[첨단도시계획기법] 첨단도시계획기법의 현재와 미래-빅데이터와 AI 시대의 도시계획 2026.01

도시빅데이터전문

 

 

이 글은 2024년 한국도시계획가협회 첨단도시계획기법분과 세미나 자료를 바탕으로, 분과 안의 도시빅데이터전문위원회(위원장 (주)인토엔지니어링 최지환 상무), AI도시계획전문위원회(위원장 서울시립대학교 장윤정 박사, 부위원정 SH도시연구원 김기중 박사) 등 전문위원회를 포괄하여 분과위원장(한국교통대학교 이경주 교수)이 대표로 작성하였다.

 

새로운 패러다임의 등장

도시계획 분야는 현재 전례 없는 기술적 변화의 한복판에 서 있다. 1980년대 산업기계와 자동차 시대를 거쳐, 1995년부터 2005년까지의 IT 기술 시대 그리고 2015년 이후 AI 기술의 시대에 이르기까지 우리는 도시와 기술이 융합되는 새로운 시대를 목격하고 있다. 특히 포스트 스마트 도시와 AI 어바니즘이라는 개념이 등장하면서, 전통적인 도시계획 방법론에 근본적인 변화가 요구되고 있다.

우리는 농업혁명, 산업혁명, 교통·정보통신의 발달을 거쳐 스마트 도시의 시대로 진입하고 있다. 이러한 변화의 중심에는 공간 빅데이터와 인공지능 기술이 자리 잡고 있으며, 이들 기술은 도시계획 분석 패러다임 자체를 변화시키고 있다. 이제 도시계획은 예측과 시뮬레이션, 실시간 피드백 기반의 역동적 계획체계로 재편되고 있으며, 도시계획가의 역할 또한 이에 맞게 재정의할 필요성이 대두 되고 있다.

 

공간 빅데이터와 AI의 융합

1) 데이터 중심 도시계획의 새로운 가능성

“많은 데이터를 가진 간단한 모델이 적은 데이터를 가진 정교한 모델보다 뛰어나다.”라는 관점은 빅데이터 시대 도시계획의 핵심을 관통한다. 컴퓨팅 자원의 비약적 발전과 빅데이터의 결합은 기계학습(machine learning) 알고리즘에 생명력을 불어넣는 에너지원이 되었고, 이는 도시계획 분야에도 혁신적 변화를 가져오고 있다. 공간 빅데이터의 핵심은 ‘속성 + 위치’라는 공간분석의 기본 전제에 있다. 여기서 속성은 위치의 특성을 설명하는 데이터(예: 특정 위치의 필지 면적 등)를 의미한다. 공간 빅데이터는 기존 빅데이터의 효용을 2차원의 지리적 도시 공간 영역으로 확장했으며, 위치 정보가 포함된 공간 빅데이터와 공간 분석기법 그리고 기계학습 알고리즘의 결합은 도시계획 분석 패러다임의 변화 방향을 제시하고 있다.

 

2) Urban AI의 구조와 특성

아래 그림은 Urban AI의 개􀀀과 구조를 체계적으로 도식적으로 나타낸다. 도시에서 필요한 AI의 개념은 기존의 기호적(symbolic) AI와 기계학습에 의한 통계적 AI를 아우르는 융합적(hybrid) AI의 형태로 발전하고 있다. Urban AI의 구조는 크게 적용, 모델, 데이터, 인프라의 4개 계층으로 구성되며, 각 계층은 의사결정과 적응, 알고리즘과 기계학습, 데이터 시각화와 처리 그리고 다양한 인프라 요소들로 구성된다.

 

이러한 구조는 도시계획가들이 복잡한 도시 현상을 이해하고 예측하는 데 필요한 도구와 방법론을 제공한다. 특히 (비)지도학습, 딥러닝, 강화학습 등 다양한 기계학습 기법들이 도시 데이터 분석에 적용되면서, 전통적인 계획 수립 과정에서 놓칠 수 있었던 패턴과 인사이트를 발견할 수 있게 되었다.

도시-AI의 관계와 Urban AI 의 구조 (ⓒ 국토연구원)

 

첨단도시계획기법의 실제 활용사례

1) 건축설계 및 개발 분야의 혁신

첨단도시계획기법을 적용한 다양한 사례들은 전통적으로 전문가의 경험과 직관에 의존했던 설계 과정을 데이터 기반의 과학적 접근법으로 전환시키고 있다.

스페이스워크의 LBDeveloper는 토지 빅데이터를 통해 대상지의 정비사업 가능 여부를 파악하고 정비사업의 사업성을 분석하는 동시에, 생성형 AI 모델을 통해 지자체 조례에 부합하는 최적의 건축설계 대안을 생성하여 제공한다.

BUILDIT는 AI 기반으로 건축설계 계획안을 자동 생성하고 반자동 검토 기능으로 사업영역을 지정하여 편집할 수 있는 빠른 건축설계 초기 검토 솔루션을 제공한다.

 

Flexity AI 기획설계나 빅밸류 AI Developer 같은 플랫폼들은 물류 창고 부지, 아파트 건설 부지 등 사업 목적성에 적합한 요건을 갖춘 부지 탐색부터 건설사 브랜드별 적정 분양가 산정까지 포괄적인 솔루션을 제공하고 있다.

 

2) 실시간 도시 서비스의 진화

SKT 지오비전 퍼즐은 통신사 실시간 데이터를 분석하여 유의미한 인사이트를 도출하는 웹 플랫폼으로, 도시 빅데이터 기반 인사이트 도출의 대표적 사례이다. 서울 실시간 도시 데이터 플랫폼은 혼잡도, 밀집도 및 실시간 인구 예측 AI를 사용하여 화이트 스캔과 서울시가 협업하여 만든 도시 데이터 시각화 플랫폼으로, 실시간 인구, CCTV 영상, 실시간 교통정보 등 공간 빅데이터를 이용하여 AI 기반 공간 정보 분석을 제공한다.

