REPORT: See and Predict, 전염병 데이터의 시각화와 분석

REPORT

See and Predict,전염병 데이터의 시각화와 분석

목차

  1. 국경이 무색한 시대, 신종전염병의 위협
  2. 직관적인 정보전달로 피해 최소화
  3. 빅데이터로 전염병을 예측하고 예방하다
  4. 전염병 대응 방식을 바꾸는 정보기술

국경이 무색한 시대, 신종전염병의 위협

메르스(MERS), 에볼라(Ebola), 지카(Zika), 조류독감(avian influenza)… 불과 몇 년 동안 전 세계를 공포에 떨게 한 전염병들의 이름입니다. 해외 여행과 출장이 흔한 일상이 되고 인천공항 하루 이용객이 20만명을 넘는 오늘날 무시무시한 전염병은 더이상 근원 국가만의 문제가 아니게 됐습니다. 아프리카에서 가장 큰 피해를 입힌 에볼라부터 남미를 강타한 지카까지, 주변국가를 비롯 해 지구 반대편에 있는 국가들까지 초유의 긴장상태로 몰아넣었죠. 

매년 이렇게 끔찍한 전염병이 출몰하고 피해가 발생하는 상황을 봤을 때, 전염병 대응과 방지도 한 지역을 넘어서 국제사회가 함께 고민하고 협력해야 하는 문제로 대두되었습니다. 하지만 과거 흑사병과 콜레라를 퇴치 했던 방식으로 빠르게 변이되고 퍼져나가는 21세기 전염병을 이겨내기는 어렵겠죠.

세계적인 유행병(pandemic)을 해결하는 대책은 다각적이어야 하겠지만 전문가들이 입을 모아 꼭 활용해야 한다고 주장하는 것이 있습니다. 바로 빅데이터 입니다. 전염병 데이터에서도 필수적인 데이터는 위치데이터일 것입니다. 전염병 대응을 논하는데 어디서 발생했고 어떤 속도로 어디로 퍼져나가고 있는지에 대한 이해를 빼놓을 수 없겠죠. 그리고 위치데이터를 기반으로 해당 지역의 기후, 문화, 생활 습관등의 부수적인 데이터도 함께 끌어와 분석 할 수 있기 때문에 필수적인 데이터입니다.

직관적인 정보전달로 피해 최소화

전염병 예방 및 대응에 있어 빅데이터의 활용은 계속해서 진화해왔습니다. 전염병 빅데이터를 가장 우선적으로 활용할 수 있는 분야는 ‘감시’ 인데요.  발생 지역과 감염 상황을 신속하게 알려 담당 기관 소속 현장 인원들의 업무를 돕고 시민들에게 필요한 정보를 제공 할 수 있습니다. SPH에서도 2004년 한국에 처음 발병해 꾸준히 그 정도가 심해져 2016년, 2017년 1월 현재 사상 최악의 조류독감 사태를 보고 위치정보 빅데이터 시각화 및 분석 플랫폼 CARTO Builder를 사용해 인터랙티브 지도를 만들었습니다. 매일 농림축산부 홈페이지에 공개되는 조류독감 발생 현황 데이터를 사용한 것이지요. 큰 힘을 들이지 않고도 공공 데이터를 활용해 지역, 개체, 발생 시기에 따라 위젯을 움직이며 직관적으로 발생 상황을 이해 할 수 있는 웹앱을 만든 셈입니다. 비슷한 목적으로 인터랙티브 맵을 만들고 싶으신 분들을 위해 SPH 개발팀에서 그 과정과 팁을 자세히 기록해 두었습니다. >>AI 지도만들기 how to 바로가기.

