KAIST, ‘실행 가능한 계획’ 만드는 AI 개발…택배·생산·근무표까지 작성일 08-03 25 목록 <div id="layerTranslateNotice" style="display:none;"></div> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="Q9RpAMRfYu"> <div contents-hash="f8fa816a412a49538b37fd821cb3b614dce7ea7b20096a43a13e24f6a260251e" dmcf-pid="xy3s2F3GYU" dmcf-ptype="general"> 외부 최적화 프로그램 없이 실행 가능한 계획 도출 <br>5개 벤치마크서 성공률 100%…학습 속도 14.7배 </div> <figure class="figure_frm origin_fig" contents-hash="cecb375e05b9950668dd4ef0d05df0063e7b215ce58306134ccd672dba3ae883" dmcf-pid="yxa9OgaeXp" dmcf-ptype="figure"> <p class="link_figure"><img alt="교신저자 김민수(왼쪽) KAIST 전산학부 교수와 제1 저자 이태훈(오른쪽) 박사과정 학생.[KAIST 제공]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202608/03/ned/20260803083213708dmli.jpg" data-org-width="800" dmcf-mid="Puuh8Uu5Z7" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202608/03/ned/20260803083213708dmli.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 교신저자 김민수(왼쪽) KAIST 전산학부 교수와 제1 저자 이태훈(오른쪽) 박사과정 학생.[KAIST 제공] </figcaption> </figure> <p contents-hash="b3c0c7a015862850459c3d58ce4ed1e39ec61e281a2577fff28a0ffd4d581db6" dmcf-pid="WMN2IaNdZ0" dmcf-ptype="general">[헤럴드경제=김광우 기자] 택배 배송 경로부터 공장 생산계획, 병원 근무표까지 현실의 여러 조건을 따져 실제 현장에서 반영할 수 있는 계획을 만드는 인공지능(AI) 기술이 개발됐다.</p> <p contents-hash="c577ff0afdd41245ef8661491e4bfbcb7347d434c534513087cf8fef73501106" dmcf-pid="YRjVCNjJY3" dmcf-ptype="general">3일 KAIST는 전산학부 김민수 교수 연구팀이 외부 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습 기술 ‘RL-SPH(Reinforcement Learning-based Start Primal Heuristic)’를 개발했다고 밝혔다.</p> <p contents-hash="68f89ad20765d27bfeb54462f62c6028feccd77a0af51e0acad628f97190c0a9" dmcf-pid="GeAfhjAiXF" dmcf-ptype="general">택배 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성은 여러 조건을 동시에 만족하면서 가장 효율적인 계획을 찾아야 하는 대표적인 정수선형계획법(ILP) 문제다.</p> <p contents-hash="a4fae5b37d1600d06dd840ce2d65ce4089bb3c5d51990dc600c204d9cb47bb62" dmcf-pid="Hdc4lAcnXt" dmcf-ptype="general">택배 배송의 경우 이동 시간을 줄이는 것뿐 아니라 차량 적재량과 기사 근로시간을 지키고 모든 배송지를 빠짐없이 방문해야 한다. 조건 하나라도 어기면 아무리 빠른 경로라도 실제 현장에서는 사용할 수 없다.</p> <p contents-hash="84c12dd43b1fe1987f4eeb625180a4f4d3afe4f0603193cd7f382bc74c82bd16" dmcf-pid="XJk8SckLG1" dmcf-ptype="general">기존 AI는 비용이나 시간을 줄이는 계획을 제안하더라도 차량 적재량, 근로시간, 설비 용량 등 현실의 제약조건을 위반하는 경우가 많았다. 이 때문에 마지막 단계에서 ‘구로비(Gurobi)’나 ‘SCIP’ 같은 전문 최적화 프로그램이 AI가 내놓은 계획의 오류를 수정해야 했다. AI만으로 계획 수립을 완결하기 어려웠던 것.</p> <p contents-hash="bcde5d89a1169eafa5bfc6ad03cec4eba579304491652d899a95635f8f065bb0" dmcf-pid="ZiE6vkEoZ5" dmcf-ptype="general">연구팀이 개발한 RL-SPH는 정답을 한 번에 예측하는 대신 사람이 계획을 고치듯 현재 계획을 단계적으로 수정한다. 인원과 차량 수, 생산량 등 변수를 하나씩 바꾸며 제약조건을 해결하고 그 결과를 학습하는 방식이다.