사회서비스의 디지털 전환 018. AI의 기본 원리

복지행정에서 활용되는 데이터는 행정 기록 형태의 텍스트뿐만 아니라 상담 음성, 이미지 자료, 서비스 이용 이력 등 다양한 형식을 포괄하고 있다. 이에 따라 인공지능을 복지행정에 효과적으로 적용하기 위해서는 데이터의 유형과 서비스 목적에 부합하는 학습 방식의 선택이 중요하다. 실제 복지 현장에서는 대상자의 특성, 개입 목적, 활용 단계에 따라 서로 다른 인공지능 학습 방식이 적용되고 있으며, 이러한 선택의 적절성은 인공지능 기반 복지서비스의 실효성을 좌우하는 핵심 요인으로 작용한다.

지도학습은 과거의 서비스 제공 사례와 그 결과가 비교적 명확하게 축적된 데이터를 기반으로 학습이 이루어지는 방식으로, 예측 정확도와 결과의 검증 가능성이 높다는 특징을 지닌다. 이러한 특성으로 인해 지도학습은 부정수급 탐지, 복지 지원 대상 판별, 서비스 자격 심사 보조 등 판단 기준이 비교적 명확한 복지행정 영역에서 주로 활용되고 있다. 예컨대 사회서비스 바우처 관리에서는 과거 결제 내역과 실제 부정 이용 사례를 함께 학습시켜 정상적인 이용 패턴과 다른 이상 징후를 사전에 식별함으로써, 현장 담당자의 점검 부담을 완화하고 보다 신속하고 체계적인 대응을 가능하게 한다. 다만 충분한 학습 데이터 확보와 명확한 분류 기준이 전제되어야 하며, 과거 제도 운영 과정에서 형성된 편향이 분석 결과에 반영될 수 있다는 점에서 지속적인 검증과 관리가 요구된다.

비지도학습은 사전에 정해진 정답 없이 데이터 간의 유사성과 패턴을 탐색하는 방식으로, 복지 사각지대 발굴이나 잠재적 위기가구 탐지와 같이 기존 제도 기준만으로는 포착하기 어려운 영역에서 활용 가치가 크다. 생활 수준, 서비스 이용 이력, 가구 특성이 유사한 집단을 자동으로 분류함으로써 행정 체계상 드러나지 않았던 위험 신호를 조기에 식별할 수 있으며, 이를 통해 보다 선제적인 복지서비스 개입이 가능해진다. 반면 분석 결과의 의미를 직관적으로 해석하기 어렵고, 서비스 제공의 근거를 명확히 설명하기 쉽지 않다는 한계가 존재하므로, 서비스 결정 과정에서의 투명성과 책임성 확보가 중요한 과제로 제기된다.

최근에는 텍스트, 이미지, 음성과 같은 이질적인 데이터를 함께 분석하는 딥러닝 기반 모델이 복지서비스 영역에도 도입되면서, 상담 자동화, 장애인 지원 서비스 분석, 건강 상태 모니터링 등 보다 복합적이고 맥락을 반영한 서비스 판단이 가능해지고 있다. 이러한 모델은 다양한 정보 원을 통합적으로 처리하는 데 강점을 지니는 반면, 내부 연산 구조가 복 잡해 판단 과정이 외부에 충분히 드러나지 않으며, 안정적인 운영을 위해 고성능 인프라와 전문 인력의 관리 역량이 요구된다는 제약도 함께 수반한다.

이처럼 복지서비스에서의 인공지능 활용은 특정 학습 방식의 기술적 우수성에 의존하기보다, 서비스 목적과 데이터 특성에 부합하는 학습 방식을 적절히 선택·결합하는 접근이 핵심적이다. 더 나아가 데이터 품질관리, 알고리즘 검증 절차, 윤리적 책임 체계가 함께 마련될 때 인공지능은 단순한 업무 보조 수단을 넘어, 복지서비스의 공정성과 신뢰성을 제고하는 정책적·실천적 도구로 기능할 수 있을 것이다.

자연어처리(Natural Language Processing, NLP)는 민원 접수 내용이나 복지 상담 기록과 같이 문자 형태로 축적된 정보를 분석하여 이용자의 요구와 감정 상태를 파악하는 기술이다. 복지행정 분야에서는 매일 대량으로 생성되는 상담·민원 텍스트를 담당자가 모두 직접 검토하기 어 렵기 때문에, 자연어처리 기술을 활용해 업무 효율성과 대응 속도를 제고하고 있다. 예를 들어 접수된 민원 내용을 분석하여 단순 문의와 즉각적인 개입이 필요한 긴급 사안을 자동으로 구분하거나, 반복적으로 제기되는 민원을 유형별로 분류함으로써 처리 절차의 표준화가 가능해진다. 이를 통해 담당자는 보다 중요하거나 복합적인 사안에 집중할 수 있으며, 초기 대응의 신속성과 행정의 일관성 또한 함께 향상된다.

