컬리는 물류 최적화 문제를 어떻게 풀고 있을까? - 2부

Context

1부에서 개발한 유전 알고리즘 기반 최적화는 과거 데이터에만 적용한 결과로, 실제 물류 환경에서의 동작을 사전에 검증할 필요가 있었습니다. 실제 물류 센터의 복잡한 변수(작업자의 판단, 처리 속도 등)를 그대로 재현하지 못하면 알고리즘의 실효성을 보장할 수 없었습니다.

Technical Solution

• 바구니 부피 분포 추정: 과거 데이터의 실제 부피값(X)으로부터 Maximum Likelihood Estimation(MLE)을 사용해 작업자가 인지하는 바구니 채움 기준(Y)을 Weibull Mixture 분포로 모델링
• 바구니 처리 속도 회귀분석: 바구니 내 상품 개수(X₁)와 상품 종류 수(X₂)를 독립변수로 하는 선형 회귀분석을 수행해 처리 속도 예측 모델 구축(R² = 0.8 이상)
• Digital Twin 구현: AnyLogic 소프트웨어를 사용해 실측 사이즈의 QPS(상품 분배 센터)를 구현하고, 추정된 분포와 회귀식을 기반으로 바구니 생성 및 처리 시뮬레이션 수행
• 시뮬레이션 검증: 추정된 바구니 수가 실제 작업자가 생성한 바구니 수와 시계열 변동까지 일치함을 확인
• 알고리즘 성능 비교: Digital Twin 내에서 동일한 주문 그룹에 대해 기존 알고리즘과 유전 알고리즘의 총 처리 시간을 직렬 처리 가정 하에 비교

Impact

• 동일 주문 그룹에 대한 총 처리 시간이 약 3% 감소
• 회귀분석 기반 처리 속도 예측 모델의 R² = 0.8 이상 달성
• 실제 물류 센터 적용 후 유전 알고리즘 적용 전후 동일 사이즈 주문 그룹의 상품 가짓수가 일관되게 낮아짐

Key Takeaway

확률적 요소가 포함된 물류 시스템 최적화에서는 과거 데이터의 분포를 정확히 추정(MLE, 회귀분석)하고 이를 바탕으로 Digital Twin 시뮬레이션을 구축함으로써 실환경 배포 전 알고리즘의 실효성을 검증할 수 있습니다. 특히 non-stochastic 규칙과 stochastic 변수를 구분해 모델링하는 접근이 시뮬레이션 정확도를 높이는 핵심입니다.