보롱보롱한 인생

[성동5기 전Z전능 데이터분석가] 코멘토 청년취업사관학교 데이터 분석가 DAY43

보롱 — Fri, 13 Feb 2026 18:46:23 +0900

Daily Reflection(오늘의 하루)

#1차 발표 #내일부터 #연휴다!

Today's Learning

오늘은 1차 발표를 진행한 뒤 팀 회고를 진행했습니다ㅎㅎ

1주일 정도 프로젝트를 진행하면서 많이 배울 수 있었어요~

발표 때 받았던 피드백은 하단과 같습니다!

[멘토님 피드백]

과제명과 맞지 않는 문제정의 - 수정 필요
교통약자의 정확한 의미: 어린이? 임산부? 아예 타겟 정하고 가는 것도 Not bad
추가: 모델링 방법 (빅데이터 분석 기사 참고)

1단계. 데이터의 80% 먼저 넣고 학습시키기
2단계. 나머지 20%와 데이터가 맞는지 정답 확인 - 이것이 결국 '예측 확률'

[가설 9]
등교시간(8시~10시)보다 하교시간(16~18시)에 어린이 교통사고가 자주 발생할 것이다.

우선 오늘도 가설을 나눠서 검증했습니다!

등교시간(8시~10시)보다 하교시간(16~18시)에 어린이 교통사고가 자주 발생할 것이다.
0단계: 데이터 확인	import geopandas as gpd import pandas as pd # 1. 데이터 로드 accidents = gpd.read_file('13._교통사고이력.geojson') # 2. 데이터 정제 (공백 제거) accidents['acc_time'] = accidents['acc_time'].str.strip() # 3. 시간대별 사고 발생 건수 집계 time_stats = accidents['acc_time'].value_counts().reset_index() time_stats.columns = ['Time', 'Accident_Count'] # 4. 상위 5개(TOP 5) 추출 top5_accidents = time_stats.head(5) print("="50) print(" [전체 사고 발생 최다 시간 TOP 5 현황] ") print("="50) for i, row in top5_accidents.iterrows(): print(f"{i+1}위: {row['Time']} - 총 {row['Accident_Count']:,}건") print("="*50)
1단계: 등/하교 시간 분류	# 1. 시간대 그룹 설정 morning_list = ['08시', '09시', '10시'] afternoon_list = ['16시', '17시', '18시'] # 2. 그룹별 필터링 및 건수 계산 morning_cnt = len(accidents[accidents['acc_time'].isin(morning_list)]) afternoon_cnt = len(accidents[accidents['acc_time'].isin(afternoon_list)]) # 3. 결과 출력 print(f"▶ 등교 시간대 (08~10시) 사고: {morning_cnt:,}건") print(f"▶ 하교 시간대 (16~18시) 사고: {afternoon_cnt:,}건") print(f" 하교 시간이 등교 시간보다 {afternoon_cnt - morning_cnt:,}건 더 많이 발생했습니다.")
2단계: 12세 이하 어린이 필터링	# 1. 어린이(12세 이하) 데이터만 필터링 (age_group 컬럼 사용) child_acc = accidents[accidents['age_group'] == '12세 이하'].copy() # 2. 어린이 사고 최다 발생 시간 TOP 5 child_time_stats = child_acc['acc_time'].value_counts().reset_index() child_time_stats.columns = ['Time', 'Count'] top5_child = child_time_stats.head(5) # 3. 등/하교 시간대 설정 및 합산 morning_list = ['08시', '09시', '10시'] afternoon_list = ['16시', '17시', '18시'] morning_child_cnt = len(child_acc[child_acc['acc_time'].isin(morning_list)]) afternoon_child_cnt = len(child_acc[child_acc['acc_time'].isin(afternoon_list)]) # --- 결과 출력 --- print("="50) print(" [12세 이하 어린이 사고 발생 최다 시간 TOP 5] ") print("="50) if not top5_child.empty: for i, row in top5_child.iterrows(): print(f"{i+1}위: {row['Time']} - {row['Count']}건") else: print("데이터가 없습니다. 컬럼 값('12세 이하')을 확인해주세요.") print("\n" + "="50) print(" [가설 9 최종 확인: 어린이 사고 등교 vs 하교 비교] ") print("="50) print(f"▶ 등교 시간대(08~10시) 어린이 사고: {morning_child_cnt}건") print(f"▶ 하교 시간대(16~18시) 어린이 사고: {afternoon_child_cnt}건") print("-" * 50) print(f"결과: 하교 시간이 등교 시간보다 {afternoon_child_cnt - morning_child_cnt}건 더 많이 발생했습니다.") print("="*50)
3단계: 가설 검증 결과 확인 (1)	from scipy.stats import chisquare, pearsonr # [필터링] 12세 이하 어린이 데이터만 추출 child_acc = accidents[accidents['age_group'].str.strip() == '12세 이하'].copy() # 0. 12세 이하 총 교통사고 건수 계산 total_child_acc = len(child_acc) # 1. 어린이 사고 시간 흐름과 사고 건수의 상관계수(r) 구하기 time_df = child_acc['acc_time'].value_counts().reset_index() time_df.columns = ['Time', 'Count'] time_df['Time_Num'] = time_df['Time'].str.replace('시', '').astype(int) time_df = time_df.sort_values('Time_Num') corr_coef, corr_p = pearsonr(time_df['Time_Num'], time_df['Count']) # 2. 어린이 전용 등교(08-10시) vs 하교(16-18시) 건수 재계산 morning_child = len(child_acc[child_acc['acc_time'].isin(['08시', '09시', '10시'])]) afternoon_child = len(child_acc[child_acc['acc_time'].isin(['16시', '17시', '18시'])]) # 카이제곱 검정 실행 f_obs = [morning_child, afternoon_child] f_exp = [sum(f_obs)/2, sum(f_obs)/2] chi_stat, p_val = chisquare(f_obs, f_exp) print("="50) print(f" [12세 이하 어린이 사고 통계 결과] ") print("="50) print(f"▶ 카이제곱 P-value: {p_val:.4e}") print(f"▶ 상관계수(r): {corr_coef:.4f}") print(f"▶ 12세 이하 총 교통사고 건수: {total_child_acc:,}건") print(f"▶ 등교({morning_child}건) vs 하교({afternoon_child}건)") print("="*50)
3단계: 가설 검증 결과 확인 (2)	import seaborn as sns import matplotlib.pyplot as plt plt.figure(figsize=(8, 5)) labels = ['Morning (08-10h)', 'Afternoon (16-18h)'] counts = [morning_child, afternoon_child] # 어린이 안전을 상징하는 노란색과 경고를 뜻하는 주황색 활용 ax = sns.barplot(x=labels, y=counts, palette=['#F1C40F', '#E67E22'], hue=labels, legend=False) for i, v in enumerate(counts): ax.text(i, v + (max(counts)*0.01), f"{v}", ha='center', fontweight='bold') plt.title(f'Child Accident Comparison (P-value: {p_val:.2e})', fontsize=14, fontweight='bold') plt.ylabel('Count') plt.show()

[분석 결과]

가설 채택: P-Value 0에 수렴 (4.0982e-12)
등교 시간대(08~10시) 어린이 사고: 21건
하교 시간대(16~18시) 어린이 사고: 96건

[12세 이하 어린이 사고 발생 시간 TOP 3]

1위: 17시 (34건)
2위: 18시 (31건)
3위: 16시 (31건)

결과도 요로코롬 귀엽게 잘 나왔습니다!!!ㅎㅎ

[가설 검증 결과]

참 TRUE

가설 5. 사고 발생률이 높은 지역일수록 ‘보호의무의반’, ‘안전운전 의무 불이행’, ‘신호위반’ 위반 사례가 겹쳐있을 것이다.

가설 6. 과속 방지턱이 있으면 교통사고 발생률이 감소할 것이다.

가설 8. 횡단보도 수가 많을수록 교통사고가 자주 발생할 것이다.

가설 9. 등교시간(8시~10시)보다 하교시간(16~18시)에 어린이 교통사고가 자주 발생할 것이다.

가설 11. 5월이 교통사고 발생량이 가장 높을 것이다.

가설 13. 혼잡빈도가 높을수록 교통사고가 더 적게 발생할 것이다.

