대상 독자. 기술 실사 담당자, 의사, 투자자 등 «머신러닝인지 하드코딩된 규칙인지» 묻는 모든 분을 위한 안내입니다. 포털에서 직접 확인할 수 있는 투명한 답변을 드립니다.
핵심은 의도적인 규칙 기반입니다. 모든 추천은 명확히 정의된 기준값에서 도출되며 한 문장으로 설명할 수 있습니다. 유료 시술 변경 권한은 오직 의사에게만 있습니다. 의료 영역에서는 블랙박스 모델에 서명하지 않습니다.
개인 기준치 중심의 맞춤화. 알림 플래그는 «전체 인구 표준»이 아니라 투숙객 본인의 체류 기간 평균을 기준으로 판단합니다. 주간 평균이 54였음을 알기 전까지는 안정 시 심박수 62라는 수치 자체만으로 아무것도 판단할 수 없습니다.
두 가지 데이터 세트. «투숙객 수치 → 의사의 조치»를 기록하는 결정 저널과 «전날 시술 및 부하 → 익일 아침 워치 측정치»를 기록하는 결과 저널이 있습니다. 두 저널 모두 구조적으로 익명 처리되며 JSONL 형식으로 내보낼 수 있습니다.
검증받는 예측 모델. 플랫폼은 3가지 모델을 통해 내일의 안정 시 심박수, HRV, Body Battery, 수면 점수를 예측하며, 막연한 약속 대신 각 모델의 평균 오차를 표로 투명하게 출력합니다.
적용 범위. Wellness & Lifestyle Intelligence는 라이프스타일 지원 시스템이며 의료기기가 아닙니다. 최종 판단은 언제나 의사의 몫입니다. 2026년 8월 25일 업데이트.
블랙박스가 아닌 규칙을 선택한 이유
Longev AI는 결정론적 엔진으로 작동합니다. 동일한 기준값 아래에서 동일한 수면 데이터를 입력하면 언제나 동일한 시트가 생성됩니다. 이는 플랫폼이 숨기려는 한계가 아니라 다음 세 가지 이유에 따른 엔지니어링 결정입니다.
첫째, 의사의 서명 때문입니다. 아침 시트에는 의사의 서명이 들어가며, 시트의 모든 항목은 «평균 61 대비 안정 시 심박수 68 — 부담이 큰 시술의 변경을 제안합니다»와 같이 «이유»를 명확히 설명할 수 있어야 합니다. 수치로 설명할 수 없는 추천은 엔진에 출력되지 않습니다.
둘째, 규제 프레임워크 때문입니다. 불투명한 모델을 통해 의료 처방을 임의로 변경하는 시스템은 의료기기 및 유럽 AI 법(EU AI Act)의 고위험군으로 분류됩니다. 플랫폼은 의도적으로 라이프스타일 지원 영역에 머물며, 제안하고 설명한 뒤 의사의 확인을 기다립니다(법적 체계).
셋째, 콜드 스타트 문제입니다. 데이터가 없는 학습형 모델은 규칙 기반 시스템보다 결과가 부정확합니다. 어제 막 합류한 호텔에서는 모델이 학습할 데이터가 없습니다. 규칙은 첫 번째 투숙객부터 즉시 작동하며, 미래 모델을 위한 데이터는 아래 설명처럼 첫날 아침부터 누적되기 시작합니다.
인구 표준 대신 개인 기준치 적용
엔진의 거의 모든 기준값은 투숙객의 현재 상태를 본인의 이전 기록과 비교합니다. 기준치는 이번 숙박 중 측정한 평균값입니다. 데이터가 온전하지 않은 체크인 당일은 기준치에서 제외되며, 최소 2일간의 데이터가 쌓이기 전까지는 개인 기준치 기반 플래그가 발생하지 않습니다. 단 하룻밤의 데이터로 판단을 내리는 것은 동전 던지기 결과를 확정된 결론처럼 인쇄하는 것과 같기 때문입니다. 의사는 이 안전 기준을 최대 5일까지 늘릴 수 있습니다.
심박변이도(HRV — 심장 박동 사이 간격의 불규칙성 정도)에는 두 번째 기준이 존재합니다. Garmin 내부의 Firstbeat 알고리즘이 약 3주에 걸쳐 학습하는 투숙객 고유의 정상 범위입니다. 호텔의 2일 기준치보다 투숙객을 더 오래 관찰한 워치가 «정상 범위 미만»으로 판단하면 일일 준비도 항목은 녹색으로 표시될 수 없습니다. 워치의 판단이 당사 계산보다 우선하며, 이는 오직 안전을 위한 단방향으로만 적용됩니다.
