2007년 북한산 낙뢰 사고 당일, 명광민 대표는 북한산 일대에 얼마나 강한 낙뢰가 접근 중인지 알고 있었다. 하지만 그 정보를 필요한 시점에, 주변에 있는 사람에게 전달할 방법이 없었다. 기상청은 전국에 700여 개 관측소를 운영한다. 평균 5~15km 간격이다. 그래서 국지성 폭우처럼 짧은 시간·좁은 지역에 집중되는 현상을 잡아내기 어렵다.
디아이랩은 고객 지점에 직접 관측망을 구축하고, 5~10분 간격의 AI 예보로 위험을 빠르게 포착한다. 그리고 고객사별 조업 중단 기준에 맞춰 ‘공장 가동 가능’ 또는, ‘가동 중지’ 의사결정 정보를 24시간 제공한다.
명광민 디아이랩 대표는 대한민국 1호 기상예보사다. 공군과 민간 기업을 거치며 다양한 데이터를 다뤘다. 공군 기상장교로 복무하던 2007년, 북한산 낙뢰 사고는 그의 인생을 바꿨다.
“과거에 기상예보 업무를 하며, 기존 시스템이 민간의 위험 기상 대응에 얼마나 빈틈이 많은지 경험했죠. 당시 저는 북한산 일대에 얼마나 강한 낙뢰가 접근하고 있는지 파악하고, 경보를 관할 부대에 전파했어요. 하지만 그 정보를 등산 중인 민간인에게는 알릴 수 없는 구조적 한계 앞에서 답답함을 느꼈어요.”
그때 머릿속에 남았던 질문이 있다. “예보는 맞췄는데, 왜 사고는 막지 못하는가.” 디아이랩의 ‘데이터 인텔리전스’ 철학은 이 질문에서 출발했다.
명 대표는 “문제는 예측의 정확도가 아니라, 예보가 실제 의사결정과 행동으로 이어지지 않는 구조에 있다고 봤다”며, “실제 산업 현장을 보면 그 간극은 분명해진다. 어떤 기업은 1mm의 비만 와도 공정을 멈춰야 하지만, 어떤 현장은 20mm까지도 문제없다. 그럼에도 기존 기상 서비스는 이런 차이를 고려하지 못한 채, 모두에게 동일한 정보를 전달해왔다”고 지적했다.
디아이랩은 처음부터 “더 잘 맞히는 예보”가 아니라, 의사결정을 바꾸는 데이터를 목표로 삼았다. 그래서 각 산업과 현장이 실제로 위험해지는 임계치가 무엇인지 정의하고, 이를 넘기기 직전의 특정 시간과 지점에 예측 자원을 집중한다.
현재 기상청은 평균 5~15km 간격으로 전국 날씨 정보를 제공한다. 태풍이나 장마처럼 넓은 범위의 현상에는 효과적이다. 그러나 국지성 폭우를 잡아내기에는 한계가 있다.
“큰 그물로 작은 물고기를 잡으려는 것”에 비유한 명 대표는 “이런 데이터 한계 때문에 강남역 침수처럼 이미 지난 뒤에야 알게 되는 사고가 반복된다”고 꼬집었다.
관측 지점을 더 넓게 보면, 지자체와 공공기관까지 포함해 약 3,400곳의 강수 관측 데이터가 존재한다. 이론적으로 훨씬 촘촘한 관측이 가능한 셈이다. 명 대표는 “문제는 데이터의 신뢰도”라며, “이들 관측소의 정상적인 데이터 비율은 평균 86% 수준으로, 오류와 결측이 잦아 실전 활용에 한계가 있다”고 말했다. 이는 담당 인력이 순환 보직으로 자주 바뀌고, 장비 관리와 데이터 점검에 충분한 전문성과 시간이 투입되기 어려운 행정 구조 때문이다.
비용도 만만치 않다. 기상청의 2026년도 장비 구매 사업을 보면, 방재용 기상관측장비 24대 구매 예산이 10억 8,000만 원이다. 한 대 당 약 4,500만 원이 든다. 유지관리 용역 자료를 보면, 전국 709개 관측소를 관리하는 데 2년간 약 39억 9,000만 원이 책정됐다. 지점당 연간 약 281만 원이다.
“이 관측망을 민간 기술로 대규모·표준화해 재구성한다면, 설치비는 5분의 1 수준, 유지관리비는 절반 수준으로 낮출 수 있을 것으로 봅니다.”
같은 예산으로 훨씬 더 많은 관측소를 설치하고, 더 촘촘하게 관리할 수 있다는 자신감이다.
“거기에 우리의 이상감지 기술이 더해지면, 촘촘한 관측망에서 수집되는 자료를 고품질 데이터로 확보할 수 있죠.”
명 대표는 이를 ‘기후MRI’라고 부른다. 질병도 MRI로 정밀하게 진단해야 제대로 치료할 수 있듯이, 최근의 이상기후도 MRI 같은 촘촘한 관측망으로 정밀 진단해야 제대로 대비할 수 있다.
실제로 국지성 호우로 “짧은 시간에, 얼마나 강하게 비가 오고있는지”를 정확히 알지 못해 피해가 커진 사례가 많다.
“서울시가 강남역 일대 33개 침수 취약지역의 수방시설 확충에 투입한 예산은 약 1조 4,000억 원에 달합니다. 이 금액의 1%만이라도 사전에 촘촘한 관측데이터 확보에 투자했다면, 피해의 상당 부분을 막지 않았을까요.”
