AI 에이전트를 통한 공급망 관리 혁신

공급망을 효율적으로 관리하는 것은 오랫동안 많은 산업의 최우선 과제였습니다. 조직은 최적화된 공급망을 통해 적시에 적재적소에 상품을 비용 효율적으로 제공함으로써, 높은 마진을 유지하면서 소비자 수요를 충족할 수 있습니다.

하지만 불확실성은 항상 존재하는 요소이며, 오늘날의 글로벌 경제에서는 잦은 중단과 지연, 무역 관계의 변화로 인해 공급망 조직은 다양한 비상 상황에 대비하고 긴급한 문제에 신속하게 대응해야 합니다. 이에 대응하기 위해 공급망 관리자들은 광범위한 시나리오와 가능한 결과를 검토할 수 있는 에이전트 기능을 통해 직원의 역량을 강화하는 방안을 점점 더 모색하고 있습니다. 이러한 도구를 활용하여 조직은 다양한 전문 지식 수준의 의사 결정자가 상황을 신속하게 검토하고 주어진 정보를 바탕으로 최상의 솔루션으로 나아가도록 지원할 수 있습니다.

전문적인 의사결정 지원

이 주제는 공급망 및 재고 관리 분야에서 잘 알려진 MIT 교수인 David Simchi-Levi가 최근 다루었습니다(그의 획기적인 2015년 연구 는 이전 간행물의 기반이 되었습니다). 논문에서 Simchi-Levi 교수와 그의 공동 저자들은 비즈니스 사용자와 복잡한 수학적 최적화 도구 간의 격차를 해소하기 위해 대규모 추론 모델의 사용을 제안했습니다. 저자들은 적절한 데이터에 접근할 수 있는 에이전트 시스템이 관리자가 기술 모델링 전문가와 상호작용하는 것과 거의 동일한 방식으로 사용될 수 있다고 제안합니다. 이는 공급망 기술을 대중화하고, 도입을 촉진하는 데 필요한 광범위한 전문 지식의 필요성을 줄여주는 접근 방식입니다.

AI 엔지니어링 관점에서 대규모 추론 모델과 운용 과학을 결합하면 강력한 근거와 투명성이 더해집니다. 빠르게 발전하고 있지만, 대규모 언어 모델은 본질적으로 확률적이며 여전히 할루시네이션(환각)이 발생하기 쉽습니다. 반면, 수학적 최적화는 구체적이고 실행 가능한 계획을 생성할 수 있는 보다 결정론적이고 완전히 투명하며 설명 가능한 기술입니다. 대규모 추론 모델이 더 결정론적이고 검증된 기술을 사용하고 그 결과를 해석하도록 함으로써 할루시네이션의 위험을 줄일 수 있습니다. 이는 비즈니스 이해관계자와의 신뢰를 구축하고 반복 가능한 권장 사항을 제공하는 데 매우 중요합니다.

오늘날 우리는 파괴적인 기술이 주도하는 공급망 관리의 세대적 변화의 초기 단계에 있습니다. 예를 들어 공급망 에이전트가 수요 또는 생산 계획 에이전트와 협력하는 것처럼 에이전트가 비즈니스 가치 사슬 전반에서 협업하고 중요한 시점에 사람이 개입함에 따라, 실시간으로 적응하고 공유된 목표에 부합하는 엔드투엔드 의사 결정 흐름을 보게 될 것입니다. 바로 그때 서비스, 비용, 생산성, 복원력 측면에서 엄청난 이점이 분명해질 것입니다.

이 블로그 게시물의 나머지 부분에서는 Databricks에서 공급망 관리를 위한 에이전트 시스템을 구축, 평가, 배포하는 방법에 대한 개요를 제공합니다. 우리는 AI 에이전트와 결정론적 최적화 도구를 모두 포함한 코드가 세 개의 주요 클라우드 제공업체(Azure, AWS, GCP) 모두에서 완벽하게 이식 가능하다는 것을 확인했습니다. 두 명의 AI 엔지니어가 8시간 만에 이 에이전트의 첫 번째 작동 프로토타입을 만들어 Databricks에서 이러한 시스템을 얼마나 쉽게 구축할 수 있는지 보여주었습니다. 지원되는 노트북과 스크립트는 오픈 소스로 제공되며 여기에서 확인할 수 있습니다.

공급망 리스크 분석을 통해 잠재력 입증

공급망 시나리오에서 에이전틱 AI의 잠재력을 보여주기 위해 이전 블로그 게시물에 게시된 확장 공급망 분석을 다시 살펴보겠습니다. 이 특정 시나리오에서는 공급업체 위험에 중점을 두었지만, 여기서 보여준 에이전트 기능은 사용자가 에이전트 도구의 도움으로 복잡한 정보를 처리할 수 있는 광범위한 공급망 시나리오에 폭넓게 적용될 수 있습니다.

