원활하게 수립된 건설 프로젝트 계획은, 예산 범위 내에서 정해진 시기에 완료함으로써 원하는 성과를 달성하는 데 필수적이다. 설계-입찰-시공(design-bid-build, DBB) 전달 방식으로 건설 프로젝트를 계획할 때, 특히 교통부(Department of Transportation, DOT)와 같은 복잡하고 다부문(multiple-division) 환경에서는 프로젝트 요구사항을 명확히 할당하는 것이 중요하다. 이러한 요구사항의 정의는 역할과 책임을 명확히 하고, 계획된 이행을 보장하며, 청구(claims)와 분쟁(disputes)으로 이어질 수 있는 오해, 오류, 갈등 및 협업 문제를 예방한다. 현재의 프로젝트 요구사항 할당 방식은 주로 프로젝트 관리자가 문서를 수작업으로 검토하여 요구사항을 이해하고 경험과 판단에 근거해 관련 부문을 식별하는 데 의존하며, 이는 시간이 많이 소요되고 오류가 발생하기 쉽다. 본 연구는 이러한 문제를 체계적으로 해결하기 위해, 대화형 매핑(interactive mapping) 시스템을 활용한 자동 요구사항 분류 모델을 제안한다. 본 연구는 프로젝트 요구사항에 대해 다수의 라벨을 부여하기 위해 Bidirectional Encoder Representations from Transformers(BERT) 기반 다중 라벨 분류(multilabel classification)를 수행하고, 모든 부문에 대한 분류 결과를 동시에 반영할 수 있는 매핑 플랫폼 시스템을 활용한다. 본 연구는 제안 접근법의 적용 가능성과 타당성을 평가하기 위해 실제 도로 건설 프로젝트를 대상으로 사례 연구를 수행한다. 사례 연구 결과, BERT 분류기의 성능은 정밀도(precision) 점수가 0.81에서 0.91 범위로 나타났다. 또한 제안된 모델은 부문들이 매핑 플랫폼에 접속하여 자신에게 해당하는 요구사항을 신속히 파악하고, 개정 또는 업데이트 여부를 식별할 수 있게 한다. 본 연구는 프로젝트 참여자 간 갈등을 감소시키고 작업 활동 배치의 정확성을 보장함으로써 작업 계획(work planning)을 향상시키는 혁신적인 방법을 제시한다.

주(州) 교통부(DOTs)는 사업 예산 편성을 위해 신뢰할 수 있는 초기 공사비 추정치를 요구한다. 일반적으로 사업 예산은 사업의 범위업무를 확정하기 전에 개발 과정 초기에 수립된다. 그러나 범위 정의와 명세의 불완전성이 내재해 있기 때문에, 공사비에 대한 초기 추정은 정확도가 매우 낮아 이를 보완하기 위해 우발비(컨틴전시)를 추정하고 활용할 필요가 있다. 그럼에도 불구하고 대부분의 DOT는 사업별 위험과 불확실성을 고려하지 않은 채 공사비 우발비를 추정하기 위한 사전 정해진 방식을 사용한다. 또한 초기 단계에서 공사비 우발비 추정의 개선에 초점을 둔 연구는 많지 않다. 본 연구는 DOT를 위한 사업별·위험 기반 접근의 기초를 마련함으로써 지식의 축적에 기여한다. 공사비 우발비에 영향을 미치는 주요 위험을 식별하고 우선순위를 매긴 다음, DOT 매뉴얼, 위험 체크리스트, 위험 레지스터를 검토·분석하고 DOT 전문가를 대상으로 설문조사를 실시·분석하는 혼합 연구 방법론을 적용하여 이를 일반적인 사업 유형과 함께 매핑하였다. 위험 우선순위에 영향을 미치는 설문 응답의 주관성과 모호함은 퍼지 집합 및 퍼지 논리 접근법을 사용하여 다루었다.

