"소량 데이터로 91% 정확도 달성" 단국대, 건설 현장 AI 학습 혁신

퓨샷 러닝(FSL) 기법 활용...데이터 라벨링 비용과 AI 도입 시간↓
공공-현장 데이터 결합해 성능 개선...정확도 91.62% '눈길'

권태혁 기자 | 2025.08.25 15:59

김현수 단국대 건축학부 교수(왼쪽)와 홍성국 박사과정./사진제공=단국대

단국대학교는 최근 김현수 건축학부 교수 연구팀이 건설 현장 효율성과 안전 관리에 필요한 데이터를 확보하기 위해 새로운 인공지능(AI) 학습 모델을 제시했다고 25일 밝혔다.

건설 현장에서는 자원 배분의 최적화와 안전 관리 절차가 필수적이다. 이를 위해 AI 기반 안전 관리 시스템이 도입되고 있지만 AI 성능 고도화를 위한 데이터 확보에는 한계가 있었다.

김 교수팀은 이를 해결하기 위해 '퓨샷 러닝'(FSL, Few-Shot Learning) 기법을 활용, 소량의 데이터만으로도 AI가 건설 장비 인식 모델을 학습할 수 있는 환경을 만들었다.

연구팀은 공공 데이터와 현장에서 직접 수집한 특화 데이터를 결합해 실험했다. 그 결과, 공공 데이터만 활용했을 때보다 현장 특화 데이터를 함께 적용했을 때 모델 성능이 크게 향상되는 것을 확인했다.

특히 공공 데이터와 웹 기반 건설 데이터를 결합한 FSL 모델(tiered+WC)은 단 30개의 예시 조건에서도 91.62%의 정확도를 기록했다. 데이터의 양을 늘리는 것보다 현장 특화 데이터를 활용하는 편이 성능 개선의 핵심임을 입증한 셈이다.

김 교수와 홍성국 박사과정은 "이번 연구를 통해 건설 현장에 최적화된 AI 학습 방식을 제안했다. AI 도입 시간을 단축하고 데이터 라벨링 비용을 크게 절감할 수 있을 것"이라며 "향후 건설 자동화 기술 발전과 안전성 향상에 기여하길 바란다"고 말했다.

한편 연구 결과는 '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)라는 제목으로 건설·자동화 분야 국제학술지 'Automation in Construction'(IF=11.5) 2025년 10월호 게재 예정이다.