하이테크 산업 건설 단계의 AI 기반 의사결정 지원을 위한 정보 교환 및 관리 방안에 관한 연구

국문 초록 (Abstract)

본 연구는 하이테크 산업 건설 프로젝트의 구조적 문제인 데이터 단절과 활용 비효율을 해소하고, AI 기반 의사결정 지원을 가능하게 하는 통합 데이터 관리 방안을 제안하는 데 목적이 있다. 하이테크 산업은 전 단계에서 방대한 데이터가 생성되지만, 현행 EPC 수행 환경에서는 분절적 관리와 표준화 부족으로 인해 축적된 정보가 의사결정에 충분히 활용되지 못하는 한계가 지속되고 있다.

이에 본 연구는 문헌 및 사례 분석을 통해 Data Lake, Data Warehouse, Data Mesh를 융합한 ‘하이브리드 데이터 아키텍처’를 설계하였다. 이 구조는 BIM, 플랫폼, 레거시 시스템 등 이기종 데이터를 포괄적으로 수용하면서도, 도메인별 데이터 소유권과 품질 책임을 명확화하여 상호운용성을 확보하는 것을 핵심으로 한다.

또한 데이터 흐름을 5단계 프로세스로 재구성하였다. Ph.0의 원천 데이터 수집을 시작으로, Ph.1의 NLP 기반 정제·구조화, Ph.2의 도메인 주도 품질검증 및 제품화를 거쳐, Ph.3에서 AI 학습·추론을 통해 공정·비용·품질·안전 의사결정을 지원한다. 마지막으로 Ph.4에서는 그 결과를 운영 및 학습 데이터에 재반영하는 순환 구조를 완성하여 데이터의 신뢰성과 추적성을 보장한다.
본 연구는 데이터 아키텍처를 단순 저장소가 아닌 AI 의사결정 지원 체계로 확장하고, 도메인 중심의 거버넌스를 통해 실무적 대안을 제시했다는 데 의의가 있다. 다만 시뮬레이션 기반 검증의 한계가 존재하므로, 향후 실제 프로젝트 적용을 통한 실증과 보안 및 운영 체계 고도화 연구가 요구된다.

다국어 초록 (Multilingual Abstract)

This study addresses the structural challenges of data discontinuity and utilization inefficiency in high-tech industrial construction projects, aiming to propose an integrated data management framework that enables AI-based decision support. While high-tech industries generate vast amounts of data across all project phases, the current EPC execution environment suffers from fragmented management and a lack of standardization, limiting the effective use of accumulated information for decision-making.
To resolve these issues, this research designs a "Hybrid Data Architecture" integrating Data Lake, Data Warehouse, and Data Mesh concepts, based on a comprehensive review of literature and case studies. This architecture accommodates heterogeneous data—including outputs from BIM, digital platforms, and legacy systems—while ensuring interoperability by clarifying domain-level data ownership and quality accountability.
Furthermore, the project data flow is restructured into a five-phase process: Phase 0 collects raw data from diverse source systems; Phase 1 transforms data into analyzable formats using NLP-based cleansing and structuring modules; Phase 2performs domain-driven quality validation and productization to enhance standardization; Phase 3 supports critical decisions in schedule, cost, quality, and safety via AI training and inference; and Phase 4 completes a closed-loop cycle by reflecting outcomes back into operations and learning datasets. This process integrates data catalogs and governance mechanisms to ensure traceability and reliability.
This study contributes by extending the scope of data architecture from simple storage to an AI-enabled decision support system and by offering practical alternatives through domain-centric governance. However, as the validation was primarily limited to simulation-based verification, future research is required to empirically verify the framework through real-world project applications and to further advance security and operational governance systems.

목차 (Table of Contents)

• 제1장 서론 1
• 1. 연구 배경 및 목적 1
• 1) 연구배경 1
• (1) 반도체 사업의 특성 1
• (2) 정보관리의 중요성 5
• (3) 기존 시도의 한계성 10
• 2) 연구의 목적 및 한계 15
• (1) 연구의 목적 15
• (2) 연구의 한계 16
• 2. 연구의 범위 및 방법 18
• 1) 연구 범위 18
• 2) 연구 방법 20
• 제2장 정보관리 현황 및 핵심 문제 분석 22
• 1. 단계별 정보관리 현황 22
• 1) 기획단계 22
• 2) 설계단계 25
• 3) 시공단계 29
• 4) 사업관리 단계 32
• 2. 데이터 관리 및 연계상의 주요 문제점 분석 35
• 1) 시스템 간 연계 수준 35
• 2) 표준화 부재로 인한 데이터 단편화 37
• 3) 이중입력과 데이터 관리업무 부담 39
• 4) 데이터 축적 및 재활용의 문제 41
• 3. 문제의 원인 고찰 및 방향성 도출 43
• 제3장 데이터 기반 하이테크 건설 프로세스 검토 45
• 1. 데이터 기반 하이테크 건설 프로세스 45
• 2. 단계별 프로세스 개선 검토 47
• 1) 기획단계 47
• 2) 설계단계 50
• 3) 시공단계 51
• 4) 사업관리 단계 53
• 5) 단계별 프로세스 정의 및 검토 의의 55
• (1) 연구적 의의 55
• (2) 실무적 의의 56
• 제4장 하이브리드 데이터 아키텍쳐 및 연계 매커니즘 설계 58
• 1. 전체 구조 및 흐름 58
• 2. Ph-0 : Raw Data 통합 62
• 3. Ph-1 : 데이터 정제 및 구조화 65
• 1) 비정형 텍스트의 의미 추출과 정제 66
• 2) 참조 스키마 기반의 정합화와 표준화 67
• 3) 데이터 추출/변환, 인덱싱 67
• 4) 시스템 연계의 전제조건 68
• 5) 한계 및 운영관점의 필요성 68
• 4. Ph-2 : 도메인 기반 품질검증 단계 69
• 5. Ph-3 : AI학습 및 데이터 활용 72
• 제5장 제안 체계의 검증 및 적용성 분석 75
• 1. 검증 시나리오 설계 75
• 2. 전문가 평가 및 검증 결과 80
• 3. 실무자 설문 평가 및 결과 82
• 4. 결과 분석 및 종합 고찰 86
• 제 6장 결론 및 향후 연구 89
• 1. 연구 주요 성과 89
• 2. 연구 한계 및 향후 과제 90