인공지능의 대항해시대, 사람이 맡았던 ‘운영과 관리’의 영역으로
히타치사(社)의 ‘H’, 물류현장의 정보와 변화를 파악해 최적의 작업방식 도출
아마존의 최대 관심사 ‘피킹’, 인공지능이 물류로봇 생산성에 핵심될 것
주목받는 인공지능 활용분야 ‘챗봇’, 현장 작업자 돕는 비서로 진화
글. 박정훈 CJ미래경영연구원 수석연구원
로봇군단이 현장 작업자들을 점차 대체해가는 시대, 그래도 로봇이 침범할 수 없는 최후의 보루는 남아있다. 현장인력 관리가 대표적이다. 국내만 보더라도 대부분의 물류센터 운영업체는 인력도급업체를 통해 현장인력을 고용, 관리, 감독하고 있다. 확실히 물류현장에서 간헐적으로 일어나는 입고, 피킹, 출고와 같은 작업 효율을 고민하고, 현장 작업자에게 작업을 지시하는 사람들이 ‘사이보그’는 아니다.
로봇이 쉽게 침범하지 못하는 또 하나의 분야는 ‘피킹’이다. 피킹을 한국말로 하면 ‘손으로 물건을 집는 것’이다. 대부분의 사람들이 쉽게 수행할 수 있는 이 업무는 아이러니하게도 로봇에게는 가장 어려운 임무다. 생각해보자. 그 유명한 아마존의 키바도 피킹을 하는 로봇은 아니다. 키바가 랙 채로 물건을 운반해주긴 하지만, 최종 피킹은 ‘사람’이 맡는다.
그런데 불가능처럼 보였던 최후의 보루가 뚫렸다. 바로 ‘인공지능’에 의해서다. 인공지능이랑 물류로봇이 도대체 뭔 상관이냐고 물을 수 있겠다. 인공지능이란 개념이 피상적으로 어렵게만 다가올 수도 있겠다. 그래서 준비했다. 우리에게 꽤나 익숙한 두 기업인 ‘히타치’와 ‘아마존’의 사례다.
사이보그라도 괜찮아
한국에선 주로 전자제품 업체로만 인식되고 있는 일본기업 히타치(Hitachi)는 잘 모르는 곳에서 ‘자율물류’ 분야에서 두각을 나타내고 있는 선두업체다. 히타치는 2014년부터 물류산업 적용에 중점을 두고 ‘피킹로봇’과 ‘운반로봇’을 개발하여 선보이고 있다. 대표적인 제품으로 2015년 개발한 두 팔을 가진 고속이동 로봇을 꼽을 수 있다. 이 로봇은 창고 내에서 제품 출고기능을 직접 수행한다. 물론, 대부분 현 단계 물류로봇들이 그러하듯 속도와 이종화물 취급가능성 부분에 대한 제한은 있을 것이라 예상된다.
사실 히타치를 주목해야 하는 이유는 ‘두 팔 다린 로봇’ 때문은 아니다. 필자가 히타치를 언급한 이유는 2014년 선보인 고유의 인공지능 시스템 ‘H’ 때문이다. 히타치는 지난 2015년 인공지능을 활용하여 빅데이터와 일상 업무를 분석하고, 이를 바탕으로 ‘작업자의 업무’를 최적화하겠다는 포부를 밝혔다. 그렇다. 사람인 작업자에게 업무지시를 내리는 ‘사이보그’* 관리자의 등장이다.
사이보그 관리자의 비밀
사이보그 관리자는 그 등장만으로 대단하다는 생각이 들지만, “인공지능을 적용하여 현장 물류작업 효율을 제고했다”는 회사측 발표 한 문장으로는 우리의 탐구욕을 충족시키기 부족하다. 우리가 좀 더 궁금하고 알고 싶은 것은, “그래서 어떻게”다.
