Mitchell Services, AI 기반 위험 관리로 안전 인사이트 확보

Mitchell Services가 CaNeTA를 활용해 중대한 위험을 식별하고 완화하여 안전 성과와 운영 복원력을 향상시킨 방법을 확인해 보세요.

현장에서의 Mitchell 채굴 및 추출 작업
안전 성과 및 운영 복원력 향상

Mitchell Services는 호주에서 가장 다양한 시추 회사로, 광업 및 자원 부문 전반에 걸쳐 고위험 환경에서 운영됩니다. 750명 이상의 직원과 35개 프로젝트를 운영하며 고객 기대를 충족하고 무재해 작업 환경을 달성하기 위해 선제적이고 신뢰할 수 있는 위험 관리의 중요성을 인식했습니다. 경영진은 작업 조건이 변경되거나 예상치 못한 변동이 발생하더라도 중대한 피해를 방지할 수 있도록 핵심 통제의 효과성과 회복탄력성을 강화하고자 했습니다. Mitchell Services는 핵심 위험 관리의 공백을 식별하고 사고 발생 시 안전하게 실패하고 있는지 아니면 단순히 운이 좋았던 것인지 판단해야 하는 과제에 직면했습니다. 핵심 통제 기준에 따라 안전 성과를 평가하고 핵심 위험의 우선순위를 효과적으로 설정해야 했습니다. 이를 해결하기 위해 2025년에 Libero AI 및 The University of Queensland와 협력하여 CaNeTA 방법을 활용한 안전 성과 분석을 수행했습니다. 결과를 개선하기 위해 프로세스 프론트엔드에서는 IBM® watsonx.ai를 활용해 데이터를 준비하고 사건 간 인과 관계를 연결했으며, 프로세스 백엔드에서는 IBM® watsonx Orchestrate를 활용해 데이터 분석과 인사이트 생성 기능을 강화했습니다. 
 

현장에서의 Mitchell 채굴 및 추출 작업
CaNeTA를 통해 Mitchell Services의 안전 성과를 평가한 결과: 100% 효과성

CCV(핵심 통제 검증) 질문 세트는 모든 질문이 통제의 효과성을 검증하도록 재설계되었으며, 기존 65%의 효과성 기준에서 100%로 향상되었습니다.

 

 

4.7% 증대

도입 후 첫 3개월 동안 중장비 차량 점검 활동이 4.7% 증가하여 점검 범위가 확대되고 문제를 더 조기에 발견할 수 있는 기회가 개선되었습니다.

1,001,000 km 총 이동 거리

필요한 점검 횟수를 이해하기 위해 설명하자면, 2025년 7월부터 12월까지 6개월 동안 Mitchell Services의 중장비 차량(시추 장비, 트럭 등)은 총 230,000km를 이동했습니다. 경량 차량은 771,000km를 이동했습니다.

이 프로젝트는 매우 성공적으로 수행되었으며 운영 통제 검증을 넘어 물류 및 차량 안전을 강화하는 데 큰 도움이 되었습니다. CaNeTA는 운송 및 유지보수 활동 전반에서 숨겨진 연결 관계와 사각지대를 밝혀내어 시스템 전반의 회복탄력성을 더욱 강화할 수 있게 했습니다. 확장된 프로토콜과 지속적인 AI 지원 검토를 통해 이제 업계 최고 수준의 위험 관리 역량으로 운영하고 있습니다.
Josh Bryant 총괄 관리자 - 인사, 위험 및 지속가능성 Mitchell Services
인과 지능을 활용해 안전 관리 혁신 실현

안전 관리의 과제를 해결하기 위해 Mitchell Services는 Libero AI 및 The University of Queensland와 협력하여 혁신적인 프로젝트를 추진했습니다. 인과 네트워크 분석 토폴로지(CaNeTA) 방법을 활용하여 운영 위험과 핵심 통제에 대한 보다 깊이 있는 이해를 확보하고자 했습니다. CaNeTA 접근 방식은 작업장 위험, 통제, 결과를 동적인 인과 네트워크로 모델링하여 기존 위험 등록부에서 간과되는 숨겨진 상호작용과 위험 전파 경로를 드러냅니다. 이 프로젝트에는 FY24/25 사고 보고서를 핵심 위험 기준 및 위험 등록부와 비교하여 심층 분석하는 과정이 포함되었습니다. 이 분석에서는 네트워크 시각화, 매개 중심성, 고유벡터 중심성, 인-스트렝스, 지표 집계를 포함한 다양한 CaNeTA 툴 세트를 활용했습니다. 이러한 툴은 사고가 ‘피해’ 사건을 통해 어떻게 전파되는지에 대한 인사이트를 제공했으며, 이는 주로 운송 및 물류와 연결되어 있었고 야생동물과의 접촉이나 고정되지 않은 적재물과 같은 핵심 연결 사건을 강조했습니다. 또한 분석 결과 근접 사고는 견고한 통제 때문이 아니라 단순히 운이 좋아서 발생하지 않은 경우가 많다는 점이 드러났습니다. CaNeTA를 적용함으로써 Mitchell Services는 위험 환경에 대한 정교한 이해를 확보하고 위험 관리 전략을 재정립할 수 있게 되었습니다. CaNeTA 분석을 통해 도출된 인사이트는 핵심 시추 운영을 넘어 위험 관리 범위를 확장하고 운송, 물류 및 유지보수를 핵심 위험 영역으로 재정립하는 등 전략적 재정렬을 이끌었습니다. 강화된 핵심 통제 검증(CCV) 프로토콜이 중장비 차량 점검 형태로 도입되어 운송 전후에 모든 핵심 통제, 핵심 시스템 및 제어 장치의 무결성을 검증할 수 있게 되었습니다. CaNeTA와 같은 혁신 기술에 대한 IBM의 지원을 기반으로 Libero AI 및 The University of Queensland와의 협업을 통해 Mitchell Services는 운영 전반에서 더욱 높은 회복탄력성을 구축할 수 있게 되었습니다.

