계획짜는 AI 강화학습 ‘RL-SPH’

 5개 벤치마크애서 성공률 100%

택배 배송 경로부터 공장 생산계획, 병원 근무표까지 현실의 여러 조건을 따져 실제 현장에서 반영할 수 있는 계획을 만드는 인공지능(AI) 기술이 개발됐다.

3일 KAIST는 김민수(사진) 전산학부 교수 연구팀이 외부 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습 기술 ‘RL-SPH(Reinforcement Learning-based Start Primal Heuristic)’를 개발했다고 밝혔다.

택배 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성은 여러 조건을 동시에 만족하면서 가장 효율적인 계획을 찾아야 하는 대표적인 정수선형계획법(ILP) 문제다.

택배 배송의 경우 이동 시간을 줄이는 것뿐 아니라 차량 적재량과 기사 근로시간을 지키고 모든 배송지를 빠짐없이 방문해야 한다. 조건 하나라도 어기면 아무리 빠른 경로라도 실제 현장에서는 사용할 수 없다.

기존 AI는 비용이나 시간을 줄이는 계획을 제안하더라도 차량 적재량, 근로시간, 설비 용량 등 현실의 제약조건을 위반하는 경우가 많았다. 이 때문에 마지막 단계에서 ‘구로비(Gurobi)’나 ‘SCIP’ 같은 전문 최적화 프로그램이 AI가 내놓은 계획의 오류를 수정해야 했다. AI만으로 계획 수립을 완결하기 어려웠던 것.

연구팀이 개발한 RL-SPH는 정답을 한 번에 예측하는 대신 사람이 계획을 고치듯 현재 계획을 단계적으로 수정한다. 인원과 차량 수, 생산량 등 변수를 하나씩 바꾸며 제약조건을 해결하고 그 결과를 학습하는 방식이다.

특히 ‘가장 좋은 계획’보다 ‘실제로 사용할 수 있는 계획’을 먼저 찾도록 설계했다. 공장 생산계획의 경우 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 계획을 만든 뒤 생산비와 작업 시간을 줄여나가는 식이다.

이를 위해 모든 제약조건을 만족하는 ‘실행가능해’를 먼저 찾고, 이후 비용과 시간을 줄이는 2단계 탐색 전략을 적용했다.

변수와 제약조건의 관계를 학습하는 AI 모델 ‘ILP-GT’도 개발했다. 문제 해결에 효과적인 변수부터 수정하는 ‘실행가능성 인식 탐색 전략’을 적용해 계산 효율을 높였다. 연구팀이 5종의 벤치마크에서 RL-SPH를 평가한 결과 모든 문제에서 실제 사용할 수 있는 계획을 100% 찾아냈다. 일반 정수 변수가 포함된 복잡한 문제에서도 같은 성능을 유지했다. 김광우 기자


woo@heraldcorp.com