🤖 machine learning

Hybrid Deep Learning Approach for Coupled Demand Forecasting and Supply Chain Optimization

이 논문은 LSTM 기반 수요 예측과 혼합 정수 선형 계획법 최적화 계층을 통합한 하이브리드 AI 프레임워크 (HAF-DS) 를 제안하여, 직물 및 PPE 공급망에서 예측 오차와 운영 비용을 동시에 줄이고 재고 효율성을 크게 향상시켰음을 입증합니다.

원저자: Nusrat Yasmin Nadia, Md Habibul Arif, Habibor Rahman Rabby, Md Iftekhar Monzur Tanvir, Md. Jakir Hossen, M. F. Mridha

게시일 2026-04-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nusrat Yasmin Nadia, Md Habibul Arif, Habibor Rahman Rabby, Md Iftekhar Monzur Tanvir, Md. Jakir Hossen, M. F. Mridha

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"재고 관리의 두 마리 토끼를 한 번에 잡는 똑똑한 AI"**에 대한 이야기입니다.

기존의 방식과 이 새로운 방식의 차이를 이해하기 위해, 가상의 '의류 공장과 의류 가게' 상황을 상상해 보세요.

1. 문제: "예측하는 사람"과 "주문하는 사람"이 서로 말을 안 통함

과거의 공급망 관리 방식은 마치 **예측하는 사람 (A)**과 **주문하는 사람 (B)**이 서로 다른 방에서 일하는 것과 같았습니다.

사람 A (예측 전문가): "다음 달에 파란색 티셔츠가 1,000 개 팔릴 것 같아!"라고 예측만 합니다. 하지만 이 숫자가 정확하더라도, 재고가 부족해서 팔지 못하거나, 너무 많이 주문해서 창고가 터지는 문제는 고려하지 않습니다.
사람 B (주문 관리자): A 가 말한 숫자를 받아서 "알았어, 1,000 개 주문할게"라고 합니다. 하지만 A 의 예측이 틀렸을 때, B 는 "왜 이렇게 많이 주문했어?"라고 따질 뿐, A 가 왜 그 숫자를 예측했는지, 혹은 재고 비용이 얼마나 들지까지 함께 고민하지 못했습니다.

이렇게 **예측 (미래를 보는 것)**과 **최적화 (현실적인 결정을 내리는 것)**가 따로 놀면, 가게는 재고가 넘치거나 품절이 자주 일어나서 돈을 잃게 됩니다.

2. 해결책: "한 팀이 된 AI" (HAF-DS)

이 논문이 제안한 HAF-DS라는 새로운 AI 는 A 와 B 를 하나의 팀으로 합쳐버린 것입니다.

상상해 보세요: 이제 예측하는 사람과 주문하는 사람이 같은 책상에 앉아 있습니다.
- "다음 달에 파란 티셔츠가 1,000 개 팔릴 것 같아"라고 예측할 때, AI 는 **"그런데 재고가 부족하면 500 개만 팔고 500 개는 못 팔아서 손해를 보겠네. 아니면 너무 많이 주문하면 창고 임대료가 비싸지겠네"**라고 바로 계산합니다.
- 그래서 AI 는 단순히 "1,000 개"라고 예측하는 게 아니라, **"최대한 이익을 내고, 재고도 적절히 유지하면서 팔 수 있는 최적의 숫자"**를 찾아냅니다.

이것을 기술적인 용어로 **'예측과 최적화를 동시에 학습하는 하이브리드 AI'**라고 합니다.

3. 어떻게 작동할까? (비유로 설명)

이 시스템은 두 가지 핵심 기술을 섞어서 사용합니다.

LSTM (기억력 좋은 학생):
- 과거의 판매 기록을 보며 "지난해 여름엔 파란 티셔츠가 잘 팔렸고, 이번엔 팬데믹 때문에 마스크 수요가 늘었어" 같은 시간의 흐름과 패턴을 기억합니다.
MILP (엄격한 계산기):
- "재고가 몇 개 남았지?", "공급업체 배송은 며칠 걸리지?", "비용은 얼마지?" 같은 현실적인 제약 조건을 계산합니다.

이 두 가지가 서로 대화하며 학습합니다.

만약 AI 가 "1,000 개 팔릴 거야"라고 예측했는데, 실제로는 재고가 부족해서 500 개만 팔리고 나머지는 손실 (비용) 이 발생했다면?
AI 는 **"아, 내가 예측은 맞았지만, 그 예측을 바탕으로 내린 주문이 비효율적이었구나. 다음엔 예측 숫자를 조금 더 현실적으로 조정하거나, 주문 방식을 바꿔야겠다"**라고 스스로 수정합니다.

이처럼 예측이 잘못되면 비용이 늘어나고, 비용이 늘어나면 예측을 다시 고친다는 식으로 서로를 도와가며 점점 더 똑똑해집니다.

