외부 최적화 프로그램 없이 실행 가능한 계획 도출 5개 벤치마크서 성공률 100%…학습 속도 14.7배 교신저자 김민수(왼쪽) KAIST 전산학부 교수와 제1 저자 이태훈(오른쪽) 박사과정 학생.[KAIST 제공] 3일 KAIST는 전산학부 김민수 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 모바일 바다이야기 다운로드 . 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. 야마토릴게임 기존 기술과 비교하면 최적해와의 차이를 나타내는 ‘프라이멀 갭’은 평균 28.6배, 탐색 품질과 속도를 평가하는 ‘프라이멀 인터그럴’은 2.6배 개선됐다. 실행할 수 있는 계획을 처음 찾는 시간도 평균 2.5배 빨라졌다. PAS와 DDIM, DiffILO 등 최신 AI 기술과 비교해도 RL-SPH만 모든 벤치마크에서 실행 가능한 계획을 100% 찾아냈다. 학습 시간은 평균 30분으로 기존 기술보다 14.7배, 비지도학습 기반 기술보다 약 34배 빨랐다. 국제 최적화 벤치마크 ‘MIPLIB’에서도 기존보다 최대 67배 큰 문제와 학습 과정에서 접하지 않은 새로운 문제의 실행 가능한 계획을 안정적으로 찾아냈다. 김 교수는 “현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다”며 “전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들 수 있음을 보여준 성과”라고 말했다. 이어 “물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”고 덧붙였다. 이번 연구에는 KAIST 전산학부 이태훈 박사과정이 제1 저자로 참여했다. 김 교수가 교신저자를 맡았다. 연구 결과는 지난달 열린 국제기계학습학회(ICML)에서 발표됐다. 연구는 과학기술정보통신부와 정보통신기획평가원, 한국연구재단의 지원을 받아 수행됐다. 문해야 한다. 조건