Brick-DICL: 자동화된 빌딩 구성 요소 스키마 분류를 위한 동적 인컨텍스트 학습

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

빌딩 관리 시스템(BMS)은 현대 건물에서 에너지 효율성과 운영 성능을 최적화하는 데 필수적입니다. 그러나 다양한 제조업체의 BMS 장치 간의 표준화 부족으로 인해 통합 및 데이터 활용에 상당한 어려움이 발생합니다. Brick 스키마는 빌딩 시스템에 대한 표준 온톨로지를 제공하지만, BMS 포인트를 적절한 Brick 클래스로 매핑하는 것은 다음과 같은 세 가지 중요한 과제를 안고 있습니다. (i) 방대한 수의 Brick 클래스(최신 버전 기준 936개), (ii) 대규모 언어 모델(LLM)의 제한적인 도메인 특정 지식, 그리고 (iii) 검증에 필요한 상당한 수동 노력입니다. 이러한 과제를 해결하기 위해, 우리는 자동화된 Brick 스키마 분류를 위한 두 단계로 구성된 동적 인컨텍스트 학습 프레임워크인 Brick-DICL을 제안합니다. Brick-DICL은 크게 두 가지 주요 구성 요소로 이루어집니다: LLM의 도메인 지식을 향상시키는 관련 예제를 검색하는 메타데이터-RAG, 그리고 잠재적인 Brick 클래스의 범위를 좁혀 광범위한 분류 공간 문제를 해결하는 클래스-RAG입니다. 또한, 여러 모델의 예측을 비교하여 낮은 신뢰도를 보이는 분류 결과를 인간 검토 대상으로 표시하는 다중 LLM 필터링 메커니즘을 구현했습니다. 결과적으로: (i) 일반성: Brick-DICL은 제조업체 또는 메타데이터 형식에 관계없이 모든 빌딩 관리 시스템에 적용 가능합니다. (ii) 혁신성과 강력함: Brick 스키마 분류를 위한 최초의 동적 인컨텍스트 학습 접근 방식으로서, Brick-DICL은 기존 방법보다 건물 데이터셋에서 상당한 분류 정확도 향상을 달성했습니다. (iii) 효율성: 다중 LLM 필터링 전략을 통해 수동 검증 노력을 줄여 디지털 빌딩 온보딩 프로세스를 가속화합니다. 광범위한 실험 결과는 다양한 건물 데이터셋에서 Brick-DICL의 효과를 입증하며, 표준화되고 상호 운용 가능한 빌딩 관리 시스템으로 나아가는 길을 제시합니다.

Building Management Systems (BMS) are essential for optimizing energy efficiency and operational performance in modern buildings. However, the lack of standardization across BMS points from different manufacturers creates significant barriers to integration and data utilization. While the Brick schema offers a standardized ontology for building systems, mapping BMS points to appropriate Brick classes presents three critical challenges: (i) the extensive number of Brick classes (936 in the latest version), (ii) limited domain-specific knowledge in large language models (LLMs), and (iii) substantial manual effort required for verification. To address these challenges, we propose Brick-DICL, a two-stage dynamic in-context learning framework for automated Brick schema classification. Brick-DICL consists of two primary components: metadata-RAG, which retrieves relevant examples to enhance LLMs' domain knowledge, and class-RAG, which narrows down potential Brick classes to address the large classification space. Additionally, we implement a multi-LLM filtering mechanism that compares predictions across multiple models, flagging low-confidence classifications for human review. As a result: (i) General: Brick-DICL is applicable to any building management system regardless of manufacturer or metadata format; (ii) Novel and Powerful: as the first dynamic in-context learning approach for Brick schema classification, Brick-DICL achieves significant classification accuracy improvements on building datasets, outperforming existing methods; (iii) Efficient: our multi-LLM filtering strategy reduces manual verification effort, enabling rapid digital building onboarding. Extensive experiments demonstrate Brick-DICL's effectiveness across diverse building datasets, accelerating the path toward standardized, interoperable building management systems.