KAIST, AI 스스로 실행 가능한 경로 찾는 강화학습 기법 개발

한국과학기술원(KAIST)이 AI의 자율성을 한층 강화할 수 있는 혁신적인 기술을 개발했습니다. 바로 현실의 조건을 고려하여 AI가 스스로 실행 가능한 계획을 수립할 수 있도록 돕는 강화학습 기법 ‘RL-SPH’입니다. 이번 연구는 KAIST 전산학부의 김민수 교수 연구팀에 의해 이루어졌으며, 국제 기계학습 학회(ICML)에서 발표되었습니다.

현실을 반영한 AI 계획 수립

기존의 AI 시스템은 주로 최적 경로를 탐색하는 데 집중해왔습니다. 하지만 이러한 접근은 종종 현실의 제약조건을 간과하여, 실제로 실행 가능한 계획이 아닌 이론적인 최적해를 제시하는 데 그치곤 했습니다. 예를 들어, 택배 배송을 고려할 때 단순히 배송 시간을 단축하는 것만으로는 부족합니다. 차량의 적재량, 기사 근로시간, 그리고 모든 배송지를 빠짐없이 방문하는 등 여러 제약조건이 따르기 때문입니다.

RL-SPH는 이러한 문제를 해결하기 위해 설계되었습니다. 이 기법은 AI가 실제 사용할 수 있는 계획을 찾도록 유도하며, 이를 위해 정수선형계획법(ILP) 모델인 ‘ILP-GT’를 활용합니다. AI는 변수와 제약조건 간의 관계를 학습하여, 단계적으로 계획을 수정하고 그 결과를 다시 학습함으로써 개선해 나가는 구조를 가지고 있습니다.

탁월한 성능의 입증

실험 결과, 연구팀은 RL-SPH가 대표적인 5종의 벤치마크에서 100% 실행 가능한 계획을 찾는 데 성공했음을 확인했습니다. 특히 복잡한 문제에서도 동일한 성능을 유지하며, 최적해와의 차이를 나타내는 ‘프라이멀 갭’은 기존 기술 대비 평균 28.6배 향상되었습니다. 탐색 과정의 품질과 속도를 나타내는 ‘프라이멀 인테그럴’은 2.6배 개선되었으며, 실행 가능한 계획을 처음으로 찾는 데 걸리는 시간도 평균 2.5배 빨라졌습니다.

이 외에도 RL-SPH는 최신 AI 기술인 PAS, DDIM, DiffILO와 비교했을 때도 100%의 실행 가능한 계획을 찾아냈습니다. 학습 시간 또한 평균 30분으로, 기존의 기술보다 14.7배, 최근 비지도학습 기반 기술보다는 약 34배 빨라졌다는 점에서 그 성과가 더욱 돋보입니다.

향후 AI 의사결정의 새로운 패러다임

김민수 교수는 “이번 연구는 AI가 전문 최적화 프로그램의 도움 없이도 스스로 실행 가능한 계획을 수립할 수 있음을 입증한 사례”라며, “다양한 산업 현장에서 AI 기반의 의사결정을 실현하는 데 중요한 기술이 될 것”이라고 기대감을 표했습니다.

이처럼 KAIST의 RL-SPH는 AI의 자율성을 한층 높일 수 있는 가능성을 제시하며, 물류, 차량 경로 탐색, 공장 생산 일정 등 다양한 분야에서의 활용이 기대됩니다. 앞으로 AI가 산업의 복잡한 문제를 스스로 해결하는 날이 가까워질 것으로 보입니다.