전문가 컬럼 물류 분야의 생성형 AI 도입을 위한 프레임워크와 사례

생성형 AI의 정의와 기업 확산 생성형AI(또는 생성계AI)는 영어로 「Generative AI 또는 GenAI」라고도 불리며, 'Generative' 라는 단어는 '생산 또는 발생할 수 있다'는 의미이다. 생성형 AI에 대한 엄격한 정의는 없지만 "다양한 콘텐츠를 생성할 수 있는 AI" 또는 "다양한 콘텐츠를 생성하는 학습 능력이 있는 AI" 라고 할 수 있다. 이러한 AI는 텍스트, 이미지, 음악, 비디오, 프로그램 코드 등 다양한 형태의 콘텐츠를 생성할 수 있으며, 기존에 존재하는 데이터를 바탕으로 새로운 콘텐츠를 형상화해 준다.

ChatGPT의 사용자가 1억명이 넘은 2023년 상반기에 기업 임원들에게 ‘파운데이션 모델 (Foundation Model)’이라는 용어가 유행하기 시작하였다. 파운데이션 모델(한국어로 번역하면 기초 모델)은 다양한 정의가 있지만, 기업이나 정부가 활용하는 입장에서의 범위로 한정하여 사용한다면 엄청난 생산성을 발휘할 수 있다는 이론적 근거이다. 스탠포드 인간 중심 인공 지능 연구소(HAI)의 기초 모델 연구 센터(CRFM)가 이 용어를 만들어 대중화된 것이다. CRFM은 대규모 언어학습에서 시작된 ChatGPT와 같은 생성형 AI를 특정 사용 사례에 맞게 기존 기반 모델을 조정하거나 직접 사용하는 것은 비용이 훨씬 저렴하기 때문에, 직접 개발하지 않고 사용하게 되면 쉽고 빠르게 활용기반을 만들 수 있다는 이론적 근거가 마련되면서 글로벌 기업들의 임원들의 엄청난 관심을 유발한 것이다.

ChatGPT가 기업 활용에 있어 적은 비용과 노력으로 맞춤형 생산성 향상과 창의성 증진의 획기적인 도구가 될 수 있다는 것이 이론적인 토대로 입증되면서, 2023년 3월부터 본격적인 도입의 열풍이 불기 시작하였다.

2023년 8월 맥킨지의 ‘생성형 AI에 대한 글로벌 설문조사’ 보고서는 글로벌 기업들이 생성형 AI에 대한 관심이 폭발적으로 증가하고 있다는 것을 보여주었다. 응답 기업의 1/3이 자신의 조직이 적어도 하나의 비즈니스 기능에서 생성형 AI를 정기적으로 사용하고 있다고 말했다. 최근 발전에 따라 AI는 CEO와 CIO에게 전가된 초점으로 급부상했다고 말하면서, 응답자의 60%는 AI의 발전으로 인해 조직이 AI에 대한 투자를 전반적으로 늘릴 것이라고 말했다. ChatGPT가 기업의 생산성을 20%이상 올리게 될 것이라고 응답하면서, 조직 구성원들의 대부분을 재훈련시켜야 한다고 응답하였다. 물류 분야의 적용과 도입 전략 프레임워크 물류 산업에서 생성형 AI 도입 시 발생할 수 있는 여러가지 어려움을 체계적으로 극복하는 데 중요한 도구로 ‘2x2.4 프레임워크’를 제시하고자 한다. 이 프레임워크는 기업들이 복잡한 업무를 적용 영역별로 간단하게 분류하여, 생성형 AI 적용업무의 선정과 프로젝트의 범위를 결정하는데 지원하도록 설계되었다. 이 프레임 워크는 필자의 저서인 ‘ChatGPT는 내 비서, 생성형 AI를 혁신의 비밀병기로 만들기 (2024, 지식노마드)’에서 발표한 것이다.

이 2x2.4 프레임워크는 두가지로 나누어진다. ‘활용분야의 2x2 매트릭스’와 단위 프로젝트 개발을 위한 ‘구현의 4가지 형태’ 이다. ‘활용분야의 2x2 매트릭스’는 두 가지 주요 축을 기준으로 네 개의 분면으로 구성된다. 가로축은 '내부 운영 업무'와 '고객 서비스'로 구분되며, 세로축은 '기업 업무 개선'과 '신규 업무 창출'로 나뉜다. 이를 통해 조직의 다양한 전략적 우선순위를 명확하게 할 수 있다. ‘구현의 4가지 형태’는 대상 업무가 선정된 후에 생성형 AI와 어떤 수준으로 연계하여 적용할 것인가를 판단하는 기준이다.

