건축·토목 분야의 생성 AI(ChatGPT·이미지 생성)의 활용 방법

ChatGPT 같은 대화형 AI와 Midjourney 같은 이미지 생성 등의 생성 AI(Generative AI)가 많은 주목을 받고 있으며, 사회와 업계를 크게 혁신할 것으로 기대되고 있습니다. 여기서는 부동산, 건설, 도시 계획 등 건축·토목 분야에 주목하여, 생성 AI의 지금까지의 역사와 AI의 최신 연구 및 서비스 사례를 바탕으로, 앞으로의 생성 AI 활용 방법의 예시를 제시하고자 합니다.

생성 AI란

생성 AI의 정의

생성 AI는 아직 초기 단계이기도 하여 정의의 표현이 조금씩 다릅니다. 다음은 주요 기업 및 연구 기관의 정의 예시입니다.

생성 AI는 신경망(Neural Network)이라고 불리는 시스템을 사용하여 데이터를 분석하고, 패턴을 찾으며, 그 패턴을 사용하여 텍스트, 사진, 비디오, 코드, 데이터 등의 새로운 산출물을 생성 또는 창작하는 AI의 범주를 말합니다.

생성 AI는 학습된 데이터를 바탕으로, 고품질의 텍스트나 이미지 등의 콘텐츠를 생성할 수 있는 딥러닝 모델을 말합니다.

생성 AI는 음성, 코드, 이미지, 텍스트, 시뮬레이션, 동영상 등의 새로운 콘텐츠를 만드는 데 사용할 수 있는 알고리즘(ChatGPT 등)을 말합니다.

요약하면

• 학습 데이터를 바탕으로

• 딥러닝을 활용하여

• 새로운 콘텐츠를 생성한다

는 점이 생성 AI의 정의의 핵심이라고 할 수 있습니다.

생성 AI의 역사

생성 AI는 자연 언어 처리와 컴퓨터 비전의 두 가지 주요 발전 흐름이 있습니다.

• 자연 언어 처리에서는 Hidden Markov Models (HMMs) (Knill & Young, 1997)와 Gaussian Mixture Models (GMMs) (Reynolds & Others, 2009)에서 시작되었으며, 이들 모델은 음성이나 시계열 같은 연속적인 데이터를 생성했습니다. 심층 학습의 등장 이후, 생성 모델의 성능이 대폭 향상되었으며, Recurrent neural networks(RNN)이 언어 모델링 작업에 도입되어 비교적 긴 의존성을 모델링할 수 있게 되었습니다. Transformer architecture (Vaswani et al., 2017)이 개발된 후, 이 모델이 GPT 등 그 이후의 다양한 생성 모델의 주요 백본이 되어 현재에 이르고 있습니다.

• 컴퓨터 비전에서는 Texture synthesis (Efros & Leung, 1999)와 Texture mapping (Heckbert, 1986)에서 시작되었으며, 이들 알고리즘은 수작업으로 설계된 특성량을 바탕으로 복잡하고 다양한 이미지를 생성하는 것이었지만, 대량 생성 능력에는 한계가 있었습니다. 2014년에는 Generative Adversarial Networks (GANs) (Goodfellow et al., 2020)와 Variational Autoencoders (VAEs) 등의 확산 생성 모델(Song & Ermon, 2019) 등의 기법도 개발되어, 이미지 생성 프로세스를 보다 세밀하게 제어하고 고품질의 이미지를 생성할 수 있게 되었으며, 그 후 Transformer architecture (Vaswani et al., 2017)를 컴퓨터 비전과 결합함으로써 이 개념을 더욱 발전시켜 이미지 기반의 출력을 가능하게 했습니다. 그리고 이를 통해 멀티모달 작업도 실현할 수 있게 되었습니다.

향후에는 생성의 정확도 향상과 입력 및 출력의 종류와 조합이 다양해지는 멀티모달화가 진행될 것으로 예상됩니다.

생성 AI의 종류

근래에 등장한 주요 생성 AI 모델을 입력과 생성 형식에 따라 분류한 것이 다음 도표와 같습니다 (Gozalo-Brizuela & Garrido-Merchan, 2023).
자연 언어 처리에 특화된 Transformer architecture (Vaswani et al., 2017)가 기반이 되는 것에서도 알 수 있듯이, 입력이 텍스트인 것이 많이 있습니다. 생성 형식으로는 텍스트, 이미지뿐만 아니라 3D, 영상, 음성, 프로그램 코드 등 다양합니다. 또한 Flaming과 VisualGPT 등은 이미지가 입력 형식이 됩니다.

건축·토목 분야의 생성 AI 활용 방법

건축·토목 분야에서 생성 AI가 어떻게 활용될 수 있는지 기술합니다. 먼저 그동안 AI가 건축·토목 분야에서 어떻게 활용되어 왔는지 개관한 후, 생성 AI의 활용 가능성에 대해 기술합니다. 건축·토목 분야를 계획·설계 프로세스, 시공 프로세스, 운영·유지관리 프로세스의 3가지로 나누어 설명합니다.

