← Back
스마트시티 민원데이터 AI 구축 사례: 수만 건의 비정형 텍스트 구조화
작성일:
수정일:
by
Worktro

Key Summary
• 이든티앤에스는 광역지자체 스마트시티 데이터허브 구축사업에 참여해 수만 건의 비정형 민원데이터를 AI로 정제·구조화했습니다. • sLLM 기반 키워드 자동 분류·정제와 민원 유형·카테고리별 라벨링 파이프라인을 구축했습니다. • 비정형 민원 텍스트를 유형별로 분류하고, 후속 분석에 활용할 수 있는 구조화 데이터셋으로 전환했습니다.
국민신문고와 안전신문고 등에는 도로 시설물, 교통, 생활환경과 관련된 다양한 민원이 접수됩니다. 같은 문제를 겪더라도 시민마다 설명하는 방식이 다르고, 하나의 민원에 여러 요구사항이 담기기도 합니다. 이처럼 민원 내용이 일정한 형식 없이 기록되면 수만 건의 데이터가 쌓이더라도 반복적으로 발생하는 문제나 유형별 현황을 파악하기 어렵습니다.

이든티앤에스는 광역지자체 스마트시티 데이터허브 구축사업에 참여해 수만 건의 비정형 민원데이터를 AI로 정제·분류하고, 분석 가능한 데이터셋으로 구조화하는 체계를 구축했습니다. 실제 구축사례를 바탕으로 민원 원문이 어떤 과정을 거쳐 분석에 활용할 수 있는 데이터로 정리되는지 살펴보겠습니다.
수만 건의 민원데이터, 왜 구조화가 필요할까?
스마트시티 데이터허브는 도시와 행정 분야에서 발생하는 다양한 데이터를 수집·연계하고, 분석과 서비스에 활용할 수 있도록 지원하는 플랫폼입니다. 여러 기관과 시스템에 흩어진 데이터를 한곳에 모으는 것도 중요하지만, 수집한 데이터를 실제 분석에 활용하려면 데이터의 특성에 맞게 정리하는 과정이 필요합니다.
민원데이터가 대표적인 사례입니다. 접수일이나 처리 상태처럼 정해진 항목으로 관리되는 정보와 달리, 시민이 직접 작성한 민원 내용은 표현과 형식이 제각각입니다. 예를 들어 '도로가 파손됐습니다'와 '길에 포트홀이 생겼습니다'는 표현은 다르지만 유사한 문제를 다룹니다. 반면 '도로'라는 단어가 포함되어 있어도 불법 주정차나 보행 안전에 관한 민원이라면 서로 다른 유형으로 구분해야 합니다.
이러한 차이를 구분하려면 단순히 특정 단어가 얼마나 자주 등장하는지 확인하는 것만으로는 부족합니다. 민원에 담긴 내용을 일정한 기준에 따라 분류하고 정리해야 유형별 접수 현황을 비교하거나 반복적으로 발생하는 문제를 분석할 수 있습니다.
비정형 민원 데이터, 어떻게 구조돠된 데이터로 만들었을까?
이든티앤에스는 sLLM(Small Language Model)을 활용한 키워드 자동 분류·정제 기능과 민원 유형·카테고리별 자동 라벨링 파이프라인을 구축했습니다. 수만 건의 비정형 민원데이터를 처리하고, 분석에 활용할 수 있는 데이터셋으로 정리하기 위한 작업입니다.
데이터 처리 과정은 ① 민원 키워드 분류·정제 → ② 유형·카테고리별 자동 라벨링 → ③ 구조화 데이터셋 생성로 크게 세 단계로 살펴볼 수 있습니다.

