KR102679381B1

KR102679381B1 - 수요예측 기반의 지능형 생산 및 물류 관리 방법 및 시스템

Info

Publication number: KR102679381B1
Application number: KR1020220166281A
Authority: KR
Inventors: 설동철; 정우근; 김경미
Original assignee: 주식회사 알엠에이
Filing date: 2022-12-02
Publication date: 2024-06-28

Abstract

상기의 과제를 해결하기 위한 일 실시예의 중앙 서버는, 적어도 하나의 명령어를 저장하는 메모리 및 프로세서를 포함하며, 상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행됨으로써, 실적 데이터를 포함하는 적어도 하나 이상의 입력 데이터를 수집하고, 인공 신경망에 기반한 수요예측 알고리즘을 이용하여 미리 학습된 수요 예측 모델에 기반하여, 상기 입력 데이터로부터 적어도 하나 이상의 분석 단위별 수요 예측값을 출력하는 과정이 수행되고, 상기 수요 예측 모델은 서로 다른 복수의 수요예측 알고리즘으로부터 각각 출력되는 수요 예측값과 실제 수요값의 오차에 기초한 성능 비교를 통해 선택된 수요예측 알고리즘을 적용하여 생성한다.

Description

수요예측 기반의 지능형 생산 및 물류 관리 방법 및 시스템{METHOD AND SYSTEM FOR INTELLIGENT PRODUCTION AND LOISTICS MANAGEMENT BASED ON DEMAND FORCAST}

본 발명은 수요예측 기반의 지능형 생산 물류관리 방법 및 시스템에 관한 것으로, 보다 상세하게는, 딥러닝에 기반한 수요예측을 통해 생산계획 및 물류계획을 최적화하기 위한 수요예측 기반의 지능형 생산 물류관리 방법 및 시스템에 관한 것이다.

일반적으로 제품의 생산 및 물류 관리는 제품의 종류나 수량을 알맞게 유지하도록 조절하는 활동으로, 광의적으로는 창고나 배송 센터의 입지, 각 유통 재고점에서 보유해야 할 재고 품목의 결정이 중요한 대상이 되며, 좁은 뜻으로는 각 제조 및 유통 재고점에서 보관되는 각 물류에 관하여 생산 발주(보충)시기와 1회 발주량의 결정이 물류 관리의 중심이 되고 있다.

종래의 생산 및 물류 관리 방식은 대형 유통업체 또는 기업체가 독립적으로 별도의 재고관리 시스템을 구축하여 판매량, 생산량, 재고량 등을 고려하여 발주량을 파악하여 판매, 생산에 필요한 제품, 원재료, 반제품 등의 적정재고(최적보율량)량을 유지하도록 하였다.

이와 관련하여, 일 예로서, 특허문헌 1에서는, 생산 및 물류 관리에 있어서, 효율성 및 비용을 절감할 수 있게 하는, 인터넷을 이용한 재고관리 방법 및 시스템이 제안된 바 있다. 그러나 특허문헌 1을 비롯한 종래의 재고 관리 방법은, 정확한 수요예측에 기반하고 있지 않은 문제점이 있다.

또한, 최근 대외/환경 변수로 인해 생산물량의 변동에 따라 중소기업 및 협력사의 내부관리 Loss 증가로 Supply Chain상의 공급망에 대한 운영 지원 시스템의 이슈가 증가되고 있으며, 고객사의 계획변동에 따라 중소기업의 핵심공정의 기종교체에 횟수 및 시간 증가로 내부 생산성이 저하되거나, 불량이 증가되는 문제가 있어 정확한 수요 예측을 기반으로 생산현장의 변동을 예측하고 능동적으로 대처할 수 있는 생산 및 물류 관리 방법 및 시스템이 요구된다.

즉, 제품의 생산, 판매, 물류 관리 등을 실시하는데 있어서, 제품의 장래의 수요를 예측하는 것은 중요하며, 제품의 수요와 관련되는 1개 이상의 데이터를 해석 모델에 입력하여, 그 해석 모델로부터, 제품의 장래의 수요의 예측 결과를 얻는 수요예측 모델을 얻는 것이 요구된다.

대한민국 특허공개공보 제2003-0016019호, 2003년 02월 26일

일 실시예에 따른 해결하고자 하는 과제는, 인공지능에 기반하여, 정확한 수요 예측이 가능한 수요 예측 솔루션을 제공하는 것을 목적으로 한다.

또한, 수요 예측 솔루션에 기반하여, 고객의 수주변동 및 다양한 변화요인에 대한 AI기반 생산계획 및 물류계획 수립할 수 있는 최적화가 가능한 생산 및 물류 관리 방법 및 시스템을 제공하는 것을 목적으로 한다.

다만, 본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 있어서, 상기 프로세서는, 상기 입력 데이터의 전처리로서, 고객으로부터의 실제 오더(order)를 모니터링하여 실적 데이터의 오류를 제거하는 과정을 수행할 수 있다.

본 발명의 일 실시예에 있어서, 상기 분석 단위별 수요 예측값은, 품목별 수요 예측값, 고객사별 수요 예측값, 시기별 수요 예측값 중 적어도 하나를 포함할 수 있다.

본 발명의 일 실시예에 있어서, 상기 프로세서는, 상기 수요 예측값에 서로 다른 복수의 통계기법을 적용하여 산출된 초기 수요 예측값들 중 실제 초기 수요값을 기준으로 정확도를 비교하여 선택된 통계기법에 의한 수요 예측값을 기준 수요 예측값으로 설정할 수 있다.

본 발명의 일 실시예에 있어서, 상기 분석 단위별 수요 예측값을 이용하여, 분석 목적인 생산 계획, 물류 계획, 판매 계획 중 적어도 하나가 수립되고, 상기 수요 예측 모델은 상기 분석 목적에 따라 미리 정의된 분석 단위 및 예측 기간에 따른 수요 예측값을 출력할 수 있다.

본 발명의 일 실시예에 있어서, 상기 프로세서는, 원부자재를 구매발주하는 청구실적을 기반으로 하는 제1 예측 모델 및 보유 원부자재에 대한 소모실적을 기반으로 하는 제2 예측모델을 생성하고, 상기 수요 예측 모델은 상기 제1 및 제2 예측 모델을 조합한 하이브리드형의 독립 예측 모델일 수 있다.