  1. 조류독감 시계열 지도

2. AI 발생현황 지도

2015년에는 MIT와 함께 아이들의 치료에 사용 될 곰인형의 모습을 한 소셜 로봇을 만들고 2016년에는 GE헬스케어와 협력해 소아 뇌 질환 치료를 위한 디지털 플랫폼을 개발하는 등 혁신적인 시도를 계속하고 있는 보스턴 아동병원(Boston Children’s Hospital)이 제공하는 헬스맵(HealthMap)도 있습니다. 헬스맵은 보스턴 아동병원의 연구원, 소프트웨어 개발자, 전염병학자들이 모여 만든 웹사이트로 ProMED Mail, WHO 등 공신력있는 기사, 공지 등을 긁어 전 세계에서 발생하는 전염병들의 현황을 구글맵스 기반으로 실시간으로 보여줍니다.  지역에 따라, 수백개 이상의 전염병 종류에 따라 최신 소식을 알아볼 수 있어 여행이나 출장을 앞둔 성인들, 질병에 취약한 아이들을 둔 부모들에게 정보를 제공하고 있습니다. 생활습관이 중요한 전염병 예방에 유용한 무료 웹사이트 입니다.

<기사의 빈도에 따라 컬러로 심각성을 보여주는 HealthMap>

빅데이터로 전염병을 예측하고 예방하다

빅데이터가 전염병을 예측할 수 있을까요? 빅데이터 애널리스트 Jason T Widjaja는 글로벌 질의응답 사이트 Quora에서 “It is exceedingly hard to use big data analytics to prevent global epidemics. But it can help greatly.(빅데이터 분석으로 범세계적 유행병을 예방하는 것은 매우 어렵지만 큰 도움이 될 수 있다.) “라고 말했습니다. 질병 예방은 과학, 경제, 문화, 정치적 요소가 합쳐진 복합적인 문제이기 때문이죠. 하지만 빅데이터 분석기술을 통해 유행병이 발생 할 확률이 높은 곳에 초기에 경고를 할 수 있고, 전염병 발병 이후 맵 위에 전염 현황을 시각화하여 모니터링 할 수 있으며 이 정보를 활용해 더욱 빠르게 대응 할 수 있다고 합니다.

여러 어려움에도 불구하고 데이터를 통해 모델을 세우고 질병을 예측하는 시도는 계속되어왔습니다. CARTO는 최근 아마존 웹서비스, 리우데자네이루 보건 기관 등과 협력해 미주개발은행(Inter-American Development Bank)에서 주최하는 알러트-지카 해커톤(Alert-Zika Hakathon)에 참가했습니다. 로케이션인텔리전스와 데이터 분석툴을 활용해 리우데자네이루 지역의 지카 바이러스 대응을 위한 새로운 인사이트를 만들어보자는 취지였죠.

머신러닝, 프로그래밍, 컴퓨터 그래픽 전문가들로 이루어진 CARTO 팀은 먼저 지역 내 감염자들의 데이터를 기반으로 미래 발병 케이스를 예측할 수 있는 신경망(neural network)을 모델링했습니다. 그리고 스토캐스틱 시뮬레이터(stochastic simulator)로 지카 감염자 발생 시나리오를 만들었습니다. 시뮬레이션으로 지카라는 전염병의 패턴과 특성에 대해 인사이트를 제공하고 신경망 기반 예측 모델로 정책결정자들이 지역 내 어디에 대응 조치를 사용해야 할지 알려줄 수 있었습니다. CARTO 팀은 이 해커톤에서 2등을 차지했다고 하는데요, 로케이션인텔리전스의 혜택을 더욱 많은 이들에게 나눔으로써 오늘날의 다양한 문제를 해결하는데 도움이 될 수 있다는 CARTO의 믿음을 증명하는 뿌듯한 프로젝트였다고 합니다.

빅데이터를 사용해 전염병으로 인한 피해를 성공적으로 최소화한 사례는 국내에도 있습니다. 바로 정부가 KT 등  IT 기업들과 함께 만든 조류독감 확산방지 시스템인데요. 2014년 본격 도입되어 31건 중 무려 28건을 예측하는 등 놀라운 성과를 보였습니다. 당시 조류독감의 확산 매개체가 철새라는 가설이 힘을 얻던 무렵 그 확산 패턴이 국내 도로망을 따라간다는 빅데이터 분석 결과에 착안하여 사실은 축산농가 방문차량이 실제 확산 매개체였다는 가설을 도출해냈습니다. 이 시스템으로 84%의 정확도로 조류독감 발생 예상 지역을 빠르게 파악하고 대비할 수 있었죠.

