상황실의 첫 질문 정하기
COVID-19 학습 시나리오를 가져오고 분석 질문과 사용 자산의 경계를 확인합니다.
이번 단계의 질문
어떤 데이터를 연결해야 ‘먼저 대응할 지역’을 근거와 함께 말할 수 있을까요?
오늘 비교할 보고는 중계4동, 성남동, 중계본동 세 건입니다. 목표는 막연한 ‘위험 지역’을 선언하는 것이 아니라, 동선 교차 확인을 어느 지역부터 시작할지 순서를 정하는 것입니다.
왜 지금 필요한가
자산 목록부터 외우면 실행은 해도 판단 목적을 잃기 쉽습니다. 먼저 환자 수, 인구, 진료소, 핫스팟을 같은 지역에서 비교한다는 분석 질문을 고정합니다.
직접 해보기
covid19.zip 다운로드(71 KB)왼쪽 사이드바에서 컬렉션을 열고 오른쪽 위 더 보기 → 가져오기를 선택해 zip을 올립니다. 검증 결과에 충돌이 없으면 가져오기 시작을 누르고 완료될 때까지 기다립니다.


이 화면이 나오면 성공
왼쪽 컬렉션 목록에 코로나19 데이터 모음이 보이고, 상세 화면에 데이터셋·코드· 파이프라인이 등록되어 있으면 됩니다.

결과를 읽어 봅니다
이 워크숍의 최종 결과는 그래프 탐색기와 쿼리 결과 표에서 확인합니다.
가져온 자산은 각각 다른 분석 질문에 답할 수 있습니다.
| 자산에서 보는 것 | 답할 수 있는 질문 | 이후 활용 |
|---|---|---|
| 인구 데이터 | 이 지역에 사는 사람과 머무는 사람은 얼마나 다른가? | 지역의 규모와 활동량 비교 |
| 환자·핫스팟 데이터 | 환자 동선이 어느 장소와 지역에서 교차했는가? | 관계를 확인할 지역 좁히기 |
| 진료소 데이터 | 확인이 필요한 지역 주변에 진료 자원이 있는가? | 추가 점검 순서 설명하기 |
| 지역 계층 | 동의 관찰을 어느 시·군·구와 시·도로 묶을 것인가? | 상위 지역에 결과 보고하기 |
즉, 데이터셋은 개별 사실을 담고, 파이프라인은 비교 가능한 형태로 정리하며, 온톨로지는 그 사실 사이의 관계를 추적하게 해 줍니다. 이후 챕터에서는 이 세 역할을 차례로 연결합니다.
세 보고에는 다음과 같은 공통 판정표를 사용합니다.
| 확인 신호 | 이번 실습의 경보 기준 | 신호가 말해 주는 것 |
|---|---|---|
| 환자 수 | 3명 이상 | 거주 환자가 여러 명 관찰됨 |
| 핫스팟 수 | 5곳 이상 | 다시 확인할 동선 교차 지점이 많음 |
| 만 명당 환자 수 | 10명 이상 | 인구 규모를 보정해도 환자 신호가 큼 |
세 신호 중 두 개 이상을 충족하면 우선 확인 후보로 분류합니다. 후보가 둘 이상이면 이번 목적인 동선 확인에 맞춰 핫스팟 수가 많은 지역을 먼저 봅니다. 이 기준은 학습용 합성 데이터의 비교 규칙이며 실제 방역 기준이 아닙니다.
깊이 보기 — 실제로 가져오는 자산
| 자산 종류 | 수량 | 구성 |
|---|---|---|
| 컬렉션 | 1 | 코로나19 데이터 모음 (covid19) |
| 데이터셋 | 9 | 인구·환자·진료소·핫스팟 원본과 지역별 중간 결과 |
| 코드 | 4 | 인구 결합, 시·도/시·군·구 필터, 온톨로지 적재 |
| 배치 파이프라인 | 4 | 코드 4종의 실행 흐름 |
| 온톨로지 | 엔티티 6 / 관계 6 | 지역 계층·환자·진료소·핫스팟과 6개 연결 |
| 도구 | 1 | ontology_graph_query |
| Agent | 1 | epidemic_assistant |
ZIP에는 도구와 에이전트 정의도 있지만 현재 가져오기 화면에서는 등록하지 않습니다.
다음 판단
데이터를 연결하려면 서울특별시, 노원구, 중계4동처럼 단계가 다른 지역 이름이 같은
곳을 가리키도록 먼저 기준을 맞춰야 합니다.