Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

당신이 거대한 첨단 레모네이드 가판대를 운영하고 있다고 상상해 보세요. 하지만 레몬 대신 복잡한 기계를 만들고 있고, 화창한 날씨 대신 당신의 가장 큰 도전 과제는 날씨입니다. 현대 공장의 세계에서는 두 가지 매우 예측 불가능한 것들 사이에서 끊임없는 줄다리기가 벌어집니다. 바로 얼마나 많은 사람이 당신의 제품을 사고 싶어 하는가(수요)와 기계를 돌리는 데 비용이 얼마나 드는가(에너지)입니다. 오랫동안 공장 관리자들은 미래를 하나의 '최선의 추측' 숫자로 예측하여 이 문제를 해결하려 노력했습니다. 그들은 "내일은 레몬 100개가 필요할 것이고, 전기는 5센트일 것이다"라고 말하곤 했습니다. 하지만 현실 세계의 미래는 엉망진창입니다. 때로는 아무도 레모네이드를 원하지 않을 수도 있고, 때로는 햇빛이 너무 강렬해서 전기가 실제로 '마이너스 금액'(즉, 전력 회사가 당신에게 돈을 지불하는 상황!)이 될 수도 있습니다. 이 논문은 **운영 연구(Operations Research)**라는 과학의 한 구석에 자리 잡고 있는데, 이는 기본적으로 다음에 무슨 일이 일어날지 모를 때 최선의 결정을 내리는 기술입니다. 이 논문은 미래를 고정된 사실로 취급하면 나쁜 선택의 교통 체증에 갇히게 될 것이라는 아이디어를 바탕으로 합니다. 대신, 저자들은 미래를 카드 덱처럼 취급해야 한다고 제안합니다. 우리가 어떤 카드를 뽑을지는 모르지만, 덱을 섞어서 가능한 모든 패에 대비해 계획을 세울 수 있습니다.

"이중 불확실성 하에서의 에코-컨셔스 마스터 생산 계획(Eco-Conscious Master Production Scheduling Under Dual Uncertainty)"이라는 제목의 이 연구는 "누군가 이것을 살 것인가?"라는 질문과 "지금 전력 비용이 얼마인가?"라는 질문을 동시에 스마트하게 처리할 수 있는 새로운 공장 운영 방식을 제안합니다. 저자들은 두 가지 강력한 도구인 머신러닝(과거 데이터로부터 학습하는 컴퓨터)과 스토캐스틱 최적화(다양한 미래를 계획하는 수학)를 혼합한 "하이브리드" 접근 방식을 제안합니다.

그들의 "마술"이 어떻게 작동하는지 살펴보겠습니다. 먼저, 그들은 LightGBM이라는 초스마트 컴퓨터 뇌를 사용하여 사람들이 제품을 얼마나 원할지 예측합니다. 단 하나의 숫자만 주는 대신, 이 모델은 "100개가 필요할 수도 있고, 150개가 필요할 수도 있으며, 혹은 50개만 필요할 수도 있다"라고 말하며 가능성의 "구름"을 그려냅니다. 동시에, 그들은 LSTM(시간에 대한 기억 저장소와 같은 모델)이라는 다른 컴퓨터 뇌를 사용하여 전기 가격을 관찰합니다. 이 뇌는 태양이 빛날 때 가격이 폭락하거나 퇴근 시간에 사람들이 집에 모일 때 가격이 치솟는 것과 같은 패턴을 포착하는 데 탁능합니다.

이 두 개의 뇌가 예측을 마치면, 저자들은 단순히 하나의 시나리오만을 선택하지 않습니다. 대신, 수백 개의 가능한 미래를 담은 "트리(나무)"를 만듭니다. 그런 다음, 컴퓨터가 과부하되지 않도록 이 거대한 트리를 가장 중요한 가지들로 축소하는 특별한 수학적 필터를 사용합니다. 마지막으로, 이 트리를 **2단계 스토캐스식 모델(Two-Stage Stochastic Model)**에 입력합니다. 이 모델은 다음과 같은 2단계 댄스를 생각하면 됩니다:

1. "현재와 여기(Here-and-Now)" 단계: 공장은 미래가 닥치기 전에 계획을 세웁니다. 그들은 나중에 조정이 필요할 수도 있다는 점을 인지하면서, 어떤 기계를 켤지 그리고 얼마나 생산할지를 결정합니다.
2. "보고 결정하기(Wait-and-See)" 단계: 실제 하루가 오고 실제 수요와 실제 전기 가격이 드러나면, 공장은 빠른 조정을 수행합니다. 전기가 저렴하면 기계를 세게 돌리고, 전기가 비싸면 미리 만들어둔 재고를 사용하며 생산을 멈춥니다.