<2016년 겨울 대한민국에는 최악의 조류독감 사태가 덮쳤다. >

하지만 그 효용은 2년도 채 되지 않아 사라졌습니다. 바로 환경오염과 먹이부족 등 철새 이동경로에 변수가 생기면서 지난 감염 사태에서 보인 수평감염 패턴이 아닌 수직감염 패턴이 보이기 시작했기 때문입니다. 미처 대비하지 못한 대한민국은 2016-17년 사상 최악의 조류독감 사태로 큰 피해를 입고 있습니다. 이렇게 성공적이었던 빅데이터 모델이 단 2년만에 사용성을 잃는 사례만 봐도 빅데이터 분석으로 질병을 예측하는 일이 얼마나 어려운 일인지 알 수 있겠죠.

전염병 대응방식을 바꾸는 정보기술

하지만 전염병 예방 및 대응에 빅데이터와 관련 기술을 사용하고자 하는 시도는 앞으로도 계속 될 전망입니다. 특히 단순히 과거 데이터를 정리하고 시각화 하는데 그치지 않고 최근 더욱 화두가 되고 있는 인공지능, 딥러닝 기술 등 한단계 더 나아간 방식을 취할 가능성이 높습니다. 국내에서도 이번 조류독감 사태를 반면교사로 삼아 더욱 적극적으로 인공지능ICT를 사용하자는 목소리가 높아지고 있습니다. 인간의 사회적 네트워크를 형성하는 원리를 연구하여 전염병의 경로를 예측하고, 사람들이 블로그, 트위터 등 SNS에 올리는 글을 분석해 전염병의 징조를 일찍 파악하는 기술 등 창의적인 방식으로 빅데이터를 활용 할 수 있을 것입니다.

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

CARTO Builder로 AI 분포 및 확산지도 제작하기

2017년 1월 ‘로케이션인텔리전스매거진’ 뉴스레터에는 REPORT: See and Predict, 전염병 데이터의 시각화와 분석이 발행되었습니다. 해당 포스팅에서 보여드린 에스피에이치가 위치데이터 시각화 플랫폼 CARTO를 사용해 만든 조류독감 분포 현황 지도시계열 지도의 제작 방법을 자세히 소개해드리려고 하는데요. 데이터 수집, 가공부터 시작해서 CARTO Builder를 이용한 데이터 업로드, 지도 시각화 내용까지 다룰 예정입니다. CARTO Builder의 실 사용법에 대해 좀더 이해할 수 있는 시간이 되었으면 좋겠습니다. ‘개발자가 개발자에게 들려주는 이야기’ 지금부터 시작하시죠!

목차

  1. 사회 이슈 인식 – AI의 심각성을 인지하다
  2. 사용할 수 있는 데이터가 있을까? – 데이터 수집 및 아이디어 구상
  3. 데이터 정제 및 가공
  4. 데이터 업로드
  5. 지도 시각화 및 디자인

1. 사회 이슈 인식 – AI의 심각성을 인지하다

출처 – 한겨레 신문 12월 8일 기사

한겨레 신문에서 이런 기사를 접했습니다. 도대체 얼마나 심각한지, 어떤 경로로 전파가 된건지 기사나 인터넷에 떠도는 사진 지도로는 감이 잡히지 않아 직접 지도를 제작해보기로 합니다.

2. 사용할 수 있는 데이터가 있을까? – 데이터 수집 및 아이디어 구상

AI 발생지의 정보가 있는 데이터가 어디에 있을까 확인하던 중, 농림축산식품부 가축전염병 발생현황에 대한 정보공개 데이터를 확인하게 됩니다.

출처 – 농림축산식품부 홈페이지

게시물을 열어 한글파일을 확인하니 최초 발생시부터 현재까지 다음과 같이 연번, 소재지, 발생일시, 가축의 규모 및 종류에 대한 정보가 들어 있습니다.

출처 – 농림축산식품부 홈페이지

데이터 확인 결과 이 데이터를 정제 및 가공해서 CARTO에 업로드하면 충분히 활용할 수 있겠다는 판단이 들었습니다. 그래서 데이터 정제 및 가공작업을 시작하기로 합니다.

3. 데이터 정제 및 가공

데이터의 “소재지” 확인 결과 소수의 일부 도로명이나 읍면동 단위로 된 소재지를 제외하고는 대부분이 리 단위로 되어 있습니다. 그래서 보유하고 있는 리 데이터를 활용하여 지도를 제작하기로 합니다. 리 데이터는 국가공간정보포털 등에서 쉽게 구할 수 있습니다.

