머신러닝 기반 스케줄링의 패러다임 전환: 솔버 중심에서 데이터 중심으로

초록

본 논문은 전통적인 최적화 솔버 중심 스케줄링에서 머신러닝을 활용한 데이터 중심 접근으로의 전환을 체계적으로 정리한다. 하이브리드 통합 방식과 엔드‑투‑엔드 학습 두 패러다임을 구분하고, 솔루션 생성 방식·제약 처리·학습 신호(지도, 자체지도, 강화학습)를 기준으로 설계 선택지를 제시한다. 마지막으로 확장성·신뢰성·보편성이라는 세 축을 중심으로 실용적인 배포 로드맵을 제안한다.

상세 분석

이 논문은 스케줄링 문제를 해결하는 두 가지 근본적 접근을 명확히 구분한다. 첫 번째는 기존 수학적 모델과 분기‑한정, 동적 프로그래밍 등 정확한 솔버를 유지하면서, 반복적으로 발생하는 고비용 서브루틴(예: 가격 책정, 라그랑주 서브문제)이나 내부 탐색 전략(분기, 컷 선택, 노드 선택)을 머신러닝 모델이 대체·보조하도록 설계한 ‘하이브리드 통합’이다. 여기서는 학습 대상이 명확히 정의된 입력‑출력 매핑(예: 파티션 포인트 예측, 서브문제 최적해 예측)이며, 학습 데이터는 기존 솔버가 생성한 라벨을 활용한다. 이러한 방식은 솔버의 Feasibility와 최적성 보장을 유지하면서도 연산 시간을 크게 단축시킨다. 특히, 서브문제 서러게이트 학습, 강력한 브랜칭 예측, 컷 선택 점수화 등은 기존 연구에서 실험적으로 10배 이상 속도 향상을 기록했다.

두 번째는 ‘엔드‑투‑엔드 학습’으로, 문제 인스턴스를 직접 입력받아 스케줄링 해를 한 번의 전방패스(forward pass)로 생성한다. 여기서는 솔루션 생성 방식이 크게 세 가지 차원으로 나뉜다. (1) 원샷(one‑shot) 예측으로 전체 스케줄을 한 번에 출력하는 방식, (2) 구성적 디코딩(construtive decoding)으로 순차적으로 작업 순서를 결정하는 방식, (3) 강화학습 기반 정책으로 환경과 상호작용하며 점진적으로 스케줄을 개선하는 방식이다. 동시에 제약 처리 방법도 세 가지로 구분한다. (a) 학습 자체에 제약을 암묵적으로 포함시켜 모델이 자연스럽게 Feasibility를 학습하도록 하는 방법, (b) 구조적 디코딩·마스크 기법을 통해 불가능한 선택을 사전에 차단하는 방법, (c) 사후 보정(repair) 혹은 투사(projection) 단계에서 위반된 제약을 수정하는 방법이다. 이러한 설계 공간을 체계화함으로써 연구자는 정확도·속도·제약 준수 사이의 트레이드오프를 명시적으로 판단할 수 있다.

학습 신호 측면에서는 지도학습, 자체지도학습, 강화학습을 비교한다. 지도학습은 고품질 라벨(예: 최적해 또는 전문가 해)을 필요로 하며, 데이터가 풍부하고 목표가 명확할 때 강력한 성능을 보인다. 자체지도학습은 라벨이 부족한 상황에서 문제 구조를 이용해 목표 함수를 설계하거나, 라벨을 자동 생성하는 부트스트랩 방식을 채택한다. 강화학습은 시뮬레이터와의 상호작용을 통해 직접 보상을 최적화하므로, 동적·불확실한 환경에 적합하지만 샘플 효율성이 낮고 학습 안정성이 문제될 수 있다. 논문은 각 신호가 데이터 가용성, 목표 정렬도, 일반화 능력에 미치는 영향을 정량적으로 논의하고, 실제 산업 현장에서 어느 상황에 어떤 신호가 적합한지 가이드라인을 제공한다.

마지막으로 확장성·신뢰성·보편성이라는 세 축을 제시한다. 확장성은 대규모 인스턴스와 실시간 요구에 대한 알고리즘·모델 구조의 스케일업 가능성을 의미한다. 신뢰성은 모델이 제약을 위반하지 않도록 보증 메커니즘(예: 검증기, 안전한 회귀, 포스트 프로세싱)과 설명 가능성을 확보하는 것을 말한다. 보편성은 도메인 간 전이 학습과 메타러닝을 통해 새로운 스케줄링 유형에 빠르게 적응하는 능력을 의미한다. 이 세 축을 단계적으로 구현함으로써, 기존 솔버 기반 시스템에서 점진적으로 데이터 중심 시스템으로 전환하는 로드맵을 제시한다.