Agentic Workflow를 활용한 도면 분석 자동화

개요

• 기존 엔지니어가 2-3일 소요하던 건물 도면 분석 작업을 AI Agentic Workflow를 통해 10분 내로 단축하고 91%의 정확도를 달성했습니다.
• 비구조화된 CAD 파일(.dwg, .dxf)에서 건물 제어 인프라의 핵심인 계통도를 분석하고 구조화된 데이터로 변환하는 자동화 솔루션입니다.

직면 과제: 비구조화된 도면 데이터의 한계

• 다양성: 엔지니어링 회사별 심볼, 레이아웃, 표기법 표준 부재로 규칙 기반 자동화 불가
• 암묵적 지식: 도면 외 엔지니어의 도메인 지식(예: "Supply Fan 뒤에는 차압 스위치가 반드시 존재해야 함") 해석 불가
• 해상도 제약: 대규모 도면을 VLM에 한 번에 입력 시 세부 정보(텍스트, 심볼) 인지 실패

해결책: Agentic Workflow 아키텍처

• AWS AgentCore 기반 멀티 에이전트 오케스트레이션: 중앙 Orchestrator Agent가 도면을 분석하고 각 전문 Agent에게 작업을 할당합니다.
• 4단계 Agentic Workflow: 엔지니어의 사고 프로세스를 모방하여 자율적인 추론, 계획, 분석, 수정 과정을 반복합니다.
  • 1단계: CAD 파일 구조 이해 및 전략 결정
  • 2단계: 논리적/기능적 단위로 도면 패칭 (Context-Aware Intelligent Patching)
  • 3단계: 패칭된 이미지에서 정보 추출 (범례, 기기 정보 등)
  • 4단계: 추출된 정보와 암묵지(도메인 지식)를 종합한 심화 추론 및 분석

핵심 기술 및 구현

• Context-Aware Intelligent Patching: STAGE 1(ANALYZE)에서 시각적 학습을 통해 "좋은 분할" 기준을 학습하고, STAGE 2(MODIFY)에서 실패로부터 배우며 지능적으로 오류를 수정합니다. STAGE 3(EVALUATE)에서 다양한 시나리오에 대해 검증합니다.
• AI의 엔지니어링 지식 활용: Claude Opus 4.6의 기본 엔지니어링 지식을 활용하여 전체 계통도 맥락 파악 및 개별 관제점의 역할을 거시적으로 분석합니다.
• 암묵적 지식 통합: 엔지니어로부터 획득한 전문 지식을 기기 유형별 프롬프트로 구조화하여 AI가 최종 분석에 활용하도록 합니다.
• AWS Generative AI Innovation Center: 이 프로젝트는 AWS Generative AI Innovation Center에서 수행되었습니다.

기대 효과

• 처리 시간 2-3일 → 10분으로 단축
• 91% 정확도 달성
• 분산 멀티 에이전트 처리를 통한 대량 도면 동시 분석 가능
• 복잡한 기술 도면 해석 B2B 영역에서 비전 AI와 추론 AI 결합의 혁신 사례