Service generator - Urban Building Energy Service (UBES) 적용

본 연구는 도시 건물 에너지 모델링(UBEM) 분야의 대표적인 세 가지 기술 유형인 모니터링, 피처 엔지니어링, 시뮬레이션을 기반으로, 각각 EUI 모니터링 서비스, 창면적비(WWR) 예측 서비스, EnergyPlus 기반 에너지 시뮬레이션 서비스를 대표 사례로 선정하여 서울시 실제 건물 데이터에 적용하였다 (그림 1). 세 서비스는 서로 다른 데이터 유형, 실행 절차, 출력 형식을 가지며, 동일한 생성 프레임워크 내에서 이질적인 서비스 요구를 처리할 수 있음을 보여준다. EUI 모니터링 서비스에서는 서울시 85,646개 건물을 대상으로 연간 단위 에너지 소비강도를 산출하였고, WWR 예측 서비스는 YOLO 기반 객체 탐지를 통해 건물 입면 이미지로부터 창면적비를 자동 추정하며, EnergyPlus 시뮬레이션 서비스는 건물 등록 정보로부터 IDF 파일을 자동 생성하여 연간 에너지 시뮬레이션을 수행한다. 이를 통해 제안된 UBES 생성 프레임워크가 단일 서비스 유형에 국한되지 않고 다양한 도시 건물 에너지 분석 작업을 실행 가능한 서비스 단위로 구성할 수 있음을 실증하였다.

12개 LLM 모델을 대상으로 세 가지 서비스 유형에 걸쳐 서비스 생성 실험을 수행한 결과, 모델 계층과 생성 품질 사이의 관계는 단순하지 않음이 확인되었다 (그림 2). 경량 모델은 복잡한 서비스에서 DAG 구조 생성 자체에 실패하는 경우가 많았지만, 단순한 서비스에서는 생성 품질이 좋은 것을 확인할 수 있었다. 반면 최상위 모델은 복잡한 서비스를 성공적으로 생성하는 반면, 단순한 서비스에서 과도하게 복잡한 워크플로우를 생성하는 경향을 보였다(이는 서비스 실행 시 많은 시간과 비용이 들며 서비스 실행 실패로 이어질 가능성이 있다). Claude-Sonnet-4.5, Grok-4-1-fast-reasoning과 같은 균형 계층 모델은 최상위 모델과 동등한 수준의 생성 품질을 달성하면서도 토큰 소비와 생성 비용을 크게 낮추었다. 이는 agentic 서비스 생성 환경에서 모델 선택 시 단순히 최고 성능 모델을 선택하는 것이 최적 전략이 아니며, 서비스 유형의 복잡도에 따라 적절한 모델 계층을 선택하는 것이 비용 효율적임을 시사한다.

Three representative services — EUI monitoring, window-to-wall ratio (WWR) estimation, and EnergyPlus-based energy simulation — were implemented using real building data from Seoul, corresponding to the three core UBEM task types of monitoring, feature engineering, and simulation (Fig. 1). Although the three services differ in data types, execution procedures, and output formats, all were generated within the same framework, demonstrating its ability to handle heterogeneous service requirements. The EUI monitoring service computed annual energy use intensity for 85,646 buildings in Seoul; the WWR estimation service automatically estimated window-to-wall ratios from facade images using YOLO-based object detection; and the EnergyPlus simulation service automatically generated IDF files from building registry data and performed annual energy simulations. These results demonstrate that the proposed UBES generation framework is not limited to a single service type, but can configure diverse urban building energy analyses as executable service units.

A service generation experiment was conducted across three service types using 12 LLMs, and the results reveal that the relationship between model tier and generation quality is not straightforward (Fig. 2). Lightweight models frequently failed to generate valid DAG structures for complex services, although they performed adequately for simpler ones. Strongest-tier models, while capable of handling complex services, tended to over-engineer simple services by generating unnecessarily complex workflows, which can increase execution time and cost and may lead to service execution failures. By contrast, balanced-tier models such as Claude-Sonnet-4.5 and Grok-4-1-fast-reasoning achieved generation quality comparable to that of the strongest models at substantially lower token consumption and generation cost. These findings suggest that selecting the highest-performing model is not always the optimal strategy in agentic service generation; rather, matching model tier to service complexity offers a more cost-effective approach to deployment.

그림 1. 서비스 UI 출력

그림 2. LLM별 생성 비용 대비 품질 점수: 모니터링(위), 피처 엔지니어링(중간), 시뮬레이션(아래)