AI가 택배 배송·인력 배치 스스로···'실행가능한계획' 만든다 작성일 08-03 38 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">KAIST, 강화학습 기술 'RL-SPH' 개발<br>외부 프로그램 도움 없이 학습해 계산</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="4l1VDJiPwc"> <p contents-hash="57f1cb25a94f309de401d500c4acdbb42b16a3f3efab57fbfed6f8202110de95" dmcf-pid="8StfwinQsA" dmcf-ptype="general"> [이데일리 강민구 기자] 한국과학기술원(KAIST) 연구진이 인공지능(AI)이 스스로 실행 가능한 계획을 만드는 기술을 개발했다. 이를 통해 물류, 제조, 반도체 생산, 인력 운영 등 다양한 산업 분야에서 AI 기반 의사결정을 구현할 가능성을 제시했다.</p> <p contents-hash="caff837cc36b9aac2caeb47a61526c554ffe671790bf6539c646c4cf4f98ce6b" dmcf-pid="6vF4rnLxsj" dmcf-ptype="general">KAIST는 김민수 전산학부 교수 연구팀이 외부의 전문 최적화 프로그램 없이도 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습 기술 ‘RL-SPH’를 개발했다고 3일 밝혔다.</p> <figure class="figure_frm origin_fig" contents-hash="f937a430ce1c40c363e5313453523e736ebba1ffec11e1e8f61b023182233d80" dmcf-pid="PT38mLoMDN" dmcf-ptype="figure"> <p class="link_figure"><img alt="RL-SPH를 개발한 김민수 교수(왼쪽)와 이태훈 박사과정 학생(오른쪽).(사진=KAIST)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202608/03/Edaily/20260803090853862wqzi.jpg" data-org-width="800" dmcf-mid="f37MhjAiIk" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202608/03/Edaily/20260803090853862wqzi.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> RL-SPH를 개발한 김민수 교수(왼쪽)와 이태훈 박사과정 학생(오른쪽).(사진=KAIST) </figcaption> </figure> <div contents-hash="fba950cf6861c3e0cc85da7f405a5feb94c5fb76f365431007bcc886d991ee22" dmcf-pid="Qy06sogREa" dmcf-ptype="general"> 연구팀은 AI가 현실의 여러 제약조건을 스스로 만족하는 계획을 만들어내도록 기술을 구현했다. </div> <p contents-hash="fba99d7fc21741c8eeacdb9fdcdf52afc3c73b83e06e34054cc823bbcd03ebbb" dmcf-pid="xWpPOgaesg" dmcf-ptype="general">물류 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성은 모두 여러 조건을 만족하면서 가장 효율적인 계획을 찾아야 하는 대표적인 정수선형계획법이다.</p> <p contents-hash="3df094dd03c1dd0c8761def066b07e5e96f4eae708793bcfa4a5e30c5172d713" dmcf-pid="yMjv2F3GEo" dmcf-ptype="general">가령 택배 배송은 배송 시간을 줄이는 것뿐 아니라 차량 적재량과 기사 근로시간을 지키고 모든 배송지를 빠짐없이 방문해야 한다. 조건 하나만 어겨도 아무리 빠른 경로라도 실제로 사용할 수 없다.</p> <p contents-hash="cc169cd97dbaf32bd4ca2479bb5fe59b8e177bab014264b2358ae19d0833f832" dmcf-pid="WRATV30HDL" dmcf-ptype="general">기존 AI는 비용이 적게 드는 계획을 제안하더라도 차량 적재량이나 근로시간 같은 현실의 조건을 위반하는 경우가 많았다. 결국 Gurobi나 SCIP 같은 프로그램을 이용해 마지막으로 오류를 수정해야 했기 때문에 AI만으로는 완전한 해결이 어려웠다.</p> <p contents-hash="2f2a14c645e10b564822c328e0ff76a232a1d00d41eb06743dd04cea7450b2d9" dmcf-pid="YnwHP7ztOn" dmcf-ptype="general">연구팀이 개발한 RL-SPH는 처음부터 정답을 예측하는 대신 사람이 계획을 하나씩 고쳐 나가듯 현재 계획을 단계적으로 수정한다. 