글로벌 소비재(CPG) 회사에 근무하며 예상치 못한 다양한 변화에 신속하게 적응하고 공급망이 원활하게 운영되도록 책임지는 시나리오를 상상해 보겠습니다. 이는 제품이 제때에 제조되고, 공급업체가 자재를 안정적으로 납품하며, 재고 수준이 효과적으로 관리되고, 상품이 지체 없이 물류 센터와 소매점 진열대에 도달하도록 보장하는 것을 의미합니다. 물론, 말처럼 쉽지는 않습니다. 공급망 관리자는 매일 예상치 못한 수요 변동, 생산 병목 현상, 공급업체 지연, 운송 차질을 처리해야 하며, 서비스 수준을 유지하면서 비용을 절감해야 한다는 끊임없는 압박에 시달립니다.

이러한 문제에 직면했을 때, 점점 더 많은 공급망 관리자들이 의사 결정을 지원하기 위해 수학적 최적화 도구를 사용하고 있습니다. 이러한 도구는 최신 운영 데이터를 사용하여 수익이나 매출과 같은 주요 비즈니스 메트릭을 최적화하기 위한 최상의 다음 단계를 추천하는 알고리즘을 실행합니다. 하지만 문제는 이러한 도구들이 종종 복잡하고 적절한 교육 없이는 사용하기 어렵다는 것입니다. 이 문제를 해결하기 위해 우리는 관리자가 평이한 언어로 표현한 의도를 해석하고, 데이터에 접근 및 분석하며, 최적화 기술을 적용하고, 궁극적으로 명확한 인사이트와 실행 가능한 권장 사항을 제공하여 관리자를 지원하는 공급망 에이전트를 개발합니다.

빌드

코드를 작성하기 전에 먼저 에이전트가 어떤 종류의 질문을 받게 될지, 그리고 그 질문에 답하기 위해 어떤 도구가 필요할지를 이해해야 합니다. 다음은 에이전트가 처리할 것으로 예상되는 몇 가지 질문 예시입니다.

1. 완제품 X에 대한 수요는 어떻게 되나요?
2. 완제품 Y를 생산하는 데 필요한 자재는 무엇이며, 이 자재들의 현재 재고 상태는 어떻습니까?
3. 어떤 완제품이 자재 Z를 소비하나요?
4. 공급업체 A에 차질이 생겨 복구하는 데 4주가 걸리면 어떻게 되나요? 영향을 완화하려면 어떤 조치를 취해야 할까요?
5. 공급업체 B의 공급이 중단되면 수요 손실 없이 얼마나 오래 지속할 수 있으며 권장 조치는 무엇인가요?

이러한 질문에 답하기 위해 에이전트는 데이터베이스에 저장된 최신 운영 데이터에 접근할 수 있어야 합니다. 처음 세 가지 질문에 대해서는 의도를 해석하고 올바른 데이터베이스 쿼리를 생성해야 합니다. 이는 위 다이어그램에서 데이터 접근 도구 및 데이터 분석 도구 로 표시됩니다. 이러한 도구를 구현하는 방법은 많지만, Databricks Genie 는 높은 품질의 결과물과 강력한 거버넌스를 제공하는 동시에 구현 비용(즉, 추가 라이선스 없음)이 저렴하여 매력적인 옵션으로 돋보입니다.

마지막 두 질문의 경우, 에이전트는 위에서 최적화 도구 로 설명된 수학적 최적화를 수행하는 도구가 필요합니다. 이 공식의 목표와 제약 조건은 실제 비즈니스 조건을 반영해야 하지만, 이 블로그 게시물에서는 David Simchi-Levi 교수가 그의 연구 에서 제안한 유연한 표현식 을 채택합니다. 이 도구를 정의할 때는 언제 어떻게 사용해야 하는지에 대한 명확한 설명을 제공하여 에이전트가 이를 적용할 적절한 상황을 결정할 수 있도록 하는 것이 중요합니다. 그런 다음 이러한 도구를 Unity Catalog 에 정의 및 등록하고 MCP Server 를 통해 노출하여 검색 가능성과 거버넌스를 향상시킬 수 있습니다.