건설 입찰 서류는 입찰 이전에 적절히 다루지 않을 경우, 프로젝트 가격 및 프로젝트 수행에 영향을 줄 수 있는 불확실하거나 불완전한 정보를 포함할 수 있다. 이러한 불확실성을 해소하고 프로젝트 요구사항을 명확히 하기 위해, 문서에 존재하는 위험 및 불확실성은 프로젝트 생애주기의 초기 단계에서 식별되어야 한다. 본 연구에서는 입찰 서류의 프로젝트 모호성과 불확실성을 정량화하기 위한 핵심 단서로 입찰 전 질의요청서(Request for Information, RFI)를 활용한다. 입찰 전 RFI는 입찰자가 입찰 서류에서 모호하거나 불완전한 정보를 발견하는 경우 생성되기 때문이다. 입찰 전 RFI의 중요성에도 불구하고, 입찰 전 RFI를 고려하여 프로젝트 불확실성을 식별하는 연구는 제한적이다. 본 연구는 문서 기반 분석에 기반하여, 입찰 서류에서 흔히 발생하는 불확실성은 무엇이며 그것이 프로젝트 가격에 어떻게 영향을 미치는지를 조사하고자 한다. 이를 위해 본 연구는 (1) 입찰 서류에 존재하는 우세한 위험/불확실성을 식별하고, (2) 가장 흔한 위험/불확실성과 그들이 입찰가격에 미치는 영향을 규명하며, (3) 입찰 불확실성 예측 모델에서 입찰 전 RFI의 중요성을 검증할 것이다. 이러한 목표를 달성하기 위해, 미국 주(州) 교통부(Department of Transportation, DOT)로부터 공개된 프로젝트 데이터를 수집하여 빈도 분석, 상관관계 검정, 그리고 기계학습 기반 예측 모델에 활용하였다. 불확실성 예측 모델의 결과, 입찰 전 RFI 분석으로부터 유발되는 불확실성은 프로젝트 위험 예측을 최대 15%까지 향상시킬 수 있었으며, 이는 입찰가격 예측 모델에서 RFI의 중요성을 검증하는 것이다. 본 연구는 입찰 이전에 반드시 점검해야 할 오류 및 불확실성의 발생 가능성을 명확히 함으로써, 향후 설계 변경, 청구 및 분쟁 위험을 선제적으로 예방하는 데 기여할 것이다.

벤치마킹 기준에 비추어 이전 프로젝트로부터 학습하는 접근은 시공 전 단계에서의 신뢰성 있는 프로젝트 개발 및 계획 수립을 위해 바람직하고 널리 사용되는 방법이다. 선행의 유사 프로젝트는 향후 프로젝트에 적용할 수 있는 실용적이고 검증된 지식의 원천을 제공한다. 시공 전 초기 단계에서 유사 프로젝트를 파악할 때의 일반적인 관행은 단순하고 제한적인 프로젝트 특성을 활용하는 것으로, 그 결과 파악 정확도가 저하된다. 본 연구는 프로젝트 맥락 기반 유사성 평가를 제공하기 위해, 프로젝트 범위 진술 간의 유사성을 체계적으로 측정함으로써 유사한 이전 프로젝트를 추천할 수 있는 자연어 처리(NLP) 기반 방법을 개발하고 제안한다. NLP 기법은 프로젝트 범위의 유사성을 체계적으로 측정할 수 있게 하며, (1) 내용을 이해하기 위해 개인의 경험과 전문지식에 의존하는 문제와, (2) 프로젝트 범위에 대한 비정형 서술 내러티브 전부를 검토하는 데 필요한 시간과 노력의 문제를 해결한다. 제안된 방법은 프로젝트 범위 진술로부터 핵심 업무 활동을 추출하고, 추출된 활동 간의 동질성(LOH) 수준을 평가하며, 동질성 평가 결과를 바탕으로 프로젝트 유사성을 정량화한다. 제안된 방법은 텍스트의 문맥을 고려하여 비정형 텍스트를 컴퓨터가 판독 가능한 수치 형식으로 임베딩할 수 있는 변환기(Transformer) 기반 양방향 인코더 표현(BERT) 모델을 활용한다. 제안된 모델의 출력은 유사성을 나타내는 그래픽 지도 형태로 제공되며, 이를 통해 프로젝트 엔지니어가 유사성 평가 결과를 빠르고 직관적으로 인지할 수 있도록 돕는다. 타당성 검정 결과, 본 방법은 진행 중인 프로젝트와의 관계에서 가장 높은 유사도를 보이는 과거 프로젝트를 결정하는 데 있어 더 나은 성능을 나타내는 것으로 확인되었다. 제안된 방법은 이전 프로젝트로부터의 효과적인 정보 획득 과정을 향상시키기에 적절하며, 그 결과 시공 전 단계에서의 더 개선되고 효율적인 프로젝트 계획 수립으로 이어진다.