본 발명의 일 실시예에 있어서, 상기 프로세서는, 원부자재 품목특성에 따른 수요 예측 서브 모델링을 통해 유사특성을 가진 원부자재를 비지도학습으로 분석하여, 주문량의 급격한 증가나 감소가 있는 불규칙 및 계절성의 수요 그룹 및 주기적으로 일정한 사용량을 보이는 수요 그룹에 대한 서브 수요 예측 모델을 생성할 수 있다.

본 발명의 일 실시예에 있어서, 상기 복수의 수요예측 알고리즘은, 앙상블 알고리즘인 랜덤 포레스트 회귀분석(random forest regression), 아다부스트 분석(aboost), 엑스트라 트리 회귀분석(extra trees regression), 배깅(Bagging), 그레이디언트 부스팅 회귀분석(gradient boosting regression)과 딥러닝 알고리즘인 장단기 메모리(long-short term memory(LSTM)), 딥 뉴럴 네트워크(deep neural network(DNN))를 포함할 수 있다.

상기의 과제를 해결하기 위한 일 실시예의 중앙 서버에 의해 수행되는 수요 예측 방법은, 실적 데이터를 포함하는 적어도 하나 이상의 입력 데이터를 수집하는 단계, 및 인공 신경망에 기반한 수요예측 알고리즘을 이용하여 미리 학습된 수요 예측 모델에 기반하여, 상기 입력 데이터로부터 적어도 하나 이상의 분석 단위별 수요 예측값을 출력하는 단계를 포함하고, 상기 수요 예측 모델은 서로 다른 복수의 수요예측 알고리즘으로부터 각각 출력되는 수요 예측값과 실제 수요값의 오차에 기초한 성능 비교를 통해 선택된 수요예측 알고리즘을 적용하여 생성한다.

상기의 과제를 해결하기 위한 컴퓨터 판독가능한 기록매체는, 제 9 항에 따른 수요 예측 방법에 포함된 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장한다.

일 실시예에 따르면, 수요예측 방법 개선을 통한 수요예측의 정확도를 향상시킬 수 있으며, 수요계획 체계 개선을 통한 정확도 향상 및 가시성 제공 오더 체계 개선·실수요 우선반영한 수요 예측 솔루션을 제공할 수 있다.

또한, 수요 예측 솔루션에 기반하여, 고객의 수주변동 및 다양한 변화요인에 대한 AI기반 생산계획 및 물류계획 수립할 수 있는 최적화가 가능한 생산 및 물류 관리 방법 및 시스템을 제공할 수 있다. 이 때, 실시예에 따라 수요 예측에서는 머신러닝 또는 딥러닝 방식으로 학습된 모델이 이용될 수 있는 바, 각종 데이터가 실시간으로 그리고 적응적으로 선택 및 이용될 수 있다.

도 1에는 일 실시예에 따른 생산 및 물류 관리 시스템의 구성도이다.
도 2에는 도 1에 도시된 서버에 대한 예시적인 구성도가 도시되어 있다.
도 3에는 일 실시예에 따른 수요 예측 모듈에 대한 구성도가 개념적으로 도시되어 있다.
도 4에는 딥 뉴럴 네트워크의 구조가 도시되어 있다.
도 5에는 수요 예측 모델을 이용한 수요 계획을 도출하는 체계를 설명하기 위한 블록도가 도시되어 있다.
도 6에는 일 실시예에 따른 생산 및 물류 관리 방법에 대한 순서도가 예시적으로 도시되어 있다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '부'라는 용어는 소프트웨어 또는 FPGA나 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

도 1에는 일 실시예에 따른 생산 및 물류 관리 시스템의 구성도이다.

도 1을 참조하면, 일 실시예에 따른 생산 및 물류 관리 시스템(1000)이 도시되고, 상기 생산 및 물류 관리 시스템(1000)은 중앙 서버(100)와 관리 서버(300)를 포함할 수 있다. 다만, 도 1에 도시된 구성도는 예시적인 것에 불과한 바, 본 발명의 사상이 도 1에 도시된 구성도에 의해 한정 해석되는 것은 아니다. 예컨대, 생산 및 물류 관리 시스템(1000)은 도 1에 도시되지 않은 구성을 적어도 하나 포함하거나 도 1에 도시된 구성 중 적어도 하나를 포함하지 않을 수 있다.

상기 중앙 서버(100)는 적어도 하나 이상의 데이터를 수집하는 데이터 수집 모듈에 의해, 수요 예측과 연관된 데이터를 수집하고, 이에 기초하여 수요 예측을 수행하는 수요 예측 모듈에서, 데이터 입력에 따른 예측되는 예상 수요를 출력하도록 구성된다. 상기 수요 예측은 수요 계획과 수요 예측 모델에 기반한 예측 시뮬레이션(Demand Consensus Planning; DCP)을 통해 이루어지며, 사업 계획, 수요 예측, 고객으로부터의 오더(order) 등에 기초할 수 있다.

상기 중앙 서버(100)는 수요 예측 모델을 생성하고 업데이트하여 관리하도록 구성되며, 관리 서버(300)의 요청에 의해 데이터를 수신하여, 수요를 예측하여 결과를 상기 관리 서버(300)로 전송하도록 구성된다.

상기 관리 서버(300)는 제공받은 수요 예측 결과에 기초하여 제품의 생산 및 물류 계획을 수립하도록 구성되며, 상기 생산 및 물류 계획은 수요 예측 기반의 원부자재의 공급을 위한 공급 계획, 공급 계획에 대응되는 제품 생산을 위한 제품 생산 계획, 실행 계획 등에 의해 구체화될 수 있다.

예를 들어, 상기 공급 계획은 공급 최적화(Supply Chain Planning; SCP)를 위하여, 자체적 계획된 공급 전략, 기준 정보, 수요 예측 결과 정보에 기초하여 수립될 수 있다. 이 때, 공급망 등 자재 공급 정보, 생산 가능한 수량에 대한 생산 capa, 물류에 대한 한계, 최고 재고 수량 등의 물류 제약 정보 중 적어도 하나에 기초하여, 제품의 이동 계획, 공급 계획 및 출하 계획 등이 구체화되어 수립될 수 있다. 해당 정보들은 수요 예측 모델을 업데이트하기 위한 학습 데이터로 활용될 수 있으며, 생산 계획 수립에 있어서 생산 타겟 설정을 위해 이용될 수 있다.