변수(인원 수, 차량 수, 생산량처럼 조정 가능한 값)를 하나씩 바꾸며 제약조건(반드시 지켜야 하는 현실의 조건)을 해결하고, 그 결과를 학습해 점점 더 나은 계획을 만들어간다.</p> <p contents-hash="e8f82284b0198d9f28ab8104c707302d9d76443c4fd7f1763ff139ae9b1d6c4f" dmcf-pid="GLrXQzqFOi" dmcf-ptype="general">연구팀은 ‘가장 좋은 계획’ 보다 ‘실제로 사용할 수 있는 계획’을 먼저 찾도록 AI를 설계했다. 예를 들어 공장에서는 먼저 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 생산계획을 만든 뒤, 그 상태를 유지하면서 생산비와 시간을 줄여나가는 방식이다.</p> <p contents-hash="3c0a9d3c1b8696f5582515cf4f359fe0eb06fe79d15e3354039d3727e61e8ce7" dmcf-pid="HomZxqB3DJ" dmcf-ptype="general">이를 위해 모든 제약조건을 만족해 실제 사용할 수 있는 계획을 찾고, 이후 비용과 시간을 줄이는 2단계 탐색 전략을 적용했다.</p> <p contents-hash="820193dec9a1e75afd6956cdaede122c4365d7b1321cee6e683a64ab42db7712" dmcf-pid="Xgs5MBb0rd" dmcf-ptype="general">또한 변수와 제약조건의 관계를 학습하는 새로운 AI 모델 ‘ILP-GT’와 문제 해결에 가장 효과적인 변수부터 우선 수정하는 실행가능성 인식 탐색 전략을 적용해 계산 효율도 높였다.</p> <p contents-hash="fd6f7c79fda7eb7ce2d9b0a9b26596281c52c9c7acffaa8d177aa5dabcf312ae" dmcf-pid="ZaO1RbKpEe" dmcf-ptype="general">연구팀은 대표적인 5종의 벤치마크에서 기술을 평가한 결과, 모든 문제에서 100%의 실행가능해를 찾는 데 성공했다.</p> <p contents-hash="d26e4c732f624bdb2a4f866c5edf56ce0a8c2abe828edf67841e45c41d1c1fc7" dmcf-pid="5NIteK9UwR" dmcf-ptype="general">기존 기술과 비교하면 최적해와의 차이를 나타내는 프라이멀 갭(Primal Gap)은 평균 28.6배, 탐색 과정 전체의 품질과 속도를 평가하는 프라이멀 인터그럴(Primal Integral)은 2.6배 개선됐다. 처음으로 실행 가능한 계획을 찾는 시간도 평균 2.5배 빨라졌다.</p> <p contents-hash="2a3875f2b52360f27f36f1dfb90e8a22c062b0d0306a8416e4be74f2020d317c" dmcf-pid="1jCFd92uIM" dmcf-ptype="general">산업계와 학계에서 널리 사용하는 국제 최적화 벤치마크인 ‘MIPLIB(Mixed Integer Programming Library)’에서도 높은 범용성을 입증했다. 기존보다 최대 67배 큰 문제를 비롯해 학습 과정에서 한 번도 접하지 못한 새로운 형태의 문제에서도 실행 가능한 계획을 안정적으로 찾아냈다.</p> <p contents-hash="fa5e77ff52854e5f6ee63f4611138706241828786b6c9805b8590459da6c5d6b" dmcf-pid="tAh3J2V7Ox" dmcf-ptype="general">김민수 교수는 “현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다”며 “앞으로 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”고 말했다.</p> <p contents-hash="9be8e0092e216c88a85cd89f6b9d486546c3d53f0cdb63287aea93c16d29d472" dmcf-pid="Fcl0iVfzrQ" dmcf-ptype="general">연구 결과는 지난 달 6일부터 11일까지 열린 기계학습 국제 학술대회 ‘국제 기계학습 학회(ICML)’에서 발표됐다.</p> <p contents-hash="8773bd0b3618bedaa7e51dbee70191dd1fd02cbeefad451870a0debdba0f7f40" dmcf-pid="3kSpnf4qwP" dmcf-ptype="general">강민구 (science1@edaily.co.kr) </p> </section> </div> <p class="" data-translation="true">Copyright © 이데일리. 무단전재 및 재배포 금지.</p> 관련자료 이전 독일 핸드볼 하노버 부르크도르프, 힐데스하임에 대승…프리시즌 2연승 질주 08-03 다음 “국장 안 들어간 내가 승자”…‘놓칠까 불안’ 포모 대신 ‘안 사서 다행’ 조모 08-03 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
