서론

지금까지 스마트 기술요소와 산업보건의 적용에 대해 전반적으로 살펴보았다. 지금부터는 각 요소들에 대해 보다 구체적인 실행방안을 모색하고자 한다. 그 첫 번째로 빅 데이터와 산업보건에 대하여 좀 더 상세하게 살펴보겠다.

지난 수십 년간의 주요 혁명 중 하나는 소위 "워크4.0"이라고 불리는 작업과 작업장의 컴퓨터화와 디지털화였다(표 1).

인공지능(AI)이 모든 산업을 뒤흔들고 있다. 특히 제조 부문은 대부분의 공장에 일상적인 작업에 대한 중요한 정보를 수집하는 많은 센서가 이미 장착되어 있다. 사물인터넷(IoT)은 개별 기계에서 전체 생산라인, 직원 및 모든 것을 모니터링하기 위해 작은 센서를 사용하는 고유한 스마트 시스템이다. 이 시스템을 통하여 수집되는 데이터는 생산을 최적화하는 데 도움이 될 뿐만 아니라, 빅 데이터 분석과 예측 및 처방을 통해 혁신의 영향을 사전에 측정하고 최고 수준의 품질을 보장하며 정보에 입각한 더 나은 결정을 내릴 수 있게 되었다.

이미 근로자들이 일하는 현장에서는 생산 관련 빅 데이터들이 생산되고 활용되고 있다. 이러한 상황에서 직업안전보건분야는 어떻게 혁신할 것인가?

인공지능(AI)은 고급 소프트웨어를 사용하여 방대한 양의 데이터를 분석하여 약점을 찾고 추세를 식별하며 전체 생산에 대한 더 나은 아이디어를 얻는 프로세스이다. 따라서 직업보건안전과 관련하여 인공지능은 사물 인터넷을 사용하여 위험을 줄이고 더 안전하고 쾌적한 작업환경을 만드는 데 도움을 줄 수 있다. 이를 위해서 작업현장의 모든 센서와 사물인터넷을 통해서 생성되는 데이터를 수집하고 보관과 관리를 하고 분석하여 직업안전보건의 혁신을 위한 통찰력을 얻어야 할 것이다.

• 빅 데이터와 인공지능

  머신 러닝(ML; 기계학습)은 인간의 개입 없이 컴퓨터나 장치가 입력 데이터에서 학습할 수 있도록 하는 인공지능의 하위 분야이다. 기계 학습 알고리즘은 특별히 프로그래밍된 알고리즘으로 인해 새로운 데이터에 적응하고 지속적으로 개선할 수 있다. 이 기술은 매우 많은 양의 데이터에서 학습할 수 있다. 사업장의 데이터를 분석하고 분류함으로써 시스템은 위험 평가를 처리하고 직업보건안전을 개선하며 운영 효율성을 향상시킬 수 있다. 직업보건안전 분야의 의사 결정 프로세스를 향상하고 위험을 줄이며 인간 건강, 작업환경, 심지어 생명까지 구하는 데 도움이 될 수 있다. 예를 들어 ML 알고리즘을 기반으로 하는 음성, 이미지 및 텍스트 인식은 방대한 양의 시각적 및 언어적 데이터를 분석하고 오류를 감지하며 사용자에게 잠재적 위험을 경고할 수 있기 때문이다. 이와 같이 ML 시스템이 문제를 식별하면 AI가 최상의 결과를 위한 솔루션을 제안할 수 있다. AI는 인간의 행동을 모방하지만 여러 입력을 처리하고 불가능해 보이는 문제에 대한 솔루션을 찾는 능력이 훨씬 뛰어나다.

