■ Background

인폼스는 최적화, 시뮬레이션, 경영, 데이터분석을 아우르는 대규모 국제학회이다. 올해도 다채로운 연구성과물과 함께 애리조나 피닉스에서 개최되었다. 올해는 Annual meeting 사전미팅 격인 Data Mining Workshop에도 참가하여 여러 박사과정 학생들의 연구를 소개받았다. 올해 인폼스의 최대 후원업체는 JD.COM이였는데, JD.COM은 중국 최대 B2C 플랫폼 회사이다. 이외 세계적인 물류플랫폼업체인 DiDi와 Uber도 대규모 후원업체가 되었다. 회사부스에서도 시뮬레이션 도구나 최적화솔버 업체들 외 Uber나 Amazon, 그리고 JD.com 등의 다양한 업체들도 부스를 열었는데, 무엇보다 중국 IT업체들의 약진을 더욱 체감할 수 있었다.

올해 인폼스 Annual meeting까지 4년째 참석중이다. 일관되게 참석한 학회이다 보니 학회의 발전방향과 함께 동일 커뮤니티내 사람들의 관심사의 변화를 엿볼 수 있었는데, 올해의 인폼스는 다수 학문분야의 콜라보레이션이 더욱 눈길을 끈 세션들이 많았다. 특히 최적화, 데이터분석, 응용수학, 시뮬레이션, 경영적 기법들을 혼합하여 에너지, 항공, 금융, 물류, 군사, 스마트시티, 헬스케어 등 다양한 이슈들이 해결하는 연구들이 포괄적으로 소개되었다. 각 학문의 진입장벽이 낮아지고 교류의 매개체가 될 연구자와 학생들이 많아진 탓이라고 생각하는데, 현실의 제약조건을 최대한 고려하면서 다양한 접근방식을 제시할 수 있기 때문에 지향할 방향이라 생각한다. 

인폼스 내에서 서로 다른 문제상황과 다른 풀이방식을 제시하는 그들이 공유할 수 있는 공통어는 '모델링'이라고 생각한다. 어느 연구분야이던, 수리모델을 세우거나, 시뮬레이션모델을 만들거나, 또는 정성적인 접근방식을 취하던 그들 모두는 모델링을 한다는 점에서 공감을 이끌어낼 수 있다. 만약 기법측면의 세션을 기대했다면 다소 실망할 수 있겠지만, 현실문제 모델링에 관심이 있다면 더할 나위없이 좋은 학회라고 생각한다. 내 관심분야와 접근방식, 기법, 최신동향에 눈이 멀지 않으려면 타인의 모델링 방식에도 관심을 가져야 한다.

■ Keynote Speech

인상 깊었던 키노트는 3가지였다. 첫번째로 위크샵 당일 South Dakota 대학의 Ali Dag 교수님은 AI기술의 발전방향에 대한 발표와 함께 사람들의 토론을 이끌었다. AI기술의 실활용을 위해서 반드시 전제되어야 할 점을 강조했는데, 기존의 prescriptive analytics 넘어서 Thoughtful AI라는 개념을 소개했다. 이 개념에는 transparent(모델구축 및 예측결과의 투명성), explainable (예측결과 해석가능 여부), 그리고 morally awake (비윤리적 경계를 넘지 않음)의 3가지 개념을 포함한다. 관심을 끌만한 기술적 언급은 없었지만, 알기 쉽게 설명하면서도 정렬적인 태도로 발표를 지루하지 않게 좌중을 이끌어가는 Ali Dag 교수님의 발표에 깊은 인상을 받았다.

두번째로 아마존(Amazon)의 Chief Scientist인 Russell Allgor의 발표였는데, 아마존 물류시스템의 가용능력을 최대화하기 위한 시스템 설계/운영 문제들과 접근방법들을 소개했다. 특히 개별 소비자에 대한 배송서비스를 최대한 기민하게 대처하기 위해 창고 및 물류거점의 이동, 물류체계 상하를 잇는 신속한 스케쥴링 문제 등을 소개했다. 이 때 조합최적화문제나 설비배치문제 등 다양한 최적화 모델링 및 솔루션을 주기적으로 반영한다고 했다. 지난 몇년간 최적화를 전공한 지인 몇명이 아마존에 입사했는데 아마존이 최적화문제를 얼마나 중요하게 생각하고 잘 활용하고 있는지 재차 실감할 수 있었다.

