MIT Sloan Management Review
인공지능은 물류 및 공급망 관리 분야에서 전례 없는 새로운 기회를 창출하고 있다. 그러나 많은 기업은 이를 구현하는 최선의 방법에 대해 여전히 불확실성을 가지고 있다.
MIT 트랜스포테이션, 로지스틱스 연구센터 크리스 카플리스는 “AI는 움직이는 과녁이다(moving target). 30년 전, 심지어 20년 전만 해도 AI로 간주되던 것이 더 이상 최첨단 인공지능 기술로 간주되지 않기 때문에 가만히 있는 것이 아니라 AI는 항상 우리의 이해를 뛰어넘는 것이다.” 라고 말한다.
기업 관리자들은 AI 구현 방법을 고려할 때 기존 AI, 생성형 AI, 운영 연구와 같은 다양한 분석 접근 방식이 어떻게 함께 작동하는지 이해해야 한다고 카플리스는 최근 MIT 슬론 매니지먼트 리뷰가 주최한 웨비나에서 말했다. 카플리스와 Uber Freight 설립자 겸 CEO인 리오르 론(Lior Ron)은 공급망 관리에 사용되는 분석 도구, AI가 해결할 수 있는 물류 문제, 물류에서 AI를 사용할 때의 여러 경영상의 이점에 대해 논의했다.
다양한 분석 도구에 대한 이해 Understanding different analytic tools
MIT대 카플리스는 도구의 맥락에서 물류 분야에서 AI의 진화를 생각해 보는 것이 유용하다고 말했다. 기존 AI는 특정 작업을 완료하기 위해 데이터를 분석한다. 생성형 AI는 대규모 언어 모델을 사용하여 문맥에서 무언가를 취하고 요약하여 새로운 콘텐츠를 생성한다. 운영 연구(Operations Research, OR)*는 선형 프로그래밍 및 네트워크 모델과 같은 접근 방식을 사용하여 인간의 의사 결정이 필요한 시스템을 연구하는 과학적 방법을 사용한다.
* OR은 시스템이나 조직 운영의 개선에 관한 문제들을 담당 관리자에게 최적의 해답을 제공해 주는데 유효하게 쓰이는 과학적인 방법 또는 그 기법
물류 분야에서 이러한 방법은 상호 보완적이기 때문에 서로를 대체할 필요가 없다고 카플리스는 말한다. 운영 연구와 AI를 결합하면 많은 경우에 효과적이다.
AI로 물류 문제 해결 Solving logistics challenges with AI
AI 기술은 물류가 직면한 많은 문제를 해결할 준비가 되어 있다고 Ron은 말한다. 여기에는 다음 사항들이 포함된다.
· 파편화된 공급망과 더 나은 결과를 최적화하고 추진하기 위한 네트워크 연결의 필요성
· 시장 변동성, 특히 가격 변동과 서비스 중단
· 코로나19, 운전자 안전, 디지털 사기와 관련된 문제를 포함한 안전 문제
· 트럭 운송과 화물이 기후 변화에 미치는 영향
이러한 문제 중 일부를 해결할 수 있는 혁신이 현재 나타나고 있다. 예를 들어, Uber Freight는 머신러닝을 활용해 운송업체가 트럭 운송 및 화물에 대한 가격을 미리 보장받을 수 있는 알고리즘 기반 운송업체 가격 책정 방식을 개척했다. “수백 가지의 다양한 매개변수를 살펴봄으로써 [이 모델을] 충분히 정확하게 만들 수 있었고, 이제 트럭 운송 가격을 추정할 때 발생하는 모든 마찰, 추측, 우왕좌왕함 없이 도입할 수 있게 되었다."라고 Ron은 말한다.
