공공도서관 2층 열람실에 "공기가 답답하다"는 민원이 들어왔습니다. 건물관리시스템에는 열람실 이산화탄소(CO₂) 농도가 1,650ppm으로 찍혀 있습니다. 그런데 이 열람실에 바깥 공기를 넣는 설비가 무엇인지는 데이터 어디에도 없습니다. 빌딩 AI가 이상은 잡아도 원인을 찾지 못하는 이유가 여기에 있습니다.
핵심 요약
- 빌딩 AI 도입의 첫 단계는 AI 모델 선택이 아니라, 설비·공간·센서의 관계를 정의하는 데이터 모델(시맨틱 모델)을 만드는 일입니다.
- 시맨틱 모델은 Project Haystack, Brick Schema 같은 오픈 표준으로 만들 수 있고, 그러면 특정 공급사 형식에 묶이지 않습니다.
- 데이터의 의미는 현장 운영자가 가장 잘 압니다. 시맨틱 모델링은 운영자와 함께하는 리빙랩 방식으로 시작하는 것이 효과적입니다.
빌딩 데이터는 많은데 AI는 왜 원인을 못 찾을까요?
건물관리시스템(BMS, Building Management System)은 냉난방·환기·전력 설비를 모니터링하고 제어하는 시스템입니다. 수천 개의 관제점(센서값·설정값·운전 상태처럼 시스템이 모으는 데이터 항목)을 몇 초에서 몇 분 간격으로 수집합니다. 하지만 데이터는 대개 LIB2F_CO2 1650처럼 설치 업체가 정한 약어와 숫자뿐입니다. IT로 비유하면 컬럼명만 있고 스키마 문서와 외래키가 없는 데이터베이스입니다.
그래서 이상 탐지 모델은 "CO₂가 높다"는 알림까지만 보냅니다. 1,650ppm은 실내공기질 관리법의 다중이용시설 유지기준(1,000ppm, 자연환기가 어려워 기계환기를 쓰는 시설은 1,500ppm)을 넘는 값이지만, 어느 설비를 점검해야 하는지는 시설 담당자가 도면과 경험으로 찾아야 합니다.
관계가 정의돼 있으면 추적 경로가 그대로 드러납니다. 열람실(CO₂ 1,650ppm, 재실 120명) ← 외기도입 공조기(정상 가동) ← 외기댐퍼(개도 15%). 공조기는 돌고 있지만 바깥 공기가 들어오는 입구가 거의 닫혀 있다는 결론과 점검 대상이 사람의 해석 없이 나옵니다.

시맨틱 모델이란 무엇인가요?
시맨틱 모델(semantic model)은 데이터에 '무엇인지'와 '무엇과 연결되는지'를 붙인 데이터 모델입니다. 빌딩에서는 설비(공조기·댐퍼·펌프), 공간(층·방·구역), 관제점을 각각 엔티티로 두고, '공급한다', '속한다', '위치한다' 같은 관계로 잇습니다. 개발자에게 익숙한 말로는 빌딩 도메인의 스키마이자 그래프 데이터 모델입니다. 이 모델이 있어야 AI 에이전트가 "열람실 공기질에 영향을 주는 설비는 무엇인가"를 스스로 탐색할 수 있습니다.
Project Haystack과 Brick Schema는 어떻게 다른가요?
시맨틱 모델은 처음부터 새로 설계하지 않아도 됩니다. 특정 제조사에 속하지 않는 오픈 표준이 있습니다.
- Project Haystack: 데이터 항목에 의미 태그를 붙이는 오픈소스 규약입니다. 열람실 CO₂ 센서라면
sensor,co2,zone같은 태그를 붙이는 식으로, 해시태그와 비슷합니다. 데이터를 주고받는 REST API 규격도 함께 정의합니다. - Brick Schema: 설비·공간·센서의 관계를 그래프(RDF)로 표현하는 빌딩용 오픈소스 온톨로지입니다. 온톨로지는 개념과 관계를 정의한 지식 체계를 말합니다.
feeds(공급한다),hasPoint(데이터 항목을 가진다) 같은 관계로 여러 단계를 건너는 질의를 할 수 있습니다.
실무에서는 수집·교환에는 태그 방식을, 분석·AI 추론에는 그래프 방식을 함께 쓰는 경우가 많습니다. 이탈리아 대학 캠퍼스의 태양광 설비에서 8개월간 진행한 현장 연구는 Brick을 바탕으로 애플리케이션의 메타데이터 요구사항을 형식화하는 틀을 제안하고, 이상 탐지 도구를 운영하며 변수 이름·센서 구성의 변경과 다른 설비로의 확장을 다뤘습니다(Chiosa 외, 2024). 핵심은 공급사의 독자 형식이 아니라 공개된 형식으로 의미를 정의하는 것입니다. 그래야 공급사가 바뀌어도 데이터 모델은 건물의 자산으로 남습니다.

AI보다 먼저 할 일: 실무 4단계
- 데이터 인벤토리: 관제점 전체를 목록으로 정리합니다. 중복된 항목, 값이 끊긴 센서, 의미를 아무도 모르는 항목이 이때 드러납니다.
- 현장 매핑 워크숍: 시설 운영자와 함께 각 관제점의 의미와 연결 관계를 확인해 용어 대응표를 만듭니다.
- 규칙과 모델 확정: 네이밍 규칙과 관계 모델을 표준 형식으로 작성하고, 이후 증설·교체 발주 요구사항에도 그대로 넣습니다.
- 유즈케이스 하나로 검증: 민원이 잦은 공간의 공기질 원인 진단처럼 범위를 좁혀 검증한 뒤 넓힙니다.
저희의 제안 시맨틱 모델링을 IT 프로젝트가 아니라 현장 지식을 옮기는 일로 시작하세요. "이 센서는 위치가 나빠 값이 늘 높다" 같은 지식은 도면에도 시스템에도 없고 운영자의 경험 속에만 있습니다. 운영자와 함께 만든 모델은 더 정확하고, 현장이 AI의 결과를 믿고 쓰게 만드는 출발점이 됩니다.
자주 묻는 질문
디지털 트윈이 있으면 시맨틱 모델은 필요 없나요?
3D 중심의 디지털 트윈은 "어디에 무엇이 있는지"를 보여 줍니다. AI가 원인을 추론하려면 그와 별개로 "무엇이 무엇에 영향을 주는지"를 담은 관계 데이터가 필요합니다.
Project Haystack과 Brick Schema 중 무엇을 골라야 하나요?
먼저 기존 장비와 소프트웨어가 무엇을 지원하는지 확인합니다. 수집·교환은 태그 방식, 분석·AI 추론은 그래프 방식으로 함께 쓰는 구성이 많습니다. 어느 쪽이든 공개 표준을 쓰는 것 자체가 중요합니다.
기존 건물에도 적용할 수 있나요?
가능합니다. 설비를 바꾸지 않고 기존 데이터 위에 의미와 관계를 덧입히는 작업이라, 운영 데이터가 쌓인 기존 건물에서 효과를 더 빨리 확인할 수 있습니다.
참고문헌
- Chiosa, R., Piscitelli, M. S., Pritoni, M., & Capozzoli, A. (2024). A portable application framework for energy management and information systems (EMIS) solutions using Brick semantic schema. Energy and Buildings, 323, 114802. https://doi.org/10.1016/j.enbuild.2024.114802
공개 자료 출처
- Project Haystack: https://project-haystack.org
- Brick Schema: https://brickschema.org
- 실내공기질 관리법 시행규칙(다중이용시설 유지기준): https://www.law.go.kr/법령/실내공기질관리법시행규칙