KAIST, 택배 배송 최적화 AI 모델 개발…실현 가능성부터 따져 작성일 08-03 44 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">"공장 생산계획·병원 근무표 등 혼자서 학습하며 의사결정"</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="9YEV7Re4N4"> <p contents-hash="2d2d78adafadeb98d537a965be23eb82fd86aa5a56aaf7552222cbaac593569c" dmcf-pid="2GDfzed8of" dmcf-ptype="general">(지디넷코리아=박희범 기자)<span>최적의 실행 계획을 스스로 수립하는 인공지능(AI) 프로그램이 개발됐다.</span></p> <p contents-hash="51ff9173b7e65aa72170bc9b82753f5c1ad84167e2b68e276385a30ea5613c84" dmcf-pid="VHw4qdJ6gV" dmcf-ptype="general">김민수 KAIST 전산학부 교수 연구팀은 AI가 강화학습 시행착오를 반복하며, 더 나은 선택을 스스로 학습하는 기술 ‘RL-SPH'를 개발했다고 3일 밝혔다.</p> <p contents-hash="625937fc1b742a17d03f9c798f2e08692df37149b1c99c485ca04341c81a1aac" dmcf-pid="fXr8BJiPc2" dmcf-ptype="general">이 기술은 AI가 현실적인 조건을 고려, 택배 배송이나 공장 생산계획, 병원 근무표 등 실행 가능한 계획을 짤 수 있다.</p> <figure class="figure_frm origin_fig" contents-hash="e194470e558c8872be74f28a580b43ede8f15894796adbe532e4bcbdee97cbea" dmcf-pid="4Zm6binQj9" dmcf-ptype="figure"> <p class="link_figure"><img alt="스스로 학습하며, 최적의 실행계획을 수립하는 AI모델이 개발됐다. KAIST 전산학부 김민수 교수(왼쪽)와 이태훈 박사과정 연구생.(사진=KAIST)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202608/03/ZDNetKorea/20260803163252960yhzu.jpg" data-org-width="640" dmcf-mid="XWKWIF3GNN" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202608/03/ZDNetKorea/20260803163252960yhzu.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 스스로 학습하며, 최적의 실행계획을 수립하는 AI모델이 개발됐다. KAIST 전산학부 김민수 교수(왼쪽)와 이태훈 박사과정 연구생.(사진=KAIST) </figcaption> </figure> <p contents-hash="e04ada8cb8b68fc811484c5aaab580d449d64f220991c27aa83c9d9bd7e7ccd6" dmcf-pid="85sPKnLxoK" dmcf-ptype="general">김민수 교수는 "복잡한 최적화 문제의 정답을 자동으로 계산하는 프로그램인 '솔버' 등의 도움없이 AI가 스스로 최적의 실행조건을 찾아낼 수 있다"며 "향후 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 분야에서 AI 기반 의사결정하는 핵심 기술이 될 것"으로 기대했다.</p> <p contents-hash="4f3e2ce7d56e9f7bd6a94314f9472f6e90c365d3d1d54f0f26d096547191f36c" dmcf-pid="61OQ9LoMcb" dmcf-ptype="general">연구팀에 따르면 예를 들어 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. 전문용어로 정수선형계획법(ILP) 문제라는 것.</p> <p contents-hash="23eabf4d23f21dc9d196cebfce82de1ce05df959265bb26888477cbad0af05ef" dmcf-pid="PtIx2ogRNB" dmcf-ptype="general">물류 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성 등도 마찬가지다.</p> <p contents-hash="11ebf10709a1563b3b846bfb8c6df49ac65737ab58f8c3d8ec1fce548052eb94" dmcf-pid="QFCMVgaegq" dmcf-ptype="general">그런데 기존 AI는 비용이 적게 드는 계획을 제안하더라도 차량 적재량이나 근로시간 같은 현실적 조건을 위반하는 경우가 많았다. 결국 전문솔버(Gurobi나 SCIP 등)가 마지막으로 오류를 수정해야 했다.</p> <p contents-hash="3923545c31e57aab33a1e041f5f5ad0ccac0fbf0a4875bacfb54b27edb3ade13" dmcf-pid="x5sPKnLxcz" dmcf-ptype="general">연구팀은 이 문제 해결을 위해 개발한 AI모델이 'RL-SPH'다. 이 모델은 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="ea1d3abc1386b4a4dcbde4b23221ebb1f35f676fc9f3c4d42fbf3acd952d1950" dmcf-pid="yn9vm51yA7" dmcf-ptype="general">제1저자인 이태훈 KAIST 전산학부 박사과정 연구생은 "가장 좋은 계획보다실제로 사용할 수 있는 계획을 먼저 찾도록 AI를 설계했다"며 "먼저 실행가능해(모든 제약조건을 만족해 실제 사용할 수 있는 계획)를 찾고, 이후 비용과 시간을 줄이는 2단계 탐색 전략을 적용했다"고 말했다.</p> <p contents-hash="80603f6b7fa6a418d4cd916db22905ddb375bd827cc4edf5000bb02121e4744d" dmcf-pid="WL2Ts1tWcu" dmcf-ptype="general">공장에서는 먼저 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 생산계획을 만든 뒤, 그 상태를 유지하면서 생산비와 시간을 줄여나가는 방식이다.