상기 생산 계획은 LOT별 최적화(Factory Planning; FP)를 위하여, 자체적으로 계획된 생산 전략, 기준 정보, 및 공급 계획에서 도출된 결과로부터의 생산 타겟 정보에 기초하여 수립될 수 있다. 이 때, 자재 공급 정보, 생산 가능한 수량에 대한 생산 capa, 제품 최대 생산 수량 등의 제조 제약 정보 중 적어도 하나에 기초하여, 제품의 이동 계획, 생산 계획 등이 구체화되어 수립될 수 있다.

상기 실행 계획은 구체적인 생산 계획의 실행에 대한 것으로, 실시간 스케쥴링(Real Time Scheduling; RTS)을 위하여, 라인 운영 전략, 기준 정보, 작업 지시 등에 의해 제품 생산을 위한 스케쥴링이 수행될 수 있다. 예를 들어, 제공/재고 정보, 라인 제약 정보, 라인선택 Rule 등에 기초하여, 변경 작업 지시가 이루어질 수 있다.

한편, 상기 변경 작업 지시는 제품 생산을 위한 MES(Manufacturing Execution System)에 영향을 미치며, MES에서 관리하는 라인 상태, 작업 지시, 생산 실적(Lot Status)은 실행 스케쥴링에 반영되도록 구성된다.

상기 수요 예측은 수요 계획과 수요 예측 모델에 기반한 예측 시뮬레이션(Demand Consensus Planning; DCP)을 통해 이루어지며, 사업 계획, 수요 예측, 고객으로부터의 오더(order)에 기초하여, 판매 계획을 수립할 수 있다.

추가로, 판매 계획이 수립될 수 있으며, 수요 계획에 기초하여, 영업에 기초하는 1차 판매 계획과 마케팅에 기초하는 2차 판매 계획이 수립될 수 있으며, 해당 판매 계획에 기초하여 고객으로부터의 오더(order)에 대응한 납기약속이 설정될 수 있다.

즉, 상기 관리 서버(300)는 상기 중앙 서버(100)에서 생성하고 관리하는 수요 예측 모델에 기초하여, 적어도 하나 이상의 각종 계획을 수립하도록 구성된다. 예를 들어, 상기 관리 서버(300)는 복수로 구성될 수 있고, 각 서버마다 관리하는 제품의 성격, 제조 특성 정보에 기초하여, 대응되는 계획을 수립할 수도 있다. 다만, 이에 한정되지 않는다. 상기 중앙 서버와 관리 서버는 하나의 서버로 구현될 수 있다.

고이하, 인공지능에 기반한 수요 예측 모델의 생성 및 업데이트를 수행하는 중앙 서버(100)에 대해 구체적으로 설명한다.

도 2에는 도 1에 도시된 서버에 대한 예시적인 구성도가 도시되어 있다. 도 1을 참조하면, 중앙 서버(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함한다. 다만, 도 2에 도시된 구성도는 예시적인 것에 불과한 바, 본 발명의 사상이 도 2에 도시된 구성도에 의해 한정 해석되는 것은 아니다.

우선, 일 실시예에 따른 중앙 서버(100)에서는 수요 예측을 위한 각종 데이터를 항목별로 분류하여 수집할 수 있다. 상기 각종 데이터는 고객사별, 품목별, 시기별 수주 정보, 내외부 생산 능력 정보, 실적 정보, 자재 구매 정보, 외주 발주 정보, 생산량 정보, 주문변화정보, 병목공정 정보, 재공재고 정보, 설비 이상 정보, 제약 조건 정보 등 항목별로 각 DB에 저장되고, 해당 데이터로부터 수요 예측 값을 출력하도록 구성된다. 예를 들어, 불특정 다수의 항목별 수집된 데이터 및 실제 수요 정보의 빅데이터를 분석하여, 수집된 각종 데이터의 조합된 정보와 실제 수요 정보와의 상관도를 추출하도록 구성되며, 수요 예측값과 실제 수요 정보의 오차를 감소시키는 방향으로 데이터별 상관도에 따라 각종 정보에서 수요와 연관있는 적어도 하나 이상의 항목 및 항목별 정보를 추출할 수 있다. 예를 들어, 상관도 높은 정보로 실적 데이터가 추출될 수 있다.

구체적으로, 고객사별, 품목별, 시기별 수집된 데이터 조합 및 고객사별, 품목별, 시기별 실제 수요값에 기초하여 수요 예측에 상관도 높은 데이터 항목별 세부 정보 및 이들의 조합을 추출할 수 있다. 예를 들어, 품목별로 시점 상의 수요 예측에 있어, 데이터 항목별 수치 또는 유무 여부 등 이들의 조합된 세부 정보들이 추출될 수 있다.

예를 들어, 일차적으로 미리 알려져 있거나 기준이 되는 연관 정보와 상관도가 높은 항목을 중심으로 세부 항목별 공통 정보의 상관도를 추출하되, 이차적으로 상관 관계의 유무가 의심되는 서로 다른 항목의 정보에 대해서도 상관도를 추출하도록 할 수 있다. 즉, 실제 수요 값과 불특정의 적어도 하나 이상의 데이터 간의 상관도가 추출될 수 있다. 한편, 특정 항목의 상관도 또는 상관도가 높다는 것은 다른 항목 대비 높거나, 미리 결정된 기준인 일정 값 이상의 상관도 또는 상관도를 가짐을 의미한다.

수요의 예측에 있어서, 상관도가 높은 항목과 해당 항목의 특정 데이터가 추출되면, 해당 항목과 항목의 특정 데이터와 해당 수요 예측값 간의 관계도가 생성될 수 있다. 즉, 수집된 데이터의 세분화된 항목별 데이터에 대해 노드가 형성되고, 각 노드가 네트워크를 통해 연결된 형태의 관계도가 생성될 수 있다. 예를 들어, 노드 간에 일정 값의 수치화된 상관도를 가진 경우만 네트워크로 연결되도록 할 수도 있다.

한편, 후술할 수요 예측 모듈은 인공지능에 기반하여 불특정 다수의 수집된 데이터 조합 및 고객사별, 품목별, 시기별 실제 수요값에 기초로 각각의 세분화된 항목 내지 정보간의 상관도를 학습하여, 항목 내지 정보간의 상관도를 데이터베이스화하고, 데이터가 업데이트될 때마다, 상관도를 업데이트하도록 구성될 수 있다. 이에 따라, 인공지능에 기반한 상관도 분석 모델에 기초하여, 분석된 상관도 높은 항목별 데이터를 통해 수요를 예측할 수 있다.