디아이랩은 먼저 고객 지점에 직접 관측망을 구축해 국지성 호우를 정확하게 측정한다. 고객의 태양광 발전소나 물류센터가 있는 지점과 관측소가 멀다면, 국지성 호우의 관측값 차이는 50~100%, 심하면 500% 이상 날 수 있다. 그리고 인공지능과 플랫폼 기술로 빠르게 수집·분석하고 예측해 정보의 지연시간을 최소화한다. 날씨는 예측시간이 길수록 변동성이 커지고, 정확도가 떨어진다. 즉 지연시간을 최소화하는 것은 예측 정확도를 높이는 것이다.
다음은 5~10분 간격으로 빠르게 AI 예보를 생산해 업데이트하는 것.
“10분 사이 호우가 새롭게 발달하는 곳이 있는지, 강한 강수 구역이 어디로 이동하는지 예측해 위험을 빠르게 포착하죠.”
마지막으로 이렇게 분석·예측된 기상정보가 고객사에 미치는 영향을 정밀하게 분석하고, 의사결정 정보를 준다. 예를 들어, 3시간 동안 85mm의 비가 예상될 때, ‘A 고객사’는 조업 중단 기준인 100mm/3hour보다 작아 ‘공장 가동 가능’ 정보를 준다. 또 ‘B 고객사’는 조업 중단 기준인 60mm/3hour보다 커 ‘공장 가동 중지’ 정보를 전달한다.
.
“디아이랩의 전략은 현장에서만 얻을 수 있는 ‘의사결정 데이터’를 수집하고 이를 기상 데이터와 결합해 산업별 임계치와 비용 함수로 재구성하는 것입니다. 각 산업 현장에서 어떤 기상 요소가 손익을 가르는지, 어떤 수치부터 공정이 멈추는지, 그리고 그 판단이 누구에 의해, 어떤 시간 압박 속에서 이뤄지는지 고객과 만나 수시로 물어봅니다. 도메인 융합을 위해 가장 중요한 것은 고객 도메인에 대한 이해예요.”
결국 디아이랩의 도메인 융합이란, 산업의 의사결정 구조를 데이터로 학습시켜, 기상 예측이 곧바로 행동 지침이 되도록 만드는 과정이다. 이것이 디아이랩이 ‘예보 모델’이 아닌, 의사결정 엔진으로 작동할 수 있는 이유다.
글로벌 시장에서 디아이랩의 우위는 명확하다.
“큰 투자는 큰 수익을 만들어야 하기 때문에 서구권 솔루션은 높은 가격으로 큰 시장에 집중할 수밖에 없어요. 그러다 보니 주로 선진국 시장 중심의 범용적인 서비스로 만들어져 있죠.”
반면 디아이랩은 한국 및 아시아·개도국 특성을 반영한다. 명 대표는 “IoT 센싱과 이상감지 기술로 데이터가 불완전한 개도국 환경에서도 작동 가능한 모델을 갖고 있다”며,”개도국의 데이터 인프라 부족, 기술인력 부족 문제에 대응하는 역량강화 서비스를 동시 제공 중”이라고 설명했다.
회사는 현재 경희대 문용재 교수 연구팀과 함께, 정지궤도 위성데이터에 생성형 AI 기술을 적용해 기존 대비 2배 이상 정확한 강수 정보를 만들고 있다. 그는 “이 기술은 태평양 도서국가나 중앙아시아, 아프리카 등 관측 데이터가 부족한 지역에서 조기경보나 물관리, 농업 등에 활용 중”이라고 덧붙였다.
디아이랩이 기후 리스크 관리 기업을 지향하는 이유는 분명하다. “기후위기 시대에 기업이 직면한 큰 문제는 날씨 자체가 아니라, 내 자산이 언제·어디서·어떤 방식으로 손실을 입을지 모른다는 불확실성입니다.”
디아이랩의 ‘기후MRI’는 의료에 비유하면 이해가 쉽다. 일반 기상 정보가 엑스레이라면, ‘기후MRI’는 자산의 기후 취약 지점을 정밀 진단하는 MRI이다. 이 공장은 시간당 몇 mm부터 침수가 시작되는지, 이 시설은 어느 시점에 가장 위험해지는 지를 자산 단위로 분석한다.
마지막으로 그의 비전을 물었다. 명 대표는 “우리 솔루션이 일상이 된 세상”이라며, “초개인화된 기후 인텔리전스 정보를 받아 위험 기상 대비나 업무 활용뿐 아니라, 개인의 질병 관리나 수면, 코디, 레저 등 모든 영역에서 활용되는 미래”를 꿈꾼다고 밝혔다.
DI Lab CEO Myung-Gwang Min provides climate intelligence information necessary for decision-making.
On the day of the 2007 lightning strike on Mt. Bukhan, CEO Myung Gwang-min knew the intensity of the lightning strike was approaching the area. However, he had no way to relay that information to those nearby when it was needed. The Korea Meteorological Administration operates approximately 700 observation stations nationwide, spaced 5 to 15 kilometers apart on average. This makes it difficult to detect events concentrated in a short period of time and over a narrow area, such as localized heavy rain.
DI Lab establishes a direct monitoring network at customer sites and quickly identifies risks with AI forecasts every 5 to 10 minutes. Furthermore, it provides 24-hour information on whether the plant can be operated or suspended, based on each customer's operational suspension criteria.