</p> <figure class="figure_frm origin_fig" contents-hash="e4797c33761dbc854566fe326ec38acb1c8e225fdbfa2dd2e8b20c1bd1d859b6" dmcf-pid="YoVyOtFYcU" dmcf-ptype="figure"> <p class="link_figure"><img alt="기존 기법과 RL-SPH의 실행가능해 탐색 과정 비교. 그림 C는 스스로 실행가능해를 탐색한다. (이미지=KAIST)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202608/03/ZDNetKorea/20260803163254220ubmo.jpg" data-org-width="640" dmcf-mid="K6VyOtFYj8" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202608/03/ZDNetKorea/20260803163254220ubmo.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 기존 기법과 RL-SPH의 실행가능해 탐색 과정 비교. 그림 C는 스스로 실행가능해를 탐색한다. (이미지=KAIST) </figcaption> </figure> <p contents-hash="6c9d5ff5b60a87aadd05431d8266b47a551348fc72d2567e6fda1ae3d44e083e" dmcf-pid="GgfWIF3Ggp" dmcf-ptype="general">연구팀은 또 변수와 제약조건 관계를 학습하는 새로운 AI 모델 ‘ILP-GT'와, 문제 해결에 가장 효과적인 변수부터 우선 수정하는 실행가능성 인식 탐색 전략을 적용해 계산 효율도 크게 높였다.</p> <p contents-hash="442b2df8db3657d8fdecf2b236a9ed44e8e405c0777caa0fe5c4750f57d7e5d8" dmcf-pid="Ha4YC30Hk0" dmcf-ptype="general">이태훈 연구생은 "대표적인 5종의 벤치마크에서 100% 실행가능해를 찾는 데 성공했다"며 "일반 정수 변수가 포함된 복잡한 문제에서도 같은 성능을 유지했다"고 설명했다.</p> <p contents-hash="77a6f91619b0e03dc8f7fb5559e1e490e57c308eeef68f727b42c505af64af17" dmcf-pid="XN8Gh0pXN3" dmcf-ptype="general">실험결과 최적해와의 차이를 나타내는 프라이멀 갭(Primal Gap)은 기존 휴리스틱 기법 대비 평균 28.6배, 탐색 과정 전체의 품질과 속도를 평가하는 프라이멀 인터그럴(Primal Integral)은 2.6배 개선됐다. 또한 처음으로 실행 가능한 계획을 찾는 시간도 평균 2.5배 빨랐다.</p> <p contents-hash="2d525c002be3bd75f672c82d917c562970ce85d9e65edf9c4a43bbdd206198a0" dmcf-pid="Zj6HlpUZjF" dmcf-ptype="general">최신 AI 기술(PAS, DDIM, DiffILO 등)과 비교 결과에서도 'RL-SPH'만이 모든 벤치마크(SC, CA, IS)에서 실행 가능한 계획을 100% 도출했다. 학습 시간도 평균 30분으로 기존 기술보다 14.7배, 최근 비지도학습(정답을 미리 알려주지 않고 데이터에서 스스로 규칙을 찾는 AI 학습 방식) 기반 기술보다 약 34배 빨랐다.</p> <p contents-hash="19273dbf143c2b78b99267e2b1d6e358a54722e90273b32492042f83a95a0bf1" dmcf-pid="5APXSUu5jt" dmcf-ptype="general">특히 산업계와 학계에서 널리 사용하는 국제 최적화 벤치마크(MIPLIB)에서도 높은 범용성을 입증했다. 기존보다 최대 67배 큰 문제는 물론, 학습 과정에서 한 번도 접하지 못한 새로운 형태의 문제에서도 실행 가능한 계획을 안정적으로 찾아냈다.</p> <p contents-hash="5e1887c6a003851bb6b1c48513484194c47e2b754dafa48ca26b71995f6256bf" dmcf-pid="1cQZvu71k1" dmcf-ptype="general">김민수 교수는 실용화 관련 "가장 쉬운 실용화는 다른 시작 프라이멀 휴리스틱과 마찬가지로 기존 상용 솔버에 내장되는 것"이라며 "실험실 초기 버전에서는 2초 이내에 첫 실행가능해를 찾았고, 이는 100%의 실행가능해 도출률을 보인 기존 시작 프라이멀 휴리스틱보다 대략 180배 빠른 속도다. 매번 빠르게 판단을 내려야 하는 실시간 의사결정 시스템에 특히 적합할 것"으로 내다봤다.</p> <p contents-hash="2aefd7ec539878c37a951d424df891f9ca6302d48f3058d4fb47ecbbd610e84a" dmcf-pid="tkx5T7zto5" dmcf-ptype="general">김 교수는 또 "앞으로 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”며 "향후 확장 연구를 진행할 것"이라고 말했다.</p> <p contents-hash="14a9abc173ccb4ccd1aa8ee2f4ea45cd7fec4122a2378fae97cf63adaf230684" dmcf-pid="FEM1yzqFgZ" dmcf-ptype="general">연구결과는 지난 6일부터 11일까지 열린 국제 기계학습 학회(ICML)에서 발표됐다.</p> <p contents-hash="c0e3dc57c1e3cbcff9f05fc48398afe2b69f1798ddbc8cdc6866f039d248ebef" dmcf-pid="3DRtWqB3cX" dmcf-ptype="general">한편 교신저자인 김민수 교수는 KAIST 전산학과를 졸업하고 동 대학원에서 석, 박사를 받았다. 현재 KAIST 학술정보처장과 교원창업기업 그래파이 CEO를 맡고 있다.</p> <p contents-hash="7b86b36b47038f8fdb401f837b1cf7e88f5b09720518a35d69483de18a8e3baf" dmcf-pid="0weFYBb0oH" dmcf-ptype="general">박희범 기자(hbpark@zdnet.co.kr)</p> </section> </div> <p class="" data-translation="true">Copyright © 지디넷코리아. 무단전재 및 재배포 금지.</p> 관련자료 이전 외면받는 SiC 전력반도체…정부 5000억 R&D도 수요기업없어 난항 08-03 다음 “이직 고민했더니 채용 광고가?”…검색어 넘어 ‘의도’ 읽는 AI 광고 시대 08-03 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
