🤖 AI

Data-driven and distributed governance of building facilities management using decentralized autonomous organization, digital twin, and large language models

본 논문은 전통적인 중앙집중식 접근법의 한계를 투명하고 안전하며 포용적인 의사결정을 가능하게 함으로써 극복하기 위해 탈중앙화 자율 조직 (DAO), 디지털 트윈, 대규모 언어 모델 (LLM), 그리고 블록체인 기술을 통합한 스마트 빌딩 시설 관리용 새로운 분산 거버넌스 프레임워크를 제안하고 평가한다.

원저자: Reachsak Ly, Alireza Shojaei, Xinghua Gao, Philip Agee, Abiola Akanmu

게시일 2026-05-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Reachsak Ly, Alireza Shojaei, Xinghua Gao, Philip Agee, Abiola Akanmu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 복합적인 생명체로 상상해 보세요. 전통적으로 이 생명체를 건강하게 유지하는 것 (청소, 난방, 냉방, 조명 수리) 은 환자들 (내부에서 일하는 사람들) 이 무엇을 필요로 하는지 묻지 않고 모든 결정을 내리는 단일하고 엄격한 수의사와 같습니다. 이 논문은 건물을 운영하는 새로운 급진적인 방식을 제안합니다: 초지능 컴퓨터 보조 도구를 활용하여 함께 결정을 내리는 민주적이고 디지털적인 의사 팀입니다.

다음은 이 논문이 간단한 비유를 사용하여 이 새로운 시스템을 어떻게 설명하는지입니다:

1. 문제: "독재자" 건물

현재 대부분의 건물은 중앙 집중식 관리 팀에 의해 운영됩니다. 논문은 이것이 온도와 조명, 유지보수 일정을 소수의 사람만이 결정하는 독재와 같다고 주장합니다.

위험: 중앙 컴퓨터가 해킹당하면 (사이버 공격과 같이) 건물 전체가 취약해집니다.
좌절: 실제로 건물에서 생활하고 일하는 사람들은 종종 무시당한다고 느낍니다. 그들의 요구가 반영되지 않아 거주자는 불만족하고 에너지는 낭비됩니다.

2. 해결책: "디지털 시청" (DAO)

저자들은 단일한 상사를 **탈중앙화 자율 조직 (DAO)**으로 대체할 것을 제안합니다.

비유: 이는 결코 문을 닫지 않는 디지털 시청 회의와 같습니다. 한 명의 관리자가 결정하는 대신, 건물에 이해관계가 있는 모든 사람 (소유주, 관리자, 세입자) 이 투표권을 가집니다.
작동 방식: 그들은 모든 투표와 결정을 기록하는 블록체인 (공개되고 변경 불가능한 일지 역할을 하는 디지털 장부) 을 사용합니다. 그룹이 결정을 내리면 자동으로 실행됩니다. "일지"가 잠겨 있고 투명하기 때문에 나중에 누군가가 은밀히 규칙을 변경할 수 없습니다.

3. 눈: "디지털 트윈"

좋은 결정을 내리기 위해 그룹은 건물 내부에서 실시간으로 일어나는 일을 볼 수 있어야 합니다.

비유: 실제 건물의 완벽한 3D 비디오 게임 복제본을 상상해 보세요. 이것이 디지털 트윈입니다.
기능: 건물의 실제 센서들 (온도, 습도, 방 안의 인원 수 측정) 이 이 디지털 복제본으로 데이터를 전송합니다. "시청"은 이 복제본을 통해 예를 들어 "302 호는 비어 있지만 에어컨이 최대 출력으로 돌아가고 있다"는 것을 확인할 수 있습니다.

4. 뇌: "슈퍼 보조원" (LLM)

데이터를 보는 것은 어렵습니다. 논문은 그룹을 위한 스마트 보조원 역할을 하는 **대규모 언어 모델 (LLM)**을 소개합니다.

비유: 이는 건물의 모든 매뉴얼과 데이터 로그를 읽은 초지능 사서와 같습니다.
도움 방법: 건물 관리자가 데이터 과학자가 될 필요 없이, 평범한 영어로 보조원에게 질문할 수 있습니다: "이 주에 에너지 요금이 왜 이렇게 높나요?" 또는 "로비의 온도 그래프를 보여주세요." 보조원은 디지털 트윈의 데이터를 분석하여 명확한 답변을 제공하거나 "밤에는 빈 회의실의 팬을 끄세요"와 같은 수정 방안을 제안합니다.

5. 모두 합치기: "풀스택 앱"

연구자들은 이 모든 요소를 연결하는 완전한 소프트웨어 애플리케이션 (DApp) 을 구축했습니다.

작업 흐름:
1. 실제 건물의 센서가 디지털 트윈과 통신합니다.
2. AI 보조원이 트윈의 데이터를 분석하여 그룹에게 "우리는 에너지를 낭비하고 있습니다"라고 알립니다.
3. DAO 구성원 (사람들) 이 로그인하여 데이터를 확인하고 새로운 규칙에 대해 투표합니다 (예: "오후 6 시 이후에 자동으로 불을 끄세요").
4. 투표가 통과되면 스마트 계약 (자동 실행되는 디지털 계약) 이 건물의 시스템에 명령을 자동으로 전송하여 불을 끕니다. 인간이 물리적으로 스위치를 켜거나 끌 필요가 없습니다.

