A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

복잡한 공급망의 세계에서 적절한 부품을 재고로 보유하는 것은 끊임없는 균형 잡기입니다. 만약 공장이나 항공사가 특정 부품을 구하지 못하면 운영이 중단되어 막대한 비용이 드는 지연이 발생할 수 있습니다. 그러나 창고에 사용되지 않는 부품이 가득 차 있다면, 돈이 선반 위에 유휴 상태로 묶여 있게 되며 해당 품목은 결국 쓸모없게 될 수도 있습니다. 이러한 과제는 특히 기계나 차량용 예비 부품의 경우 더욱 어렵습니다. 사람들이 정기적으로 구매하는 빵이나 배터리 같은 일상 용품의 수요와 달리, 예비 부품은 종종 몇 달 또는 몇 년 동안 손도 대지 않은 채 방치되어 있다가, 기계가 고장 났을 때 갑작스럽게 필요해지는 경우가 많습니다. 이처럼 긴 침묵의 기간이 드물고 예측 불가능한 요청으로 인해 중단되는 패턴은 독특한 예측 문제를 야기합니다. 꾸준한 판매량에 잘 작동하는 표준 예측 도구들은 여기서 실패하곤 합니다. 이러한 도구들은 수학적 계산에 따라 조만간 부품이 필요할 것이라고 추측하여 불필요한 재고를 쌓이게 하거나, 실제로 부품이 필요한 드문 순간을 놓치기도 합니다.

중국의 공군 물류 대학 연구진은 이 특정한 퍼즐을 해결하기 위해 새로운 접근 방식을 개발했습니다. 그들은 수요가 거의 나타나지 않는 '제로 인플레이션(zero-inflated)' 수요 패턴, 즉 대부분의 달에 수요가 전혀 없는 상황을 처리하도록 설계된 정교한 컴퓨터 모델을 만들었습니다. 연구진은 2,600개 이상의 서로 다른 예비 부품에 대한 수요 기록이 포함된 실제 데이터셋을 사용하여 시스템을 테스트했으며, 4년 이상의 기간 동안의 사용량을 추적했습니다. 목표는 다가올 몇 달 동안 부품이 필요할지, 그리고 만약 필요하다면 몇 단위가 필요할지를 예측하는 것이었습니다. 그들이 '동적 적응 융합 트랜스포머(Dynamic Adaptive Fusion Transformer)'라고 부르는 이 새로운 모델은 예측 작업을 두 가지 별개의 질문으로 나누어 수행합니다. 첫째, 부품이 필요하기는 할 것인가? 둘째, 만약 필요하다면 얼마나 많은 양이 필요할 것인가? 이처럼 두 문제를 별개의 문제로 취급하고 그 답을 신중하게 결합함으로써, 모델은 진정한 수요의 부재와 드문 수요 급증 사이의 차이를 인식하는 법을 배웁니다.

연구진은 이러한 분리 접근 방식이 모델 스스로 확신도를 조정할 수 있는 메커니즘과 결합되었을 때 정확도가 크게 향상된다는 것을 발견했습니다. 테스트 결과, 새 모델은 이전 방식들보다 허위 경보를 피하는 데 훨씬 뛰어난 성능을 보였습니다. 실제 수요가 '0'인 달에 대해 새 모델은 수요가 거의 없다고 예측하여, 창고에 부품을 주문해 먼지만 쌓이게 하는 상황을 효과적으로 방지했습니다. 구체적으로, 이 모델은 제로 수요 달을 예측하는 오차를 매우 낮은 수준으로 줄였으며, 이는 기존의 통계적 방법론과 다른 현대적 머신러닝 도구들을 훨씬 능가하는 성과였습니다. 그러나 이 연구는 하나의 절충점(trade-off)도 밝혀냈습니다. 모델이 언제 주문을 하지 말아야 할지 아는 데는 탁월해졌지만, 수요가 갑자기 크게 치솟을 때 예측하는 데 있어서는 가끔 약간 더 신중해지는 경향을 보였습니다. 즉, 허위 양성(false positives)의 소음은 성공적으로 억제했지만, 때때로 실제의 긴급한 요청 규모를 과소평가하기도 했습니다.

이것이 어떻게 작동하는지 이해하기 위해, 모델을 먼저 달력과 이력 로그를 확인하여 요청이 발생할 가능성이 있는지 결정하는 시스템이라고 상상해 보십시오. 만약 이력이 해당 부품이 오랫동안 사용되지 않았음을 보여준다면, 시스템은 '0'을 예측하는 쪽으로 강하게 기울어집니다. 반대로 최근 활동이 있었다면, 시스템은 수량을 추정하는 데 주의를 집중합니다. 연구진은 '게이팅(gating)' 시스템을 구축했는데, 이는 교통 관제사처럼 작동하며 "발생 여부"에 대한 추측과 "수량"에 대한 추측에 각각 얼마만큼의 가중치를 줄지 결정합니다. 이를 통해 모델은 유연성을 가질 수 있습니다. 데이터가 조용한 시기를 시사하는 달에는 모델이 확신을 가지고 '0'을 예측합니다. 데이터가 활동을 암시하는 달에는 양수의 숫자를 예측할 수 있도록 문을 열어둡니다. 이러한 동적 조정이 바로 시스템이 긴 침 silence(침묵) 기간 때문에 혼란에 빠지지 않고 예비 부품의 극심한 예측 불가능성을 다룰 수 있게 해주는 핵심입니다.

