PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01870v1cs.CV

픽셀에서 정책까지: 개입 및 지리공간 의사결정 지원을 위한 멀티 에이전트 시스템

From Pixels to Policy: A Multi-Agent System for Intervention and Geo-Spatial Decision Support

도시 환경은 건강, 안전, 삶의 질에 장기적인 영향을 미치는 디자인 선택에 의해 형성되지만, 제안된 개입(intervention) 방안을 평가하는 것은 여전히 비용과 시간이 많이 소요되며 비현실적인 경우가 많습니다. 기존의 지리공간 비전(geospatial vision) 방식은 주로 항공 및 스트리트 뷰(street-view) 영상에서 도시 지표를 모니터링하는 데 집중할 뿐, 개입을 제안하고 그러한 지표에 미치는 영향을 추정하는 데는 이르지 못했습니다. 본 연구에서는 단순 인식을 넘어, 주어진 항공 또는 스트리트 뷰 영상에서 목표 지표를 개선하는 개입 방안을 탐색하는 문제를 도입합니다. 본 논문에서는 블랙박스 지표 모델과 생성형 편집 모델을 결합하면 개입 가설을 테스트하기 위한 암시적 디지털 트윈(implicit digital twin) 역할을 수행할 수 있음을 주장합니다. 이에 따라 시각적으로 현실적이면서도 실제 정책과 부합하는 개입안을 생성하기 위해 세그멘테이션(segmentation), 확산(diffusion) 기반 인페인팅(inpainting), 지표 점수화 모델을 조율하여 이러한 개입 공간을 탐색하는 멀티 에이전트 시스템인 VIDA-Geo를 제시합니다. 항공 및 스트리트 뷰 영상 전반에서 체감 안전성 및 녹지와 같은 요소의 변화를 측정하며 8가지 지표에 대해 시스템을 평가했습니다. 본 접근 방식은 많은 사례에서 기존 베이스라인을 능가하여 최대 2배 더 높은 시각적 품질과 정책 부합도 점수를 달성했습니다. 마지막으로, 본 모델은 사용자에게 다수의 후보 개입안을 제공함으로써 전문가 도시 계획자가 참여하는 city-planner-in-the-loop 워크플로를 지원합니다.

arXiv:2606.11678v2cs.CL

AI는 도시 계획가처럼 추론할 수 있는가? 전문적 판단에 대비한 대규모 언어 모델(LLM) 벤치마킹

Can AI Reason Like an Urban Planner? Benchmarking Large Language Models Against Professional Judgment

문제, 연구 전략 및 발견: 대규모 언어 모델(LLM)의 부상은 도시 계획에 있어 핵심적인 질문을 제기한다. 즉, 어떤 형태의 전문적 계획 지식을 AI가 모방할 수 있으며, 어떤 지식이 여전히 인간의 판단을 필요로 하는가이다. AI 도구가 계획 실무에서 점점 더 많이 활용되고는 있지만, 계획 전문성의 핵심인 문맥 민감성, 가치 인식, 제도적 소양을 갖고 추론할 수 있는지를 시험하는 체계적인 프레임워크는 여전히 부재하다. 본 논문은 Bloom의 수정된 분류법을 채택한 4가지 지식 기둥과 5가지 인지 수준의 4x5 행렬을 통해 LLM 추론을 평가하는 도메인 특화 평가 프레임워크인 Urban Planning Bench(UPBench)를 소개한다. 자동화된 채점과 전문가 검토를 통해 25개 LLM을 평가한 결과, 비단조적 인지 곡선(non-monotonic cognitive curve)을 발견했다. 모델들은 사실적 회상(factual recall) 및 통합적 판단보다 고차원적 분석 작업에서 더 나은 성능을 보였다. 이는 종종 하위 수준으로 간주되는 계획 지식이 제도적, 관할권적, 시간적 맥락에 의해 깊이 형성되어 있어 LLM이 일반화하기 어렵다는 것을 시사한다. 우리는 이러한 한계를 규제적 환각(regulatory hallucination), 개념적 혼동(conceptual conflation), 난제 마비(wickedness paralysis), 실천적 지혜 결여(phronetic deficit)라는 네 가지 인식론적 진단으로 요약한다. 실무를 위한 시사점: 연구 결과는 계획 분야에서 차별적인 업무 위임을 뒷받침한다. LLM은 학제 간 통합, 문헌 조사, 시나리오 생성, 예비 정책 분석을 보조할 수 있다. 그러나 관할권 특화 규정, 규범적 갈등 해결, 문맥 민감적 절차에 대해서는 여전히 신뢰할 수 없다. 기관은 AI 보조 규제 분석에 대해 검증을 요구해야 하며, 계획 교육은 제도적 소양, 규범적 판단, 문맥 민감성을 강조해야 한다.