마침 최근 히타치가 발행하는 연구저널 히타치리뷰(Hitachi Review)에 인공지능 ‘H’의 물류작업관리 로직(Logic)이 공개됐다. H의 로직에는 히타치가 자랑하는 사이보그 관리자의 비밀이 숨어있다. 히타치리뷰에 따르면 H는 데이터 기반 작업생산성 증대에 특화된 인공지능으로, KPI(Key Performance Indicator, 핵심성과지표)와 설명변수(KPI의 높고 낮음을 설명하는 각종 변수들) 간 상관관계를 자동으로 분석하는 기능이 ‘핵심엔진’이다.
조금 더 자세히 살펴보자. H는 물류현장에서 일어나는 여러 작업과 관련하여 인력, 위치, 물자, 환경의 변화 등 매우 다양한 정보와 그 변화를 변수로 조합하여 수백만 가지의 설명변수를 재조합해낸다. H는 이 엄청난 숫자의 설명변수들과 KPI의 상관관계를 다시 분석하고, 이러한 과정을 통해 KPI와 설명변수들 간의 수리모델을 도출한다. 이후 H는 이 모델을 기본으로 하여 최적 작업방식을 현장 작업자들에게 제안한다.
▲ 인공지능 H의 기본 로직(출처: Case Study of Improving Productivity in Warehouse Work Use of AI in the Logistics Sector, Hitachi Review Vol.65, 2016)
진화는 계속된다
H는 현장의 데이터를 흡수하며, 스스로 진화한다. 한번 수리모델을 결정하고 끝나는 것이 아니라, 인간의 독창성·기발함을 지속적으로 학습하고, 그것을 반영하여 보다 높은 수준의 작업지시를 내릴 수 있도록 스스로 단련하는 것이다.
H의 단련 과정을 구체적으로 살펴보자. 일단 H의 작업지시에 따라 이루어진 현장의 모든 작업 정보들은 바로 H에 의해 수집된다. 이 과정에서 인간 관리자의 예외적인 작업수정 지시나 현장작업자의 자기 판단에 따른 피킹, 이동방식 역시 H에 입력된다. 정확히 말하면, H는 자신이 내린 작업지시와 동선에서 벗어난 작업 기록이 있는 경우 이를 구분하고, 그것이 최초 작업지시 대비 더 좋은 성과를 보였는지 판단하고, 만약 그것이 더 좋은 방식인 경우 이를 새롭게 학습한다. 이러한 작업이 일일단위로 반복되면 H는 점점 더 인간고유의 지능, 마치 현장에서 10년 이상 근무한 베테랑 작업자와 같은 노하우를 갖추게 된다.
이제 베테랑 작업자처럼 지시를 내리는 H는 데이터를 무차별적으로 ‘흡수’한다. WMS(Warehouse Management System) 화면에서 보이는 모든 숫자 정보는 기본이다. 측정된 모든 시간데이터, 제품 코드, 글자들 심지어 심볼마크에 이르기까지 가용한 거의 모든 데이터가 H에 입력된다. 물론 이러한 데이터는 그 유형별로 최초 입력 시 전문가에 의한 태깅(Tagging: 속성 등을 부여) 작업이 이루어질 필요가 있다. 그러나 이후 H에 유사 데이터가 입력될 때는 인공지능이 자체적인 판단에 의하여 태깅까지 스스로 수행한다.
이 사이보그 관리자의 근태는 무한대이며, 스스로 공부하고 학습하기까지 한다. 아마 H가 도입된 물류센터의 현장 작업자에게 있어 농땡이란 그야말로 미션 임파서블에 가까울 것이라 생각된다. 물론 현장작업자의 농땡이가 우연찮게 더욱 높은 생산성을 만들어낸다면 H는 그것을 수용하는 융통성 있는 관리자이기도 하다.
심화과정, 8% 생산성 향상의 비밀
실제 히타치는 H의 시범운영을 거쳤고, 그를 통해 물류센터의 업무 효율성은 기존 대비 약 8% 개선됐다고 한다. 먼저 H는 ‘피킹 속도’를 최우선 KPI로 잡았다. 실제 출하압박이라는 개념이 일반적인* 국내 작업환경에서도 시간당 생산성, 즉 ’피킹속도‘는 물류센터에서 가장 중요한 KPI가 된다. H도 아마 이런 부분을 염두에 두었지 않았나 생각된다.