또한, 수집된 데이터에 있어서, 항목 그 자체로, 수요와 직접적으로 관련이 있는 데이터인 경우에는, 그 정보 자체에 가중치를 부여하거나, 또는 수요를 예측함에 있어 상관도가 있다고 분석된 정보 간의 관계에 가중합(weighted sum)을 부여하여, 의미있는 상관도 분석 모델이 생성될 수 있도록 할 수 있다.

한편, 상관도 분석 모델은 지속적으로 업데이트될 수 있다. 예를 들어, 임의의 항목(노드)을 기준으로 유의미한 네트워크 상관도를 가지는 항목의 경우는 특정 항목으로 업데이트하고, 다음 데이터의 학습 주기에 피드백하도록 구성된다. 즉, 다음 데이터의 학습 주기에서 업데이트된 특정 항목을 활용하여 기준으로 삼은 임의의 항목과의 상관도를 나타내는 상관도를 재산출하고, 상기 특정 항목과 연결되는 네트워크가 유의미한 또 다른 특정 항목을 지속적으로 검색하도록 구성된다. 만약, 유의미한 네트워크 상관도를 가지는 항목이 없어서 더 이상 다른 특정 항목이 발굴되지 않으면, 발굴 절차를 종료하도록 구성된다. 예를 들어, 유의미한 네트워크 상관도를 분석하기 위해서 최소로 필요한 데이터량을 지정하고, 수집된 데이터의 특정 항목이 최소로 필요한 데이터량을 충족하는 경우, 업데이트를 수행하도록 할 수 있다. 한편, 데이터 항목별 상관도를 학습시킴에 있어서, 일반적으로 공개된 통계 자료를 참고할 수 있으며, 공개된 통계 보고서가 참고될 수 있다.

한편, 상관도를 추출함에 있어서, 각 정보 단위의 상관도뿐만 아니라, 각 정보가 이루는 하나의 군집 데이터의 전체적인 상관도가 추출될 수 있으며, 이에 대해 학습이 이루어질 수 있다. 이 경우, 특정 정보가 해당 군집 데이터에 속하는 경우, 그에 기초한 상관도가 출력될 수 있다. 이에 따라 상기 항목별 데이터에 대한 상관도에 기초하여, 데이터별 매개 변수가 설정될 수 있으며, 이에 실제 수신되는 데이터가 입력되어 예측 수요를 출력하는 수요 예측 모델을 생성할 수 있다.

이 때, 수요 예측은 미리 학습된 머신러닝 모델 또는 딥러닝 모델에 의해 수요 예측 모듈에서 수행될 수 있다. 이러한 수요 예측 모듈은 도 3에 개념적으로 도시되어 있다

도 3를 참조하면, 수요 예측 모듈(121)에는 입력 데이터(122)으로서 적어도 하나 이상의 각종 데이터가 입력되고, 미리 학습된 수요 예측 모듈에 기초하여 수요 예측 데이터(123)로서 예측되는 수요 결과를 출력하도록 구성한다. 예를 들어, 입력 데이터(122)는 각 데이터는 항목별로 분류되고, 상관도 높은 항목별로 입력될 수 있다. 또는, 수요 예측 모듈(121)에서 서브형태로 학습된 상관도 모델에 기초하여 상관도 높은 항목별 데이터를 추출하여 수요 예측 모델로 입력될 수 있다. 상기 입력 데이터는 실적 데이터를 포함한다. 예를 들어, 수요 예측의 분석 목적 예를 들어, 구매 계획, 생산 계획, 물류 계획, 판매 계획 등과 상관도 높은 입력 데이터가 선택적으로 입력될 수 있으며, 이에 분석 목적에 대응하는 수요 예측 모델을 생성할 수 있다. 즉, 일 실시예에서는, 상기 분석 단위별 수요 예측값을 이용하여, 분석 목적인 생산 계획, 물류 계획, 판매 계획 중 적어도 하나가 수립되고, 상기 수요 예측 모델은 상기 분석 목적에 따라 미리 정의된 분석 단위 및 예측 기간에 따른 수요 예측값을 출력할 수 있다.

한편, 입력된 데이터별 수치 및 유무 여부는 미리 정해진 기준에 따라 feature가 포함된 벡터로 표현될 수 있으며, 다만 이에 한정되는 것은 아니다. 머신러닝 또는 딥러닝 모델의 경우, 이러한 모델이 이해할 수 있는 형태로 데이터를 입력받아야만 추론이 가능한데, 일 실시예에서 입력 데이터(122)는 그 feature를 나타낼 수 있는 다양한 방식으로 표현되어서 이러한 수요 예측 모듈(121)에 입력될 수 있다. 수요 예측 모듈(121)에서는 인공 신경망에 기반한 수요예측 알고리즘을 이용하여 미리 학습된 수요 예측 모델에 기반하여, 상기 입력 데이터로부터 적어도 하나 이상의 분석 단위별 수요 예측값(수요예측 데이터)을 출력하도록 구성된다.

아울러, 수요 예측 모듈(121)에서 추론된 출력으로는, 분석 단위별, 예를 들어, 고객별, 품목별, 시기별 예측되는 수요 결과(또는 신뢰성 있는 정보나 신호를 출력할 수 있는 신뢰도) 중 적어도 하나를 추론되어서 출력된다. 이러한 수요 결과는 수치로서 출력될 수 있으며, 전체 수요를 기준으로, 각 고객별, 품목별, 시기별로 비율을 출력할 수 도 있다. 이 경우, 0부터 1 사이의 스케일을 가질 수 있으며, 항목별 모두 더하면 1이 될 수 있다. 물론, 이에만 한정되는 것은 아니다.

수요 예측 모듈(121)은 고객사별, 제품의 품목별, 시기별로 데이터를 분류하여, 분류된 데이터에 기초하여, 특정 고객에 대한 수요, 또는 특정 품목에 대한 수요, 시기별 수요에 대한 예측을 수행할 수 있다. 한편, 시기별 수요 예측은 기간에 따라 단기와 중장기로 구분 적용할 수 있다. 예를 들어, 단기 예측은 일 예측, 주 예측을 포함하고, 중장기 예측은 월 예측, 분기 예측을 포함할 수 있다. 이러한 예측된 수요로부터, 관리 서버(300)에서 생산 계획, 물류 계획을 포함하는 각종 계획이 수행될 수 있다. 한편, 수요 예측 모듈(121)은 인공신경망에 기반한 수요 예측 모델을 이용하며, 상기 수요 예측 모델은 서로 다른 복수의 수요예측 알고리즘으로부터 각각 출력되는 수요 예측값과 실제 수요값의 오차에 기초한 성능 비교를 통해 선택된 수요예측 알고리즘을 적용하여 생성한 것을 전제로 한다.

