A
공공데이터 AI전처리 파이프라인
4.05
파생 체인
단계 1
공공데이터 AI 활용 확산 (행안부 실태조사)
→
단계 2
AI학습용 데이터 전처리 수요 증가
→
단계 3
공공데이터 특화 전처리 자동화 파이프라인
문제
AI 스타트업이 공공데이터를 모델 학습에 활용하려면 API별로 응답 포맷(XML/JSON/CSV)이 다르고, 한글 인코딩 오류, 날짜 포맷 불일치, 결측치 처리가 필요하여 데이터 엔지니어가 API당 평균 2-3일을 전처리에 소비한다. 월 10-20개 API를 사용하는 팀 기준 연간 데이터 엔지니어 인건비의 30-40%가 단순 전처리에 소모된다.
솔루션
공공데이터 API URL을 입력하면 자동으로 응답을 수집·포맷 통일(JSON 정규화)하고, 인코딩 수정, 날짜 표준화, 결측치 처리, 중복 제거를 원클릭으로 수행하여 AI학습에 즉시 투입 가능한 클린 데이터셋을 출력한다. 전처리 파이프라인을 템플릿으로 저장하여 정기 수집에 재사용할 수 있다.
NUMR-V Scores
NUMR-V Scoring System
| N Novelty | 1-5 | 시장 내 유사 서비스 부재 정도. 경쟁사 0개 = 5, 10+개 = 1 |
| U Urgency | 1-5 | 사용자가 지금 당장 필요로 하는 긴급성. 트렌드 부합 + 시급성 |
| M Market | 1-5 | 타겟 시장의 크기와 성장 가능성. 프록시 지표 기반 (LLM 추정 X) |
| R Realizability | 1-5 | 1-2인이 실현 가능한 정도. 기술 난이도 + 데이터 확보 용이성 |
| V Validation | 1-5 | 시장 검증 통과 여부. 경쟁사 분석 + 수요 프록시 + 타이밍 |
SaaS N=.15 U=.20 M=.15 R=.30 V=.20
Senior N=.25 U=.25 M=.05 R=.30 V=.15
실현성 (70%)
실현성 분석
| 기술 복잡도 | / 40 | 핵심 기술 스택의 난이도. low=40, medium=24, high=10 |
| 데이터 접근성 | / 25 | 필요 데이터의 확보 용이성. user_generated=25 → proprietary=4 |
| MVP 일정 | / 20 | 최소 기능 제품 구축 소요 기간. 2주=20, 1개월=12, 3개월=8 |
| API 보너스 | / 15 | 공공 API 활용 가능 시 보너스. 매칭 API가 있으면 가산 |
시장 검증 (61/100)
검증 분석
| 경쟁 분석 | / 20 | 경쟁사 검색 결과 기반. 적절한 경쟁 존재 = 시장 검증 |
| 시장 수요 | / 20 | 검색량, 뉴스 언급 등 프록시 지표. 실제 수요의 간접 증거 |
| 타이밍 | / 20 | 현재 트렌드와의 부합도. 규제/기술 변화 시점 적합성 |
| 수익 참조 | / 15 | 유사 비즈니스 모델의 수익 사례. 실제 과금 레퍼런스 존재 여부 |
| 곡괭이 적합 | / 15 | 곡괭이 전략 부합도. 도구/인프라 제공 관점 적합성 |
| 1인 구축 | / 10 | 혼자서 MVP 구축 가능 여부. 외부 의존성 최소화 정도 |
기술 요구사항
백엔드 [medium]
프론트엔드 [low]
데이터 파이프라인 [medium]