Premium Logistics

AI를 활용한 관제센터 혁신

우리는 영화를 통해 다양한 관제센터 유형을 볼 수 있다. 실시간 관제센터와의 교신으로 빠르게 최적의 데이터를 수신 받아 상황을 해결하는 AI 기반의 관제센터이다. 삼성SDS의 관제센터도 상상을 통한 AI 기술을 현실에 적용하고자 여러 데이터들을 분석하였으며 분석 결과를 통해 빠른 상황판단과 더불어 최적의 솔루션을 제시하고자 했다. 이번 White Paper에서는 삼성SDS 관제센터에 적용된 AI 기술을 사례와 함께 살펴보겠다.

01. 들어가며

관제기술의 핵심 AI

많은 기업들이 다양한 목적으로 관제센터를 운영하고 있다. 보안을 위한 CCTV 관제, 공장의 설비관제, IT시스템의 운영관제 등 여러 업종에서 관제시스템이 운영되고 있으며, 과거 인력 기반의 단순관제에서 벗어나 데이터 분석 기반의 AI 관제센터가 속속들이 등장하기 시작했다. 모니터로 가득 찬 방에서 여러 화면들을 뚫어지게 바라보던 1차원적 관제에서 벗어나 이제는 시스템이 사람의 역할을 대신하여, 아니 그 이상으로 분석하고 판단하고 예측하는 단계에 이르렀다. 엄청난 양의 데이터를 군집(Clustering) 또는 분류(Classification)하여 정제하고 학습하여 빠른 시간에 운영자가 판단할 수 있는 객관적인 자료를 제시하는 것은 물론이고, 적합한 알고리즘을 통하여 다양한 예측 값을 제공하는 AI 관제센터가 광범위하게 확산되고 있는 것이다.

삼성SDS에서도 최근 AI기반의 트럭 관제센터를 유럽에 적용하였다. 전통적인 관제방식에 데이터분석의 AI 영역을 접목하여 새로운 사용자 경험을 제공하고 있으며 광범위한 데이터의 축적부터 데이터의 융합, 영상분석 기술, IoT 장비와의 연계 등을 통하여 타 솔루션에서 시도하지 못했던 다양한 기술들을 확보하고 있다.

이번 White Paper에서는 데이터 분석관점에서 삼성SDS AI 관제센터에 적용된 주요 내용들을 살펴보며 관제센터의 구성과 컨셉을 이해하도록 하겠다.

[그림 1] 삼성SDS 내륙운송 통합관제센터 분석 View

02. 관제센터 AI 기술

데이터 분석을 통한 자동화

많은 사람들은 AI라고 하면 자동화를 떠올릴 것이다. . AI는 방대한 양의 데이터를 수집하고 분석해 사람이 하기 어려운 일들 혹은 시간이 걸리는 일들을 시스템에 의해 빠르고 편리하게 수행하는 것이다.  이러한 관점에서 우리는 각 고객사에게 어떤 AI 기능이 필요한지를 조사하였고 해당 기능들을 관제센터에 적용하였다.

[표 1] 관제센터 AI 모델

삼성SDS는 빅데이터 분석 솔루션인 Brightics AI를 자체 보유하고 있다. Cello 또는 고객사로부터 입수되는 수천만 건의 분석데이터는 Brightics AI에서 전처리 및 분석 후 다양한 형태로 고객에게 제공된다. 분석된 결과 데이터는 실시간 관제센터에 반영되어 활용되기도 하고, 특정 목적을 위한 Report 형태로도 제공될 수 있다.

지금부터 Brightics AI를 이용하여 분석한 결과들이 어떻게 구현되었으며, 관제센터에는 어떤 형식으로 적용되었는지 살펴보도록 하겠다.

트럭 도착시간 예측

내륙운송에서 트럭 도착시간 예측은 아주 중요한 요소이다. 긴급 물량의 경우 도착지연으로 인해 생산/판매가 지연 될 수 있고, 예정보다 일찍 도착하여 Yard 또는 주차장에 대기함으로써 비용(또는 적치 CAPA)이 추가될 수 있으며, 도난의 표적이 될 수도 있다. 고객은 현재 운행중인 트럭이 언제 도착하는지 정확한 도착시간을 알고 싶어 하지만 다양한 변수로 인해 정확한 도착시간을 예측하는 것은 쉬운 작업이 아닐 것이다.

