1. 서 론
1.1 연구의 배경 및 목적
2. 문헌조사
2.1 건설분야 사고사례 데이터 활용 연구 사례
2.2 건설분야 지식그래프 활용 연구 사례
2.3 지식격차 및 연구 범위
3. 사고사례 데이터 기반 지식그래프 생성
3.1 사고사례 데이터 추출
3.2 사고사례 데이터 전처리
3.3 지식그래프 구축
4. 지식그래프 정보 추출 결과
4.1 지식그래프 정보 추출을 위한 쿼리 목록
4.2 지식그래프 쿼리 반환 결과
4.3 지식그래프의 각 노드 간 상관관계
5. 결 론
1. 서 론
1.1 연구의 배경 및 목적
1.1.1 연구의 배경
최근 데이터 기반 의사결정은 다양한 산업 분야에서 도입되고 있다. 이러한 접근 방식은 시장 동향 분석, 고객 요구 파악, 운영 효율성 최적화 등에 사용되며, 조직의 의사결정 문화를 변화시키고 있다. 건설업 또한 데이터 기반 접근 방식을 점점 도입하고 있으며, 다양한 공종과 분야가 엮여 있는 특성상 데이터 분석을 통해 사고 원인 파악과 예방 조치에 도움이 된다. 특히 안전관리 시스템의 도입과 개선에 데이터 기반 의사결정의 역할이 크다. 데이터 기반 접근 방식은 사고와 위험 요소를 사전에 예측하고 식별하는 데 활용할 수 있으며, 이를 통해 사고 발생 빈도를 줄이고 작업장의 안전성을 높일 수 있다. 따라서 복잡한 사고사례 데이터의 체계적인 분석을 통해 데이터 기반 지식그래프 구축은 사고 예방 및 대응 전략의 개선에 필수적이다.
현재 미국의 경우, 건설 사고 데이터는 주로 규제기관과 정부 데이터베이스에 보고되며, 산업 안전 보건 관리국(OSHA)과 같은 기관에서 사고 조사를 실시한다. 유럽연합에서는 각 회원국이 자국의 규정에 따라 건설 사고 데이터를 수집하고 이를 유럽 산업 안전 보건 기관(EU-OSHA)과 같은 상위 기관과 공유하여 분석한다. 중국 또한 건설 사고 데이터를 수집 및 분석하는데 주력을 기울이고 있다. 국내에서는 건설공사 안전관리 종합정보망(CSI)에 건설 사고 데이터를 업로드 및 관리하고 있다. 하지만 국내 뿐만 아니라 해외에서도 사고사례 데이터를 수집한 이후 별도의 데이터 가공을 하지 않고 있다. 특히 건설 분야의 사고사례 데이터와 같이 복잡한 데이터의 경우, 방대한 데이터 양과 복잡성 때문에 접근 및 활용이 어려운 상황이 지속되고 있다.
1.1.2 연구의 목적
이러한 배경에서, 본 연구는 지식그래프를 활용한 데이터 분석이 데이터 간의 복잡한 관계를 시각화하고, 심층적인 분석을 가능하게 함으로써 사고 원인 규명과 예방 전략 수립에 중요한 도구로 사용될 수 있음을 제안한다.
본 연구의 목적은 사고사례 데이터를 활용하여 지식그래프를 구축하고, 이를 통해 정보 탐색 및 분석의 효율성을 높이는 것이다. 이를 위해, 사고사례 데이터를 체계적으로 구조화하고 시각화 할 수 있는 방법론을 개발하고자 한다. 지식그래프를 통해 데이터 간의 복잡한 관계를 명확히 하여, 심층적인 사고 원인 분석과 예방 전략 수립이 가능하도록 하는 것이 주요 목표이다. 특히, 방대한 데이터 양을 효과적으로 처리하기 위해 최신 AI 모델 및 도구를 활용하여 지식그래프 구축 과정을 자동화하려고 한다. 현재 23, 877개의 사고사례 데이터를 보유하고 있지만, 시간이 지남에 따라 데이터의 양이 증가할 것으로 예상되므로 자동화된 방법론의 도입이 필요하다. 이를 통해 구축된 지식그래프의 실제 적용 가능성을 평가하고, 데이터 기반 의사결정의 효율성을 제고할 수 있는 구체적인 방법을 제시하고자 한다.