원활하게 수립된 건설 프로젝트 계획은, 예산 범위 내에서 정해진 시기에 완료함으로써 원하는 성과를 달성하는 데 필수적이다. 설계-입찰-시공(design-bid-build, DBB) 전달 방식으로 건설 프로젝트를 계획할 때, 특히 교통부(Department of Transportation, DOT)와 같은 복잡하고 다부문(multiple-division) 환경에서는 프로젝트 요구사항을 명확히 할당하는 것이 중요하다. 이러한 요구사항의 정의는 역할과 책임을 명확히 하고, 계획된 이행을 보장하며, 청구(claims)와 분쟁(disputes)으로 이어질 수 있는 오해, 오류, 갈등 및 협업 문제를 예방한다. 현재의 프로젝트 요구사항 할당 방식은 주로 프로젝트 관리자가 문서를 수작업으로 검토하여 요구사항을 이해하고 경험과 판단에 근거해 관련 부문을 식별하는 데 의존하며, 이는 시간이 많이 소요되고 오류가 발생하기 쉽다. 본 연구는 이러한 문제를 체계적으로 해결하기 위해, 대화형 매핑(interactive mapping) 시스템을 활용한 자동 요구사항 분류 모델을 제안한다. 본 연구는 프로젝트 요구사항에 대해 다수의 라벨을 부여하기 위해 Bidirectional Encoder Representations from Transformers(BERT) 기반 다중 라벨 분류(multilabel classification)를 수행하고, 모든 부문에 대한 분류 결과를 동시에 반영할 수 있는 매핑 플랫폼 시스템을 활용한다. 본 연구는 제안 접근법의 적용 가능성과 타당성을 평가하기 위해 실제 도로 건설 프로젝트를 대상으로 사례 연구를 수행한다. 사례 연구 결과, BERT 분류기의 성능은 정밀도(precision) 점수가 0.81에서 0.91 범위로 나타났다. 또한 제안된 모델은 부문들이 매핑 플랫폼에 접속하여 자신에게 해당하는 요구사항을 신속히 파악하고, 개정 또는 업데이트 여부를 식별할 수 있게 한다. 본 연구는 프로젝트 참여자 간 갈등을 감소시키고 작업 활동 배치의 정확성을 보장함으로써 작업 계획(work planning)을 향상시키는 혁신적인 방법을 제시한다.

주(州) 교통부(DOTs)는 사업 예산 편성을 위해 신뢰할 수 있는 초기 공사비 추정치를 요구한다. 일반적으로 사업 예산은 사업의 범위업무를 확정하기 전에 개발 과정 초기에 수립된다. 그러나 범위 정의와 명세의 불완전성이 내재해 있기 때문에, 공사비에 대한 초기 추정은 정확도가 매우 낮아 이를 보완하기 위해 우발비(컨틴전시)를 추정하고 활용할 필요가 있다. 그럼에도 불구하고 대부분의 DOT는 사업별 위험과 불확실성을 고려하지 않은 채 공사비 우발비를 추정하기 위한 사전 정해진 방식을 사용한다. 또한 초기 단계에서 공사비 우발비 추정의 개선에 초점을 둔 연구는 많지 않다. 본 연구는 DOT를 위한 사업별·위험 기반 접근의 기초를 마련함으로써 지식의 축적에 기여한다. 공사비 우발비에 영향을 미치는 주요 위험을 식별하고 우선순위를 매긴 다음, DOT 매뉴얼, 위험 체크리스트, 위험 레지스터를 검토·분석하고 DOT 전문가를 대상으로 설문조사를 실시·분석하는 혼합 연구 방법론을 적용하여 이를 일반적인 사업 유형과 함께 매핑하였다. 위험 우선순위에 영향을 미치는 설문 응답의 주관성과 모호함은 퍼지 집합 및 퍼지 논리 접근법을 사용하여 다루었다.

