더 제시)'로 출처를 밝혀 실측치와 분리 표기한다. 벤더 블랙박스라 내부 평가가 어렵더라도 입력·출력 수준의 C9 평가는 가능하다.
- X16 기준을 노출하는 위조 탐지 진위 판정 근거를 이용자 화면에 그대로 보여 줘 위조범이 탐지 기준을 역추적하게 만드는 함정이다. F9 근거 표시가 적대적 접점에서는 취약점이 된다. 대처: F9 판정 근거·기여도 표시를 역할별로 나눈다. 이용자 화면에는 '정상/위조의심'만 노출하고, 의심 부위·사유 코드·기여도 같은 세부 근거는 관리자 화면에만 보여 준다(근거 은닉, anti-oracle — 카탈로그가 S 계층 후보로 둔 반대편 부품). 관리자 화면 접근은 C8 권한 경계로 제한하고, '위조의심' 건은 C1 검토 큐에서 담당자가 세부 근거를 보고 확정한다. 이용자에게는 F7 한계·신뢰도 안내로 추가 확인 절차를 알리고, 반복 제출·판정 이력은 C4·S10에 남겨 역추적 시도를 탐지할 근거로 삼는다.
관련 가이드라인
이 사례가 쓰는 부품과 이어지는 공공 AX 안내서·지침이다 (부록 E 공공 AX 가이드라인 문서 해설 기준, 겹치는 부품이 많은 순).
- 공공부문 데이터 분석 업무 운영 가이드 쓰는 작업: AI가 예측이나 추천을 내는 사업, 또는 분석 결과가 정책 결정으로 들어가는 사업에서 분석 담당자는 이 절차를 작업 절차서의 뼈대로 삼는다. 분석 결과를 정책 보고서로 옮기는 해석 단계의 점검은 AI 산출물 검토에도 그대로 들어맞는다.주의: AI 전용 문서가 아니다. 모델 보안이나 개인정보 처리는 아래 KISA·개보위 문서로 따로 채운다.
- 공공기관 신뢰가능 AI 구현 실용가이드 쓰는 작업: 기관 AI 윤리 지침이나 내부 거버넌스 규정을 처음 만드는 기획 부서가 원칙의 뼈대를 잡을 때 참고한다. 인간개입과 고객소통 항목은 검토 절차와 이용자 안내 문구를 설계하는 데 아직 쓸 만하다.주의: 생성형 AI 이전 문서다. PAX 목록은 원칙 참고용이며 구축 절차는 최신 문서를 우선하라고 적었다.
- 금융분야 AI 위험관리프레임워크 쓰는 작업: 금융회사의 리스크관리 부서가 업무별 AI에 위험등급을 매기고, 등급마다 독립 검증을 누가 언제 하는지와 사람이 어느 단계에서 결과를 확인하는지를 내규 초안에 적을 때 편다. 등급이 높을수록 사람이 개입하는 지점이 앞당겨진다.주의: 문서 원문은 금융감독원 배포본으로 확인한다.
- AI 기반 신용평가모형 검증체계 쓰는 작업: 점수나 등급을 매기는 예측 모델을 검증할 때, 금융이 아닌 공공 분야에서도 검증 항목의 틀로 빌려 쓸 만하다. 인수 시험 계획서의 검증 영역을 이 네 칸으로 나누면 빠지는 항목이 줄어든다.주의: 같은 날 발표된 2023년 금융분야 AI 보안 가이드라인은 2026년 문서로 대체되었으나, 이 검증체계는 PAX 목록에 현행으로 남아 있다.
- 신뢰할 수 있는 인공지능 개발 안내서 쓰는 작업: 개발사가 신뢰성 요구사항을 개발 산출물에 대응시킬 때, 발주 기관이 검증항목 일부를 인수 조건으로 고를 때 쓴다. 공공 서비스는 공공·사회 분야판을, 챗봇과 문서 생성은 생성 AI 분야판을 먼저 본다.주의: 배포 페이지에는 TTA 표기가 따로 보이지 않는다. 발행 기관은 PAX 목록의 표기를 따랐다. 67개 항목 전부를 인수 조건으로 넣으면 검수가 불가능해지므로, 사업 성격에 맞는 항목을 골라 넣는다.
- 제조AI 2030 전략 쓰는 작업: 산업단지, 지역 제조 지원, 산업 데이터 플랫폼을 맡은 지자체·공공기관이 사업계획서의 정책 근거와 연계 사업을 적을 때 편다. 기관이 가진 제조·설비 데이터를 외부와 나누는 사업이라면 데이터 수집 계획서에서 라이브러리 체계와의 연계를 검토한다.주의: 정책 전략이며 사업 수행 지침이 아니다. 라이브러리와 인증 제도의 세부 기준은 후속 사업 공고와 법 개정(「산업디지털전환 및 인공지능 활용 촉진법」)을 확인한다.
- KS X ISO/IEC TS 4213 기계 학습 분류 성능에 대한 평가 쓰는 작업: 민원 분류, 문서 유형 판별, 이상 탐지처럼 분류 모델을 납품받는 사업에서 인수 시험 계획서의 성능 지표와 측정 방법을 정할 때 쓴다. 과업지시서에 "정확도 90% 이상"만 적으면 측정 방법을 두고 다툼이 생긴다. 이 표준을 인용해 지표 정의와 평가 데이터 구성을 함께 적는다.주의: 분류 성능에 한정된다. 생성형 AI의 답변 품질 평가는 이 표준의 범위가 아니다.
- KS X ISO/IEC 22989 인공지능 개념 및 용어, KS X ISO/IEC TR 24028 인공지능의 신뢰성 개요 쓰는 작업: 과업지시서와 제안요청서의 용어 정의 절에 22989를 인용하면 "학습", "추론", "AI 시스템" 같은 말의 범위를 두고 다투는 일이 준다. TR 24028은 신뢰성 요구사항을 처음 정리하는 기획 단계에서 점검 항목의 출처로 쓴다.주의: TR은 기술보고서라 요구사항이 아니다. 신뢰성 검증 항목은 TTA 신뢰할 수 있는 AI 개발 안내서처럼 구체 문서로 내려간다.
같은 주 패턴(B2)을 쓰는 다른 사례
같은 업무 패턴으로 조립된 사례를 서비스 유형이 같은 것부터 모았다. 구현할 때 비교해 볼 수 있다.
이 사례에 쓰인 패턴
B5 현장 감지·경보 업무 컴포넌트
카메라·드론·센서·PLC·재난 API 같은 상시 또는 주기 관측 스트림을 감시해 이상을 탐지하고 등급을 매겨 경보·조치 요청을 낸다.
PAX 사례 3건이 이 부품을 쓴다
맥락
시설·교통·재난·산업 현장의 상시 안전 감시(유형 ③)에 쓴다. 기존 CCTV·센서를 재사용하는 경우가 많다. PAX 557건에서는 3건(주 부품 1건)으로 드물다.
맞서는 힘(긴장)
- 탐지 재현율 vs 오탐으로 인한 경보 피로
- 즉시 대응(자동 출력) vs 사람 확인
- 상시 가동 요구 vs 모델·장비 장애
- 기준 변경 시 재학습 비용 vs 설정만 바꾸는 규칙 분리
해법
관측 스트림을 엣지(A5)나 현장 폐쇄망 서버(A2.2·A2.5)에서 탐지 모델로 읽고, 탐지 결과를 규칙 엔진이 지속성·임계값·시간 문맥으로 등급 판정한다(B′1 → B′9). 등급별로 자동 대응과 관제 이관을 나누고(C2), 물리 설비 구동은 A11a 액추에이션 어댑터로, 통지는 D5로 내보낸다. 모든 탐지·조치를 C4에 기록하고 오탐 판별을 C6 재학습으로 되돌리며, 상시 서비스이므로 C7 Fail-safe를 반드시 둔다.