* 가능한 최후까지 출하를 미뤄 조금이라도 더 많은 주문을 받고자 하는 것은 우리나라 작업환경에서 매우 일반적이다.(일반적으로 강요되기도 한다.)
H는 이후 물류센터의 과거 작업정보(대부분 WMS에서 추출)를 바탕으로 ‘피킹속도’라는 반응변수*와 다양하게 조합된 설명변수들 간의 수리모델을 만들었다. 사이보그 작업자라고 계속 표현했지만, H가 현장 작업자에게 욕지거리를 날리며 두들겨 패는 역할을 할 수는 없다. H의 최적 작업지시는 수리모델의 결과를 바탕으로 WMS를 통해 현장 작업자에게 전달된다.
* 서로 관계를 주고받는 둘 또는 그 이상의 변수 중에는, 다른 변수에 영향을 주는 변수도 있고, 다른 변수에 의해 영향을 받는 변수도 있다. 이때 영향을 받는 변수를 종속변수라 하고, 반대로 영향을 주는 변수를 독립변수 또는 설명변수라고 한다.(네이버지식백과)
실제 상당기간의 반복 테스트를 통해 H는 KPI인 피킹속도에 부정적 영향을 주는 요인을 찾았다. 그것은 바로 물리적 공간에서의 ‘혼잡’이었다. 물론 인간 관리자나 작업자도 이 정도는 알수 있다. 예를 들어, 오래 근무한 관리자라면 누구나 ‘A라인의 안쪽 끝 구역은 오후 8시경에 대체로 혼잡할 것’이라는 경험 기반 예측을 할 수 있다.
그러나 현장 작업자의 감에 의존한 예측은 매번 들어맞을 수 없다. 입고나 출하작업, 품목의 변경, 날씨 등 외부변수에 의하여 물류센터의 ‘혼잡’은 시시때때로 그 위치와 시간대를 바꾸어 나타나는 것이 현실이기 때문이다. 인간이 이런 모든 경우에 대해서 정확히 사전 예측하고, 이에 대응하기 위한 작업계획까지 만들기는 어렵다. 그러나 H는 빅데이터를 활용한 엄청난 계산(시뮬레이션을 반복한다고 이해해도 좋다)에 의하여 혼잡을 예측하고 이를 회피할 수 있는 작업을 설계할 수 있다.
히타치사의 실제 적용사례를 보면, 특정 2개 통로의 혼잡이 전체 피킹속도 저하에 가장 큰 영향을 미치고 있는 것으로 나타났다. H는 각 통로의 혼잡도가 피킹속도에 미치는 영향에 대하여 수리적 모델을 수립했고, 이 혼잡 최소화를 최우선으로 고려하여 현장 작업자들에게 작업지시를 내렸다. 히타치의 H 도입으로 인한 8% 생산성 향상은, 곧 앞서 언급한 과정을 통해 만들어낸 피킹시간의 8% 감소다. 더 궁금하다면 아래 분석도표를 살펴보자.
▲ 히타치의 현장적용 시스템 구성
히타치사의 인공지능 H는 하나의 물류센터에 대한 사례, 그리고 ‘약한 인공지능’* 도입 사례이긴 하다. 그러나 인공지능에 의한 물류현장 작업자 관리가 실제 가능하고 그것이 유효할 수 있다는 점, 기존 WMS보다는 좀 더 좋은 성과를 보여줄 수 있다는 것을 확인했다는 점에서 의의가 있다.
▲ 히타치 H 적용결과
아마존, 키바 다음은 ‘피킹’
아마존피킹챌린지(Amazon Picking Challenge). 아마 본지를 계속 본 독자들이라면 이 대회 이름이 낯설지 않을 것이다.* DARPA챌린지에서 수많은 로봇들이 경연을 벌이며 로봇의 수준을 한 차원 끌어올린 것과 같이, 아마존도 키바(KIVA) 그 다음 단계로의 발전을 위해 ‘피킹(Picking)’이라는 주제를 내걸고 경연대회를 개최하고 있다.