실험 결과, 이 방법은 드물게 사용되지만 필요할 때는 매우 중요한 부품들에 특히 효과적이었습니다. 실제로 필요하지 않은 부품에 대해 수요를 잘못 예측하는 횟수를 줄임으로써, 이 시스템은 조직이 저장 비용을 절감하고 구식 재고를 주문하는 낭비를 피하도록 돕습니다. 연구진은 모델이 거대한 수요 급증을 예측하는 데는 완벽하지 않더라도, 허위 경보를 방지하는 능력은 큰 개선이 이루어졌다고 언급했습니다. 재고 관리 맥락에서 추가 재고를 보유하는 비용이 높을 수 있다는 점을 고려할 때, 이러한 정밀함은 매우 가치 있습니다. 연구는 많은 예비 부품의 경우, 단순히 안전을 위해 수요가 나타날 것이라고 추측하기보다는 증거가 확실할 때까지는 매우 신중하게 예측하는 것이 최선의 전략임을 시사합니다.

연구진은 자신들의 모델을 오래된 통계 기법과 새로운 딥러닝 모델을 포함한 여러 다른 방법들과 비교 테스트했습니다. 결과는 명확했습니다. 새 모델은 전체 오류를 더 적게 생성했으며, 수요가 발생하지 않는 달을 식별하는 데 훨씬 더 뛰어났습니다. 실제로 부품이 필요하지 않았던 달을 구체적으로 살펴보았을 때, 새 모델의 예측은 다른 방법들보다 '0'에 훨씬 더 가까웠습니다. 이는 모델이 존재하지 않는 패턴을 보고 불필요하게 부품을 주문하는 '가짜 양성 예측(spurious positive predictions)'의 함정을 성공적으로 피했음을 의미합니다. 또한 연구는 이 새로운 시스템의 각 부분이 필수적인 역할을 한다는 것을 확인했습니다. 수요 발생 여부를 확인하는 부분을 제거하면 제로 수요 달을 처리하는 능력이 떨어졌고, 수요 규모를 확인하는 부분을 제거하면 실제 부품이 필요할 때의 정확도가 낮아졌습니다. 이러한 요소들을 적응형 융합 메커니즘으로 관리하는 결합 방식은 단일 구성 요소만 있을 때보다 더 강력한 시스템을 만들어냈습니다.

모델이 과잉 주문을 방지하는 데는 탁월하지만, 드물게 발생하는 대규모 수요 급증의 규모를 예측하는 데는 여전히 개선의 여지가 있음을 연구진은 인정했습니다. 테스트 과정에서 모델은 갑작스러운 수요 급증이 발생했을 때 실제 필요한 양보다 적은 양을 예측하기도 했습니다. 이는 시스템이 침묵을 유지해야 할 때를 아는 데는 뛰어나지만, 실제 수요 급증의 소음이 몰려올 때는 다소 보수적으로 반응할 수 있음을 시사합니다. 저자들은 향후 연구에서 이러한 극단적인 정점을 처리하기 위한 특정 규칙을 추가하거나, 모델의 출력값을 안전 재고 정책과 결합하여 중요한 부품을 절대 놓치지 않도록 하는 방안을 제시했습니다. 현재로서는, 이 연구가 수요 예측 문제를 더 작고 관리 가능한 조각들로 나누고 모델이 그 비중을 스스로 결정하게 함으로써, 예비 부품의 예측 불가능한 세계를 관리하는 훨씬 더 스마트한 시스템을 만들 수 있음을 입증하고 있습니다.

이 연구의 시사점은 연구진의 기반인 군사나 항공 분야를 넘어 확장됩니다. 장비를 유지하기 위해 드물게 사용되는 부품이 필요한 모든 산업이 이 접근 방식의 혜택을 받을 수 있습니다. 산업 제조에서 자동차 수리에 이르기까지, 간헐적 수요를 예측하는 과제는 보편적입니다. '동적 적응 융합 트랜스포머'의 성공은 재고 관리의 미래가 복잡한 데이터에 단일하고 단순한 예측을 강요하는 것이 아니라, 수요의 서로 다른 상태를 이해하고 그에 따라 전략을 조정할 수 있는 시스템을 구축하는 데 있다는 것을 보여줍니다. 수요의 부재와 높은 활동의 드문 순간을 구분하는 법을 배움으로써, 이러한 시스템은 공급망을 효율적으로 운영하면서도 가장 필요한 부품의 가용성을 위험에 빠뜨리지 않고 린(lean)한 상태를 유지하도록 도울 수 있습니다.