마지막으로, 코넬대학의 Garett J. van Ryzin 교수님의 "OR and the Transportation Tech Revolution"이라는 주제의 발표였다. 교수님의 명성에 비해 비좁은(?) 세션장에 수백명이 몰려들려 열띤 강연이 이어졌다. 강연내용은 물류문제에 어떠한 의사결정문제(최적화문제)가 있는지 실사례를 위주로 소개했다. 본인이 물류문제와 관련된 최적화 문제로 박사학위 dissertation을 작성했던 이야기부터 최근 기술발달에 따른 새로운 물류문제들(공유경제, 전기차, 자율주행차량까지)의 혁신을 이끌기 위해 얼마나 많은 의사결정문제들이 있는지 소개했다.

■ Session Review

데이터마이닝 세션에서는 다양한 응용연구 사례들을 소개했다. 잘 알려진 데이터마이닝 문제상황인 데이터불균형문제, 결측값대체, 변수선택, 이상탐지 기법을 활용한 다양한 현실문제를 들을 수 있었다. 예를 들어, 센싱데이터 분석, 결측값 대체, 불균형 데이터 분석, 자연재해 조기 이상탐지 및 사후해석 문제 등이 있었다.

Transportation, Manufacturing과 Aviation, 그리고 Simulation 분야에서 많은 연구들의 단골 관심사는 동적환경 변화를 어떻게 반영할까의 문제이다. 동적환경문제를 다루는 대표적인 방법으로 시뮬레이션최적화기법(simulation optimization)을 들 수 있는데, 특히 대규모 시스템 문제에 고려할 동적변수가 많은 경우 (철도, 물류네트워크, tighlty coupled 복잡계 등) 시뮬레이션최적화기법의 활용이 두드러진다. 규모가 작고 단일한 문제에 대해 동적변수를 확률변수를 감안하여 메타휴리스틱 기법으로 간단히 모델링 하는 연구들도 많았다. 또한 단순 Q-learning 모델에 기반하여 차량 경로설정이나 작업할당과 같은 전통적인 문제에 동적변수를 추가 고려하여 새로운 접근방식으로 설득력 있게 풀어냈다. 이러한 모델들은 데이터분석 분야에서 bias가 높은 알고리즘 쯤으로 생각할 수 있다. 현실문제를 간단히 모델링하고 중요한 변수들 기준으로 풀고자 하는 문제의 다이내믹스를 잘 반영한다면 충분한 좋은 대안분석이 가능하다. 모델의 유연성을 고려한다면 모델이 제시하는 '솔루션의 정확도' 보다는 '모델의 단순성'이 더 크게 와닿기 때문이다.

■ Presentation

금년 발표주제는 예측모델의 점진적 학습전략(Incremental learning)에 관한 연구로, 대규모 공장내 자율주행차량의 경로설정문제에 들어갈 예측모델이 연구대상이다. 실제 제어시스템에 예측모델을 도입하려면 높은 정확도를 확보해야 하는데, 제조환경의 변화시 배치방식으로 학습된 예측모델은 정확도가 현저히 떨어지는 문제가 있다. 문제해결을 위해 본 연구는 미세변화(small shift)를 인지하여 점진적으로 예측모델을 학습하는 방법론을 소개하였다.

발표후 한가지 질문을 받았다. 예측기반 경로설정 제어 시에 제어의 결과가 예측의 인풋이 되는데 예측이 제대로 되겠냐는 질문이었다. 본 연구의 예측모델 대상은 총 5,000여개 구간의 교통량을 독립변수로 사용하여 관심구간 교통량 예측모델이다. 이 중 빈번하게 병목화가 되는 십여개의 구간만을 택하여 에측모델을 독립구축하고 제어한다. 핵심병목구간만 제어할 경우 예측력에는 큰 영향을 끼치지 않으면서도 특정 핵심병목구간의 교통량을 효과적으로 제어할 수 있다고 답변했다. 학회 마지막날 발표로 불가피하게 소수인원(8명)으로 진행했지만 나름 동시간대 제일 많은 편이었고, 발표를 주의깊게 들어야 가능한 질문이었던 점에 감사의 마음을 전한다. 또한 첫 좌장을 역할을 수행했던 것도 나름 의미있는 경험이었다.