AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 긴급 신고 음성 데이터 약 3천 시간 분량과 1:1 매칭된 음성 전사 텍스트 데이터. 구급/구조/화재/기타 4종으로 분류되어 있으며 성별, 긴급도, 감정 상태 분류 태그를 포함함

구축목적

- 위급상황 데이터 중 소방안전과 관련된 데이터를 활용하여, 향후 119 신고접수 관련 AI 개발 시 긴급 신고 분석 및 재난 상황 판단에 활용할 수 있도록 유형별 긴급도, 성별, 감정 상태를 반영한 인공지능 학습용 데이터셋 구축이 목적

- 데이터 구축 규모
  -  데이터 수량 :

    1) 신고 접수 통화 음성 데이터 3,064시간

    2) 신고 접수 통화 음성에 1:1 매핑되는 텍스트 데이터 158,973건

- 데이터 분포 및 통계
  - 신고 종류별 분포 4종 및 (16종)

  - 신고 지역별 분포

  - 분류 태그(성별/긴급도/감정 상태)별 분포
  ①성별 분포

  ②긴급도별 분포

  ③감정 상태별 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- NLP 기반 긴급재난/중증질환 분류 판단 모델
  모델학습

  - 119 신고전화의 발화 텍스트를 기반으로 구급/비구급 상황을 분류하는 모델
  - Transformer 기반 자연어 처리 모델을 사용하며, 대화형 한국어 기반 자연어처리 모델 중 하나인 Kc-ELECTRA 모델 사용
  - 구급/비구급으로 라벨링한 학습 데이터를 Kc-ELECTRA에 Sequence Classificiaton 방식으로 Fine-tuning
  - 성능 지표 : Accuracy (Weighted)
  - 학습데이터 : 신고전화 데이터 100% 분량
  - 분류 성능 : Accuracy (Weighted) 89.4858%

 서비스 활용 시나리오
  - 소방본부 긴급상황 대응 AI 플랫폼 개발에 활용하여 출동 골든타임 확보

- 음성(환경음)과 NLP 기반 긴급재난/중증질환 판단 멀티모달 모델
 모델학습

  - 119 신고전화의 발화 텍스트와 음성을 기반으로 신고 종류를 분류하는 모델
  - Trnasformer기반의 언어모델 Kc-ELECTRA와 Transformer기반의 음성처리 모델 AST(MFCC)를 사용
  - 구급/비구급으로 라벨링한 학습 데이터를 Kc-ELECTRA와 AST(MFCC)모델에 입력하여 나온 각각의 임베딩을 융합하여 MLP기반의 Classifier에 입력함으로 Fine-tuning
  - 성능 지표 : Accuracy (Weighted)
  - 학습데이터 : 신고전화 데이터 100% 분량
  - 분류 성능 : Accuracy (Weighted) 91.1307%

 서비스 활용 시나리오
  - 소방본부 긴급상황 대응 AI 플랫폼 개발에 활용하여 출동 골든타임 확보

- 음성-텍스트 변환 모델
   모델학습

  - 해당 모델은 음성 녹취파일을 텍스트로 변환해주는 STT(Speech-to-text) 모델임
  - 음성인식 모델로 최근 가장 좋은 성능 결과를 보이고 있는 소리 모델과 언어모델이 통합된 구조인 딥러닝 기반의 종단간(End-to-End) ASR(Automatic Speech Recognition) 방식 활용
  - Encoder-Decoder Joint CTC-Attention 모델을 사용
  - Encoder: Conformer, Decoder: Transformer 
  - 성능 지표 : CER
  - 학습데이터 : 신고전화 데이터 100% 분량
  - 분류 성능: CER 10 미만

 서비스 활용 시나리오
  - 119 지능형 신고접수 음성 전사 고도화에 활용하여 출동 골든타임 확보

- NLP 기반 종 분류 모델
  모델학습

   - 119 신고전화의 발화 텍스트를 기반으로 신고 종류를 분류하는 모델
   - Transformer 기반 자연어 처리 모델을 사용하며, 대화형 한국어 기반 자연어처리 모델 중 하나인 Kc-ELECTRA 모델 사용
   - 16종의 신고 분류를 태깅한 학습 데이터를 Kc-ELECTRA에 Sequence Classification 방식의 fine-tuning
   - 성능 지표 : F1-score (Weighted)
   - 학습데이터 : 신고전화 데이터 63% 분량
   - 분류 성능 : F1-score (Weighted) 90 이상