가설 10. "주말"보다 "평일"에 어린이 교통사고 발생률이 더 높을 것이다.

거짓 FALSE

가설 1. 상업 지역이 많을수록 교통사고가 자주 발생할 것이다.

가설 2. 우회전 전용차로가 있는 곳은 교통사고 발생률이 더 높을 것이다.

가설 7. CCTV가 있으면 교통사고 발생률이 감소할 것이다.

가설 12. 도로 폭이 넓을수록 교통사고 발생률이 더 높을 것이다.

TAAS
(한국도로교통공단 교통사고분석시스템)

그리고 새롭게 찾아낸 사실!!

TAAS에서 완죤 유용한 자료도 발견했습니다 유후~!

https://taas.koroad.or.kr/sta/acs/exs/typical.do?menuId=WEB_KMP_OVT_UAS_ASA

한국도로교통공단 TAAS

taas.koroad.or.kr

다음주에 와서 할일이 많을 것 같긴 하지만 그래도 재밌을 것 같아여ㅎㅎ

- 주간목표설정(Goal) : 2/19~2/20
1. 참고 가능한 외부자료 탐색
2. 모델링이 아닌 다른 분석방법 모색
3. 가설 2, 3, 4, 11번 검증완료
4. 검증된 가설 바탕으로 전처리 플랜 기획

- 세부계획(Action Plan)
19일 : 외부자료 탐색(2시간)- 2명 / 모델링이 아닌 다른 분석방법 모색(2시간) - 2명
가설검증완료(3시간) - 4명 모두
20일 : 검증된 가설 바탕으로 전처리 플랜 기획 → 빨리 끝나면 바로 진행

오늘의 마무리 멘트:

오늘 모델링 관련 피드백을 들으니깐 조금씩 어떻게 해야하는지 감이 오는 것 같아요!!

파이썬의 장벽은 어렵다^^ 인상 깊었던 게 보통 초보자들에게는 모델링-지도 학습을 추천하신다고 하네요!

지도 학습: 80% 학습 + 20% 추가 검증

요론 방식으로 진행하면 되고 하단과 같은 내용을 잘 고려해야할 것 같아요!

어떤 변수 얼마나 가중치 줄지? (가설 기반으로 해보기)
컬럼이랑 알고리즘을 추천해줘

암튼 모두들 연휴 푹 쉬시고 해피 설날!!

[2026.02.13] 삼성, 글로벌 HBM 전쟁서 주도권 탈환

보롱 — Fri, 13 Feb 2026 12:24:44 +0900

[2026.02.13]
삼성, 글로벌 HBM 전쟁서 주도권 탈환

1. 기사 원문

출처: 매일경제
게시일: 2026.02.12
링크: [기사 원문 보러가기 ]

2. 심층 분석 (Deep Dive)

배경 (Background)
- 현상 : 삼성전자가 6세대 고대역폭메모리인 'HBM4' 제품의 양산 출하를 세계 최초로 시작
주요 쟁점 (Key Point)
- 성능 개선: 속도가 전작 대비 1.35배 빨라진 13Gbps 동작 속도를 구현
- 전력 효율을 40%나 개선: 기존 관행을 깨고 최선단 공정인 1c D램(10나노급 6세대)과 파운드리 4나노 공정을 과감하게 적용
향후 전망 (Future)
- 이번 양산 성공으로 그동안 제기됐던 '삼성 위기론'을 불식시키고, AI 가속기 시장에서 엔비디아, AMD 등 빅테크 고객사들의 물량을 대거 확보할 수 있는 교두보 마련
핵심 수치 (Data Check)
- 제품명: HBM4 (6세대 고대역폭메모리)
- 속도: 13Gbps (전작 대비 1.35배↑)
- 전력 효율 개선: 40%
- 기타: 열 저항 특성 약 10% + 방열 특성 약 30% 향상
- 적용 공정: 1c D램 + 파운드리 4나노

3. 용어 정리 (Keyword)

방열: 반도체가 작동할 때 발생하는 뜨거운 열을 효과적으로 밖으로 배출하는 기술

4. 인사이트

산업 연결 고리 (Industry Connection)

관련 산업 분야(Industry): 반도체(메모리/파운드리), AI 가속기, 서버/데이터센터
긍정적 요인(Opportunity)
- 기술적 난관 극복: HBM3 시장을 SK하이닉스에 뺏겼는데 HBM4는 삼성이 선제 타격
부정적 요인(Risk)
- 경쟁사의 반격: HBM 1등인 SK하이닉스도 TSMC와 HBM4를 준비 중이므로 기술적 우위를 선점하기 위해 다양한 전략 필요

나의 견해 (Comment)

삼성은 메모리(HBM) 설계부터 생산(파운드리), 패키징까지 혼자 다 할 수 있는 유일한 기업이라는 점이 이번 기사 스크랩을 통해 처음 알게됨. 첫 양산을 시작한 것도 중요하지만 결국 얼마나 안정적으로 공급하는지가 중요한 관건일 것임. 따라서 초기 양산 과정에서 불량률이 최소화하고 수율 안정화를 이루기 위해 노력이 필요할 것임.

[성동5기 전Z전능 데이터분석가] 코멘토 청년취업사관학교 데이터 분석가 DAY42

보롱 — Thu, 12 Feb 2026 21:41:08 +0900

Daily Reflection(오늘의 하루)

#목요일 #야근야근 #가설검증

Today's Learning

오늘은 증멜..^^ 힘들었습니다...ㅎ

가설 검증이 왜!!! 마음대로 되지 않을까요ㅠ 따흡

오늘 가설 2개밖에 검증하지 못해서 뭔가 넘넘 아쉬웠어요

중간중간 놓치는 것들이 있다보니 계속 처음부터 다시하는걸 10번정도 반복한 것 같은,,,이 느낌

그래도 하면서 많이 배운 것 같습니다!!!!!

[가설 7]
CCTV가 있으면 교통사고 발생률이 감소할 것이다.

그래도 요로코롬 결과가 나왔으니 다행이다 증멜

[최종 분석 결과]

CCTV 필터링: ‘교통단속', '교통정보수집', '어린이보호', '차량방범’
CCTV 필터링 후 최종 상관계수: 0.0913 (기존 0.1574)
✅ 결론: 가설 기각
- CCTV 대수와 사고 건수 간의 실질적 영향력은 미미함
- 그러나, P-value가 0에 거의 수렴하는걸 보았을 때 사고가 많이 나는 지점을 찾아내어 CCTV 설치함

하단과 같이 단계별로 검증을 진행했어요!!

