진료시간은 검사·대기·환자상태 등 변수가 많아 분 단위로 정확히는 못 맞힙니다. 그래서 이 모델은 개인의 정확한 시각이 아니라 진료과·시간대별 '평균 경향'(예: 오후가 더 김, 재활이 김)을 학습합니다. 그걸로 회송 택시를 미리 근처에 준비해 두고, 실제 배차는 '진료완료' 신호로 확정합니다 — 예측이 틀려도 시스템은 안 흔들립니다.
📉 학습 곡선 — 진료과별 '평균 소요시간'을 얼마나 정확히 배웠나
가로=운영 일수, 세로=학습한 평균값이 실제 평균과 벗어난 정도(분). 데이터가 쌓이면 진료과별 평균 경향을 정확히 배웁니다(선이 0에 수렴). 단, 이건 '평균'이 정확해지는 것이지 개별 환자를 분 단위로 맞히는 게 아닙니다 — 검사·대기 편차는 남고, 그건 진료완료 호출로 확정합니다.
🔬 진료과별 학습 상태 (초기 추정 → 학습값 → 실제 정답)
진료과
초기 추정
학습된 예측(오전)
학습된 예측(오후)
실제 평균
학습 건수
⚙️ 어떻게 학습하나(설명가능): 운행이 끝날 때마다 "실제 진료 소요시간"을 관측해, 해당 (진료과 × 오전/오후) 칸의 평균 예측값을 실제값 쪽으로 갱신합니다(온라인 학습). 처음엔 모두 55분으로 찍지만, 데이터가 쌓이면 "정형외과 오후는 대략 79분대"처럼 진료과별 경향을 잡습니다.
⚠️ 왜 오차가 0이 안 되나: 같은 정형외과라도 X-ray를 찍으면 30분, 안 찍으면 10분 — 개인 편차가 큽니다. 그래서 우리는 정확한 분을 예측하려 하지 않습니다. 예측은 "이 어르신 대략 11시쯤 끝남 → 그 근처 회송 택시 후보를 준비"까지만 하고, 실제 귀가 배차는 어르신·병원의 '진료완료' 신호로 확정합니다. 예측은 보조, 확정은 사람 신호 — 예측이 빗나가도 안전합니다.
※ 데모는 브라우저용 경량 온라인학습이고, 실서비스는 scikit-learn으로 진료과·시간대·요일·검사여부·연령을 함께 학습합니다. 딥러닝·자율주행 아님.