 서비스 활용 시나리오
  - 119 지능형 신고 접수 시스템 고도화에 활용하여 출동 골든타임 확보

설명서 및 활용가이드 다운로드

- 재난 및 응급상황의 복합성이 증가하고 위급상황 패러다임 자체도 변화하여 신고 접수자의 경험과 직관에 의존하는 신고 접수 방식은 한계를 드러내고 있다. 또한 긴급 신고에 대한 신속, 정확한 응대가 이루어지지 않으면 피해가 더욱 커질 수 있어 신고 접수 시스템 개선 필요성은 높은 상황이다. 

- 현재 소방본부에 구축된 시스템들은 음성을 텍스트로 전환하여 핵심 키워드 추출 및 위치 정보 확인에 집중할 뿐 신고 상황의 긴급도에 관한 판단은 신고 접수자의 역량에 기대고 있다. 따라서 응급 신고 접수 전 단계의 응대 역량 강화를 위해서는 고도화된 인공지능 도입이 필요한데, 유사 패턴 신고를 활용한 재난 상황 예측이나 위급 상황 예측 모델 등 긴급도에 대한 분석 및 상황 판단까지 제공할 수 있는 모델이 필요하다.

- 기존의 위급상황 음성/음향 데이터는 소방 긴급 신고 데이터의 비중이 높지 않다. 또한 대부분이 실제 신고 전화를 활용한 데이터가 아닌 관계로 인공지능 학습 시 효용성이 낮으며 응급상황에 대한 긴급도 역시 반영되어 있지 않다. 따라서 실제 신고 전화를 활용한 위급상황 음성/음향 데이터 고도화를 통해 향후 소방 신고 접수 시스템에 인공지능 도입 시 긴급 신고 분석 및 상황 판단까지 지원할 수 있도록 모델 학습에 유용한 데이터를 구축하였다.

- 본 데이터셋은 서울/인천/광주 지역소방본부에서 전달받은 실제 신고접수 음성 3,064시간 및 158,973건의 메타 데이터를 사용하였다. 신고 전화 음성을 전사하고, 신고접수 내용을 16종별(질병, 임산부, 산불 등)로 구분하였으며 그에 따른 긴급도를 상, 중, 하로 분류하였다. 또한 신고자의 성별, 감정 상태를 라벨링하였다. 이 과정에서 개발하여 AI허브에 개방하는 모델은 총 4개이며 아래와 같다.
  - NLP 기반 긴급재난/중증 질환 판단 모델
  - 음성(환경음)을 포함한 NLP 기반 긴급재난/중증 질환 판단 멀티모달 모델
  - 음성-텍스트 변환 모델
  - NLP 기반 종 분류 모델

- 데이터 구성

- 어노테이션 포맷

   *프로퍼티 설명(property_name) 

- 원문데이터 포맷 : 긴급신고 음성 데이터(wav)

- 실제 예시

실제 예시

데이터 예시

• 긴급 신고 음성 데이터  - 원천 데이터(wav)  - 라벨 데이터(json) {     "_id" : "64d9fdff3e12da15ae3a359e",     "audioPath" : "20230814/Incheon/2023/02/07/016/converted_20230207065612_4016-016.wav",     "recordId" : "9d7cc435cca747a1a731",     "status" : 12,     "startAt" : 0,     "endAt" : 94200,     'utterances': [             {             "id" : "fc2db008",             "startAt" : 25173,             "endAt" : 29406,             "text" : "부계동 어, 부계역 바로 앞에 있는 대동아파트거든요. ",             "speaker" : 0         },         {             "id" : "wavesurfer_otjm8pn3rq",             "startAt" : 40433,             "endAt" : 46847,             "text" : "아들 분 아드님이 어깨 탈골 돼서, 지금 그 아드님이랑 같이 있는 분 뭐, 연락처 저, 있나요?",             "speaker" : 1         },     “mediaType”: 'mobile',     “gender”: 'M',     “address” : "인천광역시 부평구 부개동"     “disasterLarge”: 구급,     “disasterMedium”: 질병(중증 외),     “urgencyLevel”: 중,     "sentiment": "불안/걱정",     "symptom": ["기타통증"],     "triage": "준응급증상" }

데이터셋 구축 담당자

수행기관(주관) : 아일리스프런티어

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처