Myung Gwang-min, CEO of DI Lab, is South Korea's first weather forecaster. He has worked in the Air Force and private companies, handling a wide range of data. While serving as an Air Force meteorological officer in 2007, a lightning strike on Mt. Bukhan changed his life.
"While working in weather forecasting, I experienced how flawed the existing system was in responding to civilian weather risks. At the time, I was tasked with identifying the intensity of lightning approaching the Bukhansan area and relaying warnings to the relevant units. However, I was frustrated by the structural limitations that prevented me from conveying that information to civilians hiking."
A question lingered in my mind at that time: "The forecast was right, but why couldn't we prevent the accident?" DI Lab's "Data Intelligence" philosophy stemmed from this question.
Representative Myung stated, "The problem isn't the accuracy of the forecasts, but rather the structure that prevents forecasts from leading to actual decisions and actions." He added, "The gap becomes clear when looking at actual industrial settings. Some companies must halt operations even with just 1mm of rain, while others are fine with up to 20mm. Yet, existing weather services fail to account for these differences, delivering the same information to everyone."
From the beginning, DI Lab has focused on data that transforms decision-making, not on "better forecasts." Therefore, we define the threshold at which each industry and field actually becomes dangerous, and focus our forecasting resources on the specific time and point just before it is surpassed.
Currently, the Korea Meteorological Administration provides nationwide weather information at intervals of 5 to 15 kilometers. This is effective for wide-ranging phenomena like typhoons and monsoon rains. However, it has limitations in detecting localized heavy rain.
Representative Myung, who likened it to “trying to catch small fish with a big net,” criticized, “Because of these data limitations, accidents like the Gangnam Station flooding are repeated, only to be discovered after they have already happened.”
Looking at the broader observation area, precipitation observation data from approximately 3,400 locations, including local governments and public institutions, theoretically allows for much more granular observations. However, CEO Myeong stated, "The problem is data reliability," adding, "The average normal data rate from these observation stations is around 86%, and errors and missing data are frequent, limiting practical application." This is due to the frequent rotation of personnel and the administrative structure, which makes it difficult to devote sufficient expertise and time to equipment management and data review.
The costs are also significant. According to the Korea Meteorological Administration's 2026 equipment purchase plan, the budget for purchasing 24 meteorological observation devices for disaster prevention is 1.08 billion won. Each device costs approximately 45 million won. Maintenance service data shows that approximately 3.99 billion won has been allocated for two years to manage 709 observatories nationwide, or approximately 2.81 million won per station per year.
"If this observation network were rebuilt on a large scale and standardized using civilian technology, we believe we could reduce installation costs by a fifth and maintenance costs by half."
We are confident that we can install many more observatories with the same budget and manage them more closely.
"When our anomaly detection technology is added to this, we can secure high-quality data from the data collected from a dense observation network."
Representative Myung calls this "climate MRI." Just as diseases require precise diagnosis using MRI to be properly treated, recent climate anomalies require precise diagnosis using a dense observation network like MRI to properly prepare for them.
In reality, there are many cases where damage was extensive due to localized heavy rain because it was not clear exactly “how hard it was raining in a short period of time.”
The Seoul Metropolitan Government has invested approximately 1.4 trillion won in expanding flood prevention facilities in 33 flood-prone areas around Gangnam Station. If just 1% of this amount had been invested in securing detailed observation data in advance, wouldn't a significant portion of the damage have been prevented?
DI Lab first establishes a direct observation network at customer locations to accurately measure localized heavy rainfall. If the observation station is far from a customer's solar power plant or logistics center, the difference in observed rainfall can be 50-100%, or even more than 500% in severe cases. Furthermore, AI and platform technology rapidly collect, analyze, and predict data to minimize information lag. Weather forecasts become more volatile and less accurate the longer the forecast period, so minimizing lag improves forecast accuracy.
The next step is to quickly produce and update AI forecasts every 5 to 10 minutes.
“We can quickly identify risks by predicting where new heavy rain is developing and where areas of heavy precipitation are moving within 10 minutes.”
Finally, the impact of this analyzed and predicted weather information on clients is precisely analyzed and used to inform decision-making. For example, if 85mm of rain is expected over a three-hour period, Client A is informed that the plant will be operational, as the forecast falls below the 100mm/3-hour threshold. Client B, on the other hand, is informed that the plant will be shut down, as the forecast falls below the 60mm/3-hour threshold.
.
DI Lab's strategy is to collect 'decision-making data' that can only be obtained in the field, combine it with weather data, and reconstruct it into industry-specific thresholds and cost functions. We regularly meet with our clients to ask them about which weather factors determine profit and loss in each industry, what values cause processes to halt, and who makes these decisions and under what time pressures. The most crucial element for domain convergence is understanding the customer's domain.
Ultimately, DI Lab's domain convergence involves learning the decision-making structure of an industry through data, thereby transforming weather forecasts into direct actionable guidance. This is why DI Lab can function as a decision-making engine, not just a forecasting model.
DI Lab's advantage in the global market is clear.
"Because large investments require large returns, Western solutions have no choice but to focus on large markets with high prices. Consequently, they are primarily developed as general-purpose services focused on developed markets."
Meanwhile, DI Lab reflects the unique characteristics of Korea, Asia, and developing countries. CEO Myung explained, "We have a model that can operate even in developing countries with incomplete data, using IoT sensing and anomaly detection technologies." He added, "We are also providing capacity-building services to address the challenges of data infrastructure and technical talent shortages in developing countries."
