생성형 AI를 이용한 교통안전 데이터 접근성 확대: 공간적 자연어 질의를 위한 스키마 기반 프레임워크

NL 인터페이스와 GIS 기반 운송안전 데이터의 신뢰 가능하고 재현 가능한 상호작용이 필요하다. 제안된 스키마-기반 실행과 규칙 기반 검증 레이어는 해석 단계와 실행 단계 사이의 경계를 명확히 하여 재현성 및 감사추적성을 보장하고 공공부문 AI 거버넌스를 강화한다. 또한 현장의 학교·시의회·주민 단체 등 다양한 이해관계자들이 비전문적으로도 안전 데이터를 활용할 수 있도록 한다.

단계 1: 언어 모델은 NL 질의를 해석해 의도와 슬롯으로 구성된 초기의 비정형 시맨틱 프레임을 생성한다. 단계 2: Validation & Repair Layer가 프레임을 스키마에 맞춰 정규화하고 지리적 앵커를 확인한다. 단계 3: 정제된 프레임은 Typed DAG로 컴파일되어 PostGIS 데이터베이스에 결정론적으로 실행된다. 단계 4: 실행 결과는 맵/표로 산출되며, 모든 처리는 재현 가능하고 감사 가능하다. 이 구조는 NL 해석의 유연성과 실행의 엄밀성 사이에 경계를 두어 공공 부문에서의 신뢰성과 거버넌스를 뒷받침한다. 초기 아이디어의 출발점은 일반 NL 질의가 GIS 스키마의 요구사항을 충족하지 못하는 문제이며, 이 문제를 프레임-기반 해석과 규칙 기반 보정으로 해결한다. 기존의 비구조적 코드 생성/에이전트 실행 방식과 달리, 해석과 실행을 분리하여 공개된 데이터 스키마와 일치하는 실행 경로를 보장한다. 결과적으로 현장 적용에서의 재현성과 비교 가능성이 크게 향상되며, 지역 사회·지자체의 데이터 활용 장벽을 낮춘다.

1. 전체 접근 방식: NL 쿼리를 semantic frame으로 해석하고, Validation & Repair Layer를 거쳐 실행 가능한 그래프로 컴파일한 뒤 PostGIS에서 실행한다. 2) 핵심 메커니즘: six 엔티티 타입(Crash, Road, School, BusStop, Crosswalk, Town)과 각 엔티티의 필드를 정의하고, spatial_constraints, attribute_constraints, ranking으로 구성된 시맨틱 프레임 포맷을 사용한다. 3) 수학적/알고리즘적 기반: 프레임은 그래프 의존성으로 표현되며, 그래프 컴파일러는 데이터 의존성과 DAG의 비순환성을 검사한다. 4) 구현 세부사항: NL 해석은 Gemini 2.5 Flash 및 GPT-4o를 선택적으로 사용하며, 지리 Anchors는 geocoding/lookup으로 해결한다. 5) 학습/실험적 설정: Massachusetts 주 교통안전 데이터베이스를 기반으로 80개의 질의를 평가했고, 질의군(G1–G9)으로 구성하여 생산성을 측정했다. 6) 비교/차별점: NL 해석을 독립된 레이어로 두고, 실행은 스키마에 맞춰 결정론적으로 수행하여 재현성과 감사 가능성을 확보한다.

주요 벤치마크는 80개 NL 질의에서 모든 질의가 실행에 성공했고, 검증 프레임이 ground-truth와 일치했다. 9개 그룹의 평균 실행 시간은 18.6초였고, 최대 실행 시간은 178.8초(G7)였다. 검증 및 보정으로 23건(80건 중 29%)의 프레임이 수정되었으며, 그중 22건은 값 정규화(예: pedestrian↔Collision with pedestrian, 1km↔1000 m)로 인한 수정이었다. 추론 시간은 LLM 해석에 2–3초가 소요되며, 데이터베이스 연산이 나머지 시간을 차지한다. 그룹별 평균 시간은 G1 2.6초, G2 14.7초, G3 11.4초, G4 12.1초, G5 12.7초, G6 10.8초, G7 61.7초, G8 40.0초, G9 9.3초이다.

1. 시스템 아키텍처: NL 해석기(LLM) → semantic frame 생성 → Validation & Repair Layer → Typed DAG 컴파일 → PostGIS 질의 실행 → 맵/표/리포트 생성. 2) 수학/알고리즘: 프레임 구성 요소(targets, references, spatial_constraints, attribute_constraints, ranking)로 질의를 표현하고, 그래프 간선은 데이터 의존성을 나타낸다. 3) Prior work 대비 차별점: 실행에 앞서 엄격한 스키마 규격 검증과 정규화를 통해 비결정론적 Non-deterministic 출력을 차단하고, 실행 경로를 완전히 재현 가능하게 만든다. 4) 구현 및 세부사항: six 엔티티 타입과 기본 필드를 PostGIS 스키마에 매핑하고, 앵커 해상도 및 위치-공간 관계를 규칙 기반으로 보정한다. 5) 한계 및 거버넌스: 프레임 기반 실행은 재현성과 감사 가능성을 확보하지만, 질의의 모호성은 여전히 프롬프트 설계와 데이터 품질에 따라 달라진다. 6) 데이터/실험: 매사추세츠 주 안전 데이터베이스를 활용하며 crashes, roads, schools, busStops, crosswalks, towns의 6개 엔티티 타입을 다룬다.

NL 표현의 모호성으로 인한 의도 오해 가능성; 데이터 품질 및 스키마 격차에 따른 한계; 실행 로그의 해석과 기관별 관행에 따른 의사결정 차이