[가설 7] CCTV가 있으면 교통사고 발생률이 감소할 것이다.
1단계: 필수 데이터 로드 및 초기 확인	import pandas as pd import geopandas as gpd # 1. 데이터 로드 grid = gpd.read_file('01._격자_(4개_시·구).geojson') cctv = pd.read_csv('20._CCTV_현황.csv') accidents = gpd.read_file('13._교통사고이력.geojson') # 2. 로드된 데이터 5개씩 확인 print("[1단계] 01번 격자 데이터 (상위 5개)") display(grid.head(5)) print("[1단계] 20번 CCTV 현황 데이터 (상위 5개)") display(cctv.head(5)) print("[1단계] 13번 교통사고 이력 데이터") display(accidents.head(5))
2단계: 공간 결합을 통한 격자별 데이터 집계	from shapely.geometry import Point # 1. CCTV 데이터 공간 객체화 및 좌표계 통일 cctv['geometry'] = cctv.apply(lambda row: Point(row['lon'], row['lat']), axis=1) cctv_gdf = gpd.GeoDataFrame(cctv, geometry='geometry', crs='EPSG:4326').to_crs(grid.crs) # 2. 격자별 CCTV 개수 집계 (cctv_counts 생성) joined_cctv = gpd.sjoin(cctv_gdf, grid[['gid', 'geometry']], how='left', predicate='within') cctv_counts = joined_cctv.groupby('gid').size().reset_index(name='cctv_cnt') # 3. 격자별 사고 건수 집계 (acc_counts 생성) if accidents.crs != grid.crs: accidents = accidents.to_crs(grid.crs) joined_acc = gpd.sjoin(accidents, grid[['gid', 'geometry']], how='left', predicate='within') # exp_cnt가 있으면 합산, 없으면 개수 카운트 if 'exp_cnt' in joined_acc.columns: acc_counts = joined_acc.groupby('gid')['exp_cnt'].sum().reset_index(name='total_acc_cnt') else: acc_counts = joined_acc.groupby('gid').size().reset_index(name='total_acc_cnt') # 4. 최종 마스터 데이터 병합 (사용자님의 기존 병합 로직) analysis_df = grid[['gid', 'geometry']].merge(cctv_counts, on='gid', how='left') analysis_df = analysis_df.merge(acc_counts, on='gid', how='left').fillna(0) valid_acc_samples = analysis_df[analysis_df['total_acc_cnt'] > 0] print("[2단계] 데이터 결합 결과 확인") print(f"사고가 발생한 격자 = 총 {len(valid_acc_samples)}개") # 사고 발생 건수가 많은 상위 5개 출력 display(analysis_df.sort_values(by='total_acc_cnt', ascending=False).head(5))
3단계: 가설 검증 결과 확인 (1)	import seaborn as sns import matplotlib.pyplot as plt # 1. 상관계수 계산 (CCTV 수와 사고 건수) corr_value = analysis_df['cctv_cnt'].corr(analysis_df['total_acc_cnt']) print(f"[3단계] 상관분석 결과 (상관계수: {corr_value:.4f}) ---") # 2. 산점도 시각화 plt.figure(figsize=(8, 6)) sns.regplot(data=analysis_df[analysis_df['cctv_cnt'] > 0], x='cctv_cnt', y='total_acc_cnt', scatter_kws={'alpha':0.3}, line_kws={'color':'red'}) plt.title(f'CCTV Count vs Accident Count (Corr: {corr_value:.4f})') plt.grid(True, linestyle='--', alpha=0.5) plt.show()
3단계: 가설 검증 결과 확인 (2)	import seaborn as sns import matplotlib.pyplot as plt # 1. 그룹별 사고 발생 확률 계산 # 사고가 1건이라도 났으면 1, 아니면 0인 변수 생성 analysis_df['acc_occured'] = analysis_df['total_acc_cnt'].apply(lambda x: 1 if x > 0 else 0) analysis_df['has_cctv'] = analysis_df['cctv_cnt'].apply(lambda x: 'CCTV Yes' if x > 0 else 'CCTV No') # 그룹별 사고 발생 확률(%) 집계 prob_df = analysis_df.groupby('has_cctv', as_index=False)['acc_occured'].mean() prob_df['acc_rate_pct'] = prob_df['acc_occured'] * 100 # 2. 막대그래프 시각화 (FutureWarning 방지) plt.figure(figsize=(7, 5)) # hue와 legend 인자를 추가하여 최신 seaborn 문법에 맞게 수정 sns.barplot(data=prob_df, x='has_cctv', y='acc_rate_pct', hue='has_cctv', palette='coolwarm', legend=False) # 수치 표시 for i, v in enumerate(prob_df['acc_rate_pct']): plt.text(i, v + 0.1, f"{v:.2f}%", ha='center', fontweight='bold') plt.title('[Accident - CCTV Probability]') plt.ylabel('Accident Rate (%)') plt.xlabel('') plt.show()
4단계: 추가 검증(CCTV) 필터링	import pandas as pd import geopandas as gpd cctv = pd.read_csv('20._CCTV_현황.csv') target = ['교통단속', '교통정보수집', '어린이보호', '차량방범'] cctv_filt = cctv[cctv['inst_purp'].isin(target)].copy() print(" [검증] 필터링 후 용도별 개수 (이것만 분석에 사용됨)") print(cctv_filt['inst_purp'].value_counts()) # 2. 공간 결합 (격자 + 필터링된 CCTV + 사고) cctv_gdf = gpd.GeoDataFrame(cctv_filt, geometry=gpd.points_from_xy(cctv_filt['lon'], cctv_filt['lat']), crs="EPSG:4326").to_crs(grid.crs) cctv_cnt = gpd.sjoin(grid, cctv_gdf, how='left').groupby('gid').size().reset_index(name='traffic_cctv_cnt') # 데이터 통합 df = grid[['gid']].merge(cctv_cnt, on='gid', how='left').merge(acc_counts, on='gid', how='left').fillna(0) # 3. 상관계수 계산 및 상위 5개 추출 corr = df['traffic_cctv_cnt'].corr(df['total_acc_cnt']) top5 = df.sort_values('total_acc_cnt', ascending=False).head(5) print(f"\n✅ 필터링 후 최종 상관계수: {corr:.4f}") print("✅ 사고 발생 상위 5개 격자:") display(top5[['gid', 'traffic_cctv_cnt', 'total_acc_cnt']])

[가설 8]
횡단보도 수가 많을수록 교통사고 자주 발생할 것이다.

어웅 이때부터 살짝 머리가 지끈했던 것 같지만

그래도 잘 마무리하였다고 한다

[최종 분석 결과]

상관계수: 0.3421
사고 발생 확률
- 횡단보도 0개: 4.00%
- 횡단보도 6개 이상: 63.33% (위험도 약 15배 상승)
✅ 결론: 가설 채택 "횡단보도 밀집도는 교통사고 발생의 선행 지표이다."
- 비록 횡단보도는 보행자 안전을 위한 시설이나, 차량과 보행자의 동선이 겹치는 물리적 특성상 밀집도가 높아질수록 사고 발생 빈도가 비례하여 급격히 상승함이 입증

