시공 분야는 머신 러닝과 AI(인공 지능)의 출현으로 혜택을 누릴 수 있는 위치에 있습니다. 저는 BIM 360 프로젝트 IQ 팀의 일원으로서 시공 분야에 대한 오토데스크의 머신 러닝 진출 과정에 참여할 수 있었습니다.

이 문서에서는 이 분야의 발전을 요약하고, AI의 적용 및 시공 산업의 머신 러닝에 대한 광범위한 조사 결과와 잠재적 영향을 포함하여 이 기술을 최대한으로 활용하기 위해 준비를 갖추는 방법을 소개합니다. 이러한 프로세스는 위험 관리, 일정 관리, 하도급 업체 관리, 시공 현장 환경 모니터링, 안전 등 다양한 영역에서 변화를 일으키고 있습니다.

AI and Machine Learning in Construction

AI가 의미하는 것은 무엇일까요?

인공 지능에 대한 대중의 인식은 두 가지 극단으로 나뉩니다. 세계를 지배할 것이라고 생각하거나, 진지한 논의의 대상이 될 수 없는 판타지로 여기곤 합니다. 실제로 진실은 그 극단의 중간 어딘가에 있습니다. AI는 초지능과는 거리가 멀지만, 오늘날 방대한 분야에 적용될 수 있으며 오늘날 기술의 다양한 분야에 적용될 수 있는 큰 동인을 갖는 연구 분야에 해당합니다.

AI를 정의하는 것은 항상 어려운 과제였습니다. ‘인공’은 ‘자연적으로 발생하지 않는 어떤 것’으로 쉽게 정의내릴 수 있는 반면 ‘지능’을 정의하는 데 있어 연구원들은 혼란을 겪고 있습니다. 일반적으로 AI는 컴퓨터 과학과 심리학, 철학, 언어학까지 다양한 분야를 포괄하는 광범위한 과학 분야를 말하며, 주로 인간의 지능을 필요로 하는 작업을 수행할 컴퓨터를 개발하는 것과 관련이 있습니다. 이 일련의 문서는 인공 지능의 정의 및 역사를 이해하는 데 필요한 심도 깊은 정보를 제공합니다.

AI의 방대한 범위 내에는 많은 연구 영역이 있지만, 여기서는 보다 널리 알려진 영역 두 가지를 정의하려고 합니다. 바로 머신 러닝과 딥 러닝입니다. 머신 러닝은 명시적인 프로그래밍 없이도 컴퓨터가 데이터를 바탕으로 학습할 수 있도록 하는 알고리즘을 작성하는 것과 관련된 분야입니다. 예를 들어, 스팸 이메일을 식별하는 알고리즘을 작성하려면 수동으로 스팸 또는 스팸 아님으로 태깅된 여러 이메일에 노출시키는 방법으로 알고리즘의 학습을 진행해야 합니다. 이 알고리즘은 특정 단어 또는 단어 조합과 같은 패턴을 식별하여 이메일이 스팸이 될 가능성을 확인하는 방법을 "학습"합니다.

딥 러닝은 보다 최근에 발전한 머신 러닝 영역 내의 전문 기술로 생각할 수 있습니다. 이 기술은 인간 두뇌의 뉴런을 시뮬레이션하는 일종의 머신 러닝 알고리즘인 신경망을 기반으로 합니다. 딥 러닝을 통해 이미지 및 언어 처리 분야에서 여러 가지 획기적인 발전을 이룸으로써, 홈 어시스턴트와 자율 주행 차량 같은 첨단 분야에 적용할 수 있는 가능성이 높아졌습니다.