이럴 때 쓴다
- 넓은 현장을 상시·주기적으로 봐야 하고 사고를 사전에 알아야 할 때
- 기존 CCTV·센서 스트림을 재사용할 수 있을 때
- 등급별 대응 절차(자동·이관)를 정의할 수 있을 때
이럴 때는 쓰지 않는다
- 배치로 들어온 영상·서류를 판독·구조화하는 일이면(B4)
- 과거 데이터로 점검 대상을 선별하는 일이면(B2)
- Fail-safe와 조치 기록을 운영할 체계가 없을 때
얻는 것
- 사고의 사전 인지
- 기존 설비 재사용으로 경제적 구축
- C2·C4·C6·C7을 갖추면 Native까지 가능
점검표
- 탐지 모델과 판정 규칙이 분리되어 있는가
- 장애 시 Fail-safe 경로가 있는가(C7)
- 모든 경보와 조치가 기록되는가(C4)
- 오탐 판별이 재학습으로 이어지는가(C6)
구조 — 참여 부품
- A5 엣지 추론 런타임 — 현장 기기 또는 현장 서버에서 탐지
- 판정 규칙 엔진 — 임계값·지속성·문맥으로 등급 판정
- C2 위험도 라우터 — 등급별 자동 대응 / 관제 이관
- A11 액추에이션·현장 통지 어댑터 — 스피커·경광등·VMS·푸시로 출력
- C4 감사 로그·지표 — 탐지·조치·오탐 기록
- 관제 요원 — 이관 건 확인과 조치
변형
- 상시 스트림형: CCTV 등 연속 스트림 실시간 감시
- 주기 점검형: 회차 간 차분으로 변화 탐지
- 센서·PLC 스트림형: 카메라 없이 기계·센서 데이터로 판정(비전 아님)
- 탐지→VLM 2단 검증형: 경량 탐지 후 VLM이 재확인
- 이동체(드론·로봇)형: 드론·로봇이 이동하며 관측
관련 부품
C7 필수 — 상시 서비스의 Fail-safe · A11 출력 자리 — 물리 액추에이션·현장 통지 · C2 짝 — 등급별 자동 대응 / 관제 이관 · B′9 배선 — 탐지 모델과 판정 규칙 분리 · D5 서비스 블록 — 통지·추적 · C6 Native 관문 — 오탐 환류
참고 자료
GoF Observer
이 부품과 이어지는 가이드라인
B2 예측·추천기 업무 컴포넌트
과거 데이터로 학습한 모델이나 비학습 최적화 알고리즘이 수치·등급·순위·이상점수를 내고, 사람이 이를 판단 자료로 쓴다(LLM이 아님).
PAX 사례 4건이 이 부품을 쓴다
맥락
시계열·속성 데이터가 축적된 기관의 예측·이상탐지·우선순위 선별·추천 업무에 쓴다. 유형 5a 분석 대시보드, ⑩ 위험 예측·표적 선별, ⑪ 추천·매칭에서 주 부품이 된다. PAX 자생 도구에는 드물다(557건 중 주 부품 B2는 4건).
맞서는 힘(긴장)
- 예측 성능 vs 설명 가능성(현장 수용)
- 희소·불균형 데이터 vs 순위 안정성
- 자동 반영의 효율 vs 잘못된 순위가 작업 지시를 바꿀 위험
- 도메인별 재학습 필요 vs 기관 간 재사용
해법
A1 데이터 자산에서 시간 누수를 막은 학습 데이터셋을 만들고, 자체 학습 모델(A2.5)이나 공간·조합 최적화 알고리즘으로 예측값·이상 점수·추천 순위를 낸다. 결과는 기여 요인(F9)과 한계 안내(F7)와 함께 사람에게 판단 자료로 제시한다. 등급을 자동으로 매기는 경우 규칙 게이트(B′9)가 임계값·산식으로 등급을 확정하고 사람이 최종 판단한다. 운영 중 실제 결과를 C4로 적재하고 C6 재학습 주기로 모델을 갱신하며, C9 평가 세트로 재학습 모델이 이전보다 나은지 확인한 뒤 배포한다.
이럴 때 쓴다
- 과거 데이터가 충분하고 수치·등급·순위가 사람 판단의 입력이 될 때
- 점검·단속 대상 선별처럼 한정된 인력을 우선순위로 배분해야 할 때
- 설명(F9)과 재학습(C6)을 운영할 수 있을 때
이럴 때는 쓰지 않는다
- 규칙 점수화로 충분히 순위가 정해질 때(B0 결정론 점수 엔진)
- 산출물이 문장·문서일 때(B1·B3)
- 학습 데이터나 실제 결과 회수 경로가 없어 재학습을 할 수 없을 때
얻는 것
- 한정된 인력의 우선순위 배분
- 폐쇄망 이식이 쉬움(비LLM)
- 재학습으로 도메인에 맞춰 개선 가능
점검표
- 시간 누수를 막은 독립 시험 세트가 있는가
- 예측 근거(기여 요인)가 담당자에게 보이는가
- 등급 산정 규칙이 모델과 분리되어 있는가
- 재학습 주기와 배포 전 비교 기준이 정해져 있는가
구조 — 참여 부품
- A1 데이터 자산 서비스 — 정제·라벨링된 학습 데이터와 기준선
- A2.5 비LLM 학습 모델 서빙 — XGBoost·LSTM 등 자체 학습 모델 구동
- F9 판정 근거·기여도 표시 — SHAP 요인·사유 코드를 담당자에게 제시
- C6 환류 파이프라인 — 실제 결과로 주기적 재학습
- 담당자 — 순위·등급을 판단 자료로 써서 조치를 결정
변형
- 수치 예측: 수요·건수·위험도 같은 연속값 예측
- 이상 탐지: Isolation Forest 등으로 이상 점수 산출
- 순위 선별·추천: 점검 대상·매칭 후보의 순위(유형 ⑩·⑪)
- 앙상블: 여러 모델 결합(computer.org ML 생애주기 패턴)
- 비학습 최적화 알고리즘: MCLP·ILP·GNN 등 공간·조합 최적화가 수치·순위를 낸다(R15로 정의를 넓힘)
관련 부품
F9 이용자 쪽 대응 — 판정 근거·기여도 표시는 B2의 필수 면 · C6 Native 관문 — 재학습 파이프라인 · C9 선행 — 누수 없는 평가 세트 · B′9 배선 — 확률을 규칙으로 등급 확정(유형 ⑩ 템플릿) · A2.5 끼울 자리 — 자체 학습 모델 서빙
참고 자료
computer.org 앙상블·지속 학습 · GoF Strategy
이 부품과 이어지는 가이드라인
A1 데이터 자산 서비스 공통 서비스
흩어진 업무 기록을 정제·라벨링해 AI 부품이 붙여 쓸 수 있는 데이터셋·라벨·데이터 사전 형태의 기준선으로 제공한다.
PAX 사례 110건이 이 부품을 쓴다
맥락
학습 모델(A2.5·B2), 지식 접지(B3)의 코퍼스, 평가 세트(C9)의 정답 출처가 필요한 과제라면 모두 이 부품을 쓴다. 서비스 유형 5a·9·10·11에서는 필수 기반이다. 비LLM 규칙 기반 대민 안내에서는 A2를 거치지 않고 결정론 조회의 대상이 된다(R21).
맞서는 힘(긴장)
- 정제 품질 vs 구축 기간·라벨링 인력 비용
- 과제 전용 가공(빠름) vs 기관 공통 기준선(재사용)
- 데이터 활용 범위 vs 데이터 등급(E5) 보호
- 기준선 고정(재현성) vs 원천 갱신 반영
해법
원천 기록을 수집→정제(중복·결측 처리)→라벨링→정의 문서화 순으로 가공하고, 결과를 정제 데이터셋·라벨·데이터 사전의 세 산출물로 고정해 제공한다. 'N건→M건 정제'처럼 정제 전후 규모와 기준을 기록하고, 변수·테이블·인터페이스 정의서로 소비 부품이 같은 정의를 쓰게 한다. 기준선은 버전으로 관리해 C9 평가 세트의 정답 출처와 C6 재학습의 입력으로 재사용한다. 데이터 경계는 부품별로 두고(DB per Service), 타 기관 데이터와의 결합은 A4로 분리한다.
이럴 때 쓴다
- 예측·추천기(B2)나 비전 모델(A2.5)을 학습·재학습할 때
- 지식 접지(B3)의 코퍼스를 구축할 때
- 평가 세트(C9)의 정답 출처가 필요할 때
- 서비스 유형 5a-agg·9·10·11처럼 A1이 필수인 조립
이럴 때는 쓰지 않는다
- 공공 API 응답을 가공 없이 조회만 할 때(A3)
- 정제·정의 없이 파일을 올려 바로 검색하는 경우(태그 대상 아님)
- 타 기관 데이터 결합이 핵심일 때는 A4를 함께 태그해 계약·키 매핑을 따로 드러낸다
얻는 것
- 모델 교체와 무관하게 남는 기관 자산
- C9·C6·B3가 같은 기준선을 재사용
- 데이터 사전이 기관 간 표준 확산의 단위가 됨
점검표
- 정제 전후 규모와 정제 기준이 기록되어 있는가
- 데이터 사전(정의·단위·출처)이 있는가
- 기준선에 버전이 있고 평가용 분할이 학습용과 분리되어 있는가
- 데이터 등급(E5)에 맞는 가명·비식별 처리가 적용되었는가
구조 — 참여 부품
- 원천 시스템·기록 — 가공 전 업무 기록을 내주는 출처
- 정제·라벨링 파이프라인 — 중복 제거·결측 처리·라벨 부여·품질관리를 수행
- 데이터 사전 — 정의·단위·출처를 문서로 고정해 소비 부품이 같은 뜻으로 쓰게 함
- C9 평가 세트·회귀시험 — 기준선을 정답 출처로 사용
- A2.5 비LLM 학습 모델 — 기준선으로 학습·재학습하는 소비 부품
변형
- 학습데이터 구축형: 영상·이미지 등을 수집해 품질관리 단계(중복 제거·재라벨링·학습/검증/평가 분리)를 거쳐 학습 기준선으로 만든다.