하지만 그러한 변수들도 데이터 기반으로 패턴을 분석한다면 표준이라 말할 수 있는 Lead Time을 산출해 낼 수 있으며 이 패턴은 Route, 시즌, 월, 요일, 실행사별로 다르게 나타날 수 있다. 우리는 다음과 같은 Factor들을 고려하여 도착시간 예측 모델링을 진행하였다.

• 해당국가의 Driver Ban 규정에 따른 운전자의 정차시간 계산(공휴일 포함)
• 교통사고, 도로공사, 국경폐쇄 등으로 인한 실시간 Road Traffic
 • Multimodal 운행시 Ferry 등의 Schedule 정보 반영
 • 표준 Route를 기준으로 이탈 감지 및 도착시간 재계산
 • 출도착지 Geofence 설정으로 정확한 출도착시간 감지

[그림 2] 표준 Route기반 트럭 도착시간 예측

우선 년간 수천만 건에 달하는 GPS 이력을 분석하여 다 빈도의 표준 Route를 자동으로 생성한다. 표준 Route에는 트럭의 이동경로, 정차시간 등이 설정되어 있는데 이를 기반으로 트럭의 Route를 매핑하고 Lead Time을 산출하며 다음과 같이 계산할 수 있다.

• Route의 Lead Time = 과거이력기반 이동시간 + 정차시간 + 이동국가의 공휴일 휴식시간 + (Road Traffic 에 따른 추가시간)

이렇게 생성된 기본적인 Route Lead Time에 여러 가지 변수들을 반영해야 한다. 예를 들어 예기치 않은 트럭의 정차가 발생했거나 실시간으로 변경되는 교통 Traffic, 도로공사 등의 반영이 필요하다. 특히 최근 코로나로 인하여 국경이 차단되거나 5시간이상의 통과 시간이 발생하는 경우가 있는데, 이런 상황들을 판단하기 위해 Google Map Traffic을 반영한 도착시간 예측 값의 보정이 반드시 필요하다.

[그림 3] Google Map Traffics 반영 및 출도착지 Geofence 설정

또한 독일이나 폴란드에서 스웨덴으로 가는 Route의 경우 반드시 Ferry를 이용해야 한다. Ferry는 일 2회~3회 운행하는데 만약 트럭이 Port Terminal에 도착하는 시간과 Ferry 출발시간이 어긋나게 되면 5시간이상 Port에서 대기하는 상황이 발생하고 예측한 도착시간의 오차가 발생하게 된다. 따라서 우리는 Ferry의 Schedule 정보를 IPA기반(Brity Works)으로 입수하여 트럭이 어떤 Ferry에 탑승할 수 있는지를 계산하여 도착예정시간에 반영한다.

[그림 4] IPA기반 Ferry Schedule 정보입수

이렇게 다양한 변수를 고려하여 최적의 도착시간을 예측함으로써 물류운송의 위험에 대비할 수 있다.

Route 이탈감지 및 추천

앞서 언급했듯이 우리는 과거 데이터를 기반으로 표준 Route를 자동으로 생성하여 관리하고 있다. 이는 Route별 출/도착지 및 이동좌표, 운행거리, 표준 이동시간, 주차시간, 최적 주차위치 등을 세밀하게 관리하고 있다는 의미이다. 트럭이 현재 위치한 GPS 정보가 입수되면 해당 GPS가 Route 좌표에 포함 되는지를 판단하고 이탈 시 이상상황으로 간주된다. 시스템은 경고 메시지를 드라이버에게 자동 전송하며 관제센터에서는 이를 모니터링한다.

동일한 출/도착지에 대해 표준 Route는 1개 혹은 그 이상이 될 수 있다. Multi Route를 운영하는 목적은 다양하겠지만 우리는 위험회피를 위한 목적으로 Route추천 모델링을 진행하였다.

안전한 Route를 판별하기 위해 Route별 위험요소를 관리한다. 위험요소는 가중치를 두어 여러 가지로 정의할 수 있는데, 도난발생 빈도, 교통상황, 안전주차장 건수 등이 해당 될 수 있다. 가중치에 따른 위험요소를 요일 별, 시간대 별 등 상황에 따라 적용하여 시간대별 안전 Route를 추천할 수 있다. 야간 시간대는 어떤 Route가 안전하며, 주말에는 어떤 Route가 위험한지 데이터 기반으로 판별할 수 있는 것이다.

