안전 사고 데이터를 행동 가능한 통찰력으로 변환하기 위한 AI 활용

작업장 안전 팀은 매년 수많은 사고 데이터를 생성하지만, 여전히 수백만 명의 근로자가 매년 부상을 당하고, 일부는 사망합니다. 사고 보고서, 근접 사고, 위험 관찰 및 조사 내러티브는 제조업, 건설업, 공공事業 등 다양한 산업에서 기록됩니다. 그러나 이러한 데이터의 규모에도 불구하고, 많은 조직은 이러한 사고 데이터를 지속 가능한 예방으로 변환하는 데 어려움을 겪고 있습니다.

미국에서만 근로자들이 2023년에 약 260만 건의 비致命적인 작업장 사고와 질병을 보고했으며, 더 효과적인 안전 대책의 필요성을 강조했습니다. 장기적인 추세는 개선되었으며, 1970년대 이후 사고율이 크게 감소했지만, 최근 몇 년 동안 특히 고위험 부문에서 진행이 느려졌습니다.

보고와 예방 사이의 간격

많은 사고 관리 프로세스는 OSHA 또는 근로자 보상 규정 준수를 보장하기 위해 설계되었습니다. 안전 및 근로자 보상 전문가들은 조사, 기록 및 보고서를 규제 및 감사 목적으로 저장합니다.

안전 책임자들은 근본 원인과 기여 요인을 식별할 수 있지만, 이러한 통찰력을 시간적 교정 조치, 특히 목표를 위한 재교육으로 변환하는 것은 시간이 걸리고 다른 시스템을 포함할 수 있습니다. 안전 전문가들은 패턴 또는 추세를 결정하기 위해 광범위한 데이터 분석을 수행해야 할 수 있습니다.

연구에 따르면 이전 사고는 교정 조치가 지연되거나 불충분할 때 미래의 부상 중 가장 강력한 예측因이 되는 것으로 나타났습니다. 이는 사고 후 창이 예방을 위한 얼마나 중요한지 보여줍니다. AI 도구는 사고 후 추천과 연결될 때 안전 워크플로우를 재구성하기 시작할 수 있습니다.

대규모 사고 내러티브를 이해하기 위한 AI 활용

사고 보고서에는 조사자 노트, 직원 진술, 상황 및 행동에 대한 문맥 설명과 같은 귀중한 통찰력이 포함된 비구조화된 텍스트가 있습니다.

최근까지 이러한 정보를 여러 사고에 걸쳐 분석하는 것은 시간이 걸리는 수동 검토를 필요로 했습니다. 그러나 이제 AI 도구는 이러한 动態를 변경할 수 있으며, 모델은 대규모에서 내러티브 데이터를 검토하여 반복되는 패턴, 공통의 기여 요인 및 구조화된 필드만으로 쉽게 보이지 않는 미묘한 추세를 식별할 수 있습니다.

추가적인 연구에 따르면 비구조화된 안전 내러티브는 종종 체계적인 위험의 초기 지표를 표면화한다는 것을 보여주었습니다. 즉, 조사자들을 대체하는 것이 아니라, AI 도구는 전문가들의 전문성을 보완하여 더 가까운 주의를 필요로 하는 신호를 표면화할 수 있습니다.

안전 팀은 사고 직후에 AI 도구를 사용하여:

• 사고 세부 정보를 해석하여 관련 기여 요인을 강조합니다.
• 개별 사고 수준에서 명백하지 않은 유사한 사고에 대한 패턴을 식별합니다.
• 조사자들이 그 발견에 따라 교정 조치를 안내합니다.

이러한 기능은 수동 검토와 기관 기억에 대한 의존도를 줄여주어 팀이 더 일관성 있고 속도로 대응할 수 있도록 합니다.

근본 원인 분석에서 즉각적인 조치로

근본 원인을 식별하는 것은 가치가 있지만, 조치로 이어야 합니다. 그러나 안전 팀은 조사가 완료되면 잘 알려진 병목 현상을 직면합니다. 즉, 어떤 교정 조치를 취하고, 얼마나 빠르게 취할 것인가?