기여 요소

AI는 학술 분야로서 오랫동안 존재해 왔습니다. 벌써 1956년에 이 주제에 대한 첫 번째 컨퍼런스가 열렸습니다. 그러나 지난 10년 동안 이 기능은 더 큰 주목을 받고 있습니다. 최근에 크게 개선된 여러 요인 덕분입니다. 모든 AI가 데이터로부터 통찰력을 도출하기 위해서는 많은 데이터가 필요한데, 지난 몇 년 동안 생성된 데이터의 양은 이전에 비해 획기적으로 증가했습니다. 몇 년 전의 IBM 블로그에 따르면, 전체 데이터의 90%는 과거 2년 동안 생성되었습니다. 현재는 약 95%가 되었을 것입니다. 데이터와 함께 이 데이터를 분석할 수 있는 컴퓨팅 성능은 매년 기하급수적으로 증가하는 한편, 비용은 낮아졌습니다. 현재, 거의 모든 데이터는 클라우드에 있으며, 이러한 데이터를 처리할 리소스가 풍부해진 가운데, 분석 결과로 얻은 통찰력을 기반으로 더 나은 의사 결정을 내리는 데 중점을 둔 응용 분야가 급증하고 있습니다.

AI의 응용

AI 응용 범위를 파악하는 좋은 방법은 얼마나 흔하게 사용되는지 조사하는 것입니다. 우리는 매일 여러 개의 이메일을 받으며 여기에 대부분 원하는 것보다 많은 시간을 소비합니다. 하지만 이렇게 터무니없이 많았던 스팸 이메일이 많이 줄었다는 것을 알고 계시나요? 5년 전에는 이벤트에 당첨되었다는 이메일을 적어도 매주 한 번씩 받았을 것입니다. 스팸 탐지는 역사가 길고 잘 알려진 머신 러닝 적용 분야 중 하나입니다. 수천 통의 이메일을 살펴봄으로써 컴퓨터 프로그램은 스팸 이메일의 일반적인 형태를 "학습"할 수 있게 되었습니다. 스팸 이메일은 발신자가 여러분에게 이메일을 보낼 만한 사람이 아니라는 것을 탐지하거나 스팸 이메일은 발신자가 여러분에게 이메일을 보낼 만한 사람이 아니라는 것을 탐지하거나 이메일 텍스트를 바탕으로 내용이 대부분 사기일 가능성이 크다는 사실을 알 수 있습니다. 이는 텍스트 처리의 한 가지 예일 뿐입니다.

analysis of images

또 다른 개발 영역은 이미지 분석입니다. 이 영역의 문제는 크게 두 가지로 나뉩니다. 이미지가 나타내는 대상을 식별하는 문제, 그리고 이미지에서 객체의 정확한 위치를 식별하는 문제입니다. 예를 들어 위 사진의 경우 사진에 고양이가 있는지 먼저 식별해야 합니다. 두 번째 과제는 이미지에서 고양이의 정확한 위치를 파악하는 것입니다.

딥 러닝의 개발로 이 분야에서 몇 가지 획기적인 발전이 있었습니다. 고양이 탐지를 넘어 새 iPhone에는 얼굴 탐지 기반 잠금 기능이 있습니다. 알고리즘을 통해 사진의 미세한 세부 사항을 구별할 수 있으며, 실시간으로 의사 결정을 내리는 데 사용할 수 있을 정도로 처리 속도가 빠릅니다. 이전의 알고리즘은 사진에 고양이가 있는지를 탐지했지만, 이제는 각 사진의 고양이가 동일한 고양이인지를 알려 줄 수 있습니다.

이러한 이미지 인식 및 탐지 알고리즘이 AI의 다른 형태와 결합되면 자율 주행 차량과 같은 매력적인 응용 사례로 나타나게 됩니다. 자율 주행 차량은 주변 환경을 감지하고 이를 통해 환경을 탐색할 수 있습니다. 환경의 서로 다른 객체를 파악하고, 객체가 동작하거나 작동하는 방식의 차이 및 환경에서 함의하는 규칙을 파악하는 것은 복잡한 작업입니다. 아래 이미지는 자율 주행 자동차가 탐색을 위해 사용하는 뷰입니다. 시스템은 사람과 자동차와 정지된 객체를 구분할 수 있습니다. 빨간 신호등과 일방통행 표지판의 의미를 이해해야 하며 객체 사이의 거리를 추정하고 이를 통해 의사 결정을 내릴 수 있습니다. 이 문서에서는 제품의 제작 방식과 그 이면의 기술에 대해 대화식으로 자세히 설명합니다.

different data points

인간의 정신은 의사 결정을 내릴 때 약 3~4개의 다른 데이터 포인트를 처리할 수 있습니다. 인공 지능이 진척을 이룬 또 하나의 영역입니다. 인간은 3~4차원만 다룰 수 있지만 AI 알고리즘에게는 제한이 없습니다. Netflix가 추천하는 영상을 볼 때, Netflix의 추천 엔진은 나이, 성별, 이 프로필을 사용하는 다른 사람이 보고 싶어하는 것, 지금까지 시청한 영상 유형, 영상에 대한 리뷰, 이 영상에 대한 다른 사용자의 관심도 등 다양한 사항을 고려했을 것입니다.