이하, 이러한 중앙 서버(100) 그 자체에 대해 보다 구체적으로 살펴보기로 한다.

도 2를 참조하면, 상기 통신부(110)는 외부 장치 또는 시스템과 데이터 통신을 수행하도록 구성된다. 구체적으로, 네트워크(10)를 통해 상기 중앙 서버(100)는 관리 서버(300)와 통신하고, 관리 서버(300)로부터 데이터를 수신하고, 수요 예측 결과를 전송하도록 구성된다.

상기 통신부(110)는 유/무선 통신 모듈을 포함할 수 있으며, 유선 또는 무선 통신 기술을 이용하여 외부와 데이터 통신을 수행할 수 있다. 무선 통신 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 무선 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있고, 유선 근거리 통신 기술로는 USB(Universal Serial Bus), IEEE 1394, 인텔사의 썬더볼트 등이 이용될 수 있다.

여기서, 네트워크(10)는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의 미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5th Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스 (Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

메모리(120)는 프로세서(130)에 의해 실행될 수 있는 적어도 하나의 명령어를 저장할 수 있다.

또한, 메모리(120)는 프로세서(130)가 본 개시의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 또는 컴퓨터 판독가능한 기록매체 일 수 있다. 이 경우, 메모리(120)는 본 개시내용의 실시예들을 수행하는 데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.

여기서, 메모리(120)에 저장 가능한 이러한 소프트웨어는 인공지능(artificial intelligence, AI)으로 구현되어서 동작하는, 기 학습된 모델일 수 있다. 예컨대, 머신러닝 방식 또는 딥러닝에 의해 구현 내지 학습됨으로써, 소정의 기능을 수행하도록 구현된 모델이, 이러한 메모리(120)에 저장될 수 있다. 물론, 인공지능으로 구현되지 않고 일반적인 방식, 예컨대 rule-기반으로 동작하도록 구현된 소프트웨어 모듈 역시 이러한 메모리(120)에 저장될 수도 있다.

일 실시예에서, 메모리(120)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

일 실시예에서, 메모리(120)에는 수요를 예측하는 수요 예측 모델이 저장되어 있을 수 있다. 이러한 수요 예측 모델은 머신 러닝 또는 딥러닝 방식으로 학습된 것일 수 있다. 학습에서는, 지도(분류, 회기) 학습 형태 또는 비지도(군집) 학습 형태로 이루어질 수 있으며, 또는 이와 달리, 부분 지도 학습이 이루어질 수 있다. 물론, 공정 특성에 따라 수집되는 데이터는 데이터 마이닝을 통해 특성 변수가 추출되고, 선별된 데이터 특성에 따라 그에 따른 지도학습 또는 비지도 학습이 이루어질 수 있다.

수요 예측 모델에서 학습을 위한 데이터로서 입력은 수요를 예측하는데 필요한 수요와 상관도 있는 각종 데이터를 포함할 수 있고, 학습을 위한 데이터로서 출력은 예측되는 수요에 대한 수치에 대한 정보일 수 있다. 아울러, 수요 예측 모듈에서 학습을 위한 데이터로서의 입력과 출력은 이미 전술한 바 있다.

이하, 각 모델의 기본이 되는 머신러닝 또는 딥러닝에 대해서는 뒤에 보다 자세하게 설명하기로 한다.

프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 중앙 서버(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.

이러한 프로세서(130)는 머신러닝이나 딥러닝 방식으로 설계된 신경망 내지 모델을 학습시킬 수 있다. 전술한 수요 예측 모델은 이러한 프로세서(130)에 의해 학습된 것일 수 있다

이를 위해, 프로세서(130)는 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다.

또한, 프로세서(130)는 머신러닝이나 딥러닝 방식으로 이미 학습이 완료된 신경망 내지 모델을 이용해서, 소정의 목적 하에 추론(inference)을 수행할 수도 있다.

여기서, 머신러닝이나 딥러닝 방식으로 학습이 완료된 모델 내지 신경망은 인공지능을 기반으로 한다. 이하, 도 4를 참조하여, 인공 신경망에 대해 구체적을 살펴보자.

도 4를 참조하면, 인공 신경망(artificial neural network; ANN)이란 연결 선으로 연결된 많은 수의 인공 뉴런들을 사용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 연산 모델을 나타낸다. 상기 인공 신경망에서는 생물학적인 뉴런의 기능을 단순화시킨 인공 뉴런을 사용하게 된다. 그리고 연결 강도를 갖는 연결 선을 통해 상호 연결시켜 인간의 인지 작용이나 학습 과정을 수행하게 된다. 즉, 이용되는 상기 연산 모델은 상기 인공 신경망을 이용하여 미리 학습된 상태의 연산 모델일 수 있다.

먼저, 본 명세서에서 인공 신경망은 모델, 네트워크 함수, 뉴럴 네트워크(neural network) 등과 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 노드는 도 4에 도시된 바와 같이, 입력층(Input layer), 은닉층(Hidden layer)이라 부르는 하나 이상의 TLU(Threshold Logic Unit)층과 마지막으로 출력층(Output layer)으로 구성된다

예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

인공 뉴런은 합산 회로(Summation Circuit) 및 활성 함수 회로(Activation Function Circuit)를 포함할 수 있다. 활성 함수 회로는 합산 결과(B) 및 활성 함수(Activation Function, f)를 이용하여 활성 결과(C)를 도출할 수 있다. 본 개시의 실시 예에 따른 활성 함수의 종류로는 시그모이드(Sigmoid) 함수, tanh(Tangent Hyperbolic) 함수, ReLU(Rectified Linear Unit) 함수가 적용될 수 있다.

한편, 일 실시예에 따른 수요 예측 내지 검증은 로지스틱 회귀분석을 적용할 수 있다.

데이터의 통계적 분석에 있어서, 독립변수와 종속변수라는 개념이 사용된다. 독립변수란 다른 변수의 변화와는 관계없이 독립적으로 변화할 수 있는 변수를 의미한다. 종속변수란 독립변수의 변화에 따라 그 영향으로 변하는 변수를 의미한다.