동일한 수치들을 종합하여 0부터 100까지의 일일 준비도 점수를 산출합니다. 이는 Oura의 Readiness나 WHOOP의 Recovery와 유사하지만, Garmin 데이터를 바탕으로 호텔 의사가 설정한 규칙에 따라 계산됩니다. Body Battery가 30점, HRV와 수면이 각각 25점, 안정 시 심박수와 전날 부하가 각각 10점씩 반영됩니다. 데이터가 누락된 항목은 임의의 평균값으로 채우지 않고 계산에서 제외한 뒤 가중치를 재조정하며, 유효 데이터 비중이 전체 가중치의 절반에 미치지 못하면 점수 판정을 보류합니다.
의사용 모닝 시트: 100점 만점에 49점을 기록한 준비도와 세부 내역 — 각 줄마다 고유한 측정 수치, 기준치, 판단 근거가 표시됩니다×
호텔 관리 시스템(PMS)도 Garmin Health API를 연동해 심박수와 수면 데이터를 가져올 수는 있습니다. 하지만 머신러닝 학습 데이터를 구성하는 핵심 요소인 의사의 처방과 식단 기록이라는 두 가지 정보가 빠져 있습니다. 따라서 플랫폼은 두 가지 독자적인 데이터 세트를 축적하며, 이는 생체 데이터, 의사 처방, 영양 기록이 단일 시스템 안에서 함께 관리될 때만 생성될 수 있습니다.
의사 결정 로그 — «고객 수치 → 의사의 조치». 관리 대시보드에서 일어나는 모든 임상 조치는 해당 시점의 익명 스냅샷(연령, 성별, 숙박 일차, 야간 수치, 개인 평균, 플래그)과 함께 기록됩니다. 이는 이미 추천 시스템 역할을 하여, 의사는 유사한 수치가 나타났을 때 호텔에서 이전에 어떻게 조치했는지 바로 확인할 수 있습니다.
결과 로그 — «원인(자극) → 반응». 매일 아침 측정이 이루어지면 플랫폼은 전날의 시술 및 신체 부하(20:00 이후의 저녁 식사, 마신 온천수 잔 수 포함)와 워치가 아침에 기록한 수치(개인 기준치 대비 안정 시 심박수 및 HRV, 수면, Body Battery, 컨디션 준비도, 플래그)를 한 쌍으로 자동 기록합니다.
익명성과 데이터 삭제. 데이터 행에는 이름이나 생년월일이 전혀 포함되지 않습니다. 고객이 건강 데이터 활용 동의를 철회하면 해당 고객의 데이터 쌍도 함께 삭제되며, 이는 데이터 세트를 빈약하게 만드는 것이 아니라 오히려 더 신뢰성 있게 만듭니다. 데이터는 관리자 페이지에서 JSONL 라인 형식으로 내보낼 수 있습니다.
인과관계가 아닌 단순 관찰. 누적된 데이터 쌍을 기반으로 대시보드는 전날 온열 시술 여부, 강도 높은 시술 여부, 기준치 대비 50% 이상의 신체 부하, 늦은 저녁 식사 등 특정 요인의 «유/무»에 따른 평균값을 표시합니다. 이러한 비교는 양쪽 조건 모두 최소 5쌍 이상의 데이터가 쌓였을 때만 출력되며 단순 관찰 결과로 표기됩니다. 하루 아침의 컨디션에는 너무나 많은 변수가 작용하므로, 평균값의 차이를 곧바로 인과관계로 단정할 수는 없기 때문입니다.
예측 성능 검증: 막연한 기대 대신 오차율로 증명
«플랫폼의 정확도가 향상되고 있다»는 주장은 객관적인 수치로 검증받을 수 있어야 합니다. 이를 위해 관리자 패널에는 예측 검증 기능이 있습니다. 플랫폼은 누적된 전체 이력을 바탕으로 매일 아침의 안정 시 심박수, HRV, Body Battery, 수면 점수를 소급 예측하고, 평균 절대 오차(MAE)를 계산하여 예측값이 평균 몇 단위 벗어나는지 산출합니다.
