산업별 예측모델 정확도 구현을 위한 임팩티브AI의 여정

AI 기반 수요예측이 단순한 트렌드를 넘어 기업 운영의 핵심 인프라로 자리잡고 있습니다. 그 중심에서 기술적 혁신을 이끌고 있는 임팩티브AI의 DeepFlow는 어떤 차별화된 접근법으로 시장을 선도하고 있을까요? 200여 개의 예측 모델을 자동으로 조합하는 AutoML 시스템부터 복잡한 고객 데이터를 일관되게 처리하는 파이프라인까지, DeepFlow의 기술 총괄을 담당하는 CTO와의 심층 인터뷰를 통해 AI 예측 기술의 현재와 미래를 들여다봅니다.

‍

AutoML을 통한 예측 모델의 차별화된 개발 철학

200개 예측 모델을 조합하는 AutoML은 어떻게 시작되었나요?

저희 AutoML 시스템을 처음 프로토타이핑할 때부터 명확한 목표가 있었습니다. 모델마다 잘하는 예측 상황과 못하는 상황이 다르다 보니, 다양한 회사에서 오는 데이터에 어떤 모델이 적합한지를 미리 알 수 없습니다.

그래서 저희가 연구해온 모든 방법론을 모델로 구현해놓고, 이를 자동으로 실험해서 각 회사나 특정 품목에 최적인 모델을 찾아내는 과정을 구축했습니다. 이 과정에서 최선의 결과를 도출하는 것이 저희 AutoML의 핵심입니다.

자체 개발이라고 하셨는데 실제로는 어떤 방식인가요?

저희의 접근 방식은 검증된 오픈소스 모델들을 기반으로 하되, 이를 독창적인 방식으로 조합하고 최적화하는 것입니다. 단순히 기존 모델을 그대로 사용하는 것이 아니라, 각 모델의 강점을 살려 하이브리드로 구성하기도 하고, 특정 태스크 (가령, 간헐적 패턴을 갖는 품목)에 대하여 집중 해결하는 모델들을 다양하게 구성하는 것이 저희만의 차별화 포인트입니다.

이런 체계적인 조합을 통해 단일 모델로는 달성하기 어려운 예측 정확도를 구현하고 있어요. 검증된 기술을 바탕으로 하되, 고객별 최적화를 통해 실질적인 가치를 창출하는 것이 저희 접근법의 핵심입니다.

다양한 모델 조합 방식의 장단점은 무엇인가요?

앙상블 기법은 단일 모델 대비 안정성과 정확도 면에서 명확한 장점이 있습니다. 일반적으로는 10-20개 내외의 모델을 조합하는 경우가 많은데, 저희는 더 다양한 시나리오를 테스트함으로써 각 고객사와 품목별로 최적의 조합을 찾아낼 수 있습니다.

다만 이런 접근법은 더 정교한 실험 설계와 충분한 컴퓨팅 리소스를 필요로 합니다. 하지만 고객에게 최고 수준의 예측 정확도를 제공한다는 목표를 달성하기 위해서는 필요한 투자라고 생각하고 있습니다. 결과적으로 고객사별 맞춤 최적화를 통해 더 높은 비즈니스 가치를 창출할 수 있다고 확신합니다.

초기 개발 과정에서 가장 큰 깨달음이 있었다면요?

프로토타이핑 당시 AI 분야가 생소했던 저는 모델에 데이터를 많이 넣고 실험을 돌리면 항상 좋은 결과가 나올 것이라고 생각했습니다. 하지만 그것은 맞지 않다는 결론에 도달했어요.

AI 모델도 결국 통계학 기반이기 때문에 특정한 패턴이 없다면 예측이 어렵습니다. LLM조차도 마찬가지입니다. 데이터를 넣으면 알아서 결과가 나올 것이라는 맹신이 가장 큰 실수였다고 생각합니다.

‍

복잡한 고객 데이터 기반 예측 모델 구축의 기술적 도전

고객사마다 데이터 구조가 달라서 예측 모델 적용이 어려우실 것 같은데요.