- RAG 코퍼스 정본화형: 법령·규정 원문을 현행 시행본 기준으로 정본화하고 조문 구조·메타데이터를 부여해 색인한다.
- 지표 표준화형: 여러 자료원의 지표를 도메인별로 표준화하고 정의·단위·분모·결측·원본 링크를 메타데이터로 관리한다.
- 자동 피처 파이프라인형: 수집→정제→파생 변수 생성→자동 검증→담당자 승인을 주기 실행하고 승인만 사람에게 남긴다.
관련 부품
C9 소비처 — 기준선이 평가 세트의 정답 출처 · A4 짝 — 자기 기관 정제(A1)와 타 기관 결합(A4) · B3 소비처 — 지식 접지의 코퍼스 · C6 선행 — 재학습 입력이 되는 기준선 · A2.5 소비처 — 자체 학습 모델의 학습 데이터
참고 자료
computer.org 데이터 증강 · Heiland 데이터 계층 · Microservice 패턴 DB per Service · GoF Builder
이 부품과 이어지는 가이드라인
A2.5 모델 서빙 · 비LLM 학습 모델 공통 서비스
XGBoost·LightGBM·YOLO·U-Net처럼 기관이 직접 학습한 비LLM 예측·비전 모델을 서빙하고 재학습·버전 롤백이 붙을 자리를 제공한다.
PAX 사례 15건이 이 부품을 쓴다
맥락
B2 예측·추천기, B5 현장 감지·경보, B4 비전 판독의 추론 엔진이 된다. 서비스 유형 5a·10에서는 필수이고(R7, R10 'A2.5 또는 결정론 점수 엔진'), 유형 3에서는 A5·A2.2와 함께 셋 중 하나를 고른다. 학습 기준선(A1)이 먼저 있어야 한다.
맞서는 힘(긴장)
- 모델 성능 vs 설명 가능성(F9)
- 배포 후 데이터 드리프트 vs 재학습 비용
- 모델 교체 속도 vs 이전 안정판으로의 복귀 보장
해법
학습한 모델을 서빙 계층에 버전과 함께 올려 업무 부품이 점수·등급·탐지 결과만 받게 한다. 서빙 계층은 모델 버전과 드리프트 지표를 함께 내보내 C4에 기록하고, 재학습 파이프라인(C6)이 새 버전을 올리는 자리와 이전 안정판으로 되돌리는 자리(모델 버전 롤백, C7 변형)를 둔다. 재학습 버전은 C9 독립 시험세트에서 이전 버전을 넘을 때만 배포한다. 판정 근거는 F9로 이용자에게 보인다.
이럴 때 쓴다
- 기관이 자체 데이터로 비LLM 모델을 학습해 운영할 때
- 유형 5a-brief가 아닌 분석·위험 예측(유형 10)·현장 감시(유형 3) 조립
- 재학습과 버전 롤백이 필요한 예측·탐지 서비스
이럴 때는 쓰지 않는다
- LLM을 튜닝했으면 A2.3
- 벤더 장비·솔루션에 내장돼 기관이 모델을 못 바꾸면 A2.6
- 학습 없는 규칙 점수 엔진이면 B0(R10 대안)
얻는 것
- 비LLM 과제가 A2 계층에 정식 자리를 가짐
- 재학습·버전 롤백으로 운영 개선
- C6·C7을 끼울 자리 확보
점검표
- 모델 버전과 학습 데이터 버전이 짝지어 기록되는가
- 독립 시험세트가 학습 데이터와 분리되어 있는가
- 이전 안정판으로 되돌릴 수 있는가
- 재학습 버전 배포 기준이 수치로 있는가
구조 — 참여 부품
- A1 데이터 자산 서비스 — 학습·재학습 기준선
- A2 서빙 계층 — 모델 버전별 노출과 롤백
- C6 환류 파이프라인 — 재학습 주기·트리거
- C9 평가 세트 — 재학습 버전 배포 게이트
- F9 판정 근거·기여도 표시 — SHAP·BBox 등 근거를 이용자에게 표시
변형
- 정형 예측기: XGBoost·LightGBM 등으로 위험 순위·등급·수요를 예측한다(B2와 짝).
- 비전 탐지·분할: YOLO·U-Net 등으로 영상·이미지를 탐지·분할한다(B5·B4와 짝).
- 경량 온디바이스 모델: 소형 자체 학습 모델을 전처리 앞단에 붙인다(A2.5+S13 조합, 40M 파라미터 PII 검출 모델).
참조 구현 예
- PAX dcba0f654467bdc9 — 40M 파라미터 소형 자체 학습 PII 모델(§13 A2.5+S13 조합)
관련 부품
B2 소비처 — 예측·추천기의 추론 엔진 · C6 짝 — 재학습 파이프라인이 붙는 자리 · C7 짝 — 이전 안정판 복귀(모델 버전 롤백) · F9 이용자 쪽 대응 — 판정 근거 표시 · B5 소비처 — 현장 감지의 탐지 모델
참고 자료
GoF Strategy · Microservice 패턴 Blue-Green
A7 자체 제작 환경 공통 서비스
외부 용역 없이 기관 인력이 저작도구·AI 코딩 에이전트로 도구를 직접 만들고 고치는 제작 환경이다.
PAX 사례 317건이 이 부품을 쓴다
맥락
업무 담당자가 AI 코딩 도구·저작도구·오픈소스로 직접 만드는 과제에 쓴다. 유형 8(취합·변환 자동화)에서는 필수 기반이다. PAX 557건에서 A7이 붙고 BYO 모델을 쓰는 사례는 29건이다.
맞서는 힘(긴장)
- 제작 속도·현장 적합성 vs 유지보수 연속성
- 개인 역량 의존 vs 조직 인수인계
- 무예산 제작 vs 보안 검토·기관 공식화 절차
해법
기관 인력이 AI 코딩 에이전트·저작도구·오픈소스로 직접 만들되, 처음부터 전이를 전제로 한다. 설정·데이터(연락처·업무분장 등)는 코드 밖 파일로 빼 비개발자도 고치게 하고, 작업 지시서 자체를 코딩 에이전트가 수행할 프롬프트로 설계해 제작 절차를 남긴다. MIT·Apache 등 라이선스를 명시하고 공공 깃랩(A3)이나 혁신24 자료실에 등재해 담당자가 바뀌어도 이어지게 한다. 실사용 건수로 성과를 재 기관 공식으로 올린다.
이럴 때 쓴다
- 반복 업무를 줄이는 소규모 도구를 빠르게 만들 때
- 용역 없이 작은 수정을 계속해야 할 때
- 유형 8 취합·변환 자동화
이럴 때는 쓰지 않는다
- P2 이상 시스템 쓰기·처분이 걸려 보안 검토·통제 부품이 먼저 필요한데 이를 갖출 수 없을 때
- 라이선스·저장소·인수인계를 정할 수 없어 전이가 불가능할 때(X9 위험)
얻는 것
- 제작 속도와 현장 적합성
- 내부 유지보수 역량 축적
- 무예산·소예산 제작
점검표
- 라이선스가 명시되어 있는가
- 저장소가 개인 PC가 아닌 공유 위치에 있는가
- 담당자가 바뀌어도 고칠 수 있는 문서·설정 분리가 있는가
- 실사용 지표가 있는가
구조 — 참여 부품
- 업무 담당자 — 요구를 알고 직접 만드는 제작자
- AI 코딩 에이전트·저작도구 — 코드·화면·워크플로 생성
- A3 공공 깃랩·자료실 — 등재처 — 담당자 이동 후에도 이어지게
- A9 업무 규범 스킬 — 제작 규범·지시서를 재사용 가능한 형태로
변형
- 비개발자 바이브코딩: 교육 후 비개발 직원이 AI 코딩으로 웹앱을 만들고 실사용 지표까지 잰다.
- 용역 탈피 단계형: 1단계는 전문기업과, 2단계는 직원이 도구를 대여해 라벨링·학습·개발을 직접 한다.
