들어가며 복잡한 대시보드, 정말 활용되고 있을까? 많은 기업과 연구기관이 데이터 기반 의사결정을 위해 정교한 대시보드를 구축합니다. 하지만 실제 현장에서는 이러한 대시보드가 제대로 활용되지 못하는 경우가 많습니다. 수십 개의 파라미터를 조정해야 하는 복잡한 UI, 전문 용어로 가득한 입력 필드, 그리고 “만약 이렇게 하면 어떻게 될까?”라는 간단한 질문에도 많은 시간이 소요되는 구조 때문입니다. 특히 시뮬레이션 기반 대시보드의 […] || 들어가며
복잡한 대시보드, 정말 활용되고 있을까?
많은 기업과 연구기관이 데이터 기반 의사결정을 위해 정교한 대시보드를 구축합니다. 하지만 실제 현장에서는 이러한 대시보드가 제대로 활용되지 못하는 경우가 많습니다. 수십 개의 파라미터를 조정해야 하는 복잡한 UI, 전문 용어로 가득한 입력 필드, 그리고 “만약 이렇게 하면 어떻게 될까?”라는 간단한 질문에도 많은 시간이 소요되는 구조 때문입니다.
특히 시뮬레이션 기반 대시보드의 경우, 강력한 분석 엔진을 갖추고 있어도 사용 편의성의 부재로 인해 실무 활용도가 떨어지는 문제가 발생합니다. 결과적으로 비전문가인 정책 입안자나 실무 담당자는 데이터 인사이트를 얻기 위해 전문가의 도움을 계속 필요로 하게 됩니다.
LLM이 여는 새로운 가능성: 대화형 대시보드
최근 생성형 AI 기술의 발전은 이러한 문제에 새로운 해결책을 제시합니다. 복잡한 UI 조작 대신 자연어로 질문하고, 전문 용어 대신 일상적인 언어로 시나리오를 설정하며, LLM이 자동으로 결과를 해석하고 인사이트를 제공하는 대화형 대시보드가 가능해진 것입니다.
이러한 접근은 단순히 UI를 개선하는 것을 넘어, 도메인 지식의 장벽을 낮추고 누구나 데이터 기반 의사결정을 할 수 있도록 돕습니다. 본 포스팅에서는 환경 데이터 사이언스 전문 기업 EHRNC가 AWS 생성형 AI 서비스를 활용하여 대기오염 예측 대시보드를 어떻게 혁신했는지 소개합니다.
EHRNC 소개 및 프로젝트 배경: 환경 데이터 사이언스의 선두주자
EHRNC는 2016년에 설립된 환경 데이터 사이언스 전문 연구 기업으로, 현재 인천 창업·벤처 녹색융합클러스터에 입주해 있는 유망 중소기업입니다. EHRNC는 복잡한 환경 데이터를 분석하여 실질적인 정책 솔루션을 제공하는 데 주력하고 있습니다. 이번 프로젝트는 사전에 수행된 대기오염 확산 시뮬레이션인 CMAQ의 시뮬레이션 데이터를 학습하여 구축한 ’대리 모델 (Surrogate model)’을 실무에 활용하는 데 초점을 맞추고 있습니다.
CMAQ은 미국 EPA(환경보호청, Environmental Protection Agency)에서 개발된 대기질 시뮬레이터이며, 대기의 화학적-물리적 역학 과정을 계산하는 수치 모델입니다. 또한, 대리 모델은 CMAQ의 복잡한 역학 시뮬레이션과 입출력 관계를 심층 신경망 기반의 AI가 학습하여 구축한 ‘모사 모델’을 의미합니다. 원본 시뮬레이션이 수 시간에서 수 일이 걸리는 반면, 대리 모델은 동일한 예측을 수 초 내에 수행할 수 있어 실시간 의사결정에 활용 가능합니다.
EHRNC는 대리 모델을 기반으로 환경 정책 수립과 오염원 분석을 지원하는 지능형 대시보드 서비스인 “CMAQ Canvas”를 구축하여, 보다 신속하고 효율적인 시뮬레이션 결과 도출과 이를 통한 의사결정을 돕는 것을 목표로 합니다.
기존 시스템의 한계: 강력하지만 다루기 힘든 도구
EHRNC가 보유한 DNN(Deep Neural Networks, 심층 신경망) 기반 대리 모델은 CMAQ 시뮬레이션을 일부분을 획기적으로 대체할 수 있는 성능을 갖췄습니다. 그러나 기존의 CMAQ을 사용하려는 사용자 관점에서 다음과 같은 명확한 한계점을 안고 있었습니다.
1. 제어 컴포넌트의 복잡성 (High Complexity) CMAQ 시뮬레이션을 위해 수십 개의 배출원(Source) 파라미터, 기상 조건, 시간대 설정 등을 일일이 작성해야 하며, CMAQ 시뮬레이션의 경우 GUI 형식의 시뮬레이션 시스템이 아니므로 사용자에게 높은 복잡성, 사전 지식을 요구하는