2. 문헌조사
2.1 건설분야 사고사례 데이터 활용 연구 사례
사고사례 데이터를 활용하여 연구한 사례는 과거부터 지속적으로 시행되어 왔다. 최근에는 지식그래프로 구축하여 데이터를 활용하는 사례 또한 늘어가고 있다. 하지만 사고사례 범위가 한정적이거나 정형화되지 않은 채로 재가공한 후 지식그래프로 구축되기도 하고, 사고사례 데이터의 양이 적어 많은 정보를 담아내지 못하는 경우도 있다.
대표적인 연구 사례로 Pan et al.(2022)와 Ben Abbes et al.(2022)를 들 수 있다. 이 두 연구는 사고사례 데이터를 활용한 대표적인 연구 사례이다.
Pan et al.(2022) 연구는 미국 OSHA(Occupational Safety and Health Administration) 웹사이트에서 수집한 7,629개의 사고 보고서를 바탕으로 진행되었다. 이 연구는 그래프 기반 딥러닝 프레임워크(GCN)를 사용하여 사고 보고서를 자동으로 분류하고, 사고 유형(accident_type)과 부상 유형(injury_type)을 식별하였다. 또한 TextRank 알고리즘을 사용하여 사고 보고서에서 고빈도 키워드를 추출하고, 사고 유형과 부상 유형 간의 관계를 직관적으로 이해할 수 있도록 코드 다이어그램을 활용하여 시각화하였다. 이 연구의 데이터 활용 목적은 자동화된 사고 원인 및 부상 효과 식별을 통해 현장 관리자들이 신속하고 정보에 입각한 결정을 내릴 수 있도록 지원하며, 데이터를 기반으로 한 지식 발견을 통해 현장의 안전성을 향상시키고 사고 예방을 위한 전략을 수립하는 것이다.
Ben Abbes et al.(2022) 연구는 ENGIE의 HIPO(High Potential Incident) 데이터베이스에서 약 32,500건의 사고 데이터를 활용하였다. 이 연구는 온톨로지와 자연어 처리(NLP) 기법을 사용하여 데이터베이스의 텍스트 데이터를 분석하고 주요 정보를 추출하여 지식그래프를 생성하였다. 도메인 전문가의 도움을 받아 FFH(Fall From Height) 위험에 대한 온톨로지를 개발하고 이를 데이터베이스에 적용하였다. 연구의 데이터 활용 목적은 데이터 분석을 통해 추락 사고의 원인을 식별하고 예방 조치를 제안하여 작업 현장의 안전성을 향상시키며, 지식그래프를 통해 사고 데이터를 구조화하고 이를 통해 다양한 수준의 추상화된 정보를 효과적으로 활용할 수 있도록 지원하는 것이다.
두 연구 사례는 사고사례 데이터를 효과적으로 활용하여 건설 현장의 안전 관리와 사고 예방에 기여하고 있으며, 지식그래프를 활용한 데이터 분석이 어떻게 현장 실무에 적용될 수 있는지를 잘 보여준다.
2.2 건설분야 지식그래프 활용 연구 사례
건설분야 지식그래프 활용 연구 사례를 살펴보면, 사고사례 데이터를 기반으로 한 범용적인 지식그래프 구축보다는 주로 건설 안전 분야별 제한적인 사고사례 데이터를 기반으로 하거나 일관되지 않은 데이터를 기반으로 한 지식그래프 구축 사례가 대부분이다. 대표적인 연구로는 Zhu and Luo(2022) 와 Jiang et al.(2021)의 연구가 있다.
Zhu and Luo(2022)의 연구는 건설 작업자의 안전 관리 자동화를 목표로 하는 지식그래프를 구축하였다. 이 연구에서는 안전 매뉴얼, 건설 현장 기록, 작업자 활동 로그와 같은 다양한 데이터 출처를 활용하였다. 지식그래프는 이러한 데이터를 통합하여 작업자들의 실시간 활동을 추적하고 안전 규정 준수 여부를 평가하며, 잠재적인 위험을 실시간으로 감지할 수 있도록 하였다. 이를 통해 작업자의 안전 관리가 개선되고 사고 발생이 감소하며, 안전 관리 프로세스의 효율성이 향상되었다.