- 오픈소스 조립형: n8n·FastAPI·Qdrant·LM Studio 등 오픈소스로 워크플로를 직접 조립하고 설정을 공유한다.
- 사람+에이전트 작업 단위형: 작업 지시서를 코딩 에이전트 입력 프롬프트로 설계해 '사람 1인 + 에이전트 1세션' 단위로 일한다.
참조 구현 예
- PAX 145a534a79c6fc53 — 공무원 1인 개발 도구가 혁신24 자료실로 여러 기관에 확산(§13 A7)
관련 부품
A3 등재처 — 공공 깃랩 · A9 짝 — 제작 규범을 스킬로 · B0 주 산출물 — 결정적 도구 · A10 짝 — 유형 8 필수 · X9 주의 — 담당자와 함께 사라지는 도구
참고 자료
GoF Prototype · PAX 전이 플레이북
D6 점검·감시 서비스 블록
시설·환경·안전을 상시 또는 주기적으로 점검하는 현장 접점 블록이다. Levine 목록에 없어 추가했고 B5·B2가 이 자리에 들어간다.
PAX 사례 5건이 이 부품을 쓴다
맥락
CCTV·센서·드론·위성 영상 등 관측 스트림으로 현장을 점검하는 접점. §7.3 유형 ③ 현장 감시·경보(D6·D5, P1~P2a)와 유형 ⑩ 위험 예측·표적 선별(D6·D3·D8.4)의 무대다.
맞서는 힘(긴장)
- 점검 빈도·범위 vs 오탐으로 인한 출동 비용
- 현장 폐쇄망·엣지 제약 vs 모델 성능
- 자동 대응 vs 사람 확인
- 센서 스푸핑·오탐 유도 위협 vs 상시 운영
해법
관측 스트림을 A5 엣지 런타임이나 현장 폐쇄망 서버 추론(A2.2·A2.5)에서 B5 감지·경보로 판독한다. 판독 결과는 B′9 판정 게이트로 규칙이 등급을 정하고, C2가 등급별로 자동 대응과 관제 이관을 가른다. 사람 확인이 필요한 건은 C1 검토 큐로 보내고(v0.6 유형 ③ 필수 추가), 판정 근거는 F9(BBox·사유 코드)로 보여 준다. 점검 대상 선별형은 B2 위험 예측 모델이 순서를 정한다. 상시 서비스라 C7 Fail-safe, C4 운영 지표, C6 오탐 환류를 함께 둔다.
이럴 때 쓴다
- 사람 순회로는 빈도·범위를 채울 수 없는 시설·환경·안전 점검
- 기존 CCTV·센서를 재사용할 수 있을 때
- 점검 대상이 많아 우선순위를 정해야 할 때
이럴 때는 쓰지 않는다
- 국민 신청 건의 요건 판정이면 D3
- 문서·규정 대조로 확인 대상을 고르면 D8.4
- 관측이 없고 경보 전달만 하면 D5
얻는 것
- 점검 빈도·범위 확대
- 기존 현장 장비 재사용
- 사고 전 이상 발견
점검표
- 탐지 결과에 사람 확인 단계가 있는가
- 오탐·미탐이 기록되어 재학습·임계 조정에 쓰이는가
- 모델 장애 시 규칙 기반 점검으로 전환되는가
- 현장 망 조건에 맞는 추론 위치가 정해져 있는가
구조 — 참여 부품
- A5 엣지 추론 런타임 — 현장 기기에서 판독
- B5 감지·경보 — 관측 스트림에서 이상을 탐지
- B2 예측·판정 모델 — 점검 대상 선별·위험 예측
- B′9 결정론 판정 게이트 — 판독 결과를 규칙이 등급화
- C2 위험도 라우터 — 등급별 자동 대응 / 관제 이관
- 현장 요원·관제 담당자 — 경보를 확인하고 조치
변형
- 상시 스트림형: CCTV·센서를 상시 판독(B5, R5).
- 주기 점검형: 항공·위성 영상 등 주기 관측을 비교해 변화·미등록 시설을 찾음.
- 탐지→VLM 2단 검증형: 경량 탐지 모델 후 VLM이 재확인(R5).
- 이동체형: 드론·로봇이 순회하며 관측(R5).
- 표적 선별형: B2가 점검 대상 우선순위를 정함(유형 ⑩).
관련 부품
D5 짝 — 탐지 결과의 전달 · B5 전형 부품 · C7 필수 통제 — Fail-safe · A11 끼울 자리 — 물리 액추에이션 · D3 이웃 블록 — 표적 선별형이 걸침
참고 자료
Davis Levine, Service Design Patterns: An alpha list of patterns (2017) · 카탈로그 §7.3·§7.4 유형 ③ · 카탈로그 §6 B5 카드
D8.1 탐색·조회 서비스 블록
데이터·법령·공고·선례·타 지역 사례를 찾아 담당자 화면에 놓는 내부 운영 블록이다. B0 탐색·시각화, MCP 도구 제공, B3가 전형 부품이다.
PAX 사례 176건이 이 부품을 쓴다
맥락
기관 내부 담당자가 자료를 찾아 보는 업무. §7.3 유형 ⑤b 데이터 에이전트(D8.1, P0)와 ⑤a 분석 대시보드·브리핑(D8.1, P0~P1)의 무대. PAX 176건(주 부품 B0 80%, B3 10%).
맞서는 힘(긴장)
- 검색 편의 vs 출처·기준 시점 확인
- 자연어 질의 vs 질의 조작·도구 출력 인젝션
- 대시보드 고정 화면 vs 에이전트의 유연한 질의
- MCP 서버 수 vs 실제 업무 호출(X8)
해법
답이 원천 데이터에서 나오게 한다. 공공데이터·통계는 A8 MCP 서버나 A3 공공 API로 도구화하고, 호스트 쪽 에이전트는 B′7 ReAct 도구 루프로 조회하되 C8로 읽기 전용에 묶는다. 결과에는 F1 출처(통계표 ID)와 조회 시점을 붙이고, 도구 호출은 C4로 추적한다. 도구 출력이 새 지시가 되지 않도록 S5 계획 후 실행과 S1 비용 상한을 둔다. 에이전트가 필요 없으면 B0 대시보드·검색기로 끝내고(5a-agg), LLM이 해설을 붙이면 5a-brief로 C9·F9를 더한다(R19). MCP 서버만 만드는 사례는 5b-server로 A8·S11만 필수다(R18).
이럴 때 쓴다
- 담당자가 흩어진 데이터·법령·공고·선례를 찾느라 시간을 쓸 때
- 공공데이터·통계를 자연어로 조회해야 할 때
- 다른 지역·기관 사례를 모아 봐야 할 때
이럴 때는 쓰지 않는다
- 찾은 문서에서 할 일·핵심을 뽑으면 D8.2
- 규정·기준과 대조해 확인 대상을 고르면 D8.4
- 국민이 서비스를 찾으면 D1
얻는 것
- 자료 찾는 시간 절감
- 출처·시점이 붙은 근거 확보
- 공공데이터 MCP의 재사용
점검표
- 결과마다 원천 출처와 기준 시점이 보이는가
- 도구 권한이 읽기 전용으로 묶여 있는가
- 도구 호출 순서를 나중에 볼 수 있는가
- MCP 서버가 실제 업무에서 호출되는지 재는가
구조 — 참여 부품
- 담당자 — 자료를 찾고 결과를 업무에 씀
- A8 MCP 서버·호스트 — 공공데이터·통계를 도구로 노출
- B0 결정적 도구(탐색·시각화) — 검색기·대시보드
- B6 도구 호출 에이전트 — 로컬 MCP 호스트로 조회·차트 생성
- C8 권한 경계 — 읽기 전용 제한
- F1 출처 표시 — 통계표 ID·출처·시점 표시
변형
- 검색·대시보드형(비LLM): B0 탐색·시각화. 유형 5a-agg(필수 A1·F2·C4, R19).
- 브리핑형: LLM이 조회 결과를 요약·해설. 유형 5a-brief(필수 A2.1|A2.2|A2.6·F9·C9, R19).
- MCP 서버 제공형: 공공데이터·법령을 MCP로 노출하는 서버 자체. 5b-server(필수 A8·S11, R18).
- 데이터 에이전트형: 로컬 MCP 호스트가 도구를 불러 조회·차트 생성. 5b-host(필수 C4·F1·S5|S6, R18).
