발화 예측보다 위험 우선순위 제시에 AI 활용
한정된 인력·예산 고위험 설비에 집중
인간 판단 결합한 자원 배분 체계 부상

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Business Review 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

2023년 미국에서 약 270만 에이커(약 10,927㎢)가 산불로 소실됐다. 이 같은 대형 산불은 노후 전력 설비와 수목이 밀집해 있고 주거지가 인접한 구간에서 집중적으로 발생해 왔다. 이들 지역은 발화 가능성과 확산 위험이 동시에 높은 구간이다. 그러나 모든 지점을 동시에 관리하기에는 인력과 예산이 충분하지 않다. 관리 역량이 제한된 상황에서 피해 규모는 한정된 자원을 어느 설비와 구간에 우선 투입하느냐에 따라 크게 달라진다.

인공지능(AI)은 이 자원 배분 과정에 기준을 제공하는 역할을 맡는다. 전신주와 송전 설비, 관리 구역, 순찰 대상 지역을 위험 수준과 확산 가능성에 따라 분류해 점검 우선순위를 도출한다. 현장은 이 목록을 바탕으로 예방 정비 일정을 조정하고 수목 관리 범위를 다시 설정하며, 필요 시 선제적 전력 차단 여부를 검토하게 된다. 최종 결정은 관리자가 내리며, AI는 그 판단을 뒷받침하는 분석 도구로 활용되고 있다.

예측 중심 대응에서 자원 배분 중심 체계로

산불은 기상 악화와 극심한 건조, 설비 노후화, 인위적 요인이 결합해 발생한다. 특정 지점을 장기간에 걸쳐 정확히 특정하기에는 구조적 제약이 따른다. 이 때문에 정책의 무게는 예측 정확도를 높이는 데서 벗어나, 위험이 집중된 설비와 구간을 선별 관리하는 방향으로 이동하고 있다.

이에 따라 AI 시스템의 설계 방향도 바뀌고 있다. 위치 예측의 정밀도 경쟁보다, 고위험 자산을 선별해 현장 점검 우선순위를 제시하는 기능이 중심이 된다. 전신주와 송전 설비 목록, 라이다(LiDAR) 기반 수목 밀도 자료, 최근 고장 이력, 카메라·센서 경보 기록을 종합해 점검 우선순위를 산출하는 방식이다. 결과는 단순 경보 신호에 그치지 않고 위험 등급과 주요 위험 요인을 함께 제시하는 형태다. 현장은 이를 근거로 점검 순서를 조정하고 예방 조치 범위를 확대하거나 축소하게 된다.

성과 평가는 운영 지표를 통해 이뤄진다. 상위 위험 자산 점검 비율, 화재 감지 이후 경보까지 걸린 시간, 경보가 실제 조치로 이어진 비율이 핵심 지표다. 이 수치는 모델 판단이 현장 대응과 피해 저감으로 연결됐는지를 가늠하는 기준으로 활용된다.

현장 적용 사례와 성과

현장에서는 감지 단계부터 변화가 나타났다. 전력 설비 밀집 지역에 설치된 카메라 영상에 AI 분석을 적용하면서 연기나 이상 징후를 자동으로 식별하는 체계가 구축됐다. 관제 인력이 즉시 화면으로 상황을 확인해 대응 여부를 판단하는 구조도 자리 잡았다. 일부 시범 지역에서는 발화 징후 인지부터 확인까지 걸리는 시간이 수십 분에서 5분 이내로 줄었다. 초기 개입이 가능한 시간대가 실질적으로 확대된 셈이다.

식생 분석 시스템 역시 점검 방식에 변화를 가져왔다. 이 시스템은 라이다 수목 밀도 자료와 위성 식생 지수, 전력 설비 위치 정보를 결합해 발화 위험이 큰 구간을 선별한다. 이에 현장 인력은 전체 구간을 동일하게 순회하기보다 위험 상위 설비와 수목 밀집 지역을 우선 관리하는 방식으로 전환했다.