Uber Freight는 또한 차량이 일련의 위치로 상품을 배송하는 데 가장 효율적인 경로를 결정하는 복잡한 문제인 차량 경로를 해결하기 위해 머신러닝을 사용하고 있다. 미국의 트럭은 평균적으로 약 30%가 비어 있는 채로 운행하고 있어 시간과 연료가 낭비되고 불필요한 탄소 배출로 이어진다. 우버는 트럭 운전자를 위한 최적의 경로를 알고리즘으로 설계함으로써 공차 거리를 10~15%까지 줄일 수 있었다.
차량 경로에 기술을 적용하는 회사는 Uber Freight뿐이 아니다. 소규모 기업에서는 일반적으로 운영 연구와 인적 문제 해결을 통해 트럭 운송 및 화물 운송에 소요되는 시간, 비용, 거리를 최소화한다. 하지만 더 복잡한 경로와 추가 요인이 있는 대규모의 경우, 운영 연구와 인간의 문제 해결 방식으로는 더 이상 충분하지 않다.
이러한 문제를 해결하기 위해 MIT 지능형 물류 시스템 연구소(MIT Intelligent Logistics)는 기존 AI, 생성형 AI, 운영 연구를 결합하여 경로 결과를 개선하고 있다. “초기에는 AI가 보조적인 역할을 수행했지만 시간이 지날수록 더 중요한 역할을 맡기 시작했다."라고 카프리스는 말한다. “궁극적으로는 생성형 AI가 문제의 더 큰 부분을 맡아 해결하는 것을 기대한다.”
물류 분야에서 생성형 AI가 제공하는 관리적 이점 4 managerial benefits of generative AI in logistics
물류 분야에서 기존의 운영 연구 접근법을 사용하는 데는 한계가 있다고 카프리스는 말한다. 예를 들어 다양한 시간대, 도로의 폭과 크기, 트럭 용량 등 복잡한 문제가 발생할 때마다 기존 알고리즘을 조정해야 한다. 생성형 AI는 이러한 정보를 일반화하여 새로운 알고리즘의 필요성을 없앨 수 있다.
그 결과, 이러한 기술은 대규모 물류 문제를 해결하는 데 있어 기존 방법보다 뛰어난 성능을 발휘하고 있다고 카프리스는 말한다. 그리고 이러한 기술에는 다음과 같은 여러 관리상의 이점도 있다.
· AI 모델은 체계적으로 학습 데이터를 능가한다. 즉, 학습 과정에서 사용된 데이터보다 보이지 않는 새로운 데이터에서 더 나은 성능을 발휘한다. 즉, 기업에서는 운전자가 검증한 완벽한 경로가 필요하지 않다. “특별한 데이터를 생성할 필요가 없으므로 시간을 절약할 수 있다."고 카플리스는 말한다.
· 지속적인 학습을 통해 모델은 더 나은 경로 정책을 자동으로 학습하게 된다. 예를 들어 정책이 변경되면 모델이 이를 파악하여 특별한 알고리즘이 필요 없게 된다.
· AI 모델은 특히 다양한 특성이 작용할 때 특정 문제 규모와 특성에 맞춘 알고리즘이 필요하지 않다.
· AI 모델은 차량 용량과 같이 이전에 볼 수 없었던 문제에도 잘 일반화된다.
“머신러닝, AI, 생성형 AI는 이러한 대규모 언어 모델 접근 방식을 취하고 있으며, 운영 연구에서 꽤 잘 해결해 왔던 문제를 더 빠르고 완벽하게, 그리고 비 전통적인 목적 함수로 해결하고 있다."라고 카플리스는 말합니다. “우리는 여기서 많은 기회를 보고 있으며 탐색 연구는 계속되고 있다.”
출처: How artificial intelligence is transforming logistics, Thinking Forward (MIT Sloan Management Review) August 28, 2024
https://mitsloan.mit.edu/ideas-made-to-matter/how-artificial-intelligence-transforming-logistics
저작권자 ⓒ 리스크인텔리전스리뷰, 무단 전재 및 재배포 금지