Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance

이 논문은 실종 아동 수색을 위해 비정형 데이터를 시공간적 위험 표면으로 변환하고, 마르코프 체인, 강화 학습, 그리고 LLM 기반 품질 보증을 결합한 3 층 아키텍처를 가진 '가디언' 시스템의 예측 모델과 검증 결과를 제시합니다.

핵심

🕵️‍♂️ 핵심 아이디어: "수사관들의 디지털 조력자"

실종 사건이 발생했을 때, 경찰은 72 시간이라는 골든 타임 안에 아이를 찾아야 합니다. 하지만 정보는 조각조각 나 있고, 어디를 먼저 찾아야 할지 막막한 경우가 많습니다.

이 논문에서 소개한 '가디언 (Guardian)' 시스템은 바로 이 막막함을 해결해 주는 똑똑한 디지털 조력자입니다. 마치 수사관들이 입은 초능력의 망토처럼, 흩어진 정보를 모아 "어디를 먼저 찾아야 할 확률이 가장 높은가?"를 계산해 줍니다.

이 시스템은 크게 **3 단계 (3 층)**로 이루어진 '지능 공장'과 같습니다.

---

🏭 가디언 시스템의 3 단계 공장

1 층: "미래를 예측하는 점성술사 (마르코프 체인)"

• 역할: "어디로 갔을까?"를 계산합니다.
• 비유: 이 층은 날씨 예보관과 비슷합니다. 하지만 비나 눈 대신 '아이의 이동 경로'를 예보합니다.
  • 과거의 실종 사례 데이터 (비유: 과거의 날씨 패턴) 와 현재 사건의 정보 (비유: 오늘의 기온) 를 섞습니다.
  • 도로와 은신처를 고려합니다: 아이가 차를 탔는지, 걸었는지, 밤인지 낮인지에 따라 이동 패턴이 달라집니다. 예를 들어, 밤에는 숲속 같은 '은신처'로 갈 확률이 높고, 낮에는 '고속도로'를 따라 이동할 확률이 높다고 가정합니다.
  • 시간이 지날수록 불확실성은 커지므로 (비가 올 확률이 점점 모호해지듯), 24 시간, 48 시간, 72 시간 후의 위치를 점진적으로 넓혀가며 예측합니다.

2 층: "자원을 배분하는 전략가 (강화 학습)"

• 역할: "어디를 먼저 수색할까?"를 결정합니다.
• 비유: 1 층이 "비가 올 확률이 높은 지역"을 알려주면, 2 층은 소방대장처럼 "소방차를 어디에 먼저 보내야 가장 빨리 불을 끄는가?"를 계산합니다.
  • 인력과 장비는 한정되어 있습니다. 모든 곳을 다 찾을 수 없죠.
  • 이 층은 1 층이 예측한 '확률 지도'를 보고, **가장 확률이 높은 몇 개의 구역 (섹터)**을 골라 "여기를 먼저 수색하세요"라고 구체적인 작전 계획을 세웁니다.
  • 중복 수색을 피하고, 가장 효율적인 순서로 수색 구역 (고리 모양의 영역) 을 나눕니다.

3 층: "검토하는 교정 교사 (LLM 기반 품질 보증)"

• 역할: "이 계획이 현실적으로 말이 되는가?"를 확인합니다.
• 비유: 2 층이 만든 작전 계획을 **현실적인 수사관 (AI 교정 교사)**이 한 번 더 읽어보는 단계입니다.
  • 수학적으로 계산된 확률이 높아도, "그곳은 사람이 살지 않는 사막인데 왜 거기로 보낼까?"처럼 현실과 동떨어진 엉뚱한 제안을 할 수 있습니다.
  • 이 층은 대용량 언어 모델 (LLM) 을 이용해, "이 계획이 수사 기록과 맞지 않거나, 아이의 행동 패턴과 모순되지 않는지"를 언어적으로 검토합니다.
  • 만약 이상한 점이 보이면 "이 구역은 우선순위를 낮추세요"라고 수정을 제안합니다.