이 부분이 현재 기반 코어를 구축하면서 가장 큰 도전입니다. 새로운 고객이 올 때마다 정말 막막한 느낌이에요.

B2B와 B2C 회사가 다르고, 생산을 직접 하는 회사들도 각각 특성이 다릅니다. 의류 같은 경우 한 품목에 다양한 옵션이 있고, 어떤 회사는 구성이나 디자인이 조금만 달라져도 품번을 바꿉니다. 이런 고객사별 특별한 상황들을 표준화된 구조로 수용하는 것이 가장 어려운 과제입니다.

초기에는 데이터 표준화를 어떻게 접근하셨나요?

처음에는 모든 고객 데이터를 저희 내부 구조로 표준화했습니다. 하지만 A 업체에 맞춘 구조가 B 업체에는 적용되지 않더라고요. 그래서 A와 B를 모두 수용할 수 있는 새로운 표준을 만들면, 이번에는 A가 데이터를 다시 요구하거나 마이그레이션을 해야 하는 상황이 발생했습니다.

C 업체가 추가되면 A, B, C를 모두 마이그레이션해야 하는 악순환이 반복되면서 이 방식이 적절하지 않다는 것을 깨달았습니다.

그래서 지금은 어떤 방식으로 바꾸셨나요?

현재는 표준화해서 받는 것이 아니라 고객 데이터를 그대로 받아들이고, 이를 필요에 따라 내부 구조에 맞게 변환할 수 있는 유연한 레이어를 구축했습니다.

초기에는 특정 컬럼명 형식을 요구했지만, 지금은 고객사의 컬럼을 그대로 받아서 저희가 알아서 처리합니다. 내부적으로는 데이터 품질과 통계적 지표를 실시간으로 모니터링할 수 있는 화면을 구축해서, 고객보다 먼저 데이터 변화를 파악하고 실험에 필요한 인사이트를 얻을 수 있도록 했습니다.

가장 기억에 남는 어려운 사례가 있다면요?

의류 업체 사례가 가장 기억에 남습니다. 일반적으로 예측 단위와 재고 관리 단위(SKU)가 동일한데, 이 업체는 달랐어요.

니트 제품의 경우 사이즈나 색상에 따라 여러 SKU로 나뉘는데, 각각을 개별 예측하려니 데이터가 너무 적어서 패턴을 찾을 수 없었습니다. 반면 품목군 전체로 예측하면 의미 있는 결과가 나오지만 SKU별 배분이 문제였죠.

결국 고객사와 협의해서 최근 몇 개월간의 판매량 비율을 기준으로 예측값을 SKU별로 배분하는 방식으로 해결했습니다. 이 과정에서 데이터 구조와 처리 부분에 상당한 변화가 필요했어요.

데이터 품질 문제는 어떻게 해결하고 계신가요?

실제로 데이터 관리가 전혀 되지 않은 업체들을 경험했습니다. 동일한 값인데 시기별로 속성값이 다르거나, 담당자가 바뀔 때마다 히스토리를 알 수 없는 상황들이 있었어요. 이런 경우는 저희가 해결하기 어려운 영역입니다.

그래서 사전 검증 시스템을 구상하고 있습니다. 표준화된 폼에 데이터를 업로드하면 예측 모델 적용 가능 여부를 자동으로 분석해서 알려주는 툴을 만들고 싶어요. 계약 전에 데이터 품질을 미리 판단할 수 있도록 하면 서로에게 도움이 될 것 같습니다.

‍

예측 모델 결과의 비즈니스 가치화와 엔지니어링 전략

기술적으로 우수한 예측 모델 결과가 실제 비즈니스 도움으로 이어지지 않는 경우도 있을 텐데요.

단순히 예측값만 제공하는 것으로는 고객에게 충분한 가치를 전달하기 어렵다고 생각합니다. 실제 현장을 보면 예측값을 참고하되, 생산팀과 세일즈 오퍼레이션팀이 미팅을 통해 최종 의사결정을 내리는 과정이 있더라고요.

