논문 상세보기
pp.257-267
최근 건축 구조공학 분야에서도 대규모 언어 모델(LLM)을 활용한 인공지능(AI) 기술 도입이 증가하고 있지만, 한국형 구조설계 기준과 같은 지역 특화 규정을 반영하지 못하거나 잘못된 정보를 제공하는 환각 현상 등 여러 한계를 보인다. 이를 극복할 수 있는 유 망한 기술로서 검색-증강 생성(RAG)이 제시되고 있으며, 본 논문에서는 한국 건축 구조공학 도메인에 특화된 RAG 시스템인 StructCPT를 개발하여 그 성능을 평가하였다. StructCPT는 한국어 기반 구조공학 지식베이스에서 질의에 적합한 정보를 실시간으로 추출하는 도메인 특화 검색기이며, 대조학습 기반의 MAXIM(Maximum Similarity Retrieval) 임베딩 기법을 이용하여 질의와 문서 간 최대 의미적 유사도를 학습한다. 실험 결과 StructCPT는 BM25, Contriever, SPECTER와 같은 기존 범용 검색 기법들 대비 정량적 평 가 지표에서 일관되고 유의미한 성능 향상을 보여주었다. 특히 구조공학 전문 용어 처리와 복합적 질의에 대한 검색 정확도 및 재현율 에서 월등히 높은 성과를 나타냈으며, 실제 구조공학 문제 적용에서도 높은 정확도를 달성하였다. 또한 검색 속도와 메모리 사용 측면 에서도 실무 적용에 적합한 효율성을 입증하였다. 본 연구는 구조공학 분야에 특화된 최초의 RAG 시스템 개발 사례로서, 향후 도면･ 이미지 등 멀티모달 정보와 지식그래프 통합을 통한 추가 발전 방향을 제시하며, 안전하고 신뢰할 수 있는 AI 기반 구조공학 의사결 정 지원의 기초를 마련하였다.
Recent advancements in the field of architectural structural engineering have increasingly integrated artificial intelligence (AI) technologies that employ large language models (LLMs). However, these technologies face notable limitations, such as failing to incorporate region-specific structural design standards (e.g., KDS) or producing inaccurate and hallucinatory information. Retrieval-augmented generation (RAG) has emerged as a viable approach to overcoming these challenges. This study proposes StructCPT, an RAG system tailored for the Korean architectural structural engineering domain, and evaluates its performance. StructCPT is a domain-adapted retriever that extracts pertinent information from a Korean-language structural engineering knowledge base in real-time. It leverages maximum similarity retrieval (MAXIM), a contrastive learning-based embedding technique designed to enhance semantic similarity between queries and documents. Experimental results show that StructCPT consistently and significantly outperforms conventional retrieval methods, including BM25, Contriever, and SPECTER, across key quantitative metrics (Recall@10, MRR, and Precision@10). Notably, substantial improvements were observed in handling specialized structural engineering terminology and syntactically complex queries, resulting in enhanced retrieval accuracy and recall. Furthermore, StructCPT demonstrated practical scalability in terms of retrieval speed and memory usage, confirming its applicability to real-world scenarios. This study represents the first implementation of an RAG system specifically customized for structural engineering. It also outlines future developments, including the integration of multimodal data (e.g., drawings, images) and the incorporation of knowledge graphs, thereby laying a foundational basis for safe and trustworthy AI-driven decision support in structural engineering.
1. 서 론
2. 관련 연구(Related Work)
2.1 구조공학 분야의 LLM 적용과 한계
2.2 검색-증강 생성(RAG)과 전문분야 검색기
3. StructCPT 검색 시스템 설계 (Methodology)
3.1 지식베이스 구축과 요구사항
3.2 StructCPT 검색기의 구조와 원리
3.3 MAXIM 대조학습 기법의 필요성
4. 성능 평가
4.1 실험 구성
4.2 결과 및 비교 분석
4.3 시스템 효율성과 적용 가능성
5. 결론 및 향후 연구
감사의 글
References
요 지