회귀분석(regression analysis)이란 한 개의 종속변수와 여러 개의 독립변수간의 상호관련성에 대해 분석할 때 가장 널리 사용되는 분석방법이다. 선형 회귀분석, 및 로지스틱 회귀분석 등이 있으며, 로지스틱 회귀분석은 원래 모델 식은 비선형이지만 로짓 변환을 이용하여 계수가 선형적인 성질을 갖도록 하는 분석방법이다. 본 발명에서 수요 예측 내지 검증 방법으로는 로지스틱 시그모이드 함수가 적용될 수 있다.

구체적으로, 예측 변수의 수가 하나인 경우, 선형 함수 y=wx+b를 이용하여 예측하나, 일반적인 로지스틱 회귀분석에서는 종속 변수가 0과 1사이의 값이기 때문에, y=wx+b를 이용해서 예측하는 것은 의미가 없어, 수학식 1의 Odds를 이용한다. p는 확률을 의미한다.

[수학식 1]

확률 p의 범위가 (0, 1)이라면 Odds(p)의 범위는 (0, ∞)이며, Odds에 로그함수를 취한 log(Odds(p))은 범위가 (-∞, ∞)에 해당된다. 여기서, log(Odds(p))의 범위는 실수이므로, 이 값에 대한 선형회귀분석을 실시하면 수학식 2와 같다.

[수학식 2]

이에, 선형회귀분석 실시로 w, b를 얻고 위 식을 확률 p로 정리하면, 수학식 3으로 정리되며, 이 식이 시그모이드에 해당된다. 즉, x 데이터가 주어졌을 때 성공 확률을 예측하는 로지스틱 회귀분석은 학습데이터를 잘 설명하는 시그모이드 함수의 w, b를 찾음으로써, 수행될 수 있다.

[수학식 3]

한편, 일 실시예에 따른 상기 수요 예측 모델은 ANN을 기반으로 한 qualitative multi-model predictor plus (QMMP+) 예측 모델이 적용될 수 있다. MAE, RMSE, mean absolute percentage error (MAPE)를 기준으로 radial basis function (RBF)-ANN, ARIMA, double seasonal Holt-Winters (DSHW) 모델들의 검증 결과를 비교 수행한 결과이다.

한편, 다중회귀분석은 데이터마이닝 기법 중 가장 대표적으로 쓰이는 기법으로, 변수들 사이의 함수관계(functional relationship)를 분석한다. 일 실시예에서, 수요 예측 모델은 다중회귀분석으로 구축될 수 있으며, 구축된 모형의 종속 변수에 대한 독립변수의 결정계수(R2)는 0.946으로 회귀분석 설명력이 높은 상태임이 검증되었다.

또한, 각 항목별 수요 예측에 있어서는 적어도 하나 이상의 서브 모델이 적용된 앙상블 기법이 적용될 수 있으며, 품목의 수요 패턴은 수요발생구간(average demand interval, ADI)과 변동 계수(coefficient of variation, CV)를 사용해 네 가지 smooth, lumpy, intermittent, erratic으로 구분하며 다양한 알고리즘으로 구현될 수 있다. 즉, 수요 예측 모델은 성능 비교를 통해 수요예측 알고리즘을 선택적으로 적용될 수 있다. 예를 들어, 수요예측 알고리즘은, 앙상블 알고리즘인 랜덤 포레스트 회귀분석(random forest regression), 아다부스트 분석(aboost), 엑스트라 트리 회귀분석(extra trees regression), 배깅(Bagging), 그레이디언트 부스팅 회귀분석(gradient boosting regression)과 딥러닝 알고리즘인 장단기 메모리(long-short term memory(LSTM)), 딥 뉴럴 네트워크(deep neural network(DNN))를 포함할 수 있다. 즉, 이들 중 일정 기간 동안의 실제 측정된 수요와 예측된 수요를 비교한 오차에 기초하여 알고리즘이 선택될 수 있다.

한편, 뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며(즉, 라벨링된 학습 데이터), 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)가 사용될 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도학습의 경우의 학습 데이터는 학습 데이터 각각에 정답에 대응되는 카테고리가 라벨링된 데이터일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도학습, 준지도학습 또는 자가학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤러화(regularization)하거나, 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

도 5에는 수요 예측 모델을 이용한 수요 계획을 도출하는 체계를 설명하기 위한 블록도가 도시되어 있다.

이하, 도 5를 참조하여, 프로세서(130)에 의해 메모리(120)에 저장된 적어도 하나의 명령어가 실행됨으로써, 중앙 서버(100)의 수요 예측의 동작 내지 기능 등에 대해 살펴본다.

상기 프로세서(130)는 외부 서버 또는 관리 서버(300)로부터 수요 예측 모델의 생성(개발) 및 업데이트(update)를 위한 각종 데이터를 수집하고 관리하도록 구성하며, 필요시에 수요 예측 모델을 업데이트 수행한다.

또한, 상기 프로세서(130)는 수요발생 메커니즘을 활용한 DNN, RF계통의 예측모델링을 정의하고, 데이터 학습을 통해 적어도 하나 이상의 예측 모델을 생성할 수 있다.

예를 들어, 일 실시예로, 원부자재를 구매발주하는 청구실적을 기반으로 하는 예측 모델, 및 보유 원부자재에 대한 소모실적을 기반으로 하는 예측모델을 생성할 수 있고, 이 둘을 조합한 예측모델로서, 품목기준 및 수량기준 수요 예측을 위해 선형기법(시계열, 회귀)과 비선형기법(머신러닝, 딥러닝)을 개별적으로 사용하는 독립된 수요 예측 모델을 생성할 수 있다. 즉, 모형 간 결합을 통한 하이브리드형의 수요 예측 모델을 생성할 수 있다.

또한, 일 실시예로, 안전재고 신뢰구간 도출을 통해 예측 신뢰성과 리스크 관리도를 높일 수 있는 구간 추정의 예측 모델을 생성할 수 있다.

또한, 일 실시예로, 상기 프로세서(130)는 특정 수요, 또는 일정 조건을 충족하는 수요, 등 이들을 조합한 수요를 타겟팅한 서브 수요 예측 모델을 생성할 수 있다. 즉, 일정의 수요를 그룹화한 특정 그룹에 대한 수요 예측을 모델링한 서브 수요 예측 모델을 생성할 수 있다. 예를 들어, 원부자재 품목특성에 따른 수요 예측 서브 모델링을 통해 유사특성을 가진 원부자재를 비지도학습(군집 분석)으로 분석하여, 주문량의 급격한 증가나 감소가 있는 불규칙 및 계절성의 수요 그룹 및 주기적으로 일정한 사용량을 보이는 수요 그룹에 대한 서브 수요 예측 모델을 생성할 수도 있다.