저희가 의사결정 과정에 더 나은 인사이트를 제공하려면 예측 결과뿐만 아니라 예측 근거, 도메인에 영향을 주는 외부 요인, 경제적 지표 등을 함께 설명해야 합니다. 나아가 단순한 데이터 열람이 아니라 발주나 생산 결정을 위한 커뮤니케이션 도구로 발전시키는 것이 목표입니다.

실제 업무에서는 어떤 도구들을 관찰하셨나요?

실제 업무를 담당하는 분들의 소통 방식을 관찰해보니 대부분 엑셀을 사용하시더라고요. 이런 부분을 저희 툴로 개선해서 예측값 제공과 동시에 소통 비용을 줄일 수 있는 의사결정 도구로 만들어가고 있습니다.

예측이 틀렸을 때는 어떻게 대응하시나요?

예측은 본질적으로 틀릴 수밖에 없습니다. 저희가 발전시키고 싶은 방향은 고객사의 기존 업무 방식과 예측 방법론을 결합해서 더 정교한 모델을 만드는 것입니다.

예를 들어 A, B, C, D 요소를 기반으로 예측한다면, 각 요소가 결과에 미친 영향을 명확히 설명할 수 있어야 합니다. 예측이 틀려도 어떤 요소가 예상과 다르게 작용했는지 설명할 수 있다면 고객이 납득할 수 있을 것입니다. 단순히 값만 제시하면 틀렸을 때 할 수 있는 말이 없지만, 논리적 근거가 있으면 다릅니다.

‍

AI와 인간 협업을 위한 예측 모델의 철학적 접근

AI 예측 모델이 기존 담당자의 업무를 대체하는 것에 대해서는 어떻게 생각하시나요?

AI가 담당자를 대체한다는 개념으로 접근할 경우, 현업 실무자들은 이를 선호하지 않을 수 있습니다. 이는 결국 시스템인 DeepFlow가 외면받게 되는 결과로 이어질 수 있습니다.

따라서 저는 AI가 사람을 대체하는 개념보다는, 실무자들에게 도움을 제공하고 업무 효율성을 증진시키는 방향으로 나아가고자 합니다. 향후 현업 담당자들과의 인터뷰를 통해 그들의 경험을 솔루션에 반영하고자 하는 의지가 있습니다.

구체적으로 어떤 방식의 협업을 구상하고 계신가요?

AI도 AI지만 그런 담당자들의 경험이 같이 있다면 아무래도 그 짬밥을 무시할 수 없잖아요. AI가 그냥 탁 값을 던져주는 게 아니라 나와 같이 사고를 대신 해줘서 이렇게 했어. 그래서 내가 일주일 업무하던 거를 하루 만에 끝낼 수 있게 됐어. 이렇게 접근해 보는 게 어떨까 싶어요.

그리고 더 나아가 발주량을 결정하는 커뮤니케이션 툴이 된다면 우리가 지금까지 주먹구구식으로 엑셀로만 했는데 이런 것들을 편하게 관리할 수 있는 툴이 있구나라고 하면 이런 방향으로 어필이 되지 않을까 싶어요.

기존 업무 담당자들의 저항을 실제로 경험해 보셨나요?

네, 실제로 경험했습니다. 특히 오랫동안 구매나 발주 업무를 해온 분들은 자신의 경험과 노하우에 대한 자부심이 있으시거든요. 갑자기 AI가 와서 자신들이 하던 일을 대신한다고 하면 당연히 거부감을 느낄 수밖에 없습니다.

그래서 저희는 AI와 인간의 경험이 결합돼서 더 나은 결과를 만들어낸다는 관점으로 접근하려고 합니다. AI가 단순히 답을 제시하는 것이 아니라 담당자의 사고 과정을 보조하고 업무 효율성을 높여주는 파트너 역할을 하는 거죠.

‍

예측 모델 기반 신뢰 구축과 고객 파트너십 전략

DeepFlow 예측을 믿고 내린 고객사의 비즈니스 결정이 기대와 다른 결과를 낳았을 때, 기술적 책임의 범위를 어디까지로 생각하시나요?

