“두 작업에 매우 탁월”··· 공급망 관리 분야의 AI는 이미 활약 중

이미 공급망 관리 측면에서 AI를 활용해 몇몇 혜택을 거두는 조직이 많다. 단 진일보한 활용 사례를 위해서는 기업 사이의 데이터 공유가 도전 과제다.
 

시스코의 AI/ML 데이터 제품 책임자 데바브랏 바팟은 “제품 설계에서 시작하여 조달, 제조, 유통, 배송, 고객 서비스로 이어지는 일련의 작업을 아우르는 용어가 공급망이다. 이들 각 지점에 인공지능(AI)과 머신러닝(ML)과 관련한 기회가 있다”라고 말했다.

현 세대의 AI가 이미 공급망 관리 분야의 2가지 일에 매우 능숙하기 때문이다. 첫 번째는 예측이다. AI가 다운스트림 수요 또는 업스트림 부족을 예측하는 데 사용된다. 또한 알고리즘은 장애의 전조인 여러 이벤트를 감지한 다음 생산 품질이 떨어지기 전에 조립 라인 작업자에게 경고할 수 있다.

두 번째는 검사 분야다. AI를 사용하여 제조 과정에서 문제를 발견하는 데 사용된다. 또한 재료와 부품을 인증하고 전체 공급망을 통해 추적하는 데에도 사용될 수 있다.

나아가 AI는 다양한 측면에서 공급망을 최적화하고 여러 문제에 대응하도록 도울 수 잠재력을 가지고 있다. 단 현 수준 이상의 데이터 공유가 필요하다는 점이 과제로 남아있다. 많은 기업이 예측 및 검사 개선의 이점을 계속 누리고 있다.

예측(Forecasting)
매출 150억 달러, 직원 4만 1,000명, 전 세계 200개 이상의 공장을 보유한 세계 최대 패키징 업체인 앰코(Amcor )를 예로 들어보자. 이 회사의 비즈니스 영역은 주로 식품 및 헬스케어 패키징 분야다. 이 회사의 글로벌 CIO인 조엘 랜친은 다음과 같이 말했다.

“냉장고에 들어가는 제품의 약 3분의 1 정도를 우리는 다룬다. 앰코가 제조 과정에서 직면하는 몇 가지 과제는 정확한 예측과 변화하는 수요에 대한 적응과 관련이 있다. 식품 공급망 분야에서는 필요에 따라 주문이 변경되는 경우가 많다. 예를 들어, 더운 날씨에는 사람들이 게토레이를 더 많이 마시기 때문에 수요가 갑자기 폭발적으로 증가하여 병에 대한 수요가 10~15% 급증할 수 있다. 다른 종류의 제품도 마찬가지다. 바다에 갑자기 생선이 많아지면 몇 톤의 생선을 추가로 수용하기 위한 패키징 수요가 늘어날 수 있다. 예측을 하려고 노력하지만 고객의 요구를 항상 미리 알 수는 없기 때문에 매우 어렵다.”

공급망의 다른 쪽에도 비슷한 문제가 있다. 원자재 부족을 정확하게 예측하지 못하면 원자재를 미리 비축할 수 없다. 더 중요한 것은 가격 변화를 예측하여 가격 인상 전에 더 낮은 가격에 더 많이 구매하거나 가격 인하가 임박한 것 같으면 더 조금 구매할 수 있어야 한다는 것이다.

약 1년 전, 앰코는 고객 수요와 공급 측면 모두에 대한 예측을 최적화하는 데 도움이 되는 플랫폼인 ‘EazyML’을 실험하기 시작했다. ERP의 3년치 데이터를 사용하여 변동 패턴을 찾기 위해 이 도구를 학습시켰다. 이 시스템은 변화의 범주와 다양한 종류의 변화와 연관된 이벤트를 찾는다. 예를 들어, 계절적 변동과 2가지 이상의 변화 유형이 함께 발생하는지 또는 상호 배타적인지 여부를 확인한다.

랜친은 “초기 결과는 상당히 고무적이며 기대했던 것보다 훨씬 더 좋다. 변화를 예측할 수 있다면 원자재 수요를 더 잘 예측하고 필요한 경우 미리 보충할 수 있다”라고 말했다.

AI가 예측을 잘한다는 점은 이미 입증된 과학에 가깝다. 그는 “과거에는 많은 조직에서 여러 전문가의 가중치를 부여하여 평균 예측을 도출하는 합의 예측에 의존했다. 연구에 따르면 통계적 기법을 사용하여 과거 데이터에서 추론하는 통계 예측이 합의 방식보다 일관되게 더 나은 성과를 내는 것으로 나타났다. 그리고 머신 인텔리전스는 통계 예측보다 훨씬 더 나은 성능을 발휘한다. 하지만 올바른 데이터를 사용하는 것이 관건이다”라고 말했다.

검사(Inspection)
AI가 사용되는 또 다른 예는 리소그래피를 사용하여 단일 웨이퍼에 여러 개의 칩을 프린트하는 인텔에서 찾을 수 있다. 웨이퍼의 중앙에서 산출된 칩이 우수한 전력 관련 성능을 보이곤 한다. 바깥쪽 링에 가까운 칩은 상대적으로 떨어진다. 인텔은 칩 폐기를 결정하기 위한 품질 임계값을 가지고 있다. 사람이 웨이퍼를 검사하는 것은 시간이 많이 걸리고 오류가 발생할 수 있는 프로세스이다.