아울러 상담 대화 데이터를 학습한 자연어처리 모델은 챗봇의 문맥 이해 능력과 응답 정확도를 지속적으로 개선하는 데 활용되고 있다. 초기 상담 단계에서 기본적인 안내와 1차 분류가 자동으로 이루어짐으로써, 상담자는 전문적 판단과 심층 개입이 필요한 사례에 집중할 수 있는 여건을 확보하게 된다. 더 나아가 축적된 상담 기록을 종합적으로 분석함으로써 이용자의 요구 변화와 감정 반응을 파악하고, 이를 정책 만족도 평가나 서비스 품질 개선을 위한 기초 자료로 활용하는 등 이용자 중심의 복지행정 구현에 기여하고 있다.

이미지 인식 기술은 사람의 움직임, 자세, 표정과 같은 비언어적 신호를 분석하여 돌봄 및 의료복지 서비스의 질을 향상시키는 데 활용되고 있다. 말이나 글로 표현하기 어려운 신체 상태의 변화를 자동으로 감지할 수 있다는 점에서, 돌봄이 필요한 상황을 보다 신속하게 파악하는 데 장점을 지닌다. 예를 들어 카메라 기반 이미지 인식을 통해 수어 의사소통을 지원하거나, 재활 치료 과정에서 운동 수행 여부와 자세의 정확성을 점검할 수 있다. 또한 고령자나 장애인의 일상 움직임을 지속적으로 관찰하여 낙상과 같은 위험 상황을 조기에 감지함으로써, 돌봄 인력의 부담을 완화하고 이용자의 안전성을 제고하는 효과도 기대된다.

이러한 이미지 인식 기술은 사물인터넷(IoT)과 결합되면서 실시간 모니터링을 기반으로 한 스마트 돌봄 체계로 확장되고 있다. 이상 징후가 감지될 경우 보호자나 공공기관에 즉시 알림을 전달함으로써, 돌봄 서비스는 사후 대응 중심에서 예방과 조기 개입 중심의 체계로 점차 전환되고 있다. 특히 의료 인프라가 충분하지 않은 지역에서도 기본적인 건강상태를 점검하고 위험 신호를 조기에 파악할 수 있어, 지역 간 의료·돌봄 접근성 격차를 완화하는 데에도 기여하고 있다. 다만 이러한 기술이 안정적으로 활용되기 위해서는 데이터의 정확성과 신뢰성 확보와 함께 개인정보 보호 및 윤리적 관리 체계의 강화가 필수적이다.

음성인식 기술 역시 복지행정 서비스의 접근성과 처리 속도를 높이는 핵심 수단으로 활용되고 있다. 말로 질문하고 안내를 받을 수 있는 보이스봇은 이용자의 음성을 인식하여 복지 신청 절차를 설명하고, 필요한 정보를 자동으로 입력하거나 관련 서비스를 안내하는 기능을 수행한다. 이를 통해 컴퓨터나 스마트폰 사용이 익숙하지 않은 고령자와 디지털 취약계층도 복지서비스에 보다 쉽게 접근할 수 있게 된다.

나아가 음성인식 기반 복지봇은 상담 내용과 응답 흐름을 분석하여 복지 사각지대를 조기에 발견하고, 개인의 상황에 맞는 상담을 제공하는 방향으로 발전하고 있다. 실제 상담 상황을 반영한 대화 시나리오를 적용함으로써 이용자가 자연스럽게 자신의 상황을 설명할 수 있도록 지원하며, 반복적이고 단순한 민원은 자동으로 처리되고 담당 공무원은 보다 전문적인 상담과 사례 관리 업무에 집중할 수 있는 환경이 조성된다. 이처럼 음성인식과 챗봇 기술은 기존의 자동응답 시스템을 넘어, 이용자의 반응과 맥락을 이해하는 지능형 상담 행정 체계로 확장되고 있으며, 복지행정은 점차 데이터 기반의 맞춤형 지원과 지속적인 사회적 돌봄을 제공하는 방향으로 전환되고 있다.