저희는 AI 예측 솔루션을 제공하는 기술 회사로서 정확한 예측 모델과 데이터 분석을 통해 최선의 인사이트를 제공하는 것이 저희의 역할이라고 생각합니다. 다만 투자나 컨설팅과 마찬가지로 최종적인 비즈니스 의사결정은 고객사의 몫이라고 봅니다.

저희가 제공하는 것은 데이터 기반의 예측 정보와 근거 있는 분석이며, 이를 바탕으로 한 비즈니스 판단은 고객사의 전문성과 상황 인식을 종합해서 내리는 것이 적절하다고 생각해요. 따라서 저희는 예측 정확도를 높이고 더 나은 인사이트를 제공하는 데 집중하며, 고객사는 이를 참고하여 최적의 의사결정을 내리는 협력 관계를 지향하고 있습니다.

예측 정확도가 기대에 못 미쳤을 때는 어떻게 대응하시나요?

하고 예측 정확도가 기대 수준에 도달하지 못할 경우, 고객사에서 서비스 이용을 재검토하실 수 있죠. 그런 점은 충분히 이해합니다. 이런 현실은 냉정하게 받아들이고 이를 잘 극복해 나가는 게 저희가 풀어야 할 중요한 숙제라고 생각합니다. 여기에 저희의 강력한 R&D 모티베이션이 있는 것이고요. 

특히 예측 불가능한 극단적 상황이나 시장 패러다임의 급변 같은 경우는 어떤 예측 모델로도 완벽하게 대응하기 어려운 영역입니다. 저희는 이런 한계를 명확히 인정하면서도, 일반적인 시장 상황에서는 지속적으로 예측 정확도를 개선해나가는 데 집중하고 있습니다. 고객사와의 투명한 소통을 통해 예측 모델의 적용 범위와 한계를 명확히 공유하는 것도 중요하다고 생각해요.

예측 성과에 대한 투명성 확보 계획은 어떻게 되시나요?

예측 결과의 투명성과 검증 가능성에 대해서는 신중하게 접근하고 있습니다. 단순히 마케팅 목적으로 성과를 어필하는 것보다는, 고객사들에게 실제 비즈니스 환경에서의 성과를 검증받고 이러한 실질적 인정이 확산되는 방식을 선호합니다.

예측 결과를 공개적으로 전시하는 것은 여러 위험 요소가 있을 수 있어요. 특히 금융 상품이나 원자재 가격 예측 같은 경우 투자 목적으로 오해받을 소지가 있어서 더욱 신중해야 한다고 봅니다. 대신 고객사와의 협업을 통한 사례 연구나 익명화된 성과 지표를 통해 저희 기술의 유효성을 입증해나가는 방향으로 접근하고 있습니다.

‍

재고관리를 넘어선 예측 모델 서비스의 차별화 전략

시중의 재고관리 솔루션들과는 어떻게 차별화하고 계신가요?

사실 재고관리는 저희가 어느 정도 거리를 두고 있는 영역입니다. 저희가 하려는 거는 발주량 결정까지, 어느 정도를 생산해야 할지 여기까지고요.

왜냐하면 지금도 재고관리 툴이 많이 있어요. 그리고 ERP에도 재고관리 기능이 있죠. 근데 전 세계적으로 표준화되지 않은 단 한 가지 요소가 재고관리라고 합니다. 그래서 SAP 같은 데서도 재고관리 모듈을 딱 프리셋 형태로 파는 게 아니라 결국은 해당 업체에 맞게 커스터마이징을 해줘야 재고관리를 쓸 수 있는 상황인 거거든요.

그렇다면 DeepFlow만의 차별화 포인트는 무엇인가요?

저희는 수요예측이나 이런 부분들을 연구하는 회사인데 재고관리 기능을 저희 솔루션에 내장하기에는 주객이 전도된 느낌이에요. 그래서 우린 재고관리 솔루션이 하지 못하는 것들을 해보자 그리고 여기에 있어서 AI를 잘 활용해서 고객한테 더 고급의 가치들을 제공해보자라는 생각을 했습니다.