인텔의 수석 부사장 겸 CTO인 그렉 라벤더는 “AI를 사용하여 적합한 고품질 칩을 선택하고, 이를 통해 칩을 훨씬 더 빠르게 생산하고 더 나은 품질로 시장에 출시할 수 있다. 물론 우리가 인공지능으로 하는 일이 이것만은 아니다. 우리 조직에는 수백 명의 AI 소프트웨어 엔지니어가 있고, 이들이 하는 일 중 일부는 검사 및 테스트를 위해 팹에서 사용된다. 하지만 때로는 제품 내부에 적용되는 AI 솔루션을 개발하기도 한다”라고 말했다.

인텔이 맬웨어를 테스트하는 소프트웨어 도구를 OEM 고객에게 제공하는 것도 이와 관련된 사례다. 이러한 도구 중 하나는 인텔 노트북에서 실행되는 인텔 위협 탐지 기술이다. 원도우에서 코드가 실행되면 인텔 코드는 CPU의 명령 스트림을 검토한다. 적응형 학습 시그니처 알고리즘을 사용하여 코드에서 맬웨어 시그니처와 일치하는 이상 징후를 찾는다. 일치하는 항목이 발견되면 이 도구는 맬웨어를 차단하거나 가로채고 윈도우 디펜더에 해당 장치의 감염사실을 알린다.

라벤더는”위협 탐지 기술이 모든 클라이언트 CPU에 내장되어 있다. 지난 몇 년 동안 이 도구와 다른 AI 도구를 제공해 왔지만, 이제 대규모 언어 모델에 대한 이야기가 많이 나오면서 더 많은 사람들이 이에 대해 이야기하고 있다”라고 말했다.

시스코의 바팟에 따르면 검사는 공급망 관리에서 매우 중요한 부분으로, 제품 설계 중에 올바른 작업을 수행하면 훨씬 더 쉬워진다. 그는 “제품 설계 중에 흐름을 모니터링하는 데 도움이 되는 데이터를 생성할 수 있는 계측 장비를 설비에 내장하면 많은 비용을 절감할 수 있다. 어떤 제품의 자재 명세서를 가지고 인건비 부담 비용을 살펴보면 그것들이 매우 높다는 것을 알 수 있는데, 부담은 기본적으로 제품 품질과 감독 간접비이다. 오늘날 AI는 이미 이러한 비용을 최소화하는 데 도움을 주고 있다”라고 말했다.

최적화(Optimization)
예측과 검사 모두 중요하다. 이에 더해 공급망을 특정 고객의 요구에 맞게 조정해야 하는 경우에 AI가 유용할 수 있다. 이와 관련해 바팟은 한 AI 알고리즘 중 하나를 설계할 때 얻은 중요한 교훈이 있다고 전했다. 개발과 배포에 9개월이 걸렸고, 작동하는 데에도 놀라울 정도로 오랜 시간이 걸렸다. 무엇이 잘못되었는지 되돌아보면서 그는 아무리 좋은 기술이라도 최종 고객이 누구인지, 그들이 애플리케이션을 어떻게 사용할 계획인지 이해하는 데 먼저 시간을 들이지 않으면 원하는 결과를 얻을 수 없다는 것을 깨달었다. 또한 그는 일반적으로 최고 경영진이 가장 큰 목소리를 내지만 최종 고객은 그들이 아니라는 점에 주목했다.

그는 “그 이후로 나는 영업이든 공급망 관리든 항상 기본 비즈니스에 대한 충분한 이해를 바탕으로 시작하는 것을 중요하게 생각한다. 요구사항을 확실히 이해한 후에는 데이터와 AI로 돌아가서 작업한다”라고 말했다.

바팟은 이러한 철학이 공급망 관리에도 적용되어야 한다고 주장했다. 그는 “최종 소비자를 진정으로 고려한다면 AI는 소비자와 환경을 세분화하고 타겟팅 하여 도움을 줄 수 있다. 그런 다음 공급망을 거슬러 올라갈 때 인건비, 생산, 세금, 재고 등 다양한 비용을 살펴보고 이를 함께 최적화할 수 있다”라고 말했다.

공급망이 흐름에 최적화되면 예측 품질 및 유지 관리를 설치하고 실행할 수 있다고 그는 덧붙인다. 그런 다음 공급 관리를 위한 조달로 돌아갈 수 있다. 그는 “이는 공급업체가 적이 아니라 파트너라는 개념을 뒷받침한다”라고 말했다.

공급망은 본질적으로 데이터를 공유하지 않는 이유가 최소 3가지가 있는 개별 회사로 구성되어 있다는 오래된 과제가 있다. 첫째, 하나 이상의 다른 파트너와 경쟁하는 비즈니스 라인을 보유하고 있을 수 있다. 둘째, 하나 이상의 경쟁 공급망에 속해 있을 수 있다. 셋째, 협상 테이블에서 유리한 고지를 점하기 위해 정보를 자신들만 알고자 할 수 있다.

현 세대의 AI 기술은 공급망을 최적화할 수 있으며, 심지어 적절한 제품을 적절한 가격에 적절한 고객에게 제공하도록 공급망을 맞춤화 할 수도 있다. 하지만 이를 위해서는 극소수의 기업만이 준비된 수준의 데이터 공유가 필요할 것이다.

바팟은 “조직이 데이터를 확신을 가지고 공유할 수 있도록 해주는 기술이 아직 부족하다. 아직 5년내지 10년은 더 기다려야 한다”라고 말했다. ciokr@idg.co.kr