The company is currently working with Professor Moon Yong-jae's research team at Kyung Hee University to apply generative AI technology to geostationary satellite data to produce precipitation information more than twice as accurate as existing data. He added, "This technology is being used for early warning, water management, and agriculture in areas where observational data is scarce, such as Pacific island nations, Central Asia, and Africa."
The reason DI Lab aims to become a climate risk management company is clear. "The biggest challenge facing companies in the era of climate crisis is not the weather itself, but the uncertainty of when, where, and how their assets will suffer losses."
DI Lab's "Climate MRI" can be easily understood by comparing it to a medical system. If general weather information is like an X-ray, "Climate MRI" is like an MRI that precisely diagnoses an asset's climate vulnerability. It analyzes each asset, determining at what millimeters per hour a factory begins to flood and at what point the facility becomes most at risk.
Finally, I asked him about his vision. CEO Myung envisioned a world where "our solutions become part of everyday life," and expressed his dream of "a future where hyper-personalized climate intelligence information is utilized not only for weather risk management and business purposes, but also for personal health management, sleep, coordination, and leisure."
意思決定に必要な気候インテリジェンス情報を提供するDi-Lab明光民代表
2007年、北朝鮮山落雷事故当日、明光民代表は北朝鮮山一帯にどれだけ強い落雷が接近中か知っていた。しかし、その情報を必要な時点で、周辺にいる人に伝える方法がなかった。気象庁は全国に700以上の観測所を運営する。平均5～15km間隔である。そのため、局地性大雨のように短い時間・狭い地域に集中する現象を捉えにくい。
ダイアラップは顧客支店に直接観測網を構築し、5～10分間隔のAI予報でリスクを素早く捉える。そして顧客社別操業中断基準に合わせて「工場稼働可能」または「稼働中止」意思決定情報を24時間提供する。
明光民ディアイラップ代表は大韓民国1号気象予報社だ。空軍と民間企業を経て様々なデータを扱った。空軍気象将校として服務していた2007年、北朝鮮産落雷事故は彼の人生を変えた。
「過去に気象予報業務を行い、既存システムが民間の危険気象対応にどれくらい隙間が多いか経験しました。当時、私は北朝鮮山一帯にどれだけ強い落雷が接近しているのかを把握し、警報を管轄部隊に伝播しました。
その時、頭の中に残った質問がある。 「予報は当たったが、なぜ事故は妨げられないのか」。ディアイラップの「データインテリジェンス」哲学はこの質問から出発した。
明代表は「問題は予測の精度ではなく、予報が実際の意思決定と行動につながらない仕組みにあると見た」とし、「実際の産業現場を見るとその隙間は明らかになる。ある企業は1mmの肥満とも工程を止めなければならないが、ある現場は20mmまでの差をつけているが、これにもかかわらず、既存の現場は20mmまでも問題ない。伝えてきた」と指摘した。
ディアイラップは最初から「よりよく合う予報」ではなく、意思決定を変えるデータを目指した。したがって、各産業と現場が実際に危険になる閾値が何であるかを定義し、それをめくる直前の特定の時間と地点に予測リソースを集中する。
現在、気象庁は平均5～15km間隔で全国の天気情報を提供する。台風や梅雨のように広い範囲の現象には効果的である。しかし、局地性大雨をつかむには限界がある。
「大きなネットで小さな魚を捕まえようとすること」に例えた人代表は「このようなデータ限界のため、江南駅の浸水のようにすでに最後の後ろに分かる事故が繰り返される」と指摘した。
観測点をより広く見ると、自治体や公共機関まで含めて約3,400箇所の降水観測データが存在する。理論的にはるかに細かい観測が可能だ。明代表は「問題はデータの信頼度」とし、「これらの観測所の正常なデータ比率は平均８６％水準で、エラーと欠測が頻繁に実戦活用に限界がある」と話した。これは担当人員が循環保職に頻繁に変わり、機器管理とデータチェックに十分な専門性と時間が投入されにくい行政構造のためだ。