참조 구현 예
- 망분리 환경용 로컬 AI 에이전트 + KOSIS 공식 MCP — 카탈로그 D8.1 카드·§9 조립 예시, 유형 ⑤b 참조 구현
- Korean Stats MCP — 카탈로그 D8.1 카드 예: KOSIS 통계를 자연어로, 출처 자동 인용
관련 부품
A8 끼울 자리 — 공공데이터 MCP · C8 필수 통제 — 읽기 전용 · D8.2 이웃 블록 — 찾은 문서의 요약·추출 · S5 5b-host 필수 보안 · X8 이 블록에서 흔한 함정
참고 자료
카탈로그 §7.3 유형 ⑤a·⑤b · 카탈로그 §7.4 유형 ⑤ 위협 모델 · MCP 6축 검증(§8)
C1 검토 큐 운영 컴포넌트
AI 산출물이 다음 단계로 넘어가기 전에 사람이 맞고 틀림을 확인·수정·확정하는 대기열을 두어, 오류가 업무 결과로 흘러가지 않게 한다.
PAX 사례 46건이 이 부품을 쓴다
맥락
AI 산출물이 공문·처분·대민 안내·기록으로 이어지는 모든 B 부품(B1 코파일럿, B4 인식 파이프라인, B2 예측기, B7 콘텐츠 생성기 등). 이용자 본인이 최종 확정자인 자기서비스형 도구도 포함한다(R16).
맞서는 힘(긴장)
- 정확성·책임성 vs 처리 속도(전건 검토는 자동화 이득을 깎는다)
- 검토자의 숙련 vs 자동화 편향(AI 결과를 그대로 승인하는 경향)
- 전건 검토의 안전 vs 위험도별 분기(C2)로 가야 하는 효율 압력
해법
AI 산출물에 신뢰도·근거를 붙여 검토 대기열에 올리고, 검토자가 승인·수정·반려 중 하나를 고르게 한다. 수정·반려 내역은 C4 감사 로그에 남겨 수정률을 집계하고 C6 환류의 입력으로 쓴다. 검토 화면은 원문 위치·근거를 함께 보여 줘 확인 비용을 줄인다. 전건 검토로 시작하되, 수정률 실측이 쌓이면 C2 위험도 라우터로 저위험 건을 자동 종결하는 단계로 옮긴다.
이럴 때 쓴다
- AI 산출물이 공문·처분·대민 안내로 그대로 이어질 때
- E4가 P1 이상이고 되돌리는 데 사람 시간이 많이 드는 조치가 있을 때
- 서비스 유형 ② 접수·심사, ④ 기안 코파일럿, ⑥ 콘텐츠 제작, ⑦ 대조·점검, ⑩ 위험 예측, ⑪ 추천·매칭, ⑫ 개발 코파일럿처럼 C1이 필수인 유형
이럴 때는 쓰지 않는다
- B0 결정적 도구처럼 런타임 AI 산출물이 없을 때
- 쉽게 되돌릴 수 있고 저위험인 조치를 이미 C2로 자동 종결하도록 실측 근거를 갖춘 구간(전건 검토를 영원히 남기지 않는다)
얻는 것
- 오류가 업무 결과로 나가기 전에 차단
- 책임 소재가 명확해짐
- 수정 내역이 C4 지표와 C6 환류의 원천 데이터가 됨
점검표
- AI 산출물이 확정 전 상태로 머무는 지점이 명시되어 있는가
- 검토자와 승인·수정·반려 선택지가 정해져 있는가
- 검토 결정과 수정 내역이 로그로 남는가
- 실증 기간의 검토·수정 건수가 기록되어 있는가
- 전건 검토에서 분기로 옮길 조건이 정해져 있는가
구조 — 참여 부품
- 검토 대기열 — AI 산출물을 확정 전 상태로 보관하고 검토자에게 배정
- 검토자(담당자 또는 이용자 본인) — 승인·수정·반려를 결정하는 최종 책임자
- F2 편집 가능한 출력 — 검토자가 산출물을 직접 고치는 화면
- C4 감사 로그·지표 — 검토 결정과 수정 내역을 적재해 수정률로 집계
변형
- 전건 검토형: 모든 AI 산출물을 담당자가 확인·확정
- 예외 검수형: 정상 건은 일괄 승인하고 저신뢰 항목만 개별 검수하는 검수 UI
- 파이프라인 내장 관문형: 멀티에이전트·다단계 파이프라인의 각 관문에 승인·보완·재작성 선택지를 둠
- 자기서비스형: 이용자 본인이 최종 확정자인 HITL. 실제 운영 중이면 C1 present(R16)
- 심의 게이트: 팩트체크·법무·윤리처럼 제3자 전문가가 수행하는 승인 게이트
참조 구현 예
- PAX 9dc1a7081bc869b1 — 광진구 — 담당자·팀장 최종 판단 책임 등 4대 관리 원칙 명문화
관련 부품
C2 다음 단계 — 전건 검토에서 위험도 분기로 승급 · C1.2 변형 — 제3자 전문가 심의 게이트 · F2 이용자 쪽 대응 — 검토자가 직접 고치는 화면 · F6 이용자 쪽 대응 — 에이전트 행동 실행 전 확인 · C4 기록처 — 검토 결정·수정 내역 · C6 후속 — 수정 내역이 환류의 입력
참고 자료
Google ADK HITL · Gulli ch.13 Human-in-the-Loop · Towards AI 동기·비동기 HITL · Chain of Responsibility
이 부품과 이어지는 가이드라인
C2 위험도 라우터 운영 컴포넌트
건별 위험도·신뢰도를 매겨 저위험은 자동 처리, 중간은 검토 큐, 고위험은 숙련자에게 보내 사람의 검토를 필요한 곳에 집중시킨다.
PAX 사례 4건이 이 부품을 쓴다
맥락
C1 검토 큐가 이미 운영되고 수정률 실측이 쌓인 B 부품. 특히 E4 P2 이상이거나 D3 자격·심사, D6 점검·감시, ⑩ 위험 예측처럼 건수가 많고 위험 편차가 큰 업무.
맞서는 힘(긴장)
- 자동 처리율 vs 오류 비용
- 임계값의 보수성 vs 검토 인력 부담
- 분기 기준의 일관성 vs 기관·업무별 기준 차이
해법
건마다 위험도(업무 규칙상 위험 유형)와 신뢰도(모델 확신·정합도)를 산출하고, 버전이 붙은 분기 기준으로 자동 종결·검토 큐·숙련자 이관 중 하나로 보낸다. 사람 개입 조건(근거 없음·신뢰도 미달·안전·개인정보 등)은 명문화한다. 분기 결과와 자동 처리율은 C4에 적재하고, 이관 시 이용자에게는 F11로 진행 상태를 알린다. 임계값은 실측 오류율로 조정하고 조정 이력을 남긴다.
이럴 때 쓴다
- C1 전건 검토가 병목이고 수정률 실측이 있을 때
- E4 P2 이상(§7.1 필수)
- 유형 ② 접수·심사, ③ 현장 감시(등급 분기), ⑩ 위험 예측에서 등급 자동분류가 있을 때
이럴 때는 쓰지 않는다
- 실측 수정률이 없어 임계값 근거가 없을 때(먼저 C1·C4로 데이터를 쌓는다)
- 연속값 예측·참고용 순위만 내고 등급 분류가 없을 때(R10: 유형 ⑩에서 면제)
- P0 조회 도구처럼 자동 처리할 조치가 없을 때
얻는 것
- 사람의 검토를 고위험 건에 집중
- 자동화 범위를 실측 근거로 넓힐 수 있음
- 업무 순서가 실제로 바뀜(First 진입)
점검표
- 분기 기준과 사람 개입 조건이 문서로 명시되어 있는가
- 분기 기준에 버전이 있는가
- 자동 처리율·검토 비율 실측치가 있는가
- 고위험 건이 자동 종결되지 않음을 확인했는가
구조 — 참여 부품
- 위험도·신뢰도 산정기 — 업무 규칙과 모델 신호로 건별 점수 산출
- 분기 기준표 — 버전이 붙은 임계값·사람 개입 조건
- C1 검토 큐 — 중간 위험 건의 사람 확인
- 숙련자 — 고위험 건의 최종 판단
- C4 감사 로그·지표 — 경로별 건수·자동 처리율 기록
변형
- 등급 자동분류형: 위험 등급(예: 5단계)으로 자동 종결·검수·중점 검수를 분기
- 신뢰도 임계형: 필드별·건별 신뢰도 점수가 임계값 미만이면 사람 검토
- 조치 위험도형: 복구 가능한 저위험 조치는 자동, 차단·신고·설비 중단 같은 고위험 조치는 운영자 승인
관련 부품
C1 선행 — 전건 검토의 실측이 임계값 근거 · F11 이용자 쪽 대응 — 사람 이관 시 진행 상태·핸드오프 안내 · C4 기록처 — 경로별 건수·자동 처리율 · C8 짝 — 고위험 도구는 사람 승인으로 보냄 · B′2 구분 — 유형 라우팅 제어 흐름
참고 자료
Google ADK Coordinator · Gulli Routing·Prioritization · API Gateway · Triage
이 부품과 이어지는 가이드라인
C6 환류 파이프라인 운영 컴포넌트
사용 결과(수정·이의·오탐 기록)가 정해진 주기와 트리거로 재학습·기준 개정에 되돌아오게 해, 배포 후에도 성능과 기준이 개선되게 한다.
