단국대 김현수 교수팀, 제한된 데이터로 건설현장 효율성·안전 확보하는 AI 학습 신모델 제시

단국대학교는 건축학부 김현수 교수팀이 건설 현장의 효율성과 안전 관리에 필요한 건설 데이터를 확보하는 새로운 인공지능(AI) 학습 모델을 제시했다고 25일 밝혔다.

건설 현장은 작업 효율성을 높이기 위해 자원 배분을 최적화하고 안전 관리를 위한 절차가 필수적이다. 최근엔 건설 현장에도 AI 기반 안전 관리 시스템이 도입되고 있다.

다만 AI가 고도화된 성능을 발휘하려면 대규모 데이터가 필요한데 건설 현장에선 독점기술 보호 등을 이유로 데이터 공유를 꺼리는 경우가 적잖아 데이터 확보가 쉽잖다는 한계가 있었다.

연구팀은 이를 극복하기 위해 '퓨샷 러닝(Few-Shot Learning, FSL)' 기법을 도입했다. FSL은 학습을 위해 수많은 이미지가 필요한 기존 방식과 달리 학습방법을 학습하는 방식으로, 제한된 몇 개의 예제만으로도 새로운 범주를 분류할 수 있다. 소량의 데이터만으로 건설 장비 인식 모델을 학습할 수 있는 방식이다.

연구팀은 AI 모델의 성능을 검증하는 데 활용되는 벤치마크 데이터(공통 시험지와 같은 표준 데이터)를 기반으로, 공공 데이터와 건설 현장에서 직접 수집한 특화 데이터를 함께 적용해 실험을 진행했다. 실험 결과 공공 데이터만 활용했을 때보다 건설 특화 데이터를 추가로 적용했을 때 FSL 모델 성능이 크게 향상되는 것을 입증했다.

특히 공공 데이터와 웹 기반 건설 데이터를 결합한 FSL 모델(tiered+WC 구성)은 단 30개의 예시 조건에서도 91.62%의 정확도를 기록했다. 이는 건설 현장에 AI를 적용할 때 단순히 데이터양을 늘리는 것보다 현장 특화 데이터를 활용하는 전략이 성능 개선의 핵심임을 보여줬다.

김현수 교수와 홍성국 박사과정 연구원은 "이번 연구는 건설 현장에 최적화된 AI 학습 방식을 제안해 AI 도입 시간을 단축하고 데이터 라벨링 비용을 크게 절감할 수 있게 됐다"며 "앞으로 건설 자동화 기술 발전과 안전성 향상에 이바지할 것으로 기대한다"고 말했다.

이번 연구 논문 '건설 장비 인식을 위한 메타 전이 기반 소수 샷 학습 평가: 일반 사전학습과 도메인 특화 사전학습의 비교'는 건설자동화 분야 세계 최고 권위 학술지인 '건설 자동화(Automation in Construction)' 10월호에 게재된다.