최근 물류센터는 설비와 장비 중심의 웨어하우스에서 AI, 클라우드, 빅데이터 등 DX신기술 기반의 디지털 웨어하우스로 전환되고 있습니다. 자동화·지능화된 물류센터는 AI, 데이터를 기반으로 운영돼 기존의 물리적인 한계를 극복하고 빠른 배송을 가능케 합니다. 학습과 경험으로 누적된 데이터와 고도화된 알고리즘으로 생산성도 높입니다. 스마트물류에서 AI의 활용도가 높은 △로봇 제어 △예측 분석 및 재고 관리 △이동 경로 최적화 △상품 분류 △품질 검사 분야의 사례를 토대로 앞으로의 발전 방향을 고민해야 할 시점입니다. 미래에는 생성형 AI 기반의 물류센터 운영도 가능해질 것입니다.
AI 기반 스마트물류 구현 사례
1. 로봇 제어
물류 과정에서 사람 손이 많이 가는 작업 중 하나가 상품을 집는 피킹(Picking)인데요. 딥러닝 비전(Vision)과 강화 학습 알고리즘을 활용한 AI 피킹 로봇으로 다양한 형태의 상품을 처리하기 위해 준비하는 시간을 단축할 수 있습니다. 먼저 3D Vision 카메라로 3D 포인트 클라우드 데이터를 생성합니다. △관심 영역 필터 △특징추출 △다운 샘플링 △세분화 등을 거쳐 상품을 인식하고 로봇의 이동 경로 계획을 수립합니다. 로봇-카메라 보정(Robot Camera Calibration)과 강화 학습 모델 기반의 피킹 포인트 선정으로 보다 정확한 피킹을 구현합니다.
여기에 생성형 AI가 적용되면 로봇의 티칭(Teaching)과 제어(Control)도 기존과 같은 프로그래밍이나 물리적인 조작 없이 손쉽게 할 수 있으며, 작업 대상물이나 프로세스의 변화에 유연하게 대응할 수 있게 됩니다. 마이크로소프트 연구팀에 따르면 앞으로는 IT나 로봇 전문가가 아니어도 누구나 자연어로 생성형 AI를 사용해 로봇을 동작하고 제어할 수 있습니다. 즉 생성형 AI가 사용자와 대화하며 다양한 사용 목적에 맞게 코드를 생성하고 로봇을 제어하게 되는 것이죠. 말 그대로 로봇과 대화하며 공장이나 물류센터에서 협업하는 일이 가능해진 것입니다.
2. 예측 분석 및 재고 관리
AI를 활용한 공급 관리 시스템은 재고 창고, 물류센터 등에서 적정 재고 유지와 폐기율을 최소화하기 위해 필수적입니다. 대량의 주문과 입고가 다량으로 발생하는 물류 특성상 AI 기반의 예측과 분석을 통해 재고 관리 비용을 절감할 수 있습니다.
먼저 데이터를 기반으로 네트워크 구성 최적화 모델을 발굴해 최적 거점을 도출합니다. 데이터 분석 자동화(AutoML) 솔루션 H2O를 활용해 상품 판매 데이터를 학습시켜 거점별 수요 예측 모델을 구현합니다. 구현된 모델로 거점별 화주사, 재고 관리 코드(SKU, Stock Keeping Unit, 상품관리 또는 재고관리를 위한 최소 분류 단위)별 출고량 예측 결과를 활용해 재고 최적화를 구현할 수 있습니다.
운영사 측면에서는 거점별 상품 출고 데이터를 분석해 SKU별 적정 입고 수량을 예측하고, 이를 기반으로 출고량을 예측해 미출·과잉 재고 이슈를 방지할 수 있습니다. 화주사 입장에서는 거점별 상품 보충을 최적화하고 재고 회전율을 높여 사업 수익성을 극대화할 수 있습니다
3. 이동 경로 최적화
주문 이후 출하 생산성을 높이기 위해서는 최적 이송 경로 알고리즘을 적용해 무인운송로봇(AGV, Automated Guided Vehicle) 운영 및 배송 경로 최적화를 구현할 수 있습니다. 고객의 주문을 가장 효율적으로 피킹할 수 있는 AGV를 선정하고 작업을 할당합니다. 이어 AGV 별 최적 운행 경로를 결정하고 신속한 피킹을 수행합니다.
AGV 간 간섭을 최소화하고 교착을 방지할 수 있는 운행 경로 최적화도 가능합니다. 출하 후 최적 배송 경로 도출을 위해 정적 방해물 정보, 동적 정보 기반 최적의 배송 루트를 선정하고, 실시간 교통상황 반영한 최적 배송 경로를 추천합니다. 배송 물량을 차량에 적재 시 AI가 배송 순서와 물량을 분석해 적재 순서를 최적화합니다. 도로 데이터와 이전 배송 정보에 실시간 상황이 반영돼 최적의 배송 경로를 추천하는 방식인데요. 최소화된 경로를 통한 배송시간 단축으로 비용 절감 및 처리량 증대를 기대할 수 있습니다.