점검 대상이 구체화되면서 예방 정비의 효율도 개선되는 흐름이다. 미국 합동경제위원회(United States Joint Economic Committee)는 산불로 인한 연간 경제적 비용을 3,940억~8,930억 달러(약 570조~1,292조원)로 추산했다. 피해 규모가 막대한 만큼, 확산 가능성을 낮추는 조치가 갖는 재정적 효과도 상당하다. 고위험 지역에서 집중 점검과 신속 확인 체계를 가동해 대형 산불로 확대될 확률을 10~20% 낮춘다면 진압 비용과 복구 지출 감소로 연결될 가능성이 크다.

기술 고도화는 대응 속도를 한층 끌어올리고 있다. 산불 대응 의사결정 지원 시스템 ‘파이어콘(FireCon)’은 초기 통제 가능 구역을 제시하고 필요한 조치를 안내하는 구조다. 드론은 적외선과 가시광 영상을 신속히 확보하며, 센서 네트워크는 화염 발생 이전 단계의 이상 열을 탐지하는 역할을 맡고 있다. 감지와 확인에 걸리는 시간이 줄어들수록 확산 이전 단계에서 개입할 수 있는 여지도 커진다.

인간 개입 기반 운영과 책임 구조

AI 시스템은 위험 설비와 구간의 우선순위를 제시하지만, 집행 권한은 현장에 남아 있다. 모델이 산출한 위험 등급과 판단 근거를 토대로 기술자가 현장을 확인하고 조치를 결정한다. 점검 결과와 조치 이력은 데이터로 축적돼 이후 평가에 반영된다. 전력 차단과 같은 중대한 조치에는 담당자의 승인과 기록 절차가 따른다. 노스캐롤라이나 자연문화자원부는 의사결정 주체와 시점, 조치 내용을 문서화해야 감독기관과 지역사회가 판단 과정을 검증할 수 있다고 설명한 바 있다. 이러한 인간 개입 구조는 모델 오류를 걸러내고 현장 경험을 반영하는 안전장치로 자리 잡고 있다.

제도 정비와 단계별 확산

AI 기반 자원 배분 체계를 확산하려면 조달 기준과 운영 규정의 정비가 선행돼야 한다. 기술 도입 여부는 실제 운영 성과를 중심으로 평가하는 구조가 바람직하다. 조달 문서에는 인간 승인 절차와 판단 근거 제시 방식, 기존 시스템과의 연계 가능성을 명확히 담고, 점검 효율 개선이나 경보 시간 단축 성과를 평가 요소에 포함하는 설계가 필요하다.

시범 사업은 사전 계획에 따라 추진하는 편이 합리적이다. 고위험 지역을 선정해 우선 적용하고, 유사 조건 지역과 비교해 효과를 검증하는 방식이 활용된다. 상위 위험 설비 점검률, 감지 이후 경보까지의 소요 시간, 경보 이후 현장 확인까지의 평균 시간, 고비용 조치가 위험 상위 설비에 집중됐는지 여부 등이 핵심 지표로 제시된다.

확산은 단계적으로 이뤄질 필요가 있다. 초기 0~12개월 동안 6~12개 고위험 지역에서 시범 사업을 실시한 뒤, 운영 결과를 토대로 제도화 여부를 판단하는 절차다. 국가와 지방정부는 개방형 기술 표준과 통합 계약 체계를 도입해 기관 간 시스템 연계를 강화하는 방안도 검토할 수 있다.

산불 예방은 기술에 대한 막연한 기대가 아니다. 투명한 운영 절차와 인명 보호 중심 설계, 현장 책임자의 판단이 결합된 실행 전략이다. 따라서 시범 사업을 통해 데이터를 축적하고 효과가 입증된 방식을 확산해야 한다. 예방 중심 구조가 정착할수록 발화 건수와 피해 규모는 줄어들 가능성이 높다. 정책 전환을 본격화할 시점이다.

본 연구 기사의 원문은 Narrowing the Flame: AI resource allocation and the practical prevention of wildfires을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.