이 블로그는 LG전자 ES사업부와 AWS Generative AI Innovation Center의 협업으로 작성되었습니다. 숙련된 엔지니어가 2-3일 걸리던 건물 도면 분석, AI가 10분 만에 완료한다면? LG전자 ES사업부는 상업용 건물을 위한 에너지 효율적인 공조 시스템과 Building Management Systems (BMS, 건물 관리 시스템)를 개발하는 글로벌 리더입니다. 실시간 모니터링과 에너지 최적화를 통해 건물 운영의 효율성을 극대화하는 것이 이들의 핵심 미션입니다. 직면한 […] ||
이 블로그는 LG전자 ES사업부와 AWS Generative AI Innovation Center의 협업으로 작성되었습니다.
숙련된 엔지니어가 2-3일 걸리던 건물 도면 분석, AI가 10분 만에 완료한다면? LG전자 ES사업부는 상업용 건물을 위한 에너지 효율적인 공조 시스템과 Building Management Systems (BMS, 건물 관리 시스템)를 개발하는 글로벌 리더입니다. 실시간 모니터링과 에너지 최적화를 통해 건물 운영의 효율성을 극대화하는 것이 이들의 핵심 미션입니다.
직면한 과제: 비구조화된 도면 데이터의 한계
BMS에서 설계도면(계통도)은 건물 제어 인프라의 핵심 구성요소입니다. 대부분의 계통도가 비구조화된 CAD 파일 (.dwg 혹은 .dxf) 형태로 존재하며, LG전자 ES사업부는 계통도로부터 내용을 분석해 구조화된 데이터 형태로 변환하기 위해 숙련된 엔지니어가 이를 수작업으로 진행해왔습니다. 아래의 예시에서 보다 자세히 설명 드리겠습니다.
왼쪽 초록색 박스 안에 있는 계통도에서, 줌인 되어 있는 노란색 박스 안에 있는 관제점(DI: Digital Input)의 기능(AL로 표시된 경보)과 그와 연결된 연결기기(DP 밑에 지그재그 모양인 필터)를 읽습니다. 여기서 핵심이 되는 관제점이란 BMS 시스템에서 건물 내 각종 장비를 모니터링하고 제어하는 접점이며, 본 과제에서는 네 가지 관제점(AI, AO, DI, DO: Analog Input/Output, Digital Input/Output)이 있습니다.
개별적인 관제점들을 분석해서 오른쪽과 같이 구조화된 테이블로 정리하는 것이, 앞서 언급한 수작업 업무입니다. (표의 여섯 번째 줄을 보시면 AHU-203-필터-경보가 노란 박스에 해당합니다.)
이를 자동화하기에는 세 가지 핵심 문제가 있었습니다:
1. 다양성
엔지니어링 회사마다 표준화가 부족하여 심볼, 레이아웃, 표기법이 천차만별입니다. 이로 인해 규칙 기반 자동화 접근 방식은 효과가 없었습니다.
예를 들어 관제점이 위의 예시와 같이 괄호 안에 있는 경우도 있고, 동그라미 안에 표기된 경우도 있습니다.
2. 암묵적 지식
공간 제약으로 모든 정보가 도면에 명시적으로 그려지지 않습니다. 숙련된 엔지니어는 “Supply Fan 뒤에는 차압 스위치가 반드시 존재해야 함”과 같은 도메인 지식으로 생략된 세부사항을 해석하는데, 이러한 인지 프로세스는 기존 AI로는 구현이 불가능했습니다.
위의 예시에서 지그재그 모양과 필터를 연결시키는 것은 계통도만 봐서는 할 수 없습니다. 다른 곳에서 정보를 가져와야 합니다.
3. 해상도 제약
대규모 건축 도면을 Vision Language Model에 한 번에 입력하면 너무 많은 정보가 있어서, AI가 작은 텍스트와 심볼 같은 중요한 세부사항을 인지 못하는 경우가 종종 발생합니다. 그래서 논리적/기능적 단위로 도면을 분할하는 것이 필요한데, 그러한 솔루션은 전무한 상황이었습니다.
위의 예시에서 계통도 내에 매우 많은 정보가 있는 것을 보실 수 있습니다. 이 경우 해상도 문제로 VLM이 세부 정보를 놓치거나 할루시네이션이 발생하는 경우가 종종 있습니다.
이러한 기술적 한계는 심각한 비즈니스 문제로 이어졌습니다. 숙련된 엔지니어가 하나의 건물에 대한 계통도들을 분석하는 데 2-3일이 소요되었습니다.
혁신적 해결책: Agentic Workflow로 전문가 수준의 자동화 실현
LG전자 ES 사업부는 AWS Generative AI