Construction and Application of an AI-Agent-Based Workflow for the Rapid Survey of Building Damage and Functionality

땅이 흔들릴 때, 도시가 직면하는 즉각적인 질문은 단순히 건물이 서 있느냐가 아니라, 그 건물을 여전히 사용할 수 있느냐 하는 것입니다. 병원은 벽과 보가 온전하여 구조적으로는 안전할지 모르지만, 의료 장비가 산산조각 나거나 배관 시스템이 끊어진다면 완전히 무용지물이 될 수 있습니다. 수십 년 동안 엔지니어들은 균열된 벽, 깨진 창문, 또는 휜 보와 같이 개별 부품을 살펴보며 건물을 평가해 왔습니다. 그들은 각 손상 부위에 등급을 매기지만, 이러한 접근 방식은 생존자들에게 가장 중요한 질문인 '내부의 방이 여전히 안전하고 기능적인가?'라는 질문에 답하는 데 종종 실패합니다. 벽이 갈라졌다는 사실을 아는 것과 병원 수술실을 사용할 수 없다는 사실을 아는 것 사이의 간극은 오랫동안 해결하기 어려운 문제였으며, 이는 흩어진 단서들을 모아 복잡한 그림을 완성해야 하는 인간 검사관의 주관적인 판단에 크게 의존해 왔습니다.

연구자 쉬 정(Xu Zheng)과 진 리우(Jin Liu)는 이 간극을 메우기 위한 새로운 방법으로, 지진 후 건물을 평가하는 전문 보조팀처럼 작동하는 디지털 워크플로를 제안했습니다. 하나의 컴퓨터 프로그램이 모든 것을 한꺼번에 처리하도록 하는 대신, 그들은 서로 다른 인공지능 에이전트들이 각자의 특정 업무를 맡아 협력하는 시스템을 구축했습니다. 한 에이전트는 지상에서 촬영된 사진을 보고 손상을 포착합니다. 다른 에이전트는 디지털 건축 법규 라이브러리를 참조하여 그 손상이 무엇을 의미하는지 이해합니다. 세 번째 에이전트는 확률 모델을 사용하여 단일 벽의 손상이 전체 방의 기능에 어떤 영향을 미치는지 파악합니다. 마지막으로 네 번째 에이전트는 이 모든 정보를 종합하여 명확하고 표준화된 보고서를 작성합니다. 이 시스템은 단순한 손상 횟수 집계를 넘어, 물리적인 균열과 파손된 파이프를 건물이 여전히 제 역할을 수행할 수 있는지에 대한 정밀한 평가로 변환하도록 설계되었습니다.

이 새로운 방법의 핵심은 관점의 전환에 있습니다. 전통적인 방식은 종 often 건물을 부품의 집합체로 취급하며, 가장 심한 손상이 최종 판결을 결정합니다. 만약 단 하나의 핵심 구성 요소라도 고장 나면, 다른 부분들이 제대로 작동하더라도 전체 시스템이 실패한 것으로 선언되곤 합니다. 연구자들은 이것이 너무 투박한 도구라고 주장합니다. 그들의 시스템에서 AI 에이전트들은 물리적 손상과 기능적 상실을 구분하기 위해 작동합니다. 그들은 건물의 서로 다른 부분들이 어떻게 상호 의존하는지를 매핑하는 네트워크를 사용합니다. 예를 들어, 병원 수술실의 경우 공기 여과 시스템, 가스 파이프라인, 그리고 의료 기기들이 모두 필수적입니다. 만약 벽에 약간의 균열이 생겼더라도 가스 라인이 온전하다면, 해당 방은 몇 가지 제한 사항이 있을 수는 있지만 여전히 사용 가능할 수 있습니다. 그러나 가스 라인이 끊어졌다면 벽이 완벽하더라도 그 방은 쓸모없게 됩니다. 시스템은 이러한 관계를 계산하여 단순한 합격 또는 불합격이 아닌 미묘한 차이를 담은 답변을 제공합니다.

이 아이디어를 테스트하기 위해, 연구팀은 병원 수술실을 포함한 현실적인 시나리오에 이 워크플로를 적용했습니다. 그들은 벽의 균열이나 천장의 변위와 같은 다양한 유형의 손상을 설명하는 사진과 데이터를 시스템에 입력했습니다. 시스템은 이러한 관찰 내용들을 자신의 에이전트 네트워크를 통해 추적했습니다. 인지 에이전트는 손상을 식별했고, 지식 에이전트는 이를 특정 건축 법규 규칙과 매칭했으며, 추론 에이전트는 방의 전반적인 기능에 미치는 영향을 계산했습니다. 한 구체적인 사례에서, 시스템은 벽이나 천장 같은 비구조적 부분들이 중간 정도의 손상을 입었지만, 핵심 의료 장비와 가스 시스템은 온전하다는 것을 발견했습니다. 워크플로는 해당 방이 기능이 저하되었으나 여전히 운용 가능하다는 결론을 내렸습니다. 이는 매우 중요한 구별입니다. 단순히 가장 심한 손상만을 살피는 더 단순한 방법이었다면 아마도 방을 완전히 사용할 수 없는 상태로 선언했을 것이며, 이는 결과적으로 불필요한 대피나 생명을 구할 수 있는 시설의 포기로 이어질 수 있었습니다.