이러한 모든 예에서 공통적인 요구 사항은 이러한 알고리즘에는 학습할 데이터가 많이 필요하다는 것입니다. AI는 제공되는 데이터를 기반으로 권장 사항이나 솔루션을 제공하며 그 품질은 해당 데이터의 품질에 따라 좌우됩니다. 이 기술이 제공하는 데이터를 활용할 수 있으려면 모든 제품에서 어떤 데이터를 수집하고 관리할지 고려해야 합니다. AI 분야에서 흔히 하는 말은 "가비지 인 가비지 아웃", "즉 무가치한 데이터를 입력하면 무가치한 결과가 나온다"는 것입니다.

AI가 시공에 가져올 변화는 무엇일까요?

지난 몇 년 동안 시공 기술에 많은 투자가 있었습니다. 이 투자의 상당 부분은 시공 워크플로우의 여러 부분을 디지털화하는 방향으로 진행되었습니다. BIM 모델은 건물의 설계 방식을 바꾸었고, 프로젝트 관리 및 문제 관리 프로세스는 클라우드로 옮겨졌으며, 운영 관리 또한 더욱 "센서화"되고 자동화되고 있습니다. 이제 데이터를 얻을 수 있기 때문에 AI에 기반하는 각 응용 분야는 시공 분야에서 더 많은 활용처를 찾고 있습니다.

제너레이티브 디자인

제너레이티브 디자인은 자연의 혁신적인 설계 방식을 흉내낼 수 있는 형태 탐색 프로세스입니다. 컴퓨터 과학자들은 건물 설계 프로세스를 지원하는 방법을 찾아냈습니다. 일반적으로는 설계 목표를 명확하게 지정한 다음 솔루션의 무수한 가능 순열을 탐색하여 최상의 옵션을 찾습니다. 다음 예를 보면 명확해집니다.

토론토의 오토데스크 팀이 새로운 설계 프로세스를 사용하여 설계한 새 건물로 이전한 것이 좋은 사례입니다. 연구원들은 제너레이티브 디자인을 통해 요구 사항을 충족하는 이상적인 건물 설계를 찾아낼 수 있었습니다. 이 프로세스는 인접 선호도, 작업 스타일 선호도, 동선 밀집도(Buzz), 생산성, 일광, 외부 뷰 등 사무실 건물의 입주자들에게 중요하게 여겨질 모든 매개변수를 파악하는 것에서 시작되었습니다.

From left to right, each plan is overlaid with a simulation of the following parameters: adjacency preference, work style preference, buzz, productivity, daylight, and views to outside. — 평면도는 왼쪽부터 각각 인접 기본 설정, 작업 스타일 기본 설정, 동선 밀집도(Buzz), 생산성, 일광, 외부 뷰 등의 매개변수에 대한 시뮬레이션과 중첩되어 있습니다.

그런 다음 이러한 입력치는 물리적 위치의 요구 사항과 함께 이러한 설계 매개변수를 이해하는 컴퓨터 시스템에 제공되었고, 알고리즘은 건축가가 스타일 및 기타 요구 사항에 맞게 선택할 수 있는 이러한 모든 요구 사항에 맞는 여러 설계를 생성했습니다.

이 프로세스는 매우 빠르게 진행되었으므로, 설계 경험을 반복적으로 생성하고 작업을 진행하는 과정이 수월했으며, 여러 차례의 논의를 바탕으로 최종 설계를 수정할 수 있었습니다. 이 문서에서는 성가신 실제 문제를 해결하는 것 외에도 보다 깊이 있는 설명을 제공합니다. 제너레이티브 디자인은 여러 이해 관계자 간의 일정 및 의견 조율을 개선하는 설계를 생성하여 전체 개발 프로세스의 효율성과 경제성을 높일 수 있었습니다.

