美 워싱턴 D.C 상하수도국에서는 수도 및 하수관 파손을 사전에 잡을 수 있도록 예측 애널리틱스(Predictive analytics)와 인공지능(AI)을 활용하고 있다. 이와 관련해 CIO 토마스 쿠친스키와 이야기를 나눠봤다.
워싱턴 D.C 상하수도국(The District of Columbia Water and Sewer Authority; DC Water)은 하루에 약 34억 리터의 수돗물을 총 길이 2,000km에 달하는 파이프를 통해 공급하고 있다. 매일 평균 약 11억 리터를 처리하는 세계 최대의 첨단 하수 처리 시설을 운영하고 있기도 하다.
토마스 쿠친스키는 이 상하수도국의 CIO이자 IT 부사장이다. 또 워싱턴 D.C 상하수도국에서 전액 출자한 자회사 블루 드롭(Blue Drop)의 사장이다. 블루 드롭은 수도 요금 이외의 수익 창출을 담당하고 있다.
그는 기업 전체에서 애널리틱스를 활용할 수 있도록 지원하고 있는데, (쿠친스키의 말을 빌리자면) 이는 단순한 보고(reporting)가 아니다. 쿠친스키는 “데이터 비즈니스를 하고 싶었다”라면서, “의사결정을 해야 하는 사람들이 신뢰할 수 있고 감사(audit)할 수 있는 정보에 액세스할 수 있도록 하는 일을 하고 있다”라고 말했다.
그에 따르면 워싱턴 D.C 상하수도국은 이른바 ‘무수수량(Non-revenue water 또는 unaccounted for water; 수돗물을 생산해 각 가정까지 공급하는 계통상에서 계량기 오차, 불법 사용, 누수 등에 의해 손실되는 수돗물)’에 초점을 맞춰 상당한 투자를 했다.
쿠친스키는 “운영 측면에서 보자면 수도관 파열을 사전에 파악하기 위한 ‘예측 애널리틱스 도구’를 구축하는 데 많은 시간을 할애하고 있다”라면서, “이는 수도관이 파열되고 나서 사후에 대처하는 것이라기보다 아예 그 상황이 일어나지 않도록 사전 예방하는 것이다. 전기 산업에서 일반적으로 ‘정전 관리’라고 하는 일을 하는 셈이다”라고 전했다.
즉 이러한 무수수량을 저감하는 데 주력하고 있다는 게 그의 설명이다. 무수수량이란 생산된 수돗물양과 가정에서 실제 소비된 양(최신 검침(Advanced Meter Reading; AMR) 시스템으로 측정) 간의 차이를 말한다(시에서 화재 진압 등을 위해 D.C 상하수도국에서 관리하는 9,000개 이상의 소화전을 사용하는 과정에서 무수수량이 생기기도 한다).
쿠친스키는 “시스템상에서는 수돗물이 생산됐지만 요금은 청구되지 않는 부분이 생긴다”라면서, “부정확한 계량이 원인일 수 있다. 계량기가 크기 대비 용량이 충분하지 않아 느리게 돌아가거나 성능 저하로 재정비가 필요한 경우다”라고 언급했다.
이에 따라 그는 다양한 데이터 소스를 활용해 대시보드를 구축하고 수돗물 손실이 많이 발생하는 곳을 식별하고 있다. 쿠친스키는 “전반적으로 봤을 때 손실이 가장 큰 특정 영역에 애널리틱스를 적용해 원인을 파악한다"라고 말했다.
애널리틱스 실전 활용 쿠친스키와 그의 팀은 디지털 플랫폼을 구축하고 이를 워싱턴 D.C 상하수도국의 SCADA(감시 제어 및 데이터 취득 시스템) 및 PCS(프로세스 제어 시스템)에 연결하고 있다.
스카다(SCADA)는 워싱턴 D.C 상하수도국의 수돗물 공급 및 수거를 관리하고, PCS는 첨단 하수처리장(Blue Plains)을 운영한다. 그리고 이들은 고객 시스템 및 GIS 플랫폼과 통합돼 어떤 사건이 발생했을 때 공간 분석을 수행할 수 있다고 그는 전했다.
쿠친스키는 “이를테면 폭우가 내릴 때 수거 시스템의 성능과 침수에 관한 잠재적인 고객 불만을 모니터링하여 공급 측면에서 사전적으로 대응할 수 있도록 한다”라고 설명했다.