연구진은 또한 손상이 더 심각해지는 경우를 탐구했습니다. 그들은 손상의 유형과 위치를 변경하며 시스템이 어떻게 반응하는지 확인하기 위해 일련의 시나리오를 실행했습니다. 그들은 천장 붕괴와 같은 비구조적 요소에 심각한 손상이 발생하면, 의료 장비가 괜찮더라도 방에 사람이 들어가는 것 자체가 위험할 수 있다는 점을 시스템이 정확히 식별해 낸다는 것을 발견했습니다. 반대로, 의료 가스 공급과 같은 단일 기능 시스템에 심각한 손상이 발생하면, 건물 구조가 완벽하더라도 해당 방을 본래 목적대로 사용할 수 없다는 점도 확인했습니다. 시스템은 이 두 가지 유형의 실패를 성공적으로 분리해 냈으며, 이는 건물의 능력이 단순히 총 손상량이 아니라 손상된 부품들의 특정 조합에 달려 있음을 보여주었습니다. 물리적으로 위험한 건물과 기능적으로 고장 난 건물을 구분할 수 있는 이 능력이 그들 연구의 주요 진전입니다.

이 워크플로의 핵심 특징 중 하나는 자신이 확신할 수 없을 때를 아는 능력입니다. 시스템은 증거가 불분명하거나 손상이 복잡한 경우를 표시하도록 설계되었습니다. AI 에이전트들이 증거가 불충분하거나 서로 다른 부분이 상충하는 결과를 낼 때, 시스템은 자동으로 멈추고 인간 전문가에게 도움을 요청합니다. 이는 기계와 인간 사이의 파트너십을 형성합니다. 기계는 수천 장의 사진을 스캔하고 이를 법규와 대조하는 일상적인 업무를 처리하고, 인간은 판단이 필요한 어려운 경우에만 개입합니다. 이 접근 방식은 대부분의 시나리오를 자동으로 처리하면서도 가장 중요한 결정은 사람이 검토하도록 보장함으로써, 전체 평가 과정을 늦추지 않으면서 오류율을 낮게 유지하는 데 도움을 줍니다.

연구팀은 또한 이 새로운 방법을 기존의 더 전통적인 손상 평가 방식과 비교했습니다. 그들은 방의 어느 부분에서든 발견된 가장 심한 손상을 단순히 합산하는 기존 방식이 손실을 과대평가하는 경향이 있다는 것을 발견했습니다. 기존 방식은 방이 실제로 부분적인 손상만 입었음에도 불구하고 완전히 상실된 것으로 선언하곤 했습니다. 반면, 새로운 워크플로는 건물의 실제 역량에 대해 더 정확한 그림을 제공했습니다. 시스템은 벽에 균열이 생겼지만 의료 시스템은 작동하는 방과, 벽은 멀쩡하지만 가스 라인이 고장 난 방이 다르다는 것을 보여주었습니다. 이러한 수준의 상세함은 표준 체크리스트가 놓치기 쉬운 부분입니다. 연구진은 자신들의 시스템이 특정 결론에 도달하게 된 근거가 되는 구체적인 건축 법규와 증거를 인용하며, 왜 그러한 결정을 내렸는지 설명하는 상세하고 감사 가능한 보고서를 생성할 수 있음을 입증했습니다.

이러한 유망한 결과에도 불구하고, 연구진은 현재 작업의 한계를 주의 깊게 언급하고 있습니다. 이 시스템은 실제 사진과 전문가가 제공한 데이터를 혼합하여 테스트되었지만, 상황이 혼란스럽고 예측 불가능한 실제 재난 현장에 아직 배치되지는 않았습니다. 사진에서 손상을 식별하는 시스템의 부분은 효과적이긴 하지만, 특히 균열의 크기를 추정하거나 사진이 어려운 각도에서 찍혔을 때 여전히 실수를 범합니다. 연구진은 이 시스템이 현재 정식 공학 검사를 대체하기보다는, 엔지니어가 즉각적인 주의가 필요한 건물을 우선순위 정하는 데 도움을 주는 신속한 스크리닝 및 트리아지(triage, 환자 분류)를 위한 도구라고 인정합니다. 그들은 안전 결정에 대한 최종 책임은 항상 면허를 가진 인간 전문가에게 있어야 함을 강조합니다.

이 기술의 향후 과제는 AI가 손상을 더 정확하게 보고 측정하는 능력을 개선하고, 전 세계의 다양한 유형의 건물과 건축 법규를 다룰 수 있도록 확장하는 것입니다. 연구진은 더 다양한 이미지 세트로 시스템을 테스트하고, 불확실성을 처리하는 방식을 개선할 계획입니다. 또한 시스템을 건축 법규 업데이트 및 신입 엔지니어 교육 과정에 더 깊이 통합하는 것을 목표로 하고 있습니다. 궁극적인 목표는 지진 발생 후 혼란스러운 시간 동안 구조대원과 엔지니어가 어떤 건물이 들어가기에 안전하고 어떤 건물이 그렇지 않은지를 빠르게 판단할 수 있도록 돕는 도구를 만드는 것입니다. 복잡하고 주관적인 과정을 구조화된 증거 기반의 워크플로로 전환함으로써, 이 연구는 단순히 부서진 부품을 세는 것을 넘어 건물이 사람들을 위해 여전히 무엇을 할 수 있는지를 이해하는 방향으로 회복 탄력성에 대한 새로운 사고방식을 제시합니다.