네트워크 계획 최적화 (Network planning optimization)는 교통 시스템, 통신 네트워크, 전력망을 포함한 다양한 도메인에 걸친 근본적인 문제입니다. 이는 복잡한 제약 조건 하에서 여러 상충하는 목표를 동시에 최적화할 것을 요구합니다. 기존의 네트워크 계획 최적화 프레임워크는 계획 결정을 계산하기 위해 혼합 정수 프로그래밍 (MIP) 솔버, 휴리스틱 (heuristics), 그리고 심층 강화학습 (DRL) 모델에 의존합니다. 그러나 이러한 방식은 다양하고 동적인 사용자 의도에 대한 효과적인 적응력이 부족하여, 실행 시간과 최적성 사이의 절충 (trade-off)을 초래합니다. 본 논문에서는 네트워크 계획 최적화에서 적시성 (timeliness)과 근사 최적성 (near-optimality)을 모두 달성하는 적응형 프레임워크인 OmniPlan을 제안합니다. 기존 솔루션에 부족한 적응성을 달성하기 위해, OmniPlan은 대규모 언어 모델 (LLM) 기반의 해석기를 사용하여 이질적인 자연어 의도를 통일되고 정량화 가능한 사용자 선호도 벡터로 변환합니다. 그 다음, MIP 솔버, 휴리스틱, 그리고 DRL 모델을 전문화된 전문가 (experts)로 통합하는 전문가 혼합 (mixture-of-experts) 아키텍처를 채택하며, 여기서 OmniPlan은 적시적이고 근사 최적인 전문가를 동적으로 선택함으로써 다양한 의도에 적응합니다. 마지막으로, 계획 결정이 사용자별 선호도와 일치하도록 최적화 목표 가중치를 미세 조정하는 DRL 기반의 전문가 구성 모듈을 포함합니다. 우리는 대표적인 실제 워크로드인 분산 머신러닝 (ML)을 통해 OmniPlan을 평가하며, 여기서 우리는 OmniPlan을 활용하여 의사결정 트리 (decision trees), SVM, 나이브 베이즈 (naive Bayes), XGBoost, 랜덤 포레스트 (random forests)와 같은 광범위한 ML 추론 작업을 하드웨어 장치 네트워크로 오프로딩 (offloading)합니다. 실제 테스트베드에서의 실험 결과, OmniPlan은 실제 ML 추론 작업에 대해 근사 최적 및 낮은 실행 시간의 오프로딩을 달성하여, 지연 시간 (latency)을 최대 97.8%까지 줄이고 네트워크 장치 자원 소비를 최대 11.5%까지 감소시켰음을 보여줍니다.