마지막으로, 강력한 추론 능력을 갖춘 대규모 언어 모델이 필요합니다. 모델은 공급망 관리자의 질문을 이해하고, 답을 얻는 방법을 계획하고, 계획을 실행한 다음, 결과를 명확하게 해석하고 제시할 수 있어야 합니다. Databricks에서는 Foundation Model API(FMAPI) 를 통해 다양한 최첨단 추론 모델을 쉽게 실험하고 우리의 요구에 가장 적합한 모델을 선택할 수 있습니다. 사용자는 코드 한 줄로 최신 Claude 시리즈 와 Llama 제품군 사이를 전환할 수 있습니다. Mosaic AI Model Serving 을 기반으로 구축된Mosaic AI Gateway 는 이러한 모델에 액세스하고 관리하기 위한 통합되고 안전하며 거버넌스가 적용되는 인터페이스를 제공합니다. 노트북 에서 이러한 구성 요소를 조합하여 강력한 에이전트를 구축하는 방법을 확인해 보세요.

또는 사용자는 Agent Bricks 를 활용하여 노코드 또는 로우코드 접근 방식으로 전체 시스템을 구축할 수 있습니다. Agent Bricks는 응답의 최종 품질을 결정하는 에이전트 시스템의 프롬프트를 포함한 여러 매개변수를 자동으로 최적화합니다. 에이전트가 프로덕션에 배포된 후에는 사용자가 실시간 피드백을 제공하여 응답 품질을 지속적으로 개선하고 변화하는 요구사항에 에이전트를 적응시킬 수도 있습니다.

평가

실제 환경에 에이전트 시스템을 배포할 때 타협할 수 없는 것은 바로 품질입니다. 우리는 에이전트가 얼마나 잘 작동하는지 평가하고 명확하게 이해할 수 있어야 합니다. 이 프로세스는 사용자가 프로덕션 환경에서 질문할 내용과 유사한 질문이 포함된 평가 데이터 세트를 준비하는 것으로 시작됩니다. 각 질문은 예상 응답과 같은 예상 결과와 쌍을 이룹니다. 하지만 에이전트 시스템에서는 에이전트가 올바른 도구를 적절하게 사용하고 있는지를 평가하는 것이 그에 못지않게, 혹은 그 이상으로 중요합니다. Databricks에서는 Mosaic AI Agent Evaluation 을 사용하여 에이전트 실행의 모든 세부 사항을 검토할 수 있습니다. 우리는 평가 기반 개발(eval-driven development)을 AgentOps를 달성하고 에이전트가 프로그래밍에 따라 작동하도록 보장하는 과정의 기본 단계로 봅니다. 20여 년 전 소프트웨어 개발에서 DevOps 운동을 가능하게 한 테스트 주도 개발(TDD) 및 행동 주도 개발(BDD)에서도 유사한 성숙도 곡선이 나타났습니다. 이 노트북 을 보고 올바른 도구 사용법과 매개변수 설정을 모두 검증하는 방법을 확인하세요.

배포

​​에이전트의 품질에 만족하면 Databricks Model Serving 에 배포하고 엔드포인트를 사용하여 요청을 보내고 응답을 받을 수 있습니다. 코드 리포지토리에서는 기록 및 세션 관리를 위해 Databricks Apps 및 Lakebase 를 사용하여 빌드된 프런트엔드 애플리케이션에 이 엔드포인트를 통합하는 방법을 보여줍니다.

UI에 직접 통합된 MLflow Tracing 을 통해 입력, 출력, 사용자 피드백이 컨텍스트 내에서 자동으로 캡처되므로 피드백을 수집하고 지속적으로 성능을 개선하기가 더 쉬워집니다.

Databricks에서 엔드투엔드 애플리케이션을 구축하고 호스팅하는 것의 주요 이점은 사용자 인증 설정이 쉽고 Unity Catalog를 사용하여 모든 자산을 한곳에서 보호하고 거버넌스를 관리할 수 있다는 점입니다. 보안 및 거버넌스 병목 현상을 자주 유발하는 개별 서비스를 일일이 연결할 필요가 없습니다. Databricks Apps는 매우 유연하며 여러 언어와 프레임워크를 지원하므로 원하는 프런트엔드를 구축할 수 있습니다. 코드 를 참조하여 공급망 에이전트를 위한 작동하는 프런트엔드를 구축하는 방법을 알아보세요.

논의

아래는 공급망 관리자와 에이전트 간의 샘플 대화 스냅샷입니다. 약 15초 만에 관리자는 특정 시나리오에 대한 위험을 완화하고 수익을 보호하는 방법에 대한 상세한 권장 사항을 받습니다. 에이전트의 응답 속도와 정확성이 놀랍습니다. 응답에 있는 모든 숫자는 에이전트가 의사 결정 변수에 액세스할 수 있으므로 최적화 알고리즘의 출력에서 직접 파생되며, 권장 사항은 이러한 결과를 해석하는 것을 기반으로 합니다. 사람이 동일한 양의 정보를 접하게 된다면 시기적절하게 응답하는 것이 매우 어려울 것입니다. 하지만 대규모 언어 모델의 경우, 이는 아주 쉬운 일입니다.

