• 한국인터넷방송통신학회논문지
• /
• 제19권4호
• /
• pp.151-160
• /
• 2019

EPC 회사들이 해외에서 계속 사업을 운영하기 위해서는 위험이 더 이상 피할 수있는 것이 아니라 관리 대상이된다는 것이 점점 더 분명 해지고 있다. 입찰 단계에서 입찰 패키지 내의 요구 사항, 사양 및 프로젝트 광고 항목을 자세히 조사하여 비용 초과를 방지하기 위해 다양한 위험 요소를 분석해야한다. 그러나 막대한 양의 입찰 서류를 검토하는 것은 시간이 많이 걸리고 노동 집약적이며 쉬운 작업이 아니며 자동화 된 정보 기술이 도움이 될 수 있다. 이 연구에서는 짧은 시간에 방대한 양의 문서를보다 효과적으로 분석하고 적용 할 수있는 Watson AI 기반의 ITB 분석 모델을 구축하였다. AI 기반 ITB 위험 관리 모델 연구, 학습 절차 및 분석 대상 선택, 성능 평가 기준을 위한 Watson Explorer AI 아키텍처의 구성을 정의하고 시험 연구를 수행하기위한 테스트 베드를 구축하였다. 결과적으로 분석 시간 단축의 효과와 전문가의 결과 및 VOC 운영 품질을 확인하였다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제12권11호
• /
• pp.471-480
• /
• 2023

국내 건설수주 규모는 2013년 91.3조원에서 2021년 총 212조원으로 특히 민간부문에서 크게 성장하였다. 국내외 시장 규모가 성장하면서, EPC(Engineering, Procurement, Construction) 프로젝트의 규모와 복잡성이 더욱 증가되고, 이에 프로젝트 관리 및 ITB(Invitation to Bid) 문서의 위험 관리가 중요한 이슈가 되고 있다. EPC 프로젝트 발주 이후 입찰 절차에서 실제 건설 회사에게 부여되는 대응 시간은 한정적일 뿐만 아니라, 인력 및 비용의 문제로 ITB 문서 계약 조항의 모든 리스크를 검토하는데 매우 어려움이 있다. 기존 연구에서는 이와 같은 문제를 해결하고자 EPC 계약 문서의 위험 조항을 범주화하고, 이를 AI 기반으로 탐지하려는 시도가 있었으나, 이는 레이블링 데이터 활용의 한계와 클래스 불균형과 같은 데이터 측면의 문제로 실무에서 활용할 수 있는 수준의 지원 시스템으로 활용하기 어려운 상황이다. 따라서 본 연구는 기존 연구와 같이 위험 조항 자체를 정의하고 분류하는 것이 아니라, FIDIC Yellow 2017(국제 컨설팅엔지니어링 연맹 표준 계약 조건) 기준 계약 조항을 세부적으로 분류할 수 있는 AI 모델을 개발하고자 한다. 프로젝트의 규모, 유형에 따라서 세부적으로 검토해야 하는 계약 조항이 다를 수 있기 때문에 이와 같은 다중 텍스트 분류 기능이 필요하다. 본 연구는 다중 텍스트 분류 모델의 성능 고도화를 위해서 최근 텍스트 데이터의 컨텍스트를 효율적으로 학습할 수 있는 ELECTRA PLM(Pre-trained Language Model)을 사전학습 단계부터 개발하고, 해당 모델의 성능을 검증하기 위해서 총 4단계 실험을 진행했다. 실험 결과, 자체 개발한 ITB-ELECTRA 모델 및 Legal-BERT의 앙상블 버전이 57개 계약 조항 분류에서 가중 평균 F1-Score 기준 76%로 가장 우수한 성능을 달성했다.