안전 나침반: AI가 HSE의 DNA를 바꾸는 방법
HSE 전문가의 새로운 도구로서의 인공지능
HSE 프로세스의 디지털화가 새로운 수준으로 발전하고 있습니다. 과거의 자동화가 서류 작업을 Excel이나 특수 프로그램으로 옮기는 것에 국한되었다면, 오늘날에는 생성형 신경망과 인공지능(AI) 기반 시스템이 전면에 나서고 있습니다. 이번 발표에서는 전문가들이 반복적인 업무에서 벗어나 분석 작업과 직원들과의 직접적인 소통에 시간을 할애할 수 있도록 돕는 AI 도구의 실질적인 적용 경험을 자세히 살펴봅니다.
발표자는 챗봇과 같은 생성형 모델이 어떻게 텍스트 요청에 따라 콘텐츠를 생성하고, 데이터를 분석하며, 심지어 코드를 작성할 수 있는지 설명합니다. AI는 전문가를 대체하는 것이 아니라, 구체적인 사례를 통해 학습시키고 오류가 발생할 때 수정해 주어야 하는 '디지털 인턴'이라는 점을 이해하는 것이 중요합니다.
'건강 나침반' 사례: 역학적 위험 관리 자동화
웨비나에서 소개된 주요 프로젝트 중 하나는 직원의 해외 출장 시 위험을 관리하기 위해 개발된 '건강 나침반' 시스템입니다. 이전에는 백신 접종 관리와 역학 상황에 대한 안내가 수동으로 이루어졌기 때문에 출장이 증가함에 따라 막대한 리소스가 필요했습니다.
시스템의 주요 기능:
- 실시간 데이터 분석: WHO 및 CDC Travel Health 웹사이트에서 질병 발생 및 권장 사항에 대한 정보를 수집합니다.
- 위험 수준별 국가 분류: 낮음(기본 위생 수칙)부터 높음(의무 백신 접종 및 출장 후 증상 모니터링)까지 분류합니다.
- 맞춤형 권장 사항 제공: 직원의 이동 경로와 백신 접종 이력을 고려하여 출국 전 구체적인 지침을 제공합니다.
발표자는 로우코드 플랫폼인 Replit을 사용하여 단 몇 시간 만에 이 시스템의 프로토타입을 어떻게 구축했는지 사례를 통해 보여줍니다. 이를 통해 아이디어를 빠르게 테스트하고, 명확한 기술 사양을 작성하며, 사내 정보 보안 부서에 프로젝트를 성공적으로 방어하여 이후 회사의 보안 서버로 이전할 수 있었습니다.
로우코드 플랫폼 및 사고 예측
또한 발표에서는 깊은 프로그래밍 지식 없이도 대화형 대시보드 및 사고 등록 시스템을 구축하기 위해 Replit 및 Bolt 플랫폼을 사용하는 주제를 다룹니다. 발표자는 올바르게 작성된 프롬프트(요청)를 사용하여 단 몇 분 만에 작동하는 애플리케이션 프로토타입을 얻는 방법을 시연합니다.
이러한 접근 방식의 장점:
- 데이터 시각화: 사고 히트맵, 무재해 일수 카운터 및 안전 등급을 생성합니다.
- 분류 자동화: 봇이 사고에 대한 텍스트 설명(예: "운전자가 운전 중 졸음")을 분석하여 사고 유형, 심각도 및 원인(인적 요인)을 자동으로 파악할 수 있습니다.
- IT 부서와의 협업 개선: 작동하는 프로토타입이 있으면 전문 인력이 정식 제품을 개발하는 프로세스가 크게 가속화됩니다.
HSE 분야의 기타 AI 적용 시나리오
대규모 프로젝트 외에도 발표자는 반복적인 업무를 최적화하기 위해 일상적으로 AI를 사용하는 사례를 공유합니다.
- 위험성 평가: 작업장 사진을 기반으로 위험성 평가표를 생성한 후 전문가가 수정 및 보완합니다.
- 사고 조사: AI 모델을 통해 프로토콜을 분석하여 '제3자의 의견'을 얻고 숨겨진 요인을 파악합니다.
- 교육 및 훈련: 시나리오, 지침 및 시각 자료를 제작하여 직원의 참여도를 크게 높입니다.
- 피드백 분석: 직원의 의견을 요약하여 안전 문화 향상을 위한 계획을 수립합니다.
이 웨비나에서 배울 내용:
- HSE 전문가의 일상 업무에서 생성형 신경망을 사용하기 시작하는 방법은 무엇인가?
- 로우코드 플랫폼을 사용하여 단 몇 시간 만에 위험 관리 시스템의 프로토타입을 구축하는 방법은 무엇인가?
- 출장 직원을 위한 역학 상황 데이터 수집 및 분석을 어떻게 자동화할 수 있는가?
- AI가 사고 분류 및 위험성 평가표 작성에 어떻게 도움을 줄 수 있는가?
- 신경망에서 고품질의 결과를 얻기 위해 프롬프트(요청)를 올바르게 작성하는 방법은 무엇인가?