건설 입찰 서류는 입찰 이전에 적절히 다루지 않을 경우, 프로젝트 가격 및 프로젝트 수행에 영향을 줄 수 있는 불확실하거나 불완전한 정보를 포함할 수 있다. 이러한 불확실성을 해소하고 프로젝트 요구사항을 명확히 하기 위해, 문서에 존재하는 위험 및 불확실성은 프로젝트 생애주기의 초기 단계에서 식별되어야 한다. 본 연구에서는 입찰 서류의 프로젝트 모호성과 불확실성을 정량화하기 위한 핵심 단서로 입찰 전 질의요청서(Request for Information, RFI)를 활용한다. 입찰 전 RFI는 입찰자가 입찰 서류에서 모호하거나 불완전한 정보를 발견하는 경우 생성되기 때문이다. 입찰 전 RFI의 중요성에도 불구하고, 입찰 전 RFI를 고려하여 프로젝트 불확실성을 식별하는 연구는 제한적이다. 본 연구는 문서 기반 분석에 기반하여, 입찰 서류에서 흔히 발생하는 불확실성은 무엇이며 그것이 프로젝트 가격에 어떻게 영향을 미치는지를 조사하고자 한다. 이를 위해 본 연구는 (1) 입찰 서류에 존재하는 우세한 위험/불확실성을 식별하고, (2) 가장 흔한 위험/불확실성과 그들이 입찰가격에 미치는 영향을 규명하며, (3) 입찰 불확실성 예측 모델에서 입찰 전 RFI의 중요성을 검증할 것이다. 이러한 목표를 달성하기 위해, 미국 주(州) 교통부(Department of Transportation, DOT)로부터 공개된 프로젝트 데이터를 수집하여 빈도 분석, 상관관계 검정, 그리고 기계학습 기반 예측 모델에 활용하였다. 불확실성 예측 모델의 결과, 입찰 전 RFI 분석으로부터 유발되는 불확실성은 프로젝트 위험 예측을 최대 15%까지 향상시킬 수 있었으며, 이는 입찰가격 예측 모델에서 RFI의 중요성을 검증하는 것이다. 본 연구는 입찰 이전에 반드시 점검해야 할 오류 및 불확실성의 발생 가능성을 명확히 함으로써, 향후 설계 변경, 청구 및 분쟁 위험을 선제적으로 예방하는 데 기여할 것이다.

벤치마킹 기준에 비추어 이전 프로젝트로부터 학습하는 접근은 시공 전 단계에서의 신뢰성 있는 프로젝트 개발 및 계획 수립을 위해 바람직하고 널리 사용되는 방법이다. 선행의 유사 프로젝트는 향후 프로젝트에 적용할 수 있는 실용적이고 검증된 지식의 원천을 제공한다. 시공 전 초기 단계에서 유사 프로젝트를 파악할 때의 일반적인 관행은 단순하고 제한적인 프로젝트 특성을 활용하는 것으로, 그 결과 파악 정확도가 저하된다. 본 연구는 프로젝트 맥락 기반 유사성 평가를 제공하기 위해, 프로젝트 범위 진술 간의 유사성을 체계적으로 측정함으로써 유사한 이전 프로젝트를 추천할 수 있는 자연어 처리(NLP) 기반 방법을 개발하고 제안한다. NLP 기법은 프로젝트 범위의 유사성을 체계적으로 측정할 수 있게 하며, (1) 내용을 이해하기 위해 개인의 경험과 전문지식에 의존하는 문제와, (2) 프로젝트 범위에 대한 비정형 서술 내러티브 전부를 검토하는 데 필요한 시간과 노력의 문제를 해결한다. 제안된 방법은 프로젝트 범위 진술로부터 핵심 업무 활동을 추출하고, 추출된 활동 간의 동질성(LOH) 수준을 평가하며, 동질성 평가 결과를 바탕으로 프로젝트 유사성을 정량화한다. 제안된 방법은 텍스트의 문맥을 고려하여 비정형 텍스트를 컴퓨터가 판독 가능한 수치 형식으로 임베딩할 수 있는 변환기(Transformer) 기반 양방향 인코더 표현(BERT) 모델을 활용한다. 제안된 모델의 출력은 유사성을 나타내는 그래픽 지도 형태로 제공되며, 이를 통해 프로젝트 엔지니어가 유사성 평가 결과를 빠르고 직관적으로 인지할 수 있도록 돕는다. 타당성 검정 결과, 본 방법은 진행 중인 프로젝트와의 관계에서 가장 높은 유사도를 보이는 과거 프로젝트를 결정하는 데 있어 더 나은 성능을 나타내는 것으로 확인되었다. 제안된 방법은 이전 프로젝트로부터의 효과적인 정보 획득 과정을 향상시키기에 적절하며, 그 결과 시공 전 단계에서의 더 개선되고 효율적인 프로젝트 계획 수립으로 이어진다.