Jiang et al.(2021)의 연구는 건설 안전 표준의 체계적인 관리와 적용을 위해 지식그래프를 활용하였다. 이 연구에서는 건설 안전 표준 및 규정, 산업 보고서 및 연구 논문, 현장 데이터를 활용하였다. 지식그래프를 통해 안전 표준과 규정을 체계적으로 조직하고 관리하며, 이를 통해 데이터의 구조화 및 시각화가 가능해졌다. 또한, 표준화된 지식 관리를 통해 현장에서의 안전 규정 준수 여부를 지속적으로 모니터링하고 위반 사례를 자동으로 감지하여 알림을 제공하였다.
두 연구는 건설분야에서 지식그래프의 활용 가능성과 그 효과를 보여주는 사례로, 데이터의 통합과 관리, 실시간 모니터링, 규정 준수 강화 등의 측면에서 지식그래프의 강점을 잘 활용하고 있다.
2.3 지식격차 및 연구 범위
현재까지 수행된 건설분야 사고사례 데이터 활용 연구들은 주로 사고사례 데이터를 수집, 분석, 시각화하여 사고 예방과 안전 관리에 활용하는 것을 목표로 하고 있다. 또한 건설분야 지식그래프 활용 연구들은 지식그래프를 구성하는 데이터를 제한적으로 사용하거나, 일관되지 않은 데이터를 기반으로 하여 지식그래프를 구축하는 것을 목표로 하고 있다. 그러나 기존 연구들에서 다음과 같은 지식격차가 존재한다.
기존 연구들은 기술적 한계와 데이터의 복잡성으로 인해 지식 그래프를 효과적으로 활용하지 못했다. 데이터의 양이 방대하고 구조가 복잡하여 수작업으로 처리하기 어려웠으며, 이를 자동화할 수 있는 기술도 부족했다. 또한, 데이터 형식의 일관성 부족과 누락된 정보로 인해 데이터 통합과 분석에 어려움이 있었다(Hofer et al., 2023). 이에 따라, 기존 연구들은 사고 사례 데이터의 양을 제한하거나 단일 출처의 데이터를 활용하여 연구를 진행하는 경향이 있었다. 그러나 이러한 접근 방식은 다양한 사고 유형을 충분히 포괄하지 못했다. 그리고 사고 사례 데이터를 정형화하지 않은 채 지식 그래프로 구축할 경우, 데이터의 일관성과 신뢰성이 떨어질 수 있다. 대부분의 연구는 특정 사고 유형이나 위험에 집중되어 있어, 다양한 사고 유형에 대한 종합적인 분석이 부족하며, 지식그래프를 활용한 정보 탐색 및 분석의 효율성 연구는 상대적으로 적은 편이다.
이러한 기존 연구의 한계를 보완하기 위해 다양하고 많은 사고사례 데이터를 통합하고 정형화하는 접근이 필요하다. 이를 통해 데이터의 일관성과 신뢰성을 확보할 수 있으며 보다 다양한 사고 유형을 포괄하는 종합적인 분석이 가능해진다. 특히, 자동화된 지식그래프 구축 방법론을 개발하여 대규모 데이터의 효과적 처리를 목표로 하며, 보다 정교한 사고 원인 분석과 예방 전략 수립이 가능하도록 한다. 이를 통해 지식그래프의 실제 적용 가능성을 평가하고, 기존의 사고사례 데이터 분석 방법과 비교하여 개선점을 도출할 것이다.
본 연구는 건설 공사 안전관리 종합정보망(CSI)의 사고 사례 데이터를 활용하여 지식그래프를 구축함으로써 이러한 지식격차를 해소하고자 한다. 연구의 범위는 CSI 데이터를 활용하여 사고 유형과 발생 원인을 포함한 다양한 차원에서 데이터를 분석하고 이를 기반으로 안전 조치와 정책 개발에 필요한 지식그래프를 설계하는 것이다. 그 결과 데이터의 체계적인 통합과 분석이 가능해지며, 사고 예방 및 대응 전략을 효과적으로 수립할 수 있는 기반을 마련하고자 한다.
3. 사고사례 데이터 기반 지식그래프 생성
사고사례 지식그래프 구축은 데이터 추출, 데이터 전처리, 지식그래프 구축의 순서로 진행된다. 데이터 추출 단계에서는 건설 공사 안전관리 종합정보망(CSI)에서 사고 사례 정보를 엑셀 파일로 추출하고, 데이터 전처리 단계에서는 사고 경위의 정보 분석을 진행한다. 지식그래프 구축 단계는 재가공된 데이터를 사용하여 Neo4j 지식그래프 데이터베이스를 구축하는 것으로 마무리한다.