費用も切ない。気象庁の2026年度装備購買事業を見ると、防災用気象観測装置24台の購入予算が10億8,000万ウォンだ。 1台あたり約4,500万ウォンがかかる。維持管理用役資料を見ると、全国709の観測所を管理するのに2年間で約39億9,000万ウォンが策定された。支店当たり年間約281万ウォンだ。
「この観測網を民間技術で大規模・標準化して再構成すれば、設置費は５分の１水準、維持管理費は半分水準に下げることができると考えます。」
同じ予算ではるかに多くの観測所を設置し、より細かく管理できるという自信だ。
「そこに私たちの異常感知技術が加わると、細かい観測網から収集される資料を高品質のデータで確保できます。」
明代表はこれを「気候MRI」と呼ぶ。病気もMRIで正確に診断しなければきちんと治療できるように、最近の異常気候もMRIのような細かい観測網で精密診断しなければきちんと備えられる。
実際、局地性豪雨で「短い時間に、どれだけ強く雨が降っているのか」を正確に知らず、被害が大きくなった事例が多い。
「ソウル市が江南駅一帯３３の浸水脆弱地域の水防施設拡充に投入した予算は約１兆４０００億ウォンに達する。この金額の１％だけでも事前に細かい観測データ確保に投資したならば、被害の相当部分を妨げなかったでしょうか。
ダイアラップはまず顧客地点に直接観測網を構築し、局地性豪雨を正確に測定する。顧客の太陽光発電所や物流センターがある地点と観測所が遠い場合、局地性豪雨の観測値差は50～100%、ひどいと500%以上飛ぶことができる。そして人工知能とプラットフォーム技術で迅速に収集・分析し、予測して情報の遅延時間を最小化する。天気は予測時間が長いほどボラティリティが大きくなり、精度が低下する。つまり、遅延時間を最小限に抑えることは予測精度を高めることです。
以下は、5～10分間隔で素早くAI予報を生産してアップデートすること。
「10分の間に大雨が新たに発達する場所があるか、強い降水域がどこに移動するかを予測し、リスクを素早く捉えます」。
最後に、このように分析・予測された気象情報が顧客会社に与える影響を精密に分析し、意思決定情報を与える。例えば、3時間で85mmの雨が予想されると、「A顧客会社」は操業中断基準である100mm/3hourより小さく、「工場可動」情報を与える。また「B顧客会社」は、操業中断基準である60mm/3hourより大きく「工場稼働中止」情報を伝達する。
。
「ダイアラップの戦略は、現場でしか得られない「意思決定データ」を収集し、これを気象データと組み合わせて産業別しきい値とコスト関数で再構成することです。ドメイン融合にとって最も重要なのは、顧客ドメインの理解です。」
結局、Dialabのドメイン融合とは、産業の意思決定構造をデータで学習させ、気象予測が直ちに行動指針になるようにする過程である。これがディアイラップが「予報モデル」ではなく、意思決定エンジンとして動作できる理由だ。
グローバル市場でのDi Labの優位性は明確です。
「大きな投資は大きな収益を生み出す必要があるため、西欧圏のソリューションは高い価格で大きな市場に集中するしかありません。そういえば主に先進国市場中心の汎用的なサービスで作られています。」
一方、ディアイラップは韓国及びアジア・開発途上国の特性を反映する。明代表は「IoTセンシングと異常感知技術でデータが不完全な開発途上国環境でも動作可能なモデルを持っている」とし、「開発途上国のデータインフラ不足、技術人材不足問題に対応する力量強化サービスを同時提供中」と説明した。
同社は現在、慶熙大文龍才教授研究チームとともに、静止軌道衛星データに生成型AI技術を適用し、従来比2倍以上正確な降水情報を作っている。彼は「この技術は太平洋図書国家や中央アジア、アフリカなど観測データが足りない地域で早期警報や水管理、農業などに活用中」と付け加えた。
ディアイラブが気候リスク管理企業を志向する理由は明らかだ。 「気候危機時代に企業が直面した大きな問題は、天候自体ではなく、私の資産がいつ・どこで・どのように損失を被るのか分からないという不確実性です」
ディアイラップの「気候MRI」は医療に例えれば理解しやすい。一般気象情報がX線であれば、「気候MRI」は資産の気候脆弱点を精密診断するMRIである。工場は1時間あたり数mmから浸水が始まるか、この施設はどの時点で最も危険になるかを資産単位で分析します。
最後に彼のビジョンを尋ねた。明代表は「私たちのソリューションが日常となった世界」とし、「初個人化された気候インテリジェンス情報を受け、リスク気象対策や業務活用だけでなく、個人の病気管理や睡眠、コーディネート、レジャーなどすべての領域で活用される未来」を夢見ると明らかにした。
DI Lab 首席执行官闵明光提供决策所需的气候情报信息。
2007年北汉山雷击事件发生当天，韩国气象厅首席执行官明光民意识到雷击强度正在逼近。然而，他却无法在需要时将这一信息传递给附近的人员。韩国气象厅在全国设有约700个观测站，平均间距为5至15公里。这使得探测短时间内小范围内的极端天气事件（例如局部强降雨）变得十分困难。
DI Lab 在客户现场建立直接监控网络，并利用人工智能每 5 至 10 分钟进行一次预测，快速识别风险。此外，它还根据每位客户的停产标准，提供 24 小时工厂运行或停产信息。
DI Lab首席执行官明光民是韩国首位气象预报员。他曾在空军和私营企业工作，处理过各种各样的数据。2007年，他担任空军气象官期间，北汉山的一次雷击改变了他的人生轨迹。
“在从事天气预报工作期间，我亲身感受到现有系统在应对平民天气风险方面的缺陷。当时，我的任务是识别北汉山地区附近闪电的强度，并将预警信息传递给相关部门。然而，由于系统结构上的限制，我无法将这些信息传递给徒步旅行的平民，这让我感到非常沮丧。”