출처 – 국가공간정보포털

리 데이터의 dbf 파일을 열어 속성을 확인해 보니 li_cd라는 리 코드 값이 있습니다. 이 값이 각 리를 구분해주는 구분자가 될테니 추후 테이블 Insert와 Update시에 쉽게 이용할 수 있도록

  1. 리 데이터셋에 시도 + 시군구 + 읍면동 + 리가 들어간 컬럼을 리 테이블에 생성
  2. 업로드(업데이트)할 데이터의 “소재지” 컬럼에서 주소가 일치하는 곳에 li_cd를 업데이트
  3. 카토에 리 데이터셋(속성 및 지오메트리)을 업로드 해 두었다가
  4. 카토에서 Join을 통해 li_cd가 일치하는 곳의 지오메트리 업데이트

의 순서로 진행하도록 합니다. 다만 리 테이블의 주소와 업데이트시 이용할 “소재지”의 포맷이 약간 다를 수 있기 때문에, 엑셀을 이용하여 정확히 일치하는 주소가 없을 경우는 수동으로 li_cd를 수정해주기로 합니다.

CARTO 빌더에 시계열 지도도 시각화할 예정이기 때문에 리 폴리곤뿐 아니라 포인트 지도도 필요합니다. 하지만 리 데이터셋은 폴리곤이기 때문에 저희 SPH의 제품인 SuperMap iDesktop의 Region to Point 기능을 이용하여 리 폴리곤을 포인트로 변환하는 작업을 해줍니다.

CARTO에 데이터셋 업로드를 위해 가공된 데이터를 Shape파일로 다시 Export하고, Export 된 shp, shx, dbf 파일을 zip으로 압축합니다. 작업이 끝나면 AI 현황을 CARTO에 업로드하기 위한 CSV 파일을 만듭니다. 농림축산식품부의 데이터에 근거하여 사용하기 좋게 가공합니다.

(TIP: 리 코드는 다음과 같은 규칙에 따라 10자리로 구성된 PNU 코드입니다.

PNU 코드의 구조 – Encoding and structure of the PNU (Source: Seoul, 2012)

이미지 출처: (사)대한국토·도시계획학회

여기서  읍면동, 시군구, 시도 코드를 추출하고 각 데이터에서 해당 코드에 맞는 행정구역을 추출 후, 엑셀의 Concatenate 함수를 활용하여 시도+시군구+읍면동+리 의 형태로 만들어 전국 리 CSV 파일에 컬럼을 추가했습니다.)

이런 식으로 csv 테이블을 만들었습니다. 소재지, 발생일, 가축의 종류, 가축의 규모, 리 코드 등의 컬럼이들어간 테이블입니다. 일단 첫 업로드시에는 엑셀을 이용해서 리 데이터셋의 리 코드를 입력하였습니다. 카토에 업로드할 리 테이블과 li_cd가 일치하는 곳의 지오메트리를 가져올 것입니다.

그런데 이 테이블첫 행은 테이블의 컬럼이 될텐데 깜빡하고 “소재지”를 그냥 넣었습니다.  카토에서는 알아서 빈칸으로 업로드 될 것입니다. 그리고 위치정보(지오메트리)가 들어가는 컬럼이 없는데, 카토에서 알아서 the_geom 컬럼을 만들어 초기값을 null로 설정해 줄 것이기 때문에 일단 비워두고 업로드 하기로 합니다.

4. 데이터 업로드

드디어 사전준비가 끝나고 데이터를 업로드할 준비가 되었습니다. 업로드할 데이터는

  1.  전국 리 포인트
  2.  전국 리 폴리곤
  3.  AI 발생지 포인트
  4.  AI 발생지 폴리곤
  5.  시도 경계

이렇게 5개 입니다. 포인트와 폴리곤을 구분하는 이유는 폴리곤은 확산 과정과 분포 현황 2개의 지도를 만들 것이기 때문입니다. 데이터셋 업로드를 위해 카토에서 NEW DATASET을 클릭합니다.