* 해당 행사가 언급된 필자의 기고(아마존과 구글의 선택 "왜 물류 로봇인가")는 지난해 5월 CLO 온라인 페이지에 송고됐다.
아마존이 왜 키바 다음의 로봇으로 ‘피킹’을 염두에 두냐고 의문을 품는 사람이 있을 수 있겠다. 피킹이 무엇인고 하니 손으로 물건을 집어내는 행위다. 인간에게 있어서는 정말 단순하고, 쉽고, 누구나 할 수 있는 일이다. 그러나 물류로봇에게 있어 피킹은 아직까지 가장 수행하기 힘든 분야로 꼽힌다. 그리고 이 피킹로봇의 고도화를 위해서는 ‘인공지능’의 역할이 반드시 필요하다.
왜 피킹에 인공지능인가
물류로봇이 제품을 직접 피킹하기 위해서는 두 가지 능력이 꼭 필요하다. 첫 번째는 물건을 잘 잡는 능력이다. 이는 집게, 흡착 등 다양한 잡기 기능을 가진 로봇손이 있으면 가능하다. 여기서 만약 로봇손의 기능이 그렇게 많지 않다면, 물건을 집는 각도와 힘 등을 판단하기 위해 인공지능 기술 도입이 필요할 것이다.
사실 인공지능이 피킹 도입에 있어 중요한 이유는 두 번째 능력 때문이다. 그 능력이 무엇인고 하니 로봇이 집어야하는 물건이 어떤 것인지 판별하는 것이다. 가령 사람에게 ‘스팸 5캔을 담아야 한다’는 정보를 주면 상품을 보고 아주 자연스레 꺼낼 수 있을 것이다. 하지만 로봇은 아니다. 로봇은 스팸이 무엇인지 모르며 그것이 어떤 형태를 가진 물체인지도 알지 못한다. 그렇다고 로봇에게 상품명, 크기, 무게 등의 정보를 입력한다면 로봇이 그것을 기반으로 스팸을 찾을 수 있을까. 사람과 달리 로봇에게 이는 매우 어려운 과제다. 스팸이라 알려준 것을 로봇이 알아먹게 만들기 위해 필요한 것이 ‘인공지능’이다.
실제 아마존 피킹챌린지에 출전한 로봇들을 관찰해보면, 파지(把持: 어떤 물건 등을 꽉 움켜쥐는 것)를 위한 그립퍼(Gripper: 로봇손)는 성능에서 비교적 큰 차이점을 보이지 않는다. 실상 챌린지의 주요 목표과제인 ‘빠른 속도’를 만들기 위해서는 물건을 잡는 능력보다도 피킹해야 할 물건을 ‘잘 찾는 능력’이 중요하다.
아래 표의 피킹 관련 주요 인공지능 구현사례에서 볼 수 있듯(우측 2개 기관은 아마존피킹챌린지 출전팀), 로봇은 RGB 영상을 통해 받아들인 상품이미지 정보를 인공지능을 통해 어떤 상품인지 판별하게 된다. 이때 인공지능은 딥러닝을 통해 로봇의 판별지능을 향상시키고 더욱 빠른 상품인식 능력을 갖게 만든다.
▲ 이미지를 통한 상품판별을 학습하는 로봇
▲ 물체 파지 방법을 학습하는 로봇
이러한 인공지능은 수백에서 수천시간에 이르는 트레이닝을 통해 상품인식과 파지정확도를 높이게 된다. 표에서 가장 좌측의 업체인 CMU는 파지정확도에 초점을 두고 학습된 인공지능인데, 약 700시간 정도의 학습을 거친 후 최고 95%의 파지 성공률을 보여줬다. 우측의 2개 사례(Preferred Networks, TU Delft)는 물체분류, 즉 상품 인식율 향상에 초점을 둔 케이스로 39종의 다양한 상품에 대하여 75%의 피킹 성공률을 보여주었다.