이 논문은 기존의 방식인 **적기 생산 방식(Just-In-Time, JIT)**에 대해 강력하게 반대합니다. 기존 방식은 "필요한 것을 정확히, 필요한 때에 만들어라, 그리고 여분의 물건을 전혀 보유하지 마라"라고 말합니다. 저자들은 전기 가격이 요동치는 세상에서 이러한 경직된 접근 방식이 재앙이 될 수 있음을 보여줍니다. 이 방식은 추가적인 물품을 보관하는 것을 피하기 위해 비싼 피크 시간대에 기계를 돌리도록 강요합니다. 그들의 새로운 방법은 의도적으로 약간 "과잉 재고"를 갖추는 것이 더 현명하다고 제안합니다. 전기가 저렴하거나 심지어 무료일 때 제품을 더 많이 만들어둠으로써, 공장은 비싼 시간대에 생산을 중단하여 막대한 돈을 아낄 수 있습니다.

저자들이 유럽 전력 시장(특히 EPEX SPOT 시장)에서 거래되는 시뮬레이션된 공장에 이 아이디어를 테스트했을 때, 결과는 매우 놀라웠습니다. 시뮬레이션에서, 이 새로운 "예측 및 최적화" 방법은 기존의 경직된 계획 방식에 비해 총 운영 비용을 34.3% 절감했습니다. 이는 **스토캐스틱 솔루션의 가치(Value of the Stochastic Solution, VSS)**라고 불리는 지표로 측정되었으며, 30일간의 테스트 기간 동안 $10,570의 절감 효과를 보였습니다. 이 모델은 단순히 돈을 아끼는 데 그치지 않고 자연스럽게 환경에도 도움을 주었습니다. 공장이 풍력과 태양광 발전이 많은 시간대(전기 가격이 저렴하거나 마이너스가 되는 때)로 작업을 이동시켰기 때문에, 명시적으로 "친환경"을 목표로 하지 않았음에도 불구하고 탄소 배출량이 감소했습니다. 경제적 동기인 비용 절감이 의도치 않게 지구를 구하는 동기가 된 것입니다.

저자들은 또한 모델이 "마이너스 가격"—전력망에 재생 에너지가 너무 많아서 기업들이 오히려 돈을 내고 전기를 써야 하는 드문 순간들—을 포착하는 데 매우 뛰어나다는 것을 발견했습니다. 모델은 이러한 시간대로 생산을 선제적으로 이동시켜, 에너지 비용을 아주 작은 수익으로 전환하는 효과를 냈습니다. 그러나 논문은 이 결과가 특정 유형의 공장에 대한 시뮬레이션 및 계산 실험에서 나온 것이며, 이 방식으로 수년 동안 운영되어 온 실제 공장에서의 결과는 아니라는 점을 주의 깊게 언급합니다. 저자들은 수학적 구조는 견고하고 시뮬레이션상의 절감액은 상당하지만, 실제 현장 적용을 위해서는 추가적인 테스트가 필요할 것이라고 제언합니다. 또한, 만약 기업이 절대적으로 완벽한 미래를 알고 싶다면, 더 나은 예측을 위해 최대 $4,800(완전 정보의 기대 가치, Expected Value of Perfect Information)까지 지불할 용의가 있을 것이라고 계산했습니다. 하지만 완벽한 예측은 불가능하므로, 현재의 방법은 매우 강력한 대안이 됩니다.

요약하자면, 이 논문은 공장 관리의 미래가 미래를 완벽하게 맞히는 것이 아니라, 미래가 아무리 격렬하게 변하더라도 그 흐름에 맞춰 춤을 출 수 있는 유연한 계획을 세우는 것에 있다는 것을 시사합니다. AI를 사용하여 혼돈을 예측하고 수학을 사용하여 이에 대비함으로써, 공장은 돈을 아끼고, 재고 부족을 피하며, 동시에 의도치 않게 환경에도 도움을 줄 수 있습니다.