자율주행 자동차의 가장 큰 도전은 ‘예측 불가능성’이다. 도로 위에는 보행자, 자전거, 다른 차량, 갑자기 튀어나오는 동물이 있다. 신호등이 고장 나기도 하고, 도로 공사로 차선이 바뀌기도 한다. 자율주행 자동차는 이 모든 변수를 실시간으로 인식하고 판단해야 한다. 그래서 자율주행 자동차에는 라이다(LiDAR, 레이저를 이용해 주변 환경을 3차원으로 인식하는 센서), 레이더, 카메라, 초음파 센서 등 수십 개의 센서가 탑재된다. 철도는 다르다. 열차는 선로를 벗어날 수 없다. 경로가 고정되어 있고, 다른 열차와의 충돌을 막는 신호 시스템이 이미 존재한다. 그렇다면 철도 자율 운전은 쉬운 문제인가. 전혀 그렇지 않다. 철도 자율 운전의 핵심 과제는 ‘네트워크 최적화’다. 하나의 열차가 아니라 수백 개의 열차가 동시에 운행되는 복잡한 네트워크에서, 각 열차의 속도와 간격을 실시간으로 조정해 전체 시스템의 효율을 극대화해야 한다.
－01_“자율 운행” 중에서

AI 기반 승객 흐름 분석 시스템은 역 내부에 설치된 수십 개의 카메라 영상을 실시간으로 분석한다. 컴퓨터 비전(Computer Vision)이라 불리는 이 기술은 각 승객의 위치, 이동 방향, 속도를 추적하고 특정 구역의 밀집도를 계산한다. 서울교통공사는 주요 환승역의 혼잡도를 5단계로 분류해 모바일 앱과 역 내 전광판에 실시간으로 표시한다. “2번 출구 방향 매우 혼잡, 3번 출구 이용 권장”이라는 안내가 가능해진 것이다. 더 중요한 것은 예측이다. AI는 과거 데이터와 실시간 정보를 결합해 30분 후, 1시간 후의 혼잡도를 예측한다. 특정 시간대에 어느 구역이 혼잡할지 미리 알면, 관리자는 그 시간에 해당 구역에 역무원을 추가 배치하거나 안내 방송을 통해 승객 분산을 유도할 수 있다. 혼잡이 발생한 후 대응하는 것이 아니라, 혼잡이 생기기 전에 막는 것이다.
－03_“스마트 역무 시스템” 중에서

AI 기반 도시 데이터 분석이 드러내는 불편한 진실이 있다. 교통 불평등이다. 도시의 교통 인프라는 균등하게 분포되어 있지 않다. 도심과 부도심에는 지하철, 버스, 택시가 넘쳐나지만, 외곽 지역과 저소득층 밀집 지역에는 대중교통이 부족하다. 이 불균형은 오랫동안 알려진 사실이었지만, 정확히 어느 지역이 얼마나 소외되어 있는지를 데이터로 보여 주는 것은 쉽지 않았다. AI는 이 불균형을 정밀하게 측정한다. 각 지역의 대중교통 접근성을 수치화하고, 소득 수준, 고령자 비율, 장애인 비율 등 사회경제적 데이터와 결합해 교통 소외 지역을 식별한다. 이 분석은 철도 노선 계획에서 수익성만이 아니라 교통 복지를 함께 고려해야 한다는 근거를 제공한다.
－06_“도시 데이터와 철도 계획” 중에서

AI 기반 인력 최적화 시스템이 추구하는 것은 단순한 효율화가 아니다. 인간 중심의 스마트 인력 운영이다. 효율만을 추구하는 인력 최적화는 직원을 숫자로 취급한다. 최소 인원으로 최대 업무를 처리하는 것이 목표가 된다. 이런 방식은 단기적으로는 비용을 줄일 수 있지만, 장기적으로는 직원 번아웃, 이직률 증가, 서비스 품질 저하로 이어진다. 인간 중심의 스마트 인력 운영은 다른 목표를 설정한다. 직원의 피로를 줄이고, 선호하는 근무 패턴을 반영하며, 역량 개발 기회를 제공하는 것. 이것이 장기적으로 더 높은 서비스 품질과 더 낮은 운영 비용으로 이어진다는 것을 AI가 데이터로 보여 준다.
－09_“AI 기반 철도 인력 최적화 시스템” 중에서