4. 상품 분류
지능형 화물 자동 분류는 AI 딥러닝으로 이미지 크기와 형상을 자동 판정하는 기술입니다. 물류창고 상황에 맞게 분류 기준을 조정하고 현장에서 AI 분류 모델을 학습해 적용합니다. 프로세스는 △카메라를 통해 체적 측정 △실제 사이즈 바탕의 이미지 절단 △화물 유형을 파악해 AI로 분류 등인데요. 이러한 AI 판정 및 분류 기술은 상품 분류 정확도를 향상시키고 운영 인건비를 절감할 수 있어 다양한 산업분야에서 적용될 수 있습니다.
5. 상품 검수
AI 딥러닝으로 수작업에 의존하던 상품 발송 전 검수 프로세스도 자동화할 수 있습니다. 주요 적용 기술은 △물체 검출(Object Detection) △배경 분리(Global Context-Aware Progressive Aggregation Network for Salient Object Detection) △특징 추출 (Combination of Multiple Global Descriptors for Image Retrieval) △상품 검색 및 분류 (Classfication) 등입니다.
생성형 AI 기반 스마트물류 구현 필요성
물류업계에 따르면, 자동화 물류센터 구축에 있어 △문제 해결과 진단 △데이터 분석 △보고서 작성 등 영역에서 생성형 AI의 도입이 가능합니다.
첫 번째로 생성형 AI가 물류센터에서 문제 해결 및 진단 역할을 맡을 수 있습니다. 음성 응대가 가능한 초거대 언어 모델(LLM, Large Language Model) 기반 AI 컨택센터가 그 예입니다. 이미 챗봇 기반 컨택센터는 학습 데이터로 원활한 응대가 가능한 수준인데요. 여기에 LLM 기반의 생성형 AI를 활용해 센터 운영이나 고객 문의에 대한 정확한 답변 외에도 다양한 고객의 요청과 컴플레인을 이해하고 적절한 조치를 수행할 수 있습니다. 또한 운영인력의 숙련도가 상이한 상황에서 비숙련자에 대한 교육 및 업무지원 역할을 AI가 수행할 수 있습니다.
두 번째로 생성형 AI가 물류센터 관련 데이터를 분석, 진단하고 시각화한 보고서를 작성할 수 있습니다. 기존의 물류센터도 디지털 트윈과 사물인터넷(IoT, Internet of Things) 기술을 이용한 스마트물류 예지보전을 통해 설비 중단으로 인한 비용, 시간, 인력 소모를 최소화하면서 생산성과 가동률을 동시에 향상시킬 수 있습니다. 여기에 생성형 AI를 활용하면 센터 운영에 대한 실시간 운영 데이터를 수집하고 분석해 효율성, 생산성, 비용 절감 등의 측면에서 중요한 인사이트를 파악할 수 있게 됩니다.
앞으로 물류 시스템에 AI를 대규모로 적용하고 운영하기 위해서 전체 자동화 설비를 통합하고 지능화하기 위한 혁신적인 플랫폼을 활용할 것으로 예상됩니다. 우선 이기종 로봇에 대한 통합관제 등 운영을 최적화하고 초기 투자를 최소화해 구독형으로 서비스하는 로봇구독서비스(RaaS, Robot as a Service) 플랫폼 적용이 확대되고 있습니다.
학습 데이터를 축적하고 비전 인식, 예측 분석, 최적화 운영, 개별 설비 및 로봇의 강화 학습 제어 AI 모델을 관리하는 MLOps(Machine Learning Operations) 플랫폼도 함께 검토가 필요합니다. MLOps는 AI 모델의 학습, 추론, 서비스를 통합 관리하는 플랫폼인데요. AI 모델의 생성, 학습, 모델 등록, 배포, 테스트, 운영 서비스가 끊김 없이 연결되는 것이 특징입니다. 운영 데이터를 통해 지속적으로 지능화되어 생산성을 극대화하는 역할을 수행합니다.
아직까지는 개별 센터에서도 일부 영역에서의 AI 도입이 시도되고 있으나 앞으로는 AI가 핵심 경쟁력이 되는 AI 물류센터 구축이 검토되고 구현될 것으로 예상됩니다. 특히 수요가 높아지고 있는 도심물류센터(MFC, Micro Fulfillment Center)에서의 AI 역할이 기대됩니다.
글 ㅣ LG CNS 스마트물류사업부
