생산 스케줄링 문제의 단면들

스케줄링은 “누가 무엇을 언제 어떤 순서로 어느 자원에서” 수행할지 결정하는 문제입니다. 간판 유형만 훑어도 다양해요. 🧩

대표 모델
- Job Shop: 각 작업이 고유한 공정 순서를 갖고, 각 공정은 특정 기계에서 수행됩니다.
- Flow Shop / Hybrid Flow Shop: 모든 작업이 동일한 공정 순서를 따르며 단계별 병렬 머신이 있을 수 있습니다.
- Parallel Machines: 동일/유사 기계들이 작업을 나눠 처리합니다(Identical/Uniform/Unrelated).
- Flexible Job Shop: 한 공정을 수행할 수 있는 대체 머신이 여럿인 경우.
- No-wait / Blocking: 제품 특성상 공정 간 대기가 불가하거나 버퍼가 제한적인 환경.

현실 제약
- 선후관계(Precedence), 릴리즈/납기시간(Release/Due)
- 시퀀스 의존 셋업(Setup), 교대/휴일 캘린더, 약속된 정비창(Preventive Maintenance)
- 배치 처리(Batching), 로트 사이징, 대체 자원, 품질 검사 슬롯, 작업자 스킬 매칭
- 물류/공정간 이동 시간, 버퍼 용량, 냉각·가열과 같은 시간창 제약

AI 스케줄러의 두 축: 수리최적화와 학습

AI 스케줄링의 엔진룸에는 보통 세 가지 축이 들어갑니다.

1) 수리최적화(OR) — MILP, CP-SAT, 라그랑주 분해 등을 통해 엄격한 제약을 만족시키며 최적 또는 준최적 해를 탐색합니다. 제약이 복합적일수록 CP(제약 프로그래밍)가 표현력이 유리한 경우가 많습니다.

2) 메타휴리스틱 — 유전 알고리즘(GA), 담금질(SA), 타부탐색(TS), 개미군집(ACO), 입자군집(PSO) 등으로 방대한 탐색 공간을 기민하게 훑습니다. 초기해 생성과 국소탐색의 조합이 성능을 좌우합니다. 🧪

3) 학습 기반 — 강화학습(RL)로 디스패칭 정책을 학습하거나, 그래프 신경망(GNN)으로 작업-자원 네트워크에서 우선순위를 예측합니다. 수요예측, 고장예측 등 주변 모델도 스케줄 품질을 끌어올립니다. 🛰️

목적함수 설계의 기술

스케줄러는 한 가지 목표만 보지 않습니다. 대개 다목적입니다:

- 납기지연 합(Tardiness), 지연작업 수, 최대지연(Max Lateness)
- 총 완공시간합(Flowtime), 메이크스팬(Makespan)
- 설비/작업자 가동률, 셋업 손실, 에너지 사용량
- 재공(WIP), 재고, 변동성(스케줄 안정성)

스칼라화의 현실적 방법은 가중합입니다. 단, 가중치가 현장 우선순위를 정확히 반영해야 하고, 시즌·고객군별로 동적으로 조정될 수 있어야 합니다. 가중치 학습(예: 지난 KPI 개선에 대해 베이지안 최적화로 가중치 튜닝)도 실전에서 효과적입니다. 📈

데이터가 반이다: 파이프라인과 특징량

입력: 주문(수량/납기/우선순위), BOM/라우팅, 작업시간 표준, 설비/작업자 캘린더, 셋업 매트릭스, 품질/검사 슬롯, 물류 리드타임, 유지보수 계획, 재고/소재 가용성.

실시간: IoT 센서의 상태, 작업 시작/완료 이벤트, 고장 알람, 긴급 주문, 품질 불량률, 환경 조건(온도/습도) 등.