이 검증은 «오직 앞으로만 나아가는» 전진 분석(walk-forward) 방식으로 계산됩니다. 특정 아침의 예측은 철저히 그 이전 날들의 데이터만을 바탕으로 생성되며, 부하 가중치 계수 또한 해당 시점 이전에 실제로 발생한 데이터 쌍만을 학습합니다. 구조적으로 미래 데이터를 미리 참조하거나 결과를 억지로 끼워 맞추는 것이 불가능합니다.
모델
예측 방식
비교 표에 포함된 이유
«어제와 동일»
내일도 오늘과 동일한 수치일 것으로 가정
기본 기준선(naive baseline): 이를 뛰어넘지 못하는 모델은 모델로서의 가치가 없음
«개인 기준치»
해당 숙박 기간 동안 고객의 평균값 — 모닝 시트에 인쇄되는 수치와 동일
순수한 개인화만으로 얻을 수 있는 가치를 보여줌
«기준치 + 신체 부하»
어제의 과부하를 보정한 개인 기준치, 데이터 쌍이 8개 이상 누적된 후 계수 적용
최초의 학습형 요소이며, 그 기여도를 독립적으로 확인 가능
이 표는 의도적으로 냉정한 결과를 그대로 드러냅니다. 축적된 데이터가 적을 때는 단순한 «어제와 동일» 방식이 복잡한 보정 알고리즘보다 더 정확한 경우가 많으며, 이는 오류가 아니라 지극히 정상적인 결과입니다. 향후 도입될 모델들의 기준선도 이 표가 제시합니다. 모델은 이론적으로 그럴듯할 때가 아니라, 실제 호텔 데이터에서 기본 기준선을 지속적이고 안정적으로 뛰어넘을 때 비로소 실제 제품에 반영됩니다.
로드맵
현재. 고객 고유의 기준치(베이스라인)를 기반으로 한 규칙 적용, 결정 및 결과 로그의 자동 누적, 버튼 클릭 한 번으로 예측 오차 측정.
향후 계획. 결과 로그를 기반으로 한 예측 모델 도입 — 위 표의 단순 기준치를 안정적으로 뛰어넘을 만큼 데이터 쌍이 충분히 쌓인 후에 진행됩니다. 그전까지는 겉치레뿐인 «스마트»라는 표현을 쓰지 않습니다.
원칙. 자동 처방은 의사가 서명하는 초안으로만 제공됩니다. 모닝 노트가 이미 이렇게 운영되고 있으며, 결정 로그를 기반으로 한 처방 제안 기능도 동일한 방식으로 작동합니다.
자주 묻는 질문
이것은 머신러닝인가요, 고정된 규칙인가요? 핵심은 고객의 개인 기준치를 바탕으로 한 설명 가능한 규칙입니다. 예측 시 부하 계수 계산이나 결정 로그 내 유사 사례 검색과 같은 학습 요소는 이미 적용되어 있습니다. 본격적인 모델은 결과 로그가 쌓인 후 도입될 예정이며, 그 정확도는 지금도 오차 표를 통해 측정되고 있습니다.
왜 신경망을 쓰지 않나요? 처방지에 서명하는 주체는 의사이며, 설명 가능성은 취향의 문제가 아닌 임상적 필수 요건이기 때문입니다. 또한 EU AI Act는 불투명한 건강 권고 사항을 명확한 규칙보다 훨씬 엄격하게 규제합니다. 게다가 데이터가 부족한 모델은 규칙보다 부정확하며, 플랫폼은 현재 데이터를 계속 축적해 나가는 중입니다.
일반 PMS 시스템이 이를 구현하기 어려운 이유는 무엇인가요? Garmin Health API는 생체 데이터를 제공하지만 의사의 처방이나 식단 기록까지 제공하지는 않습니다. «처방(자극) → 신체 반응» 데이터 쌍은 이 세 가지 흐름이 하나의 루프 안에서 결합될 때만 형성되며, 이 고유한 데이터 세트는 오롯이 호텔에 남습니다.
이 내용을 어디서 확인할 수 있나요? 대시보드의 «설정» → «어시스턴트»에서 두 로그 카드, 요인별 관찰 결과, 예측 검증 버튼 및 JSONL 내보내기를 확인할 수 있습니다(관리자 화면).
플랫폼이 인과관계를 단정하나요? 아닙니다. «특정 요인 있음 / 없음»의 평균값은 어디까지나 관찰 데이터로 표시됩니다. 인과관계를 입증하려면 개별 호텔이 단독으로 확보하기 어려운 연구 설계와 대규모 표본이 필요하며, 플랫폼은 이를 솔직하고 명확하게 안내합니다.
