[Paper] 인프라 재건 프로그램 관리에 머신러닝 적용

Source: arXiv - 2511.20916v1

Overview

이 논문은 적응형 의사결정 지원 모델을 제시한다. 이 모델은 머신러닝(ML)과 인공신경망(ANN)을 활용하여 대규모 인프라 재건 프로그램(예: 물, 가스, 전기, 난방 네트워크)의 계획 및 실행을 효율화한다. 과거 프로젝트 데이터를 예측 인사이트로 전환함으로써, 관리자가 보다 정확한 프로그램 아키텍처와 작업 분류 구조(WBS)를 구축하도록 돕고, 궁극적으로 비용 및 일정 초과를 감소시키는 것을 목표로 한다.

Key Contributions

• 하이브리드 ML 기반 의사결정 엔진으로, 제안된 시스템 구성에 대해 프로그램 목표 함수(비용, 시간, 위험)의 값을 예측한다.
• 인프라 시스템 모델링 도구와 Azure Machine Learning Studio의 통합을 통해 대안 프로그램 아키텍처를 자동으로 생성·평가한다.
• 파라미터 재분배 프레임워크는 학습 데이터셋을 특정 인프라 유형(난방, 가스, 전기, 물, 배수)으로 맞춤화하여 도메인 간 관련성을 확보한다.
• 엔드‑투‑엔드 프로토타입은 Microsoft Azure 위에 구축되었으며, 학습된 신경망, 성능 지표, 재사용 가능한 소프트웨어 컴포넌트 라이브러리를 포함한다.
• 다양한 유틸리티 재건 프로젝트에 대한 적용 사례를 제시하여, 모델을 기존 프로그램 관리 워크플로에 어떻게 삽입할 수 있는지 보여준다.

Methodology

1. 데이터 수집 및 전처리 – 과거 재건 프로젝트(비용, 일정, 자원 배분, 기술 사양)의 기록을 구조화된 데이터셋으로 통합한다.
2. 특성 엔지니어링 – 프로그램 성과에 영향을 미치는 핵심 속성(예: 네트워크 토폴로지, 재료 종류, 규제 제약)을 입력 벡터로 인코딩한다.
3. 모델 선택 – 여러 적응형 프로그램 관리 기법을 검토한 결과, 비선형 관계를 포착하는 능력 때문에 피드포워드 ANN을 선택한다.
4. 학습 및 검증 – ANN을 Azure ML Studio에서 70 % 학습, 15 % 검증, 15 % 테스트 비율로 분할하여 학습한다. 하이퍼파라미터(층 수, 뉴런 수, 학습률)는 그리드 서치를 통해 최적화한다.
5. 의사결정 지원 루프
   • 사용자인 프로젝트 관리자가 후보 프로그램 아키텍처와 WBS를 정의한다.
   • 시스템이 해당 구성을 특성 벡터 형식으로 변환한다.
   • ANN이 목표 함수 값(예: 총 비용)을 예측한다.
   • 관리자는 예측 결과가 목표 기준에 부합할 때까지 설계를 반복적으로 조정한다.
6. 파라미터 재분배 – 각 인프라 유형마다 모델이 자동으로 관련 특성의 가중치를 재조정하거나 대체하여, 하나의 ANN이 별도 재학습 없이도 여러 유틸리티 도메인에 적용될 수 있게 한다.

Results & Findings

• 예측 정확도: 테스트 셋에서 신경망은 비용 추정에 대해 평균 절대 백분율 오차(MAPE) ≈ 6 %, 일정 예측에 대해 ≈ 8 %를 기록했으며, 이는 초기 단계 계획에서 산업 허용 범위 내에 있다.
• 속도: 새로운 구성에 대한 예측을 생성하는 데 0.2 초 미만이 소요되어 실시간 “what‑if” 분석이 가능하다.
• 적응성: 파라미터 재분배 메커니즘으로 유틸리티 유형별 별도 모델이 필요 없어 개발 시간을 약 40 % 절감했다.
• 사례 시연: 중규모 지역 난방 네트워크 재건 시뮬레이션에서, 모델 기반 WBS를 적용했을 때 수동으로 만든 기준 대비 예상 자본 지출이 12 % 감소했다.

Practical Implications

• 계획 가속화: 엔지니어가 수십 개의 아키텍처 대안을 몇 분 안에 탐색할 수 있어 프로젝트 라이프사이클의 초기 단계가 단축된다.
• 위험 완화: 데이터 기반의 초기 비용·일정 예측을 통해 자원을 투입하기 전에 고위험 구성을 식별할 수 있다.
• 도메인 간 재사용: 물·가스·전기 등 여러 네트워크를 관리하는 유틸리티 기업이 단일 ML 서비스를 채택함으로써 IT 거버넌스를 단순화하고 라이선스 비용을 절감한다.
• 통합 용이성: Azure ML Studio 기반 솔루션은 기존 Azure DevOps 파이프라인, Power BI 대시보드, 맞춤형 ERP 시스템에 플러그인 형태로 연결될 수 있어, 전체 플랫폼 교체 없이 API 호출만으로 도입이 가능하다.
• 의사결정 투명성: SHAP 등 기법을 통해 특성 중요도를 공개함으로써, 관리자는 특정 설계가 왜 더 저렴하거나 빠른 것으로 예측되는지 이해하고 이해관계자와 보다 근거 있는 논의를 진행할 수 있다.

Limitations & Future Work

• 데이터 품질 의존성: 모델의 신뢰성은 과거 프로젝트 데이터의 완전성·일관성에 크게 좌우되며, 데이터 누락이나 편향된 기록은 예측을 왜곡할 수 있다.
• 목표 범위: 현재 구현은 비용과 일정에 초점을 맞추고 있어, 환경 영향, 사회적 수용성, 전 생애주기 유지보수 비용 등으로 확장하는 것은 아직 과제로 남아 있다.
• 모델 일반화: 파라미터 재분배 접근법이 도메인 간 사용을 용이하게 하지만, 해상 풍력 발전소 재건과 같은 극단적인 변형은 여전히 분야별 재학습이 필요할 수 있다.
• 설명 가능성: 기본적인 특성 중요도는 제공하지만, 인과 추론이나 반사실 분석과 같은 심층 해석은 향후 연구 과제로 남아 있다.
• 파일럿 배포: 저자들은 실제 현장 제약 하에서 모델을 검증하고, 비기술적 의사결정자를 위한 사용자 인터페이스를 개선하기 위해 지방 공공 유틸리티 기업과의 현장 시험을 계획하고 있다.

Authors

• Illia Khudiakov
• Vladyslav Pliuhin
• Sergiy Plankovskyy
• Yevgen Tsegelnyk

Paper Information

• arXiv ID: 2511.20916v1
• Categories: cs.SE
• Published: November 25, 2025
• PDF: Download PDF