특징량: 가공시간 분포(평균·분산), 체인 길이(공정 깊이), 자원별 큐 길이, 예상 셋업코스트, 납기 여유(Slack), 과거 유사작업의 차질 확률, 교대변경 영향 등. 🔍

아키텍처: 작은 뇌들의 합창

현대 스케줄러는 보통 다음과 같이 나눕니다. 🔗

- 데이터 레이어: 데이터레이크/웨어하우스, 스트리밍 버스, 피처 스토어
- 예측 레이어: 수요예측, 가공시간 추정, 고장·품질 예측 모델
- 최적화 엔진: CP-SAT/MILP, 메타휴리스틱, RL 디스패처
- 시뮬레이션/디지털 트윈: What-if, 민감도, 충격 테스트
- 오케스트레이션: 스케줄 주기, 롤링 호라이즌, 이벤트 트리거
- API 및 UI: MES/ERP 연동, 승인/잠금, 히스토리 리플레이
- 모니터링: KPI 대시보드, 해 설명, 재학습 스케줄, 드리프트 감시

수리최적화 맛보기: CP-SAT로 간단 Job Shop

구현은 보통 OR-Tools 같은 라이브러리를 많이 씁니다. 아래는 개념을 보여주는 축약 코드입니다. 🧮

# 가상 예시: 작업-공정별 (머신, 가공시간)
jobs = [
  [(0, 3), (1, 2), (2, 2)],
  [(0, 2), (2, 1), (1, 4)]
]

from ortools.sat.python import cp_model
m = cp_model.CpModel()

# 간단화를 위해 각 공정에 interval var 생성
all_tasks = {}
machine_to_intervals = {}
horizon = sum(t for job in jobs for (_, t) in job)

for j, job in enumerate(jobs):
    for t, (machine, dur) in enumerate(job):
        start = m.NewIntVar(0, horizon, f"s_{j}_{t}")
        end = m.NewIntVar(0, horizon, f"e_{j}_{t}")
        interval = m.NewIntervalVar(start, dur, end, f"i_{j}_{t}")
        all_tasks[(j,t)] = (start, end, interval, machine)
        machine_to_intervals.setdefault(machine, []).append(interval)

# 동일 머신의 공정은 겹치지 않도록
for machine, intervals in machine_to_intervals.items():
    m.AddNoOverlap(intervals)

# 선후관계
for j, job in enumerate(jobs):
    for t in range(len(job)-1):
        m.Add(all_tasks[(j,t)][1] <= all_tasks[(j,t+1)][0])

# 메이크스팬 최소화
makespan = m.NewIntVar(0, horizon, "Cmax")
for j, job in enumerate(jobs):
    last_end = all_tasks[(j, len(job)-1)][1]
    m.Add(last_end <= makespan)
m.Minimize(makespan)

solver = cp_model.CpSolver()
solver.parameters.max_time_in_seconds = 5
res = solver.Solve(m)
print(solver.StatusName(res), solver.Value(makespan))

현실 적용 시에는 시퀀스 의존 셋업, 캘린더, 대체 머신, 배치 등 추가 제약을 인터벌·전이 변수를 통해 세밀하게 구현합니다.

메타휴리스틱·RL: 규칙을 학습하는 법

메타휴리스틱은 초기해를 만들고 점진적으로 개선합니다. 예를 들어 GA는 아래 과정으로 동작합니다. 🛠️

initialize population with feasible schedules
repeat until budget:
    evaluate objective (e.g., weighted tardiness)
    select parents (tournament)
    crossover (order-based) and mutation (swap, insert)
    repair to satisfy constraints if violated
    apply local search (e.g., swap on critical path)
return best schedule

강화학습(RL) 접근은 환경을 “현재 큐 상태, 납기 여유, 셋업 비용, 자원 상태”로 정의하고, 행동을 “다음에 어떤 작업을 할당할지”로 둡니다. 보상은 “지연 페널티, 셋업 비용, 사용률”의 가중합으로 설계하죠. 학습된 정책은 디스패칭 룰처럼 빠르게 실행되고, CP/MILP와 결합해 탐색의 초기해·가이드로 활용됩니다. 🚀

롤링 호라이즌과 실시간 재계획

스케줄은 한 번 세우고 끝이 아닙니다. 고장, 재작업, 긴급주문 등으로 변수가 생기면 롤링 호라이즌 방식으로 “잠긴 작업은 유지, 나머지는 재최적화”를 반복합니다. 안정성과 민첩성의 균형이 포인트예요. 🔧

현장 KPI와 검증

좋은 스케줄러는 숫자로 말합니다. ✅

- OTD(정시 납기율), OTIF(정시·정량 납품), Tardiness 합/평균, Max Lateness
- Makespan, Throughput, Utilization, Setup Loss, WIP
- 일정 안정성(변경건수·변경폭), 작업자 초과근무, 에너지 사용량

오프라인: 과거 데이터 리플레이, 몬테카를로 변동성 시뮬, 샘플별 퍼센타일 분석.
온라인: A/B 롤아웃, 안전가드(납기/제약 위배 차단), SLA 모니터링.

