Blog

사용자의 자연어 기반 요청과 가용 자원 정보를 바탕으로 실행 가능한 도시 건물 에너지 서비스를 자동 생성하는 “Service generator”를 개발했다. 생성된 서비스는 표준화된 서비스 명세를 기반으로 데이터, 모델, 도구를 적절히 조합하여 구성되었으며, 실제 application 형태로 패키징되어 수행 가능함을 확인하였다. 이는 도시 건물 에너지 분야에서 개별 기능의 단순 수행을 넘어, 사용자 목적과 적용 맥락에 맞는 서비스를 동적으로 생성할 수 있는 가능성을 실증한 결과이다. 특히 서로 다른 유형의 서비스 사례에 대해 일관된 생성 구조를 적용할 수 있음을 보임으로써, 제안한 service generator가 도시 에너지 서비스의 확장성과 재현성을 확보할 수 있는 핵심 메커니즘으로 작동함을 확인하였다. A service generator was developed to automatically generate executable urban bu

Database Automation Agent는 최소한의 인간 개입만으로 외부 소스로부터 구조화된 데이터를 자동으로 탐색하고, 수집하며, 정리하고, 갱신하는 AI 기반 소프트웨어 에이전트이다. 수작업으로 정보를 검색하고 반복적으로 데이터를 처리하는 방식에 의존하는 대신, 이 에이전트는 사용자의 요청을 해석하고 관련 웹사이트나 API를 식별한 뒤, 필요한 정보를 수집하여 데이터베이스에 바로 활용할 수 있는 형태로 변환한다. 실질적으로 이러한 에이전트는 데이터 파이프라인을 위한 디지털 운영자처럼 작동한다. 즉, 공공 포털을 검색하고, 문서를 읽고, 다운로드 가능한 파일이나 API 엔드포인트를 찾아내며, 필요한 파라미터를 추출하고, 데이터베이스를 구축하거나 갱신하는 데 필요한 로직을 생성한다. 이러한 기술은 데이터 소스가 다양하고 자주 변경되며 수작업으로 관리하기 어려운 환경에서 특히 높은 가치를 가진다. 이 과정을 자동화함으로써 database aut

기상청 AWS/ASOS 관측자료와 도시형태(urban morphology) 정보를 결합하여 서울시 전역의 격자점별 기온을 실시간으로 예측하는 웹 서비스를 개발하였다. 기존의 도시열섬 연구는 위성 열적외 영상이나 수치모델에 의존하여 시공간 해상도에 한계가 있었으나, 본 연구에서는 XGBoost 기반 머신러닝 모델을 활용하여 10m 해상도의 포인트 단위 기온 예측을 실현하였다. 모델은 서울시 전역의 S-DoT 센서 관측 기온과 AWS 보간 기온 간의 잔차(residual)를 학습하며, 151개의 입력 변수를 사용한다. 이 변수에는 기상관측 데이터(기온, 풍향·풍속, 습도, 일사량 등), 시간 기반 특성(UHI phase, 태양 고도 등), 국토지리정보원 1:1,000 수치지형도로부터 4개 해상도(10m, 100m, 250m, 1000m)에서 산출한 도시형태 지표(건물 높이, SVF, 협곡 폭, 건폐율, FAI 등), 그리고 환경부 세분류 토지피복지도(