대규모 언어 모델 기반 지능형 표준 물관리 시험검사 현장 데이터 자동화 시스템 개발 = Development of an Intelligent Standard Water Management Field Inspection and Testing Data Automation System Based on Large Language Models

국문 초록 (Abstract)

본 연구는 표준 물관리 시험검사 현장에서 생성되는 신청서 정보, 현장 사진, 계측값, 체크리스트 기록, 위치 정보 등을 하나의 사건 단위로 결합하고, 이를 전송 가능한 구조화 데이터로 변환하고 관리하는 시스템을 제안하였다. 기존 현장 업무에서는 신청서, 사진, 계측자료, 점검 기록이 서로 다른 형식과 경로로 생성되어 자료 누락, 오배정, 중복 입력, 재입력 문제가 발생할 수 있다. 이를 해결하기 위해 본 연구는 OCR 및 대규모 언어 모델 기반 문서 이해 기술을 활용하여 비정형 신청서와 현장 이미지를 분석하고, 규칙 기반 후처리를 통해 데이터 정렬, 중복 제거, 날짜 보정, 식별자 부여, 형식 정규화를 수행하는 자동화 시스템을 설계하였다. 또한 신청서와 같이 민감 정보가 포함될 수 있는 자료에는 로컬 vLLM 기반 처리 구조를 적용하여 외부 API 의존도를 낮추고 데이터 처리 통제성을 확보하고자 하였다. 구현된 시스템은 접수번호를 기준으로 현장 입력 자료, 계측자료, 체크리스트, 그래프 분석 결과, 전송용 JSON을 동일 사건 단위로 관리하며, 전송 전 검증 절차를 통해 누락과 형식 오류를 점검하도록 구성하였다. 기능 구현 확인 결과, 접수번호 기반 데이터 결합, OCR 및 LLM 분석 결과 확인, 자동 식별자 할당 및 수동 보정, CSV 구조 확인, 그래프 기반 분석, 전송 전 JSON 확인 기능이 제안된 현장 데이터 처리 절차를 지원하도록 구현되어 있음을 확인하였다. 본 연구는 표준 물관리 시험검사 현장 업무에서 생성되는 다종 데이터를 구조화하고, 생성형 AI 결과를 결정론적 후처리와 결합하여 현장 데이터의 재현성, 정합성, 추적성을 확보할 수 있는 적용 가능성을 제시하였다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study proposes a data automation system for water management testing and inspection operations that integrates application records, field photographs, measurement data, checklists, and location information into a unified, accession-number-centered structure. To address missing data, duplicate entries, and repetitive manual processing, the system combines OCR- and LLM-based document understanding with deterministic rule-based post-processing, including data alignment, deduplication, date correction, identifier assignment, and format normalization. A local vLLM-based architecture was adopted for sensitive documents to enhance data control and reduce dependence on external APIs. A functional review confirmed support for accession-number-based data integration, OCR and LLM output inspection, automatic identifier assignment with manual override, CSV validation, graph-based analysis, and pre-transmission JSON verification. The results demonstrate the feasibility of integrating heterogeneous field data through combined generative AI and deterministic post-processing, offering a scalable and practical framework for automating field data management in water resource monitoring contexts.