[가설 8] 횡단보도 수가 많을수록 교통사고 자주 발생할 것이다.
1단계: 데이터 로드 및 공간 데이터 변환	import pandas as pd import geopandas as gpd from shapely.geometry import Point # 1. 데이터 로드 grid = gpd.read_file('01._격자_(4개_시·구).geojson') accidents = gpd.read_file('13._교통사고이력.geojson') cw_df = pd.read_csv('18._횡단보도_위치정보.csv') # 2. CSV -> 공간 데이터(GeoDataFrame) 변환 # lon, lat 컬럼을 이용해 Point 객체 생성 및 좌표계(WGS84) 설정 cw_df['geometry'] = cw_df.apply(lambda row: Point(row['lon'], row['lat']), axis=1) crosswalks = gpd.GeoDataFrame(cw_df, geometry='geometry', crs='EPSG:4326') print("[1단계] 가설 8-3 데이터 준비 완료") # 3. 상위 5개 데이터 출력 (추가된 부분) display(crosswalks.head())
2단계: 공간 결합 및 데이터 병합	# 1. 좌표계 통일 (격자 데이터의 좌표계로 모든 데이터 정렬) # grid.crs가 EPSG:5179(미터 단위)인 경우, 횡단보도(4326)를 5179로 변환합니다. accidents = accidents.to_crs(grid.crs) crosswalks = crosswalks.to_crs(grid.crs) # 2. [횡단보도 집계] 격자별 횡단보도 개수 카운트 joined_cw = gpd.sjoin(crosswalks, grid[['gid', 'geometry']], how='left', predicate='within') cw_counts = joined_cw.groupby('gid').size().reset_index(name='cw_cnt') # 3. [사고 건수 집계] 격자별 사고 발생 횟수(exp_cnt) 합계 joined_acc = gpd.sjoin(accidents, grid[['gid', 'geometry']], how='left', predicate='within') # exp_cnt 컬럼이 있으면 합산(sum), 없으면 단순 개수(size) if 'exp_cnt' in joined_acc.columns: acc_counts = joined_acc.groupby('gid')['exp_cnt'].sum().reset_index(name='total_acc_cnt') else: acc_counts = joined_acc.groupby('gid').size().reset_index(name='total_acc_cnt') # 4. [최종 병합] 격자 기준으로 횡단보도 수와 사고 건수 합치기 analysis_df = grid[['gid', 'geometry']].merge(cw_counts, on='gid', how='left') analysis_df = analysis_df.merge(acc_counts, on='gid', how='left').fillna(0) # 5. 결과 확인 (사고가 많은 구역 상위 5개) print("[2단계] 데이터 병합 결과 (사고 상위 5개)") display(analysis_df.sort_values(by='total_acc_cnt', ascending=False).head(5))
3단계: 가설 검증 결과 확인(1)	import seaborn as sns import matplotlib.pyplot as plt from scipy import stats # P-value 계산을 위해 추가 # 1. 상관계수 및 P-value 계산 (기존 .corr() 대신 pearsonr 사용) # 결측치가 있을 경우를 대비해 dropna()를 적용한 데이터로 계산합니다. df_clean = analysis_df[['cw_cnt', 'total_acc_cnt']].dropna() corr_val, p_val = stats.pearsonr(df_clean['cw_cnt'], df_clean['total_acc_cnt']) # 2. 시각화 (기존 코드 유지) plt.figure(figsize=(8, 6)) sns.regplot(data=analysis_df[analysis_df['cw_cnt'] > 0], x='cw_cnt', y='total_acc_cnt', scatter_kws={'alpha':0.3, 'color':'gray'}, line_kws={'color':'red'}) # 타이틀에 P-value 수치 추가 plt.title(f'Crosswalk Count vs Accident (Corr: {corr_val:.4f}, P-value: {p_val:.4e})') plt.xlabel('Number of Crosswalks') plt.ylabel('Total Accident Count') plt.grid(True, linestyle='--', alpha=0.5) plt.show() print(f"상관계수: {corr_val:.4f}") print(f"P-value: {p_val:.4e}")
3단계: 가설 검증 결과 확인(2)	import seaborn as sns import matplotlib.pyplot as plt import pandas as pd # --------------------------------------------------------- # [Step 4-1] 전처리: 사고 유무(is_acc) 및 밀집도 그룹 생성 # --------------------------------------------------------- # 1. 사고 건수가 1건이라도 있으면 1(발생), 없으면 0(미발생)으로 변환 analysis_df['is_acc'] = analysis_df['total_acc_cnt'].apply(lambda x: 1 if x > 0 else 0) # 2. 횡단보도 개수에 따른 밀집도 그룹화 함수 def get_cw_group(cnt): if cnt == 0: return '0 (None)' elif cnt <= 2: return '1-2' elif cnt <= 5: return '3-5' else: return '6+' analysis_df['cw_group'] = analysis_df['cw_cnt'].apply(get_cw_group) group_order = ['0 (None)', '1-2', '3-5', '6+'] # --------------------------------------------------------- # [Step 4-2] 통계 계산: 그룹별 사고 확률 도출 # --------------------------------------------------------- summary_df = analysis_df.groupby('cw_group').agg( total_grids=('gid', 'count'), accident_grids=('is_acc', 'sum'), accident_rate=('is_acc', 'mean') ).reindex(group_order).reset_index() summary_df['accident_rate_pct'] = summary_df['accident_rate'] * 100 # --------------------------------------------------------- # [Step 4-3] 결과 출력: TEXT & TABLE # --------------------------------------------------------- print("="60) print(" [STATISTICAL SUMMARY: CROSSWALK DENSITY vs ACCIDENTS] ") print("="60) for index, row in summary_df.iterrows(): print(f"▶ Group [{row['cw_group']} Crosswalks]:") print(f" - Total Area Units (Grids): {int(row['total_grids']):,}") print(f" - Accident Occurrence Probability: {row['accident_rate_pct']:.2f}%") print("-" * 40) print("\n[DETAILED DATA TABLE]") display(summary_df[['cw_group', 'total_grids', 'accident_rate_pct']].rename( columns={'cw_group': 'CW Density', 'total_grids': 'Grid Count', 'accident_rate_pct': 'Accident Prob(%)'} )) # --------------------------------------------------------- # [Step 4-4] 시각화: Bar Chart (English Labels) # --------------------------------------------------------- plt.figure(figsize=(10, 6)) # 폰트 에러 방지를 위해 기본 폰트 설정 plt.rcParams['font.family'] = 'sans-serif' colors = sns.color_palette("Reds", len(group_order)) ax = sns.barplot(data=summary_df, x='cw_group', y='accident_rate_pct', hue='cw_group', palette=colors, legend=False) # 막대 상단에 퍼센트 수치 표시 for i, p in enumerate(ax.patches): ax.annotate(f"{summary_df.loc[i, 'accident_rate_pct']:.1f}%", (p.get_x() + p.get_width() / 2., p.get_height()), ha='center', va='center', fontsize=12, fontweight='bold', xytext=(0, 10), textcoords='offset points') plt.title('Accident Probability by Crosswalk Density', fontsize=16, fontweight='bold', pad=25) plt.ylabel('Accident Probability (%)', fontsize=12) plt.xlabel('Number of Crosswalks per Grid', fontsize=12) plt.ylim(0, summary_df['accident_rate_pct'].max() + 10) plt.grid(axis='y', linestyle='--', alpha=0.5) plt.tight_layout() plt.show()

그래도 2개 가설을 검증했으니!! 오늘의 할일은 다 마쳤습니다ㅎㅎ

내일은 오늘보다는 수월하기를 진심으로 바랍니다 :))

오늘의 마무리 멘트:

남은 가설 8개만 검증한다면...가설 검증은 끝날 듯 싶습니다 호홓

4명이서 하면 2개씩만 하면 되니깐 행복회로를 돌려볼게요~!

오늘 처음으로 9시 반에 집갑니다욧 금요일까지만 화이탱!!

[2026.02.12] LX판토스, 폴란드 대형 물류센터 인수…유럽 사업 확장

보롱 — Thu, 12 Feb 2026 12:20:32 +0900

[2026.02.12]
LX판토스, 폴란드 대형 물류센터 인수…유럽 사업 확장

1. 기사 원문

출처: 한국경제
게시일: 2026.02.11
링크: [기사 원문 보러가기 ]

2. 심층 분석 (Deep Dive)

배경 (Background)
- 현상 : LX판토스가 공공기관, 정책 펀드와 함께 폴란드 남부 카토비체(Katowice) 지역의 대형 물류센터 공동 인수
- 전략 : 유럽 물류의 심장부인 폴란드를 거점으로 삼아, 자동차 부품·배터리 등 핵심 산업의 공급망을 장악하겠다는 의도
주요 쟁점 (Key Point)
- 대형 투자: 총 인수 금액은 2,160억 원이고 연면적 10만 9,000㎡ 규모로 총 5개 동으로 구성 (올해 상반기 준공 예정)
- 전략적 입지: 카토비체는 독일-폴란드-우크라이나를 잇는 동서축과 북유럽-남유럽을 잇는 남북축이 교차하는 교통의 요지
향후 전망 (Future)
- 이 센터를 동유럽 허브로 삼아 기존 고객사(LG전자, LG엔솔)뿐만 아니라 현지 진출 한국 기업들의 물류 수요를 흡수할 것임
- 향후 우크라이나 재건 사업이 본격화되면 복구 물자를 나르는 전진 기지 역할도 기대됨
핵심 수치 (Data Check)
- 인수 금액: 2,160억 원
- 센터 규모: 연면적 109,000㎡ (약 3만 3천 평)
- 위치: 폴란드 카토비체 (유럽 물류 교차점)

3. 인사이트

산업 연결 고리 (Industry Connection)

관련 산업 분야(Industry): 국제물류, 배터리/자동차 부품
긍정적 요인(Opportunity)
- 안정적인 물량: 기본(그룹사 물량) + 현지에 진출한 협력사 물량까지 따낼 수 있는 최적의 위치
- 우크라이나: 전쟁이 끝나면 재건 물자 수요 증가→우크라이나 근처에 대형 창고를 가진 LX판토스가 물동량 증가 기대
부정적 요인(Risk)
- 지정학적 리스크: 러시아-우크라이나 전쟁이 장기화되거나 확전되면 폴란드 국경 지역의 물류 흐름이 마비될 가능성 있음
- 현지 인건비 부담 상승: 최근 폴란드는 유럽의 공장 역할을 하면서 임금이 빠르게 오르고 있음

나의 견해 (Comment)

좋은 위치에 땅과 창고를 선점하는 것이 물류에서 굉장히 중요한 요소인데 LX판토스는 단순 임대가 아니라 직접 자산을 인수함으로써 장기적으로 임대료 변동 리스크를 없애고 자산 가치 상승까지 노리는 투자를 진행함. 향후 헝가리(배터리 공장 다수), 폴란드(가전, 자동차 다수)를 잇는 동유럽 벨트를 장학하며 유럽 내 안정적인 공급망을 구축할 것으로 예상됨.