3.1 사고사례 데이터 추출
사고사례 데이터는 건설공사 안전관리 종합정보망(CSI)에 기록되어 있는 다양한 사고사례로부터 추출되었으며, 각각의 사고 사례는 사고의 명칭, 발생한 날짜와 시간, 관련된 시설물의 종류, 사고의 유형 및 분류, 사고의 상세 경위, 원인 및 구체적인 원인 분석, 그리고 피해 상황에 대한 정보를 포함하고 있다. 데이터 추출 결과의 일부는 Table 1에서 확인할 수 있다.
3.2 사고사례 데이터 전처리
사고 경위에 관한 정보는 사고마다 문장 구성의 차이가 크고, 전통적인 자연어 처리 방식으로는 주어, 동사, 목적어 등의 구성요소를 명확히 파악하기 어려운 경우가 많다(Ma and Chen, 2024). 이러한 문제를 해결하기 위해, 본 연구에서는 GEMINI AI(Team et al., 2023) 모델의 API 키를 활용하여 사고 경위를 바르게 분석하고 이해하기 위한 새로운 접근법을 시도하였다(Naveed et al., 2023). 구체적으로는 사고 경위를 ‘사고 종류’, ‘사고 당시 수행되던 작업’, 그리고 ‘사고 발생 환경’의 세 가지 주요 요소로 구분하여 분석하였다. 분석한 결과 중 일부는 Table 2에서 확인할 수 있다.
Table 1.
Some of the results of extracting incident case data
Table 2.
Some of the incident history analysis findings
3.3 지식그래프 구축
본 연구에서는 Neo4j 플랫폼을 이용하여 지식 그래프를 구축하였다. Neo4j는 ACID 속성을 통해 데이터의 일관성과 안정성을 보장하며, Cypher 쿼리 언어를 통해 그래프 데이터를 쉽게 탐색하고 조작할 수 있도록 지원한다. 또한, 대규모 데이터셋에 대한 수평적 및 수직적 확장을 지원하여 최적화를 가능하게 한다(Miller, 2013).
사고사례 데이터 기반 지식그래프는 건설 사고 데이터를 체계적으로 구조화하여 표현한 모델이다. 상위 노드인 사고 노드는 전체 사고 사례의 핵심을 나타내며, 여기서부터 다양한 하위 노드로 세분화된다(Fig. 1).
사고 노드: 각 사고 사례의 고유한 식별자로, 사고의 개요를 담고 있다. 사고 노드는 추가적인 프로퍼티로 공정률, 조사방법, 안전관리계획 등의 정보를 포함한다.
사고 경위 노드: 사고의 상세한 배경을 설명하는 노드로, 사고의 종류, 당시 진행 중이던 작업, 그리고 환경 조건을 하위 노드로 가진다.
시설물 종류 및 공종, 사고객체 노드: 사고가 발생한 건설 현장의 특성을 나타낸다. 각각의 노드는 대분류, 중분류, 소분류로 세분화되어, 사고 관련 시설물과 작업의 세부 사항을 구체적으로 분류한다.
재발방지대책 노드: 해당 사고의 재발방지대책을 설명하는 노드로, 사고 원인 분석 결과에 따라 시행된 조치와 계획을 기술한다.
사고사례 지식그래프는 건설분야 사고사례 데이터의 핵심적인 측면을 중점적으로 구조화하였으며, 중요 노드와 해당 노드들이 가지고 있는 프로퍼티에 대해서만 세부적인 설명을 추가하였다. 그 외에도 다양한 보조적인 노드들과 프로퍼티가 존재한다.
사고사례 지식그래프 구축 과정에서 Python 코드를 사용하여 엑셀 파일에 정리된 건설 사고 정보를 Neo4j 데이터베이스로 자동화하여 업로드하는 방식을 채택했다. 엑셀 파일에는 위의 노드와 기타 정보를 모두 포함하고 있으며 Python 코드를 통해, 이러한 정보가 Neo4j의 지식그래프에 자동으로 매핑되어, 각 사고 사례를 노드로, 각 사고 사례 간의 관계를 엣지로 표현하는 구조로 변환된다(Fig. 2).
4. 지식그래프 정보 추출 결과
4.1 지식그래프 정보 추출을 위한 쿼리 목록
쿼리는 총 세 개이며, Cypher 쿼리로 작성하였다.
쿼리 1은 건축 공사 현장에서 발생할 수 있는 판넬 관련 미끄러짐 사고에 초점을 맞추어, 해당 사고 유형의 구체적인 사례들을 파악하고 분석하기 위한 것이다.