▲ (자료: '물류로봇 기술동향 및 향후전망', KEIT PD Issue Report, Jul.2017)
피킹의 인공지능 활용은 앞서 소개한 히타치의 H와는 또 완전히 다른 영역의 인공지능이다. 그러나 이 역시 물류로봇의 생산성에 매우 중요한 역할을 하는 핵심 분야로 자리 잡을 전망이다. 최근까지 로봇이 피킹 작업을 수행하기 위해서는 품목이 단순하고 형태가 유사한 제품들로 구성된 매우 제한된 작업환경이 요구됐다. 그래서 실제 현장 적용사례는 찾기 어려웠던 것이 사실이다.
때문에 인공지능이 기술이 적용된 피킹 로봇이 전면적으로 등장한다면, 그야말로 물류로봇 확산의 기폭제가 될 수 있다고 생각한다. 특히나 피킹 관련 기술은 물류뿐만 아니라 여타 산업분야에서의 범용성(물건을 인지하고 집는 행위에 관한 지능은 일반목적기술 영역이다.)이 높기 때문에 연구노력과 투자가 집중되고 있기도 하다. 때문에 향후 인공지능 피킹은 급속도의 성장을 보일 것으로 예상된다.
물류 챗봇이 몰려온다!
이제는 우리에게 상당히 친근한 ‘챗봇’ 또한 물류영역에서 인공지능 활용의 대표적인 카테고리로 자리 잡고 있다. 아마존, 스타벅스 등 글로벌 유통기업과 인터파크, CJ오쇼핑, 카카오 등국내기업의 챗봇 도입은 이제 언급하기 식상하다. 바로 뒤이어 물류기업들이 챗봇 도입을 서두르고 있다. 일례로, CJ대한통운은 올해 안으로 고객들의 택배예약 및 배송관련 문의에 대해 대응 가능한 챗봇을 자사 택배앱을 통하여 제공할 것으로 알려져 있다.
여기서 하나 더 주목할 부분은 챗봇의 서비스가 ‘고객’을 대상으로만 하는 것이 아니라는 점이다. 고객용 챗봇과 더불어 택배기사용 챗봇도 도입계획에서 언급되고 있다. 택배기사용 챗봇은 택배기사에게 다음 배송지나 배송상품에 포함된 배송메세지 등 업무효율성 제고에 직접적으로 도움을 줄 수 있는 정보를 판단해 제공할 예정이라 한다. 즉, 택배기사는 업무를 도와주는 똑똑한 챗봇 비서와 함께 함으로써 부가적인 작업을 줄일 수 있다.
물론 물류영역에서 활용되는 챗봇 역시 이커머스 등 여타 영역처럼 현장 작업자를 위한 챗봇보다는 고객과의 접점의 서비스 응대수단으로 주로 쓰일 것이다. 하지만 물류 챗봇은 중장기적으로는 복잡한 현장업무를 최적화하고 ‘현장 작업자’를 돕는 비서 역할을 충분히 해나갈 것이라 예상된다. 최근 고객 주문의 다품종 소량화, SKU 증가, 출하계획 변동성 향상으로 인해 택배를 포함한 물류센터 현장작업의 혼잡도가 더 높아지는 현상은 현장에서 사용되는 물류 챗봇의 등장을 가속화시킬 동인이 될 것이다.
인공지능의 대항해시대로
굳이 물류로봇에 국한시키지 않는다면 ‘물류분야’에 인공지능이 적용된 사례는 더욱 다양하다. C.H.로빈슨은 적재최적화, 교통량 등을 고려하여 ‘수배송 경로최적화’와 ‘수익성 관리’ 고도화를 위한 목적으로 인공지능을 사용하고 있다. 머스크 등 항공·해운 캐리어사는 요금산출을 위한 방법으로 인공지능을 활용하고 있다.
이렇듯 물류산업 곳곳에서 인공지능이 적용되고 있다곤 하지만, 필자의 생각에는 아직 인공지능이 개척하지 못한 물류 영역이 70% 이상은 남아있다고 생각한다. 잠시 책을 덮고 검색창에 ‘인공지능+물류’를 입력해보자. 이런저런 내용들을 살펴보면서, 아직 개척되지 않은 70%의 가능성을 발견해보자. 새로운 세계가 열릴 수 있다.
댓글 영역