■ Summary

    우리 학교에서 개최된 학회이고 우리 연구실 거의 모든 연구원들이 발표하여 익숙함과 친숙함이 더했다. 데이터마이닝과 관련된 연구분야가 많았던 점이 고무적이었으며, 국내 유수 대학의 많은 산업공학 교수님들께서 함께 모인 자리였던 만큼 인상깊었다.

■ Session Review

    system dynamics 분야에서 예측모형 연구를 하는 경우 일반적인 접근방법이 있음을 확인할 수 있었다. 특히 응급의료체계 운영을 위한 예측모형에 관한 연구 발표가 있었는데 시공간적 응급의료수요를 '시간적 수요'와 '공간적 수요'로 나누어 접근하는 방법이 여타의 유사 연구사례들과 동일한 측면을 보였다. 이러한 문제 유형은 택배 hub의 재배치 문제, 경찰차량의 재배치 문제, 소방차 자원의 재배치 문제와 맥을 같이 하고 있다. 해당 발표자에게 다음과 같은 3가지 질문을 하였는데, 추후 연구진행에 도움이 되었으면 한다. Q1. 시공간적 수요를 나누지 않고, 통합적으로 예측할 수 있는 방법론은 없는가. 공간적 수요 예측 시 DNN을 사용했는데, DNN을 기반으로 통합 예측하면 어떤가.  Q2. 응급의료수요는 intermittent or lumpy demand에 해당한다. 모델의 평가 시 사용한 RMSE 보다는 spike demand를 얼마나 충족시켰는지에 대한 평가도 중요하다고 본다. 이를 평가하기 위한 추가적인 performance measure가 필요할 것 같다. Q3. 공간적 수요를 보다 작은 공간에서 예측하는 경우 예측 정확도가 떨어질 수 있다. 반대로 더 넓은 공간으로 분류하여 예측하는 경우 예측 정확도는 올라가도 실 목적을 달성하는데 큰 도움이 되지 않는다. 이 두가지 상반된 요건을 충족시키기 위해 최소 예측 정확도 조건을 만족시키는 공간 영역 분리기준을 갖추면 어떻겠는가.

■ Presentation

    인공지능 기반의 동적 경로설정 적응제어 모델에 대한 연구를 소개하였다. 본 연구는 예측한 정보를 기반으로 동적 적응제어하는 생산현장 연구에 관한 연구내용이다. 현재까지 전세계 어디에서도 자동 운영되는 생산 제어시스템에 기계학습 기반의 시스템을 현장운영에 투입한 사례는 없는 것으로 보인다. 이는 자동화된 생산시스템은 수백, 수천 가지의 하위 시스템들이 함께 tightly coupled 되어 있어 자칫 사소한 실수 하나에도 큰 장애상황을 만들 수 있기 때문이다. 또한, 뛰어난 설명력과 해석력을 동시에 갖춘 기법도 없다보니 문제가 생겨도 상황을 판단하는데 애를 먹을 수 있다. 현장을 경험한 사람이라면 누구나 인공지능 기반의 자동화 공장에 대한 청사진을 제시하는 사람들에게 씁쓸한 표정으로 답변줄 수 밖에 없는 이유이다.

   본 연구는 인공지능을 자동화생산시스템에 어떻게 적용될지 좋은 대안을 제시한다. 평상시와 같은 상황에서는 기존 rule-based system 또는 deterministic system에 그 역할을 맡기되, 우려할만한 상황을 예측한 경우(long-term or short term prediction), 정상상황으로 수렴시킬 수 있도록 적응제어를 수행한다. 예측의 정확도가 어느 정도 정밀하다면, 이어 수행되는 적응제어의 효과가 있다. 반대로, 정확도가 떨어지지 않아도 제조환경에 큰 문제를 발생키시지 않는다. 결국, 예측 정확도가 낮아도 큰 문제가 되지 않으나 정확도가 높을수록 그 효과가 배가되는 매커니즘으로 인공지능을 적용한 것이다. 되지도 않는 시나리오에서 제조시스템 자동화를 머신러닝 모델에게 맡겨 98%, 99% 수준의 정확도를 맞추려고 애쓰기 보다는, 기존 시스템에 plug-in 될 수 있는 보다 현실적이고 실용적인 접근방법이 주요한 효과를 낼 수 있을 것이다. 본 발표 후 강지훈 박사의 강화학습 응용연구 질문과 더불어 LG화학의 이규종 연구원이 rail network과 차량 대수의 자원 측면에서의 정체해소 방법에 대해 얘기를 나눌 수 있었다.