---

🧪 실제 테스트 결과: "버지니아 주의 가상 실종 사건"

연구팀은 실제 데이터를 보호하기 위해, **가상의 실종 사건 (GRD-2025-001541)**을 만들어 시스템을 테스트했습니다.

• 상황: 버지니아 주에서 15 세 소녀가 새벽에 실종됨.
• 결과:
  • 24 시간 후: 실종 지점 주변과 주요 도로가 연결된 '타이드워터 (Tidewater)' 지역이 가장 확률이 높게 예측됨.
  • 72 시간 후: 시간이 지날수록 수색 범위가 넓어지지만, 여전히 특정 도로를 따라 이동한 흔적이 뚜렷하게 나타남.
  • 성공 요인: 단순히 "가장 가까운 곳"을 찾는 게 아니라, 도로망, 밤/낮의 차이, 과거 실종 패턴을 모두 고려해서 예측했기 때문에 현실적인 수색 계획을 제시할 수 있었습니다.

---

💡 이 시스템의 핵심 가치

1. 해석 가능성 (Interpretability): AI 가 "이곳이 답입니다"라고만 말하지 않고, **"왜 이곳일 가능성이 높은지 (도로 접근성, 은신처 선호 등)"**를 설명해 줍니다. 수사관이 AI 의 말을 믿고 따를 수 있는 근거를 제공합니다.
2. 불확실성 관리: "100% 여기다"라고 단정 짓지 않고, "이곳에 있을 확률이 50%, 저곳에 있을 확률이 30% 입니다"라고 확률적으로 알려줍니다.
3. 안전장치: AI 가 실수할 수 있으므로, 마지막 단계에서 언어 모델이 다시 한번 검증하여 엉뚱한 지시를 내리는 것을 막습니다.

🚀 결론

이 논문은 **"AI 가 수사관을 대체하는 것이 아니라, 수사관의 직관과 경험을 데이터로 보강하여 실종 아이를 더 빨리 찾을 수 있게 돕는 시스템"**을 제안합니다.

마치 수사관에게 안경을 씌워주듯, 흐릿한 정보 속에서도 가장 유력한 수색 경로를 선명하게 비춰주는 도구라고 할 수 있습니다. 이는 실종 사건뿐만 아니라 노약자 실종 등 다른 상황에도 적용될 수 있는 유연한 기술입니다.

기술 요약

1. 문제 정의 (Problem Statement)

실종 아동 수색 계획은 초기 72 시간이 가장 중요하지만, 수사 기관은 다음과 같은 어려움에 직면해 있습니다.

• 데이터의 파편화 및 비구조화: 보고서, 팁, 지도, 교통 정보 등 다양한 소스의 비정형 데이터가 존재합니다.
• 동적 예측 도구의 부재: 기존 수색 계획은 인간의 직관, 단순한 휴리스틱, 그리고 수동적 데이터 융합에 의존하여 불확실성이 높은 환경에서 신속한 의사결정을 어렵게 합니다.
• 시간 및 자원 제약: 초기 수색 단계에서 파편화된 내러티브를 지리적으로 기반을 둔 공유 계획으로 변환하는 데 소요되는 시간 비용이 수색 영역이 확대되고 자원이 희석되기 전에 큰 병목 현상을 일으킵니다.

이러한 문제를 해결하기 위해 저자들은 Guardian이라는 종단 간 (End-to-End) 의사결정 지원 시스템을 제안합니다.

2. 방법론 (Methodology)

Guardian 시스템은 Parser Pack(데이터 전처리) 과 Core System(분석 및 예측) 으로 구성되며, 핵심 예측 기능은 3 계층 아키텍처로 설계되었습니다.