Mitchell Services, AI 기반 위험 관리를 통해 데이터 기반 안전 인사이트 활용

Mitchell Services는 IBM의 AI 기반 위험 관리 솔루션인 CaNeTA를 활용하여 위험 관리 역량을 강화했습니다. 이 프로젝트는 FY24/25 사고 및 근접 사고 데이터를 활용하여 예방 조치를 정량화하고 우선순위를 설정할 수 있는 데이터 기반 수학적 분석과 시각화를 생성했습니다.

CaNeTA를 적용하여 Mitchell Services는 운송 및 물류와 자주 연관된 ‘피해’ 사건을 통해 전파되는 사고를 포함한 주요 위험 전파 경로를 식별했습니다. 분석 결과 야생동물과의 접촉과 고정되지 않은 적재물이 핵심 연결 사건으로 나타났으며 차량 사고와 통신 실패가 이후 안전에 과도한 영향을 미칠 수 있다는 점이 밝혀졌습니다. 이러한 정량화된 인사이트를 통해 Mitchell Services는 핵심 시추 운영을 넘어 위험 관리 범위를 확대하고 운송, 물류 및 유지보수를 핵심 위험 영역으로 재정립했으며 특히 물류 및 운송 활동에서 존재 여부 중심 점검에서 효과성 기반 검증으로 전환하여 핵심 통제 검증 수준을 향상시켰습니다. 또한 운송 전후에 시스템 전반의 무결성 점검을 수행할 수 있도록 프로토콜이 강화되었습니다. 이러한 새로운 역량을 통해 Mitchell Services는 위험, 에너지 방출 및 통제 효과성에 대해 보다 근거 기반 의사결정을 내릴 수 있게 되었으며 안전 성과와 운영 복원력의 지속적인 개선을 지원하고 있습니다.

Mitchell Services 소개

Mitchell Services는 ASX 상장 시추 서비스 제공업체이며 호주에서 가장 다양한 시추 기업입니다. Mitchell 브랜드는 50년 이상 광업 및 자원 산업에서 운영되어 왔습니다. 현재 Mitchell Services는 80대 이상의 지상 및 지하 시추 장비를 보유하고 있으며 호주 전역 35개 프로젝트에 750명 이상의 직원이 참여하고 있고 원격 탐사부터 지하 시추까지 다양한 고위험 환경에서 운영되고 있습니다.

비즈니스 파트너 Libero AI 소개

Libero AI는 중공업의 비즈니스 성과 향상을 위해 인공지능 도입을 선도하는 혁신 기업입니다. 이들은 데이터를 개선하고 활용하여 안전, 유지보수 및 운영과 관련된 비즈니스 과제를 해결하기 위해 AI를 적용합니다. Libero AI는 Mitchell Services 및 The University of Queensland와 협력하여 CaNeTA를 구현했습니다.

솔루션 컴포넌트 IBM® watsonx.ai IBM watsonx Orchestrate
AI 기반 인과 관계 인텔리전스를 통한 안전 혁신

watsonx를 활용하여 AI로 핵심 통제의 우선순위를 설정하고 운영 복원력을 구축하세요

  1. watsonx Orchestrate 알아보기
법률

© Copyright IBM Corporation, 2026년 2월. IBM, IBM 로고, watsonx.ai, watsonx Orchestrate는 전 세계 여러 국가에 등록된 IBM Corp.의 상표입니다.

제시된 예는 예시일 뿐입니다. 실제 결과는 클라이언트 구성 및 조건에 따라 달라지므로 일반적으로 예상되는 결과를 제공할 수 없습니다.