단국대, 현장 특화 FSL로 건설 AI 성능 91.62% 달성

단국대학교는 김현수 건축학부 교수 연구팀이 건설 현장의 효율성과 안전 관리를 위한 새로운 인공지능(AI) 학습 모델을 제시했다고 25일 밝혔다. 현장 특화 데이터를 활용해 적은 양의 정보로도 성능을 높일 수 있는 방법을 제안한 것이다.

연구팀은 건설 장비 인식 모델 개발에 '퓨샷 러닝(FSL)' 기법을 적용했다. 기존에는 대규모 데이터가 확보돼야 AI 성능이 개선됐지만, 건설 현장은 데이터 수집과 라벨링 비용이 높아 한계가 있었다. 연구팀은 이 문제를 해결하기 위해 공공 데이터와 현장에서 직접 수집한 특화 데이터를 결합해 학습 모델을 실험했다.

그 결과 공공 데이터만 사용했을 때보다 현장 특화 데이터를 함께 적용했을 때 FSL 모델 성능이 뚜렷하게 향상됐다. 특히 공공 데이터와 웹 기반 건설 데이터를 결합한 FSL 모델은 단 30개 예시 조건에서도 정확도 91.62%를 기록했다. 이는 단순히 데이터 양을 늘리는 것보다, 현장 특화 데이터 활용이 성능 개선에 핵심이라는 사실을 입증한 셈이다.

이번 연구는 AI 도입 시간을 단축하고 데이터 라벨링 비용을 줄이는 데도 기여할 수 있다는 평가를 받는다. 연구팀은 향후 건설 자동화 기술과 안전성 제고에도 파급 효과가 클 것으로 내다봤다.

김 교수는 “건설 현장에 최적화된 AI 학습 방식을 제시함으로써 실제 현장 적용 가능성을 크게 높였다”며 “앞으로 건설 자동화 기술 발전과 안전 관리 효율성 향상에 기여할 것으로 기대한다”고 말했다.

이번 연구 성과는 건설 자동화 분야 세계적 권위 학술지 'Automation in Construction' 2025년 10월호에 게재됐다.

용인=김동성 기자 estar@etnews.com