PAX 사례 3건이 이 부품을 쓴다
맥락
C4가 수정·이의·오탐을 기록하고 있는 B2 예측기, B4 인식 파이프라인, B5 감지·경보, 추천형 B1. 유형 ③ 현장 감시, ⑤a 분석, ⑩ 위험 예측, ⑪ 추천·매칭.
맞서는 힘(긴장)
- 개선 속도 vs 검증 비용(재학습마다 C9 재검증)
- 현장 피드백 반영 vs 피드백 오염·편향
- 자동 반영 vs 반영 범위 상한
해법
C4의 수정·이의·오탐 기록을 입력으로, 재학습 또는 기준 개정의 주기(예: 6개월)와 트리거(예: 일치율 임계 미만)를 수치로 정한다. 개정 전에는 C9 평가 세트로 재검증해 기준을 넘는 경우에만 배포하고, 개정 이력을 남긴다. 반영 범위에 상한을 두고 평가 기간에는 루프를 동결하는 조건도 정한다. 이용자 쪽에서는 F10 피드백이 입력이 된다.
이럴 때 쓴다
- C4에 수정·오탐 기록이 쌓이는 학습 모델 기반 부품
- 데이터 분포가 시간에 따라 바뀌는 감지·예측 업무
- 유형 ③⑤a⑩⑪처럼 C6가 필수인 유형
이럴 때는 쓰지 않는다
- B0 결정적 도구처럼 학습·개정할 모델·기준이 없을 때
- C4 기록과 C9 평가 세트가 없어 반영 결과를 검증할 수 없을 때(먼저 C4·C9)
얻는 것
- 배포 후 성능 개선
- 현장 기준 변화 반영
- Native 단계 진입 근거
점검표
- 주기·트리거가 수치로 정해져 있는가
- 환류 입력 데이터가 C4에서 나오는가
- 개정 전 재검증 절차가 있는가
- 실증 기간에 완결된 사이클이 1회 이상 기록되었는가
구조 — 참여 부품
- C4 감사 로그·지표 — 수정·이의·오탐 기록 제공
- 환류 규칙 — 주기·트리거·표본·임계값·반영 상한
- C9 평가 세트·회귀시험 — 재학습·개정 결과의 재검증
- F10 이용자 자기확인·피드백 — 이용자 쪽 피드백 입력
변형
- 주기 재학습: 정해진 주기로 수정 데이터를 모아 모델 재학습
- 전문가 판정 적재 플라이휠: 전문가 검수 결과를 Ground Truth DB로 적재해 재학습에 환류
- 프롬프트·기준 개정: 재학습 없이 피드백을 프롬프트·기준에 상한을 두고 반영
- 표본 대조 재조정: 주기적으로 표본을 전문가 판단과 대조해 일치율 미달 시 재조정
관련 부품
C4 입력 — 수정·이의·오탐 기록 · C9 재검증 단계 — C6의 재검증이 곧 C9 · F10 이용자 쪽 입력 — 자기확인·피드백 · C1 원천 — 검토 수정 내역 · A1 기록처 — 재학습 데이터셋
참고 자료
computer.org 지속 학습 · Gulli ch.9 Learning & Adaptation · Observer · State · PAX AIM06
이 부품과 이어지는 가이드라인
C9 평가 세트·회귀시험 운영 컴포넌트
배포 전에 업무 맥락의 질문·정답·채점 기준을 세트로 만들어, 프롬프트·모델·설정의 모든 변경을 같은 자로 재고 회귀를 잡는다.
PAX 사례 15건이 이 부품을 쓴다
맥락
모델·프롬프트·검색 설정이 바뀌는 모든 AI 부품. 특히 B3 지식 접지(검색 품질은 평가 없이 개선 불가), E2 상용 API(예고 없는 모델 업데이트), 유형 ①④⑤a⑦⑩⑫.
맞서는 힘(긴장)
- 평가 세트 구축 비용 vs 변경의 안전
- 사람 라벨의 정확성 vs LLM 심판의 규모
- 세트 고정(비교 가능성) vs 업무 변화 반영(세트 갱신)
해법
RAG를 붙이거나 모델을 고르기 전에 업무 질문·정답·채점 기준(사람 라벨 + LLM 심판)을 세트로 만든다. 프롬프트·모델·설정 조합을 릴리스처럼 버전 관리하고, 모든 변경마다 같은 세트로 재평가해 점수표와 회귀 실패 목록을 남긴다. 기준을 넘지 못하면 배포하지 않는 게이트를 둔다. 학습 데이터와 평가 세트는 누수 없이 분리한다.
이럴 때 쓴다
- RAG·튜닝을 붙이기 전(§7.1 4단계, §7.2 진행 경로 2단계)
- E2 상용 API로 모델 업데이트가 예고 없이 올 때(필수)
- 폐쇄망 로컬 모델의 교체 시점
- C6 환류·C7 모델 교체를 하려 할 때(선행 조건)
이럴 때는 쓰지 않는다
- B0 결정적 도구처럼 비결정적 출력이 없을 때
- 유형 5a 중 순수 시각화(R10: 면제)
얻는 것
- 변경의 효과와 회귀를 숫자로 확인
- 모델 교체·재학습의 안전
- 모델 선정 근거 확보
점검표
- 업무 질문·정답·채점 기준 세트가 있는가
- 프롬프트·모델·설정이 버전 관리되는가
- 변경마다 재평가한 기록이 있는가
- 기준 미달 시 배포를 막는 절차가 있는가
구조 — 참여 부품
- A1 데이터 자산 서비스 — 정답의 출처
- A2 모델 서빙 계층 — 평가 대상 모델의 버전 고정
- 채점기 — 사람 라벨과 LLM 심판으로 점수 산출
- 배포 게이트 — 기준 미달 변경의 배포 차단
- C4 감사 로그·지표 — 운영 지표와 평가 점수 대조
변형
- 모델 선정 블라인드 비교: 여러 모델을 동일 조건·평가 의도 은닉으로 채점해 운영 모델 선별
- 배포 전 회귀검증 게이트: 응답 로직 변경 시 기준 질의의 기대응답 대조를 통과해야 배포
- 재학습 모델 비교 게이트: 재학습 시 이전 버전 대비 성능을 비교해 기준 상회 모델만 배포
- 공인시험 기반 검증 세트: 검출 기준을 명시한 검증 세트와 공인시험
참조 구현 예
- PAX MOPAN — 기각한 시도 15건의 실패 기전을 기술 보고서로 남김
관련 부품
C6 후속 — 환류의 재검증 단계 · C7 후속 — 모델 교체(Blue-Green) 전 회귀시험 · B3 끼울 자리 — 검색 품질 개선의 전제 · A1 의존 — 정답 출처 · A2 의존 — 모델 버전 고정
참고 자료
Fowler Evals · InfoQ AI-Ops · Prompt-Model-Config Versioning · Gulli ch.19 Evaluation & Monitoring
이 부품과 이어지는 가이드라인
- 공공부문 AI 도입·활용 가이드
- 인공지능 위험 사례집
- 금융분야 AI 위험관리프레임워크
- AI 기반 신용평가모형 검증체계
- 합성데이터 생성·활용 안내서
- 인공지능 영향평가 가이드라인
- 신뢰할 수 있는 인공지능 개발 안내서
- 인공지능(AI) 표준화 전략 로드맵
- KS X ISO/IEC 42001 인공지능 경영시스템
- KS X ISO/IEC 23894 인공지능 리스크관리 지침
- KS X ISO/IEC TS 4213 기계 학습 분류 성능에 대한 평가
- KS X ISO/IEC 22989 인공지능 개념 및 용어, KS X ISO/IEC TR 24028 인공지능의 신뢰성 개요
F9 판정 근거·기여도 표시 상호작용 패턴
SHAP 요인 문장, 의심 부위 BBox, 판정 사유 코드, 자연어 판독 이유, 예측-실제 잔차로 모델이 왜 그렇게 판정했는지 보인다. B2·B4·B5의 필수 면이다.
PAX 사례 23건이 이 부품을 쓴다
맥락
B2 예측·추천기, B4 인식 파이프라인, B5 감지·경보. 유형 ③ 현장 감시, 5a 분석, ⑩ 위험 예측, ⑪ 추천·매칭(추천 사유). v0.6에서 추가.