  

  센서가 배치되면 ML시스템은 각 개별 요소를 모니터링하고 잠재적 위험을 식별하며 AI가 솔루션을 제안한다. AI는 미래 추세를 예측하는 놀라운 능력을 가지고 있기 때문에 건강 위험을 정확히 찾아내고 문제가 발생하기 전에 알려줄 수 있다.
  AI로 기존 시스템을 강화한다는 것은 시스템이 지속 가능한 데이터 를 분석한 다음 규정된 매개변수와 비교하여 오류, 또는 분석가와 비교하여 더 효과적으로 고려되어야 하는 영역을 감지한다는 것을 의미한다. 그 이상으로 데이터를 소비하는 것을 "학습"하므로 다음에 오류를 감지할 때 더 똑똑해진다. 이와 같은 원리를 적용하여 강화된 시스템은 임계값을 초과하거나 일부 이상이 감지되는 경우에도 경고할 수 있다. 이를 통해 엔지니어, 규정 준수 관리자 또는 화학자는 AI 시스템이 문제가 없는 것으로 표시한 영역을 확인하는 데 시간을 낭비하지 않고 문제에 집중할 수 있다.

  문제는 빅 데이터이다. 직업보건안전의 의사 결정에 정보를 제공하는 빅 데이터의 잠재적인 힘은 널리 인식되었다. 그러나 이러한 방법을 사용하여 실제 직업보건안전관리 분야의 연구나 실제 현장에 적용된 사례를 확인하기 어렵다. 빅 데이터 사용에 대한 인식을 제고할 필요가 있다. 직업보건안전 전문가는 빅 데이터 분석 방법론 및 도구를 성공적으로 적용하는 데 필요한 지식과 기술을 이해하는 것이 필요하다는 것이 분명해졌다.

• 직업보건안전 분야와 빅 데이터

  "빅 데이터"는 단순히 캐치프레이즈(catchphrase)에 불과한가, 아니면 이 접근 방식이 직업보건안전 분야에 새롭고 실질적인 전망과 비전을 약속하고 있는가? 대체적으로 빅 데이터가 직업보건안전에 보다 구체적으로 정보를 제공할 수 있는 가능성을 인정하고 또한 기대하고 있다. 따라서 빅 데이터와 관련된 작업을 수행하는 데 가장 중요한 KSA(지식, 기술 및 능력)를 평가하고, 직업안전보건 분야에서 빅 데이터의 생산과 관리 및 활용을 증진시키기 위한 프레임워크를 설정하는 것이 필요하다. 스마트 기술의 도입으로 직업안전보건 분야도 위험 관리 및 새로운 기술에 발맞추는 것과 관련된 여러 가지 중에서 빅 데이터 문제에 직면하고 있기 때문이다. 직업보건안전 목적을 위해 빅 데이터를 "더 잘 획득, 관리, 공유, 모델링, 처리 및 활용하는 방법"에 중점을 둔 "직업보건안전 정책을 지원하는 빅 데이터"와 관련된 제안을 받고 있는 전문가들이 중지를 모아야 할 것이다.

  

  빅데이터(Big Data)는 서로 다른 V로 특징지워진다. 양(Volume; 데이터의 규모 및 양), 다양성(Variety; 데이터 소스의 이질성), 진실성(Veracity; 데이터의 정확성, 품질 및 신뢰성), 속도(Velocity; 실시간 또는 거의 실시간 데이터 가용성) 및 가치(Value; 대량의 데이터 수집에서 파생되는 이점)를 말한다.
  스마트 기술의 발전과 다양한 산업에 적용됨으로 인해서 직업보건 안전 분야에서 빅 데이터를 식별, 수집, 분석 및 적용하여 근로자의 건강과 안전을 증진할 수 있는 기본 역량을 갖춘 빅 데이터에 대한 새로운 기술 프레임워크가 필요하다,