当时我脑海中一直萦绕着一个问题：“预测是对的，但为什么我们没能阻止事故发生？”DI Lab 的“数据智能”理念正是源于这个问题。
明议员表示：“问题不在于预报的准确性，而在于现有的体系阻碍了预报转化为实际的决策和行动。”他补充道：“在实际的工业环境中，这种差距就显而易见了。有些公司即使只下了1毫米的雨也必须停工，而有些公司即使下了20毫米的雨也无妨。然而，现有的气象服务却未能考虑到这些差异，而是向所有人提供相同的信息。”
从一开始，DI Lab 就专注于能够变革决策的数据，而非“更准确的预测”。因此，我们定义了每个行业和领域真正变得危险的阈值，并将预测资源集中于该阈值即将被突破前的特定时间和点。
目前，韩国气象厅以5至15公里的间隔提供全国范围的天气信息。这种方式对于台风和季风降雨等大范围天气现象较为有效，但在探测局部强降雨方面存在局限性。
明议员将其比作“用大网捕小鱼”，并批评道：“由于这些数据的局限性，像江南站洪水这样的事故不断发生，而且往往是在事故发生后才被发现。”
从更广阔的观测区域来看，来自包括地方政府和公共机构在内的约3400个地点的降水观测数据，理论上可以实现更精细的观测。然而，首席执行官明明表示：“问题在于数据的可靠性。”他补充道：“这些观测站的平均正常数据率约为86%，错误和数据缺失的情况很常见，限制了其实际应用。”这主要是由于人员频繁轮换和行政结构的原因，导致难以投入足够的专业知识和时间进行设备管理和数据审核。
成本也相当可观。根据韩国气象厅2026年设备采购计划，用于购置24台防灾气象观测设备的预算为10.8亿韩元，每台设备成本约为4500万韩元。维护服务数据显示，未来两年内，全国709个气象观测站的维护费用约为39.9亿韩元，平均每个观测站每年约281万韩元。
“如果大规模重建该观测网络，并采用民用技术进行标准化，我们相信可以将安装成本降低五分之一，维护成本降低一半。”
我们有信心在同样的预算下安装更多的天文台，并对其进行更严格的管理。
“当我们将异常检测技术应用到这个系统中时，我们可以从密集的观测网络收集的数据中获得高质量的数据。”
明议员称此为“气候磁共振成像”。正如疾病需要借助磁共振成像进行精确诊断才能得到正确治疗一样，近期气候异常也需要借助类似磁共振成像的密集观测网络进行精确诊断，才能做好充分准备。
事实上，很多情况下，局部暴雨造成的损失非常严重，因为不清楚“短时间内降雨的强度究竟有多大”。
首尔市政府已投资约1.4万亿韩元用于扩建江南站周边33个易涝地区的防洪设施。如果将其中1%的资金用于提前获取详细的观测数据，难道不能避免很大一部分损失吗？
DI Lab首先在客户所在地建立直接观测网络，以精确测量局部强降雨。如果观测站距离客户的太阳能电站或物流中心较远，观测到的降雨量可能存在50%至100%的差异，在极端情况下甚至可能超过500%。此外，人工智能和平台技术能够快速收集、分析和预测数据，最大限度地减少信息滞后。天气预报的波动性会随着预报周期的延长而增加，准确性也会降低，因此最大限度地减少滞后可以提高预报的准确性。
下一步是每 5 到 10 分钟快速生成和更新 AI 预测。
“我们可以通过预测新的强降雨区域在 10 分钟内的发展位置和移动方向，快速识别风险。”
最后，系统会精确分析这些经过分析和预测的天气信息对客户的影响，并将其用于指导决策。例如，如果预计三小时内降雨量为 85 毫米，则客户 A 会被告知工厂将正常运营，因为预测值低于 100 毫米/3 小时的阈值。而客户 B 则会被告知工厂将停产，因为预测值低于 60 毫米/3 小时的阈值。
。
DI Lab 的策略是收集只能在现场获取的“决策数据”，将其与气象数据相结合，并重构为特定行业的阈值和成本函数。我们定期与客户会面，询问他们哪些气象因素决定了各行业的盈亏，哪些数值会导致流程停滞，以及这些决策由谁做出，又面临怎样的时间压力。领域融合的关键在于理解客户的领域。
最终，DI Lab的领域融合在于通过数据学习行业的决策结构，从而将天气预报转化为可直接操作的指导。正因如此，DI Lab不仅可以作为预测模型，还能作为决策引擎发挥作用。
DI Lab在全球市场的优势显而易见。
“由于大额投资需要高额回报，西方解决方案别无选择，只能专注于价格高的大型市场。因此，它们主要被开发成面向发达市场的通用服务。”
与此同时，DI Lab 也体现了韩国、亚洲以及发展中国家的独特特点。首席执行官 Myung 解释说：“我们利用物联网传感和异常检测技术，即使在数据不完整的发展中国家也能运行我们的模式。” 他补充道：“我们还提供能力建设服务，以应对发展中国家在数据基础设施和技术人才短缺方面面临的挑战。”
该公司目前正与庆熙大学文容宰教授的研究团队合作，将生成式人工智能技术应用于地球静止卫星数据，以生成比现有数据准确两倍以上的降水信息。他补充道：“这项技术正被用于观测数据匮乏地区的预警、水资源管理和农业，例如太平洋岛国、中亚和非洲。”
DI Lab致力于成为一家气候风险管理公司的原因很明确。“在气候危机时代，企业面临的最大挑战并非天气本身，而是资产何时、何地以及如何遭受损失的不确定性。”
DI Lab 的“气候磁共振成像”（Climate MRI）技术可以通过将其比作医疗系统来轻松理解。如果将一般天气信息比作 X 光片，“气候磁共振成像”就如同 MRI，能够精确诊断资产的气候脆弱性。它会分析每个资产，确定工厂在每小时降水量达到多少毫米时开始出现洪水风险，以及设施在哪个临界点面临最大风险。
最后，我问了他关于愿景的问题。首席执行官明（Myung）设想了一个“我们的解决方案融入日常生活”的世界，并表达了他的梦想：“未来，高度个性化的气候智能信息不仅用于天气风险管理和商业用途，还用于个人健康管理、睡眠、协调和休闲。”
Myung-Gwang Min, PDG de DI Lab, fournit les informations climatiques nécessaires à la prise de décision.