복지행정에서 활용되는 AI 모델의 성능과 신뢰성은 어떤 데이터를 어떻게 수집·처리하고 학습시키는지에 따라 크게 좌우된다. 특히 사회복지 행정은 개인정보와 행정기록 등 민감한 정보를 다루는 영역이기 때문에, 데이터의 품질 관리와 처리 절차는 기술적 요소를 넘어 정책적·윤리적 중요성을 지닌다.

AI 모델의 학습은 먼저 여러 기관과 시스템에 분산되어 있는 행정데이터를 수집하는 단계에서 시작된다. 이 과정에서 개인을 직접 식별할 수 있는 정보는 비식별화하거나 제거하여 데이터의 안전성을 확보하며, 정제된 데이터는 컴퓨터가 분석할 수 있는 형식으로 변환되어 학습의 기초 자료로 활용된다. 이러한 조치는 개인정보 보호를 전제로 하면서도 데이터 활용 가능성을 유지하기 위한 필수적인 절차라 할 수 있다.

이후 전처리 단계에서는 입력 오류, 이상치, 누락값과 같은 부적절한 데이터를 정비하고, 기관별로 상이한 기준과 형식으로 기록된 정보를 비교·분석할 수 있도록 표준화한다. 전처리는 데이터에 내재된 왜곡과 편향을 완화하고, 분석 결과의 신뢰성을 높이기 위한 핵심 단계로 기능한다. 특히 복지데이터는 특정 집단에 정보가 집중되거나 취약계층처럼 사례 수가 적은 집단이 존재하는 등 구조적 불균형이 나타나는 경우가 많기 때문에, 학습 데이터 설계 단계에서 이러한 특성이 충분히 반영되도록 보완하는 과정이 중요하다.

학습 단계에서는 과거 사례와 그 결과를 바탕으로 예측하는 방식과, 데이터 내부의 패턴을 탐색하는 방식이 정책 목적에 따라 선택적으로 활용된다. 이를 통해 부정수급 탐지, 위기가구 발굴, 상담 지원 등 다양한 행정 목적에 부합하는 AI 모델이 구축된다. 복지행정에 활용되는 AI 모델은 단순한 문자나 이미지 인식 수준을 넘어, 수급 이력, 상담 기록, 서비스 이용 내역, 의료·고용 정보 등 개인의 생활 여건과 행정적 맥락을 종합적으로 반영할 수 있도록 설계될 필요가 있다.

검증 단계에서는 실제 행정 현장에서 새롭게 발생한 데이터를 적용하여 모델의 예측 정확성과 안정성을 점검한다. 이때 단순한 정답률뿐 아니라, 지원이 필요한 대상을 놓치지는 않았는지, 잘못 분류된 사례는 없 는지 등 다양한 지표를 함께 고려하는 다면적 평가가 이루어진다. 동일한 데이터를 반복적으로 검증하는 절차를 통해 모델이 특정 상황이나 집단에 편향되지 않고 안정적으로 작동하는지를 확인하며, 필요할 경우 알고리즘이나 데이터 구성을 보완하게 된다.

복지행정에서 AI 모델의 신뢰성을 확보하기 위해서는 성능 지표 중심의 평가를 넘어, 판단 결과가 공정하게 도출되었는지, 다양한 상황에서도 일관되게 작동하는지, 그리고 왜 그러한 판단이 이루어졌는지를 설명할 수 있는 구조를 갖추는 것이 필수적이다. 이는 행정 결정과 직접적으로 연결되는 복지 분야 AI의 특성상, 투명성과 책임성을 확보하기 위한 핵심 요건이라 할 수 있다.

아울러 AI 모델의 학습과 운영 전 과정에서는 개인정보를 최소한으로 활용하고, 데이터의 수집·처리·활용 이력을 추적·관리할 수 있는 체계를 갖추는 것이 중요하다. 이러한 관리 체계는 데이터 오·남용을 예방하고, 복지행정 전반에 대한 국민 신뢰를 유지하기 위한 기본적인 전제 조건으로 기능한다. 인공지능 위험관리 체계 역시 복지행정용 AI 모델에 적용 가능한 기준을 제시하며, 설계와 운영 과정이 외부에서도 점검 가능하고 판단 결과가 검증될 수 있어야 신뢰가 확보된다는 점을 강조하고 있다.

결국 복지행정에서 활용되는 AI 모델은 사람의 삶과 권리에 직접적인 영향을 미치는 결정을 다루는 만큼, 단순한 성능 향상을 넘어서는 관점이 요구된다. 학습 과정 전반에서 공정성, 투명성, 책임성을 함께 고려할때, AI는 행정 효율성을 높이는 도구를 넘어 시민에게 신뢰받는 정책 지원 수단으로 기능할 수 있을 것이다.