물류 부문 2x2 매트릭스와 사례 1분면 : 외부 고객 서비스 – 기존 업무 개선
1분면의 [외부 고객 서비스 - 기존업무개선]에는 실시간으로 고객에게 배송 상태를 알리고, 예상 도착 시간을 제공해주는 배송 추적 및 알림 서비스, AI 챗봇을 이용해 배송 관련 문의에 대한 자동 응답을 제공해주는 고객 문의 자동 응답, 고객의 과거 구매 및 배송 데이터를 분석하여 최적의 배송 옵션을 추천해주는 맞춤형 배송 옵션 제안 서비스가 있다.

호주 ‘시드니 면세점’의 물류 최적화
COVID-19 팬데믹 이후, 시드니 면세점은 급격히 증가하는 관광객 수와 함께 새로운 도전에 직면하게 되었다. 호주 내의 인력 부족과 인건비 상승은 면세점 운영에 큰 부담으로 작용했고, 이는 고객 서비스와 운영 효율성에 심각한 영향을 미쳤다. 이러한 상황에서 시드니 면세점은 AI 기술, 특히 OpenAI의 ChatGPT를 도입하여 비즈니스 운영을 혁신하기로 결정했다.

ChatGPT는 재고 관리 및 물류 프로세스에서 중요한 역할을 했다. 기존 재고 관리와 물류는 주로 수작업으로 이루어졌으며, 이는 종종 재고 부족이나 과잉 문제를 초래했다. 이는 운영 비용을 증가시키고 고객 만족도를 저하시키는 주요 원인이었다. ChatGPT의 예측 분석 기능을 통해 판매 데이터를 기반으로 수요를 예측하고, 이를 토대로 재고 관리를 자동화했다. 이를 통해 재고 과잉 및 부족 문제를 효과적으로 해결할 수 있었으며, 운영 효율성이 크게 향상되었다.

2분면 : 외부 고객 서비스 - 신규 업무 창출
2분면의 [외부 고객 서비스 – 신규업무 창출]는 AI를 이용해 고객의 요구를 예측하고 선제적으로 대응하는 고객지원 에이전트, 고객의 구매 패턴을 분석하여 새로운 상품을 추천해주는 AI 기반 상품 추천 시스템, AI를 활용해 고객에게 맞춤형 프로모션 및 할인 정보를 제공해주는 개인화된 마케팅 서비스가 있다.

스티치 픽스(Stich Fix)의 상품 추천
온라인 개인 스타일링 서비스 회사인 스티치 픽스의 의류 상품들은 끊임없이 변하고 늘어나고 있다. 새로운 서비스 창출을 위해 ChatGPT를 도입하여 다양한 분야에 적용하였다. 고객에게 시의적절하고 트렌드에 맞는 것을 보여주고 싶기 때문에 매일 1,300만 개의 새로운 의상 조합을 생성해야 했다. 이를 위해 ChatGPT를 기반으로 OCM(Outfit Creation Model)을 만들었다. OCM은 스타일리스트가 제작한 수백만 개의 의상을 ChatGPT가 교육받아 실시간 재고 품목과 고객의 선호도, 과거 구매 내역을 고려하여 의상 제안을 수집한다. 이를 통해 고객 개인별에 적합한 상품을 추천하여 큰 호응을 얻고 있다.

3분면: 내부 운영 업무 - 기존 업무 개선
3분면 [내부 운영 업무 – 기존 업무 개선]은 AI를 이용해 재고 수준을 최적화하고, 재고 부족 및 과잉을 방지하는 재고 관리 최적화, AI 기반 경로 최적화를 통해 배송 경로를 최적화하고 비용을 절감하는 물류 경로 최적화, 물류 데이터를 분석하여 효율성 및 성과를 개선할 수 있는 인사이트를 제공해주는 고급 데이터 분석 서비스가 있다.

삼성SDS 첼로스퀘어를 활용한 경로 최적화와 데이터 분석
물류 네트워크의 복잡한 경로를 분석하고 최적의 운송 경로를 추천하여 비용 절감 및 효율성 향상을 도모할 수 있다. 또한, 물류 운영 데이터(배송 시간, 비용, 오류율 등)를 분석하여 성과를 평가하고 개선할 수 있는 인사이트를 제공할 수 있을 뿐 만 아니라 송장, 운송장 등 물류 관련 문서를 자동으로 작성하고 관리할 수 있는 도구로 활용할 수 있다.

