도시기본계획에서 거대 언어모델의 도입 가능성에 관한 연구 = Adopting the Large Language Model in the Development of the Urban Comprehensive Plan

국문 초록 (Abstract)

이 논문은 인공지능, 특히 거대 언어모델(Large Language Models, LLM)을 활용하여 도시기본계획을 수립하는 인공지능 시 스템을 개발하고 그 품질을 여러 가지 모델과 비교 및 검증함으로 써 인공지능 시스템의 유용성을 확인하는 연구이다. 이 연구는 거 대 언어모델을 도시기본계획에 적용할 가능성을 탐색하고 비인간 참여자로서의 인공지능이 계획수립 과정에 참여할 수 있는지 가능성 을 모색한다. 도시계획 환경의 변화는 계획 스타일의 변화를 이끌어왔다. 1920년대 종합계획(comprehensive plan)이 본격적으로 도입된 이후 합리적 종합적 계획(rational comprehensive planning)이 계획수립 방법에 주류로 자리 잡았다. 1960년대는 사회‧정치 환경의 변화에 따라 물리적 하향식 청사진 계획에서 과정 중심의 정책계획(policy plan)으로 보완되었다. 1980년대 미국과 영국을 중심으로 신자유주 의 정부가 집권하면서 공공계획에 민간의 전략계획(strategy plan) 이 시도되기 시작했다. 이처럼 계획환경의 변화는 계획 스타일의 변화를 초래했으며, 2006년 심층신경망(deep neural networks)과 2017년 트랜스포머 아키텍처의 발표 이후 인공지능의 급격한 발전 은 계획수립에 있어 도시계획가들에게 도전이자 새로운 기회가 되 고 있다. 본 연구에서는 거대 언어모델을 통해 정책계획 및 전략계획의 형식으로 도시기본계획을 작성하고, 이 인공지능의 장단점을 분석 하여 이를 활용하는 계획가의 새로운 역할에 대해 논의한다. 또한, 영국의 수학자이자 논리학자인 앨런 튜링(A. Turing)이 고안한 튜 링테스트의 방법론에 기초하여 ‘인공지능이 계획안과 전문가의 계 획안을 구분할 수 없다면 이 인공지능은 계획수립에 있어 지능이 있다’고 판단할 수 있으므로 인공지능 시스템이 수립한 도시기본 계획과 인간 전문가가 만든 도시기본계획을 평가 항목별로 비교하 여 이 인공지능의 성능을 평가한다. 1981년 ‘도시계획법’의 개정 이후 40년 이상 수립되었으나 현실 적인 한계를 보이는 도시기본계획을 쉽고 효율적으로 수립할 수 있는 방법을 고안하였다. 규칙 기반(rule-based)의 전문가시스템과 학습 기반(learn-based)의 거대 언어모델, 기계학습 알고리즘을 토 대로 도시기본계획 수립 인공지능 시스템을 개발하였다. 이 시스 템은 미래상과 핵심 이슈를 도출하고 정책을 제시하며 구체적인 전략과 실행방안을 제안할 뿐만 아니라, 인간지능의 한계로 현실 에서는 제대로 수립되지 못한 합리적 종합계획으로서의 계획 품질 을 높일 수 있다. 본 연구의 의의는 다음과 같다. 첫째, 도시계획이라는 전문영역 에서 계획 지능(planning intelligence)을 인공적으로 구현한 시스 템을 개발하고, 이를 계획수립 실무에 즉시 적용할 수 있는 방법 을 제안하였다. 둘째, 인간의 제한적인 인지능력으로 인해 비판받 았던 합리적 종합계획의 질적 향상의 가능성을 재인식하였다. 셋 째, 인공지능 시스템을 계획과정에서 어떻게 활용하고, 도시계획가 는 어떠한 역할을 해야 하는지를 규명하였다. 인공지능의 장점과 한계를 확인하고 인간의 역할과 결합하여 효과적이고 효율적인 도 시계획 수립 방안을 모색하는데 이바지할 수 있다. 주요어 : 인공지능, 거대 언어모델, 도시기본계획, 튜링테스트 학 번 : 2020-36120

다국어 초록 (Multilingual Abstract)

