AI 마스터플랜 PoC로 ML 점도 예측 모델과 조합 탐색 알고리즘을 개발해 약 10초 만에 그린소재 믹싱 계획 추천
배경
- 롯데정밀화학은 믹싱 계획에서 사용할 그린소재 반제품 재고와 투입량을 정한 뒤 첨가제를 섞어 등급별 완제품 생산
- 전사 AI 마스터플랜에서 선정한 PoC 3건 중 하나로 완제품 품질을 높이고 믹싱 계획에 드는 수고를 줄이는 것이 목표
문제
옆으로 밀어 전체 보기
구성 요소
- 현행 · 수작업: 믹싱 계획 입력 (담당자 입력); 레시피 확인, 첨가제 투입비; 조합 수기 작성, 재고 수기 검토; 점도맵 추정, 실험 기반 표; 계획 확정
- 개선 · 자동화: 믹싱 계획 입력, + 선호 설정 (담당자 입력); 재고 선별, 규칙 적용 (자동화 단계); 탐색 공간, 조합 후보 재고 (자동화 단계); 조합 추천, 정렬 + 격자 탐색 (자동화 단계); 계획 확정; 모델 학습, 2018–23 실적; 점도 예측 모델, MAPE 3.4% (점도맵 6.5%) (ML 모델)
연결
- 믹싱 계획 입력 (현행 · 수작업) 다음 레시피 확인
- 레시피 확인 다음 조합 수기 작성
- 조합 수기 작성 다음 점도맵 추정
- 점도맵 추정 다음 계획 확정 (현행 · 수작업)
- 점도맵 추정에서 조합 수기 작성로 반환
- 믹싱 계획 입력 (개선 · 자동화) 다음 재고 선별
- 재고 선별 다음 탐색 공간
- 탐색 공간 다음 조합 추천
- 조합 추천 다음 계획 확정 (개선 · 자동화)
- 조합 추천 다음 점도 예측 모델
- 점도 예측 모델에서 조합 추천로 반환
- 모델 학습 다음 점도 예측 모델
- 점도맵 제작에 드는 실험 비용이 크고 점도맵에 설비 운영 조건도 반영되지 않았으며 완제품 점도 추정 1건에 10분 이상 소요
- 현업이 시행착오를 거쳐 수작업으로 믹싱 계획을 짜는 데 건당 약 20분이 걸렸고 소수 전문가와 문서화나 표준화를 거치지 않은 믹싱 규칙에 의존
- 이전 솔버 기반 자동화는 현업의 믹싱 규칙을 반영하지 못했고 연산 한 번에 300초 이상 걸리며 실패도 잦은 데다 내부 구현이 비공개라 유지보수 불가
역할
- 데이터 사이언티스트와 2인 팀에서 프로젝트 관리(PM)를 맡아 PoC를 총괄하고 고객사 AI TF에 보고
- 점도 예측 파이프라인과 MixPlanner 조합 알고리즘을 직접 개발한 뒤 파일럿 인수인계와 사용자 교육 진행
접근
- 원시 데이터 약 18만 행을 2018–2023년 믹싱 실적 약 2.2만 건으로 정리해 점도 예측을 회귀 문제로 정의하고 MAPE 5% 이내, 예측 시간 1초 이내를 목표로 설정
- 전처리와 모델링을 재사용할 수 있도록 데이터와 모델 파이프라인을 구현하고 모델 5종을 비교해 Random Forest 선정
- 현업의 선호 설정과 믹싱 규칙을 담은 Python 패키지 MixPlanner로 부적정 재고를 제외하고 후보를 정렬한 뒤 최적 조합 부근을 탐색하며 기준을 만족할 때까지 점도 재검증
- 2023년 실적에서 대표 계획 20건을 뽑아 산출량, 품질 기준, 연산 시간을 검증
주요 결정
| 결정 | 이유 | 트레이드오프 |
|---|---|---|
| 상용 솔버 대신 정렬 + 격자 탐색 | 유망한 조합 부근부터 탐색해 연산 시간을 300초 이상에서 약 10초로 줄이고 현업 믹싱 규칙을 반영한 코드를 고객사가 직접 유지보수할 수 있도록 제공 | 최적해가 아닌 근사해 탐색 |