에이전트의 투명하고 설명 가능한 응답은 에이전트가 의존하는 도구 자체가 투명하고 설명 가능하기 때문에 가능합니다. 이는 비즈니스 사용자가 기술을 채택하는 데 필수적인 요구 사항입니다. 우리는 확률적 LLM과 결정론적 물리 모델의 조합이 공급망 관리와 같은 미션 크리티컬 애플리케이션의 표준 아키텍처가 될 것이라고 믿습니다.

Databricks를 선택해야 하는 이유

Databricks는 최고 수준의 품질 기준을 충족하는 에이전트 시스템을 구축하기 위한 독보적인 플랫폼을 제공합니다. Mosaic AI Agent Evaluation을 사용하면 팀은 프로덕션과 유사한 평가 데이터세트를 사용하여 에이전트를 엄격하게 테스트하고 벤치마킹하여 정확한 응답뿐만 아니라 적절한 도구 사용 및 매개변수 처리까지 보장할 수 있습니다. 이러한 포괄적인 평가 기능은 에이전트의 권장 사항이 신뢰할 수 있고, 실행 가능하며, 실제 요구 사항과 일치한다는 확신을 비즈니스 이해관계자에게 제공합니다.

마찬가지로 중요한 점은 Databricks가 Unity Catalog를 통해 엔터프라이즈급 보안 및 거버넌스를 보장한다는 것입니다. 모든 도구, 데이터 세트, 모델을 통합된 거버넌스 계층에서 등록, 버전 관리 및 관리할 수 있어 사용량 추적과 규정 준수 유지가 간편해집니다.

거버넌스 외에도 Databricks는 에이전트 개발을 위한 완전하고 유연한 환경을 제공합니다. 사용자는 Lakeflow Connect, Delta Sharing 또는 Databricks의 풍부한 파트너 에코시스템(예: Everstream Analytics)을 통해 에이전트 구축에 필요한 운영 데이터를 수집하고, 최신 언어 모델을 쉽게 실험하며, 최적화 엔진을 통합하고, 개방형 인터페이스를 통해 외부 도구를 연결할 수 있습니다.

이러한 품질, 보안, 완전성의 조합을 통해 Databricks는 강력하면서도 프로덕션에 바로 사용할 수 있는 에이전틱 솔루션을 구축하고 배포하는 데 이상적인 플랫폼이 됩니다.

에이전트 기반 공급망으로의 전환

글로벌 공급망의 복잡성과 예측 불가능성이 증가함에 따라 지능적이고 실용적인 솔루션이 요구됩니다. 수동 의사 결정이나 전문가 주도 모델링에 기반한 기존 접근 방식으로는 충분하지 않습니다. 확률론적 언어 모델을 결정론적 수학적 최적화 및 실시간 데이터 접근과 결합함으로써 조직은 공급망 관리자가 더 빠르고, 더 정확하며, 더 확장 가능한 결정을 내릴 수 있도록 지원할 수 있습니다. 이를 통해 전문가와 시간에 대한 기존의 의존도를 줄일 수 있으며, 이는 많은 경우 조직에 분당 수백만 달러의 비용을 초래했습니다.

Databricks는 이 비전을 실현하기 위한 기반을 제공합니다. AI 에이전트 구축 및 테스트부터 Mosaic AI Agent Evaluation을 통한 신뢰성 확보, Unity Catalog를 사용한 데이터 및 모델 거버넌스에 이르기까지 Databricks는 에이전트 시스템 배포를 위한 안전하고 포괄적인 환경을 제공합니다. 외부 도구 및 최적화 엔진을 통합할 수 있는 유연성 덕분에 각 회사의 고유한 요구에 맞게 솔루션을 조정할 수 있으며, 이는 여러 클라우드 제공업체에서 이식 가능합니다.

그 결과 평이한 언어로 질문에 답할 뿐만 아니라, 투명하고 설명 가능한 논리를 바탕으로 추천의 근거를 제시하는 에이전틱 시스템이 탄생했습니다. 이러한 조합은 할루시네이션의 위험을 줄이고, 비즈니스 이해관계자와의 신뢰를 구축하며, 공급망 관리와 같은 미션 크리티컬한 영역에서 AI 도입을 가속화합니다. Databricks를 통해 기업은 실험 단계를 넘어 오늘날 실제 비즈니스 가치를 제공하는 에이전트 시스템을 배포할 수 있습니다.

Databricks에서 공급망 관리 에이전트를 구축, 평가, 배포하는 방법을 알아보려면 코드 를 다운로드하세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)