RAG와 Fine-tuning을 활용한 건설현장 위험요인 식별 LLM 성능 개선 방안 연구 = Improving LLM Performance for Construction Site Risk Factor Identification Using RAG and Fine-tuning

국문 초록 (Abstract)

산업안전보건법 개정 및 중대재해처벌법 도입으로 안전규정이 강화되면서, 건설현장에서는 안전관리 인력의 부족과 문서 업무량 증가 문제가 심화되고 있다. 특히 중‧소규모 현장을 중심으로 실효성 있는 안전관리에 어려움이 가중되고 있다. 이러한 문제의 해결책으로 LLM 기반의 업무 자동화 기술이 주목받고 있으나, 범용 LLM은 전문 지식 부족으로 인해 건설현장 실무에 적용하는 데 한계가 있다. 이에 본 연구에서는 RAG와 Fine-tuning 기법을 활용하여 건설현장 유해·위험요인 식별에 특화된 LLM을 구현하고, 그 성능을 개선하기 위한 실험적 검증을 수행하였다. 실험은 OpenAI의 GPT 모델을 기반으로 Fine-tuning, RAG, Fine-tuning+RAG의 세 가지 시나리오를 설계하였으며, BLEU, ROUGE, BERT Score 등의 정량적 평가와 설문 기반의 정성적 평가를 통해 성능을 비교하였다. 실험 결과, Fine-tuning과 RAG를 통합한 모델이 가장 우수한 성능을 보였다. 정량적 지표에서 기존 범용 LLM 대비 일관되게 높은 점수를 기록하였으며, 정성적 평가에서도 효율성 항목에서 가장 높은 점수(4.18)를 나타냈다. 본 연구는 Fine-tuning과 RAG 기법을 결합한 실험적 접근을 통해, 건설현장 위험요인 식별에 적합한 LLM 성능 개선 방안을 도출하였다. 이를 통해 범용 LLM의 한계를 극복하고, 건설 안전관리 업무의 실효성을 향상시킬 수 있음을 확인하였다. 나아가, 본 연구는 향후 건설현장 위험요인 식별을 위한 LLM 기반 안전관리 자동화 기술 개발의 기반을 마련하였다는 점에서 학술적･실무적 의의를 가진다.

다국어 초록 (Multilingual Abstract)

With the recent revision of the Occupational Safety and Health Act and the enforcement of the Serious Accidents Punishment Act, safety regulations have become more stringent, leading to a shortage of safety management personnel and increased documentation burdens on construction sites. This issue is especially severe at small- and medium-sized sites, where ensuring effective safety management is more challenging. In response, LLM-based task automation technologies have gained attention. However, general-purpose LLMs often lack the domain-specific knowledge needed for practical application in construction safety. To address this, the study develops an LLM specialized in identifying hazardous and harmful factors on construction sites by applying Retrieval-Augmented Generation (RAG) and fine-tuning methods. Experimental validation was conducted using OpenAI’s GPT model under three configurations: fine-tuning only, RAG only, and a combined fine-tuning + RAG approach. Performance was assessed through quantitative metrics (BLEU, ROUGE, BERT Score) and qualitative evaluations via user surveys. The combined approach showed the best performance, consistently outperforming general-purpose LLMs in all quantitative metrics and receiving the highest rating in the efficiency category of the qualitative evaluation. These results demonstrate that a domain-specialized LLM can significantly enhance hazard identification capabilities, supporting more effective safety management practices in construction. This study offers both academic and practical contributions by demonstrating a method for improving LLM performance in specialized domains and providing a technical foundation for automated tools in construction safety management.