1. sLLM 기반 민원 키워드 자동 분류·정제
먼저 sLLM을 활용해 비정형 민원데이터의 키워드를 자동으로 분류하고 정제하도록 했습니다. sLLM은 비교적 작은 규모의 언어모델로, 대량의 텍스트 데이터를 처리하는 데 활용할 수 있는 AI 기술입니다.
민원 원문에는 같은 사안을 서로 다른 표현으로 설명한 내용이 포함될 수 있습니다. 따라서 단순히 특정 단어가 등장하는지만 확인하기보다, 분석 목적에 맞게 키워드를 분류하고 정리하는 과정이 중요합니다. 이든티앤에스는 이러한 작업에 sLLM 기반 자동 분류·정제 기술을 적용했습니다.
2. 민원 유형·카테고리별 자동 라벨링
키워드 분류·정제에 이어 민원 유형과 카테고리에 따라 분류값을 자동으로 부여하는 라벨링 파이프라인을 구축했습니다.
라벨링은 각각의 데이터에 일정한 분류값을 부여하는 작업입니다. 예를 들어 도로 파손에 관한 민원에는 도로 시설물과 관련된 분류값을, 불법 주정차에 관한 민원에는 교통 관련 분류값을 부여하는 방식으로 이해할 수 있습니다.
이렇게 분류값이 부여되면 표현이 서로 다른 민원도 유형과 카테고리에 따라 구분할 수 있습니다. 개별 민원의 내용을 일일이 확인하지 않고도 특정 분야에 해당하는 데이터를 모아보거나 유형별 현황을 비교하는 데 활용할 수 있습니다.
3. 분석 가능한 구조화 데이터셋으로 전환
마지막 단계는 분류·정제와 라벨링을 거친 민원데이터를 일정한 항목과 기준에 따라 정리하는 작업입니다. 이든티앤에스는 수만 건의 비정형 민원데이터를 후속 분석에 활용할 수 있는 구조화 데이터셋으로 전환했습니다.
민원 원문만 저장된 상태에서는 개별 내용을 읽어야 구체적인 문제를 파악할 수 있지만, 유형과 카테고리 등 분류값이 마련되면 동일한 유형의 민원을 모아 조회하거나 집계할 수 있습니다. 이를 바탕으로 특정 분야의 민원이 얼마나 접수됐는지 살펴보거나, 일정 기간 반복적으로 나타나는 문제를 분석하는 것도 가능해집니다.

이든티앤에스는 이러한 데이터 처리 체계를 구축해 비정형 민원 텍스트를 공통된 분류 기준으로 관리하고 분석에 활용할 수 있는 데이터셋을 확보했습니다. 구조화된 데이터는 향후 다른 행정 데이터와 연계하거나 지역별·분야별 민원 현황을 분석하는 데에도 활용할 수 있습니다.
민원데이터 AI 분석을 도입할 때 고려할 사항
비정형 민원데이터를 AI로 분석하려면 먼저 데이터의 활용 목적과 분류 기준을 구체적으로 정해야 합니다. 유형별 접수 건수를 확인하려는 경우와 특정 분야에서 반복적으로 발생하는 세부 문제를 파악하려는 경우에는 필요한 분류 체계가 다르기 때문입니다. 분석 목적이 명확해야 어떤 항목을 구분하고 어떤 형태로 데이터를 정리할지도 결정할 수 있습니다.
AI가 부여한 분류값을 어떻게 검증하고 관리할지도 중요합니다. 하나의 민원에 여러 요구사항이 포함되거나 기존 분류 기준에 없는 새로운 문제가 등장할 수 있으므로, 복합적인 내용을 어떻게 구분하고 처리할지 고려해야 합니다. 민원데이터가 지속적으로 축적되는 환경이라면 분류 기준을 일관되게 적용하고 관리하는 체계도 필요합니다.
데이터를 구조화한 이후에는 실제 활용 방안까지 검토해야 합니다. 분류된 정보를 어떤 기준으로 조회·집계할지, 다른 행정 데이터나 업무 시스템과 어떻게 연계할지에 따라 필요한 데이터 구조와 관리 방식이 달라질 수 있습니다. 이러한 접근은 공공 민원데이터뿐 아니라 고객 상담 기록, VOC, 내부 업무 요청 등 대량의 비정형 텍스트를 분석해야 하는 기업에도 참고가 될 수 있습니다.
비정형 데이터의 AI 활용, 실제 구축 경험을 바탕으로
이든티앤에스는 스마트시티 데이터허브 구축사업에서 sLLM 기반 키워드 분류·정제와 자동 라벨링 파이프라인을 구축하고, 수만 건의 비정형 민원데이터를 분석 가능한 데이터셋으로 구조화한 경험을 보유하고 있습니다.
기업과 공공기관이 보유한 비정형 데이터를 실제 업무에 활용하기 위해서는 데이터의 특성과 분석 목적에 적합한 처리 기술이 필요합니다. 분석 가능한 형태로 정리된 데이터는 활용 목적에 따라 검색·분석 서비스를 고도화하거나 AI Agent 및 업무 시스템과 연계하는 데에도 활용할 수 있습니다.
이든티앤에스는 AI 기반 데이터 처리 경험을 바탕으로 지능형 문서 처리부터 AI Agent 개발·운영, 업무자동화까지 지원하는 Worktro 솔루션을 제공하고 있습니다. 민원·상담·VOC 등 다양한 비정형 데이터의 AI 분석과 업무 활용 방안을 검토하고 있다면 Worktro에 문의해 주세요.