2024년 5월 삼성SDS는 기존의 물류 서비스 플랫폼인 첼로스퀘어에 ChatGPT 기술을 결합하여 하이퍼 오토메이션(초자동화)을 구현해 물류 서비스 고도화에 나서고 있다고 밝혔다. 첼로스퀘어는 고객사가 견적부터 예약, 운송, 트래킹, 정산까지 모든 물류 서비스를 이용할 수 있는 디지털 물류 플랫폼이다. 삼성SDS는 GPT스토어에 대화형 물류서비스인 '첼로스퀘어 로지스틱스 서비스'를 출시했다.

첼로스퀘어는 데이터 수집을 기반으로 공급망 리스크를 줄이고 있다. 매일 글로벌 공급망 이슈 관련 뉴스를 6만건을 수집한다. 이후 머신러닝으로 실제 물류 리스크 연계도를 판별한다. 과거 공급망 리스크 이슈를 2만여건 학습한 생성형AI가 리스크가 큰 뉴스를 하루 평균 70여건으로 추려 관리자에게 전한다. 방안 수립에 걸리는 시간도 하루에서 2시간으로 단축돼 대응 속도를 높였다

4분면 : 내부 운영 업무 – 신규 업무 창출
4분면의 [내부 운영 업무 – 신규 업무 창출]에는 창고 내 로봇을 이용한 상품 분류 및 이동 자동화의 로봇 기반 물류 자동화, AI를 이용해 미래 수요를 예측하고 이에 따른 물류 계획 수립을 위한 예측 수요 분석, 전체 공급망을 실시간으로 모니터링하고 관리하는 AI 시스템 구축을 위한 지능형 공급망 관리 서비스가 있다.

Maersk의 예측 분석
세계 최대 컨테이너 해운 회사인 머스크는 생성형 AI를 사용하여 선박의 예측 유지 보수를 수행하는 시도를 하고 있다. 선박의 센서 데이터를 분석하여 유지 보수 필요성을 예측함으로써 가동 중단을 줄이고 선박의 신뢰성을 향상시킨다. 생성형 AI는 실시간 교통 데이터, 연료 비용 및 배송 일정을 기반으로 경로와 가격을 동적으로 조정하고, 이를 통해 정시 배송을 보장하고 연료 소비를 줄일 수 있다. 생성형 AI와의 연결 방식과 사례 기업들은 그간 ChatGPT 등 생성형 AI를 어떤 방식으로 개별 업무와 연계해서 활용해 왔을까? 지금까지 관찰된 사례를 유형화해보면 크게 4가지 패턴으로 구분해 볼 수 있다.

1. 역할 정의 연결형
기업의 기존 시스템 또는 데이터 생성형 AI를 연계하지 않고, 생성형 AI가 제공하는 기능을 독입적으로 활용해 조직의 업무 효율성을 높이는 방식이다. 이메일 작성, 회의록 요약, 번역, 맞춤법 교정 등 일상적인 업무에 독립적으로 활용하는 것으로 가장 빠르게 효과를 구현할 수 있다.

2. 기능 연계 활용형
생성형 AI의 대화 기능과 기업 내 기존 시스템을 연계해 고객 경험을 개선하는 유형이다. 대표적으로 대화형 봇을 통해 소비자 니즈를 파악한 뒤 최적의 제품과 서비스를 추천하는 것이다.

3. 미세조정 통합형
기업 자체의 전문 데이터를 생성형 AI에 학습시켜 맞춤형 지식 봇으로 활용하는 것을 의미한다. 투자은행의 금융 시장 분석 보고서, 제조업체의 제품 설명서, 병원의 의학 논문 등을 ChatGPT에 주입해 해당 분야 전문가 수준의 답변을 제공하는 방식이다.

금융부문 모건스탠리(Morgan Stanley)
2023년 9월 모건스탠리는 생성형 AI 비서가 금융 자문가와 지원 직원을 위해 ”완전히 활성화”되었다고 발표하였다. 모건 스탠리가 ChatGPT와 같은 생성형 AI 기술을 도입한 것은 단순히 최신 기술을 사용하는 것을 넘어, 고객에게 더 나은 서비스를 제공하고 내부 운영의 효율성을 극대화하기 위한 전략적 선택이었다.