</p> <p contents-hash="ca86faaac4344e4dea64f67bf5c74d71e680d3671a986eac1610a0d33b958e3d" dmcf-pid="5nDPTEDgtZ" dmcf-ptype="general">특히 ‘가장 좋은 계획’보다 ‘실제로 사용할 수 있는 계획’을 먼저 찾도록 설계했다. 공장 생산계획의 경우 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 계획을 만든 뒤 생산비와 작업 시간을 줄여나가는 식이다.</p> <p contents-hash="028f3bf502e70d21c3d9eff8b154c0284f3e236ac5fbe1b53ace31568b9c30d0" dmcf-pid="1NOeHsOcGX" dmcf-ptype="general">이를 위해 모든 제약조건을 만족하는 ‘실행가능해’를 먼저 찾고, 이후 비용과 시간을 줄이는 2단계 탐색 전략을 적용했다.</p> <p contents-hash="be1af3de71b22d6dc4c4b345be71f9dedd5b93104ad010442d29f069686729be" dmcf-pid="tjIdXOIktH" dmcf-ptype="general">변수와 제약조건의 관계를 학습하는 AI 모델 ‘ILP-GT’도 개발했다. 문제 해결에 효과적인 변수부터 수정하는 ‘실행가능성 인식 탐색 전략’을 적용해 계산 효율을 높였다.</p> <p contents-hash="38a506f41507032298a4fff57c3b11978ee14962ad12522684620aab8a1bf087" dmcf-pid="FACJZICEXG" dmcf-ptype="general">연구팀이 5종의 벤치마크에서 RL-SPH를 평가한 결과 모든 문제에서 실제 사용할 수 있는 계획을 100% 찾아냈다. 일반 정수 변수가 포함된 복잡한 문제에서도 같은 성능을 유지했다.</p> <p contents-hash="36106ae52b9c5747f1358260d948cd6fa902fb1239522deb6fb8199785f1a7f0" dmcf-pid="3chi5ChDHY" dmcf-ptype="general">기존 기술과 비교하면 최적해와의 차이를 나타내는 ‘프라이멀 갭’은 평균 28.6배, 탐색 품질과 속도를 평가하는 ‘프라이멀 인터그럴’은 2.6배 개선됐다. 실행할 수 있는 계획을 처음 찾는 시간도 평균 2.5배 빨라졌다.</p> <p contents-hash="c536e25a14c458931905be39f65cca8c418816f2c97da4779e29a499bf7773e6" dmcf-pid="0kln1hlwtW" dmcf-ptype="general">PAS와 DDIM, DiffILO 등 최신 AI 기술과 비교해도 RL-SPH만 모든 벤치마크에서 실행 가능한 계획을 100% 찾아냈다. 학습 시간은 평균 30분으로 기존 기술보다 14.7배, 비지도학습 기반 기술보다 약 34배 빨랐다.</p> <p contents-hash="ffc572b24e8e232e174dc1dcada7c57e6cea90d54b4084f5075e9f76e4c83a60" dmcf-pid="pESLtlSrty" dmcf-ptype="general">국제 최적화 벤치마크 ‘MIPLIB’에서도 기존보다 최대 67배 큰 문제와 학습 과정에서 접하지 않은 새로운 문제의 실행 가능한 계획을 안정적으로 찾아냈다.</p> <p contents-hash="416f19342c806ffd4b6635f3cb206cb7fd9c0735c61aa59019d08936162a718d" dmcf-pid="UDvoFSvmZT" dmcf-ptype="general">김 교수는 “현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다”며 “전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들 수 있음을 보여준 성과”라고 말했다.</p> <p contents-hash="9172e79587fecc49359ade8476c038ae40977893ed827cb00ae1563182364d0c" dmcf-pid="uwTg3vTsXv" dmcf-ptype="general">이어 “물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”고 덧붙였다.</p> <p contents-hash="5f773c867eefe326858b4d1d721206a7133e973da22339e6757e6cdb7eff7675" dmcf-pid="7rya0TyO5S" dmcf-ptype="general">이번 연구에는 KAIST 전산학부 이태훈 박사과정이 제1 저자로 참여했다. 김 교수가 교신저자를 맡았다. 연구 결과는 지난달 열린 국제기계학습학회(ICML)에서 발표됐다. 연구는 과학기술정보통신부와 정보통신기획평가원, 한국연구재단의 지원을 받아 수행됐다.</p> </section> </div> <p class="" data-translation="true">Copyright © 헤럴드경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 SKT, 순천향대와 'AI 그림일기' 교육 확대…4200명 대상 AI 교육 08-03 다음 AI로 문해력 문제 해결한다…SKT-순천향대, ‘디지털 교육’ 박차 08-03 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
