KAIST 전산학부 김민수 교수 연구팀이 외부 전문 최적화 프로그램(솔버, Solver) 없이도 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습 기술 ‘RL-SPH(Reinforcement Learning-based Start Primal Heuristic)’를 개발했다고 밝혔다.

 

물류 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성은 여러 조건을 만족하면서 가장 효율적인 계획을 찾아야 하는 대표적인 정수선형계획법(ILP) 문제다. 택배 배송을 예로 들면 배송 시간을 줄이는 것뿐 아니라 차량 적재량과 기사 근로시간을 지키고 모든 배송지를 빠짐없이 방문해야 하며 조건 하나만 어겨도 실제로 사용할 수 없는 계획이 된다.

 

기존 AI는 비용이 적게 드는 계획을 제안하더라도 차량 적재량이나 근로시간 같은 현실 조건을 위반하는 경우가 많아 Gurobi나 SCIP 같은 전문 솔버가 마지막에 오류를 수정해야 했다. 연구팀이 개발한 RL-SPH는 처음부터 정답을 예측하는 대신 현재 계획을 단계적으로 수정하는 방식을 택했다. 변수를 하나씩 바꾸며 제약조건을 해결하고 그 결과를 학습해 점점 더 나은 계획을 만들어가는 구조다.

 

 

연구팀은 가장 좋은 계획보다 실제로 사용할 수 있는 계획을 먼저 찾도록 AI를 설계했다. 먼저 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 계획을 만든 뒤 그 상태를 유지하면서 생산비와 시간을 줄여나가는 2단계 탐색 전략을 적용했다. 여기에 변수와 제약조건의 관계를 학습하는 AI 모델 ‘ILP-GT’와 문제 해결에 가장 효과적인 변수부터 우선 수정하는 탐색 전략을 더해 계산 효율도 높였다.

 

연구팀이 대표적인 5종의 벤치마크에서 RL-SPH를 평가한 결과 모든 문제에서 100%의 실행가능해를 찾는 데 성공했으며 일반 정수 변수가 포함된 복잡한 문제에서도 같은 성능을 유지했다. 기존 기술과 비교하면 최적해와의 차이를 나타내는 프라이멀 갭은 평균 28.6배, 탐색 과정의 품질과 속도를 평가하는 프라이멀 인터그럴은 2.6배 개선됐고 처음 실행 가능한 계획을 찾는 시간도 평균 2.5배 빨라졌다.

 

PAS, DDIM, DiffILO 등 최신 AI 기술과 비교한 결과에서도 RL-SPH만이 모든 벤치마크에서 실행 가능한 계획을 100% 찾아냈다. 학습 시간은 평균 30분으로 기존 기술보다 14.7배, 비지도학습 기반 기술보다 약 34배 빨랐다. 산업계와 학계에서 널리 쓰이는 국제 최적화 벤치마크 MIPLIB에서도 기존보다 최대 67배 큰 문제와 학습 과정에서 접하지 못한 새로운 형태의 문제에서 실행 가능한 계획을 안정적으로 찾아내며 범용성을 입증했다.

 

김민수 교수는 “현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다”며 “이번 연구는 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들 수 있음을 보여준 성과로 앞으로 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”고 전했다.

 

한편, 이번 연구는 KAIST 전산학부 이태훈 박사과정이 제1 저자로 참여했으며 김민수 교수가 교신저자를 맡았다. 연구 결과는 지난 7월 6일부터 11일까지 열린 국제 기계학습 학회(ICML, International Conference on Machine Learning)에서 발표됐다.
 

헬로티 구서경 기자 |