ENTERPRISE VE INTELLIGENCE

Value Engineering
Powered by AI Agent

30,000+ VE 사례 원시정보를 추출, 정규화하여 구축한 통합 데이터베이스. CUBE기반 데이터모델링, Knowledge Graph, 그리고 ML 시맨틱 검색 엔진으로 성능은 올리고, 가격을 낮추어 드립니다.

VE Alternatives

Data Sources

Performance Scores

Disciplines

Platform Contents

VE 분석 플랫폼이 제공하는 콘텐츠

건설 VE 보고서에서 추출된 구조화 데이터를 기반으로, 성능-비용-가치의 다차원 분석과 AI 기반 의사결정 지원 도구를 제공합니다.

VE 종합 현황 대시보드

727건의 VE 대안을 프로젝트별, 분야별, 가치유형별로 분류하여 실시간 KPI와 도넛/바 차트로 시각화합니다. 공종 분포, HOW2 대공종, SPACE 분석을 한 눈에 파악합니다.

성능-비용-가치 분석

6~7개 성능 카테고리(시공성, 안전성, 유지관리성 등)의 원안 대비 대안 점수 변화를 레이더 차트와 4사분면 매트릭스로 분석합니다. 카테고리별 delta 추적이 가능합니다.

비용 절감 효과 분석

초기공사비, LCC(생애주기비용) 기반의 원안/대안 비용 비교와 절감액/절감율을 산출합니다. 프로젝트별 비용 절감 히스토그램과 공종별 절감 패턴을 도출합니다.

VE 대안 검색 및 상세

727건의 VE 대안을 키워드, 분야, 가치유형으로 필터링하고, 개선전/후 설명, 장단점, 설계자 검토의견까지 상세 조회할 수 있습니다. CUBE 분류 코드가 자동 태깅됩니다.

Knowledge Graph 시각화

352개 노드, 1,071개 엣지로 구성된 지식 그래프에서 프로젝트-공종-기술-자재 간의 관계를 인터랙티브하게 탐색합니다. 노드 클릭 시 연관 대안 목록이 표시됩니다.

ML Hybrid RAG 자문 시스템

Sentence-Transformers 임베딩 + Knowledge Graph 구조 매칭 + Gemini 2.0 Flash를 결합한 Hybrid RAG 엔진. 자연어 질의로 727건에서 최적 대안을 0.07초 내에 검색합니다.

Database Architecture

데이터베이스 설계의 특장점

5개 핵심 테이블의 관계형 스키마에 CUBE 표준분류체계를 결합하여, 프로젝트-대안-비용-성능-가치를 일관된 구조로 관리합니다.

01 / SCHEMA

5-Table Relational Schema

projects, alternatives, cost_evaluations, value_evaluations, performance_scores로 구성된 정규화 스키마. 외래키 무결성 100% 보장.

02 / CUBE

CUBE 표준분류 자동 태깅

HOW1(공사유형), HOW2(대공종 48종), SPACE(공간분류) 3축 분류를 AI 기반으로 자동 할당. 분류 커버리지 100%.

03 / SUPABASE

Supabase PostgreSQL

클라우드 네이티브 PostgreSQL에 Session Pooler 기반 안정적 연결. RLS 지원으로 사용자별 접근 제어 가능.

04 / SCALE

확장 가능 구조

9개 소스, 727건에서 시작하여 신규 프로젝트 추가 시 추출기 복사 + 상수 변경만으로 즉시 확장. alt_number 연속성 자동 관리.

Data Pipeline

AI 기반 자동화 데이터 파이프라인

PDF 원본에서 Supabase 적재까지 6단계 자동화 파이프라인으로 1,000페이지 이상의 VE 보고서를 수분 내에 구조화합니다.