한편, 예측 모델의 업데이트는 정기적 또는 비정기적으로 수행될 수 있으며, 예를 들어, 실제 수요와 예측 수요 간에 일정 이상의 오차가 발생시 업데이트가 수행될 수 있다.

한편, 상기 각종 데이터는, 내외부 데이터를 포함하며, 내부 데이터로는 경영 전략, 영업 정책, 사업계획 데이터, 각종 실적(판매/선적/생산 실적) 데이터, 주문 정보 데이터, 재고 저보, 판촉 계획 데이터, 신제품/사양변경 시점 정보 데이터, 공급 계획(생산 계획) 데이터를 포함한다. 또한, 외부 데이터로, 외부 분석 기관 자료, 국가/지역별 가종 거시경제 지표, 국가/지역별 시장 상황, 산업 트렌드(trend) 정보를 포함할 수 있다.

추가로, 상기 프로세서(130)는 학습 데이터인 각종 데이터를 관리함에 있어서, 상기 입력 데이터의 전처리로서, 고객으로부터의 실제 오더(order)를 모니터링하여 실적 데이터의 오류를 제거하는 과정을 수행할 수 있다. 예를 들어, 실제 주간/월간 오더를 모니터링하여, 각종 실적(판매/선적/생산) 데이터의 비정상 요인을 제거하도록 할 수 있다.

한편, 상기 프로세서(130)는 적어도 하나 이상의 통계 기법을 적용하여, 수요 예측 모델에 의한 결과값으로부터 적어도 하나 이상의 초기 수요를 예측하도록 구성한다. 이 때, 상기 수요 예측값에 서로 다른 복수의 통계기법을 적용하여 산출된 초기 수요 예측값들 중 실제 초기 수요값을 기준으로 정확도를 비교하여 선택된 통계기법에 의한 수요 예측값을 최적안으로서, 기준 수요 예측값(초기 기준 수요)으로 설정할 수 있다.

이후, 상기 기준 수요를 기초로 하여 초기 수요 계획을 설립하고, 합의 기반으로 하여 수요 계획을 세운 후, 초기 수요 계획과 합의 기반의 수요 계획에 기초하여 각 지역별로 영업 수요계획을 세워 최종 수요 계획을 설립할 수 있다.

아울러, 이러한 수요의 예측에는, 메모리(120)에 저장되어 있는 기 학습된 수요 예측 모델이 이용될 수 있다. 이러한 수요 예측 모델은 전술한 바와 같이 수요 예측에 이용되는 정보가 입력되면, 해당 예측 데이터로서 수요를 예측하도록 학습된 모델일 수 있다. 이 때, 이러한 수요 예측 모델의 학습 방식에 대해서는 이미 설명된 바 있는 바, 이에 대한 설명은 생략하기로 한다.

도 6에는 일 실시예에 따른 생산 및 물류 관리 방법에 대한 순서도가 예시적으로 도시되어 있다.

이하, 도 6를 도 2 내지 도 5와 함께 참조하면서, 일 실시예에 따른 생산 및 물류 관리 방법을 살펴본다.

도 6에는 일 실시예에 따른 생산 및 물류 관리 방법에 대한 구체적인 실시예가 순서도로서 예시적으로 도시되어 있다. 이러한 도 6에 도시된 방법 또는 이러한 방법에 포함된 각 단계는 도 1에 도시된 생산 및 물류 관리 시스템(1000)에서 수행되는 동작이고, 수요 예측에 있어서는, 중앙 서버(100), 구체적으로는 메모리(120)에 저장된 적어도 하나의 명령어가 프로세서(130)에 의해 실행됨으로써 수행 가능하다. 또한, 도 6에 도시된 이러한 순서도는 예시적인 것에 불과한 바, 본 발명의 사상이 도 6에 도시된 것으로 한정 해석되는 것은 아니다. 예컨대, 실시예에 따라 도 6에 도시된 것과는 상이한 순서로 각 단계가 수행될 수 있으며, 또는 도 6에 도시되지 않은 적어도 하나의 단계가 추가적으로 수행되거나 또는 도 6에 도시된 단계 중 적어도 하나가 수행되지 않을 수도 있다.

도 6를 참조하면, 실적 데이터를 포함한 입력 데이터를 획득하는 단계(S110)가 수행된다. 해당 단계에서는, 실적 데이터를 포함하는 적어도 하나 이상의 입력 데이터를 수집한다.

또한. 기 학습된 수요예측 모델을 통해 분석 단위별로 수요 예측값 출력하는 단계(S120)가 수행된다. 해당 단계에서는, 인공 신경망에 기반한 수요예측 알고리즘을 이용하여 미리 학습된 수요 예측 모델에 기반하여, 상기 입력 데이터로부터 적어도 하나 이상의 분석 단위별 수요 예측값을 출력한다.

이하, 해당 단계는 도 2에 도시된 중앙 서버(100)에 의해 수행되는 것이므로, 중앙 서버(100)에 대해 이미 설명된 부분을 원용하기로 한다.

또한, 출력된 수요예측값에 기초하여, 생산 및 물류 관리하는 단계(S130)가 수행된다. 해당 단계는 도 1에 도시된 관리 서버(300)에 의해 수행되는 것으로, 다만, 이에 한정되지 않는다. 상기 중앙 서버(100)에서 수행될 수도 있다.

즉, 해당 단계에서는, 제공받은 수요 예측 결과에 기초하여 제품의 생산 및 물류 계획을 수립하도록 구성되며, 상기 생산 및 물류 계획은 수요 예측 기반의 원부자재의 공급을 위한 공급 계획, 공급 계획에 대응되는 제품 생산을 위한 제품 생산 계획, 실행 계획 등에 의해 구체화될 수 있다.

즉, 수요 예측 모델에 의한 결과값에 기초하여 적어도 하나 이상의 각종 계획을 수립하도록 구성된다. 예를 들어, 상기 관리 서버(300)는 복수로 구성될 수 있고, 각 서버마다 관리하는 제품의 성격, 제조 특성 정보에 기초하여, 대응되는 계획을 수립할 수도 있다. 즉, 회사별로 관리 서버가 존재하는 것을 전제로, 상기 중앙 서버(100)는 제공받은 각 회사의 내외부 정보를 기초로 각 대응되는 관리 서버로 수요 예측 서비스를 제공하는 서버일 수 있다.

