현실 제약 먼저 푸는 AI, 산업 계획 최적화

김민수 KAIST 전산학부 교수 연구팀이 강화학습으로 실행 가능한 계획을 먼저 찾고 비용과 시간을 줄이는 인공지능 모델 ‘RL-SPH’를 개발했다. 택배 차량의 적재량과 기사 근로시간, 공장의 설비 용량과 납기일, 병원의 인력 조건처럼 반드시 지켜야 할 제약을 반영해 별도 전문 솔버의 수정 없이 계획을 수립하는 기술이다.

RL-SPH는 처음부터 완성된 답을 예측하지 않고 인원 수, 차량 수, 생산량 등의 변수를 하나씩 조정하며 현재 계획을 단계적으로 개선한다. 우선 모든 제약을 충족하는 해를 확보한 뒤 최적화하는 2단계 탐색을 적용했다. 변수와 제약의 관계를 학습하는 ‘ILP-GT’, 효과가 큰 변수를 먼저 고치는 실행가능성 인식 전략도 계산 효율을 높이는 데 활용됐다.

기존 AI는 비용이 낮은 계획을 내놓더라도 적재량이나 근로시간을 어겨 Gurobi, SCIP 같은 전문 솔버로 오류를 바로잡아야 했다. 연구팀 모델은 대표 벤치마크 5종에서 실행 가능한 해를 모두 찾았고, 일반 정수 변수가 포함된 문제에서도 성능을 유지했다. 기존 휴리스틱보다 프라이멀 갭은 평균 28.6배, 프라이멀 인터그럴은 2.6배 개선됐으며 첫 실행 가능 계획 탐색 시간은 평균 2.5배 단축됐다.

PAS, DDIM, DiffILO 등과 비교한 실험에서도 RL-SPH만 SC·CA·IS 전체 벤치마크에서 100% 실행 가능 계획을 도출했다. 평균 학습 시간은 30분으로 기존 기술보다 14.7배, 비지도학습 기반 기술보다 약 34배 빨랐다. MIPLIB에서는 최대 67배 큰 문제와 학습하지 않은 형태의 문제도 처리했다. 초기 버전은 첫 실행 가능한 해를 2초 안에 찾아 기존 방식보다 약 180배 빨랐으며, 연구 결과는 지난 6일부터 11일까지 열린 ICML에서 발표됐다.