모건 스탠리는 ChatGPT 기반의 챗봇을 도입하여 고객 문의에 신속하게 응답할 수 있도록 했다. 이 챗봇은 계좌 정보, 투자 포트폴리오, 시장 동향 등에 대한 질문에 답변할 수 있으며, 복잡한 금융 용어를 쉽게 설명해 준다. 이를 통해 고객은 언제든지 필요한 정보를 얻을 수 있어 만족도가 높아졌다.

생성형 AI는 방대한 데이터를 분석하여 중요한 통찰을 도출하고, 이를 바탕으로 리서치 보고서를 작성하는 데도 활용되었다. 모건 스탠리의 애널리스트들은 생성형 AI가 제공하는 데이터를 바탕으로 보다 정확하고 신속한 시장 예측을 할 수 있게 되었다. 현재 모건 스탠리는 ChatGPT를 이용하여 고객 회의 내용을 자동으로 요약하고 후속 이메일을 생성하는 Debrief라는 도구를 추가적으로 개발하고 있다.

4. 멀티모달 융합형
성격이 서로 다른 생성형 AI들을 두개 이상 복합하여 대상 업무의 프로세스를 혁신하거나 새로운 서비스를 창출하는 연계 방법이다. 음성과 이미지의 복합, 문장과 동영상의 복합 등 서로 다른 콘텐츠를 생성하는 AI를 결합하여 사용한다. 생성형 AI의 성공적 도입을 위한 고려사항 많은 기업들은 생성형 AI를 도입할 때 어디에서 시작해야 할지, 어떤 영역에 집중해야 할지 명확하지 않다. 끝으로, 기업들이 생성형 AI의 성공적 도입을 위해서는 다음의 5가지를 고려해야 한다.

1) 활용 효과의 추산과 목표 설정
생성형 AI 활용의 성공 여부는 생성형 AI의 활용 효과가 큰 업무에 최우선적으로 적용하는 것이다. 활용의 방침이나 전략이 없는 채 활용을 진행시키는 것이 아니라, 업무의 적합성을 점검한 다음, 업무 효율이나 생산성 향상에 기여할 것인지를 목표로 설정하는 것이 중요하다.

2) 효과가 높은 분야의 선정과 활용 프로세스 설계
생성형 AI는 방대한 데이터에 근거한 컨텐츠 제작은 매우 유용하지만, 복잡한 질문에 대해서 정확한 답을 내는 것은 보장할 수 없으며 AI 환각 현상도 분명히 존재한다. 그 때문에, 어떠한 과제/목적에 대해, 어떠한 어프로치/범위/툴로 활용을 진행시킬지를 검토·선정하는 단계는 생성형 AI 도입 효과를 좌우하는 매우 중요한 프로세스이다.

3) 민첩한 접근 방식의 개발 및 도입
생성형 AI는 도입해서 사용하는 정보시스템의 도입방법이 아니고, 데이터 준비와 모델의 미세 조정 그리고 모니터링과 개선을 해 나가는 민첩한 접근방식(만들고 비틀고 진화)으로 진행해야 한다. 구체적으로는, 프로토타입을 빠르게 구축해 실제로 이용해보고 검토하고 수정하는 하나의 사이클을 2주 정도의 기간으로 계속 반복해서 완성하는 애자일 개발의 접근을 취하는 것을 추천한다.

4) 시스템과 룰의 양면으로부터의 리스크 관리
기업이 생성형 AI 활용을 주저하는 가장 큰 이유는 기밀정보 유출이나 저작권 침해 등의 리스크에 대한 우려를 들 수 있다. 입력하는 데이터가 학습되지 않는 시스템 구축이나 사용 범위·기밀 정보의 취급 등의 운용 룰의 책정에 의해, 리스크를 관리해 최소화하는 것이 가능하다.

5) 직원들의 AI 활용 리터러시의 향상
생성형 AI의 특징으로는 AI와의 대화에 의해 출력을 끌어내는 것이 요구되기 때문에, 사용자의 리터러시에 의해 성과가 크게 좌우된다. 따라서 교육 프로그램과 실습 교육을 통해 직원이 생성형 AI의 기본 지식, 적절한 사용법 및 관련 위험을 이해하고 효율적이고 책임있는 방식으로 사용할 수 있는 환경을 구축해야 한다.

▶ 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶ 해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.