프로젝트 요구사항은 계획된 예산과 일정 내에서 건설 프로젝트의 성공을 보장하기 위해 충족되어야 하는 특정 작업, 이벤트 또는 조건을 명시한다. 프로젝트 요구사항을 효과적으로 관리하기 위해서는 요구사항 우선순위 설정을 통해 서로 다른 요구사항의 상대적 중요도와 긴급성을 판단함으로써 제한된 프로젝트 자원을 적절히 배분할 수 있다. 그러나 프로젝트 요구사항은 통상 문서 내 텍스트 데이터로 전달되기 때문에, 현재의 요구사항 우선순위화 접근은 개인의 전문성, 실무적 지식 및 경험에 크게 의존한다. 이러한 주관적 판단에 기반한 과정은 실무자별 우선순위 결과에 차이가 있을 수 있으므로, 일관되고 신뢰할 수 있는 우선순위화의 보장을 어렵게 한다. 또한 문서 내 방대한 양의 텍스트는 제한된 입찰 시간 내에 중요 요구사항을 포착하는 데에도 복잡성을 초래할 수 있다. 이러한 문제를 해결하기 위해 본 연구는 과거 데이터 분석과 계산 기법을 활용한 새로운 방법을 제안한다. 본 연구는 건설 과정에서 조정된 작업 항목의 영향 수준을 평가하기 위해 과거의 변경 주문(change orders)을 채택하고, 요구사항을 가장 관련 있는 작업 항목별로 자동 분류할 수 있게 하는 자연어처리(NLP) 기법을 적용한다. 본 연구는 재포장(resurfacing) 프로젝트의 문서를 검토함으로써 사례 연구를 수행하고, 제안된 방법의 타당성과 효과성을 검증한다. 또한 본 연구는 프로젝트 문서에 대한 보다 지능적인 검토와 이해를 위한 기반을 마련하고, 프로젝트 계획을 위한 의사결정의 개선에 기여할 것이다.

인공지능(AI)의 급진적인 발전은 건설 안전 관리 관행을 변화시키고 있다. 건설 안전을 위한 AI 모델은 일반적으로 사고 발생 당시의 사건 및 기여 요인에 대한 상세 정보를 제공하는 사고 보고서를 사용하여 학습된다. 그러나 모델의 성능은 명확하지 않은 인과관계 또는 잘못 분류된 정보를 포함한 저품질 사고 보고서로 인해 저하된다. 건설 사고의 복잡하고 업종(전공/직종)별 특성을 고려할 때, 저품질 보고서를 자동으로 걸러내는 일은 여전히 어렵다. 본 연구는 보고된 사고와 연관된 건설 직종을 분류하는 AI 모델의 성능에 저품질 사고 보고서가 어떠한 영향을 미치는지 분석하였다. 430건의 사고 보고서를 사용하여, 저품질 데이터의 포함 비율을 달리한 뒤 모델 성능을 측정하였다. 그 결과 특정 분류에서는 성능이 최대 45%까지 감소하는 것으로 나타났다. 이러한 결과는 소수의 저품질 사고 보고서만으로도 건설 안전 AI 모델의 성능이 저하될 수 있음을 보여주며, 건설 안전 AI 모델의 신뢰성을 확보하기 위한 고도화된 필터링 메커니즘의 필요성을 강조한다.

