수요 예측과 공급망 최적화를 결합한 하이브리드 AI 프레임워크

변동성이 크고 불확실한 수요와 공급을 특징으로 하는 산업(예: 섬유, 개인보호장비(PPE))에서 공급망의 회복탄력성(resilience)과 효율성은 매우 중요합니다. 하지만 기존의 예측 및 최적화 접근 방식들은 종종 서로 독립적으로 운영되어 실제 환경에서의 효과가 제한적이었습니다.

본 논문은 이러한 한계를 극복하기 위해 '수요-공급 예측 및 최적화 하이브리드 AI 프레임워크 (HAF-DS)'를 제안합니다. HAF-DS는 두 가지 핵심 모듈을 통합한 구조입니다:

1. LSTM 기반 수요 예측 모듈: 장단기 기억 신경망(Long Short-Term Memory, LSTM)을 활용하여 데이터의 시간적 및 맥락적 수요 의존성(temporal and contextual demand dependencies)을 정교하게 포착합니다.
2. MILP 최적화 계층: 혼합 정수 선형 프로그래밍(Mixed Integer Linear Programming, MILP) 기법을 사용하여 비용 효율적인 재고 보충(replenishment) 및 자원 할당 결정을 내립니다.

이 프레임워크의 핵심은 예측과 처방(prescriptive)적 최적화를 결합한다는 점입니다. HAF-DS는 임베딩 기반 특징 표현(embedding-based feature representation)과 순환 신경망(recurrent neural architectures)을 통해 예측 오류와 운영 비용을 동시에 최소화하도록 설계되었습니다.

실제 섬유 판매 및 공급망 데이터셋에 적용한 실험 결과는 이 통합 접근 방식의 우수성을 명확히 보여줍니다. HAF-DS를 사용했을 때, 기존 통계적/딥러닝 기반 모델 대비 다음과 같은 유의미한 성능 향상을 달성했습니다:

• 예측 정확도 개선: 평균 절대 오차(Mean Absolute Error, MAE)가 15.04에서 12.83으로 (14.7%) 감소했으며, 제곱근 평균 제곱 오차(Root Mean Squared Error, RMSE)는 19.53에서 17.11로 (12.4%) 개선되었습니다.
• 운영 효율성 극대화: 재고 비용을 5.4% 절감하고, 품절(stockouts) 발생률을 27.5% 감소시켰습니다.
• 서비스 수준 향상: 고객 서비스 수준(Service Level)이 95.5%에서 97.8%로 상승했습니다.

결론적으로, 본 연구는 예측적 수요 예측과 처방적 최적화를 결합하는 것이 단순히 정확도를 높이는 것을 넘어, 공급망의 운영 효율성과 회복탄력성을 동시에 향상시키는 가장 효과적인 방법임을 입증합니다. HAF-DS는 현대 섬유 및 PPE와 같은 복잡한 산업에 적용 가능한 확장성 있고 적응성이 높은 솔루션을 제공합니다.