AI로 품절 소매 공략

AI로 품절 소매 공략

과제:

요소 AI는 첨단 AI 연구와 산업 전문성을 기하급수적으로 학습하고 개선하는 소프트웨어 솔루션으로 전환한다. 이 회사는 시뮬레이션을 AI와 결합할 수 있는 잠재적 방법을 모색하고 AnyLogic의 지원을 받아 다음과 같은 세 가지 과제를 해결했다.

  1. 시뮬레이션이 AI 모델을 사전 교육하기 위한 귀중한 데이터셋을 생성하는 데 도움이 될 수 있는가?
  2. AI가 시뮬레이션에서 에이전트의 행동을 개선하는 데 도움이 될 수 있을까?
  3. 실제 산업 활용 사례에 강화 학습 기법을 적용할 수 있는가?

최근의 머신러닝의 진전에 익숙하지 않은 사람이라면 딥러닝이 성공하기 위해서는 대개 매우 큰 데이터셋을 필요로 한다는 것을 강조해야 한다. 광범위한 규칙 기반 시스템을 구축하기보다는 AI에 사용되는 모델 계열인 신경망은 가능한 한 많은 데이터 포인트에 부합하는 결정을 함으로써 방대한 데이터로부터 학습한다. 그러나 데이터는 다음과 같은 몇 가지 문제에 영향을 받을 수 있다.

이러한 이유로 AI 팀이 고객과 협력하거나 핵심 역량을 구축하고자 할 때는 데이터 감사 단계나 데이터 수집 및 라벨링 단계를 통해 프로젝트 초기에 데이터 요구사항을 파악해야 한다. 이 단계는 시간이 오래 걸릴 수 있고 비용이 꽤 많이 든다. 따라서 요소 AI가 시뮬레이션으로 태클하는 첫 번째 도전이었다.

두 번째 과제로 엘리먼트 AI는 AI가 시뮬레이션을 통해 더 나은 의사결정을 내리는 데 어떤 도움을 줄 수 있는지 살펴보고 다음과 같은 몇 가지 흥미로운 응용 프로그램을 발견했다.

마지막으로 위의 처음 두 과제에 열거된 미개발 가치 때문에 요소 AI는 향후 날짜 및 사례 연구를 위해 강화 학습 기법에 대한 산업 시험을 지연하기로 결정했다.

해결책:

요소 AI AnyLogic 시뮬레이션 모델 스크린샷
요소 AI 저장소 시뮬레이션 모델

확인된 과제를 해결하기 위해, 엘리먼트 AI는 위에서 강조된 시뮬레이션 아이디어의 사용으로 이익을 얻을 수 있는 산업 활용 사례를 선택했다. 그 회사는 식료품 가게의 영업을 복제하는데 초점을 맞췄다; 더 구체적으로 말하자면, 제품 수요 예측과 선반 보충을 위한 직원 업무 우선순위에 초점을 맞췄다.

첫 번째 목표는 상당한 변동성, 소음 및 불규칙한 사건을 가진 5년 분량의 제품 수요 데이터를 생성하는 것이었습니다. 기존 규칙 기반 공식보다 AI를 사용할 수 있는 복잡성 수준에서 시계열 예측(AI) 알고리즘이 학습할 수 있는 충분한 데이터를 만드는 것이 핵심이었다.

이 접근방식의 알려진 위험은 AI 모델이 시뮬레이션 데이터에 과도하게 적합할 수 있으며 새로운 파라미터를 삽입하거나 실제 데이터와 비교할 때 일반화하지 못할 수 있다는 것이다. 이것은 일반적으로 도메인 무작위화를 통해 극복되거나 최소화된다.

두 번째 목표는 AI를 사용하여 시뮬레이션에서 직원 직무 우선 순위를 안내하는 것이었습니다. 구체적으로는 식료품점 선반 보충 업무를 담당하는 가상 직원(대리점)이 값비싼 재고 부족 이벤트를 방지하거나 최소화하기 위해 어떤 제품을 우선시해야 하는지 알 수 있도록 돕는다.

이 두 가지 목표를 조사하기 위해, 식료품점 시뮬레이션 모델에는 원하는 복잡성 수준을 보장하기 위해 각각 무작위로 시드된 매개변수 집합을 포함하는 세 가지 기본 에이전트 유형이 포함되었다.

1. 다양한 보행자 대리인으로 모델링된 고객:

2. 다양한 제품 범주:

3. 다양성을 갖춘 직원:

마지막으로 엘리먼트 AI는 AnyLogic 지원팀과 긴밀히 협력하여 AnyLogic 외부에서 AI 모델을 실행할 수 있는 방법을 찾았지만 시뮬레이션 실행과 동기화되었다.

개발된 솔루션에는 다음과 같은 4가지 간단한 단계가 포함되었다.