위험 완화

위험 평가 및 완화 요구는 시공 현장에서 일상적으로 발생합니다. 수많은 하도급 업체가 동시에 여러 공정을 수행하는 동안, 수천 가지 문제가 만들어지고 관리되며 모든 것이 지속적으로 변화합니다. BIM 360 IQ 프로젝트는 시공 관리자, 프로젝트 매니저 및 감독관이 매일 처리하는 과제를 파악하여 이러한 문제를 관리하고 AI를 통해 프로세스 개선 방법을 파악하는 데 중점을 두었습니다. 여러 시공 감독관과 대화하고 현장을 방문한 후 이들이 생성한 데이터를 살펴보고 위험 요소별로 문제의 우선 순위를 결정함으로써 효율성을 개선할 수 있는 실행 가능한 방법이 제공된다는 것을 확인할 수 있었습니다.

AI, 특히 시공 언어 분석을 사용하면 문제에 우선 순위를 자동으로 할당할 수 있습니다. 알고리즘은 문제가 해결되지 않을 경우의 누수 유발 가능성과 같은 복잡한 요소를 파악하고 예측할 수 있습니다. 시스템은 여러 프로젝트의 많은 품질 관리자가 프로젝트를 모니터링할 때 관찰한 사항에 대한 설명을 활용합니다.

예를 들어 품질 관리자가 창 외부의 불완전한 플래싱을 관찰하고 이를 BIM 360 Field에 기록하는 경우, 이 데이터를 통해 AI 알고리즘이 실행되어 자동으로 잠재적 누수 문제에 대해 플래그를 지정합니다. 그러면 대시보드에서 문제를 검토하는 감독관이 이 문제를 주의 깊게 살펴볼 수 있게 됩니다. 이 시스템은 현재 시범적으로 제공되며 BIM 360 제품을 사용하는 모든 사람이 사용할 수 있습니다.

또한 시스템은 한 단계 더 나아가 각 문제를 책임져야 할 하도급 업체에 가해지는 모든 위험을 압축합니다. 문제 관리의 과거 행적, 현재 작업량, 책임을 져야 하는 문제의 중요성 등 하도급 업체와 관련된 다양한 요소를 고려하여, 알고리즘은 프로젝트의 각 하도급 업체에 "위험 점수" 지표를 할당할 수 있습니다. 시공 관리자가 해당 팀과 더욱 긴밀하게 작업하기 위해 시간의 우선 순위를 더 잘 정할 수 있도록 현재 프로젝트에 노출된 위험의 양을 나타내는 지표입니다.

안전

시공 안전은 모든 작업 현장에서 가장 우선적으로 고려되는 사항입니다. BIM 360 IQ는 안전 문제와 관련된 동작과 컨텍스트를 이해한 다음 안전 관리자의 주의를 환기시키는 데 초점을 맞춥니다. IQ 응용프로그램은 작업 현장의 모든 안전 문제를 자동으로 스캔하여 치명적 요인이 될 수 있는지 여부를 나타내는 태그를 부착합니다. OSHA에 따르면 2015년에 발생한 모든 시공 관련 사고의 67%가 "4대 중대 사고"(낙하, 충돌, 끼임, 감전)와 관련된 문제로 인한 것입니다. IQ 알고리즘은 4대 중대 사고로 이어질 수 있는 안전 문제를 분류합니다.

The IQ application shows a list of subcontractors on a project and a breakdown of their safety issues by the “fatal four” categories. — IQ 응용프로그램은 프로젝트의 하도급 업체 목록을 표시하고

또한 잠재적 사고를 유발하는 위험성에 대한 통찰력을 제공하고 39가지 위험 요소에 대한 분포를 보여 줍니다.

A subset of the hazards that the IQ application can detect in a safety issue. — IQ 응용프로그램이 안전 문제에서 감지할 수 있는 위험 요소입니다.

이를 통해 안전 관리자는 계획 및 교육 노력을 어느 정도까지 집중해야 하는지 정확히 파악하고 안전 단계를 수행할 때 특정 문제에 대해 좀 더 주의를 기울일 수 있습니다.