STEP 01

PDF Intake

원본 VE 보고서 PDF 수집 및 페이지 구조 분석

STEP 02

Text Extract

PyMuPDF 직접 추출 또는 Tesseract OCR 자동 전환

STEP 03

Structure Parse

제안명, 개선전/후, 비용, 성능 등 필드 매핑

STEP 04

CUBE Classify

HOW1/HOW2/SPACE 3축 자동 분류 태깅

STEP 05

Normalize

비용 단위 정규화, 중복 제거, JSON 검증

STEP 06

DB Load

Supabase PostgreSQL 5개 테이블 자동 적재

Intelligence Engine

Knowledge Graph + Hybrid RAG

구조화된 VE 데이터를 지식 그래프로 연결하고, Hybrid RAG 기술로 맥락 기반의 정확한 AI 분석을 제공합니다.

Knowledge Graph

다차원 관계 모델링

프로젝트, 공종, 기술, 자재, 공간 등 11개 노드 유형과 10개 엣지 유형으로 VE 데이터의 관계를 그래프로 표현합니다.

352개 노드 / 1,071개 엣지
NetworkX 기반 그래프 연산
인터랙티브 노드 탐색 UI
관계 기반 유사 대안 추천

ML Hybrid RAG

ML 시맨틱 검색 + 근거 기반 AI 자문

Sentence-Transformers 384차원 임베딩과 Knowledge Graph 구조 매칭을 0.6:0.4 복합 스코어로 결합. 키워드 매칭 0건이던 자연어 질의도 정확한 대안을 검색합니다.

MiniLM-L12-v2 다국어 임베딩 (384차원)
코사인 유사도 + KG Hop 복합 스코어링
Gemini 2.0 Flash — 환각 방지 프롬프트 (temperature 0.3)
TF-IDF + SVM 자동 분류 (HOW1 58% / ValueType 67%)
K-Means 8클러스터 자동 군집화 인사이트

Performance

7개 카테고리 성능 분석

시공성, 유지관리성, 공간활용성, 독창성, 편의성, 안전성, 환경/경관성을 레이더 차트와 히트맵으로 비교 분석합니다.

3,275건 성능 스코어 데이터
원안 vs 대안 비교 레이더
카테고리별 평균 Delta 추적
HOW1 x 가치유형 히트맵

KG Service

방대한 VE 원시정보를 Knowledge Graph 데이터베이스로 가공 서비스의 효과

0.0001% Fact 기반 답변 Hallucination

1,000x 데이터 처리 속도 증가

71.5x 데이터 검색 토큰비용 감소

280% 다중관계 노드 기반 Insight 도출 능력

Machine Learning Enhancement

ML 도입으로 달라진 VE 자문 엔진

키워드 사전 검색기에서 의미 이해 기반 지능형 자문 엔진으로 전환. 4개 Tier ML 파이프라인이 검색 정확도와 분류 자동화를 혁신합니다.

TIER 1 / SEMANTIC

Embedding 시맨틱 검색

384차원 벡터 공간에서 코사인 유사도 기반 의미 검색. "지붕 물 새는 문제" → "옥상 방수 공법" 자동 매칭. 키워드 외 질의 처리율 0% → 100%.

TIER 2 / HYBRID RAG

복합 스코어 + Gemini RAG

Embedding(60%) + KG 구조(40%) 복합 재정렬. Gemini 2.0 Flash가 환각 방지 프롬프트로 데이터 기반 분석 답변을 생성합니다. 응답 시간 0.07초.

TIER 3 / CLASSIFIER

자동 분류 ML

TF-IDF + CalibratedSVM으로 HOW1 대분류(6클래스) 58%, ValueType(4클래스) 67% 정확도. 신뢰도 임계값 35% + Top-3 후보 반환으로 안전성 확보.

TIER 4 / CLUSTER

클러스터링 인사이트

727개 대안을 K-Means 8개 군집으로 자동 분류. 최대 클러스터: 철근콘크리트/구조체(141건, 가치변화 +50.9%). 대시보드에서 실시간 시각화.

Value Engineering Powered by AI Agent