정철환 칼럼 | 공급망(SCM) 최적화와 언어모델(LLM)의 가능성

제조업에서 IT를 이용한 공급망(SCM) 계획의 수립은 IT가 제조업 분야에 도입이 시작된 이래 항상 상위 우선순위에 위치하고 있는 핵심 도전과제다. 1990년대 후반부터 통계적 알고리즘 방식은 물론 다양한 시뮬레이션 기반 시스템을 통해 공급망 계획의 최적화가 시도됐다. 다양하고 복잡한 제조업의 원료 또는 부품 투입시점부터 전체 제품의 생산 공정에 이르는 위한 다양한 솔루션이 출시됐으며, 일부 분야에서는 성공적인 성과를 내는 시스템으로 운영됐다.

하지만 2000년대 초반 i2 테크놀로지로 대표되는 공급망 최적화 분야는 여러 기업들이 도입을 추진하고 자사의 판매 및 생산계획에 적용했지만 기대한 만큼의 성과를 거두지 못한 사례가 적지 않았다. 이후 다양한 기업에서 솔루션이 출시되었으나 오랜 경험을 가진 실무 담당자의 능력을 뛰어넘지는 못했다.

최적화 문제는 컴퓨터 이론 분야에서 늘 도전의 대상이었다. 공급망 최적화는 생산 공정에서의 다양한 변수와 제약조건의 고려, 최대화 또는 최소화할 변수들에 대한 선정 및 동시 충족의 어려움, 이에 따른 알고리즘이 고려하여야 할 복잡한 구조 및 계산의 복잡성 그리고 생산 공정에서 수시로 발생할 수 있는 불확실성 및 동적인 요소들이 항상 문제 해결을 어렵게 하는 이슈였다.

전혀 다른 분야이지만 언어 번역 분야도 오랜 기간 인공지능 및 컴퓨터 알고리즘을 연구하는 영역에서 도전의 분야였다. 방대한 언어 논리 분석과 통계적, 언어학적 모델의 구현을 적용했으나 늘 원하는 목표와는 동떨어진 수준에 머물러야 했다. 하지만 구글이 2017년 ‘Attention Is All You Need’라는 논문에서 트랜스포머(Transformer)라는 새로운 딥러닝 아키텍처를 제안했으며 트랜스포머 모델은 이전의 순환 신경망(RNN) 기반 번역 모델에 비해 번역 성능과 학습 속도에서 큰 개선을 이끌어냈다.

구글은 이후 자체 번역 서비스인 구글 번역(Google Translate)에서 트랜스포머 모델을 적용하기 시작했다. 구글 번역은 2016년까지 주로 구조적인 통계 기계 번역(SMT) 방식을 사용했으나, 2017년 이후부터 트랜스포머 기반 번역 모델로 전환했다. 트랜스포머 모델은 자연어 처리 분야에서 혁신적인 성과를 거두면서 다양한 기업과 연구자들에게 영감을 주었으며, 번역 분야에서도 큰 변화를 가져왔다. 그리고 그 연구는 대규모 언어 모델(LLM)으로 이어졌으며 오늘날 세상의 중심이 된 챗GPT로 이어졌다. (참고칼럼 : 칼럼 | 구글 번역이 달라졌어요...)

그렇다면 오랜 기간 돌파구를 찾지 못하고 있는 SCM 최적화 분야에서 GPT와 같은 LLM 모델을 적용하여 기존의 한계를 뛰어넘을 수는 없을까? 이미 이와 관련하여 학계에서는 논문이 발표되고 있는 상황이다. LLM 모델을 SCM 최적화에 적용한다면 가능성을 과연 어떠한 것일까?

우선 LLM은 다양한 데이터 소스를 기반으로 예측 모델을 개발하는 데 사용될 수 있다. 예를 들어, LLM은 과거 판매 데이터, 마케팅 캠페인 데이터, 경제 지표 등을 분석하여 향후 수요를 예측하는 데 도움이 될 수 있으며 이를 통해 SCM에서 재고 관리, 생산 계획 등을 최적화할 수 있다.

그리고 LLM이 가진 언어 이해능력을 바탕으로 자동 응답 시스템으로 사용될 수 있으며, 이를 SCM에서 주문 처리 프로세스에 적용할 수 있을 것이다. LLM을 사용하면 고객의 주문을 자동으로 이해하고 처리하는 시스템을 개발할 수 있으며, 주문 유형, 재고 상태, 운송 시간 등을 고려하여 최적의 처리 방법을 결정할 수 있다.

또한 LLM은 실시간 데이터를 기반으로 공급망을 모니터링하고 예측하는 데 사용될 가능성도 있다. LLM을 사용하여 실시간 운송 정보, 재고 레벨, 생산 데이터 등을 분석하여 공급망의 효율성을 모니터링하고 문제가 발생할 경우 조치를 취할 수 있을 것이다.

그리고 LLM과 같은 생성형 인공지능은 다량의 데이터와 인사이트를 기반으로 생산 계획을 수립하고 최적화하는 데 활용될 수 있다. 예를 들어, 과거 생산 데이터, 수요 예측, 재고 상황 등을 분석해 최적의 생산 계획을 제시하고 재고를 효율적으로 관리할 수 있다. 또한 공정 데이터를 분석하고 예측하여 공정 변수를 조절하고 품질을 유지하며 이를 통해 생산 라인의 효율성과 안정성을 향상시킬 수 있을 것이다.

하지만 언어 분야와는 다른 생산 계획 수립 및 공급망 관리 분야에 LLM을 적용하여 기존의 처리 방식이 가진 한계를 뛰어넘을 수 있을지는 아직 미지수다. 그러나 인공지능 분야의 오랜 도전 과제였던 언어 영역에서 LLM이 보여준 결과는 우리에게 SCM 최적화 분야에서 부딪혔던 한계를 뛰어넘을 수 있다는 영감을 주기에는 충분하다.

1980년대 초반 PC가 등장하고 우리의 생활과 산업계가 변화했으며 1990년대 중반 인터넷의 등장으로 IT 업계가 이전에는 상상할 수 없던 시대가 출현했다. 2000년대 후반 스마트폰의 보급 확대가 오늘날의 IT로 진화하게 했다면 2022년에 등장한 챗GPT로 시작된 LLM과 생성형 인공지능은 우리를 이전에는 상상하지 못했던 다른 IT 환경을 이끌 가능성이 크다. 그리고 이러한 변화의 바람은 제조업 분야의 IT에도 큰 영향을 줄 것이다.

* 정철환 상무는 삼성SDS, 한양대학교 겸임교수를 거쳐 현재 그룹 IT 계열사의 사업부를 이끌고 있다. 저서로는 <SI 프로젝트 전문가로 가는 길>과 <알아두면 쓸모 있는 IT 상식>이 있으며, 삼성SDS 사보에 1년 동안 원고를 쓴 경력이 있다. 한국IDG가 주관하는 CIO 어워드 2012에서 올해의 CIO로 선정됐다. ciokr@idg.co.kr