AI 매칭 알고리즘 방법론

1 개요

본 알고리즘은 노인 통합돌봄 사례(Case)에 대해 영업 중인 제공기관(Provider) 중 적합한 후보를 점수화하여 상위 N개를 추천합니다.

AI라는 표현을 사용하지만 규칙 기반 가중합(weighted sum) 알고리즘이며, 학습 데이터로부터 가중치를 도출하지 않습니다. 가중치는 명시적으로 정의되어 있고 누구나 본 문서에서 확인할 수 있습니다.

⚠ 책임 구조: 본 점수는 의사결정을 보조합니다. 최종 매칭 확정은 담당자의 판단으로 이루어지며, 모든 결정은 MatchSnapshot 테이블에 영구 기록되어 사후 감사가 가능합니다.

입력:

출력:

각 항목의 가중치는 다음과 같이 정의되어 있습니다. 본 표는 AiMatchScoreCalculator::WEIGHTS에서 자동 추출됩니다 — 코드와 영원히 동기화됩니다.

항목	가중치	근거
공단평가	50%	국민건강보험공단의 공식 평가가 가장 신뢰할 수 있는 품질 지표이므로 최대 비중
지역근접	20%	어르신/보호자의 이동 부담과 응급 대응 속도를 반영
서비스	15%	사례에 명시된 필요 서비스를 실제 제공할 수 있어야 매칭이 의미 있음
입소여력	15%	정원 여유는 즉시 수용 가능 여부 — 매칭 실현성 보장

⚠ 한계: 현재 가중치는 도메인 전문가의 합의로 설정된 휴리스틱이며, 실제 매칭 성공률 데이터를 통한 ML 학습 결과는 아닙니다. 충분한 매칭 결정 데이터가 축적되면 재조정 가능합니다.

종합 점수는 4개 항목 점수의 가중합으로 계산됩니다:

total_score = Σ (item_score × item_weight)
= 공단평가(0~100) × 50% + 지역근접(0~100) × 20% + 서비스(0~100) × 15% + 입소여력(0~100) × 15%

각 항목 점수 산출 방식:

공단평가: provider.nhis_total_score를 0~100으로 정규화. 미입력 시 기본값 60점.
지역근접: 같은 권역 100점. 다른 권역은 100 - (거리km × 4), 최저 40점. 거리는 권역 중심점 간 Haversine 공식(지구 반지름 6371km).
서비스: 사례 필요 서비스 중 기관이 제공 가능한 비율 × 100. 최저 30점.
입소여력: 정원 데이터 있으면 (1 - 현원/정원) × 200 + 50, clamp(20~100). 없으면 직원 1인당 활성사례 비율로 추정.

점수화 전에 다음 단계로 후보를 필터링합니다. 각 단계 통과 기관만 다음 단계로 진입합니다.

단계	조건	제외 사유 라벨
1. 운영 중	`status: operating`	—
2. 케어 트랙 일치	`care_track == case.care_track`	"이 사례는 X 트랙인데 기관은 Y 트랙"
3. 서비스 제공 가능	`can_provide_service?(provider)`	"필요 서비스 → 기관 유형 매칭 불가"
4. 정원 여유	`current_occupancy < capacity` (정원 데이터 있을 때)	"정원 N명 모두 사용 중"
5. 점수화 + 상위 N	`limit`으로 컷오프	"점수 X (N위 — 상위 컷오프에 못 듦)"

각 단계별 제외된 기관과 사유는 사례 분석 페이지에서 펼쳐서 확인 가능합니다.

각 데이터의 갱신 시점은 매칭 결과 화면의 "데이터 출처" 섹션에서 확인할 수 있으며, 7일 이상 미갱신 시 신선도 경고가 표시됩니다.

v1.0 현재 2026-03-03

초기 출시 — 규칙 기반 가중합 알고리즘