생산 스케줄링을 위한 에이전트 기반 AI 모델링: 제약 조건 프로그래밍 평가

생산 스케줄링을 위한 최적화 모델 개발에는 상당한 수준의 전문가 노력이 필요합니다. 대규모 언어 모델(LLMs)에 대한 연구는 두 가지 방향으로 진행되어 왔습니다. 첫째, 혼합 정수 선형 계획법(mixed-integer linear programming)을 위한 자동 모델링 전문 접근 방식입니다. 이는 종종 전용 훈련이나 문제 특정 아키텍처에 의존하여 산업 현장 배포가 제한적이라는 한계를 가집니다. 둘째는 운영 의사결정 지원을 위한 에이전트 기반 인공지능(agentic artificial intelligence)으로, 일반적으로 최적화 모델 자체가 이미 존재한다고 가정합니다. 본 연구는 이 두 방향을 연결하며, 작업별 특정 훈련 없이 오케스트레이션된 범용 LLM이 자연어 문제 설명으로부터 제약 조건 프로그래밍(constraint programming) 모델을 공식화하고 구현할 수 있는지 평가합니다. 단일 에이전트 및 다중 에이전트 아키텍처는 솔버 문서의 상황 인식 검색을 제공하는 Model Context Protocol 서버와 통합되어, 구현 과정 중 환각(hallucinations)을 완화합니다. 이 두 방식은 흐름 샵(flow-shop), 작업 샵(job-shop), 유연 작업 샵(flexible job-shop), 자원 제약 창고 스케줄링 등 산업 지향적인 여섯 가지 문제에 대해 세 가지 LLM을 사용하여 직접적인 LLM 기준선과 비교되었습니다. 평가 항목은 모델링 정확도, 실행 성공률, 지연 시간(latency) 및 토큰 소비량입니다. 공식화는 현재의 LLM으로 상당 부분 달성 가능한 것으로 입증되었으나, 구현이 주요 장벽임이 밝혀졌습니다. 다중 에이전트 워크플로우를 사용했을 때 올바르게 실행되는 스크립트의 비율은 직접적인 LLM 호출 시 14.8%에서 59.3%로 증가했으며, 네 가지 덜 복잡한 문제에서는 80.6%에 도달했지만, 긴밀하게 결합된 내부 물류(intralogistics) 모델은 여전히 해결해야 할 과제로 남아 있습니다.