[성동5기 전Z전능 데이터분석가] 코멘토 청년취업사관학교 데이터 분석가 DAY40-41

보롱 — Wed, 11 Feb 2026 18:54:09 +0900

Daily Reflection(오늘의 하루)

#수요일 #두쫀쿠 먹고싶다 #SQL 자격증도 화이팅

Today's Learning

[2/11 프로젝트 진행 현황]

프로젝트 진행 단계 설정 완료
- 데이터셋 구축-전처리-가설검증-모델링 및 학습 변수 추가-위험 패턴 분석-미래 위험도 예측 및 군집화-솔루션 도출
각 단계별 Notebook(파이썬) 실행 완료
교통사고 관련 논문 분석 및 인사이트 도출
5가지 핵심 가설 + 8가지 가설 수립

오늘도 열심히 파이널 프로젝트를 진행 중 ing~

생각보다 프로젝트 흐름을 어떻게 해야할지 고민이 많아서...이것저것 자료를 찾아보았습니다만...

결론이 나지 않아서 아침에 오자마자 방선기 멘토님에게 SOS를 요청했습니다 호홓

피드백으로 관련 논문이랑 공공기관 자료를 찾아보라고 하셔서

정말 오랜만에 DBpia 접.속.완.료.

생각보다 논문 분석을 통해서 많은 인사이트를 얻어낼 수 있었어요ㅎㅎㅎ

역시 방선기 멘토님 쵝오...

요로코롬 논물을 정리해보았습니다!!

스쿨존내 어린이 사고 심각도 영향 요인 분석 (2022.08)	어린이 교통안전대책효과분석 및 발전방안 연구 (2021.11)
[주요 분석 결과] - 기준: 2011년~2020년 발생한 어린이 관련 사고 (총 4,895건) - 시간/요일: 야간 시간대 및 토요일에 사고 심각도 높음 - 법규 위반: 중앙선 침범(21.1%), 직진 우회전 진행 방해(26.6%), 과속 사고(25.5%) - 도로형태: 교차로 횡단보도 내 사고의 경우 사고 심각도 감소	[주요 분석 결과] - 기준: 2016년~2020년 전국 어린이 교통사고 - 월별: 5월 가장 많이 발생 (겨울 12월~2월보다 여름 6월~8월에 더 많이 발생) - 요일: 주중(월~금) 보다는 주말(토~일)에 더 많이 발생 - 시간대별: 등교시간대(8시~10시)보다는 하교시간대(16~18시)에 더 많이 발생 - 법규 위반: 경기도의 경우 보행자 보호의무위반(33.1%), 안전운전 의무불이행(23.5%), 신호위반(22.2%)
공간적 특성을 고려한 어린이 교통사고 모형 개발	머신러닝을 활용한 신호교차로 우회전 사고심각도 영향 요인 분석
[주요 분석 결과] - 기준: 2012-2014년 동안 청주시 초등학교 60개소에서 발생한 어린이 교통사고 - 토지: 상업지역 면적이 넓을수록 사고 위험 급증 (유동인구 및 불법 주정차 유발) - 교통 시설: 신호등 수, 교차로 수가 많을수록 사고 빈도 증가 (상충 지점의 증가) - 도로 특성: 집산도로 이상의 넓은 도로에서 사고 발생 확률이 높음 - 공간 효과: 주변 격자의 사고 위험성이 인접 격자로 전이	[주요 분석 결과] - 기준: 2018년 2023년 전국의 우회전 사고다발지역 25개 (우회전 사고자료 253건) - 접근로 제한속도: 60km/h 이상인 경우 50km/h 이하보다 중상 사고 가능성 5.13배 증가 - 우회전 전용차로: 전용차로가 있는 경우 없는 경우보다 중상 사고 가능성 2.78배 증가 - 곡선 반경: 우회전 곡선반경이 1m 증가할 때마다 중상 사고 가능성 1.68배 증가 - 정지선 간격: 횡단보도-정지선 간격이 1m 증가할 때마다 중상 사고 가능성 58.5% 감소 - 고원식 횡단보도(과속방지턱): 설치 시 중상 사고 가능성 30.6% 감소

이후에는 인사이트를 토대로 5가지 핵심 가설 + 8가지 가설을 수립해보았습니다!

13개 가설...좀 많은 것 같긴 하지만 모델링 생성을 위해서는 꼭 필요한 과정이라고 생각해요ㅎㅎ

(할 수 있겠죠...? Yes I can..)

그래서 두두둥!! 내일의 할일을 정해보았어요ㅎㅎ

이번주 금요일에 1차 발표가 있어서 낼부터 PPT도 제작해보려구요~

[2/12 To do List]

가설 검증 (역할 분담 or 다른 옵션)
가설 검증 완료 후 모델링 학습 데이터 생성
1차 발표자료 제작

오늘의 마무리 멘트:

오늘 프로젝트 흐름이 어느정도 정리가 된 것 같아서 마음이 편해졌어요ㅎㅎ

오랜만에 논문 분석하는 것도 재밌었구요!! 내일 파이썬을 통해서 여러 가설을 검증해보는 것도 기대가 됩니다!

But 발표자료 피피티는 만들기가 살짝 귀찮은...이부분 호홓 그래도 열심히 만들어봐야쥬~!

옆에서 아주 큰 힘이 되어주신 의사결정자님께 넘넘 감사의 말씀을 드리며,

저도 파이썬 공부 많이 해서 프로젝트가 진행되는데 박차를 가해보도록 노력하겠슘다!!

[2026.02.11] 조현준 '승부수' 통했다…美서 변압기 쓸어담는 효성重

보롱 — Wed, 11 Feb 2026 12:25:11 +0900

[2026.02.11]
조현준 '승부수' 통했다…美서 변압기 쓸어담는 효성重

1. 기사 원문

출처: 한국경제
게시일: 2026.02.10
링크: [기사 원문 보러가기 ]

2. 심층 분석 (Deep Dive)

배경 (Background)
- 현상 : 효성중공업이 미국 유력 송전망 운영업체와 7,800억 원 규모의 초고압 변압기 공급 계약 체결
- 원인 : AI 데이터센터 확대로 전력 수요가 폭증하면서, 송전 효율이 좋은 초고압 변압기(765kV급) 수요가 급증
주요 쟁점 (Key Point)
- 조현준 회장의 승부수 (미국 생산 거점): 변압기 시장이 별로 주목받지 못할 때 조 회장이 주도하여 일본 미쓰비시중공업의 미국 멤피스 공장을 4,650만 달러에 인수 → 운송비와 관세를 줄이려면 미국 현지 생산이 답"이라는 판단이 적중한 이후 3억 달러를 추가 투자해 생산 능력을 대폭 키움
- 압도적 기술력과 점유율: 765kV 초고압 변압기는 대당 150억 원에 달하는 고부가 제품(영업이익률 20%)
향후 전망 (Future)
- 멤피스 공장의 3차 증설이 완료되는 2028년에는 미국 내 최대 초고압 변압기 생산 기지로 등극할 예정
- 미국 전력기기 시장 성장세(2034년까지 2배 성장 예상)에 올라타 실적 고공행진이 예상
핵심 수치 (Data Check)
- 수주 규모: 7,800억 원 (단일 계약 역대 최대)
- 공급 기간: 2028년 ~ 2031년
- 미국 변압기 시장 전망: 2024년 122억 달러 → 2034년 257억 달러 (약 37.5조 원)

3. 용어 정리 (Keyword)

초고압 변압기: 발전소에서 만든 전기를 멀리 보내기 위해 전압을 높여주는 장치 (대용량 장거리 송전에 필수)
멤피스 공장: 미국 테네시주에 위치한 효성중공업의 핵심 생산 기지

4. 인사이트

산업 연결 고리 (Industry Connection)

관련 산업 분야(Industry): 전력기기/인프라, AI 데이터센터, 신재생에너지(송전망)
긍정적 요인(Opportunity)
- 미국 노후 전력망 교체 수요와 AI 데이터센터 신설 수요가 겹치면서, 향후 10년 이상 전력기기 호황기가 지속될 것
- '미국 내 생산'을 우대하는 기조는 변함없음. 멕시코산 등을 쓰는 경쟁사 대비 무관세 및 납기 단축 경쟁력이 확실
부정적 요인(Risk)
- 공급 과잉: 효성뿐만 아니라 HD현대일렉트릭, LS일렉트릭, 글로벌 경쟁사들로 인해 3-4년 뒤 공급 과잉 우려
- 원자재 가격 변동성: 변압기의 핵심 소재인 구리와 전기강판 가격이 오르면 원가 부담 커짐

나의 견해 (Comment)

AI 시대 전력 공급이 얼마나 중요해지는지 이 기사를 통해 깨달음. AI 시대의 숨은 강자는 결국 전기를 공급하는 회사가 될 것이라고 생각함. 또한 효성중공업 사례를 통해 2020년 멤피스 공장 인수 당시에는 의아했지만 지금와서 보니 경영자의 장기적인 안목이 얼마나 중요한지 보여줌.