압축한 두 ZIP 파일(리 포인트와 폴리곤), 그리고 두 CSV 파일(AI 포인트와 폴리곤)을 업로드합니다. (CSV 파일 업로드시 팁: 종종 인코딩 에러가 발생하여 업로드가 되지 않는 경우 가 있는데, 그럴 때에는 메모장으로 CSV 파일을 열고 인코딩을 UTF-8로 설정하여 다시 저장하면 에러가 해결되어 깔끔하게 업로드 됩니다.)

그리고 업로드 된 각 데이터셋을 열어 내용을 확인합니다. 최초에는 AI 테이블들의 the_geom(지오메트리) 레코드가 모두 null이지만, 하단의 토글을 눌러 SQL 뷰를 선택하고 다음과 같은 식으로 Join을 통한 the_geom 업데이트를 해줍니다. (TIP: CARTO Builder는 PostgreSQL과 PostGIS의 문법과 기능을 지원합니다.)

(TIP: date 컬럼은 추후 POP-UP창에 텍스트로 보기 쉽게 표출할 수 있도록 ai_date 컬럼을 만들고 date형을 char형으로 캐스트하기 위해 다음과 같은 SQL문을 적용하였습니다.

UPDATE bird_ai_li_1229_pg
SET ai_date = to_char(“date”, ‘YYYY년 MM월 DD일’)

그리고 시도명만 표시할 수 있도록 do_nm  컬럼을 만들고 정규식을 사용하여 시도명만 잘라내어 업데이트 하였습니다.

UPDATE bird_ai_li_1229_pg
SET do_nm = regexp_matches(_, ‘[^\s]+’)

그런데 시도명에 중괄호{}가 감싸져 이를 공백으로 제거하는 작업도 해줬습니다.

UPDATE bird_ai_li_1229_pg
SET do_nm = replace(do_nm, ‘{‘ , ”)

UPDATE bird_ai_li_1229_pg
SET do_nm = replace(do_nm, ‘}’ , ”)

)

지오메트리가 업데이트된 테이블은 다음과 같이 완성됩니다.

AI 정보 포인트 데이터셋

AI 정보 폴리곤 데이터셋

리 포인트 데이터셋

리 폴리곤 데이터셋

이렇게 리 코드를 기본키화 시켜 놓으면, 앞으로 업데이트시에는 다음과 같이 테이블에 Inert만 하고 지오메트리만 Update해주면 되기 때문입니다.

그럼 마지막으로 AI 폴리곤 데이터셋의 테이블에서 우측 하단의 CREATE MAP을 클릭하여 지도를 생성합니다. 이제 본격적인 지도 시각화 과정이 남았습니다.

5. 지도 시각화 및 디자인

생성된 지도의 LAYER 패널에서 ADD를 선택하여 시도경계 레이어를 추가해줍니다. 그리고 베이스맵 레이어는 데이터가 눈에 잘 띄도록 검은색으로 변경해줍니다.

그리고 시도별 폴리곤이 다른색으로 보이도록 스타일을 설정합니다.

또 POP-UP(인포윈도우)을 폴리곤 Hover시 다음과 같은 내용이 보이도록 설정합니다. (HTML 사용 가능)

또 가축의 규모를 Buffer로 보여주기 위해 포인트 레이어를 추가하여 이름변경 후, 레어어 설정에서 하단의 SQL을 선택합니다. 그리고 PostGIS의 버퍼 생성 쿼리문을 입력합니다. 가축의 규모에 비례하여 커지는 원을 생성합니다.

다음으로 시도경계의 스타일을 생성하여 경계가 잘 보이고 FILL을 투명하게 합니다. 또 라벨을 만들어 어느 시도인지 표시가 되도록 다음과 같이 설정합니다.

또 카토 빌더에서는 위젯을 통한 필터링이 가능한데요, 빌더 메뉴에서 WIDGETS 버튼을 누른 후 ADD로 추가가 가능합니다. 그러면 다음과 같이 가능한 위젯들이 나타납니다. 카테고리별 필터 위젯, 히스토그램 위젯, 수식(합, 평균, 최대값 등), 시계열 필터 등의 위젯 추가가 가능합니다.

추가할 위젯과 Source를 선택하고 이름을 설정해주면 다음과 같이 위젯 추가가 완료됩니다.