맞서는 힘(긴장)
- 설명의 충실성 vs 이해 가능성
- 근거 공개 vs 적대적 이용자에게 탐지 기준 노출(X16)
해법
판정마다 기여 요인(SHAP)·의심 부위(BBox)·사유 코드·자연어 근거를 결과와 함께 보인다. 담당자가 근거를 열어 확인하고 최종 판단하게 한다. 위조 탐지처럼 적대적 이용자가 있는 D3 접점에서는 이용자에게 '정상/위조의심'만 보이고 세부 근거는 관리자 화면에만 둔다(근거 은닉).
이럴 때 쓴다
- B2·B4·B5의 판정 결과를 사람이 검토할 때
- 유형 ③⑤a⑩⑪처럼 F9가 필수인 유형
이럴 때는 쓰지 않는다
- 위조 탐지 등 적대적 이용자에게 근거를 그대로 보이는 경우(X16 — 관리자 전용으로)
- 문서 출처만 보이면 되는 지식 접지 응답(F1)
얻는 것
- 담당자가 판정을 검토할 근거
- 오판 원인 파악
- 추천·선별 결과의 설명 책임
점검표
- 판정마다 근거가 보이는가
- 적대적 접점에서 근거가 관리자에게만 노출되는가
- 최종 판단 주체가 명시되는가
구조 — 참여 부품
- A2.5 비LLM 학습 모델 서빙 — 판정과 기여도 산출
- 근거 표시 화면 — 요인·BBox·사유 코드 제시
- 담당자 — 근거를 보고 최종 판단
변형
- 요인 기여도: SHAP 등 요인 문장
- 위치 표시: 의심 부위 BBox
- 사유 코드·자연어 근거: 판정 사유 코드와 판독 이유 문장
- 관리자 전용 근거(근거 은닉): 적대적 접점에서 세부 근거를 관리자에게만 노출
참조 구현 예
- PAX 3b195a5faf820769 — 정비 대상 판정의 근거를 따로 열어 확인하게 하고 오류 가능성을 화면에 명시한 F9+F7 표준형
- PAX 8c461c4901e30775 — 실험마다 의도·판정 근거·실제 프롬프트를 함께 공개
관련 부품
F1 구분 — 문서 출처 · F7 짝 — F9+F7 표준형 · B2 끼울 자리 — 예측·추천기의 필수 면 · B′9 짝 — 판정 게이트의 근거 출력 · X16 안티패턴 — 적대적 접점의 근거 노출
참고 자료
카탈로그 v0.6 개정 F9 · aiuxpatterns Results
이 부품과 이어지는 가이드라인
F7 한계·신뢰도 안내 상호작용 패턴
AI가 무엇을 못 하는지, 얼마나 확신하는지, 공식 판단이 아님을 이용자가 볼 수 있는 곳에 적어 과신을 막는다.
PAX 사례 63건이 이 부품을 쓴다
맥락
대민 상담·안내(유형 ①), 대조·점검(⑦), 분석·예측(5a·⑩), 비식별 도구(⑬). 대체 경로로 운영 중인 C7 상황.
맞서는 힘(긴장)
- 정직한 한계 고지 vs 서비스 신뢰도 하락 우려
- 신뢰도 수치 표시의 정확성 vs 이용자 이해
해법
화면에 사용 한계(대상 범위·미검증 항목·처리 시간), 신뢰도, '공식 판단 아님' 고지를 결과 옆에 배치한다. 저신뢰 결과는 표시를 달리하고, C7 대체 경로로 운영 중이면 품질 저하를 알린다. 고지 문구는 법률 자문·유권해석을 대체하지 않는다는 점을 분명히 적는다.
이럴 때 쓴다
- 대민 서비스 D1~D7(F1·F2·F7 최소 요건)
- 유형 ①⑦5a⑩⑬처럼 F7이 필수인 유형
- C7 대체 경로 운영 중
이럴 때는 쓰지 않는다
- 유형 ①·⑦에서 model_dependency가 없음(비LLM)이면 필수에서 면제(R7). 단 비LLM 도구도 한계 고지는 권장된다
얻는 것
- 과신·오인 방지
- 기관 책임 범위 명확화
점검표
- 이용자가 '공식 판단이 아님'을 결과 화면에서 읽을 수 있는가
- 사용 한계가 명시되어 있는가
- 저신뢰 결과가 구분 표시되는가
구조 — 참여 부품
- 고지 문구 — 사용 한계·공식 판단 아님
- 신뢰도 표시 — 결과별 확신 수준
- C7 폴백 스위치 — 대체 경로 운영 여부 제공
변형
- 공식 판단 아님 고지: '유권해석 아님'·'참고용' 고지
- 신뢰도 표시: 결과별 신뢰도·등급 표시
- 미검증 항목 열거: 검증되지 않은 조건·처리 시간을 명시
참조 구현 예
- 소방기술민원 답변생성기 — '유권해석 아님' 고지
- PAX 9998aba2d1f55c24 — 비공식 참고 도구·공식 판단 아님 고지와 원문 연계를 함께 갖춘 자가점검 UI
- PAX 759835514b4b7ca4 — README가 미검증 항목을 열거하고 '최종 판단은 항상 사람' 고지
- PAX 6c0fa4c0c3508ff0 — 처리 시간과 라이선스 동의 절차를 정직하게 고지한 온디바이스 비전 도구
- PAX aef95509b7611c96 — 비LLM 스크리닝 도구가 실제 검토를 대체하지 않음을 화면에 명시
- PAX 0a2535cadf2d621a — 법률 자문·안전 인증을 대체하지 않는다는 한계 고지
관련 부품
C7 시스템 쪽 대응 — 대체 경로 운영 중 안내 · F1 짝 — 이용자 신뢰의 실체 · F9 짝 — 판정 근거와 함께 표시(F9+F7 표준형) · C5 짝 — 근거 없을 때의 동작
참고 자료
InfoQ Contextual Guidance · aiuxpatterns Inline Help
이 부품과 이어지는 가이드라인
X5 성능표만 있는 학습 안티패턴
학습 모델의 정확도는 보고하지만 배포 후 수정률을 누가 집계해 무엇을 바꾸는지가 없어, 개선이 배포 시점에 멈추는 함정이다.
맥락
B2 예측·추천, B4 인식 파이프라인, B5 감지·경보처럼 자체 학습 모델(A2.3·A2.5)을 가진 과제. 사람이 AI 산출물을 고치는 C1이 있는데도 그 수정이 모이지 않는 과제.
맞서는 힘(긴장)
- 계약 종료 시점의 성능 증명 vs 배포 후 지속 개선
- 운영 기록 비용 vs 재학습·기준 개정의 근거
- 과제 성과 지표 vs 현장 수정률
해법
배포 후 사람이 고친 기록을 C4 감사 로그·지표로 모아 수정률·오탐·이의를 숫자로 말하게 한다. C1 검토 큐의 수정 내역을 C4·C6의 입력으로 연결하고, C6 환류 파이프라인에 재학습·기준 개정의 주기와 트리거(예: 수정률 임계)를 정한다. 재학습한 모델은 C9 평가 세트로 재검증한 뒤 교체한다. 판정 질문은 '지난 분기 지표 때문에 바뀐 규칙이 하나라도 있는가'다.
이럴 때 쓴다
- 정확도·F1 같은 성능 수치는 있으나 배포 후 수정률·오탐률 지표가 없다
- C1 검토가 있는데 수정 내역을 어디에 저장·집계하는지 서술이 없다
- 재학습의 주기·트리거·담당 주체가 없다
- '지속적으로 고도화'만 있고 구체 사이클이 없다
이럴 때는 쓰지 않는다
- 학습 모델이 없는 B0·규칙 기반 도구
- C6 환류가 주기·트리거와 함께 한 번 이상 실행된 경우
- 상용 API만 쓰고 자체 학습이 없어 재학습 대신 C9 재평가·프롬프트 개정으로 환류하는 경우(그 환류가 있으면 정상)
얻는 것
- 계약 종료 시점에 성능을 명확히 증명한다
- 운영 기록·재학습 비용이 들지 않는다
점검표
- 배포 후 수정률을 월 단위로 말할 수 있는가
- 재학습·기준 개정의 주기·트리거·담당자가 정해져 있는가
- 재학습 결과가 C9로 재검증되는가
- 지난 분기 지표 때문에 바뀐 규칙이 하나라도 있는가
구조 — 참여 부품
- C4 감사 로그·지표 — 수정률·오탐을 집계하는 빠진 부품
- C6 환류 파이프라인 — 주기·트리거로 재학습·기준 개정
- C1 검토 큐 — 사람의 수정 내역이 발생하는 곳
- C9 평가 세트·회귀시험 — 재학습 결과의 재검증
변형
- 정확도 단발 보고: 테스트 세트 정확도 한 번만 보고하고 배포 후 지표가 없음
- 수정은 있으나 버려짐: 담당자가 결과를 고치지만 수정 내역이 저장·집계되지 않음
- 재학습 주체 부재: 재학습 필요성은 쓰지만 누가 언제 하는지가 없음
관련 부품
C4 대체 — 배포 후 수정률·오탐 집계 · C6 대체 — 주기·트리거로 재학습·기준 개정 · C1 원천 — 사람 수정 내역이 발생하는 곳 · C9 짝 — 재학습 결과의 재검증 · X15 이웃 안티패턴 — 실측 없이 빌린 성과
참고 자료
PAX AIM06 '지난 분기 지표 때문에 바뀐 규칙' · InfoQ Metrics-driven AI-Ops
X15 빌린 성과표 안티패턴
실증 고유의 실측치 없이 벤더 상용 서비스의 KPI를 준용해 성과로 보고하는 함정이다. 195건 태깅에서 별도 명명이 요청되어 v0.6에 추가됐다.