예기치 않은 불확실성은 건설 프로젝트 수행 중에 자주 발생하며, 시간, 예산, 범위, 품질과 같은 성과지표에 영향을 미친다. 본 연구는 자연어 처리(NLP) 기법을 활용하는 자동화된 위험관리 모델을 구축함으로써 이러한 비용 및 일정 관련 과제를 다룬다. NLP 기법은 자연어 데이터를 처리하고 분석할 수 있는 강력한 도구로서, 텍스트 데이터로부터 유용한 통찰을 도출할 수 있게 해준다. 본 방법은 입찰, 계약, 변경지시서 문서로부터 의미 있는 정보를 추출할 수 있도록 한다. 널리 알려진 트랜스포머 기반 모델인 변환기 양방향 인코더 표현(bidirectional encoder representations from transformers, BERT) 모델은 단어와 구를 수치적 표현으로 변환한다. 그 후 코사인 유사도(cosine similarity)를 사용하여 새로운 프로젝트와 과거 프로젝트 간의 유사성을 평가한다. 이와 같은 기법들은 유사한 과거 프로젝트의 데이터에 기반하여 향후 프로젝트의 잠재적 비용 및 일정 변화를 예측할 수 있게 한다. 본 연구의 연구문제는 다음과 같다. “과거의 입찰 및 변경지시서 문서를 어떻게 활용하여 신규 프로젝트에서의 프로젝트 비용과 일정에 대한 불확실성을 예측할 수 있는가?” 이 질문에 답하기 위해, 저자들은 NLP, BERT 및 코사인 유사도를 사용하여 과거의 유사 프로젝트로부터 관련 데이터를 추출함으로써 향후 신규 프로젝트의 비용 및 일정 변화를 예측하고, 결과적으로 프로젝트 관리에 대한 사전적 통찰을 제공하는 접근법을 제안하였다. 113개 프로젝트를 대상으로 한 사례연구에서, 이 중 20%를 테스트에 할당했으며, 본 모델은 비용 변화 예측에서 78.30%, 일정 변화 예측에서 75.0%의 정확도를 달성하였다. 또한 변화 예측에서 전반적 정확도는 75% 이상이었다. 이러한 결과는 모델이 프로젝트 불확실성을 사전에 예측하는 데 효과적임을 보여주며, 나아가 프로젝트 관리의 개선에 유의미하게 기여한다. 궁극적으로 불확실성에 대한 이러한 데이터 기반 접근은 건설 현장의 전문가들이 잠재적 위험과 변동을 사전에 예측하고 대응할 수 있게 함으로써 전체 프로젝트의 성공과 성과를 향상시킨다.

복잡하고 역동적인 건설 환경에서 프로젝트 계획과 수행의 성공을 위해 효과적인 프로젝트 요구사항 관리가 중요한 과제 중 하나이다. 요구사항 관리를 개선하기 위해, 건설 이전의 초기 단계에서 프로젝트 요구사항을 식별하고 적절히 배분하여, 적은 노력과 비용으로 적합한 프로젝트 진행 모니터링 및 통제를 수행할 것을 권장한다. 현재의 요구사항 배분 관행은 방대한 양의 자유 형식 프로젝트 문서로 인해 그리고 실무자가 자신의 경험과 전문성에 기반한 판단을 필요로 하기 때문에, 시간 소모적이며 오류가 발생하기 쉬운 수작업 과정에 크게 의존하고 있다. 본 논문은 프로젝트 요구사항을 적절한 프로젝트 당사자에게 배정하고 명확히 하기 위한 체계적인 접근 방식을 제안하는 것을 목적으로 한다. 제안된 접근 방식은 자연어 처리(NLP) 기법을 활용하여 프로젝트 요구사항을 책임 있는 프로젝트 당사자에게 자동으로 배정한다. 배정된 요구사항은 이후 프로젝트 지리정보시스템(Geographic Information System)에 통합되어 관련 프로젝트 요구사항을 지리공간 정보와 함께 제시한다. NLP 기법을 통해 정보시스템을 분류된 프로젝트 요구사항과 통합함으로써, 선제적 요구사항 배분은 다양한 요구사항을 관리하는 것과 더불어 이를 모든 프로젝트 당사자에게 실시간으로 전파하는 것을 한층 더 용이하게 할 것이다.

입찰서류의 품질이 낮으면 입찰자의 비용 추정과 입찰가격에 영향을 미치며, 나아가 사업 수행 과정에서 청구/분쟁으로 이어지기도 한다. 입찰서류에 존재하는 문제와 모호성은 입찰 전 질의(요청, RFI)에 의해 해소되는데, 입찰 전 RFI 분석은 입찰서류의 품질을 향상시키기 위해 명확히 해야 할 주요 모호성을 파악하는 데 도움이 된다. 본 연구는 양질의 입찰서류를 확보하기 위한 주요 자료로 입찰 전 RFI를 사용한다. 자연어처리(NLP)를 통해 비구조화된 원천 텍스트 데이터를 사전 처리/변환하고, 수집된 입찰 전 RFI를 분류하기 위해 기계학습 기반 분류기를 적용한다. 제안된 방법은 원래의 입찰서류에 대한 중대한 개정으로 이어질 수 있는 핵심 입찰 전 RFI를 자동으로 식별할 수 있다. 본 연구는 입찰 절차를 촉진하는 효율적인 입찰 전 RFI 관리에 기여할 수 있으며, 향후 유사한 사업을 수행하는 데 있어 입찰서류의 품질을 향상시킬 수 있다.