4. 어떤 효과가 있었을까? (실제 성과)

이 시스템을 의류 산업과 의료용 보호구 (PPE) 산업에 적용해 본 결과, 놀라운 변화가 있었습니다.

예측 정확도 UP: "다음 달에 얼마나 팔릴까?"를 맞추는 실수가 약 15% 줄었습니다. (기존의 100 점 만점에 85 점에서 95 점 수준으로 향상)
재고 비용 DOWN: 필요 이상으로 재고를 쌓아두는 비용이 약 5% 줄었습니다.
품절 방지 (서비스 수준 UP): 고객이 물건을 사려는데 없던 상황이 약 27%나 줄었습니다.
고객 만족도 UP: 물건을 제때 잘 공급해 주는 비율이 95.5% 에서 97.8% 로 올라갔습니다.

5. 결론: 왜 이것이 중요한가?

이 연구는 **"예측만 잘하는 게 아니라, 그 예측을 바탕으로 현실에서 돈을 아끼고 고객을 만족시키는 결정까지 내리는 AI"**를 만들었다는 점에서 의의가 큽니다.

마치 날씨 예보만 해주는 게 아니라, "비가 오니까 우산을 챙기고, 출근길은 지하철을 타고, 점심은 배달 시키세요"라고 구체적인 행동까지 제안해주는 똑똑한 비서와 같습니다.

이 기술은 의류나 마스크뿐만 아니라, 어떤 물건을 팔든 재고를 관리해야 하는 모든 산업 (자동차 부품, 의약품 등) 에 적용할 수 있어, 미래의 공급망이 훨씬 더 효율적이고 튼튼해지도록 도와줄 것입니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 섬유 및 개인보호장비 (PPE) 와 같은 산업은 급변하는 수요와 불확실한 공급으로 인해 공급망 복원력과 효율성이 매우 중요합니다.
핵심 문제: 기존의 공급망 관리 접근법은 **수요 예측 (Forecasting)**과 **공급 최적화 (Optimization)**를 분리된 단계로 처리하는 '예측 후 최적화 (Predict-then-Optimize)' 방식을 따릅니다.
- 예측 모델: 통계적 방법 (ARIMA 등) 이나 딥러닝 (LSTM 등) 은 예측 정확도만 극대화할 뿐, 이를 실제 운영 정책 (재고, 발주 등) 으로 전환하는 데 한계가 있습니다.
- 최적화 모델: 수학적 프로그래밍 (MILP 등) 은 현실의 복잡한 변동성 (수요 급변, 공급망 교란) 을 반영하지 못하는 단순한 가정에 의존하여 비현실적인 권장 사항을 도출할 수 있습니다.
결론: 예측 오차와 운영 비용 간의 괴리로 인해 재고 과잉, 품절, 서비스 수준 저하 등의 문제가 발생합니다.

2. 제안된 방법론 (Methodology)

저자들은 **HAF-DS (Hybrid AI Framework for Demand–Supply Forecasting and Optimization)**라는 통합 프레임워크를 제안합니다. 이는 예측과 최적화를 순차적 과정이 아닌 **단일 학습 프레임워크 내에서 결합 (End-to-End Joint Training)**하는 것이 핵심입니다.

가. 아키텍처 구성

수요 예측 모듈 (Demand Forecasting Module):
- 모델: 스택된 LSTM(Long Short-Term Memory) 네트워크 사용.
- 입력: 과거 30 일간의 판매 데이터 시계열 및 범주형 데이터 (SKU, 공급업체 등).
- 특징: 범주형 변수를 임베딩 (Embedding) 레이어를 통해 밀집 벡터로 변환하여 학습하며, 시간적 의존성과 맥락적 정보를 포착합니다.
공급 최적화 모듈 (Supply Optimization Module):
- 모델: 제약 조건 모델링을 위한 완전 연결 신경망 (FCNN) 및 혼합 정수 선형 프로그래밍 (MILP) 개념 통합.
- 목표: 생산 비용, 재고 비용, 운송 비용, 부족 비용을 최소화하고 서비스 수준을 최대화하는 주문량 및 재고 배분 결정.
- 제약 조건: 재고 수준, 리드타임, 공급업체 신뢰도 등을 고려.
하이브리드 통합 계층 (Hybrid Integration Layer):
- 핵심 혁신: 예측 모듈과 최적화 모듈을 **미분 가능 (Differentiable)**하게 연결합니다.
- 작동 원리: 하류 (Downstream) 의 공급망 최적화 손실 (비용, 서비스 수준) 이 상류 (Upstream) 예측 모델의 파라미터 업데이트에 직접적인 그래디언트 (Gradient) 로 역전파됩니다.
- 손실 함수: $L_{total} = \lambda_1 L_{forecast} + \lambda_2 L_{supply}$ $L_{t o t a l} = λ_{1} L_{f or ec a s t} + λ_{2} L_{s u ppl y}$
  - 예측 오차와 운영 비용을 동시에 최소화하도록 학습합니다.

