이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
작성자는 플랫폼 번호 공개 지연으로 인한 혼란을 줄이기 위해 Network Rail API를 활용하고 내부 어댑터를 통해 데이터를 정규화하는 개인용 앱 Live Rail을 개발했다. 예측 엔진은 각 열차의 역별 플랫폼 출현 빈도를 데이터베이스에 누적해 신뢰도 점수를 계산하는 빈도 기반 방식으로 작동하며 현재 관찰된 정확도는 약 75%이다. 전체 개발 과정에서는 Claude 기반 LLM을 코드 생성과 설계 보조에 적극 활용했으며 Opus 4.6과 Fable 5를 혼용해 여러 세션에 걸쳐 구현을 완성했다. UI 개선과 예측 알고리즘 고도화가 남아 있지만 어댑터 계층과 빈도 기반 접근으로 빠른 프로토타이핑과 실용적 성과를 얻었다.
실용적 조언
- Network Rail의 원시 API 응답을 바로 사용하지 않고 어댑터 계층을 도입해 필드 정규화와 누락값 처리를 수행하면 UI와 예측 로직이 일관된 입력을 받을 수 있다. 예측 엔진은 각 열차-역 조합의 과거 플랫폼 출현 빈도를 누적해 신뢰도 점수를 계산하는 방식으로 간단히 구현할 수 있으며 데이터가 누적될수록 정확도가 상승한다. 초기 단계에서는 복잡한 모델 대신 빈도 기반 규칙을 사용해 빠르게 가설을 검증하고 필요에 따라 시간대별 가중치나 편성 변경 감지를 도입해 성능을 보완하는 것이 효율적이다.
섹션별 상세
작성자는 역이 플랫폼 번호를 승객에게 늦게 공개하는 문제로 인해 혼란이 발생한다는 운영상의 문제를 제시했고 이를 해결하기 위해 개인용 앱을 만들었다. 입력으로 Network Rail API의 출발·도착 정보와 스케줄 정보를 사용하고 처리 단계에서는 어댑터가 원시 응답을 앱이 요구하는 형식으로 변환해 UI와 예측 엔진에 전달한다. 결과물은 실시간 트래킹 화면과 도착 예정 시간, 예측 플랫폼을 보여주는 인터페이스로 출력된다. 이 구현은 매주 런던으로 이동하는 작성자의 반복적 불편을 줄이는 실용적 목적을 달성하고 있다.
플랫폼 예측 엔진은 각 열차의 특정 역 도착 시 사용된 플랫폼의 누적 빈도를 비교하는 방식으로 동작한다. 처리 과정에서는 과거 도착 플랫폼과 네트워크 철도의 광고 플랫폼 정보를 데이터베이스에 비교 기록으로 저장하고 이 기록을 집계하여 각 플랫폼 후보에 대한 신뢰도 점수를 계산한다. 출력은 가장 높은 신뢰도를 가진 플랫폼 예측이며 작성자는 현재 이 방식으로 약 75%의 정확도를 관찰하고 있다고 밝혔다. 단순한 빈도 기반 접근이므로 데이터량이 늘어날수록 신뢰도가 개선되는 특성이 있어 개인용 예측 시스템으로 현실적인 성능을 보인다.
개발 워크플로우 측면에서 작성자는 UI와 백엔드를 포함한 전체 구현을 Claude에 의존해 진행했고 모델 기여 비율을 명시했다. 구체적으로 전체 개발 작업 중 약 80%를 Opus 4.6이 담당했고 나머지 20%는 Fable 5를 사용해 여러 세션에 걸쳐 반복적으로 프롬프트를 주고받으며 코드와 설계를 정제했다. 입력으로는 요구사항과 API 명세를 주고 출력으로는 어댑터 코드와 UI 스니펫, 백엔드 라우트가 생성되는 형태로 작업이 이루어졌다. 이 사례는 LLM을 보조 개발 도구로 활용해 반복적 통합·테스트 과정을 거쳐 제품을 완성한 실제 사례임이 확인된다.
작성자는 현재 UI 개선과 예측 엔진의 추가 정교화가 남아있음을 분명히 했으며 향후 개선 방향도 제시했다. 엔진 정확도가 약 75%로 나타나고 있기 때문에 추가 데이터 축적과 알고리즘 고도화가 필요한 상태이며 처리 과정에서 신뢰도 계산 방법이나 피처 선택을 조정할 여지가 있다. 출력 관점에서는 더 많은 관찰 데이터와 더 정교한 규칙 또는 통계 모델을 도입하면 예측 성능을 높일 수 있다고 판단된다. 개인 프로젝트라는 조건 때문에 우선순위는 작성자 개인의 사용성 개선에 맞춰져 있다.
용어 해설
- 빈도 기반 예측(Frequency-based Prediction)
- — 과거 관찰에서 특정 열차가 목적지 역에 도착했을 때 사용된 플랫폼의 출현 빈도를 집계하여 향후 플랫폼을 예측하는 단순 통계 기반 기법이다. 입력으로는 과거 도착 플랫폼 기록과 스케줄의 광고 플랫폼 정보를 사용하고 처리 과정에서는 도착 빈도를 누적하여 각 플랫폼에 대한 신뢰도를 계산한다. 데이터가 누적될수록 예측 신뢰도가 상승하며 시스템 복잡도를 낮게 유지해 개인용 서비스에 적합하다.
- 신뢰도 점수(Confidence Score)
- — 모델이나 규칙 기반 예측이 특정 결과를 선택할 때 부여하는 정량적 척도이다. 원문 맥락에서는 빈도 정보를 기반으로 각 플랫폼 후보에 대해 점수를 계산하고 이 점수를 근거로 최종 예측을 출력하는 방식으로 사용된다. 신뢰도는 누적된 관찰 수와 일치 비율에 따라 갱신되어 낮을수록 추가 검증이 필요함을 표시한다.
- API 어댑터(API Adapter)
- — 외부 서비스가 제공하는 원본 API 응답을 내부 서비스가 요구하는 형식으로 변환하는 소프트웨어 계층이다. 원문 맥락에서는 Network Rail API의 원시 응답을 앱이 사용하기 쉬운 새로운 내부 API로 변환해 UI와 예측 엔진에 일관된 입력을 제공하는 역할을 수행한다. 어댑터는 필드 정규화, 누락값 처리, 필요 정보 추출을 담당해 백엔드 경량화를 돕는다.
언급된 도구
Claude추천
코드 생성과 설계 조정, UI와 백엔드 구현 보조
Opus 4.6추천
전체 개발 중 주된 모델로 프롬프트 기반 코드·설계 생성에 활용
Fable 5추천
보조 모델로 특정 작업에서 사용된 LLM
Network Rail API중립
출발·도착 스케줄과 광고 플랫폼 정보, 실시간 위치 데이터 제공
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 04.수집 2026. 07. 04.출처 타입 REDDIT
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