해석 가능성과 신뢰

현장은 “왜 이 순서를 골랐는가?”를 묻습니다. 가능한 답변은:

- 설명 규칙: “납기 여유가 2시간 이하였고 셋업 비용이 낮아 우선 배치했습니다.”
- 기여도: 특징 중요도(예: GNN·트리 기반) 또는 포스트호크(Shapley 근사)로 결정 근거 시각화
- 대안: 최적 해 주변의 상위 k개 대안과 KPI 차이 제공

디지털 트윈과 What-if

스케줄러의 전략은 시뮬레이터에서 검증합니다. 예를 들어 “설비 M3 추가”, “교대 2→3”, “셋업 매트릭스 개선” 같은 시나리오의 KPI를 간편 비교하죠. 🌐

권장 워크플로우: 정책 수정 → 100개 무작위 하루 시뮬 → 퍼센타일(50/90) 비교 → 위험구간(고장률 상위) 민감도 분석.

통합: MES/ERP, 현장 UI, 승인 흐름

스케줄러는 단독 플레이어가 아닙니다. MES/ERP와 API로 마스터 데이터·실행 이벤트를 주고받고, 현장 UI에서는 잠금(Freeze), 드래그 조정, 재계산이 부드럽게 이어져야 합니다. 📦

실전 팁: 스케줄 항목별 UUID, 버전 관리, 변경 이력은 필수. 승인 전·후의 차이를 KPI로 비교해 교육 효과도 측정하세요.

보안·거버넌스·윤리

스케줄링은 고객 우선순위, 계약, 단가 같은 민감 정보를 다룹니다. 접근제어, 마스킹, 감사로그, SLA 기반의 가용성 설계가 요구됩니다. 🛡️

윤리 측면에서는 “특정 고객만 유리하게” 같은 비공정성이 숨어들 수 있습니다. 정책 레이어에서 공정성 제약 혹은 페널티를 명시하세요.

ROI와 성과 사례

업종별 평균 기대효과(문헌·현장 보고 종합):

- 납기지연 20–40% 감소, OTD 5–15%p 향상
- Throughput 3–10% 증가, 설비가동률 2–5%p 상승
- 셋업 손실 10–25% 감소, WIP 10–30% 절감
- 스케줄 수립시간 70% 이상 절감

도입 로드맵: 작은 성공부터

우리 팀이 내일 시작한다면 이렇게 할 거예요. 🔧

1. 문제 경계 정의: 제품군 한정, KPI 2–3개에 집중.
2. 데이터 헬스체크: 라우팅·캘린더·셋업 매트릭스 정합성 검증.
3. 베이스라인: 단순 디스패칭 규칙(EDD, SPT, LPT, CR) 평가.
4. 최소 기능 스케줄러(MVP): CP-SAT + 간단 휴리스틱, 주 1회 릴리즈.
5. 현장 파일럿: 한 라인에서 4–6주. KPI와 체감 난이도 기록.
6. 롤링 호라이즌·이벤트 반영, A/B 롤아웃.
7. 메타휴리스틱·RL 추가, 디지털 트윈 접목.
8. 사후관리: 모델 드리프트, 데이터 품질 지표, 교육.

제약 모델링의 실전 꿀팁

- 시퀀스 의존 셋업: 머신마다 작업 전이 비용·시간을 행렬로 두고, 순서결정 이진변수와 함께 “Big-M” 또는 no-overlap with transitions를 사용합니다.
- 대체 머신: 할당 이진변수와 선택된 머신의 캘린더·셋업을 조건부로 활성화.
- 캘린더: 절대시간을 분 단위로 잡고, 금지구간을 누수 없는 누적자원으로 표현.
- 배치: 아이템을 그룹화하여 공정 시간/자원 제약을 배치 변수에 귀속.
- No-wait: 후속공정 시작시간 = 선행 종료시간 제약을 체인으로 연결.

