Styxis
Company
Knowledge

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