A. 시스템 아키텍처 개요

1. 1 단계 (Parser Pack): 다양한 PDF 보고서 및 지리 공간 데이터를 수집하여 스키마에 맞는 구조화된 데이터로 변환, 정규화, 검증 및 보강 (지오코딩, 교통 컨텍스트 등) 합니다.
2. 2 단계 (Guardian Core): 구조화된 데이터를 기반으로 확률적 수색 산출물 (위험 표면, 순위 매겨진 섹터, 핫스팟 등) 을 생성합니다.

B. 3 계층 예측 모델 (핵심 기술)

1 층: 해석 가능한 마르코프 기반 이동 예측 (Markov Mobility Forecasting)

• 목적: 실종자의 미래 위치 분포를 24/48/72 시간 단위로 예측합니다.
• 입력: 마지막 관측 위치 (IPP) 기반 가우시안 시드, 과거 핫스팟 기반 커널 밀도 추정 (KDE) 사전 확률.
• 전이 행렬 (Transition Matrix):
  • 희소성 및 해석 가능성: KNN(최근접 이웃) 기반의 희소 행렬을 사용하여 계산 효율성을 높입니다.
  • 특성 기반 가중치: 도로 접근성 비용, 은신 선호도 (Seclusion), 주요 통로 (Corridor) 편향을 반영한 에너지 기반 전이 가중치를 사용합니다.
  • 주/야간 구분: 주간과 야간 이동 패턴의 차이를 반영하기 위해 별도의 전이 행렬을 사용합니다.
• 시간적 감쇠: 생존 분석 (Survival analysis) 스타일의 반감기 (Half-life) 감쇠를 적용하여 시간이 지남에 따라 불확실성이 자연스럽게 증가하도록 보정합니다.
• 지리적 제약: 주 경계 등 유효한 지리적 영역 밖으로의 확률 누출을 방지하기 위해 마스크 (Masking) 를 적용합니다.

2 층: 강화 학습 기반 수색 구역 최적화 (Reinforcement Learning)

• 목적: 마르코프 모델이 생성한 확률적 '믿음 지도 (Belief Map)'를 실행 가능한 수색 계획 (구역 선정 및 우선순위) 으로 변환합니다.
• 메커니즘: 자원 제약 하에서 순차적 의사결정 문제로 수색 계획 수립을 모델링합니다.
• 보상 함수 (Reward Function):
  • 초기 포획 (Early Capture): 0~72 시간 내 고확률 영역을 최대한 빨리 커버하도록 장려합니다.
  • 수색 효율성 (Coverage Efficiency): 중복 구역과 과도한 수색 면적을 패널티로 부과하여 정보 획득 대비 노력의 효율성을 극대화합니다.
  • 현실성 (Plausibility): 통로 접근성, 은신 선호도 등 마르코프 예측과 일관된 제약을 부과합니다.
• 출력: 시간대별 (0-24h, 24-48h, 48-72h) 순위 매겨진 섹터, 후보 수색 구역, 그리고 불확실성을 요약하는 포함 링 (Containment Rings, 50/75/90% 신뢰구간).

3 층: LLM 기반 품질 보증 (LLM-based Quality Assurance)

• 목적: 강화 학습 (RL) 이 생성한 수색 계획의 조사적 타당성을 사후 검증합니다.
• 기능:
  • 구조화된 사건 요약, 이동 프로파일, 시간 창, 구역 기하학적 특성을 LLM 에 입력합니다.
  • LLM 은 각 구역의 현실성 점수 (Plausibility Score) 와 자연어 기반 근거를 생성합니다.
  • 수학적 최적화가 가능하더라도 내러티브 (예: 비현실적인 이동 수단, 알려진 제약 조건 위반) 와 모순되는 구역을 식별하여 우선순위를 재조정합니다.
• 모델: Qwen-2.5-3B-Instruct 및 LLaMA-3.2-3B-Instruct 와 같은 경량 지시 튜닝 모델을 사용하여 효율성과 결정론적 출력을 보장합니다.

