RAG 기반 중·소규모 건설현장 위험성평가 자동화 = RAG-based automation of risk assessment for small and medium-sized construction sites

다국어 초록 (Multilingual Abstract)

The construction industry has a higher rate of safety accidents than other industries due to difficulties in safety management due to the complex production structure and the variable and poor working environment resulting from on-site production. In particular, the rate of accidental deaths occurring at small and medium-sized construction sites due to causes such as lack of professional manpower accounts for approximately 50% of the total. The government proposed a systematic method to reduce industrial accident deaths, and in particular, risk assessment was introduced as an effort to prevent safety accidents under the Occupational Safety and Health Act, and has been legally mandated with several revisions. However, there are several obstacles to effectively performing risk assessment. To understand this, we reviewed previous research on the effect of risk assessment application and the current government's risk assessment support site. In addition, in order to improve the problems that impede risk assessment, research and review of smart technology-based risk assessment automation was conducted, and although most of it contributed to the dependency on expert supervision and complexity in the process, there is still an additional need for experts to identify hazards and risk factors and establish safety measures. We identified limitations that required help. To solve these limitations, we established a method to apply the GPT model and RAG model, which are LLMs for natural language understanding and generation.
Through previous research, it has been confirmed that RAG can effectively improve problems such as poor quality of domain knowledge-related content generation with LLM models including GPT, illusion of generation results, and limitations in generating up-to-date information. In this study, the RAG model was used in risk assessment. An automation plan was established for construction domain work, identifying hazards and risk factors and establishing safety measures. This process largely consisted of four stages. First, the relevant data needed to identify harmful and risk factors and establish safety measures were collected, and each database was built and stored and managed. Second, a filter and search process was performed to efficiently extract relevant information from the database. Third, GPT is used to create hazards and risk factors based on content extracted from the database. And, based on the safety data retrieved in the previous step, safety measures tailored to each hazard and risk factor are created. Lastly, considering the consistency of result generation and the convenience of application for safety managers, a UI that meets the work classification standards of the field was constructed.
Using the model constructed in this study, the effectiveness and efficiency of this model were verified through evaluation by a safety manager with experience in construction sites using a case study of reinforced concrete construction where accidents frequently occur at construction sites. The results show that the constructed model is more efficient than existing risk assessments and is helpful in identifying hazards and risk factors and establishing safety measures. Although the identification of hazards and risk factors is similar to that of an expert, it was confirmed that there is still a need to improve quality in establishing safety measures. The model proposed in this study has the academic significance of increasing the scalability of future research in related fields by providing a new approach that has not been studied much in the field of construction industry safety management, and the limitation of the lack of professional safety managers at small and medium-sized construction sites hinders effective risk assessment. There is practical significance in improving this.

국문 초록 (Abstract)