이 접근방식의 주요 이점은 AI와 코딩 언어(이 경우 Python)의 복잡성 수준과 무관하며, 정기적으로 시뮬레이션을 일시 중지해야 하는 비용이다.

결과:

시뮬레이션에서 생성된 5년간의 데이터는 엘리먼트 AI의 과학자들이 분당 제품 수요에 대한 시계열 예측 모델을 훈련할 수 있게 했다. 이는 최초 4년은 AI 양성, 5년은 예보의 정확성을 시험하는 데 활용되는 데이터 분할을 이용해 이뤄졌다.

시간당 제품 수요 예측의 기준은 이전 시간이 반복될 것으로 예측하는 Lag-0으로 설정되었다. 그런 다음 다른 시계열 모델의 정확도를 해당 기준선에 대해 평가하였다.

시간당 제품 수요 예측에 대한 시계열 모델 비교

시간당 제품 수요 예측에 대한 시계열 모델 비교. 기준선 지연-0

이 표에 열거된 결과는 매장 관리자가 지난 시간을 참고 자료로 사용했을 경우 향후 1시간 이내에 어떤 제품이 판매될 것인지를 예측하는 것이 61% 정확하다는 것을 보여준다. 같은 점주가 AI 수요예측 툴을 활용했다면 80%까지 정확할 수 있다.

그러나 이 결론은 주의사항과 함께 나온다. 시뮬레이션 모델에는 가변성과 복잡성에 대한 여러 출처가 있었지만, 생성된 데이터는 여전히 현실성이 결여되어 있었다.

예를 들어 일정 기간 가게를 강제로 닫게 할 수 있는 불규칙한 이벤트도 없었고, 출근하지 못한 직원도 없었고, 항상 진열대를 다시 채울 수 있을 정도의 제품이 백스토어에 있었고, 궁극적으로 신제품의 도입을 피함으로써 수요예측 문제를 단순화했다.

이러한 이유로 AI가 추가 노이즈를 처리하는 방법을 배우지 못했고 실제 데이터에 적응할 수 없기 때문에 이 시뮬레이션에서 생성된 데이터를 데이터 증강에 사용하는 것이 까다로울 수 있다. 이것은 도메인 무작위화 기법과 심-현실 또는 전이 학습의 최근 진보가 유익할 것이다.

그러나 일단 실제 데이터에 노출되면 결과를 보장할 수 없더라도, 이 시뮬레이션 접근법을 사용하여 훈련된 AI는 연구자들이 부적절한 예측 모델을 배제하고 사용 사례가 추가 센서나 데이터 출처의 혜택을 받을 수 있는지를 평가하는 데 도움을 줄 수 있다.

두 번째 목표에서 파악한 바와 같이, 시뮬레이션 모델은 또한 소자 AI가 정의된 기간(일, 주, 월, 년)당 일련의 메트릭스를 바탕으로 업무 우선순위를 위한 다양한 AI 정책의 영향을 비교할 수 있도록 했다.

스토어의 일별 수익에 대한 샘플 결과

스토어의 일별 수익에 대한 샘플 결과

대기열 정책은 제품이 소진되는 순서대로 재입고되는 것을 의미한다. 다른 정책은 이익에 대한 최적의 정책을 평가하기 위해 그 기준선과 비교되지만 직원 시간 활용과 같은 다른 KPI에 맞게 최적화하는 데도 사용될 수 있다. 밝혀진 바와 같이, 정의된 매개 변수 하에서 작업의 우선 순위는 수요를 예측하는 능력보다 훨씬 적은 영향을 미치지만, 다른 매개 변수나 데이터 집합은 다른 결론으로 이어질 수 있다.

결국 시뮬레이션을 통해 AI의 예측 능력을 향상시키기 위한 데이터를 생성하고, 서로 다른 AI 에이전트 정책의 테스트베드로 삼았다. 일단 소매점에 배치되면, 이 솔루션은 상점 관리자가 시간당 얼마나 많은 제품이 판매될 것으로 예상되는지, 그리고 직원들이 그들의 선반 보충 노력을 어디에 집중해야 하는지를 더 잘 이해할 수 있도록 도울 수 있다.

전반적으로, 이 프로젝트는 엘리먼트 AI가 이산 사건과 에이전트 기반 시뮬레이션의 세계에 익숙해지고, 고객들을 새로운 방식으로 참여시키고, 내부 팀을 위한 데이터를 생성할 수 있도록 했다. 가장 중요한 것은, 시뮬레이션을 사용함으로써 요소 AI가 강화 학습, Sim-to-Real, 전송 학습, 디지털 트위닝과 같은 보다 복잡한 미래 프로젝트를 다룰 때 활용할 수 있는 빌딩 블록을 제공했다는 점이다.

유사 케이스 스터디

더 많은 케이스 스터디

Get a brochure with industry case studies

다운로드