연구진은 2026년 6월 22일, 산업안전보건 분야의 위험성 평가를 자동화하기 위한 AI 시스템을 발표했다. 기존 수동 방식의 위험 식별 과정에서 발생하던 비효율성과 평가자 간 불일치 문제를 해결하기 위해, Qwen3-32B 모델을 기반으로 한 미세 조정(fine-tuning) 방식을 도입했다.

연구팀은 LoRA(매개변수 효율적 미세 조정 기법)를 사용해 작업장 위험 요소, 평가 방법론, 안전 제어 조치에 특화된 지식을 모델에 학습시켰다. 훈련 데이터는 전문가들이 준비한 위험 시나리오를 바탕으로 구성됐으며, 각 샘플은 위험 명칭, 설명, 확률, 심각도, 제어 조치를 포함하는 JSON 형식으로 처리됐다.

실험 결과, 미세 조정된 모델은 88.3%의 분류 정확도를 기록했다. 이는 기본 모델 대비 32.1% 향상된 수치다. 또한 F1-score는 0.8830(정밀도 0.8826, 재현율 0.8836)을 기록했다. 특히 고위험과 저위험 범주 간의 극단적인 오분류가 발생하지 않아 안전 중심의 예측 성능을 입증했다. 연구진은 이번 시스템이 안전 관리의 일관성과 효율성을 높이는 의사결정 지원 도구로 활용될 수 있다고 밝혔다.

연구진은 2026년 6월 22일, 산업안전보건 분야의 위험성 평가를 자동화하기 위한 AI 시스템을 발표했다. 기존 수동 방식의 위험 식별 과정에서 발생하던 비효율성과 평가자 간 불일치 문제를 해결하기 위해, Qwen3-32B 모델을 기반으로 한 미세 조정(fine-tuning) 방식을 도입했다.

연구팀은 LoRA(매개변수 효율적 미세 조정 기법)를 사용해 작업장 위험 요소, 평가 방법론, 안전 제어 조치에 특화된 지식을 모델에 학습시켰다. 훈련 데이터는 전문가들이 준비한 위험 시나리오를 바탕으로 구성됐으며, 각 샘플은 위험 명칭, 설명, 확률, 심각도, 제어 조치를 포함하는 JSON 형식으로 처리됐다.

실험 결과, 미세 조정된 모델은 88.3%의 분류 정확도를 기록했다. 이는 기본 모델 대비 32.1% 향상된 수치다. 또한 F1-score는 0.8830(정밀도 0.8826, 재현율 0.8836)을 기록했다. 특히 고위험과 저위험 범주 간의 극단적인 오분류가 발생하지 않아 안전 중심의 예측 성능을 입증했다. 연구진은 이번 시스템이 안전 관리의 일관성과 효율성을 높이는 의사결정 지원 도구로 활용될 수 있다고 밝혔다.