[2026.02.10] 현대차, 웨이모에 자율車 5만대 공급…AI 로보틱스기업 변신 '가속'

보롱 — Wed, 11 Feb 2026 12:11:34 +0900

[2026.02.10]
현대차, 웨이모에 자율車 5만대 공급…AI 로보틱스기업 변신 '가속'

1. 기사 원문

출처: 한국경제
게시일: 2026.02.09
링크: [기사 원문 보러가기 ]

2. 심층 분석 (Deep Dive)

배경 (Background)
- 현상 : 현대차그룹이 구글(웨이모), 엔비디아 등 글로벌 빅테크 기업들과 협력 전선 구축
- 원인 : 단순 자동차 제조사를 넘어, AI와 로보틱스가 결합된 '피지컬 AI(Physical AI)' 기업으로 성장하기 위함
주요 쟁점 (Key Point)
- 웨이모(구글 자율주행 자회사): 현대차그룹은 아이오닉5 기반의 6세대 자율주행차 5만 대를 2028년까지 공급 방안 추진
- 파트너십:
(1) 보스턴다이내믹스의 로봇에 구글의 생성형 AI 제미나이를 탑재 (현대차의 몸-하드웨어에 구글 머리-SW 심는 구조)
(2) 엔비디아의 차세대 AI 가속시 '블랙웰' 5만대 확보+엔비디아 출신 박민우 박사 영입 → 자율주행 성능 고도화
향후 전망 (Future)
- 현대차는 빅테크와의 협업을 통해 다른 기업의 로봇을 대신 만들어주는 '로봇 파운드리(수탁생산)' 사업까지 진출하여 2028년 연간 3만 대 양산 체제를 구축할 계획
핵심 수치 (Data Check)
- 웨이모 공급 규모: 5만 대 (약 3.6조 원)
- 목표 시점: 2028년 (자율주행차 공급 및 로봇 공장 투입)
- 로봇 양산 목표: 연간 3만 대 (로봇 파운드리)

3. 용어 정리 (Keyword)

피지컬 AI: 가상 공간에만 있는 AI(챗GPT 등)가 아니라, 로봇이나 자율주행차처럼 물리적인 몸체를 가지고 현실 세계와 상호작용하는 AI 기술
로봇 파운드리: 반도체 파운드리(TSMC)처럼, 로봇 설계도를 가져오면 대신 생산해 주는 사업 모델
웨이모: 구글 알파벳 산하의 자율주행 기술 개발 기업(미국 샌프란시스코 등에서 무인 로보택시 서비스를 운영 중인 업계 1위)

4. 인사이트

산업 연결 고리 (Industry Connection)

관련 산업 분야(Industry): 자율주행(MaaS), 로보틱스, AI 반도체, 자동차 제조(PBV)
긍정적 요인(Opportunity)
- 제조업의 재발견: 구글, 엔비디아는 AI 소프트웨어는 잘하지만, 이걸 담을 '하드웨어(차/로봇)'를 대량 생산할 공장이 없음
→ 따라서 현대차와의 파트너십 매우 중요
부정적 요인(Risk)
- 빅테크 종속 우려: 소프트웨어 주도권을 뺏기지 않고 대등한 파트너십을 유지하는 게 핵심 과제
- 책임 소재 리스크: 웨이모 자율주행차가 사고를 냈을 때, 제조사(현대차)와 운영사(웨이모/구글) 간의 책임 공방 가능성 높음

나의 견해 (Comment)

현대차의 비전인 스마트 모빌리티 솔루션 기업으로 성장하는 것이 눈에 띄게 보임. 몇 년 전까지만 해도 현대차가 "우리는 이제 자동차 제조사가 아니다"라고 선언했을 때 다들 의아해했지만 자율주행(웨이모) + 로봇(보스턴다이내믹스) + AI(엔비디아/구글) 구도가 완성됨. 향후 빅테크와의 협업 과정에서 현대차의 데이터 주권을 어떻게 지킬 것인지가 관건이 될 것이라고 생각함.

[2026.02.10] 현대글로비스, 車말고 'K-뷰티'도 나른다…풀필먼트 확대

보롱 — Tue, 10 Feb 2026 12:02:34 +0900

[2026.02.10]
현대글로비스, 車말고 'K-뷰티'도 나른다…풀필먼트 확대

1. 기사 원문

출처: 한국경제
게시일: 2026.02.09
링크: [기사 원문 보러가기 ]

2. 심층 분석 (Deep Dive)

배경 (Background)
- 현상 : 현대글로비스가 헤어·바디케어 브랜드 '쿤달(Kundal)'을 운영하는 더스킨팩토리와 3자 물류(3PL) 서비스 계약 체결
- 전략 : 자동차 부품만 나르던 이미지에서 벗어나, 소비재 영역으로 확장하려는 '비계열 매출 확대' 전략의 일환
주요 쟁점 (Key Point)
- 원스톱 풀필먼트 서비스: 쿤달 제품의 입고·보관·포장·출고 등 물류 전 과정을 현대글로비스가 도맡아 처리
- AGV 자동화 설비 도입: 수도권 물류센터에 무인운반차 등을 투입해 다품종 소량 주문이 많은 이커머스 주문을 신속하게 처리
향후 전망 (Future)
- 내년 글로벌 K-뷰티 시장 규모가 39억달러(20조원)에 달할 것으로 전망 → K-뷰티의 성장에 따라 물류 시장도 확대될 것

3. 용어 정리 (Keyword)

3PL: 화주(더스킨팩토리)가 물류를 직접 하지 않고, 전문 물류업체(현대글로비스)에 위탁하는 것 (= 3자 물류)
풀필먼트 (Fulfillment): : 단순 배송을 넘어 보관, 재고 관리, 포장, 교환/환불까지 물류의 전 과정을 대행해 주는 서비스
AGV (Automated Guided Vehicle): 바닥에 부착된 선이나 QR코드 등을 따라 스스로 이동하는 무인 로봇

4. 인사이트

산업 연결 고리 (Industry Connection)

관련 산업 분야(Industry): 3PL/풀필먼트, K-뷰티(화장품), 이커머스
긍정적 요인(Opportunity)
- 높은 마진 구조로 전환: 화장품/의류 등 이커머스 물류는 손이 많이 가는 만큼 수수료 단가가 높기 때문에 수익성 개선에 도움
- K-뷰티 수출 붐: 한국 화장품이 글로벌하게 잘 팔릴수록, 글로비스의 해상/항공 포워딩 매출도 증가할 것으로 예상됨.
부정적 요인(Risk):
- 클레임 이슈: 화장품은 SKU가 수천 가지고 포장도 까다롭기 때문에 기존 자동차 물류 방식대로 했다간 오배송이나 파손 이슈로 클레임을 맞을 수 있음
- 경쟁사: 이커머스 풀필먼트는 이미 CJ대한통운, 쿠팡, 한진이 꽉 잡고 있는 레드오션임. 글로비스가 후발주자로서 얼마나 차별화된 단가와 서비스를 제공할 수 있을지가 관건

나의 견해 (Comment)

현대글로비스의 경우 단순히 국내 배송만 하는 게 아니라 해외 통관, 항공·해상 수출 등 역직구(수출) 물류까지 통합 제공하므로 이번 계약을 레퍼런스 삼아 패션, 뷰티 등 다양한 소비재 브랜드 화주들을 추가로 유치할 것으로 기대됨

