EPC 프로젝트의 위험 관리를 위한 ITB 문서 조항 분류 모델 연구: 딥러닝 기반 PLM 앙상블 기법 활용 (Research on ITB Contract Terms Classification Model for Risk Management in EPC Projects: Deep Learning-Based PLM Ensemble Techniques)

서지정보

· 발행기관 : 한국정보처리학회
· 수록지 정보 : 정보처리학회 논문지 / 12권 / 11호 / 471 ~ 480페이지
· 저자명 : 이현상, 이원석, 조보근, 이희준, 오상진, 유상우, 남마루, 이현식

초록

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) 문서의위험 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 EPC계약 문서의 위험 조항을 범주화하고, 이를 AI 기반으로 탐지하려는 시도가 있었으나, 이는 레이블링 데이터 활용의 한계와 클래스 불균형과 같은데이터 측면의 문제로 실무에서 활용할 수 있는 수준의 지원 시스템으로 활용하기 어려운 상황이다. 따라서 본 연구는 기존 연구와 같이 위험조항 자체를 정의하고 분류하는 것이 아니라, FIDIC Yellow 2017(국제 컨설팅엔지니어링 연맹 표준 계약 조건) 기준 계약 조항을 세부적으로 분류할수 있는 AI 모델을 개발하고자 한다. 프로젝트의 규모, 유형에 따라서 세부적으로 검토해야 하는 계약 조항이 다를 수 있기 때문에 이와 같은다중 텍스트 분류 기능이 필요하다. 본 연구는 다중 텍스트 분류 모델의 성능 고도화를 위해서 최근 텍스트 데이터의 컨텍스트를 효율적으로 학습할수 있는 ELECTRA PLM(Pre-trained Language Model)을 사전학습 단계부터 개발하고, 해당 모델의 성능을 검증하기 위해서 총 4단계 실험을진행했다. 실험 결과, 자체 개발한 ITB-ELECTRA 모델 및 Legal-BERT의 앙상블 버전이 57개 계약 조항 분류에서 가중 평균 F1-Score 기준 76%로가장 우수한 성능을 달성했다.

영어초록

The Korean construction order volume in South Korea grew significantly from 91.3 trillion won in public orders in 2013 to a totalof 212 trillion won in 2021, particularly in the private sector. As the size of the domestic and overseas markets grew, the scale andcomplexity of EPC (Engineering, Procurement, Construction) projects increased, and risk management of project management and ITB(Invitation to Bid) documents became a critical issue. The time granted to actual construction companies in the bidding process followingthe EPC project award is not only limited, but also extremely challenging to review all the risk terms in the ITB document due to manpowerand cost issues. Previous research attempted to categorize the risk terms in EPC contract documents and detect them based on AI, butthere were limitations to practical use due to problems related to data, such as the limit of labeled data utilization and class imbalance.
Therefore, this study aims to develop an AI model that can categorize the contract terms based on the FIDIC Yellow 2017(FederationInternationale Des Ingenieurs-Conseils Contract terms) standard in detail, rather than defining and classifying risk terms like previousresearch. A multi-text classification function is necessary because the contract terms that need to be reviewed in detail may vary dependingon the scale and type of the project. To enhance the performance of the multi-text classification model, we developed the ELECTRAPLM (Pre-trained Language Model) capable of efficiently learning the context of text data from the pre-training stage, and conducteda four-step experiment to validate the performance of the model. As a result, the ensemble version of the self-developed ITB-ELECTRAmodel and Legal-BERT achieved the best performance with a weighted average F1-Score of 76% in the classification of 57 contract terms.

참고자료

· 없음