AI 수요예측 시스템이 '의사결정 구조'로 진화하는 이유

전통적인 수요 예측 시스템은 데이터를 입력하면 특정 예측 모델이 계산을 수행하고 결과를 출력하는 방식으로 동작합니다. 이 과정에서 시스템은 데이터를 정리하고 모델을 실행하며 결과를 저장하는 역할을 합니다.

하지만 중요한 한 가지 기능이 빠져 있습니다. 바로 어떤 모델을 사용할지 스스로 판단하는 기능입니다. 대부분의 경우 다음과 같은 방식으로 모델이 선택됩니다.

• 미리 정해진 하나의 모델을 계속 사용합니다.
• 사람이 직접 모델을 선택합니다.

이 구조에서는 시스템이 계산은 잘하지만 상황에 맞는 선택은 하지 못하게 됩니다.

‍

수요 데이터는 생각보다 훨씬 복잡합니다

현실의 수요 데이터는 매우 다양한 특징을 가지고 있습니다. 품목(SKU), 지역, 채널, 시간에 따라 서로 다른 패턴을 가지며, 이러한 차이는 예측 모델의 성능에도 직접적인 영향을 줍니다.

어떤 모델은 특정 데이터에서는 잘 작동하지만, 다른 데이터에서는 성능이 떨어질 수 있습니다.

‍

하나의 모델로 모든 것을 예측할 수 없는 이유

많은 기업이 "더 좋은 모델 하나를 만들면 해결된다"고 생각합니다. 하지만 실제로는 그렇지 않습니다. 각 모델은 잘하는 영역이 다르기 때문입니다.

• 어떤 모델은 안정적인 데이터에 강합니다.
• 어떤 모델은 변동성이 큰 데이터에 잘 맞습니다.
• 어떤 모델은 계절성이 있는 데이터에서 좋은 성능을 보입니다.

즉, 모든 상황에서 항상 가장 좋은 모델은 존재하지 않습니다. 따라서 중요한 것은 하나의 모델을 선택하는 것이 아니라, 상황에 맞는 모델을 선택하는 것입니다.

‍

수요예측은 '복잡한 시스템'

수요예측은 여러 요소가 함께 작동하는 복잡한 시스템으로 이해할 수 있습니다. 복잡한 시스템에서는 각 구성 요소가 역할을 나누어 수행하며, 이들을 어떻게 조합하고 조정하느냐에 따라 전체 성능이 달라집니다.

복잡한 시스템을 두 가지 역할로 나누어 생각해볼 수 있습니다.

• 실제 일을 수행하는 부분
• 어떤 일을 할지 결정하는 부분

수요예측에서도 각 모델은 특정 상황에서 잘 작동하는 기능 요소이며, 전체 성능은 이 모델들을 어떻게 선택하고 활용하느냐에 의해 결정됩니다.

‍

기존 시스템의 핵심 문제: 의사결정 기능의 부재

기존 수요예측 시스템은 다양한 모델을 가지고 있지만, 데이터를 해석하고 어떤 모델을 사용할지 결정하는 기능이 따로 존재하지 않는 경우가 많습니다.

이로 인해 다음과 같은 문제가 발생합니다.

• 데이터 패턴이 바뀌어도 동일한 방식으로 예측이 수행됩니다.
• 새로운 상황에 대한 대응이 어렵습니다.
• 결과가 일정하지 않는 등 예측 결과의 안정성이 떨어질 수 있습니다.

따라서 문제의 핵심은 모델 자체가 아니라, 모델을 선택하는 구조에 있습니다.

‍

해결 방법: 의사결정 계층의 도입

이 문제를 해결하기 위해서는 시스템 구조를 나누는 것이 필요합니다. 시스템을 두 개의 계층으로 나누는 것입니다.

실행 계층 (Execution Layer)

이 계층에서는 다양한 예측 모델이 실제로 수요를 계산합니다. 여러 모델이 실행 계층에 포함되며, 각 모델은 특정 상황에서 높은 성능을 내는 역할을 합니다.

의사결정 계층 (Decision Layer)

의사결정 계층에서는 데이터를 분석하고 어떤 모델이 적합한지를 판단합니다. 시스템의 전략을 결정하는 핵심 역할을 합니다.

이처럼 실행과 판단을 분리하면 시스템은 더 유연하고 안정적으로 작동할 수 있고, 전체 시스템의 성능 또한 향상될 수 있습니다.

‍

AI 에이전트 기반 수요예측 시스템

의사결정 계층은 인공지능에서 에이전트라는 개념으로 해석해볼 수 있습니다. 에이전트는 현재 상황을 인식하고 그에 맞는 행동을 선택하는 시스템입니다.

수요예측 시스템에서는 다음과 같이 역할을 나눌 수 있습니다.

• 예측 모델은 수요를 계산합니다.
• AI 에이전트는 어떤 모델을 사용할지 결정합니다.

여기서 중요한 점은 에이전트가 직접 예측을 하지 않는다는 것입니다. 예측은 모델이 수행하고, 에이전트는 선택을 담당합니다.

이 구조를 통해 시스템은 다양한 데이터 환경에 맞게 예측 전략을 조정할 수 있습니다.

‍

모델 오케스트레이션이란

이 구조는 모델 오케스트레이션이라는 개념으로 확장됩니다.

모델 오케스트레이션은 여러 예측 모델을 상황에 맞게 선택하고 활용하는 방식입니다. 오케스트라에서 지휘자가 여러 악기를 조합하듯이, 여러 모델을 상황에 맞게 선택하고 사용하는 것이라고 할 수 있습니다. 하나의 모델에 의존하지 않고, 데이터 조건에 따라 가장 적절한 모델을 사용하는 것이 핵심입니다.

‍

AI 수요예측의 핵심은 '모델 선택 구조'

수요 예측 시스템은 단순히 모델을 실행하는 구조에서, 모델을 선택하고 활용하는 구조로 발전하고 있습니다. 앞으로의 수요 예측에서는 단일한 우수 모델을 찾는 것보다, 수요 데이터의 구조적 특성에 따라 적절한 예측 모델군을 석별하고 적용하는 능력이 더욱 중요해집니다.

AI 에이전트 기반 구조는 이러한 변화를 가능하게 하며, 복잡한 데이터 환경에서도 안정적인 예측을 수행할 수 있는 기반을 제공합니다.

‍

임팩티브AI의 AutoML

이러한 구조는 개념적 제안에 머물지 않고 실제 산업용 수요예측 시스템에도 반영되고 있습니다. 예를 들어 임팩티브AI의 AI 수요예측 솔루션 딥플로우는 200여 개 이상의 예측 모델을 자동 비교하는 AutoML 기반 구조를 통해 품목별 데이터 특성에 적합한 예측 모델을 선택하도록 설계되어 있습니다.

이러한 구조는 철강, 식품, 리테일 등의 여러 산업 환경의 실제 도입 기업에서 예측 정확도 향상과 재고 리스크 완화에 효과적으로 활용되고 있습니다. 기존 수요예측 방식의 한계를 느끼고 계시거나, 더 안정적인 예측 구조를 고민하고 계신다면 언제든 임팩티브AI에 편하게 문의해 주세요.

‍

참고 자료

• Makridakis, S., Spiliotis, E., & Assimakopoulos, V., 「The M4 Competition: 100,000 time series and 61 forecasting methods」, International Journal of Forecasting, 36(1)(2020).
• Simon, H. A., 『The Architecture of Complexity』, Proceedings of the American Philosophical Society(1962).
• Russell, S., & Norvig, P., 『Artificial Intelligence: A Modern Approach』 (3rd ed.), Pearson(2010).

‍