AI 에이전트의 자율적 데이터 활용을 위한 공공 부동산 실거래 데이터 구조 개선 연구: 자기 기술 스키마와 다차원 분석 모델 정규화를 중심으로 = Improving Public Real Estate Transaction Data Structures for AI Agent-Based Analysis: Self-Describing Schemas and Multidimensional Data Model Normalization

국문 초록 (Abstract)

본 연구는 국토교통부 12개 부동산 실거래가 API의 구조적 문제를 AI 에이전트 관점에서 진단하고, 데이터베이스 정규화 및 자기 기술 메타데이터 내장을 통한 개선안을 제안한다. 현행 API는 비표준 데이터 형식, 거래 식별자 부재, 유형별 필드명 비통일, 기계판독 가능한 설명 정보의 부재 등의 문제로 AI 에이전트의 자율적 활용을 제약하고 있다. 약 5,690만 건의 거래 데이터를 정규화한 결과, 저장 크기가 28.1% 절감되었다. 4개 AI 모델(Claude Sonnet 4.6, GPT-5.4, Claude Haiku 4.5, GPT-5.4 mini)을 대상으로 30개 부동산 분석 질문에 대한 1,188회 벤치마크를 수행한 결과, 개선 데이터는 외부 안내 문서 없이 모든 모델에서 16~29%의 토큰 절감을 보였으며, 이 중 3개 모델에서 통계적으로 유의하였다(Wilcoxon 부호순위검정, p<.05). 절감 효과는 질문의 복잡도가 높을수록 증대되어, 구조화된 메타데이터가 복잡한 주택시장 분석에서 특히 효과적임을 실증하였다. 본 연구는 이러한 데이터 인프라의 개선이 주택시장 모니터링의 신속성 제고, 투기 감시 체계의 고도화, 정책 실무자의 데이터 접근성 향상에 기여할 수 있음을 논의한다.

다국어 초록 (Multilingual Abstract)

This paper examines the structural readiness of Korea’s public real estate transaction data for AI agent–based analysis. Unlike prior studies that focus on applying AI models to housing data, this study investigates how data infrastructure should be restructured to become “AI-ready.” A systematic analysis of 12 API endpoints provided by the Ministry of Land, Infrastructure and Transport identifies structural deficiencies—non-standard data formats, the absence of transaction identifiers, fragmented schemas, and the lack of machine-readable metadata—that fundamentally constrain AI agent–based analysis. To address these issues, a normalized multidimensional data model incorporating a self-describing schema is proposed. Reorganizing approximately 56.9 million transaction records from 2006 to 2025 reduces storage requirements by 28.1%. A large-scale AI agent benchmark using four models from two vendors (Claude Sonnet 4.6, GPT-5.4, Claude Haiku 4.5, and GPT-5.4 mini) to answer 30 real estate policy analysis questions demonstrates that the proposed data structure consistently reduces token consumption by 16–29% across all models, with statistical significance confirmed for three models (Wilcoxon signed-rank test, p < .05). The efficiency gains increase with question complexity and are more pronounced for lightweight models. These findings suggest that a self-describing schema and normalized multidimensional data model enable AI agents to autonomously analyze housing market data without external guide documents, thereby enhancing the accessibility and efficiency of housing market analysis for policy practitioners.