유정(oil well) 이상 감지는 석유 및 가스 산업에서 핵심적인 과제입니다. 최근 오픈 월드 학습(Open-World Learning, OWL) 파이프라인이 자동 인코더 기반 감지, 다중 클래스 분류, 마할라노비스 거리 기반 신규성 감지를 결합하여 유정 이상을 효과적으로 탐지하는 성과를 보였습니다. 하지만 이 시스템들은 '무엇이' 문제인지 알려줄 뿐, 모델이 왜 그렇게 판단했는지, 그리고 운영자가 다음으로 '무엇을' 해야 하는지에 대한 설명을 제공하지 못해 실제 현장 적용에 한계가 있었습니다.
이러한 설명 가능성(explainability)의 간극을 메우기 위해, 연구진은 기존 OWL 파이프라인 하단에 대규모 언어모델(LLM) 에이전트 레이어를 추가하는 방안을 제시했습니다. NVIDIA NIM을 통해 Qwen3.5-397B-A17B 혼합 전문가(Mixture-of-Experts) 모델을 활용한 이 에이전트는 구조화된 센서 측정치와 상위 시스템의 분류 또는 신규성 주장을 입력받아, 자연어 기반의 정당화, 신뢰도 순위가 매겨진 비판, 그리고 감지된 신규성에 대한 통합된 명칭을 반환합니다. 3W 데이터셋의 989개 실제 유정 파일 세그먼트를 대상으로 한 세 가지 연구에서, 이 에이전트는 9개 클래스에 대해 35.1%의 Top-1 / 63.9%의 Top-3 분류 정확도를 달성했으며, 신규성 감지에서는 89.7%의 높은 정확도를 보였습니다.
이 LLM 에이전트는 독립적인 분류기가 아니라, 기존 시스템의 '동반자'로서 다음과 같은 역할을 수행합니다. 첫째, 센서 증거가 뒷받침될 때 상위 시스템의 결정을 확인하고, 둘째, 운영자가 감사할 수 있는 센서 기반 언어로 결정을 정당화합니다. 셋째, 상위 시스템의 레이블이 불합리할 경우 불일치를 표시하고, 넷째, 클러스터링된 미분류 이벤트에 대해 인간이 읽을 수 있는 통합된 레이블을 부여하여 엔지니어에게 전달합니다. 궁극적으로 이 연구는 AI 모델의 '블랙박스' 문제를 해결하고, 복잡한 산업 환경에서 AI 기반 이상 감지 시스템의 실제 배포를 가로막던 설명 가능성 부족 문제를 해소하는 데 중요한 기여를 할 것으로 기대됩니다.