Le jour de la foudre qui a frappé le mont Bukhan en 2007, le PDG Myung Gwang-min savait que l'intensité de la foudre approchait de la zone. Cependant, il n'avait aucun moyen de transmettre cette information aux personnes à proximité au moment opportun. L'Administration météorologique coréenne exploite environ 700 stations d'observation à travers le pays, espacées en moyenne de 5 à 15 kilomètres. Il est donc difficile de détecter des événements concentrés sur une courte période et une zone restreinte, comme de fortes pluies localisées.
DI Lab met en place un réseau de surveillance directe sur les sites clients et identifie rapidement les risques grâce à des prévisions basées sur l'IA, toutes les 5 à 10 minutes. De plus, elle fournit des informations en continu (24h/24) sur la possibilité de faire fonctionner ou d'arrêter l'installation, selon les critères d'arrêt définis par chaque client.
Myung Gwang-min, PDG de DI Lab, est le premier météorologue de Corée du Sud. Il a travaillé dans l'armée de l'air et dans des entreprises privées, où il a traité un large éventail de données. En 2007, alors qu'il était officier météorologique dans l'armée de l'air, la foudre a frappé le mont Bukhan, un événement qui a bouleversé sa vie.
« En travaillant dans le domaine des prévisions météorologiques, j'ai constaté à quel point le système existant était défaillant pour répondre aux risques météorologiques civils. À l'époque, j'étais chargé d'identifier l'intensité de la foudre approchant de la région de Bukhansan et de transmettre les alertes aux unités concernées. Cependant, j'étais frustré par les limitations structurelles qui m'empêchaient de transmettre cette information aux randonneurs. »
Une question me taraudait à cette époque : « Les prévisions étaient justes, mais pourquoi n’avons-nous pas pu empêcher l’accident ? » La philosophie « Data Intelligence » de DI Lab est née de cette question.
Le représentant Myung a déclaré : « Le problème ne réside pas dans la précision des prévisions, mais plutôt dans la structure qui empêche ces prévisions de déboucher sur des décisions et des actions concrètes. » Il a ajouté : « Ce décalage devient flagrant lorsqu’on observe des situations industrielles réelles. Certaines entreprises doivent interrompre leurs activités dès 1 mm de pluie, tandis que d’autres peuvent supporter jusqu’à 20 mm. Or, les services météorologiques actuels ne tiennent pas compte de ces différences et diffusent les mêmes informations à tous. »
Depuis sa création, DI Lab s'est concentré sur les données qui transforment la prise de décision, et non sur de « meilleures prévisions ». Par conséquent, nous définissons le seuil à partir duquel chaque secteur et domaine devient réellement dangereux, et concentrons nos ressources de prévision sur le moment précis juste avant que ce seuil ne soit franchi.
Actuellement, l'Administration météorologique coréenne fournit des informations météorologiques nationales avec une résolution spatiale de 5 à 15 kilomètres. Ce système est efficace pour les phénomènes de grande ampleur comme les typhons et les pluies de mousson. Cependant, il présente des limites pour la détection des fortes pluies localisées.
Le député Myung, qui a comparé la situation à « essayer d'attraper de petits poissons avec un grand filet », a critiqué : « En raison de ces limitations de données, des accidents comme l'inondation de la station Gangnam se répètent, pour n'être découverts qu'après qu'ils se soient déjà produits. »
Si l'on considère la zone d'observation plus large, les données de précipitations provenant d'environ 3 400 sites, y compris des collectivités locales et des institutions publiques, permettent théoriquement des observations beaucoup plus précises. Cependant, le PDG Myeong a déclaré : « Le problème réside dans la fiabilité des données », ajoutant : « Le taux de données normal moyen de ces stations d'observation est d'environ 86 %, et les erreurs et les données manquantes sont fréquentes, ce qui limite les applications pratiques. » Ceci est dû à la rotation fréquente du personnel et à la structure administrative, qui rendent difficile de consacrer suffisamment d'expertise et de temps à la gestion du matériel et à l'analyse des données.
Les coûts sont également considérables. Selon le plan d'acquisition d'équipements 2026 de l'Administration météorologique coréenne, le budget alloué à l'achat de 24 dispositifs d'observation météorologique pour la prévention des catastrophes s'élève à 1,08 milliard de wons. Chaque dispositif coûte environ 45 millions de wons. Les données relatives à la maintenance montrent qu'environ 3,99 milliards de wons ont été alloués sur deux ans à la gestion de 709 observatoires à travers le pays, soit environ 2,81 millions de wons par station et par an.
« Si ce réseau d'observation était reconstruit à grande échelle et standardisé à l'aide de technologies civiles, nous pensons que nous pourrions réduire les coûts d'installation d'un cinquième et les coûts de maintenance de moitié. »
Nous sommes convaincus que nous pouvons installer beaucoup plus d'observatoires avec le même budget et les gérer de plus près.
« En y ajoutant notre technologie de détection d'anomalies, nous pouvons garantir des données de haute qualité à partir des données collectées par un réseau d'observation dense. »
Le représentant Myung appelle cela « l'IRM climatique ». De même que les maladies nécessitent un diagnostic précis par IRM pour être correctement traitées, les anomalies climatiques récentes nécessitent un diagnostic précis grâce à un réseau d'observation dense comme l'IRM pour s'y préparer adéquatement.