3. 주요 기여 (Key Contributions)

1. 종단 간 파이프라인: 비정형 PDF 문서에서부터 실행 가능한 지리 공간 수색 산출물 (Risk Surfaces, Containment Rings) 까지 자동화하는 통합 시스템 구축.
2. 3 계층 하이브리드 아키텍처:
   • 해석 가능성: 마르코프 체인을 통해 이동 경로의 확률적 근거를 투명하게 제공.
   • 최적화: 강화 학습을 통해 제한된 자원 하에서 효율적인 수색 구역 선정.
   • 검증: LLM 을 활용한 의미론적 품질 보증으로 인간의 조사 직관과 모델 출력의 일관성 확보.
3. 동적 환경 모델링: 주/야간 이동 패턴 차이, 도로 접근성, 은신 선호도 등을 통합한 정교한 전이 행렬 설계.
4. 책임 있는 AI: 고위험 공공 안전 맥락에서 모델의 내부 workings 을 공개하지 않고도 감사 가능하고 해석 가능한 의사결정 지원 도구 제공.

4. 실험 결과 (Results)

가상이지만 현실적인 실종 아동 사례 (GRD-2025-001541, 버지니아주) 를 통해 시스템을 평가했습니다.

• 공간적 집중도: 예측된 확률 질량의 대부분 (52~55%) 은 Tidewater 지역에 집중되었으며, 이는 국소적 이동 프로파일과 역사적 핫스팟 사전 확률의 영향이었습니다.
• 통로 효과: 2 차 지역인 북부 버지니아 (Northern Virginia) 는 직접적인 확산보다는 주요 교통 통로 (Corridor) 의 연결성으로 인해 24~30% 의 확률 질량을 보였습니다.
• 시간에 따른 확산:
  • 24 시간에서 72 시간으로 시간이 지남에 따라 불확실성이 구조적으로 확산되었습니다.
  • 50% 포함 링 (Containment Ring) 의 반경은 24 시간 약 20 마일에서 72 시간 중반 20 마일대로 점진적으로 확대되었으나, 여전히 지리적으로 국소화되었습니다.
• 성공 지표:
  • Geo-hit@K: 실제 관측된 위치가 모델이 예측한 상위 K 개 구역 내에 포함되는 비율이 높았습니다.
  • LLM QA 효과: LLM 기반 검증은 통계적으로 최적일 수 있지만 조사적 맥락과 어긋나는 구역을 식별하여 최종 순위 조정의 정확도를 높였습니다.
• 민감도 분석: 시스템은 사전 확률 가중치 ($\alpha_{prior}$), 통로/은신 가중치, 주/야간 전환 스케일에 민감하게 반응하므로, 배포 시 민감도 분석이 필수적입니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실무적 가치: 실종 아동 수색의 초기 72 시간이라는 치명적인 시간대에, 불완전한 정보 하에서도 체계적이고 해석 가능한 수색 계획을 제공하여 수사 효율성을 극대화합니다.
• 기술적 혁신: 마르코프 모델의 해석 가능성, 강화 학습의 최적화 능력, LLM 의 맥락 이해 능력을 결합하여 단일 모델의 한계를 극복한 새로운 패러다임을 제시합니다.
• 확장성: 이 프레임워크는 실종 아동뿐만 아니라 노인 실종 등 다른 인구 집단에 대해서도 이동 프로파일과 시간적 특성을 조정함으로써 적용 가능합니다.
• 한계 및 향후 과제: 마르코프 모델의 메모리리스 (Memoryless) 특성, 지오코딩 품질 의존성, 그리고 실제 사례에 대한 보정 필요성을 인정하며, 향후 고차 마르코프 모델 도입 및 더 많은 실제 사례를 통한 검증이 계획되어 있습니다.

이 논문은 인공지능 기반 의사결정 지원 시스템이 어떻게 복잡한 수사 업무에서 인간의 판단을 대체하지 않고, 이를 보완하고 강화할 수 있는지에 대한 중요한 사례를 제시합니다.