  빅 데이터는 위험 평가 및 생물학적 모니터링(예: 분자 빅 데이터) 또는 작업자 건강 감시 프로그램(예: 컴퓨터 및 디지털 빅 데이터)과 같이 직업의사가 수행하는 다양한 활동을 통해 생성 및 획득될 수 있다. 근로자 건강 감시는 근로 인구에 대한 종단적이고 역동적인 후속 조치를 가능하게 한다. 이 풍부한 업무 관련 정보는 업무용으로 설계 및 구현된 임시 관계형 데이터베이스에 저장되어야 한다. 이것은 임상(전자 건강 기록, EHR)과 노출 기록을 결합해야 한다. 작업 적합성을 평가하는 것은 직업적 노출과 엄격하게 관련되지 않은 데이터를 수집하고 개인의 감수성을 식별하고 임시 예방 조치 및 개입과 개인화된 건강 증진 프로그램을 구현하는 데 유용한 데이터를 수집하여 근로자의 건강 상태에 대한 글로벌 평가를 수행할 수 있는 기회가 될 수 있다. 또한 이러한 데이터는 빅 데이터 분석과 같은 고급 분석 기술을 통해 건강 영향의 조기 예측 변수를 식별하기 위한 수학적 모델을 개발하는 데 도움이 될 수 있다.

• 빅 데이터의 한계 및 문제

  센서 기술의 급속한 발전은 중요한 추세이자 더 많은 연구와 이해가 필요한 영역으로 식별된다. 반면, 쓰레기처럼 지저분하고 대표성이 없는 데이터(messy and unrepresentative data)와 잘못된 결과(spurious findings)를 극복할 수 있는가? 라는 문제를 포함하여 빅 데이터와 관련된 몇 가지 우려 사항이 제기되었다.

  빅 데이터의 가능성과 잠재력에 대한 반론으로서, 주요 관심사 중 하나는 "훨씬 크고 쓰레기 같은 데이터(much bigger and messier data)"를 사용함으로써 발생할 수 있는 가짜 발견(spurious findings)(최악의 경우 "허황된 쓰레기(fanciful rubbish)" 또는 "큰 오류(big error)"로 설명)의 가능성이다.

  

  빅 데이터의 이러한 한계와 관련하여 분석 방법 및 지식 생성을 위한 접근 방식에 인식의 차이와 문제가 있다. 빅데이터의 가치를 과장하는 일부에서는 빅 데이터 분석을 통해 데이터가 선험적 가설 (priori hypotheses)이 없이 연구자 편향(investigator bias)의 확장에 의해 "스스로 말할 수 있게 해준다(speak for themselves)" 고 주장하기까지 한다. 그렇지만 다른 한 편에서는 이것이 바람직 하든 원하지 않든 모든 데이터가 실제로 수집되는 방법과 구조에 의해 프레임화되기 때문에 모든 상황에서 목적을 달성할 수 없다고 반박한다.
  빅 데이터 분석(big data analysis), 머신 러닝(machine learning) 또는 "지식 발견(knowledge discovery)"이 이론과 실제 경험에 의해 지도되는 하이브리드 접근 방식(hybrid approach)이 발전 했으며, 여기에는 적절한 데이터 소스와 분석 방법을 찾는 보다 선택적 접근 방식(selective approach)과 초기 분석(initial analyses) 에서 생성된 가설을 궁극적으로 테스트하는 방법이 포함된다.

  또 다른 우려는 빅 데이터가 소비자 "데이터 추적(data trails)", 모바일 기기(mobile devices), 웨어러블 기술(wearable technology) 또는 전자 의료 기록(electronic medical records)에 의존하는 범위 내에서 연령, 인종, 사회경제적 지위, 의료 접근성 또는 건강 리터러시(health literacy) 관련 장벽으로 인해 제한된 발자취(footprints)를 가진 사람들을 배제할 수 있다는 것이다.

  이것은 이미 환경 노출(environmental exposures)과 관련하여 불균형적인 건강 부담(disproportionate health burden)을 경험하고 있는 인구(disadvantages populations)에게 더 불리할 정도로 환경 불의(environmental injustice)에 대한 우려를 증폭시킬 가능성이 있다.

  다음 호에도 이어서 직업보건안전 분야의 빅 데이터의 생산과 활용에 대해서 기고하고자 한다. 빅 데이터는 어떻게 정의되는가? 주제와 관련하여 무엇을 알아야 하는가? 빅 데이터를 저장하고 분석하기 위해 미래에 어떤 도구가 필요한가? 머신 러닝(ML)은 현재 데이터 세트를 분석하는 데 어떤 역할을 할까? 빅 데이터는 직업보건안전의 미래를 어떻게 바꿀까?