[성동5기 전Z전능 데이터분석가] 코멘토 청년취업사관학교 데이터 분석가 DAY38-39

보롱 — Mon, 9 Feb 2026 18:55:40 +0900

Daily Reflection(오늘의 하루)

# 파이널 프로젝트 #두쫀쿼 #LH공모전

Today's Learning

지난 주 금요일부터 시작해서 드디어 팀 결성은 완료했습니다~!~! 쨕쨕쨕

두바이쫀득쿼리~ 넘 귀엽지 않나용ㅎㅎ

팀명	두바이쫀득쿼리
팀원 (역할)	- 최진웅: 의사결정자 - 김보영: 기술담당자 - 박미리: 프로젝트 매니저 - 최은교: 기록담당자
주제	2026 국토도시 데이터 분석 공모전 - 3기 신도시 어린이 등 취약계층 교통안전 대안 제시 (신도시 교통 인프라 데이터 분석)
Rule	- 의견을 말하면 경청하기 - 메신저에서 반응 잘 하기 - 데드라인 잘 지키기 - 이슈 있으면 사전 공유하기	- 막히는거 있으면 편하게 말하기 - 의견에 코멘트 달기 - 부정적인 표현 자제하기 - Daily Scrum 2회 진행하기 - 상금 N/1 나누기(중요)

오늘 팀원분께 감동했던 썰 SSUL 풉니다...

프로젝트 내용에 대해 첫날부터 프로젝트 개요와 해야할 일에 대해 PPT 정리 + 설명까지 해주시는 God...

진짜 넘넘 감사했어요ㅠㅠㅠ

암튼 오늘의 해야할 일은 바로 하단과 같습니다!

[2/9 To do list]

Role 정하기 → 완료
Compas 회원가입 진행 후 참가 신청하기
+ 비공개 데이터 요청 → 미완료
제공 데이터 탐색 후 개별적으로 EDA 진행 → 진행 중
우수 사례 확인한 후 전반적인 프로젝트 흐름을 각자 생각한 뒤 내용 공유하기 → 완료
멘토님께 파이썬 자료 요청하기 → 완료

저는 오늘 스마트 안전시설에는 어떤 종류가 있는지 조금 알아봤어요!

아무래도 잘 모르는 분야라서 조금 더 공부가 필요할 것 같아요ㅎㅎ

그래도 국내 뿐만 아니라 해외 사례도 찾아보면서 재밌는 요소를 좀 알아냈어요!

추가적으로는 팀원분께서 정리해주신 데이터베이스를 기준으로 참고할 만한 사항이나 Null값이 있는지 위주로 확인했어요

전체적인 EDA는 내일 좀 더 깊게 파볼 예정입니다!

고민인 부분이 가설을 설정을 해야하는지...흠 고민이 됩니다

암튼 오늘은 각자 추가 조사를 진행하면서 공모전에 대한 이해도를 높이고

앞으로 나아가야 할 방향성에 대해 생각해보는 시간이었어요ㅎㅎ

[2/10 To do list]

비공개 데이터 요청 + 데이터 모두 다운 받기
EDA 진행 후 각자 인사이트 공유
학습 데이터 생성 - 파트별로 나눈 뒤 분석 실시

       (1) 사고 유형별·연령별 교통사고 현황
       (2) 사고 발생 원인
       (3) 사고가 발생하는 지역적 특성
       (4) 도로 및 교차로 구조

(방선기 멘토님) 파이썬 자료 확인 및 개별 학습

매일 2회씩 Daily Scrum 진행하면서 오늘 할일과 내일 해야할 일에 대해서 정하는 것도 좋은 것 같아요!!

(추가)

도움이 될만한 사이트도 다들 많이 공유해주셔서 감사했어요ㅎㅎ

https://opendata.koroad.or.kr/api/selectOpenApi.do

KOROAD OPEN API POTAL

(우)26466 강원도 원주시 혁신로 2 한국도로교통공단 | 문의 : 033-749-5266 교통사고분석시스템(TAAS)에서 제공된 자료를 활용 시 출처 및 자료링크를 명시해 주시기 바랍니다.

opendata.koroad.or.kr

https://data.molit.go.kr/dataservice/contest-usecase/6708?page=2&searchText=&viewType=view

데이터 검색

통합검색

data.molit.go.kr

https://compas.lh.or.kr/gisinfo?pageIndex=1&pageSize=10&searchKey=both&searchText=&totalCount=20&brdArtclNo=523

COMPAS

compas.lh.or.kr

오늘의 마무리 멘트:

프로젝트가 어려워서 걱정했는데 팀원분들이 많이 도와주셔서 생각보다 괜찮을 것 같아요ㅎㅎ

다만 일정이 조금 타이트해서 데이터 전처리 과정을 이번주 내로 마무리해야한다는 슬픈 소식...~

그래도 다같이 하면 빠르게 할 수 있을 것 같아요!! 꺄악 두쫀쿼팀 화이팅!!

[성동5기 전Z전능 데이터분석가] 코멘토 청년취업사관학교 데이터 분석가 DAY39

보롱 — Mon, 9 Feb 2026 15:05:33 +0900

Daily Reflection(오늘의 하루)

#인공지능과 법률 이슈 #제이에이치 법률사무소 #월요팅

Today's Learning

오늘은 인공지능과 법률이슈에 대해 김진희 변호사님이 강의를 해주셨습니다!

올해부터 새롭게 시행되는 법이죠!! 바로바로 '인공지능 기본법'!

너무 흥미로운 주제라서 집중해서 들었어요ㅎㅎ

01.
AI 기본법의 이해

인공지능 발전과 신뢰 기반 조성 등에 관한 기본법 - 2026년 1월 22일 시행

(1) 국가 거버넌스 정립

국가인공지능위원회 설치, 운영에 관한 사항
인공지능정책센터
인공지능안전연구소

(2) 산업 육성 지원

AI R&D, 학습용 데이터 구축, 전문 인력 확보 등 기술 경쟁력 화보
창업지원, AI 도입/활용 지원, 해외진출 지원 등 기업 지원
AI 직접단지, 실증기반 조성, AI 데이터 센터 등 AI 인프라 구축

(3) 신뢰기반 조성

투명성: 생성형 AI 결과물 표시 의무
안정성: 초고성능 AI의 안정성 확보
고영향: AI - 위험 영역에서 활용되는 AI의 안전, 신뢰성 확보

제1조 (목적) 이 법은 인공지능의 건전한 발전과 신뢰 기반 조성에 필요한 기본적인 사항을 규정함으로써 국민의 권익과 존엄성을 보호하고 국민의 삶의 질 향상과 국가경쟁력을 강화하는 데 이바지함을 목적으로 한다.

[한국 AI 기본법 vs EU AI ACT]

EU가 우리나라보다 훨씬 더 강한 규제를 두고 있다고 합니다!

과징금만 봐도 알 수 있는 강도의 차이..ㅎ

항목	대한민국 AI 기본법	EU AI Act
규제대상	- 고영향(High Impact) AI - 생성형 AI	- 4단계 위험 분류 - 허용불가 위험 - 고위험(High Impact) AI - 제한된 위험 - 저위험(최소 규제)
사업자 구분	인공지능사업자로 통합 - 개발자/이용자 모두 동일 의무	공급자, 배포자, 수입자, 유통자 구분 - 역할별 차등 의무 부과
접근 방식	진흥 중심 (Innovation First) - 계도 기간 1년 이상 - 통합지원센터 운영 - 자율 영향평가 권장	안전 중심(Safety First) - 엄격한 사전 규제 - 의무적 적합성 평가 - 높은 과징금으로 강제
제재 수준	- 최대 3천만원 과태료 - 기업 규모 무관	- 전 세계 매출의 최대 7% 또는 3,500만 유로 과징금 - 기업 규모 비례

따라서 해외 사업을 하게 될 경우 꼭 EU AI ACT를 우선적으로 확인해야 한다고 합니다!

[인공지능의 특성]

인공지능 = Artificial Intelligence

불투명성
자율성
확장성

→ 책임 소재의 불명확성!

[인공지능과 법률 이슈]

Q1. AI의 법적 지위: 법률상 권리와 의무를 가질 수 있을까?

