Bottleneck-aware explainable learning-to-dispatch improves simulated throughput in dynamic flexible manufacturing systems

현대적인 공장의 활기찬 중심부에서, 기계들은 단순히 시작부터 끝까지 직선으로만 움직이지 않습니다. 대신, 그들은 선택의 복잡한 그물망 안에서 작동합니다. 하나의 부품은 여러 가지 다른 경로를 따라 이동하며 다양한 도구에 의해 가공될 수 있으며, 각 도구는 고유한 속도와 용량을 가집니다. 이러한 유연성은 강점이 되어, 기계가 고장 나거나 새로운 긴급 주문이 도착했을 때 공장이 적응할 수 있게 해줍니다. 하지만 이와 동일한 유연성은 어떤 작업이 다음 단계로 어떤 기계에 배정될지 결정해야 하는 사람이나 컴퓨터에게 끊임없는 과제를 안겨줍니다. 만약 잘못된 선택을 내린다면, 중요한 기계가 작업으로 인해 막히거나 다른 기계들이 유휴 상태로 남게 되어 전체 생산 라인이 느려질 수 있습니다. 이것이 바로 동적 스케줄링(dynamic scheduling)의 문제입니다. 즉, 환경이 끊임없이 변화하고, 작업이 예측 불가능하게 도착하며, 가장 중요한 병목 지점(작업이 쌓이는 지점)이 경고 없이 한 기계에서 다른 기계로 이동할 수 있을 때, 어떻게 찰나의 순간에 올바른 결정을 내릴 것인가의 문제입니다.

수십 년 동안 공장 관리자들은 이러한 결정을 내리기 위해 단순한 규칙에 의존해 왔습니다. 한 가지 흔한 접근 방식은 항상 완료하는 데 시간이 가장 적게 걸리는 작업을 선택하여, 작은 작업들을 빠르게 처리함으로써 라인을 계속 움직이게 하는 것입니다. 이는 평온한 상황에서는 잘 작동하지만, 예상치 못한 고장이나 흐름을 방해하는 긴급 주문과 같은 현실 세계의 혼돈에 직면했을 때는 종종 실패합니다. 최근에는 연구자들이 인공지능을 사용하여 더 나은 전략을 학습시키고, 컴퓨터 프로그램이 패턴을 인식하고 최선의 행동을 선택하도록 훈련시키는 시도를 해왔습니다. 그러나 이러한 고급 시스템들은 종종 '블랙박스'처럼 작동합니다. 즉, 좋은 선택을 할 수는 있지만 왜 그런 선택을 했는지 쉽게 설명하지 못하므로, 인간 감독자가 그 결정을 신뢰할 수 있을지 확신하지 못하게 만듭니다. 더욱이, 많은 학습 시스템은 일반화에 어려움을 겪습니다. 즉, 한 공장 시뮬레이션에서는 완벽하게 작동하는 전략이 약간 다른 설정의 다른 공장에서는 완전히 실패할 수 있다는 의미입니다.

독립 연구자인 무함마드 라파이 이크람(Muhammad Rafay Ikram)의 새로운 연구는 투명하면서도 스마트한 방법을 개발함으로써 이러한 문제들을 다룹니다. 연구자는 '병목 인지 설명 가능 학습-디스패치(bottleneck-aware explainable learning-to-dispatch)', 즉 BA-XLD라고 불리는 시스템을 만들었습니다. 복잡하고 불투명한 신경망을 자주 사용하는 일반적인 인공지능과 달리, 이 시스템은 직관적인 점수 산정 방식을 사용합니다. 기계가 자유로워질 때마다 시스템은 대기 중인 작업 목록을 살펴봅니다. 시스템은 작업 소요 시간, 전환 시 시간이 많이 걸리는 셋업 필요 여부, 남은 작업량, 작업 완료 임박 정도 등 8가지 특정 요소를 기준으로 각 작업을 평가합니다. 결정적으로, 시스템은 해당 특정 기계에 현재 할당된 대기 작업량이 다른 기계와 비교하여 어느 정도인지를 측정하는 '병목 비율(bottleneck ratio)'을 계산합니다. 만약 기계가 과부하 상태라면, 시스템은 그 결정의 중요성을 증폭시켜 가장 중요한 자원이 작업 부족 현상을 겪거나 비효율적인 선택으로 인해 막히지 않도록 보장합니다.

혁신의 핵심은 시스템이 학습하고 스스로를 설명하는 방식에 있습니다. 연구자들은 표준적인 공장 문제 세트에서 시스템이 연습하게 함으로써, 내부 가중치를 조정하여 완제품의 수를 극대화하도록 가르쳤습니다. 최종 결정은 이러한 가중치 요소들의 합에 불과하기 때문에, 시스템이 내리는 모든 결정은 즉각적으로 분해될 수 있습니다. 감독자는 결정을 보고 작업의 연령, 남은 작업량, 또는 기계의 현재 부하가 최종 점수에 얼마나 기여했는지 정확히 알 수 있습니다. 숨겨진 논리나 추측은 없습니다. 설명이 결정 과정에 직접 내장되어 있기 때문입니다. 이 접근 방식은 현재 상황의 미묘한 차이를 이해하지 못한 채 미리 만들어진 규칙 목록에서 하나를 선택하는 다른 학습 방법들이나, 해석하기에 너무 복잡한 딥러닝 모델과는 대조적입니다.

