다중형 트랜스포머를 활용한 철‑티타늄 산업 ERP 최적화

초록

본 논문은 다중형 트랜스포머(Multi‑Type Transformer, MTT) 구조를 이용해 전통적인 ERP 핵심 문제인 0‑1 배낭 문제와 작업장 스케줄링 문제를 통합적으로 해결한다. 이질적인 그래프 표현을 통해 아이템‑용량, 작업‑기계 관계를 동시에 학습하고, 여러 규모의 벤치마크에서 기존 메타휴리스틱 대비 경쟁력 있는 최적성 격차와 실행 시간을 보인다. 또한 실제 철‑티타늄 제조 현장에 적용한 사례를 제시하며, 산업 현장에 최초로 다중형 트랜스포머를 도입한 점을 강조한다.

상세 분석

본 연구는 두 가지 전형적인 NP‑hard 문제, 즉 0‑1 배낭 문제(KP)와 작업장 스케줄링 문제(JSP)를 하나의 이질 그래프 프레임워크로 통합한다는 점에서 의미가 크다. 기존 트랜스포머는 동일한 토큰 타입에 대한 단일 어텐션 메커니즘을 사용해 입력 시퀀스의 전역 의존성을 포착했지만, 복합 최적화 문제에서는 서로 다른 엔터티(예: 아이템 ↔ 용량, 작업 ↔ 기계) 간의 관계가 본질적으로 다르다. 논문은 Drakuli’c et al. (2025)에서 제안된 Multi‑Type Transformer(MTT)를 채택해 각 엔터티 타입마다 전용 어텐션 헤드를 두고, 파라미터 공유를 통해 모델 복잡도를 억제한다.

구조적으로는 (1) KPI와 JSP 각각을 이질 그래프로 변환한다. 배낭 문제는 아이템 노드와 용량 노드로 구성된 이분 그래프이며, 선택 여부를 마스크로 제어한다. 작업장 스케줄링은 작업‑연산 노드, 전후 관계를 나타내는 순차적(컨주넥티브) 엣지, 그리고 기계별 상호 배제(디스쥬넥티브) 엣지를 포함한다. 이러한 그래프는 노드 특성(가중치, 가치, 처리 시간, 기계 ID 등)과 엣지 특성(우선순위, 선행 관계)으로 풍부하게 표현된다.

MTT는 입력 그래프를 토큰 시퀀스로 전처리한 뒤, 타입‑별 어텐션 블록을 순차적으로 적용한다. 각 블록은 해당 타입에 특화된 키‑값‑쿼리 매트릭스를 학습해, 예를 들어 아이템‑용량 어텐션은 용량 제한을 직접 고려한 마스크를 적용하고, 작업‑기계 어텐션은 기계 충돌을 방지하는 제약을 내재한다. 파라미터 공유는 서로 다른 문제 간 전이 학습을 가능하게 하여, 하나의 모델이 KP와 JSP 모두에 대해 좋은 초기화와 빠른 수렴을 보인다.

실험에서는 KP 인스턴스(크기 50100)와 JSP 인스턴스(작업 수·기계 수 다양) 각각 10개 이상을 사용해, 기존 OR‑Tools 기반 정확도 기준과 비교하였다. 결과는 MTT가 평균 최적성 격차 25% 수준을 유지하면서, 실행 시간은 30~60% 단축됨을 보여준다. 특히 대규모 JSP(작업 30개, 기계 10개)에서는 전통적인 메타휴리스틱(탭서치, 유전 알고리즘) 대비 동일 수준의 메이크스팬을 2배 가량 빠르게 도출했다.

산업 적용 사례에서는 캐나다 몬트리올에 위치한 철‑티타늄 생산 라인에서 원자재 배분(KP)과 생산 일정(JSP)을 동시에 최적화하였다. 기존에는 별도의 ERP 모듈이 각각 배낭 문제와 스케줄링을 해결했으며, 데이터 연동과 파라미터 튜닝에 상당한 인력이 소요되었다. MTT 기반 통합 솔루션을 도입한 결과, 일일 생산 계획 수립 시간이 45분에서 18분으로 감소했고, 실제 생산 라인에서는 평균 설비 가동률이 3.2% 상승했으며, 원자재 재고 초과 발생률이 1.8% 감소했다.

한계점으로는 (i) 매우 대규모 인스턴스(수천 개 아이템·수백 개 작업)에서 메모리 사용량이 급증한다는 점, (ii) 강화학습 기반 동적 재배치와의 결합이 아직 미비하다는 점, (iii) 모델 해석 가능성—특히 어떤 어텐션 헤드가 특정 제약을 어떻게 반영했는지에 대한 가시성이 부족하다는 점을 들 수 있다. 향후 연구에서는 어텐션 가중치 시각화, 메모리 효율을 위한 샘플링 기법, 그리고 온라인 스케줄링을 위한 실시간 강화학습 연계 등을 제안한다.

전반적으로 본 논문은 다중형 트랜스포머가 이질적인 조합 최적화 문제를 하나의 통합 프레임워크로 해결할 수 있음을 실증적으로 보여주며, 특히 제조 ERP 분야에서 학습 기반 최적화 기법이 실무에 적용될 수 있는 구체적인 로드맵을 제시한다.