실제 환경에서의 GenAI 기반 9-1-1 응급 전화 상담 훈련 시스템 설계 및 배포: 경험과 교훈

Real-World Design and Deployment of an Embedded GenAI-powered 9-1-1 Calltaking Training System: Experiences and Lessons Learned

응급 전화 상담원은 공공 안전 대응의 첫 번째 연결 고리로서 매년 2억 4천만 건 이상의 통화를 처리하지만, 지속적인 훈련 위기에 직면해 있습니다. 많은 센터에서 인력 부족이 25%를 초과하며, 새로운 직원을 훈련하는 데 최대 720시간의 개별 교육이 필요하여 경험 많은 인력을 현역에서 벗어나게 합니다. 기존의 훈련 방식은 이러한 제약 조건 하에서 확장하기 어려워, 교육 범위와 피드백 제공 시기에 한계를 보입니다. Nashville Metro Department of Emergency Communications(MNDEC)와 협력하여 실제 환경의 제약 조건 하에서 GenAI 기반의 응급 전화 상담 훈련 시스템을 설계, 개발 및 배포했습니다. 6개월 동안 시스템 배포는 초기 시범 단계에서 1,120회의 훈련 세션에 걸쳐 190명의 운영 사용자에게 확대되었으며, 시스템 전달, 엄격성, 안정성 및 인간 요소와 관련된 체계적인 문제점을 드러냈습니다. 98,429건의 사용자 상호 작용, 조직 프로세스 및 이해 관계자 참여 패턴을 기록한 배포 로그를 분석한 결과, 네 가지 주요 교훈을 도출했으며, 각 교훈에는 구체적인 설계 및 관리 방안이 제시되어 있습니다. 이러한 교훈은 안전이 중요한 공공 부문 환경에서 AI 기반 훈련 시스템을 적용하려는 연구자와 실무자에게 실질적인 지침을 제공하며, 시스템 설계가 사회 기술적 측면에서 근본적으로 영향을 받는다는 점을 강조합니다.

Emergency call-takers form the first operational link in public safety response, handling over 240 million calls annually while facing a sustained training crisis: staffing shortages exceed 25\% in many centers, and preparing a single new hire can require up to 720 hours of one-on-one instruction that removes experienced personnel from active duty. Traditional training approaches struggle to scale under these constraints, limiting both coverage and feedback timeliness. In partnership with Metro Nashville Department of Emergency Communications (MNDEC), we designed, developed, and deployed a GenAI-powered call-taking training system under real-world constraints. Over six months, deployment scaled from initial pilot to 190 operational users across 1,120 training sessions, exposing systematic challenges around system delivery, rigor, resilience, and human factors that remain largely invisible in controlled or purely simulated evaluations. By analyzing deployment logs capturing 98,429 user interactions, organizational processes, and stakeholder engagement patterns, we distill four key lessons, each coupled with concrete design and governance practices. These lessons provide grounded guidance for researchers and practitioners seeking to embed AI-driven training systems in safety-critical public sector environments where embedded constraints fundamentally shape socio-technical design.