6. 작동했나요? (테스트 드라이브)

팀은 버지니아 공대 (Bishop-Favrao 홀) 의 실제 건물에서 이 시스템을 테스트했습니다.

실험: 그들은 센서를 설치하고 디지털 트윈을 생성한 후, 소수의 사람들이 온도 설정 변경과 기기 끄기에 대해 투표하도록 했습니다.
결과:
- 사용성: 사람들은 시스템을 사용하기 쉬웠습니다 (표준 "사용성 테스트"에서 높은 점수 획득). 디지털 트윈은 시각적으로 이해하기 쉬워 가장 인기 있는 부분이었습니다.
- AI 성능: AI 보조원은 데이터를 분석하고 에너지 절약 아이디어를 제안하는 데 매우 뛰어났습니다 (골드 스탠다드 대비 92% 정확도 점수 획득).
- 비용: 테스트 네트워크에서 디지털 투표와 거래를 운영하는 비용은 상대적으로 저렴했습니다.
- 도전 과제: 전문가들은 아이디어는 훌륭하지만, 모든 사람이 규칙에 동의하도록 하는 것은 까다로울 수 있으며, 일부 사람들은 이중 확인 없이 AI 제안에 신뢰하는 것에 대해 여전히 회의적이라고 지적했습니다.

요약

간단히 말해, 이 논문은 건물의 디지털 복제본과 스마트 AI 보조원이 이끄는 그룹 투표에 기반하여 스스로 운영되는 건물의 청사진을 제시합니다. 이는 "한 명의 상사가 결정한다"는 방식에서 "모두가 함께 결정한다"는 방식으로 전환하여, 건물이 안전하고 효율적이며 내부 사람들의 요구를 실제로 충족하도록 기술을 활용합니다.

기술 요약: 데이터 기반 및 분산형 건물 시설 관리 거버넌스

문제 제기
전통적인 시설 관리 (FM) 는 운영 효율성을 향상시키지만, 중앙 집중식 조직 구조와 데이터 기반 접근 방식에 의존함으로써 상당한 취약점을 안고 있습니다. 여기에는 중앙 집중식 프로토콜로 인한 사이버 공격에 대한 취약성, 사전 정의된 규칙으로 훈련된 전통적인 AI 모델의 맥락 이해 부족, 그리고 의사 결정 과정에서 주요 이해관계자를 배제하는 거버넌스 구조가 포함됩니다. 기존 커뮤니티 기반 시설 관리 (CbFM) 프레임워크는 의사 결정을 분산화하려 시도하지만, 종종 신뢰성, 투명성, 데이터 무결성을 훼손하는 중앙 집중식 Web 2.0 기술에 의존합니다. 더 나아가, 대규모 언어 모델 (LLM) 을 블록체인, DAO 와 같은 분산형 기술 및 디지털 트윈과 통합하여 스마트 건물 거버넌스에 적용하는 것에 관한 문헌에서의 간극이 두드러집니다.

연구 방법론
본 연구는 새로운 풀스택 분산형 애플리케이션 (DApp) 을 개발하고 평가하기 위해 디자인 사이언스 연구 (DSR) 접근 방식을 채택합니다. 연구는 문제 식별, 목표 정의, 설계 및 개발, 시연, 평가, 그리고 커뮤니케이션이라는 여섯 가지 반복 단계를 따릅니다.

제안된 프레임워크는 네 가지 핵심 기술을 통합합니다:

분산형 자율 조직 (DAO): 투명한 집단 의사 결정을 가능하게 하기 위해 이더리움 스마트 컨트랙트 (OpenZeppelin 라이브러리 사용) 를 통해 구현됩니다. 시스템은 제안, 투표, 실행을 관리하기 위해 Governor 컨트랙트, Timelock 컨트랙트, 그리고 GovernanceToken 컨트랙트 (ERC-20 표준) 를 활용합니다.
디지털 트윈: 오토데스크 레빗 (Autodesk Revit) 과 Model Derivative API 를 사용하여 생성된 물리적 건물 (버지니아 공과대학교의 Bishop-Favrao 홀) 의 가상 표현입니다. 이는 IoT 센서 (온도, 습도, 조명, 가스, 점유율, 에너지) 로부터의 실시간 및 역사적 데이터를 시각화합니다.
대규모 언어 모델 (LLM): 로컬에 배포되고 양자화된 LLaMA 3 8B 모델 (llama.cpp 사용) 을 기반으로 하는 AI 가상 비서입니다. 이 에이전트는 자연어 쿼리를 처리하고, 시계열 IoT 데이터를 분석하며, 시각화를 생성하고, 의사 결정 지원 제안을 제공합니다.
블록체인 자동화: 스마트 컨트랙트는 환경적 쾌적성 임계값을 저장합니다. 파이썬 스크립트는 실시간 센서 데이터를 이러한 임계값과 비교하여 자동화된 건물 운영 (예: HVAC 또는 조명 조정) 또는 경고를 트리거합니다.

