‘Smart 재난문자’는 기존 재난문자의 불편함을 해소하고 편의성을 개선하여,
재난문자의 본래 목적을 효과적으로 달성할 수 있는 서비스입니다.
- 재난문자 수신양의 급증 : 행정안전부에 따르면 2020년 1~9월 말 송출된 재난문자는 3만 4679건, 일일 평균 126건이라고 합니다. 이는 지난해보다 약 18배나 폭증한 양입니다.
- 재난문자 발송 방식의 단점 - 위치적으로 연관 없는 재난 문자 수신 : 자신과 위치적으로 연관 없는 재난문자를 수신 할 수 있으며, 중복된 문자를 받을 수 있습니다.
- 재난문자의 카테고리 유용성 판단에 따른 피로도 증가 : 어떤 카테고리의 재난문자의 정보가 더 유용한지, 시급한지는 사용자가 판단해야합니다. 그리고 그 유용성을 판단하는 순간은 분명 사용자에게 피로와 부담으로 다가 올 것입니다.
이러한 세 가지 배경으로 인해 초래된 가장 큰 문제는 바로 국민들이 재난 문자에 대해 무감각해지는 것입니다.
많은 사람이 재난문자 알림 꺼버리고 예사롭지 않게 읽고 넘기는 분위기는 새로운 안전 사각 지대를 발생 시켜 더 큰 문제를 가져올 것입니다.
기존의 송출 기지국 반경 15km까지 발송되는 시스템은 사용자 개인과 연관성이 떨어지는 문자가 올 가능성이 높습니다. ‘Smart 재난문자’는 수신 지역 추가 또는 마이데이터 분석을 통해 재난문자발송 지역을 특정, 더 정확한 재난문자를 수신할 수 있습니다.
재난문자 발생 즉시, 재난 문자 분석 AI를 통해 5가지 유형으로 분류되어 사용자에게 송출됩니다. 사용자는 푸시알림을 통해 이를 확인하여 수신 즉시 자신에게 유용성을 판단 할 수 있습니다.
사용자는 분류된 문자 유형에 따라 레벨을 조절할 수 있습니다. 이 레벨에 따라 정부에서 문자 발송 시 푸시알림 여부, 소리/진동 등을 상세히 조절할 수 있어 사용자에게 더 필요한 재난문자를 맞춤으로 제공합니다.
재난문자로 지역감염을 알게 되어도 지역홈페이지를 따로 검색해야했던 불편함을 해소하기 위해 재난문자 터치 시 바로 지자체·정부 사이트로 이동 기능, 일일 코로나 현황판 등 사용자 편의성을 높이는 기능을 완성도 있게 제공합니다.
- Android/Java
- Paas-Ta/MySQL
- Aws
- Express
- Tensorflow : NLP 머신 러닝 모델 구현을 위해 사용.
- Scikt Learn : NLP 머신 러닝 모델 구현을 위해 사용.
- Firebase : 실시간 알림 서비스를 위해 사용.
- Room : 안드로이드 로컬 DB 사용.
- 안드로이드 네이티브 어플리케이션을 개발하였습니다.
- Paas-ta 의 node.js 서버를 통해 어플리케이션에서 데이터를 주고받습니다.
- 데이터들은 Paas-ta의 node.js 서버에 바인딩 된 MySQL 서비스를 통해 저장되고 사용자에게 전송됩니다.
- Paas-ta 어플리케이션과 서비스를 CLOUD FOUNDERY를 통해 MySQL에 접속하고 소스코드를 푸시하는 등 관리·개발 하였습니다.
- 재난문자를 가져오고 분석하여 분류하는 머신러닝기술 활용을 위해 AWS서버에 Tensor Flow와 Scikit Learn을 이용한 Machine Learning Model을 올렸습니다.
- 위 과정을 통해 정제된 재난문자는 MySQL DB에 저장됨과 동시에 Firebase FCM 기술을 활용해 알맞은 사용자에게 푸시 알림을 전송하였습니다.
- 재난문자의 카테고리를 ‘(코로나) 동선, (코로나) 발생/방역, (코로나) 안전수칙, 재난/날씨, 경제, 금융’ 로 5종류의 카테고리로 확립하였습니다.
- 2020년 12월 1일부터 과거까지 재난문자 데이터 대략 1,000개 정도를 훈련 데이터 셋으로 수집한 후 일일이 분류하여 훈련 데이터셋을 확보했습니다.
- 재난문자 카테고리 분류를 하기위해 Skcit Learn의 TF/IDF 기법을 이용한 Pretrained Model을 도입했으며,
LSTM 모델에 Pretrained Model을 Embedding하고 feature를 연속해서 통합하는 방식을 이용했습니다. - Level을 도출하기 위해 가중치 부여 알고리즘을 채택했습니다. 사용자가 높게 설정한 카테고리와 사용자 위치 연관성이 높은 재난문자에 가중치를 부여합니다.
- 사용자가 설정을 수정하는 즉시 관리되고 있는 모든 재난문자의 Level이 재할당되며, 사용자 UI도 이에 맞게 업데이트됩니다.
- 처음으로 접한 NLP 머신 러닝 개발이었습니다. 처음 접하는 분야이기 때문에 개발하면서 많은 어려움이 있었음에도 개발한 모델의 성능이 꽤나 만족스럽게 나와서 매우 뿌듯했습니다. 머신 러닝 시스템의 프로세스를 경험해볼 수 있는 좋은 기회였습니다.
- 재난문자가 관리되는 주요 뷰의 전반적인 UI/UX를 설계했습니다. 그 과정에서 슬라이딩업 패널을 도입했는데, 사용자 입장에서 세련되고 퀄리티있는 뷰를 제공하기 위해 많은 노력을 한 것 같습니다.
- 각각의 재난문자가 사용자의 설정(위치, 카테고리 선택 유무, 카테고리 가중치)에 따라 동적으로 관리 및 처리되면서, 메인 액티비티의 재난문자 리사이클러뷰에 대한 아주 섬세한 처리가 필요했습니다. 재난문자와 관련된 모든 value들을 고려하면서 기능의 로직을 개발하기 위해 많은 시간을 사용했습니다.
- 또한 위의 과정에서 발생했던 많은 예외를 잡기 위해서 그리고 조금 더 효율적인 로직 플로우 짜기 위해서 많은 고민을 했습니다.
- 완성도를 높이기 위해 많은 노력을 한 프로젝트여서 개인적으로 매우 뿌듯하고 자신있는 프로젝트입니다.
