지자체 AI 실증 참가 기관과 참가 부서를 따로 세어야 하는 이유
새 활용을 시험하려면 신청 수보다 실험 단위와 실패 기준이 먼저 정해져야 한다.
참가를 세기 전에 실험 단위를 정한다
새 AI 서비스 실증을 준비할 때 참가 신청이 늘어나는 것은 반가운 신호일 수 있다. 그러나 기관 수와 부서 수가 섞이면 어느 범위에서 유용성을 시험하는지 알기 어렵다. 신청 목록으로 작은 집계 실험을 먼저 설계할 수 있다. 성공 기준은 큰 참가 수가 아니라 같은 신청을 다른 단위로 세었을 때 차이를 설명할 수 있는가다.
모집은 아직 실증 결과가 아니다
일본 디지털청은 2026년 10월 20일 국·지방 AI 공통 서비스 실증에 참여할 지자체 모집을 알렸다. 50~100개 단체를 대상으로 하며 한 단체의 여러 부서도 참여할 수 있다고 설명한다. 실증 시작은 이후 일정이다. 신청 부서가 많다는 사실을 많은 지자체가 실증을 마쳤다는 뜻으로 읽지 않아야 한다.
두 집계를 나란히 만든다
조건부 작업안은 기관 식별자, 부서 식별자, 접수 시각, 적격 상태와 실증 단계를 남기는 것이다. 기관별 보기와 부서별 보기를 같은 목록에서 따로 만든다. 같은 기관의 두 부서가 각각 신청해도 기관 보기에서는 한 단체라는 의미가 유지돼야 한다. 실제 기관 간 경계나 부서 변경의 의미는 모집 담당자가 확인한다.
Truthound로 확인할 범위를 고른다
Truthound Core Python SDK 3.3.4(Polars 기반 오픈소스 SDK)의 MultiColumnUniqueValidator는 운영자가 정한 기관·부서 등의 복합 키를 확인하는 데 쓸 수 있다. DistinctCountValidator로 기대한 범위의 기관 수를 점검하는 설계도 가능하다. 기대 개수와 키는 담당자가 정의하며 모집 목표를 무조건 통과 기준으로 쓰지 않는다. 이 검사가 적격 심사나 실증 효과 평가를 대신하지 않는다.
중복인지 별도 참가인지 시험한다
같은 부서의 수정 신청은 새 참가 부서가 아닐 수 있고, 같은 기관의 다른 부서는 실제로 별도 실험을 할 수 있다. 둘을 구별할 수 없는 표라면 선정 수를 확정하지 않는다. 실험 담당자는 신청 수정 이력과 기관·부서의 단위를 먼저 설명한다. 숫자를 늘리기 위해 하나의 신청을 여러 실증 성과로 쪼개는 것은 피해야 한다.
기존 키 검사가 정확하다면
pandas 3.1.1(프로젝트에서 검사 규칙을 관리하는 범용 DataFrame 라이브러리)의 DataFrame.duplicated도 승인된 subset과 keep 정책으로 중복 표시를 만들 수 있다. 기존 모집 관리에서 그 결과와 수정 신청을 제대로 처리한다면 유지할 수 있다. Truthound를 검토할 이유는 키와 기대 범위 검사를 인수 기준에 연결할 필요가 있는가다. 인터페이스 선택이 모집단의 의미를 자동으로 결정해 주지는 않는다.
작은 실험의 실패 기준
첫 검토에서는 기관 하나에 여러 부서가 속하는 경우와 같은 부서의 수정 신청을 구별할 수 있는지 확인한다. 이 글이 실제 신청 자료를 실행해 얻은 결과는 아니다. 구별이 되지 않거나 신청·선정 단계가 혼재하면 집계를 보류한다. 왜 숫자가 달라졌는지 설명할 수 있어야 이후 지역별 비교도 같은 기준으로 확장할 수 있다.
참가 수 다음에 물을 것
단위가 정리되면 실제로 어떤 업무를 어떤 기간에 시험할지로 넘어간다. 기관과 부서의 수는 실증 설계의 입력이지 유용성의 증거가 아니다. 신청 목록을 잘 관리하는 목적은 도입 규모를 크게 보이게 하는 것이 아니라, 다음 작은 실험에서 무엇을 관측하고 어떤 결과면 중단할지 분명하게 만드는 데 있다.
적용 조건
신청 기관과 참여 부서를 구별하고 모집·선정·실증 단계를 정한 목록에 적용한다.
대안
승인된 기관·부서 복합 키를 관리하는 pandas 3.1.1 duplicated 검사도 가능하다.
한계
같은 기관의 여러 부서는 여러 지자체가 아니며 신청은 참가 확정이나 효과 검증이 아니다.
근거
- 사건 확인일
- 대상 확인일
- 수정일