이 시스템은 프론트엔드에 React JS, 스마트 컨트랙트에 Solidity, 백엔드 로직 및 AI 추론에 Python 을 사용하여 풀스택 DApp 으로 개발되었습니다.

주요 기여
본 논문은 건물 시설 관리를 위해 생성형 AI, 디지털 트윈, 그리고 Web3 거버넌스를 결합한 새로운 오픈소스 프레임워크를 제시합니다. 구체적인 기여 사항은 다음과 같습니다:

통합 거버넌스 워크플로우: 디지털 트윈과 AI 분석으로부터의 데이터 통찰에 기반하여 시설 관리 정책을 제안, 투표, 실행하는 DAO 구성원들의 메커니즘.
AI 지원 거버넌스: 이해관계자가 자연어를 통해 복잡한 건물 데이터를 조회할 수 있게 하는 LLM 기반 에이전트의 통합으로, 원시 데이터와 실행 가능한 통찰 사이의 간극을 해소합니다.
분산형 자동화: 건물 자동화 임계값이 온체인에 저장되고 커뮤니티 합의에 따라 실행되는 개념 증명 시스템으로, 변경 불가능하고 투명한 운영 규칙을 보장합니다.
풀스택 프로토타입: DAO 거버넌스 플랫폼, 디지털 트윈 시각화, 그리고 AI 비서 간의 상호작용을 보여주는 기능적인 DApp.

결과 및 평가
시스템은 시나리오 기반 실험, 비용 분석, 사용성 테스트 (시스템 사용성 척도 - SUS), 그리고 전문가와의 반구조화 인터뷰를 통해 평가되었습니다.

기능성: 프로토타입은 IoT 데이터 수집, 디지털 트윈 시각화, AI 기반 데이터 분석 (에너지 비효율성 식별), 그리고 운영 임계값 (예: 온도 한도) 업데이트를 위한 DAO 기반 투표에 이르는 엔드 투 엔드 워크플로우를 성공적으로 시연했습니다.
AI 성능: "LLM-as-a-Judge" 프레임워크를 사용하여 AI 비서는 ChatGPT 가 생성한 기준 truth 와 비교하여 요약 및 에너지 절약 제안을 생성하는 데 평균 정확도 92% 및 관련성 **93%**를 달성했습니다.
사용성: 시스템은 긍정적인 SUS 점수를 받았습니다:
- 디지털 트윈: 82 ("우수" 등급).
- AI 비서: 79.6 ("양호" 등급).
- 분산형 거버넌스 플랫폼: 78.3 ("양호" 등급).
비용 및 확장성: Sepolia 테스트넷에서의 거래 비용은 작업당 $0.20 에서$ 1.88 사이였습니다. 확장성 분석에 따르면 이더리움은 처리량 한계가 있지만, DAO 투표의 분산된 특성으로 인해 동시 거래 병목 현상이 감소하는 것으로 나타났습니다. 로컬 LLM 배포는 초당 약 33.66 토큰을 처리하며 명령당 약 5 초의 지연 시간을 보였습니다.
전문가 피드백: 전문가들은 디지털 트윈과 AI 비서의 유용성을 각각 4.8/5 와 4.5/5 로 높게 평가했습니다. 거버넌스 플랫폼은 투표권 분배와 필요한 기술적 전문성에 대한 우려로 인해 유용성 평가가 상대적으로 낮았으나 (3.2/5), 포용적인 협력을 촉진한다는 점에서는 높게 평가되었습니다 (4.0/5).

의의 및 주장
저자들은 본 연구가 건물 인프라의 미래 의사 결정 지원 시스템을 위한 실현 가능한 오픈소스 템플릿을 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

간극 해소: 문헌에서 이전에 탐구되지 않았던 LLM 과 분산형 거버넌스 및 디지털 트윈의 통합 가능성을 시연합니다.
FM 의 민주화: 중앙 집중식, 상향식 시설 관리에서 투명하고 이해관계자가 포함된 모델로의 전환을 위한 기술적 경로를 제공합니다.
향상된 상호작용: LLM 이 자연어를 통해 복잡한 디지털 트윈 데이터를 접근 가능하게 함으로써 인간 - 건물 상호작용을 효과적으로 향상시킬 수 있음을 보여줍니다.
실용적 검증: 물리적 사례 연구와 엄격한 평가를 통해, 거래 비용, IoT 인프라 리트로핏, AI 상호작용 학습 곡선과 관련된 도전 과제에도 불구하고 이러한 분산형 프레임워크가 효과적으로 운영될 수 있음을 검증합니다.

본 논문은 변동성이 큰 암호화폐에 대한 의존성 (향후 작업을 위한 스테이블코인 제안), AI 를 위한 수동 데이터 업로드 요구 사항, 그리고 완전히 통합된 건물 자동화 시스템 대신 스마트 플러그의 현재 사용과 같은 한계를 겸손하게 인정하며 결론을 맺습니다. 이 연구는 더 자율적이고 사회적으로 포용적인 건물 관리로 나아가는 기초적인 단계로 위치 지어집니다.