지금까지의 AI 활용 사례

자세한 내용은 이 글을 참고하시기 바랍니다.

계획·설계 프로세스

• 디자인 생성 및 에뮬레이션 (Huang & Zheng, 2018; Liu et al, 2017)

• 디자인 평가 (Lorenz et al., 2018; Y. Zhang et al., 2018)

• 구조 설계에서 구조물의 응답 및 성능 예측, 실험 데이터 해석, 구조 상태 모니터링 데이터의 패턴 인식 등 (Sun et al, 2021)

• 레이저 스캔 데이터에서 BIM 모델 생성 (Tang et al., 2010)

• BIM 로그를 분석하여 설계 생산성 개선 방법 검토 (Pan & Zhang, 2020)

시공 프로세스

• 프로젝트 재정 비용을 최소화하는 공정 작성 (Alavipour & Arditi, 2019)

• 안전화·안전모·작업복 등 보호구의 부적절한 사용, 위험 구역 노출, 낙상 위험, 안전 절차나 계획된 작업 흐름 미준수를 감지 (Fang et al., 2020)

• 제조 자동화 (Hatami Mohsen et al., 2019)

• 지원 벡터 머신(SVM)을 이용한 건설 단계의 물류 비용 예측 (Tian et al., 2009)

• 건물 에너지 소비량 예측 (Himeur et al., 2021; Wang & Srinivasan, 2017)

• 컴퓨터 비전을 이용한 건설 폐기물 자동 식별 (Kuritcyn et al., 2015)

운영·유지관리 프로세스

• 건축물, 교량, 터널, 도로, 하수도관 등 다양한 종류의 사회기반에 발생하는 결함이나 손상(균열, 박리, 부식, 구멍, 접합부 손상 등)을 자동으로 감지·평가 (C. Zhang et al., 2020)

• 건물 에너지 시스템(HVAC 등)의 고장을 감지·진단 (Y. Zhao et al, 2019)

• 건물의 경과 년수 예측 (Tooke et al., 2014)

• 스마트 그리드를 위한 전력 부하 예측 (Raza & Khosravi, 2015)

생성 AI의 활용 방법

위와 같이 지금까지 AI가 건축·토목 분야에서 어떻게 활용되어 왔는지를 바탕으로, 생성 AI의 활용 방법에 대해 기술합니다.

계획·설계 프로세스

• 면접 단계

  • 클라이언트나 행정기관과의 면담을 텍스트 데이터로 요약·추상화한다.

  • 클라이언트와의 면담을 바탕으로 견적서를 자동 출력한다.

• 문헌 조사 단계

  • 경쟁 입찰 프로젝트의 요청 자료에서 중요한 정보를 추출한다.

  • 건설 공사에 맞춤화된 대화형 모델로, 각 지역의 조닝 등 규제에 대해 AI에 질문할 수 있다.

• 설계 단계

  • 클라이언트와의 면담을 바탕으로 디자인 이미지를 자동 출력한다.

  • 디자인 이미지를 표시하고 관련 이미지를 여러 개 생성한다.

  • 3D 모델을 생성하여 BIM/CIM으로 임포트한다.

시공 프로세스

• 조달 단계

  • 지금까지의 견적서나 발주서 정보를 바탕으로, 새로운 견적서나 발주서를 작성할 수 있다.

• 시공 단계

  • 건설 공사에 맞춤화된 대화형 모델로, 공사 진행 방식 등 궁금한 점이 있으면 질문할 수 있다.

운영·유지관리 프로세스

• 모니터링 단계

  • 구조나 공조의 이미지를 입력하여 고장 진단(FDD) 보고서를 출력한다

• 유지관리 단계

  • 건물이나 구조물의 열화 진단 부분에 관한 이미지나 동영상을 입력하여 유지관리 보고서를 자동 작성한다

요약

생성 AI의 역사와 종류, 지금까지의 AI 활용 사례 등을 개관하고 생성 AI의 활용 방법을 검토했습니다. 본질적으로는 입력과 출력 사이에 있는 인간의 고도의 기술, 지식을 대체하는 것이라고 생각됩니다. 건축·토목 분야가 더욱 좋아짐을 통해, 사람들의 생활이 풍요로워지는 데 크게 기여하는 기술이 될 것으로 기대됩니다.

외부 데이터와의 연동이 가능한 LangChain이나 작업 자동화를 할 수 있는 AutoGPT 같은 확장 기능의 활용 방법에 대한 글도 참고하시기 바랍니다.

마지막으로 mign은 첨단 기술을 활용하여 건축·토목 분야의 세계 최초의 솔루션을 계속 만들어내며, 풍요로운 사회의 실현을 목표하고 있습니다. 현재는 생성 AI(ChatGPT·이미지 생성)에 초점을 맞추어 개발을 진행 중이며, 위의 관련 솔루션 개발을 대응할 수 있으니, 관심 있으신 분들은 편하게 연락주시기 바랍니다.