나. 데이터 전처리 및 학습 전략

임베딩: SKU, 공급업체, 계절성 등 범주형 데이터를 학습 가능한 임베딩 벡터로 변환하여 잠재적 관계 학습.
데이터 증강 (Data Augmentation): 가우시안 노이즈 주입 및 공급업체 기록 랜덤 드롭아웃을 통해 모델의 강건성 (Robustness) 향상.
학습 방식: 예측 모듈 단독 학습 후, 공급 최적화 모듈과 결합하여 Joint Fine-tuning 수행.

3. 주요 기여 (Key Contributions)

예측 - 처방 (Predictive-Prescriptive) 통합 아키텍처: 수요 예측과 공급망 최적화를 분리하지 않고, 공급 측 운영 목표가 예측 모델 학습에 직접 영향을 미치는 단일 엔드 - 투 - 엔드 (End-to-End) 학습 구조를 최초로 제안했습니다.
임베딩 기반 컨텍스트 표현: 범주형 데이터 (공급업체, 제품 등) 를 임베딩하여 학습함으로써, 기존 원-핫 인코딩 방식보다 우수한 특징 표현과 일반화 성능을 달성했습니다.
실증적 성과: 섬유 및 PPE 데이터셋을 활용한 광범위한 실험을 통해 기존 통계 모델, 딥러닝 모델 (LSTM, GRU, Transformer), 강화학습 기반 에이전트보다 우수한 성능을 입증했습니다.
해석 가능성 및 확장성: 모델의 의사결정 근거를 설명할 수 있는 메커니즘을 포함하며, 다양한 산업 (자동차, 의약품 등) 으로 확장 가능한 범용 아키텍처임을 제시했습니다.

4. 실험 결과 (Results)

섬유 판매 데이터와 공급망 데이터를 결합한 통합 데이터셋에서 수행된 실험 결과는 다음과 같습니다.

가. 예측 정확도 향상

MAE (평균 절대 오차): 15.04 → 12.83 (14.7% 감소)
RMSE (평균 제곱근 오차): 19.53 → 17.11 (12.4% 감소)
MAPE (평균 절대 백분율 오차): 9.5% → 8.1% (14.7% 감소)
기존 최강 베이스라인 (GRU) 대비 모든 지표에서 통계적으로 유의미한 개선 (p < 0.05) 을 보였습니다.

나. 공급망 운영 효율성 개선

재고 비용: 5.4% 감소
품절률 (Stockout Rate): 27.5% 감소 (4.0% → 2.9%)
서비스 수준: 95.5% → 97.8% 향상 (+2.3%p)
총 운영 비용: 4.6% 감소

다. 제거 분석 (Ablation Study)

임베딩 제거 시: MAE 가 9.7% 증가하고 서비스 수준이 2.1%p 하락하여, 임베딩이 성능 향상에 결정적임을 확인했습니다.
단일 모듈 학습 (예측만 또는 최적화만): 통합 학습 시 재고 비용이 약 18~19% 추가로 감소하는 등 통합 학습의 효과를 입증했습니다.

5. 의의 및 결론 (Significance)

이론적 의의: 전통적인 '예측 후 최적화' 패러다임을 넘어, 예측 오차와 운영 비용 간의 직접적인 피드백 루프를 구축함으로써 두 목표를 동시에 최적화하는 새로운 딥러닝 기반 공급망 관리 패러다임을 제시했습니다.
실무적 의의:
- 불확실성이 높은 시장 (팬데믹, 급변하는 수요) 에서 재고 과잉과 품절을 동시에 해결하여 비용 절감과 고객 서비스 수준 향상을 동시에 달성할 수 있습니다.
- 기존 ERP(Enterprise Resource Planning) 나 SCM 시스템에 모듈형 API 로 통합이 용이하여 실제 산업 현장 적용 가능성이 높습니다.
미래 전망: 이 프레임워크는 디지털 트윈 (Digital Twin) 의 핵심 구성 요소로 활용될 수 있으며, 강화학습이나 그래프 신경망 (GNN) 과 결합하여 더 동적인 공급망 협조 체계를 구축할 수 있는 기반을 마련했습니다.

요약하자면, 이 논문은 딥러닝 예측 모델과 수학적 최적화 문제를 단일 미분 가능 프레임워크로 통합하여, 예측의 정확성이 직접적으로 운영 비용 절감과 서비스 수준 향상으로 이어지도록 한 획기적인 하이브리드 AI 솔루션을 제시했습니다.