유체물로서의 로봇	2017년 사우디아라비아 '소피아' 로봇 - 세계 최초 시민권 부여(상징적 의미)
무형물로서의 소프트 웨어	??? (Chat GPT, Gemini 등)

Q2. AI와 책임: 누가 책임질 것인가?

ex.) 운전자 없는 자동차가 사고를 낸 경우?

ex.) 알고리즘을 감옥에 보낼 수 있을까?

Q3. 현재 대부분의 법체계에서 인공지능의 법적 지위는 무엇인가요?

권리와 의무의 객체인 물건 또는 도구

Q4. AI가 낸 사고에서 개발자의 잘못을 입증하기 어려운 현상은?

블랙박스 현상

Q5. 형법상 AI를 직접 처벌하기 어려운 가장 큰 이유는?

AI는 자유의지와 반성할 수 있는 능력이 없어서

제 2조(정의)
1. "인공지능"이란 학습, 추론, 지각, 판단, 언어의 이해 등 인간이 가진 지적 능력을 전자적 방법으로 구현한 것을 말한다.
4. "고영향 인공지능"이란 사람의 생명, 신체의 안전 및 기본권에 중대한 영향을 미치거나 위험을 초래할 우려가 있는 인공지능시스템
5. "생성형 인공지능"이란 입력한 데이터([데이터 산업진흥 및 이용촉진에 관한 기본법] 제2조제1호에 따른 데이터를 말한다. 이하 같다)의 구조와 특성을 모방하여 글, 소리, 그림, 영상, 그 밖의 다양한 결과물을 생성하는 인공지능시스템을 말한다.

[인공지능 관련 사업자]

AI 모델을 개발하는 오픈 AI = 인공지능개발사업자
Chat GPT를 활용해 고객 상담 서비스를 제공하는 이커머스 기업 = 인공지능이용사업자
AI 기반 신용평가 시스템을 도입한 은행 = 인공지능이용사업자

[AI 기본법 시행 시, 기업이 고민해야 할 이슈]

인공지능 사업자에 해당하는가?
고영향 인공지능 또는 생성형 인공지능에 해당하는가?
결과물이 실제와 구분하기 어려운가?

02.
고영향 AI (High-Impact AI)

사람이 개입하지 않는다는 점에서 고영향 AI는 위험도가 좀 높을 것 같다는 생각이 많이 들었어요!

특히 금융권은 더더욱...

고영향 AI (High-Impact AI) 분야
도입 취지	고영향 AI는 중대한 영향을 미치는 AI를 위미(모든 AI 아님)
판단 기준 (And 조건)	법률에서 정하는 영역에서 활용 사람의 기본권에 대한 중대한 영향 또는 위험한 업무에 활용 사람이 개입하지 않음
예시	- 교통 분야: 자율주행 Level 4이상 - 채용 분야: 사람의 검토, 확인 없이 AI가 사람의 채용 여부를 전적으로 결정 - 대출 분야: 사람의 검토, 승인 없이 신청자에 대해 대출 여부 결정

향후 고영향 AI가 우리 삶에서 어디까지 어떻게 영향을 미칠지 기대가 되면서 한편으로는 걱정도 되기도 합니당ㅠ

최근 개봉한 '노머시(No Mercy)' 라는 AI 판사가 도입되는 영화도 한번 보면 좋을 것 같아요!

[고영향 인공지능사업자의 핵심 의무]

위험관리방안 → 사전 위험 관리
설명 및 이용자 보호 방안 → 결과 설명 가능
사람의 관리 감독 → 사람 개입 보장
문서 작성 및 보전 → 사후 검증 가능

03.
인공지능 투명성 확보 의무

[인공지능 투명성 확보 의무(표시의무) - 제31조]

Q. 표시의무는 생성형 AI 제품 또는 서비스를 이용하는 자에게도 적용되나요?

A. 적용되지 않음. 다만, 이용자가 AI서비스로 생성된 결과물을 이용하여 법령에 저촉되는 행위를 한 경우에는 해당 법령에 따라 제재를 받을 수 있음.

[서비스 내 제공 시 표시방법 예시]

가시적 표시	비가시적 표시
- 텍스트 경고문 - 약관 및 최초 진입 화면에서 포괄적	- C2PA 등 국제 표준 메타데이터 삽입 - 악용 사례 발생 시, 사업자의 주의 의무 이행을 입증할 기술적 증거

ex. 대화 기반 서비스

채팅창 등 연속적 대화를 통해 명확히 인식할 수 있는 초기 안내 또는 지속 로고 표출 등 (반복적 표시 불필요)
서비스 화면에서 AI 모델이 실시간 데이터를 생성함을 표시
문구 표기 영역이 충분하지 않은 경우 툴팁 등으로 표시

ex. 음성 어시스턴트

이용 전 이용자가 인식할 수 있는 음성 또는 화면 문구 등으로 안내
이용자가 호출하여 시작되는 서비스의 경우 개별 음성마다 반복적인 안내 불필요
음성 가전 등 실물이 있는 제품의 경우 겉면에 AI를 기반으로 운용됨을 표시

[인공지능 투명성 확보 의무의 예외 - 제31조 제2항]

제품, 서비스명, 이용자 화면이나 제품 겉면 및 결과물에 표시된 문구 등을 고려할 때 고영향 인공지능 또는 생성형 인공지능을활용한 사실이 명백한 경우
인공지능사업자의 내부 업무 용도로만 사용되는 경우
전부 또는 일부에 대한 적용 예외가 필요하다고 과학기술정보통신부장관이 정하여 고시하는 경우

04.
AI 기본법 관련 기업 리스크 관리

그래서 오늘 배운 내용을 결론은 무엇일까요~?

결국, 기업의 BM 안정성 확보 방안은 하단과 같습니다!

투명성 및 근거 확보	위험 등급 분류	책임 소재 명확화
- 학습 데이터 출처, 처리 내역 등 문서화 - 알고리즘 위험성 평가 (ex. 편향성) - 신뢰성 입증 서류 준비(방어)	- 고영향 Ai 여부 판별 - 불필요한 고위험 기능 배제 - 규제 샌드박스 활용	- AI는 의사결정 보조 도구에 불과 - 최종 선택 및 책임은 유저에게 있음을 명확 - 약관 및 플랫폼에 게시, 안내
- 데이터 수집 시 적법 절차 준수 여부 - 알고리즘의 편향성 및 안전성에 대한 테스트 결과 최신화 - 의사결정 추적 가능여부 (ex.로그 기록)	- 서비스 영역에 대한 자가 진단 - 생체인식, 프로파일링, 자율 결정 등	- 약관에 최종 판단은 사용자에게 있음을 명시하였는가? - UI/UX에서 AI 생성 콘텐츠임을 알리는 워터마크나 안내문구 표시했는가?

[가급적, 고영향 AI에 해당하지 않도록 BM 설계]

법률에서 정하는 영역(제2조 제4호)
사람의 생명, 신체의 안전 및 기본권에 중대한 영향 또는 위험을 초래할 유려가 있는 인공지능시스템
사람이 개입하지 않음

[생성형 또는 고영향 AI에 해당하는 경우]

생성형 AI로 제품 또는 서비스 제공시: 서비스 이용약관 및 디지털 워터머크로 1차 방어
고영향 AI로 제품 또는 서비스 제공시: 의무 사항 준비, 해당 여부 확인 요청, 영향 평가

[규제 유예 및 AI 기본법 지원데스크 운영]

1. 규제 유예

최소 1년 이상 규제 유예기간을 운영
해외 국제 동향, 기술 발전 등을 고려하여 추가 연장 가능

2. AI 기본법 지원데스크

기업의 AI 기본법 관련 문의, 애로 사항 등의 해소를 돕기 위한 컨설팅 제공

https://www.sw.or.kr/AI_act_helpdesk/main.jsp

인공지능기본법 지원데스크

전화 문의 간단한 답변, 온라인 문의 절차 및 방법 등 안내 평일 9:00~18:00(토/일/공휴일 제외) (점심시간 12:00~13:00)

www.sw.or.kr

오늘의 마무리 멘트:

AI 기본법은 데이터 분석가라면 꼭꼭 알아두어야 하는 법이라고 생각이 들었습니다ㅎㅎ

변호사님께서 다양한 비즈니스 모델별로 예시를 설명해주셔서 이해도 잘 되고,

오늘 생성형 AI, 고영향 AI 차이를 알게 된 것도 좋았습니다!!