RAG 기반 중·소규모 건설현장 위험성평가 자동화 전 아 여 건축공학과 광운대학교 대학원 건설산업은 복합적인 생산구조와 현장 생산에 따른 가변적이고 열악한 작업 환 경으로 인한 안전관리의 어려움으로 안전사고 발생비율이 타 산업보다 높다. 특히 전문인력 부족 등 원인으로 인한 중·소규모 건설현장에서 발생한 사고사망 비율은 약 전체 50%를 차지한다. 정부에서 산업의 사고사망을 감소하기 위한 제도적인 방법을 제안하였고 특히 산업안전보건법 중 안전사고를 사전 예방하기 위한 노력으로 위험성평가를 도입하였고 여러 차례의 개정과 동시에 법적 의무화하고 있다.
하지만 위험성평가를 효과적으로 수행하는 데는 여러 가지 저해요인이 있다. 이를파악하기 위해 위험성평가 적용 효과 관련 선행연구, 현행 정부에서의 위험성평가지원 사이트에 대해 검토하였다. 또한, 위험성평가 저애하는 문제점을 개선하기 위해 스마트기술 기반 위험성평가 자동화 연구고찰을 진행하였고 대부분 전문가 주관 의존성 및 프로세스에서의 복잡성에 기여하였지만, 유해·위험요인 파악 및 안전대책의 수립에 여전히 전문가의 추가적인 도움이 필요하다는 한계점을 확인하였다. 이러한 한계를 해결하기 위해, 자연어 이해와 생성의 LLM인 GPT 모델과RAG 모델 적용 방안을 구축하였다.
선행연구를 통해 RAG는 GPT를 포함한 LLM 모델 가진 도메인 지식관련 내용생성의 품질 저하, 생성 결과의 환각 및 최신 정보 생성 한계 등 문제점들을 효과적으로 개선할 수 있다는 것을 확인하였으며 본 연구에서 RAG 모델로 위험성평가에서의 유해·위험요인 도출 및 안전 대책의 수립 건설업 도메인 작업에 자동화 방안을 구축하였다. 이 과정은 크게 네 개의 단계로 구성되었다. 첫째, 유해·위험요인을 파악하고 안전 대책을 수립하는 데 필요한 관련 자료를 수집하여 각각의 데이터베이스를 구축하고 저장관리 하였다. 둘째, 데이터베이스에서 효율적으로 관련정보를 추출할 수 있는 필터 및 검색과정을 수행하였다. 셋째, 데이터베이스에서추출된 내용을 기반으로 GPT를 활용하여 유해·위험요인을 생성한다. 그리고, 앞단계에서 검색한 안전 데이터를 기반으로 각 유해·위험요인에 맞는 안전 대책을생성한다. 마지막으로, 결과 생성의 일관성 및 안전관리자의 적용 편이성을 고려하여 현장의 작업 분류기준에 맞는 UI를 구축하였다.
본 연구에서 구축한 모델을 사용하여 건설현장에서 사고가 자주 발생하고 있는철근 콘크리트 공사를 사례연구로 건설현장 경력 있는 안전관리자의 평가를 통해본 모델의 효과성과 효율성을 검증하였다. 결과는 구축한 모델이 기존 위험성평가보다 효율적이고, 유해·위험요인 파악과 안전 대책의 수립에 도움이 된다. 유해·위험요인 파악은 전문가 수준에 비슷하지만, 안전 대책의 수립에 아직 품질 향상할필요가 있다는 것을 확인하였다. 본 연구에서 제안한 모델은 건설업 안전관리 분야에서 많이 연구되지 않는 새로운 접근 방식을 제공하여 향후 관련 분야 연구의 확장성을 증대시켰다는 학술적 의의와 중·소규모 건설현장 전문 안전관리자 부족한한계점으로 효과적인 위험성평가에 저해하는 점을 개선하여 실무적 의의가 있다.

목차 (Table of Contents)

• 제 1장 서 론 1
• 1.1. 연구의 배경 및 목적 1
• 1.2. 연구의 범위 및 방법 4
• 제 2장 건설업 안전사고 및 안전관리 현황 7
• 2.1. 건설업 안전사고 현황 7
• 2.1.1. 건설업 안전사고 현황 7
• 2.1.2. 중소규모 건설현장 안전사고 현황 9
• 2.2. 건설현장 안전관리 현황 12
• 2.3. 위험성평가 16
• 2.3.1. 위험성평가 개요 및 방법 16
• 2.3.2. 위험성평가 선행연구 고찰 20
• 2.4. 소결 35
• 제 3장 LLM 및 RAG 36
• 3.1. LLM(Large Language Model) 개요 및 연구 동향 36
• 3.1.1. LLM 개요 36
• 3.1.2. LLM 연구 동향 40
• 3.2. RAG 개요 및 연구 동향 46
• 3.2.1. RAG 개요 47
• 3.2.2. RAG 연구 동향 49
• 3.3. RAG 활용 전략 52
• 3.4. 소결 53
• 제 4장 RAG 기반 위험성평가 자동화 55
• 4.1. 개요 55
• 4.2. RAG 기반 위험성평가 자동화 모델 설계 57
• 4.2.1. 데이터 수집 및 데이터베이스 구축 57
• 4.2.2. 정보 필터 및 검색 증강 63
• 4.2.3. 내용 생성 66
• 4.2.4. UI 구축 71
• 4.3. RAG 기반 위험성평가 모델 적용 및 검증 72
• 4.4. 소결 76
• 제 5장 결론 78
• 5.1. 연구의 결과 78
• 5.2. 연구의 의의 80
• 5.3. 연구의 한계 및 향후 연구 81
• 참 고 문 헌 84
• 부 록 88
• 부록 1. RAG 기반 위험성평가 자동화 모델 출력결과 평가 설문지 88