[그림 5] 상황별 최적 Route 추천

이 외에도 여러 속성들을 Route에 추가한다면 다양한 관점에서 Route 추천이 가능하다. Driver Ban 시간을 고려한 최적 Route, Multi Drop을 반영한 최소시간 Route 등을 생각해볼 수 있을 것이다.

이상상황 자동감지

트럭이 출발하여 목적지에 도착하기까지는 다양한 이상상황이 발생할 것이다. 우리는 이상상황의 범위를 아주 보수적으로 접근하여 작은 현상부터 감지하고자 했다. AI 관제센터는 실시간으로 운영되는 데이터들을 모니터링 하여 이상상황을 수집하고 1차 대응하며 우선순위가 낮은 위험요소들은 SMS, Messenger 등으로 드라이버에게 위험요소를 알리고 조치를 촉구한다.

이상 상황의 위험단계가 높아지면 관제센터는 알림 대상을 확대하여 전파한다. 드라이버 → 모니터링 담당자 → 현장 관리자 → 본사 관리자에 이르기까지 위험 단계별로 상황에 맞게 적절한 대상자에게 전파한다. 기존에는 모니터링 담당자가 트럭의 상태를 수동으로 체크하여 이상여부를 판단해야 했으나 이제는 관제센터에 의해 이상상황 목록이 To-do로 전달되고 SOP에 따른 조치만 수행하면 되는 것이다.

[표 2] Risk 단계별 이상상황 항목

관제센터에 의해 모니터링 담당자의 To-do List에 이상상황이 수신되면 보다 자세한 상황파악을 위해 GPS 기반으로 Map을 조회한다. 해당 트럭이 위치한 지역과 Shipment 정보, 드라이버의 과거 주차이력, 위반내역, 도난연계 등을 분석된 데이터로부터 제공받아 최적의 판단을 내릴 수 있도록 한다. 이렇게 Risk가 감지되고 담당자의 조치가 종료되면 수행한 모든 이력들은 시스템에 다시 축적되어 학습되며 향후 동일상황에 재활용된다.

[그림 6] 이상상황 감지 모니터링

03. 도난 예방측면 활용사례

도난 예방을 위한 주차이력 분석 사례

유럽의 사례를 살펴보면 많은 건수의 도난이 운송 중에 발생하였다. 운송 중 강도에 의해 약탈 당하는 케이스도 일부 있으나, 대부분은 비 안전 주차장에서의 tilt-cut 형태의 소량 도난이 주로 발생하였다. 사전 승인된 안전한 주차장이 아닌 도로변이나 주택가 등 도난이 발생하기 쉬운 위험지역에 주차하는 경우가 빈번하였고, 특히 야간 장기 주차의 경우 아주 쉽게 도난의 표적이 되었다.

도난 발생의 가장 큰 원인인 운송 중 도난을 예방하기 위해, 우리는 트럭의 GPS 정보를 이용하여 트럭이 어떤 경로로 이동하고, 어떤 장소에 얼마나 정차하는지 분석하게 되었고, 분석결과를 매주 실행사와 협의하여 개선활동에 반영하고 있다.

또한 해당 알고리즘을 실시간 관제센터에 적용하여 모니터링 담당자가 즉시 상황을 파악하고 조치할 수 있게 운영하고 있다. 도난 예방을 위해 데이터 분석 측면에서 다음과 같이 3가지 활동이 진행 되었는데 지금부터는 어떤 활동들을 진행했는지 하나씩 자세히 살펴보도록 하겠다.

• GPS 정보이용 주차이력 생성 및 비정상 케이스 확인
• 신규 주차장 증설을 위한 안전주차장 후보지 발굴
• 국가, 실행사, 노드별 주차이력 집계 및 위험요소 Report

[그림 7] 유럽 도난발생 유형 및 장소

GPS 정보활용 주차이력 자동생성

유럽은 도난빈도가 아주 높은 반면 상대적으로 안전 주차장의 개수는 충분하지 않다. 안전 주차장이라 함은 CCTV, 보안요원, 펜스, 야간조명이 확보되어 최소한의 안전 기준을 충족하는 주차장을 의미하는데 동유럽에 비해 프랑스, 이탈리아, 스페인 등 서유럽 지역의 주차장 부족이 심각한 상황이었다. 이로 인해 드라이버가 도로, 주택가, 비인가 주차장 등 위험지역에 주차하게 되고 도난으로 이어지고 있었다.