This paper presents a study on the development of an AI system for creating urban comprehensive plans by utilizing Artificial Intelligence, particularly Large Language Models (LLMs). The research involves comparing and validating the quality of plans generated by different models to confirm the utility of the AI system. The study explores the potential of applying LLMs to urban comprehensive planning and examines the feasibility of AI participating in the planning process as a non-human participant. Changes in urban planning environments have led to shifts in planning styles. Since the comprehensive plan was introduced in the 1920s, rational comprehensive planning has become mainstream in planning methods. In the 1960s, with shifts in social and political environments, policy planning, which focuses on processes rather than physical, top-down blueprint planning, emerged. In the 1980s, with neoliberal governments in the US and UK, strategic planning by the private sector started being implemented in public planning. These environmental changes in planning have resulted in evolving styles, and the rapid advancement of AI, especially with deep neural networks in 2006 and the Transformer architecture in 2017, has presented both challenges and new opportunities for urban planners. This study creates urban comprehensive plans in the format of policy and strategic plans using LLMs, analyzing the strengths and weaknesses of the AI, and discussing the new roles of planners utilizing this technology. Furthermore, based on the methodology of the Turing Test designed by British mathematician and logician Alan Turing, the study evaluates the AI's performance by comparing urban comprehensive plans created by the AI with those made by human experts across various assessment criteria. If the AI-generated plans are indistinguishable from those of human experts, the AI is deemed to have intelligence in planning. The research devises a method to create urban comprehensive plans easily and efficiently, addressing the practical limitations seen in plans established over the past 40 years since the 1981 amendment of the 'Urban Planning Act.' An AI system for urban comprehensive planning was developed based on rule-based expert systems, learn-based LLMs, and machine learning algorithms. This system identifies future visions and key issues, proposes policies, suggests specific strategies and implementation plans, and enhances the quality of rational comprehensive plans, which have been challenging to establish due to human intelligence limitations. The significance of this study is as follows: First, it developed a system that artificially implements planning intelligence in the specialized field of urban planning and proposed a method for its immediate application in planning practice. Second, it re-evaluated the potential for qualitative improvement in rational comprehensive planning, previously criticized due to human cognitive limitations. Third, it identified how AI systems can be utilized in the planning process and what roles urban planners should play. By confirming the strengths and limitations of AI and combining it with human roles, the study contributes to seeking effective and efficient methods for urban comprehensive planning. Keywords: Artificial Intelligence, Large Language Model, Urban Comprehensive Plan, Turing-test. Student Number: 2020-36120

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1. 연구의 배경 및 목적 · 1
• 1.2. 연구의 범위 및 방법 · 4
• 1.2.1. 연구 범위 4
• 1.2.2. 연구 방법 및 절차 6
• 제 2 장 이론적 배경 9
• 2.1. 계획이론의 발전 9
• 2.1.1 합리적 종합계획 10
• 2.1.2. 정책계획 및 전략계획 12
• 2.2. 도시기본계획 수립 과정 · 16
• 2.2.1 도시기본계획의 역할 및 수립 원칙 16
• 2.2.2 도시기본계획의 수립 절차 · 20
• 2.2.3 도시기본계획의 구성 25
• 2.3. 인공지능 28
• 2.3.1. 인공지능과 응용분야의 발전 28
• 2.3.2. 전문가시스템 · 30
• 2.3.3. 거대 언어모델 33
• 2.3.4. 선행연구 검토 40
• 2.4. 튜링테스트의 원리와 타당성 · 46
• 2.4.1. 튜링테스트의 원리 47
• 2.4.2. 평가 방법으로서의 타당성 48
• 2.4.3. 튜링테스트를 활용한 연구 48
• 2.4.4. 소결 51
• 제 3 장 도시기본계획 인공지능 시스템 개발 52
• 3.1. 인공지능 시스템 구성 개요 · 52
• 3.1.1. 기본구조 · 52
• 3.1.2. 시스템 구성을 위한 요소 53
• 3.2. 모듈 개발 · 55
• 3.2.1. 개요 및 기초조사 결과 작성 55
• 3.2.2. 도시변화 진단 57
• 3.2.3. 기본구상 및 부문별 계획 수립 · 62
• 3.2.4. 공간구조 시각화 · 67
• 3.2.5. 토지이용계획 시각화 71
• 3.3. 계획수립 비용 비교 74
• 3.3.1. 소요비용 비교 74
• 3.2.2. 소요시간 비교 74
• 3.4. 예비조사 77
• 3.5. 소결 80
• 제 4 장 성능 평가 및 검증 방법론 · 82
• 4.1. 평가 방법론 개요 82
• 4.2. 튜링테스트 82
• 4.2.1. 검증설계 및 가설 · 83
• 4.2.2. 검증 절차 · 86
• 4.2.3. 설문 결과 · 89
• 4.3. 종합계획의 질적 평가 90
• 제 5 장 평가 및 검증 결과 해석 93
• 5.1. 튜링테스트 결과 · 93
• 5.1.1. 기술통계 93
• 5.1.2. ANOVA 95
• 5.1.3. 독립표본 t-test · 98
• 5.2. 종합계획의 질적 평가 결과 100
• 5.3. 소결 117
• 제 6 장 결론 및 논의 119
• 6.1. 연구의 요약 및 의의 119
• 6.2. 실무적 함의 ·121
• 6.3. 연구의 한계 및 추후 연구 방향 123
• 참고문헌 243
• Abstract 262
• 부 록
• [부록1] 인천도시기본계획 국토계획평가 기준안 126
• [부록2] 예비조사 질문지 128
• [부록3] 본 설문조사 질문지 131
• [부록4] 전문가시스템에 의해 수립된 도시기본계획 초안 · 139
• [부록5] 인공지능 시스템의 언어모델로서의 내적 평가 235