컬리는 물류 최적화 문제를 어떻게 풀고 있을까? - 2부
강동윤 컬리 · 컬리 기술 블로그
AI 핵심 요약
과거 데이터에서 효과를 보인 유전 알고리즘을 실제 물류 환경에 적용하기 전에 검증하기 위해, 컬리는 AnyLogic으로 QPS를 본뜬 Digital Twin을 구축했습니다. 작업자의 바구니 적재량은 Weibull 계열 분포를 MLE로 추정하고 실제 바구니 수와 비교했으며, 바구니 처리 속도는 상품 수와 종류를 변수로 회귀분석해 모델링했습니다. 시뮬레이션에서 유전 알고리즘은 기존 방식보다 동일 주문 그룹의 총 처리 시간을 일관되게 약 3% 줄였고, 실제 적용 센터에서도 주문 그룹 내 상품 가짓수가 낮아지는 결과와 현장 피드백을 확인했습니다. 현실의 규칙적 동작과 확률적 판단을 나눠 모델링하고, 실제 데이터와 대조해 Digital Twin의 타당성을 점검하는 것이 핵심 교훈입니다.
- 규칙으로 정해지는 동작과 작업자 판단처럼 확률적인 동작을 구분해 Digital Twin에 반영하세요.
- 바구니 용량처럼 직접 관측하기 어려운 변수는 실제 데이터의 분포를 추정해 시뮬레이션에 활용할 수 있습니다.
- 분포를 복잡하게 만들수록 관측 데이터에는 잘 맞아도 전체 모집단을 과도하게 설명할 수 있으므로 이상치와 모델 복잡성을 함께 검토해야 합니다.
- 시뮬레이션의 현실성은 입력 변수뿐 아니라 처리량과 변동 패턴이 실제 데이터와 비슷한지 비교해 확인해야 합니다.
소개
Digital Twin을 구축해 최적화 알고리즘을 검증하기
비슷한 학습 자료
문서 박제희, 이규원, 이종립
신규 서비스 배포 전에 실험과 개선을 반복한 이야기
문서 박수형
컬리의 Virtual 물류 센터
문서 구병주
컬리가 상품을 고객에게 빠르게 전달하는 똑똑한 방법
문서 이민식