En réalité, il existe de nombreux cas où les dégâts ont été importants en raison de fortes pluies localisées, car on ne savait pas exactement « à quel point il pleuvait fort sur une courte période ».
La municipalité de Séoul a investi environ 1 400 milliards de wons dans l'extension des infrastructures de protection contre les inondations dans 33 zones inondables autour de la gare de Gangnam. Si seulement 1 % de cette somme avait été consacrée à la collecte préalable de données d'observation détaillées, une part importante des dégâts n'aurait-elle pas pu être évitée ?
DI Lab met en place un réseau d'observation directe chez ses clients afin de mesurer précisément les fortes précipitations localisées. Si la station d'observation est éloignée de la centrale solaire ou du centre logistique du client, l'écart entre les précipitations observées et la valeur mesurée peut atteindre 50 à 100 %, voire plus de 500 % dans les cas extrêmes. De plus, l'intelligence artificielle et la plateforme technologique permettent de collecter, d'analyser et de prévoir rapidement les données afin de minimiser le délai d'information. Les prévisions météorologiques étant plus instables et moins précises à mesure que l'horizon de prévision s'allonge, la réduction du délai améliore leur fiabilité.
L'étape suivante consiste à produire et à mettre à jour rapidement les prévisions de l'IA toutes les 5 à 10 minutes.
« Nous pouvons identifier rapidement les risques en prévoyant où de nouvelles fortes pluies se développent et où les zones de fortes précipitations se déplacent en l'espace de 10 minutes. »
Enfin, l'impact de ces informations météorologiques analysées et prévues sur les clients est précisément étudié et utilisé pour éclairer la prise de décision. Par exemple, si 85 mm de pluie sont attendus sur une période de trois heures, le client A est informé que son usine restera opérationnelle, car les prévisions sont inférieures au seuil de 100 mm/3 heures. En revanche, le client B est informé que son usine sera arrêtée, car les prévisions sont inférieures au seuil de 60 mm/3 heures.
.
La stratégie de DI Lab consiste à collecter des données décisionnelles, accessibles uniquement sur le terrain, à les combiner avec des données météorologiques et à les réinterpréter en seuils et fonctions de coûts spécifiques à chaque secteur. Nous rencontrons régulièrement nos clients pour identifier les facteurs météorologiques déterminant la rentabilité de chaque secteur, les valeurs qui interrompent les processus, ainsi que les décideurs et les contraintes de temps. La compréhension du domaine du client est essentielle à la convergence des expertises.
En définitive, la convergence sectorielle de DI Lab consiste à appréhender la structure décisionnelle d'un secteur grâce aux données, transformant ainsi les prévisions météorologiques en recommandations concrètes et exploitables. C'est pourquoi DI Lab peut fonctionner comme un moteur d'aide à la décision, et non comme un simple modèle de prévision.
L'avantage de DI Lab sur le marché mondial est évident.
« Comme les investissements importants exigent des rendements élevés, les solutions occidentales n’ont d’autre choix que de se concentrer sur les grands marchés aux prix élevés. Par conséquent, elles sont principalement développées comme des services généralistes destinés aux marchés développés. »
Parallèlement, DI Lab reflète les spécificités de la Corée, de l'Asie et des pays en développement. Son PDG, M. Myung, explique : « Notre modèle, basé sur les technologies de détection d'objets connectés et d'anomalies, est opérationnel même dans les pays en développement où les données sont incomplètes. » Il ajoute : « Nous proposons également des services de renforcement des capacités pour pallier les pénuries d'infrastructures de données et de compétences techniques dans ces pays. »
L'entreprise collabore actuellement avec l'équipe de recherche du professeur Moon Yong-jae à l'université Kyung Hee afin d'appliquer une technologie d'intelligence artificielle générative aux données satellitaires géostationnaires et ainsi produire des informations sur les précipitations deux fois plus précises que les données existantes. Il a ajouté : « Cette technologie est utilisée pour l'alerte précoce, la gestion de l'eau et l'agriculture dans des régions où les données d'observation sont rares, comme les pays insulaires du Pacifique, l'Asie centrale et l'Afrique. »
La raison pour laquelle DI Lab ambitionne de devenir une entreprise de gestion des risques climatiques est claire : « Le plus grand défi auquel les entreprises sont confrontées à l’ère de la crise climatique n’est pas le climat lui-même, mais l’incertitude quant au moment, au lieu et à la manière dont leurs actifs subiront des pertes. »
L'« IRM climatique » de DI Lab se comprend aisément en la comparant à un système médical. Si les informations météorologiques générales sont comparables à une radiographie, l'« IRM climatique » est comme une IRM qui diagnostique avec précision la vulnérabilité climatique d'un actif. Elle analyse chaque actif, déterminant à partir de quel niveau d'eau (en millimètres par heure) une usine commence à être inondée et à quel moment l'installation devient la plus exposée.
Enfin, je l'ai interrogé sur sa vision. Le PDG Myung envisageait un monde où « nos solutions s'intègrent au quotidien » et a exprimé son rêve d'un « avenir où les informations climatiques hyper-personnalisées sont utilisées non seulement pour la gestion des risques météorologiques et à des fins commerciales, mais aussi pour la gestion de la santé personnelle, le sommeil, la coordination et les loisirs ».
You must be logged in to post a comment.