[학회 후기]

2025년 11월 6~7일 대전 KAIST에서 열린 2025 대한산업공학회 추계 학술대회에 참가했다. 대학원 입학 후 처음으로 참석한 학회에서 구두 발표까지 하게 되어 설렘과 긴장이 공존했지만, 그동안 연구실에서 발표한 경험 덕분에 자신감을 가지고 임할 수 있었다. 본가가 대전에 있어 기차를 타고 학회장으로 향하는 길은 익숙하면서도 연구자로서 새로운 발걸음을 내딛는 듯한 설렘이 느껴졌다. 학회에서는 다양한 산업공학 분야에서 인공지능을 활용한 연구들을 접할 수 있었다. 특히, 나의 발표에 대한 질의응답 시간과 여러 연구원들의 발표를 들으며 문제를 정의하고 해결하는 다양한 접근 방식을 배울 수 있었다. 이를 통해 연구에 대한 관점을 확장할 수 있었고 연구를 발전시키고자 하는 열정 또한 커졌다. 

[발표 후기]

이번 학회에서는 시계열 예측을 위한 LLM 에이전트 기반 개인화 연합학습을 주제로 발표하였다. 기존 연합학습에서 클라이언별 시계열 데이터의 이질성을 해결하기 위해 LLM을 활용하고 있지만, 사람이 직접 데이터의 설명을 입력해야 하는 비효율성이 존재하며 단순 인코딩에 그쳐 프롬프트로 활용되지 못했다. 이에 본 연구에서는 연합학습 상황에서 클라이언트별 시계열에 특화된 프롬프트 특징을 가지는 방법론을 제안하였다. 클라이언트별 다변량 시계열을 주성분 분석과 시계열 분해로 핵심 요소를 추출해 프롬프트를 구성하고 LLM을 통해 예측에 활용 가능한 설명을 생성한다. 실험 결과 제안한 방법은 일부 데이터셋에서 소수 라운드의 연합학습 환경에서도 성능 향상을 보였다.

질문1: LLM이 기존 시계열 예측 모델보다 성능이 좋은지?

답변1: 실제로 LLM이 기존 시계열 예측 모델과 유사하거나 준수한 성능을 보여주고 있으며, 최근 LLM을 활용해 시계열 예측 foundation 모델 연구가 활발히 진행되고 있다.

질문2: 현업의 공정 환경에서 발생하는 텍스트 데이터도 학습에 반영할 수 있는지?

답변2: 현재 연구에서도 텍스트 형태의 인사이트를 입력하는 것처럼 현업 텍스트 데이터 역시 충분히 반영할 수 있다고 본다.

질문3: STL 분해 결과에 대해 정량적 평가는 없는지?

답변3: 지금까지는 정성적인 평가만 진행했으나, 향후 정량적 평가도 추가하면 더욱 객관적인 성능 검증이 가능할 것으로 생각한다.

[청취 후기]

1. IMAE: Interactive Multi-Agent Evolution Framework for Path Planning (이병화 석사과정/경희대학교)

자율주행, 로봇 제어 등에 사용되는 경로 탐색 알고리즘의 휴리스틱 설계를 LLM을 활용해 자동화하는 'IMAE' 프레임워크를 제안했다. 이 프레임워크는 LLM을 기반으로 다중 에이전트가 서로 협력하여 휴리스틱을 생성, 평가, 개선한다. 특히 DB를 구축하여 우수한 성능의 휴리스틱과 개전 지식을 체계적으로 축적하고 활용한 점이 인상깊었다. 최근 주목받고 있는 분야인 Multi Agent를 활용하여 기존 최적화 방법론 대비 효율성을 높였으며, 향후 실제 로봇 제어 환경에서의 적용 가능성이 매우 기대된다.

2. 자율 제조 구현을 위한 현장 작업자 친화적 혁신 AI 에이전트 개발 (강필성 교수/서울대학교)

특별 세션에서 발표된 본 연구는 LLM을 활용해 5가지 핵심 모듈(플랫폼, 오케스트레이션, 모니터링, 예측, 자율제어)이 상호 협력하여 자율 제조를 실현할 수 있는 AI 에이전트에 대해 소개하였다. 특히 오케스트레이션이 다른 모듈에게 작업을 지시하고 의견을 통합하여 이를 보고서로 문서화 시키는 점이 인상 깊었으며, 실제 데모 프로그램을 직접 시연하여 청중들의 이해를 높이고 자율 제조의 실현 가능성을 생생하게 보여주었다.