재고관리보다는 매일매일의 어떤 요약 같은 거죠. 이번에 어제 이렇게 이런 상황이었으니, 오늘 이런 것들을 한번 확인해보고 대응해보시라. 이런 것들을 제공해주면 어떨까 생각하고 있습니다.

이런 접근법이 고객에게 어떤 가치를 제공한다고 보시나요?

재고관리 솔루션들이 과거 데이터를 정리하고 현재 상황을 파악하는 데 집중한다면, 저희는 미래를 예측하고 그에 따른 액션 아이템을 제시하는 것에 강점이 있습니다.

예를 들어 B2C 업체들은 매일매일 재고를 확인하고 대응하시더라고요. 저희가 어차피 고객의 재고나 판매량 데이터를 가지고 있으니까 그런 걸로 추론을 해서 어떤 것들을 빨리 재고를 대응해야 할지 발주를 해야 할지 이런 것들을 미리 요약해서 알려주는 것들도 만들어볼 수 있겠다고 생각합니다.

‍

예측 모델 서비스의 미래 로드맵과 기술 발전 방향

현재 예측 방식을 더 세밀한 예측으로 발전할 계획이 있으신가요?

네, 예측의 주기를 보다 다양화 하고, 고객사의 태스크에 맞춰서 예측의 방식을 맞춤화 하는 방향으로 고도화 하려고 합니다. 현재 고객사들이 주로 월간 단위로 예측을 필요로 하여 월간 예측을 중점적으로 제공하고 있습니다. 그러나 주간 단위가 필요한 고객사들이 늘어나고 있어서 여기에 대응하고도 있습니다. 주간과 월간은 각각 다른 데이터 패턴과 알고리즘을 필요로 하기 때문에 별도의 모델 체계로 구축해야 합니다. 

의류업체나 B2C 기업들의 경우 일일 단위로 재고 상황을 모니터링하고 빠른 의사결정을 내려야 하는 니즈가 강합니다. 저희가 보유한 재고 및 판매량 데이터를 활용해 이런 일일 운영 최적화를 위한 인사이트와 액션 아이템을 자동으로 생성하는 기능도 개발 중입니다. 단순한 예측값 제공을 넘어 실시간 의사결정 지원 도구로 발전시키는 것이 목표입니다.

일간 예측까지 가능해질까요?

기본적으로 저희는 다양한 일간 예측 모델을 보유하고 있습니다. 일간 단위에서는 데이터 변동성이 크기 때문에 신뢰할 만한 패턴 식별에 더 정교한 접근이 필요합니다. 다만 특정 업종의 특성이나 비즈니스 상황에 따라서는 충분히 유의미한 인사이트를 제공할 수 있다고 판단합니다.

저희가 주목하는 것은 예측 주기 자체보다는 예측 결과의 실용적 활용도입니다. 예를 들어 일일 판매량 예측보다는 매일의 비즈니스 상황을 종합 분석해서 우선순위가 높은 대응 과제들을 자동으로 식별하고 제시하는 것이 고객에게 더 직접적인 가치를 제공할 수 있다고 봅니다.

시뮬레이션 기능은 어떤 형태로 구상하고 계신가요?

특정 요인들을 고객이 직접 정의해보는 기능을 생각하고 있습니다. 예를 들어 마케팅 예산을 20% 늘리면 어떻게 될까, 새로운 경쟁사가 진입하면 어떻게 될까, 이런 가정들을 설정해서 예측값이 어떻게 나올지 추론해보는 거죠.

이런 기능이 있으면 단순히 하나의 예측값을 받는 것이 아니라 다양한 시나리오별로 대응 전략을 세울 수 있을 것 같습니다. 현재는 최선이라고 생각하는 하나의 결과만 제공하고 있지만, 앞으로는 다양한 관점에서 볼 수 있도록 하는 기능들을 고려하고 있어요.

‍

예측 모델 기업 CTO의 현실과 기술 리더십

CTO로서 일상은 어떤가요?