문의 양식(웹사이트)
https://www.mign.io/contacts/new

이메일 주소
contact@mign.io

건축·토목 분야 특화 ChatGPT 관련 솔루션의 보도자료
https://prtimes.jp/main/html/rd/p/000000020.000100410.html
https://prtimes.jp/main/html/rd/p/000000023.000100410.html

건축·토목 영역 특화 이미지 생성 AI 솔루션 보도자료
https://prtimes.jp/main/html/rd/p/000000013.000100410.html
https://prtimes.jp/main/html/rd/p/000000022.000100410.html

기타 보도자료
https://prtimes.jp/main/html/searchrlp/company_id/100410

참고문헌

• Alavipour, S. M. R., & Arditi, D. (2019). Time-cost tradeoff analysis with minimized project financing cost. Automation in Construction, 98, 110–121.

• Efros, A. A., & Leung, T. K. (1999). Texture synthesis by non-parametric sampling. Proceedings of the Seventh IEEE International Conference on Computer Vision, 2, 1033–1038 vol.2.

• Fang, W., Love, P. E. D., Luo, H., & Ding, L. (2020). Computer vision for behaviour-based safety in construction: A review and future directions. Advanced Engineering Informatics, 43, 100980.

• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139–144.

• Gozalo-Brizuela, R., & Garrido-Merchan, E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. In arXiv [cs.LG]. arXiv. http://arxiv.org/abs/2301.04655

• Hatami Mohsen, Flood Ian, Franz Bryan, & Zhang Xun. (2019). State-of-the-Art Review on the Applicability of AI Methods to Automated Construction Manufacturing. Journal of Computing in Civil Engineering, 368–375.

• Heckbert, P. S. (1986). Survey of Texture Mapping. IEEE Computer Graphics and Applications, 6(11), 56–67.

• Himeur, Y., Ghanem, K., Alsalemi, A., Bensaali, F., & Amira, A. (2021). Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives. Applied Energy, 287, 116601.

• Knill, K., & Young, S. (1997). Hidden Markov Models in Speech and Language Processing. In S. Young & G. Bloothooft (Eds.), Corpus-Based Methods in Language and Speech Processing (pp. 27–68). Springer Netherlands.

• Kuritcyn, P., Anding, K., Linß, E., & Latyev, S. M. (2015). Increasing the safety in recycling of construction and demolition waste by using supervised machine learning. Journal of Physics. Conference Series, 588, 012035.

• Lorenz, C.-L., Packianather, M., Spaeth, A., & Bleil De Souza, C. (2018). Artificial neural network-based modelling for daylight evaluations. SimAUD 2018, Delft, The Netherlands. https://orca.cardiff.ac.uk/id/eprint/112040/

• Martineau, K. (2023, April 20). What is generative AI? IBM Research Blog; IBM. https://research.ibm.com/blog/what-is-generative-AI

• McKinsey & Company. (2023, January 19). What is generative AI? McKinsey & Company. https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai

• Microsoft News Center. (2023, April 4). AI explained. Stories. https://news.microsoft.com/2023/04/04/ai-explained/

• Pan, Y., & Zhang, L. (2020). BIM log mining: Exploring design productivity characteristics. Automation in Construction, 109, 102997.

• Reynolds, D. A., & Others. (2009). Gaussian mixture models. Encyclopedia of Biometrics, 741(659-663). http://leap.ee.iisc.ac.in/sriram/teaching/MLSP_16/refs/GMM_Tutorial_Reynolds.pdf

• Song, Y., & Ermon, S. (2019). Generative modeling by estimating gradients of the data distribution. Advances in Neural Information Processing Systems, 32. https://proceedings.neurips.cc/paper/2019/hash/3001ef257407d5a371a96dcd947c7d93-Abstract.html

• Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques. Automation in Construction, 19(7), 829–843.

• Tian, J., Gao, M., & Zhou, S. (2009). The Research of Building Logistics Cost Forecast Based on Regression Support Vector Machine. 2009 International Conference on Computational Intelligence and Security, 1, 648–652.

• Tooke, T. R., Coops, N. C., & Webster, J. (2014). Predicting building ages from LiDAR data with random forests for building energy modeling. Energy and Buildings, 68, 603–610.

• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper/7181-attention-is-all

• Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808.

• Zhang, C., Chang, C.-C., & Jamshidi, M. (2020). Concrete bridge surface damage detection using a single‐stage detector. Computer-Aided Civil and Infrastructure Engineering, 35(4), 389–409.

• Zhang, Y., Burton, H. V., Sun, H., & Shokrabadi, M. (2018). A machine learning framework for assessing post-earthquake structural safety. Structural Safety, 72, 1–16.