이 방법이 실제로 작동하는지 테스트하기 위해, 연구자는 유연한 공장을 모사한 상세한 컴퓨터 시뮬레이션을 구축했습니다. 이 가상 환경은 무작위 작업 도착, 작업 소요 시간의 변동, 예상치 못한 기계 고장, 긴급 주문의 필요성 등 실제 공장의 무질서한 현실을 모방하도록 설계되었습니다. 연구에는 스케줄링 문제의 표준 테스트인 브랜디마르테(Brandimarte) 벤치마크의 다섯 가지 서로 다른 공장 레이아웃이 사용되었습니다. 시스템은 두 개의 레이아웃에서 훈련되었고 세 번째 레이아웃에서 선택되었지만, 마지막 두 개의 레이아웃은 끝날 때까지 보여주지 않았습니다. 이러한 엄격한 분리는 결과가 단순히 훈련 데이터를 암기한 것이 아니라, 새로운 미지의 문제에서도 작동할 수 있는 전략을 실제로 학습했음을 보장하기 위함이었습니다. 시뮬레이션은 80개의 서로 다른 시나리오를 통해 진행되었으며, 새로운 시스템을 "최단 작업 우선(shortest job first)"과 같은 전통적인 규칙 및 표준 학습 알고리즘과 경쟁시켰습니다.

결과는 새로운 방법이 다른 방식들을 크게 능가한다는 것을 보여주었습니다. 시뮬레이션에서 BA-XLD 시스템은 100 단위 시간당 평균 13.43개의 작업을 완료했는데, 이는 전통적인 "최단 작업 우선" 규칙보다 약 7.3% 높았고, 표준 학습 알고리즘보다는 21% 이상 높았습니다. 단순히 더 많은 작업을 완료하는 것을 넘어, 시스템은 다른 중요한 지표들도 개선했습니다. 작업이 완료될 때까지 기다리는 평균 시간을 거의 31% 줄였고, 공장에 쌓여 있는 미완료 작업량을 약 6% 낮췄습니다. 또한 기계 셋업에 소요되는 시간을 22% 이상 단축했습니다. 이러한 개선은 빈번한 기계 고장이나 높은 작업량과 긴급 주문이 섞인 상황과 같은 심각한 중단 상황에서도 유효했습니다. 시스템은 작업 흐름이 막히지 않도록 꾸준히 유지해 냈으며, 이를 통해 병목 현상의 현재 상태를 이해하는 것이 효율성을 유지하는 핵심임을 입증했습니다.

연구는 또한 어떤 방식이 이 새로운 접근 방식만큼 효과적이지 않은지도 강조했습니다. 연구자들은 일부 공장에서 흔히 쓰이는 전략인 기계의 도구 교체 시간을 단순히 최소화하려는 시도가 오히려 전체 출력을 저해한다는 것을 발견했습니다. 제품군을 동일하게 유지하여 기계의 셋업을 줄이는 데 너무 집중하면, 다른 곳에 작업이 쌓이게 되어 전체 라인의 속도를 늦추게 됩니다. 마찬가지로, 목록에서 최적의 규칙을 고르려고 시도했던 표준 학습 알고리즘은 현재 대기열의 구체적인 뉘앙스와 기계의 부하를 포착하는 데 실패했습니다. 새로운 시스템이 성공한 이유는 단순히 규칙을 선택한 것이 아니라, 공장 바닥의 즉각적인 현실에 기반하여 매 작업에 대한 맞춤형 점수를 계산했기 때문입니다. 연구자들은 이 시스템이 시뮬레이션에서는 매우 효과적이지만, 아직 실제 공장을 위한 완성된 제품은 아니라고 언급했습니다. 본 연구에서 발견된 수치와 계수들은 시뮬레이션 환경에 특화된 것이므로, 실제 공장에 적용하기 전에는 실제 데이터로 재보정되어야 합니다.

궁극적으로, 이 연구는 공장이 인간의 감독을 놓치지 않으면서 인공지능을 어떻게 사용할 수 있는지에 대한 명확한 경로를 제시합니다. 학습 시스템의 적응성과 단순한 가산적 점수 산정의 투명성을 결합함으로써, 연구자들은 강력하면서도 이해 가능한 스케줄러를 만드는 것이 가능하다는 것을 보여주었습니다. 시스템은 효과적이기 위해 반드시 신비로운 블랙박스일 필요는 없습니다. 그것은 명확한 용어로 자신의 추론을 설명하면서도 속도와 효율성 면에서 측정 가능한 개선을 전달할 수 있는 도구가 될 수 있습니다. 이 연구는 스케줄링 방법이 어떻게 테스트되고 평가되어야 하는지에 대한 새로운 기준을 세웠으며, 훈련과 테스트를 엄격히 분리하는 정밀하고 재현 가능한 시뮬레이션의 필요성을 강조했습니다. 컴퓨터 시뮬레이션에서 실제 공장으로 가는 여정에는 여전히 추가적인 검증이 필요하지만, 결과는 투명하고 병목 현지를 인지하는 접근 방식이 곧 공장들이 더 큰 확신과 명확성을 가지고 현대적 생산의 혼돈을 헤쳐 나가는 데 도움을 줄 수 있음을 시사합니다.