팀원들의 다양한 질문과 기술적 이슈들에 대응하다 보면 하루가 금세 지나갑니다. 특히 주니어 인력도 많다보니 기술적 방향성을 제시하고 문제 해결을 돕는 역할이 상당 부분을 차지하고 있어요.

기술 리더로서 항상 최선의 의사결정을 내리기 위해 고민하고 있습니다. 회사의 장기적 성장을 위한 기술 전략을 수립하고, 동시에 당면한 과제들을 효율적으로 해결해나가는 것이 제 주요 업무라고 할 수 있습니다.

예측 기술을 다루는 다른 기업들에게 조언한다면, 어떤 이야기를 해주고 싶으신가요?

가장 중요한 것은 체계적인 데이터 관리 체계 구축입니다. 저희도 다양한 시행착오를 통해 이 부분의 중요성을 깨달았습니다.

특히 고객의 비즈니스 도메인에 대한 깊이 있는 이해가 선행되어야 합니다. 기술적 우수성만으로는 실제 비즈니스 가치 창출에 한계가 있기 때문에, 고객별 맞춤형 접근을 통해 도메인 전문성을 축적하는 것이 성공의 핵심이라고 생각합니다. 때로는 표준화된 솔루션보다 개별 고객의 니즈를 깊이 파악하는 과정이 더 가치 있을 수 있어요.

기술 조직을 이끌면서 가장 중요하게 생각하는 부분은 무엇인가요?

기술 선택과 아키텍처 결정에서 신중함을 유지하는 것입니다. 초기 결정이 잘못되면 나중에 전체 시스템을 재구축해야 하는 상황이 발생할 수 있기 때문에, 장기적 확장성과 안정성을 모두 고려한 의사결정이 필요합니다.

또한 팀 구성원들이 안정적인 기술적 기반 위에서 성장할 수 있는 환경을 만드는 것이 중요합니다. 기술적 도전과 학습 기회를 제공하면서도, 비즈니스 목표 달성을 위한 실행력을 확보하는 균형점을 찾는 것이 핵심이라고 생각해요.

AI 기술의 불확실성에 대해서는 어떻게 접근하시나요?

AI 기술은 빠르게 발전하고 있지만, 여전히 검증이 필요한 영역들이 많습니다. 특히 생성형 AI의 경우 때로는 그럴듯하지만 부정확한 정보를 제공하는 경우가 있어서, 실무에 적용할 때는 반드시 검증 과정을 거치고 있습니다.

저희는 신기술 도입에 있어서 구현 가능성과 신뢰성을 종합적으로 평가합니다. 기술적 혁신성도 중요하지만, 실제 고객 서비스에 안정적으로 적용할 수 있는지를 우선적으로 고려하고 있어요. 이런 신중한 접근을 통해 검증된 기술만을 서비스에 적용하여 고객에게 신뢰할 수 있는 솔루션을 제공하는 것이 목표입니다.

사실 지금은 회사의 기술적 기반을 탄탄히 구축하는 데 집중해야 할 시기라고 생각해요. 장기적인 비전과 함께 현재의 기술적 과제들을 차근차근 해결해나가면서, 더 나은 기술 리더가 되기 위해 지속적으로 노력하고 있습니다.

‍

AI 기반 수요예측 기술이 빠르게 발전하는 가운데, DeepFlow의 접근법은 기술적 우수성과 함께 고객의 실제 비즈니스 니즈, 그리고 인간과 AI의 협업에 대한 깊은 철학을 바탕으로 한다는 점에서 주목받고 있습니다. 200여 개의 예측 모델을 조합하는 AutoML 기술부터 복잡한 고객 데이터를 유연하게 처리하는 파이프라인, 그리고 AI가 인간을 대체하는 것이 아닌 협업하는 파트너로서의 역할까지, DeepFlow의 여정은 AI 예측 산업이 나아가야 할 방향을 제시하고 있습니다. 특히 기술의 한계를 솔직하게 인정하면서도 지속적인 혁신을 통해 고객에게 실질적인 가치를 제공하려는 노력은 많은 AI 기업들이 새겨들어야 할 교훈입니다.

‍