한편, 전술한 실시예에 따른 방법은, 이러한 방법에 포함된 각각의 단계를 프로세서가 수행하도록 하기 위한 컴퓨터 명령어를 포함하도록 구현된 컴퓨터 프로그램의 형태로 구현 가능하다. 이 때, 이러한 컴퓨터 프로그램은 컴퓨터 판독가능한 기록매체에 저장된 것일 수 있다.

또는, 전술한 실시예에 따른 방법에, 이러한 방법에 포함된 각각의 단계를 프로세서가 수행하도록 하기 위한 컴퓨터 명령어를 포함하는 컴퓨터 프로그램을 포함하는 컴퓨터 판독가능한 기록매체의 형태로 구현될 수 있다.

본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 기록매체에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 중앙 서버
110: 통신부
120: 메모리
130: 프로세서
300: 관리 서버

Claims

적어도 하나의 명령어를 저장하는 메모리 및 프로세서를 포함하며,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행하여 적어도 하나 이상의 입력 데이터를 수집하고,
인공 신경망에 기반한 수요예측 알고리즘을 이용하여 미리 학습된 수요 예측 모델에 기반하여, 상기 입력 데이터로부터 적어도 하나 이상의 분석 단위별 수요 예측값을 출력하는 과정이 수행되고,
상기 수요 예측 모델은 서로 다른 복수의 수요예측 알고리즘으로부터 각각 출력되는 수요 예측값과 실제 수요값의 오차에 기초한 성능 비교를 통해 선택된 수요예측 알고리즘을 적용하고,
상기 수요 예측 모델은 불특정 다수의 수집된 데이터 조합 및 고객사별, 품목별, 시기별 실제 수요값에 기초로 각각의 세분화된 항목 내지 정보간의 상관도를 학습하여, 항목 내지 정보간의 상관도를 데이터베이스화하고, 데이터가 업데이트될 때마다, 상관도를 업데이트하며,
상기 수집된 데이터가 상기 수요 예측값과 직접적으로 관련이 있는 데이터인 경우에는, 상기 수집된 데이터에 가중치를 부여하거나, 상관도가 있다고 분석된 데이터 간의 관계에 가중합을 부여하며,
상관도 분석 모델에서, 유의미한 상관도를 가지는 항목은 업데이트하고, 다음 데이터의 학습 주기에 피드백하여 상관도를 재산출하는 것을 특징으로 하는 중앙 서버에 있어서,

프로세서(130)는 외부 서버 또는 관리 서버(300)로부터 수요 예측 모델의 생성(개발) 및 업데이트(update)를 위한 각종 데이터를 수집하고 관리하도록 구성하며, 필요시에 수요 예측 모델을 업데이트 수행하고,
상기 프로세서(130)는 수요발생 메커니즘을 활용한 DNN, RF계통의 예측모델링을 정의하고, 데이터 학습을 통해 적어도 하나 이상의 예측 모델을 생성하며,
원부자재를 구매발주하는 청구실적을 기반으로 하는 예측 모델 및 보유 원부자재에 대한 소모실적을 기반으로 하는 예측모델을 생성하고, 이 둘을 조합한 예측모델로서, 품목기준 및 수량기준 수요 예측을 위해 시계열 선형기법과 딥러닝을 이용한 비선형기법을 개별적으로 사용하는 독립된 수요 예측 모델을 생성하는 모형 간 결합을 통한 하이브리드형의 수요 예측 모델을 생성하며,

상기 수요 예측 모델은 로지스틱 시그모이드 함수가 적용되며, 로지스틱 회귀분석의 수학식 1의 Odds를 이용하며, 여기서 p는 확률을 의미하고,
[수학식 1]

확률 p의 범위가 (0, 1)이라면 Odds(p)의 범위는 (0, ∞)이며, Odds에 로그함수를 취한 log(Odds(p))은 범위가 (-∞, ∞)에 해당되며, 여기서, log(Odds(p))의 범위는 실수이므로, 이 값에 대한 선형회귀분석을 실시하면 수학식 2와 같으며,
[수학식 2]

상기 수학식 2와 같이 선형회귀분석을 실시하여 w, b를 얻고 상기 수학식 2를 확률 p로 정리하면, 수학식 3으로 정리되며, 상기 수학식 3이 시그모이드에 해당되고, 데이터(x)가 주어졌을 때 성공 확률을 예측하는 로지스틱 회귀분석은 시그모이드 함수의 w, b를 찾아 수행되고,
[수학식 3]

상기 프로세서는, 원부자재를 구매발주하는 청구실적을 기반으로 하는 제1 예측 모델 및 보유 원부자재에 대한 소모실적을 기반으로 하는 제2 예측모델을 생성하고, 상기 수요 예측 모델은 상기 제1 및 제2 예측 모델을 조합한 하이브리드형의 독립 예측 모델이고, 원부자재 품목특성에 따른 수요 예측 서브 모델링을 통해 유사특성을 가진 원부자재를 비지도학습으로 분석하여, 주문량의 급격한 증가나 감소가 있는 불규칙 및 계절성의 수요 그룹 및 주기적으로 일정한 사용량을 보이는 수요 그룹에 대한 서브 수요 예측 모델을 생성하는 것을 특징으로 하는, 중앙 서버.
제 1 항에 있어서,
상기 프로세서는 상기 입력 데이터의 전처리로서, 고객의 오더(order)를 모니터링하는 것을 특징으로 하는, 중앙 서버.
제 1 항에 있어서,
상기 분석 단위별 수요 예측값은, 품목별 수요 예측값, 고객사별 수요 예측값, 시기별 수요 예측값 중 적어도 하나를 포함하는 것을 특징으로 하는, 중앙 서버.
제 1 항에 있어서,
상기 프로세서는 상기 수요 예측값에 서로 다른 복수의 통계기법을 적용하여 산출된 초기 수요 예측값들 중 실제 초기 수요값을 기준으로 정확도를 비교하여 선택된 통계기법에 의한 수요 예측값을 기준 수요 예측값으로 설정하는 것을 특징으로 하는, 중앙 서버.
제 1 항에 있어서,
상기 분석 단위별 수요 예측값을 이용하여, 분석 목적인 생산 계획, 물류 계획, 판매 계획 중 적어도 하나가 수립되고, 상기 수요 예측 모델은 상기 분석 목적에 따라 미리 정의된 분석 단위 및 예측 기간에 따른 수요 예측값을 출력하는 것을 특징으로 하는, 중앙 서버.
삭제
삭제
삭제
삭제
삭제