자연재해 현장에 투입된 엔지니어들은 복구 계획을 세우기에 앞서 방대한 양의 시각 자료를 일일이 분석하고 정리해야 하는 번거로운 과정을 거쳐야 한다. 기존의 AI 기술도 균열이나 구조적 결함을 식별하는 데 오랫동안 활용되어 왔으나, 그 결과물이 단순한 손상 라벨이나 좌표 데이터처럼 파편화된 형태로 제공된다는 한계가 있었다. 이에 칼리드 M. 모살람(Khalid M. Mosalam) 교수가 포함된 연구팀은 가공되지 않은 시각적 증거를 사람이 읽기 쉬운 종합 보고서로 변환하여 이러한 간극을 메워주는 LLM-DRS 프레임워크를 선보였다.

이 프로세스는 이미지 데이터와 위치, 구조적 이력 등의 메타데이터를 결합한 표준화된 조사 계획에서 시작된다. 먼저 잘 훈련된 딥러닝 모델이 일종의 '눈' 역할을 수행하며 이미지를 스캔해 자재 유형과 손상 심각도 같은 구체적인 속성을 추출한다. 이후 정교한 프롬프트 엔지니어링 기술을 통해 추출된 개별 데이터 포인트들을 대규모 언어 모델에 입력하면, 개별 건물이나 피해 지역 전체에 대한 일관된 서사 형식의 정보로 합성되는 방식이다.

사이먼스 재단(Simons Foundation)의 지원으로 개발된 이 프레임워크는 생성형 AI가 구조 건전성 모니터링 주기를 얼마나 크게 가속할 수 있는지 잘 보여준다. 단순히 객체를 탐지하는 수준을 넘어 고차원적인 요약을 제공함으로써, 연구진은 재난 후 더 빠른 피해 평가가 가능한 길을 열었다는 평가를 받는다. 이러한 변화는 업무 과중에 시달리는 엔지니어들의 귀중한 시간을 절약할 뿐만 아니라, 위기 상황에서 데이터에 기반한 신속한 의사결정을 가능케 하여 인프라 전반의 회복 탄력성을 높이는 데 기여한다.

자연재해 현장에 투입된 엔지니어들은 복구 계획을 세우기에 앞서 방대한 양의 시각 자료를 일일이 분석하고 정리해야 하는 번거로운 과정을 거쳐야 한다. 기존의 AI 기술도 균열이나 구조적 결함을 식별하는 데 오랫동안 활용되어 왔으나, 그 결과물이 단순한 손상 라벨이나 좌표 데이터처럼 파편화된 형태로 제공된다는 한계가 있었다. 이에 칼리드 M. 모살람(Khalid M. Mosalam) 교수가 포함된 연구팀은 가공되지 않은 시각적 증거를 사람이 읽기 쉬운 종합 보고서로 변환하여 이러한 간극을 메워주는 LLM-DRS 프레임워크를 선보였다.

이 프로세스는 이미지 데이터와 위치, 구조적 이력 등의 메타데이터를 결합한 표준화된 조사 계획에서 시작된다. 먼저 잘 훈련된 딥러닝 모델이 일종의 '눈' 역할을 수행하며 이미지를 스캔해 자재 유형과 손상 심각도 같은 구체적인 속성을 추출한다. 이후 정교한 프롬프트 엔지니어링 기술을 통해 추출된 개별 데이터 포인트들을 대규모 언어 모델에 입력하면, 개별 건물이나 피해 지역 전체에 대한 일관된 서사 형식의 정보로 합성되는 방식이다.

사이먼스 재단(Simons Foundation)의 지원으로 개발된 이 프레임워크는 생성형 AI가 구조 건전성 모니터링 주기를 얼마나 크게 가속할 수 있는지 잘 보여준다. 단순히 객체를 탐지하는 수준을 넘어 고차원적인 요약을 제공함으로써, 연구진은 재난 후 더 빠른 피해 평가가 가능한 길을 열었다는 평가를 받는다. 이러한 변화는 업무 과중에 시달리는 엔지니어들의 귀중한 시간을 절약할 뿐만 아니라, 위기 상황에서 데이터에 기반한 신속한 의사결정을 가능케 하여 인프라 전반의 회복 탄력성을 높이는 데 기여한다.