AI 건설 검사 시스템의 실무적 설계와 검증 프로세스

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

AI 기반 건설 검사 시스템은 단순히 결함을 탐지하는 것을 넘어, 프로젝트 명세와 표준 규정에 근거한 구체적인 참조를 결함 보고서에 첨부함으로써 현장에서의 신뢰성을 확보한다. 공종별 특화 에이전트를 배치하여 일반 모델의 '조용한 실패'를 방지하고 책임 소재를 명확히 하며, LangGraph와 PostgreSQL을 활용한 체크포인트 기반 워크플로우를 통해 안정적인 검증 과정을 구축했다. 관리자의 최종 확인을 거치는 검증 게이트는 법적 책임을 보장하고 프롬프트 개선을 위한 고품질 데이터를 제공한다. 기업별 템플릿을 활용한 자동 보고서 생성과 이메일 기반의 직접적인 소통 방식은 현장 실무자가 별도의 시스템 학습 없이 즉각적으로 결함을 조치할 수 있도록 지원한다.

섹션별 상세

건설 현장 검사에서 AI가 생성한 결함 보고서가 현장에서 거부되는 주된 이유는 근거 부족이다. 단순히 결함을 지적하는 것은 의견에 불과하며, 계약자들은 프로젝트 명세나 표준 규정에 근거한 구체적인 참조를 요구한다. Moonraker Inspector는 모든 결함 발견 시 해당 프로젝트의 도면, 규정, 표준을 검색하여 근거를 첨부함으로써 보고서의 방어력을 확보한다.

분석 효율과 책임 소재를 위해 전체를 하나의 프롬프트로 처리하지 않고, 배관, 전기, 마감 등 각 공종별로 특화된 에이전트를 배치한다. 이는 일반적인 모델이 시각적으로 두드러진 결함만 보고하고 나머지를 놓치는 '조용한 실패'를 방지하며, 발견된 결함의 책임자를 분석 즉시 특정할 수 있게 한다.

기술적으로는 LangGraph를 사용하여 검사 과정을 체크포인트 기반의 워크플로우로 관리한다. PostgreSQL의 pgvector를 활용한 하이브리드 검색을 통해 정확한 조항 번호와 표준 코드를 찾으며, 특히 문서 개정판 필터를 적용하여 구버전 규정을 인용하는 오류를 방지한다.

sql

SELECT chunk_id, content, source_ref
FROM doc_chunks
WHERE project_id = $1
AND trade = $2
AND is_current_revision
AND effective_date <= $3
ORDER BY embedding <=> $4
LIMIT 8;

문서 개정판 필터를 적용하여 최신 규정만 검색하도록 제한하는 SQL 쿼리

시스템의 핵심은 사람의 검증 단계이다. AI가 생성한 모든 결함은 보고서 발송 전 관리자의 확인을 거치며, 이 과정에서 수집된 거부 데이터는 프롬프트 개선을 위한 가장 귀중한 평가 지표로 활용된다. 이는 AI가 단순한 자동화 도구를 넘어 법적 책임을 질 수 있는 실무 도구로 작동하게 한다.

python

from langgraph.types import interrupt, Command
from langgraph.checkpoint.postgres import PostgresSaver
def verification_gate(state: InspectionState) -> dict:
    decisions = interrupt({
        "findings": [f.model_dump() for f in state["findings"]],
        "action": "confirm_reject_or_edit",
    })
    kept = [f for f, d in zip(state["findings"], decisions) if d["keep"]]
    return {"verified": kept, "rejections": [d for d in decisions if not d["keep"]]}

LangGraph의 interrupt 기능을 활용한 관리자 검증 게이트 구현

보고서 생성은 모델이 직접 문서를 작성하는 대신, 기업별로 정의된 템플릿의 슬롯을 채우는 방식을 택한다. 이는 건설사가 기존에 사용하던 양식을 그대로 유지하면서도, 결함 내용과 근거 조항만 정확히 삽입하여 현장 실무자가 별도의 대시보드 로그인 없이 이메일만으로 즉각적인 조치를 취할 수 있도록 설계되었다.

용어 해설

검색 증강 생성(RAG): — 외부 문서(프로젝트 명세, 표준)를 검색하여 모델의 답변에 근거를 제공하는 기술. 건설 검사에서 결함의 근거를 명시하는 데 필수적임.
에이전트 워크플로우(Agentic Workflow): — 특정 작업(예: 배관, 전기)에 특화된 에이전트를 배치하여 정확도를 높이고 책임 소재를 명확히 하는 설계 방식.
근거 확보(Grounding): — 모델의 출력이 실제 프로젝트 문서나 규정 등 신뢰할 수 있는 데이터에 기반하도록 연결하는 과정.
인간 개입(Human-in-the-loop): — AI가 생성한 결과를 사람이 최종 확인·수정·승인하여 시스템의 신뢰성과 법적 책임을 보장하는 단계.

기술

LangGraph
FastAPI
Dramatiq
PostgreSQL
pgvector
Pydantic

활용 사례

Construction defect inspection
Automated report generation
Subcontractor communication