PRISM — 작업 전 안전회의(TBM)를 디지털화하고, 한전·KOSHA가 축적한 사고사례를 AI로 분석해 사고가 나기 전에 작업자에게 오늘의 위험을 경고하는 배전 현장 안전관리 앱.
PRISM은 "계획이 완벽해도 사람은 다친다"는 전제에서 출발한다. 사고가 나기 전에, 현장 작업자의 손에, 강한 경고를 부드러운 말로 쥐여주는 것이 목표다. 한전이 오래 쌓아온 사고 데이터와 최신 AI를 결합해, 안전을 '교육'에서 '실시간 현장 업무'로 끌어내린다.
배전직군 현직자들이 직접 만들었습니다. 동료의 부상과 사망을 곁에서 겪은 당사자들이라, 안전은 통계나 규정이 아니라 "아침에 함께 출근한 동료가 무사히 돌아오는 문제"입니다. 그래서 책상이 아니라 현장에서 필요한 것을 담았습니다.
배전 현장은 감전·추락 등 중대재해가 상존한다. 문제는 데이터가 있어도 '사고 나는 순간'에 쓰이지 않는다는 것.
축적된 방대한 사고사례(하인리히 1·29)가 교육장 스크린에만 있다. 정작 작업 순간엔 활용되지 않는다.
다칠 뻔한 순간(아찔순간)은 보고 부담으로 충분히 기록되지 못한다. 자기 실수가 드러날까 하는 우려가 벽이다.
TBM·체크리스트·계획도가 수기·형식적. 작성 부담이 정작 안전 몰입을 뺏는다.
이는 작업자의 안전의식 문제가 아니다. 필요한 정보를 제때 주고, 현장 경험을 부담 없이 나눌 수 있도록 업무구조를 바꿔야 할 문제다 — PRISM은 여기서 출발한다.
앞에서 본 세 가지 문제를 하나씩 그대로 되받아 풉니다 — ① 잠자는 사고 데이터는 작업 직전 손에, ② 비어 있는 하인리히 300은 30초 음성으로, ③ 형식화된 안전서류는 앱이 대신. 그 밑바탕이 "계산은 코드가, 해석은 AI가" — 신경-기호 하이브리드입니다.
작업 시작 전, 오늘 작업과 가장 닮은 실사고 2건을 작업자 손에. "이 작업에서 이런 사고가 있었으니, 이렇게 하세요."
1분 미만 음성 → 텍스트 전환과 동시에 녹음 삭제 → 사람·장소 정제 → 사용자가 직접 확인. 두려움을 설계로 없애 지속 수집을 만든다.
🔑 암묵지의 자산화 — 작업자 개인에 갇힌 암묵지(아찔순간)를 구전이 아니라 형식지로 자산화하여,
사람에서 사람으로, 나아가 AI·로봇으로도 끊김 없이 승계·처리되게 한다.
TBM 회의록·작업안전 체크리스트·작업계획도를 앱이 자동 생성. 작성 부담을 줄여, 사람은 안전에 집중한다.
모든 AI 호출이 단일 관문을 지난다 — 개인정보 비식별·프롬프트 인젝션 방어·출력 검증·감사로그·긴급차단.
PRISM은 Google Play 스토어에 출시되어 실서버에서 시범운영 중입니다. 제안서가 아니라 지금 현장에서 돌아가는 실물이며, 현장 효과를 검증하고 있습니다.
Play스토어 배포본을 실제 기기에서 촬영한 영상입니다. 개념이 아니라 지금 동작하는 앱입니다.
과장하지 않기 위해 이미 사실로 확인된 것과 아직 측정하지 않은 것을 나눕니다. 시뮬레이션은 실측이 아니며, 관심·요청은 성과가 아닙니다.
앞 장의 몬테카를로 시뮬레이션은 참여율·보고율·예방전환율을 가정한 분석일 뿐, 실제 사고감소 실적이 아닙니다 — 성과가 아니라 검증할 가설로 씁니다.
PRISM은 AI를 아끼지 않았습니다 — 아래 6가지 AI 기능이 실제 서버에서 돕니다. (정확도·통신이 걸리는 지점의 코드 분담은 앞 장(개선방안) 참고.)
작업·날씨·컨디션·사고사례를 엮어 오늘의 위험과 행동지침을 문장으로.
수백 건 중 오늘 작업과 가장 닮은 사고를 LLM이 의미로 선별.
음성을 텍스트로, 스키마로 정리하고 신원은 AI가 지운다.
TBM 내용을 회의록과 핵심 전달사항으로 자동 정리.
무지성 체크 방지 — 오늘 공종에 맞는 이해 확인 문항 생성.
통보서 자동 인식, 음성 제보, AI 분석 음성 낭독.
아찔순간(300)을 예방조치로 연결해 그 위의 사고(29·1) 위험을 낮출 수 있다는 가설을 검증한다 — 하인리히 법칙이 가리키는 예방의 방향.
사고 전 경고 + 아찔순간 예방으로 중대재해 발생 위험을 낮춘다.
안전서류 자동화로 작성 시간↓, 작업자는 안전에 집중.
중대재해 1건의 사회적·직접 비용 대비, 예방의 경제성.
한전이 현장에서 모으는 300 데이터 — 시간이 갈수록 깊어지는 자산.
PRISM의 AI는 과장 없이 실제 코드로 동작한다 — 생성형 위험분석, 하이브리드 검색(규칙+LLM), 스키마 제약 구조화 추출, 이중 비식별, 톤·페르소나 프롬프트 엔지니어링, 멀티모달(Vision·STT·TTS). 임베딩·파인튜닝 같은 무거운 기법을 지금 쓰지 않은 것은 역량 때문이 아니라 현장의 저지연·저비용·법령정합에 맞춘 최적 설계이며, 데이터가 쌓이면 의미검색·학습 기반으로 고도화한다.
아래는 실적이 아니라 가정에 기반한 몬테카를로 시뮬레이션입니다. 하인리히 1:29:300 관계를 가정하고, 슬라이더로 가정을 바꿔 예방 잠재력의 규모감과 민감도를 봅니다.
※ 하인리히 법칙 기반 — 실측이 아니라 가정 하의 확률모델 출력이며, 방향성·민감도를 보기 위한 것입니다.
평가 항목별로 PRISM이 어떻게 답하는지 정리했습니다. 민트 행 = 특히 강한 항목.
※ 아래 항목·배점은 발표자가 자체 정리한 예상 기준입니다. 공식 배점표는 주최 측 확인이 필요합니다.
| 평가 항목 | 배점 | PRISM의 대응 |
|---|---|---|
| 과제 적합성 | 10 | AI 데이터분석·프롬프트 엔지니어링을 현장 안전에 직접 적용 — 교육내용과 정합. |
| 현업 연계성 | 20 | 사고사례 731건(한전386·KOSHA344·앱1)·실제 TBM 프로세스 기반, 문경지사 현장 시범운영. |
| ★실행 가능성 | 25 | Play스토어 배포·실서버 시범운영 중 — 현장 효과 검증 단계. |
| ★혁신성 | 25 | 하이브리드 검색·이중 비식별·아찔순간 데이터 해자 — 교육자료를 업무자료로 전환. |
| 기대효과 | 20 | 재해↓·서류 자동화·비용절감 + 시간이 갈수록 깊어지는 데이터 자산. |
| 합계 | 100 | 배점의 절반(50)이 실행가능성·혁신성 — PRISM의 최대 강점 영역. |