우리는 이러한 상황들을 데이터기반으로 인지하였고 출발지부터 도착지까지의 GPS 데이터를 미세하게 분석하여 다음 내용들을 제공하게 되었다.

[표 3] GPS 활용 입수가능 정보

이렇게 생성된 데이터는 관제센터를 통하여 실시간으로 제공되고 모니터링 된다. 만약 데이터에서 위험요소가 감지되면, 즉시 이상상황으로 분류되어 단계별로 전파될 것이며 관제센터에서는 트럭의 현 운행상황을 면밀히 파악할 수 있다.

[그림 8] GPS 정보활용 주차이력 자동생성

신규 주차장 증설을 위한 최적 후보군 도출

서유럽의 주차장 부족현상을 해결하기 위하여 때로는 신규 주차장을 확보해야 할 경우가 있다. 우리는 신규 주차장 후보지로, 트럭 이동이 많고, 미승인 주차건수가 많으며 도난이 자주 발생하는 발생지역을 선정하기로 하고 데이터 분석을 진행하였다.

최근 3년간의 GPS 데이터를 분석하여 트럭 이동건수가 많은 Route를 선별하고 Route 별 안전주차장 수, 주차장간의 거리, 미승인 주차 수, 내 외부 도난발생 데이터 등을 연계하여 상관관계를 분석하였다.

[그림 9] 미승인 주차 위치의 군집화(K-means clustering)

신규 주차장이 필요한 Area를 군집화하고 위 Factor들을 적용하여 필요점수를 Scoring한 결과 도착지와 국경 부근에서 필요 Scoring 점수가 높게 체크되었다. 이는 EU Driver Ban에 따른 운행시간 제한과 도착지에 일찍 도착함으로써 발생하는 문제였는데 이러한 상황들을 종합적으로 고려하여 최종 후보지를 선정하여 현장검증이 진행되었다.

[표 4] 상위 Scoring Area

분석 Report

우리가 과거 데이터를 분석하는 목적은 이전에 발생했던 위험요소가 현재에는 발생하지 않도록 대비하는데 있다. 실시간으로 발생하는 위험들은 관제센터를 통해서 현재 상황이 빠르게 파악되고 시스템으로부터 최적의 솔루션을 제시 받을 수 있으며, Brightics Report를 통해 보다 디테일한 분석결과를 얻을 수 있다.

유럽에서 진행했던 주차이력 분석 건도 마찬가지이다. 다양한 데이터를 이미 확보 하였음에도 불구하고 이를 효율적으로 사용하지 못하고 있었다. 사용자는 어떤 Route의 주차장이 부족하거나 충분한지, 차량의 정차시간과 도난과의 상관도는 어떤지, 안전주차장과 위험주차장 주차 시 도난과 연계되는 비율은 어떤지, 국가별 트렌드는 어떤지 등을 궁금해했는데 우리는 데이터 분석과 시각화를 통해 이러한 궁금증을 해결하였다.

유럽의 보안담당자는 매주 업데이트 되는 Brightics Report를 통하여 한주간의 운행 트렌드를 파악하여 어떤 지역의 미승인주차 건수가 많았고 취약한지를 한눈에 파악할 수 있었다. 또한 도난이 발생하면 해당 Report를 통해 즉시 운행이력을 체크함으로써 빠른 후속대처가 가능하게 되었다.

Brightics AI 솔루션을 통한 분석과 결과의 시각화는 사용자로 하여금 다양한 측면에서 데이터를 볼 수 있게 환경을 제공하며, 이를 통해 사용자의 새로운 관점이 더해지는 분석의 선순환을 가져온다.

[그림 10] 유럽 트럭 주차현황 및 Trend

04. 맺음말

관제센터는 유기적인 데이터 분석의 결과

….

AI를 활용한 관제센터 혁신에 대해 더 알고 싶으시다면, Samsungsds.com에 방문하셔셔 White Paper를 다운로드하세요.

 —————————————————————————————————-

%d 블로거가 이것을 좋아합니다: