중고 건설기계 온라인 거래를 위한 사용자 중심 인공지능 플랫폼 설계 및 프로토타입 구현 = Design and prototype implementation of a user-centered artificial intelligence platform for online trading of used construction machinery

다국어 초록 (Multilingual Abstract)

This study aims to design, implement, and validate a user-centered platform integrated with artificial intelligence (AI) to mitigate information asymmetry and non-standardized transaction procedures in the used construction machinery market and to improve the user experience (UX), particularly for middle-aged users. Although the domestic used construction machinery market is large and centered on high-value assets, it faces challenges in establishing transaction trust due to a broker-centered distribution structure and the accumulation of unstructured data.
To ensure both technical completeness and user acceptance, this study adopts the Design Science Research (DSR) methodology to develop the system architecture. The proposed platform was implemented with a FastAPI-based backend server and a Flutter-based cross-platform mobile application. In addition, a relational database model using MariaDB was designed to support stable data management and scalability.
To standardize listing data, which is a core requirement of the platform, an image-based automatic registration system was developed. Equipment images captured by users are processed by a YOLOv9 object detection model to extract equipment regions, and the extracted regions are then fed into a ResNet18-based multi-head classifier to automatically identify equipment category, manufacturer, and model. The identified attributes are mapped to structured database fields, transforming unstructured data into standardized transaction information and minimizing manual input burden.
For advanced AI functionality, the price prediction engine was evaluated using a Random Forest regression model and an MLP (Multi-Layer Perceptron) deep learning model. Experimental results confirmed that the Random Forest model achieved a coefficient of determination of 0.98, providing an objective basis for predicting actual transaction prices. The recommendation module combines ALS (Alternating Least Squares) collaborative filtering based on user behavior logs (e.g., views and favorites) with a KoSimCSE-based hybrid recommendation to address data sparsity and cold-start issues. In addition, a Bandit algorithm was applied to incorporate real-time rewards and optimize exposure strategies for personalized listings. An AutoEncoder-based unsupervised learning model was also applied to detect abnormal trading patterns that deviate from typical price ranges, thereby enhancing transaction safety.
The UI/UX was designed in accordance with ISO 9241-210 user-centered design (UCD) principles. Along with a Mobile-First strategy, an explainability principle (Explainable AI, XAI) was incorporated to visualize the rationale behind AI decisions. Usability testing indicated that the SUS (System Usability Scale) score improved after system refinement and that feedback on AI recognition results and a simplified interface enhanced accessibility for middle-aged users.
The expected contributions of this study are as follows: (1) improving industrial data management efficiency through automated pipelines, (2) minimizing development and maintenance costs by leveraging an open-source-based technology stack, and (3) providing practical guidelines that can reduce information asymmetry, increase transaction success rates, and accelerate digital transformation in high-value industrial asset markets.

국문 초록 (Abstract)

본 연구는 중고 건설기계 거래 시장에서 발생하는 정보 비대칭성과 거래 절차의 비표준화 문제를 완화하고, 주요 이용자인 중장년층의 사용자 경험(UX)을 최적화하기 위해 인공지능(AI) 기술이 통합된 사용자 중심 플랫폼을 설계·구현·검증하는 데 목적이 있다. 국내 중고 건설기계 시장은 고가 자산 중심의 대규모 시장임에도 브로커 중심 유통 구조와 비정형 데이터 축적으로 인해 거래 신뢰 확보에 어려움이 존재한다.
이에 본 연구는 디자인 과학 연구(Design Science Research, DSR) 방법론을 적용하여 시스템 아키텍처를 구축하였다. 플랫폼은 FastAPI 기반 백엔드 서버와 Flutter 기반 크로스플랫폼 모바일 앱으로 구현되었으며, 데이터의 안정적 관리와 확장성을 위해 MariaDB 기반 관계형 데이터베이스 모델을 설계하였다.
플랫폼의 핵심인 데이터 표준화를 위해 이미지 기반 자동 등록 시스템을 구축하였다. 사용자가 촬영한 장비 이미지는 YOLOv9 객체 탐지 모델로 장비 객체 영역을 추출하고, 추출된 영역은 ResNet18 기반 Multi-head 분류기에 입력되어 장비 종류·제조사·모델 정보를 자동 식별한다. 식별 결과를 데이터베이스 정형 필드에 매칭함으로써 비정형 데이터를 표준화된 거래 정보로 변환하고 사용자 입력 부담을 최소화하였다.
인공지능 기능의 기술적 고도화 측면에서, 시세 예측 엔진은 Random Forest 회귀 모델과 MLP(Multi-Layer Perceptron) 딥러닝 모델을 적용하였으며, 실험 결과 Random Forest 모델이 결정계수 0.98의 성능으로 실거래가 예측의 객관적 기준을 제시함을 확인하였다. 추천 시스템은 사용자 행동 로그 기반 ALS(Alternating Least Squares) 협업 필터링, KoSimCSE 기반 Hybrid 추천, Bandit 알고리즘을 통합하여 개인화된 매물 노출을 구현하였다. 또한 AutoEncoder 기반 비지도 학습을 적용해 시세에서 벗어나는 비정상 패턴을 감지하는 이상거래 탐지 체계를 설계하여 거래 안전성을 강화하였다.
UI/UX 설계는 ISO 9241-210 기반 사용자 중심 설계(UCD) 원칙에 따라 수행되었고, Mobile-First 전략과 함께 AI 판단 근거를 시각화하는 설명 가능성(Explainable AI, XAI) 원칙을 반영하였다. 사용성 테스트 결과, 시스템 개선 후 SUS(System Usability Scale) 점수가 향상되었으며 AI 인식 결과 피드백과 간소화된 인터페이스가 중장년층의 접근성을 제고하는 것으로 나타났다.
본 연구의 기대효과는 다음과 같다. 첫째, 파이프라인 자동화를 통해 산업 데이터의 관리 효율성을 증대시켰다. 둘째, 오픈소스 기반 기술 스택으로 구축 및 유지보수 비용을 최소화하였다. 셋째, 정보 비대칭 완화를 통해 거래 성사율을 높이고 고가 산업재 거래 시장의 디지털 전환을 가속화할 수 있는 실증적 가이드라인을 제시하였다.

목차 (Table of Contents)

• 목차 ⅰ
• 그림 목록 ⅵ
• 표 목록 ⅶ
• 국문 초록 ⅷ
• 제 1 장 서 론 1
• 1.1 연구의 필요성 1
• 1.2 연구목적 2
• 1.3 연구 범위 및 방법 3
• 1.4 논문 구성 5
• 제 2 장 이론적 배경 및 선행 연구 6
• 2.1 건설기계 중고 거래 시장 특징 6
• 2.1.1 시장 규모 추정 6
• 2.1.2 고가 자산으로서의 장비 특수성 7
• 2.1.3 실거래 프로세스와 유통 구조의 특성 7
• 2.2 사용자 중심 설계 원칙 8
• 2.3 AI 기술 동향 9
• 2.4 기존 플랫폼 연구의 한계 10
• 2.4.1 주요 플랫폼 비교 분석 10
• 2.4.2 연구 공백 도출 11
• 제 3 장 요구사항 도출 및 설계 원칙 13
• 3.1 이해관계자 분석 13
• 3.1.1 사용자 유형 분류 13
• 3.1.2 페르소나 도출 13
• 3.1.3 시나리오 기반 Pain Point 분석 14
• 3.2 기능적·비기능적 요구사항 15
• 3.3 데이터 및 AI 요구사항 16
• 3.3.1 데이터 파이프라인 설계 16
• 3.3.2 레이블링 기준 및 품질 관리 16
• 3.3.3 ML Feature Store 및 학습 데이터 관리 16
• 3.3.4 모델 해석성(eXplainable AI, XAI) 17
• 3.4 설계원칙 17
• 3.4.1 모바일 우선(Mobile-First) 18
• 3.4.2 설명 가능성(Explainable) 18
• 3.4.3 개인정보 보호 중심(Privacy-Aware) 18
• 3.4.4 사용 장벽 최소화(Low Friction) 19
• 제 4 장 시스템 아키텍처 및 데이터 설계 20
• 4.1 전반적 아키텍처 20
• 4.1.1 시스템 구성 개요 20
• 4.1.2 주요 구성 요소 및 책임 21
• 4.1.3 데이터 흐름 및 연동 구조 21
• 4.1.4 아키텍처 설계 고려 사항 22
• 4.2 데이터 모델 23
• 4.2.1 데이터베이스 테이블 설계 23
• 4.2.2 테이블별 기능 설명 24
• 4.3 AI 학습/배포 파이프라인 25
• 4.3.1 주요 AI 활용 기술 26
• 4.3.2 전체 학습 및 배포 흐름 26
• 4.4 보안 및 개인정보 보호 설계 28
• 4.4.1 개인정보 수집 최소화 및 비식별화 28
• 4.4.2 전송 및 저장 시 보안 28
• 4.4.3 AI 모델 활용 시 데이터 보호 29
• 4.4.4 로그 및 모니터링 29
• 4.4.5 관련 법령 및 규정 준수 29
• 제 5 장 인공지능 기능 구현 30
• 5.1 이미지 기반 장비 분류 30
• 5.1.1 데이터셋 구축 30
• 5.1.2 모델 선택 및 학습 전략 31
• 5.1.3 Multi-head 분류 모델 구축 33
• 5.1.4 전이 학습 전략 34
• 5.1.5 성능 평가 35
• 5.2 시세 예측 기법별 성능 비교 36
• 5.2.1 시세 예측 엔진 아키텍처 36
• 5.2.2 베이스라인(감가율) 방식 37
• 5.2.3 머신러닝(랜덤포레스트 회귀) 38
• 5.2.4 딥러닝(MLP) 기반 예측 39
• 5.2.5 실험 설계 및 비교 방법 39
• 5.2.6 결론 및 실제 적용 41
• 5.3 사용자 맞춤 추천 41
• 5.3.1 협업 필터링 기반 ALS 추천 41
• 5.3.2 Hybrid LLM + Knowledge Graph 추천 42
• 5.3.3 강화학습 기반 Bandit 추천 실험 43
• 5.3.4 통합 구조 및 향후 계획 44
• 5.4 이상거래 탐지 45
• 5.4.1 AutoEncoder 기반 이상거래 탐지 모델 설계 45
• 5.4.2 이상거래 탐지 실험 결과 46
• 5.5 모델 해석·설명 48
• 5.5.1 이미지 기반 장비 분류 모델의 해석 가능성 48
• 5.5.2 시세 예측 모델의 해석 가능성 48
• 5.5.3 이상거래 탐지 모델의 해석 가능성 49
• 5.5.4 사용자 맞춤 추천 모델의 해석 가능성 49
• 5.5.5 종합 요약: 해석 가능성 비교 50
• 제 6 장 프로토타입 구현 및 UI/UX 평가 51
• 6.1 구현 환경 51
• 6.2 사용성 테스트 52
• 6.2.1 시나리오 기반 테스트 및 Think-Aloud 기법 52
• 6.2.2 정량적 평가 결과(SUS, UEQ, SEQ) 53
• 6.3 UX 개선 반복 55
• 6.3.1 문제 로그 및 개선안 요약 55
• 6.3.2 개선 전후 SUS 점수 변화 56
• 6.3.3 점수 변화 시각화 59
• 제 7 장 성능 평가 및 결과분석 60
• 7.1 모델 성능 60
• 7.1.1 YOLOv9 성능 평가 60
• 7.1.2 Multi-Head 분류기 성능 평가 65
• 7.1.3 장비 시세 예측 모델 성능 평가 68
• 7.1.4 AI 추천 모델 성능 평가 71
• 7.2 시스템 성능 75
• 7.2.1 모델 추론 시간(Inference Time) 75
• 7.2.2 사용자 요청 응답 속도(API Response Time) 76
• 7.2.3 시스템 부하 및 안정성 77
• 7.2.4 시스템 통합 및 API 설계 효율성 77
• 7.3 경제성 78
• 7.3.1 개발 및 운영 비용 절감 78
• 7.3.2 인적 리소스 최소화 및 자동화 효과 79
• 7.3.3 기대 절감 효과 및 시장 경쟁력 79
• 7.3.4 장기적 확장성과 유지보수 효율 80
• 7.3.5 결론 80
• 제 8 장 결론 및 향후 연구 81
• 8.1 이론적 기여 81
• 8.1.1 UCD 기반 AI 설계 통합 프레임워크 제시 81
• 8.1.2 산업 특화 AI 모델링 구조화 81
• 8.1.3 AI 통합 플랫폼의 구현과 실증 82
• 8.1.4 결론 82
• 8.2 실무적 시사점 및 제한점 82
• 8.2.1 실무적 시사점 83
• 8.2.2 현실적 제약 및 제한점 83
• 8.2.3 결론 84
• 8.3 향후 확장 로드맵 제시 84
• 8.3.1 지능형 서비스의 확장 85
• 8.3.2 글로벌 및 다중 플랫폼 전략 85
• 8.3.3 기술 인프라의 고도화 86
• 8.3.4 결론 86
• 참고문헌 87
• Abstract 91