[비욘드포스트 이봉진 기자] 단국대 김현수 교수팀(건축학부)은 건설 현장의 효율성과 안전 관리에 필요한 건설 데이터 확보를 위해 새로운 인공지능(AI) 학습 모델을 제시했다고 25일 밝혔다.

건설 현장은 작업 효율성을 높이기 위해 자원 배분을 최적화하고 안전 관리를 위한 절차가 필수적이다. 최근에는 AI 기술의 발전으로 건설 현장에 AI 기반 안전 관리 시스템이 도입되고 있다.

인공지능(AI)은 고도화된 성능을 발휘하기 위해 대규모 데이터가 필요하다. 하지만 건설 현장에서는 데이터 확보가 어려워 성능 향상에 한계가 있었다. 이를 극복하기 위해 연구팀은 ‘퓨샷 러닝(FSL, Few-Shot Learning)’ 기법을 도입, 소량의 데이터만으로도 건설 장비 인식 모델을 학습할 수 있는 방식을 고안했다.
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 추가했을 때 FSL 모델 성능이 크게 향상되는 사실을 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 데이터의 활용 전략이 성능 개선의 핵심임을 입증했다.

김현수 교수와 홍성국 박사과정 연구원은 “이번 연구는 건설 현장에 최적화된 인공지능(AI) 학습 방식을 제안해, AI 도입 시간을 단축하고 데이터 라벨링 비용을 크게 절감할 수 있게 됐다”라며 “향후 건설 자동화 기술 발전과 안전성 향상에 크게 기여할 것으로 기대한다”라고 말했다.

이번 연구 성과는 건설 자동화 분야 세계 최고 권위 학술지인 「Automation in Construction」(JCR 상위 0.3%, 건설·건축 분야 1위) 2025년 10월호에 게재된다.

논문명은 「Evaluating meta-transfer few-shot learning for construction equipment recognition : Impact of general vs. domain-specific pre-training(건설 장비 인식을 위한 메타 전이 기반 소수 샷 학습 평가 : 일반 사전학습과 도메인 특화 사전학습의 비교)」이다.

bjlee@beyondpost.co.kr