Agentic Workflow로 전문 엔지니어처럼 도면 분석하기

숙련된 엔지니어가 2~3일 걸리던 건물 설계도면 분석을 10분으로 줄이기 위해, AWS Generative AI Innovation Center가 Agentic Workflow 기반 멀티 에이전트 시스템을 구축했다. 목표는 단순 OCR이 아니라, 엔지니어가 도면을 읽고 추론하는 사고 과정을 AI에 이식하는 것이었다.

핵심 과제는 세 가지였다.

• 설계 회사마다 심볼과 레이아웃이 달라 규칙 기반 자동화가 잘 먹히지 않음
• 도면에 모든 정보가 명시되지 않아 암묵지를 해석해야 함
• 대형 CAD 도면을 한 번에 넣으면 세부 텍스트와 심볼이 손실되는 해상도 제약이 있음

해결 방식은 AWS AgentCore 기반 오케스트레이션으로, 원본 .dxf 파일을 분석해 공통 정보와 개별 정보를 나누고 단계별 에이전트에 분배하는 구조였다. 그 결과 계통도와 관제점 정보를 병렬로 처리해, 수작업 대비 2~3일 → 약 10분으로 단축했고, 99개 중 90개 정확한 91% 정확도를 달성했다.

워크플로우는 4단계로 구성된다.

• 1단계: CAD 파일 구조 이해로 이후 작업 전략을 결정
• 2단계: Patching에서 논리적·기능적 단위로 도면을 잘라 VLM이 놓치지 않도록 재렌더링
• 3단계: 정보 추출에서 범례와 기기 정보를 텍스트는 .json, 심볼은 .png로 정리
• 4단계: 심화 추론에서 전체 계통도 맥락과 암묵지를 결합해 관제점 기능과 연결 기기를 판별

특히 패칭은 고정 규칙이 아니라 Context-Aware Intelligent Patching으로 구현됐다. Claude Opus 4.6이 좋은 분할 예시를 보고 스스로 기준을 학습한 뒤, 실패하면 원인을 분석하고 코드를 수정하는 Analyze → Modify → Evaluate 루프를 반복했다. 제목이 박스 밖에 있는 경우 상단 여백을 추가하고, 복잡한 Blueprint와 Table 혼합 도면은 테이블 정보를 분리해 순수 Blueprint만 남기는 식으로 개선했다.

심화 추론에서는 전체 계통도에서 대상 관제점의 역할을 먼저 파악한 뒤, 주변 패치와 범례, 기기 목록, 그리고 엔지니어가 정리한 기기별 암묵지 프롬프트를 함께 사용했다. 예를 들어 DI가 EC FAN과 연결되면 상태 신호로 해석하고, 같은 DM이라도 계통도 내 위치와 공기 흐름에 따라 외기 바이패스 댐퍼, 외기 댐퍼, 혼합 댐퍼처럼 서로 다른 이름과 기능으로 판정했다.

결국 이 프로젝트는 도면을 읽는 AI를 만든 수준을 넘어, 수십 년간 축적된 엔지니어의 직관과 판단 기준을 멀티 에이전트 시스템에 구조화해 재현한 사례다. 명시되지 않은 정보를 읽고, 전체 맥락 속에서 개별 요소의 역할을 판단하는 고난도 작업을 AI가 대규모로 처리할 수 있음을 보여줬다.