이제 폴리곤(AI 분포 현황) 지도가 완성됐으니 포인트(AI 발생 과정-시계열) 지도를 만들어줍니다. 메뉴의 Duplicate를 이용해서 지도를 복제하고, 조금만 수정하여 시계열 지도를 만들도록 합니다.

버퍼로 생성한 규모 원은 없애고 폴리곤 색상은 시도별로 동일한 노란색으로 변경했습니다. 포인트를 레이어의 STYLE을 ANIMATED로 설정하고, Accum. 을 선택하여 시계열 포인트가 계속 축적되도록 설정합니다.

그리고 포인트로 위치 라벨을 생성하고, 토글을 이용하여 CSS 설정창에서 다음과 같이 zoom 레벨이 9 이상일 때 라벨이 보이도록 설정합니다.

이제 지도 메뉴 좌측 상단의 PUBLIC을 클릭 후 UPDATE 버튼을 클릭하면 지도가 저장되고, 링크를 복사하거나 홈페이지에 임베드하여 배포할 수 있습니다.

완성된 지도

1. AI 발생현황 지도

2. AI 분포지도

전국으로 퍼져버린 AI 현황을 보면 얼마나 사태가 심각한지 알 수 있습니다. AI 때문에 농민분들의 피해가 이만저만이 아닐텐데, 하루 빨리 문제가 해결되어 정상화 되는 날이 왔으면 좋겠습니다. CARTO Builder 사용법에 대한 문의사항이 있으시면 help@sphinfo.co.kr로 연락주시기 바랍니다. 긴 글 읽어주셔서 감사합니다.

[API 활용] Maps + Intelligence = Awareness API

지난 2016년 Google I/O에서 발표되었던 Awareness API에 대한 관심이 점점 높아지고 있습니다.

그 동안 SPH는 Awareness API가 무엇인지(link), 어떻게 사용하는지(link)에 대해 알려드렸습니다.

이번 포스팅은 이를 실제 상황에서 어떻게 사용할 수 있을지 안심모바일(가칭) 서비스 구축을 통해 알아보는 시간을 마련하였습니다.

Awareness API 활용 가능 방안 -학부모 안심 앱

  안심 모바일 – 워킹 대디와 워킹맘, 아이의 실시간 위치를 추적하다

워킹대디 및 워킹맘은 회사에서 아이들 걱정으로 마음이 편치 않습니다. 근무 시간동안 멀리 떨어져 있는 아이의 상태가 궁금할 것입니다. 아이의 통학길, 방과 후 학원에 빠지고 친구들이랑 놀러가진 않을지..

일상 생활의 패턴을 분석하여 실시간 위치 및 상태, 그리고 예상치 못한 행동을 알 수 있는 앱이 필요할 것입니다.

이용자의 요구
  • 아이의 정확한 위치 추적 가능
  • 이상행동이 있을 때 바로 알람을 받고 싶음
  • 상태 정보를 알고 싶음
개발자가 고려해야 할 부분 
  • 7가지의 시그널 – 시간, 위치, 장소, 비콘, 헤드폰, 할동, 날씨를 고려해 위치 및 상태 정보 제공
  • 다양한 API를 조합, 통합하고 단순화 필요
  • 배터리 이슈 해결 필요 – 실시간 추적 시 배터리가 소모될 경우 비상 사태시 대처가 늦어질 위험

  Awareness API를 사용

  • 개발의 단순화 기존의 API들을 통합하고 단순화. 필요한 기능 개발에 집중 가능
  • 배터리 이슈 API 내부 알고리즘이 배터리 소모가 최소화되도록 구현되어 있음. 개발자가 배터리를 걱정할 필요가 사라짐
  • 직관적인 Context 분류 총 7가지의 시그널(time, location, places, beacons, headphones, activity, weather)로 context를 직관적으로 분류하여 쉽게 사용할 수 있어 사용자가 컨텍스트에 맞는 정보를 얻을 수 있습니다.

Awareness API 실제 구현 화면

실제 화면에서는 어떻게 보일까요? 아래 영상으로 함께 보시죠

  • 보호자 화면 – 등록

 

  • 대상자(어린이) 화면 – 등록

 

  • 보호자앱 – 관제

 

  • 보호자 확인 – 알람