| 운영 실적을 활용한 모델 학습 | 실험 약 50건 대신 운영 실적 약 2.2만 건을 써서 실제 운영 조건을 반영하고 재투입 원료와 첨가제 등도 입력에 포함 | 예측 품질을 유지하려면 운영 데이터의 품질 관리 필요 |
아키텍처
옆으로 밀어 전체 보기
구성 요소
- 계획 화면, 설정 입력·추천 조합 출력 (담당자 입력); 품질 측정 데이터, LIMS·점도; 믹싱 계획 DB, 레시피·과거 실적; 재고 DB, WMS·MES
- 학습 프로그램 · 오프라인: 학습 데이터셋, 약 2.2만 건; 데이터 파이프라인, 등급·이상치·결측치; 모델 파이프라인, 선별·정규화·인코딩; 점도 예측 모델, Random Forest · MAPE 3.4% (ML 모델)
- MixPlanner 엔진: 초기화, 레시피·재고 (MixPlanner 단계); 재고 선별, filter_search_space (MixPlanner 단계)
- 조합 탐색: 기본 조합, find_base_combination (MixPlanner 단계); 점도 예측, predict_viscosity (MixPlanner 단계); 조합 조정, adjust_mix_plan (MixPlanner 단계)
연결
- 계획 화면, 초기화 연동
- 학습 데이터셋 다음 데이터 파이프라인
- 데이터 파이프라인 다음 모델 파이프라인
- 모델 파이프라인 다음 점도 예측 모델
- 점도 예측 모델 다음 점도 예측
- 초기화 다음 재고 선별
- 재고 선별 다음 기본 조합
- 기본 조합 다음 점도 예측
- 점도 예측 다음 조합 조정
- 조합 조정에서 점도 예측로 반환
- 품질 측정 데이터 다음 학습 프로그램 · 오프라인
- 믹싱 계획 DB 다음 학습 프로그램 · 오프라인
- 믹싱 계획 DB 다음 MixPlanner 엔진
- 재고 DB 다음 MixPlanner 엔진
서비스 흐름
옆으로 밀어 전체 보기
구성 요소
- 계획 담당자: 믹싱 계획 입력, 등급·수량·차수 (담당자 입력); 믹싱 진행; 최적해· 기준 만족?
- 1 신규 실행: 선호 설정, 장기재고·재투입 비율; 믹싱 규칙, 숙련자 노하우
- 2 데이터 추출: 믹싱 계획 DB, 레시피·과거 실적; 재고 DB, WMS·MES
- 3 재고 범위: 재고 선별, 부적정 재고 제외 (MixPlanner 단계); 탐색 공간, 조합 후보 재고
- 4 조합 추천: 조합 검색, 정렬 + 격자 탐색 (MixPlanner 단계); 점도 예측, ML 모델 (ML 모델)
연결
- 믹싱 계획 입력 다음 선호 설정
- 1 신규 실행 다음 2 데이터 추출
- 2 데이터 추출 다음 3 재고 범위
- 3 재고 범위 다음 4 조합 추천
- 재고 선별 다음 탐색 공간
- 조합 검색 다음 점도 예측
- 점도 예측에서 조합 검색로 반환
- 조합 검색 다음 최적해· 기준 만족?
- 최적해· 기준 만족? 다음 믹싱 진행
- 최적해· 기준 만족?에서 선호 설정로 반환
성과
- 점도 예측 오차를 점도맵 대비 MAPE 6.5%에서 3.4%로 줄이고 예측 시간을 10분 이상에서 약 1초로 단축
- 수작업으로 약 20분 걸리던 믹싱 계획을 약 10초 만에 산출하고 조합의 레시피 기준 오차를 2% 이내로 유지했으며 모의시험 20건 중 18건에서 조합 도출
- 운영 DB와 연계한 파일럿을 마치고 고객사 AI TF에 소스코드를 넘겨 교육 진행