또 워싱턴 D.C 상하수도국은 애널리틱스를 활용해 비슷한 사용자(예: 호텔이나 빨래방 등)의 수돗물 소비량을 비교하고 특이치가 없는지 확인한다. 이는 잠재적인 누수나 불량 계량기를 파악하는 데 도움을 준다. 실제로 방치된 건물에서 파열된 파이프를 찾아낸 사례가 있다고 그는 덧붙였다.
그에 따르면 현재 가장 정교한 애널리틱스 도구는 ‘파이프 탐정(Pipe Sleuth)’이다. 이는 블루 드롭에서 개발한 하수 평가 솔루션으로, AI를 활용해 CCTV 영상을 검토하여 하수관 상태를 실시간 평가한다.
쿠친스키는 “(파이프 탐정은) 고급 딥러닝 신경망 모델을 활용해 직경이 작은 하수도관의 이미지 분석을 수행하고 하수도관을 분류한 다음 상태 평가 보고서를 생성한다”라고 설명했다.
‘파이프 탐정’을 사용하기 전에는 직원들이 CCTV 영상 화면을 수동으로 검토해서 발견한 결함에 태그를 지정해야 했다. 그다음 전문 엔지니어가 해당 화면을 살펴보고 결함을 분류하는 식이었다.
지난 2013년부터 워싱턴 D.C 상하수도국 CIO로 재직하고 있는 쿠친스키는 약 2년 전부터 애널리틱스를 종합적이고 집중적으로 구축하기 시작했다고 언급하면서 다음과 같이 말했다.
“이 구축 작업의 일부는 디지털 애널리틱스와 데이터 과학에 관해 직원들을 교육하는 것, 그리고 사용할 수 있는 디지털 자산을 생성해 접근할 수 있도록 하는 것이었다. 주로 개별 시스템에 먼저 초점을 맞췄다. 예를 들면 개별 작업자 그룹이 특정 업무를 얼마나 잘 수행하고 있는지 파악하는 것이었다.”
이는 비교적 간단한 일이었지만 팀이 경험을 쌓는 데 도움을 줬다. 그리고 약 1년쯤 전부터는 다양한 소스의 정보를 수집하기 시작했다. 여기에는 ARM 시스템에서 청구 데이터와 계량 데이터를 가져와 혼합하는 작업 등이 포함된다. 쿠친스키는 “점점 더 정교해지고 있다”라고 덧붙였다.
신뢰 문제 그에 따르면 초창기 교육은 데이터 소스를 중앙집중화하는 것, 데이터 소스에 접근하는 것, 이러한 리소스가 의사결정에 어떻게 도움을 주는지 이해하는 것에 중점을 두고 구성됐다.
쿠친스키는 “이러한 도구의 힘 그리고 예측을 더 정확하게 할 수 있다는 역량을 이해할 수 있도록 했다. 특히 결과가 나왔을 때 이게 어떻게 나왔는지 예측 과정을 항상 검토할 필요가 없도록 하는 게 중요했다”라고 말했다.
즉 사람들이 예측 애널리틱스 도구를 신뢰하도록 하는 게 필수적이었다는 게 그의 설명이다. 이는 모델에서 제공하는 결과를 바탕으로 작업하는 것을 의미한다.
쿠친스키는 대형 수도관 파열을 예측하는 도구를 예로 들었다. 추운 날씨로 수도관 파열이 발생하며, 일 년 중 추운 기간에 더 자주 발생한다는 게 일반적으로 알고 있는 사실이다. 그렇다 하지만 예측 도구는 일 년 중 따듯한 기간의 수도관 파열도 예측한다.
쿠친스키는 “수도관 파열 문제를 해결하는 게 목표라면 일 년 중 한 부분만 볼 게 아니라 전체를 봐야 한다. 사실 급격하게 변화하는 온도 때문에 지면이 솟아올라 파이프가 어긋나는 경우도 많다”라고 설명했다.
궁극적으로 이 모든 프로젝트의 목표는 수돗물 손실률을 2% 내지 5% 사이로 줄이는 것이다.
이는 하루에 대략 680만 리터에서 1,700만 리터에 해당되는 양이다. 이전에는 측정되지 않았던 무수수량을 계량화하면 1%마다 약 4백만 달러의 가치가 있다고 그는 전했다.
쿠친스키는 “기업을 고질적으로 괴롭히는 문제를 살펴봐야 한다. 이런 문제에는 수익이나 효율성 부분이 관련돼 있는 게 일반적이다. 실제로 비용을 절약하든 프로세스를 개선하든 뭔가를 얻게 해주는 것은 팔기가(설득하기가) 더 쉽기 마련이다”라고 덧붙였다.
