건설 AI로 서류 심사를 60일에서 10일로 단축

건설 프로젝트 관리를 담당하는 Trunk Tools는 범용 AI 모델을 사용하지 않고 건설업계에 특화된 독자적인 3계층 아키텍처를 개발했다. 동사에 따르면 이러한 노력을 통해 문서 검토 기간을 기존의 수개월에서 수일로 단축하는 데 성공했다고 한다. 또한 현장에서의 비용이 큰 실수 방지에도 기여하고 있으며, AI 에이전트가 수백만 페이지에 달하는 자료를 자율적으로 읽어낼 수 있게 되었다고 밝혔다.

건설업계에서는 설계도·명세서·계약서 등 대량의 종이 자료나 독자 형식의 데이터가 각처에 산재되어 있으며, 정리된 데이터베이스가 존재하지 않는 현장이 대부분이다. ChatGPT와 같은 범용 대규모 언어 모델(LLM)은 광범위한 용도에 대응할 수 있는 반면, 이러한 업계 고유의 전문 용어나 암묵적 관례, 독특한 형식에는 대응이 어렵다고 알려져 있다. Trunk Tools의 CEO이자 전직 목수인 Sarah Buchner는 이 과제에 주목하여 업계에 뿌리를 두고 있는 시스템 구축에 착수했다.

동사가 구축한 시스템은 「지각(perception)」「의미 해석(semantics)」「에이전트(agents)」라는 3계층의 구조로 이루어져 있다. Buchner CEO는 「흩어진 시스템에서 데이터를 수집하고, 전처리하고, 구조화하며, 독자의 온톨로지(지식 분류 체계)를 통해 나레지 그래프로 변환한 후 AI 모델을 학습시켰다」고 설명한다. 이러한 일련의 프로세스를 통해 건설 현장의 실무에 부합하는 높은 정확도의 정보 처리가 가능하게 되었다고 한다.

범용 LLM이 틈새 분야에서 약해지는 이유에 대해서는 AI 기반 제품을 담당하는 시니어 제품 매니저인 Kriti Faujdar가 간단명료하게 지적하고 있다. 「범용 LLM은 모든 것에 무난하게 대응할 수 있도록 학습되기 때문에 전문 분야에는 약해진다」고 언급했다. 더욱이 기업의 가장 중요한 데이터—사내 시스템이나 독자 형식에 잠들어 있는 것—는 애초에 모델의 사전 학습에 포함되지 않았다고도 언급했다. RAG(검색 증강 생성: 외부 데이터를 참조하면서 응답을 생성하는 기술)는 어느 정도 효과가 있지만, 「도메인에서의 추론이 근본적으로 서툰 모델에 더 나은 사실을 제공하는 것일 뿐」이라고 언급했다.

Faujdar는 업계 특화 AI를 실용화할 때의 우선순위로 먼저 업계 고유 데이터에 의한 사전 학습을 수행하고, 다음으로 실무 데이터에서의 파인튜닝(추가 학습), 그리고 독자의 평가 지표 구축이 중요하다고 강조했다. 「실제 전문가가 준비한 수천 건의 데이터는 노이즈가 많은 스크래핑 데이터 수백만 건보다 가치가 있다」고도 언급했다. 또한 웹 엔지니어인 de Bollivier는 「도메인에서 똑똑하게 만들기 위한 파인튜닝이 아니라 워크플로우에서 필요한 출력 형식에 대해 신뢰할 수 있는 모델로 만들기 위한 파인튜닝이 중요하다」고 언급하며, 범용 모델과 특화형 소규모 모델을 결합하는 하이브리드 구성의 유효성도 지적했다.

Trunk Tools의 사례가 보여주는 것은 업계 특화 AI 실현에 있어서 「어떤 모델을 사용할 것인가」보다 「데이터를 어떻게 정비하고, 어떻게 학습시킬 것인가」가 본질적인 차이를 만든다는 점이다. 범용 LLM이 모든 산업에 대응할 수 있는 것처럼 보이는 한편, 현장 수준에서의 정확도와 신뢰성이 요구되는 용도에서는 이러한 전문 설계의 아키텍처가 필요하다는 견방을 할 수 있다. 건설 이외의 업계에서도 산재된 데이터를 구조화하여 AI를 활용하기 위한 「업계 특화 스택」의 설계 방법론으로서 동사의 접근 방식은 하나의 참조 사례로 위치지어진다.