쿼리 2는 떨어짐 사고가 가장 빈번하게 발생하는 시설물에서의 재발 방지 조치를 구체화하기 위한 것이다.
쿼리 3은 판넬 작업 중 가장 빈번하게 일어나는 사고 유형을 파악하고, 이에 따른 재발 방지 조치와 사고의 경위를 제공하기 위한 것이다.
4.2 지식그래프 쿼리 반환 결과
각 쿼리에 대한 결과는 다음 그림과 표와 같다(Tables 3, 4 and 5).
Table 3.
Some of the node return results for query 1
Table 4.
Some of the node return results for query 2
Table 5.
Some of the node return results for query 3
4.3 지식그래프의 각 노드 간 상관관계
지식그래프를 통해 신고 사유 중 1명 이상의 사망자가 포함된 쿼리를 작성하여 해당 사고의 사고의 종류, 사고 객체를 반환하여 사고의 종류와 사고 객체 간의 상관관계를 Alluvial Diagram을 통해 확인하였다(Fig. 3). Alluvial Diagram은 다양한 노드 간의 흐름과 연결을 나타내는데 사용할 수 있다(Arunkumar et al., 2021; Julien and Wargadalam, 1995).
Alluvial Diagram을 통해 1명 이상의 사망자가 있는 사고는 건설기계 및 가시설 물체에 의한 사고의 비율이 제일 높으며 각 가시설과 건설기계에 의해 일어난 사고는 떨어짐 및 깔림의 종류로 분류된 사고의 비율이 높게 나타나는 것을 확인할 수 있다. 이를 통해 가시설과 건설기계 관련 사고 중 떨어짐 및 깔림 종류로 분류된 사고의 재발방지조치, 구체적 사고원인 등을 쿼리를 통해 반환 받을 수 있다. Alluvial Diagram의 정보를 바탕으로 한 사고의 재발방지조치를 반환 받은 결과는 다음 표와 같다(Table 6).
Table 6.
Some of the query return results based on information in the alluvial diagram
5. 결 론
본 연구는 건설 분야 사고사례 데이터를 기반으로 지식그래프를 구축하여 사고 원인 분석과 예방 전략을 개발하는 새로운 접근 방법을 제시하였다. 지식그래프는 다양한 사고사례 데이터 간의 복잡한 관계를 시각적으로 표현하고, 이를 통해 심층적인 사고 원인 분석을 가능하게 하였다. 이를 통해 데이터의 의미론적 관계를 명확히 이해하고, 보다 정확하고 신뢰성 있는 정보를 바탕으로 효과적인 사고 예방 및 대응 전략을 수립할 수 있었다.
특히, 구축된 지식그래프는 Neo4j를 활용하여 Cypher 쿼리 언어를 통해 데이터의 관계를 명확히 정의하고 탐색할 수 있게 한 점에서 중요한 기여를 하였다. 이를 통해 사고 발생 빈도를 줄이고 작업장의 안전성을 높일 수 있는 보다 효과적인 예방 조치가 가능해졌다. 그러나 연구에서 확인된 데이터 표준화와 일관성 문제는 여전히 중요한 과제로 남아 있으며, 이를 해결하기 위해 데이터 수집 및 관리 방법의 개선과 세밀한 분류 체계의 개발이 필요하다. 데이터의 표준화는 지식그래프의 구축 및 활용 과정에서 발생할 수 있는 오류를 최소화하고, 데이터의 일관성을 유지하는 데 핵심적인 역할을 한다.
또한, 본 연구는 AI 모델 및 도구를 활용하여 지식그래프 구축 과정을 자동화함으로써 방대한 양의 데이터를 효율적으로 처리할 수 있는 방법론을 제시하였다. 이와 같은 자동화된 방법론은 시간과 비용을 절감할 뿐만 아니라, 데이터의 지속적인 업데이트와 관리에 있어 장점을 제공한다. 이를 통해 데이터 기반 의사결정의 효율성을 크게 향상시킬 수 있었다.
연구 결과, 지식그래프를 통해 데이터 기반의 심층적인 사고 원인 분석이 가능해졌으며, 보다 정확한 사고 예방 및 대응 전략을 마련할 수 있었다. 이는 건설 현장의 안전성을 높이고, 사고 발생 빈도를 줄이는 데 큰 기여를 할 것으로 기대된다.