맥락
A2.6 벤더 내장 블랙박스 모델이나 상용 제품을 도입한 과제, 운영 기간이 짧아 운영 데이터가 적은 과제.
맞서는 힘(긴장)
- 공신력 있어 보이는 벤더 수치 vs 우리 업무 데이터에서의 실측
- 짧은 운영 기간 vs 자체 평가 세트 구축
- 성과 보고 부담 vs 정직한 '미측정' 기록
해법
기관 업무 데이터(A1)에서 정답을 뽑아 C9 자체 평가 세트를 만들고, 도입한 벤더 모델을 그 세트로 직접 잰다. 실증 기간 동안의 처리 건수·처리시간·수정률은 C4 지표로 적재해 실측치로 보고한다. 벤더 KPI를 인용할 때는 '참고(벤더 제시)'로 출처를 밝혀 실측치와 분리 표기한다. 벤더 블랙박스라 내부 평가가 어렵더라도 입력·출력 수준의 C9 평가는 가능하다.
이럴 때 쓴다
- 성과 수치의 출처가 벤더·상용 서비스 자료이고 실증 기간 측정이 없다
- 보고된 정확도가 어떤 데이터로 잰 것인지 서술되지 않는다
- 자체 평가 세트·실증 기간 지표가 없다
- 벤더 KPI와 실측치가 구분 표기되지 않는다
이럴 때는 쓰지 않는다
- 벤더 수치를 참고로 밝히고 실증 실측치를 따로 보고한 경우
- 자체 실측은 있으나 배포 후 환류가 없는 경우(그것은 X5)
- 시연 환경만 있는 경우(그것은 X6)
얻는 것
- 짧은 실증 기간에도 인상적인 수치를 보고한다
- 평가 세트 구축 비용이 없다
점검표
- 모든 성과 수치에 출처가 붙어 있는가
- 실증 기간에 기관 데이터로 잰 실측치가 있는가
- 자체 평가 세트가 있는가
- 벤더 KPI와 실측치가 분리 표기되어 있는가
구조 — 참여 부품
- C9 평가 세트·회귀시험 — 자체 업무 데이터로 만든 평가 세트
- C4 감사 로그·지표 — 운영 기간의 실측 지표
- A2.6 벤더 내장 블랙박스 모델 — KPI를 빌려 오게 되는 흔한 출처
- A1 데이터 자산 서비스 — 평가 세트의 정답 출처
변형
- 벤더 정확도 인용: 상용 모델·제품의 공개 정확도를 자체 성과로 기재
- 타 사례 효과 준용: 다른 기관·민간 도입 사례의 절감률을 그대로 인용
- 추정치 성과화: 벤더 단가·처리량으로 계산한 예상 효과를 실측처럼 보고
관련 부품
C9 대체 — 자체 업무 데이터 평가 세트 · C4 대체 — 실증 기간 실측 지표 · A2.6 흔한 출처 — 벤더 블랙박스 모델 · A1 선행 — 평가 세트의 정답 출처 · X5 이웃 안티패턴 — 성능표만 있는 학습
참고 자료
Fowler Evals · 카탈로그 §7.1 4단계(평가 세트를 먼저 만든다)
이 부품과 이어지는 가이드라인
X16 기준을 노출하는 위조 탐지 안티패턴
진위 판정 근거를 이용자 화면에 그대로 보여 줘 위조범이 탐지 기준을 역추적하게 만드는 함정이다. F9 근거 표시가 적대적 접점에서는 취약점이 된다.
맥락
D3 자격·심사, D2 접수·제출에서 제출 서류·이미지의 진위를 판정하는 B4 인식 파이프라인·B2 분류기. 이용자 중 일부가 탐지를 회피하려는 동기를 가진 경우.
맞서는 힘(긴장)
- 설명 가능성·투명성 vs 적대적 이용자의 기준 역추적
- 이용자 자기확인 편의 vs 판정 기준 보호
- 행정 절차상 사유 고지 vs 탐지 성능 유지
해법
F9 판정 근거·기여도 표시를 역할별로 나눈다. 이용자 화면에는 '정상/위조의심'만 노출하고, 의심 부위·사유 코드·기여도 같은 세부 근거는 관리자 화면에만 보여 준다(근거 은닉, anti-oracle — 카탈로그가 S 계층 후보로 둔 반대편 부품). 관리자 화면 접근은 C8 권한 경계로 제한하고, '위조의심' 건은 C1 검토 큐에서 담당자가 세부 근거를 보고 확정한다. 이용자에게는 F7 한계·신뢰도 안내로 추가 확인 절차를 알리고, 반복 제출·판정 이력은 C4·S10에 남겨 역추적 시도를 탐지할 근거로 삼는다.
이럴 때 쓴다
- 진위·위조 판정 결과와 함께 세부 근거(의심 부위·사유 코드·점수)가 제출자 화면에 표시된다
- 제출자가 근거를 보고 수정해 반복 재제출할 수 있다
- 이용자 중 탐지 회피 동기를 가진 적대자가 있을 수 있다
- 관리자와 이용자의 판정 화면이 같다
이럴 때는 쓰지 않는다
- 내부 담당자만 쓰는 판독 도구로 제출자에게 결과가 노출되지 않는 경우
- 이용자가 적대자가 아닌 접점(예: 내부 품질 점검, 자기 서류 오류 안내)에서 F9로 근거를 보여 주는 경우 — 이때 F9는 정상 부품이다
- 이용자에게 '정상/위조의심'만 보여 주고 세부 근거는 관리자 화면에 둔 경우
얻는 것
- 투명성·설명 가능성 요구를 쉽게 충족한다
- 선의의 이용자가 오류를 스스로 고칠 수 있다
점검표
- 제출자 화면에 세부 판정 근거가 노출되지 않는가
- 세부 근거가 관리자 화면에서만 보이고 접근이 제한되는가
- 위조의심 건을 사람이 확정하는가
- 반복 재제출 이력이 기록되는가
구조 — 참여 부품
- F9 판정 근거·기여도 표시 — 적대적 접점에서 역할별로 나눠야 할 설명
- 근거 은닉(anti-oracle, S 후보) — 이용자에게는 판정만, 세부 근거는 관리자에게만
- C1 검토 큐 — 위조의심 건을 담당자가 세부 근거로 확정
- C8 권한 경계 — 관리자 화면 접근 제한
변형
- 의심 부위 표시형: 이용자 화면에 BBox·히트맵으로 위조 의심 부위를 표시
- 사유 코드 노출형: 반려 사유 코드·점수를 이용자에게 그대로 반환
- 무제한 재제출형: 근거를 보고 고쳐 무제한 재제출할 수 있어 기준 탐색이 가능
관련 부품
F9 교정 대상 — 적대적 접점에서 관리자 화면 전용으로 · C8 끼울 자리 — 관리자 화면 접근 제한 · C1 짝 — 위조의심 건의 사람 확정 · F7 이용자 쪽 대응 — 판정만 알리고 다음 절차 안내 · D3 발생 접점 — 자격·심사
참고 자료
카탈로그 §6 F9 카드(적대적 D3에서는 관리자에게만 노출)
실무 도입 카드
필요한 것
라이선스: 명시 없음
첫 3단계
① 원문·저장소에서 실체 확인 → ② 소규모 업무로 시험 → ③ 결과를 동료와 교차 검증
주의사항
저장소 유지보수가 정체 상태입니다 · 실사용 피드백이 미확인입니다 — 도입 전 소규모 검증을 권합니다 · 성과 수치는 출처가 확인된 것만 신뢰하세요
전이 절차(보안검토→품의→배포)는 전이 플레이북을 참고하세요.