KT의 Air Map은 빅데이터 기반의 AI 환경 플랫폼으로 안전하고 쾌적한 환경 관리를 위한 정보 제공 서비스를 구현했으며, SKT의 T맵 주차는 빅데이터와 AI를 활용하여 주차 공간을 효율적으로 관리하기 위한 스마트 주차 솔루션을 제공한다.

 

3) 예측 및 위험관리 시스템

미국 Atlanta 소방서와 Georgia 공대가 협력하여 개발한 Firebird는 건물의 위치, 규모, 구조, 건축 연도와 과거 화재 발생 사례 데이터를 이용하여 기계학습을 통해 학습한 모델을 바탕으로 건물 단위 화재 위험도를 예측한다. 이 시스템은 화재 예측 정확도 73%의 성능을 보이며 소방 업무의 효율을 높이고 있다. Ecopia AI는 인공지능을 활용하여 고해상도 이미지를 고화질 벡터 지도로 변환하는 기술로, Ontario Peterborough(2022)에서 잠재적인 홍수 시나리오 모형 구축에 활용되어 도시 재해 관리 분야의 새로운 가능성을 보여주었다. LH의 COMPAS는 나침반(Compass)과 같이 도시문제 해결의 방향성을 제시하는 데이터 분석 플랫폼으로, Citizen(시민), Opportunity(기회), Management(관리), Problem(문제), Analysis(분석), Solution(해결책)의 요소들을 통합적으로 다룬다.

 

생성형 AI 시대의 기회와 도전

1) 새로운 기회의 창출

ML 알고리즘이 전문가의 전유물이 아닌 일반인의 영역으로 급속하게 확대되면서, 강화학습(Reinforcement Learning)과 생성형 AI(Generative Artificial Intelligence) 기술이 도시계획 분야에서 활용영역을 급속히 확장할 만한 분명한 기회 요인이 되고 있다. 강화학습(Reinforcement Learning)은 행위자(agent)가 환경과 상호작용하며 보상을 극대화하는 방향으로 스스로 학습하는 기계학습 기법이다. 즉, 시행착오(trial and error)를 통해 장기적으로 가장 큰 이익을 가져오는 행동 전략을 학습한다.

 

AlphaGO(2016)에서 AlphaGo Zero(2017), Alpha Zero(2018), Mu Zero(2020)로 이어지는 강화학습의 지속적이면서도 급속한 발전과 GAN(Generative Adversarial Network), VAE(Variational Autoencoder), LLM(Large Language Model) 등 생성형 AI 기술의 급속한 발전은 도시계획에서 새로운 가능성을 열어주고 있다.

 

2) 위험 요인에 대한 성찰

그러나 생성형 AI의 발전은 동시에 새로운 위험 요인도 제기하고 있다. OpenAI의 연구에서 GPT-4가 Captcha Test를 통과하기 위해 TaskRabbit 플랫폼의 인간 작업자를 속여 도움을 받은 사례는 AI가 자체적으로 보호하고, 다른 AI 복사본을 활용하며, 실제 돈을 사용해 인간을 고용하거나 컴퓨팅 파워를 증강할 수 있는 능력을 갖출 수 있음을 보여준다.

 

이러한 사례는 AI 기술의 발전이 가져올 수 있는 예상치 못한 결과들에 대해 도시계획가들이 신중하게 접근해야 함을 시사한다. 복잡한 인공지능 설계자조차 과정적 추론이 어려운 Blackbox 기술로써 인공지능의 한계를 인식하고, 과정 설명이 가능한 인공지능 XAI(eXplainable AI)의 중요성이 대두되고 있다.

 

도시계획가의 새로운 역할과 과제

공간 빅데이터와 인공지능 시대의 도시계획가는 여러 가지 새로운 역할을 수행해야 한다.

첫째, 단기적, 실시간 도시 서비스뿐만 아니라 도시의 중장기적 정책 도출을 위한 활용사례를 지속해서 발굴해야 한다.

둘째, AI 기술을 이용하여 도시의 변화 예측 및 시뮬레이션을 통한 과학적 도시계획안을 도출해야 한다.

셋째, 전문가의 도메인 지식과 AI 기술을 융합함으로써 도시 관련 정책 및 의사결정과정을 조정하는 역할을 담당해야 한다.

넷째, AI 기술이 도시의 미래를 어떻게 변화시킬 것인가에 대한 심도 있는 고찰과 지속적 논의를 이끌어가야 한다.

 

도시계획가협회는 이러한 기술적 변화에 적극적으로 대응하면서도, 동시에 인간 중심의 도시계획이라는 근본적 가치를 견지해야 한다. 기술은 수단이지 목적이 아니며, 궁극적으로는 시민의 삶의 질 향상과 지속 가능한 도시 발전을 위해 활용해야 한다.

 

앞으로 도시계획가들은 빅데이터와 AI 기술을 능숙하게 활용하면서도, 이러한 기술의 한계와 위험을 정확히 인식하고, 설명 가능한 AI와 인간 중심의 도시계획을 실현해 나가야 할 것이다. 이는 단순히 기술을 도입하는 것을 넘어서, 기술과 인간이 조화롭게 공존하는 미래 도시를 설계하는 새로운 전문성을 요구하고 있다.

 

 

이경주 / lgjracer@ut.ac.kr

한국교통대학교 도시·교통공학과 교수

한국도시계획가협회 첨단도시계획기법분과 위원장

국토연구원 국토정보 책임연구원, 한국교통대학교 도시공학과 조교수, 한국교통대학교 도시·교통공학과 부교수를 역임하였다.