오늘날, 작업 현장에서는 매일 수많은 사진과 동영상이 촬영되고 있습니다. 모든 시공 작업자는 카메라가 있는 휴대폰을 가지고 있으며, 발생하는 모든 문제에 대해 사진을 찍는 것이 거의 표준 관행입니다. 드론이 점점 보편화되고 있으며 항공 촬영이나 진행률 측정과 같은 고급 작업에 자주 사용됩니다. 고프로 카메라와 스마트 헬멧도 점점 보편화되고 있습니다. 사진의 양을 고려할 때, 대부분의 기술 응용프로그램은 아직 따라잡을 수 없으며, 더 나은 통찰력을 위해 사진을 관리하거나 활용할 수 있는 좋은 솔루션이 없었습니다.

Smartvid.io는 정확히 이에 대한 솔루션을 제공하는 기술 스타트업입니다. 이 회사는 여러 기술 공급업체와 통합하여 모든 이미지를 한 곳에 가져올 수 있는 플랫폼을 제공합니다. 한 단계 더 나아가 AI를 사용하여 이미지에 무엇이 있는지 파악합니다. 앞서 자율 주행 차량의 사례에서 본 것처럼 이미지의 다양한 객체를 분리하고 이해할 수 있습니다. Smartvid.io에서 "스마트 태그"라고 부르는 이 기능은 더 뛰어난 시스템으로 사진을 범주화하고 검색할 수 있습니다.

In this image of a construction worker stepping off a ladder, Smartvid.io can automatically add the tags shown on the left to the image. — 사다리에서 내려오는 이 시공 작업자의 이미지에서 Smartvid.io는 왼쪽에 표시된 태그를 이미지에 자동으로 추가할 수 있습니다.

Since Smartvid.io understands higher level concepts in construction, it provides for smarter searches. The above image shows all the images in a project for the query ‘above ceiling.’ — Smartvid.io는 시공의 개념을 더 높은 수준에서 이해하므로 보다 스마트한 검색을 지원할 수 있습니다. 위 이미지는 '천장 위'를 검색했을 때 프로젝트에서 관련된 모든 이미지를 보여 주는 예시입니다.

건축·엔지니어링·건설 분야에서 AI에 대한 오토데스크의 계획은 무엇일까요?

품질을 위한 BIM 360 IQ 제품은 시공 분야를 지원하는 최초의 AI 제품이었으며 우리는 매년 이 제품을 더욱 확장하기 위해 노력해 왔습니다. 당사는 시공 품질과 안전 문제 둘 다에 중점을 두는 응용프로그램을 구축했습니다. 다음 과제는 유사한 접근 방식을 프로젝트 관리에 도입하고 AI를 활용하여 프로세스를 개선하는 것입니다.

데이터 플랫폼

시공 산업에는 데이터 관리 솔루션을 제공하는 여러 기술 업체가 있지만 이러한 솔루션은 서로 호환되지 않는 경우가 많습니다. AI 기반 솔루션의 강력한 기능은 모든 데이터 소스를 연결할 수 있을 때 극대화됩니다. 이러한 요구를 해결하기 위해 오토데스크는 타사와의 통합을 허용하는 데이터 플랫폼을 구축하는 작업도 진행 중입니다. 이렇게 하면 공통 분석 도면층의 기능을 갖춘 하나의 플랫폼에 여러 시공 회사가 모든 데이터를 가져올 수 있습니다. 오토데스크는 ERP 데이터 및 프로젝트 관리 데이터와 같은 다른 데이터 소스를 이 플랫폼에 적용하는 한편 Smartvid.io, Triax Technologies, SmartBid 등 시공 분야의 다른 데이터 회사와도 파트너십을 맺고 있습니다.

Conceptual architecture of the new BIM 360 data platform. — 새로운 BIM 360 데이터 플랫폼의 개념 구조

Anand Rajagopal 은 오토데스크의 데이터 과학자로, BIM 360 제품 팀의 일원입니다. 그는 현재 고객과 긴밀히 협력하면서 시공 분야에 특화된 머신 러닝 모델을 구축, 테스트 및 배포하는 역할을 맡고 있습니다.