AI 도구는 이러한 간격을 메우기 위해 사고 특성 – 유형, 심각도, 기여 행동 및 문맥적 요인 – 을 분석하여 조사자에게 가장 관련된 교정 조치를 안내합니다. 실제로 안전 전문가들은 기억, 수동 검색 또는 일반적인 재교육 할당에 덜 의존합니다.

깊고 구체적인 분석은 국제 안전 관리 표준인 ISO 45001과 일치하며, 교정 조치가 식별된 위험 및 근본 원인에 직접적으로 대처해야 한다는 것을 강조합니다. 조사와 조치 사이의 거리를 줄임으로써 조직은 상황이 아직 신선하고 가장 효과적인 시점에 개입할 수 있습니다.

사고와 책임 사이의 루프를 닫기

안전 프로그램에서 또 다른 持續적인 도전은 교정 조치, 특히 교육이 할당된 후의 가시성입니다. 안전 책임자들은 기본적인 질문에 대답하는 데 어려움을 겪습니다. 즉, 교육이 완료되었는지, 시간에 완료되었는지, 사고와 조치 사이에 명확한 기록이 있는지?

AI 지원 안전 워크플로우는 교정 조치가 추천된 것만 아니라 완료되고 원래 사고와 함께 문서화된다는 것을 강조합니다. 프로그램 성숙도 관점에서 이는 조직이 규제 보고를 넘어 측정 가능한 개선으로 이동할 수 있도록 합니다. 즉:

• 사고 조사에서 교정 조치까지의 시간을 더 빠르게 합니다.
• 재교육이 할당되고 확인되는 방식에서 더 일관성을 제공합니다.
• 사고, 조치 및 결과를 연결하는 더 명확한 감사 트레일을 제공합니다.

규제 지침은 안전 관리 시스템에서 문서화 및 확인의 중요성을 강조했으며, 특히 교육 효과 및 감사 준비와 관련하여如此합니다.

안전 결과는 윤리적, 법적, 인간적 결과를 가지므로 전문가의 판단이 필요합니다. AI 도구의 효과적인 구현은 인간-루프 모델을 따르며, AI 도구는 설명 가능한 추천과 지원 증거를 제공하고, 안전 전문가가 결정에 대한 전적인 권한을 유지합니다. 이는 NIST AI 위험 관리 프레임워크와 일치하며, 투명성과 책임성을 강조합니다.

AI 도구를 의사 결정 지원으로 пози션하면, 더 신뢰할 수 있고, 채택될 가능성이 더 높아집니다.

앞으로 나아가기 및 규제를 넘어서서 영향 측정

사고 데이터가 더 행동 가능한 통찰력을 제공할수록, 안전 프로그램은 후행 지표인 사고율과 같은 지표를 넘어 위험의 선도 지표에 집중할 수 있습니다. 성숙한 안전 분석 프로그램을 갖춘 조직은 시간이 지나면서 더少한 심각한 사고를 경험하는 것으로 나타났습니다. 즉, 조직은 초기에 위험을 식별하고 개입할 수 있습니다.

사고를 학습, 책임, 측정 가능한 결과와 직접 연결함으로써, AI는 안전 팀이 사고에서 배우는 것뿐만 아니라, 사고로 인해 배울 수 있도록 도와줍니다.

작업장 안전의 미래는 더 많은 데이터를 수집하는 것이 아닙니다. 기존 데이터를 더 지능적으로 사용하는 것입니다. AI 도구는 안전 팀에게 사고 기록을 정적 문서에서 동적 예방 도구로 변환하는 방법을 제공하여, 조직이 조사에서 조치로 더 빠르게 이동할 수 있도록 도와줍니다. 사고의 반복 비용이 높은 환경에서, 사고 데이터를真正로 행동 가능한 통찰력으로 만드는 것은 안전 책임자가 취할 수 있는 가장 영향력 있는 단계 중 하나일 수 있습니다.