E-Call Assistant / Imagine Cup 2018 project
- 긴급신고가 들어오면 프로그램을 통해서 최초 상황을 접수하게 됩니다.
- 최초 접수 시간부터 출동 지시 시간, 접수 전화를 끊은 시간까지 기록이 됩니다.
- 신고자가 당황하지 않고 침착하게 설명을 할 수 있도록 근무자가 필수적인 질문으로 진술을 유도합니다.
- 긴급신고전화를 접수하는 순간부터 실시간으로 신고자의 진술내용이 기록이 됩니다.
- 이후에 Azure Cognitive Services 개체명 분석을 통해서 출동을 하기위해 필수적인 정보들을 분석해내고 해당하는 항목란에 채워줍니다.
- 출동을 지시할 수 있는 필수적인 항목들을 다 채우게 되면 이에따라 출동 지시를 내릴 수 있습니다.
- 그렇지 않은 경우에 알림을 통해서 근무자가 놓치고 있는 점을 알려줍니다.
- 근무자는 실시간으로 기록되는 내용에 추가적인 내용을 덧붙일 수 있습니다.
- 출동을 지시하는 과정에서, 핵심적인 신고 내용을 추출해서 딥러닝을 활용해 무슨 내용인지 분석을 합니다.
- 분석한 결과에 따라 신고내용이 세부적인 카테고리로 나누어지고 신고내용에 적절한 대응 매뉴얼이 화면에 제시됩니다.
- 분류된 신고내용에 따라 해당하는 대응 방식을 제시하여 주고 매뉴얼에 따라 세부적인 상황 내용을 질문합니다.
- 이렇게 얻어진 정보는 데이터베이스에 저장이 되어 출동기관으로 전송됩니다.
- 여러 상황에 맞게 적절한 대응 방식을 제공합니다.
- 또한, 부상자가 있는 경우 구조대 도착 전 대처법까지 알려주어 상황실 근무자는 당황하지 않고 전문적으로 신고자를 안심시키고 신고를 처리할 수 있습니다.
- 신고자의 진술 내용과 분석된 신고 내용은 Azure Database에 저장되고 관리됩니다.
- 또한, 실시간 상황실의 전반적인 신고 접수 현황을 그래프로 나타내주어 상황실 근무자가 인지를 할 수 있게 합니다.
- 전화가 오면 이 화면이 나오고 클릭하면 통화를 받게 됩니다.
- 신고 접수 및 신고 종료 시간과 세부적인 신고 접수내용을 Azure SQL 데이터베이스 서버에 전송시켜 관리 합니다.
- 근무자가 상황을 접수하면서 초기 상황 접수부터 세부적인 상황정리, 응급처치까지 크게 세 단계로 상 황을 정리해나가는데, 각 단계를 넘어갈 때마다 정리된 상황 내용이 데이터베이스에 저장이 됩니다.
- 저장된 상 황 내용은 Azure 서버를 통해 상황 공유가 필요한 담당기관으로 신속하게 전달됩니다.
- 또한, 데이터를 그래프 로 나타내어 상황실 근무자가 긴급 신고 상황에 대해 시각적으로 파악할 수 있게 구성했습니다.
- 신고자의 전화 음성이 완벽하게 텍스트로 변환되지 않아서 카테고리 구분 정확도가 떨어지는 문제가 있었습니다. 그래서 자체 구현한 문장 교정 알고리즘을 통해 텍스트로 변환된 신고 내용을 보완하는 전처리 과정을 거쳤습니다.
- Skip-Gram 알고리즘을 사용하여 Word2Vec 모델을 생성한 후, 모델에서 단어 간 코사인 유사도를 계산하여 문맥에 맞지 않는 단어를 추출했습니다.
- 적절하지 않은 단어가 추출되면, 해당 단어와 편집거리가 작은 단어들을 리스트로 만들어 비교 후 가장 적절한 단어로 교체하여 문장을 교정했습니다.
- 지난 10년 동안의 영국 ‘가디언’ 뉴스 기사를 재난, 화재, 교통사고 등 총 6개의 카테고리로 구분하여 학습 데이터로 만들었습니다.
- 뉴스 기사가 상황을 묘사하는 방식이 실제 신고 내용과 비슷하다는 점에서 뉴스 기사를 학습 데이터로 선택했습니다.
- 참고 블로그 / Text classification using CNN written in tensorflow
- 위 링크에서 가디언 뉴스 기사를 크롤링해와서 해당하는 카테고리의 기사로 학습
- 사건 및 사고에 대해 신고자가 진술을 하고 상황을 설명하는 것이, 뉴스 기사에서 사건 및 사고에 대해서 설명을 하는 것과 유사성을 많이 찾을 수 있을 것이라 판단하여 뉴스 기사로 학습
- Goose와 BeautifulSoup4를 사용해서 기사 내용을 가져옴
- Google 검색에서
(category) site:www.guardian.com이라고 검색하면 해당 사이트의 검색 결과만을 반환
- 신고자 진술을 Multi class CNN Text Classification 모델을 사용하여 앞서 구비해놓은 카테고리로 분류했습니다.
- 각 단어와 문장의 의미를 분석하는 대신, 신속하게 카테고리 구분하여 대응 매뉴얼을 제공하는 것에 초점을 맞추었습니다. 카테고리를 분류할 수 있는 특징을 추출하여 빠른 속도로 카테고리를 분류하기 위해 CNN 모델을 사용했습니다.
- 메인 모델은 뉴욕 대학 김윤 박사의 Convolutional Neural Networks for Sentence Classification의 모델을 차용했습니다.
- 이와 같은 CNN 모델로 뉴스 데이터를 학습 시켜 신고자의 진술 내용을 특정 카테고리로 예측합니다. 이후에 예측된 결과가 화면에 출력이 되고, 결과에 따라 해당하는 사건, 사고의 대응 매뉴얼을 화면에 띄워줍니다.
- 참고 문헌 / Implementing a cnn for text classification in tensorflow
- 현재 75% 정확도 / 아직 학습해야할 카테고리가 더 있음 / 정확도 더 올릴 예정
- Training Command Example :
python train.py ./data/train.csv ./parameters.json - URL request :
python predict.py ./trained_model_1516629873/서버 실행 후 프로그램 실행 - Console Predict Command Example :
python predict.py ./trained_model_1516629873/ - JSON file Predict Command Example :
python predict.py ./trained_model_1516629873/ ./data/sample.json - C# 프로젝트 bin-Debug-(Environment.CurrentDirectory)에 "data_helper.py", "predict.py", "text_cnn.py", "train.py", trained model 위치 시켜서 실행하기
- 예측 값
- 정확도
- 참고 문헌 / Implementing a cnn for text classification in tensorflow
- 현재 97% 정확도
- Training Command Example :
python train_posneg.py - Console Predict Command Example :
python eval_posneg.py --eval_train --checkpoint_dir="./runs/1516169064/checkpoints/" - C# 프로젝트 bin-Debug-(Environment.CurrentDirectory)에 "data_helpers_posneg.py", "eval_posneg.py", "text_cnn_posneg.py", "train_posneg.py", trained model 위치 시켜서 실행하기
- 윈도우에서 Data 파일 불러올 때, "UnicodeDecodeError: 'cp949' codec can't decode byte 0xe2 in position ---: illegal multibyte sequence" 오류 시,
open('파일경로.txt', 'rt', encoding='UTF8')이렇게 파일 Open할 것 - 정확도