스케줄 안정성 vs. 최적성

현장은 잦은 변경을 싫어합니다. 그래서 변경 비용을 목적함수에 넣습니다. 예: “이전 스케줄과의 차이(작업 위치·머신 변경)에 페널티 부여”. 이렇게 하면 안정성을 확보하면서도 긴급 상황에는 유연하게 반응할 수 있어요. 🧩

엣지·클라우드 하이브리드

큰 계산은 클라우드에서, 실시간 디스패칭은 엣지에서. 연결이 끊겨도 로컬 폴백 룰로 운영이 지속됩니다. 또한 고장 예측·품질 예측은 현장 게이트웨이에서 저지연으로 돌아가고, 스케줄러는 이를 반영해 계획을 업데이트합니다. 🛰️

사람 중심 UI/UX

좋은 스케줄러 UI는 타임라인 가시성, 충돌 하이라이트, 드래그 기반 미세조정, 즉시 KPI 반영을 갖춥니다. 작업자·계획자에게 “왜”를 설명하는 툴팁과, “대안 보기” 버튼은 신뢰를 빠르게 키워줍니다. 🧠

현장 이벤트의 언어를 배우는 모델

스케줄러는 이벤트 기반으로 반응합니다. 예: “M4 다운” → “해당 머신의 작업 대체 배치” → “납기 영향 추정” → “위험 알림 및 재계산”. 이벤트 우선순위를 큐로 관리하고, 빈번한 진동을 방지하도록 히스테리시스를 둡니다.

테스트 전략: 실패에서 배우기

테스트는 넓고 깊게. 샘플링된 하루/주/월을 리플레이하고, 고장율·품질변동·긴급주문 비율을 부스트한 “스트레스 테스트”를 꾸립니다. 실패 사례에서는 제약 누락·목적 가중치 미스매치·데이터 지연을 체크하세요.

도메인별 포인트

- 반도체/디스플레이: 대기·버퍼·리워크·포토 라인 병목, 로트 스플릿·머지. No-wait·리엔트런트 문제 주의.
- 식음료/제약: 유통기한·청결·알레르겐 교차오염 셋업, 배치·클린룸 캘린더.
- 자동차: 대체자원 풍부, 시퀀스 의존 셋업 큽니다. JIT/JIS 물류 연동.
- 조선/중장비: 대형 프로젝트·자원 공유, 장기계획과 단기 디스패칭의 결합.

코스트·컴퓨트 관리

최적화는 계산비용이 큽니다. 전략은 세 가지: 분해(라인·셀 단위), 시간창 축소, 따뜻한 시작(이전 해 재활용). 그리고 솔버 파라미터(탐색 전략, 대칭 깨기, 컷) 튜닝으로 큰 이득을 볼 수 있습니다. ⏱️

운영: Ops for OR/MLOps

스케줄러도 운영이 반입니다.

- 버전 관리: 모델·제약 템플릿·가중치·파라미터 해시화
- 자동 회귀테스트: 대표 시나리오 KPI가 과거 대비 악화되면 배포 차단
- 데이터 슬라이스 모니터링: 라인/교대/제품군별 성과 추적
- 드리프트 경보: 작업시간 분포·고장율 변화 감지 시 재튜닝

레거시와의 공존

엑셀 수작업에서 출발해도 괜찮습니다. 스케줄러의 값을 증명하면 점점 범위를 넓히면 됩니다. “재능넷” 같은 재능 공유 플랫폼에서 케이스를 탐색해 참고하는 것도 실용적이죠. 📈

현장 보이스: 우리가 만난 질문들

Q 납기는 맞추지만 가동률이 떨어져요.
A 가중치를 재조정하거나, 최소 가동률 제약을 부여해 페널티 중심에서 제약 중심으로 일부 전환하세요.

Q 긴급 주문이 들어오면 기존 스케줄이 무너져요.
A 잠금율을 높이고, 긴급 슬롯(버퍼)과 우선순위 큐를 정책으로 강제하세요.

Q 계산이 너무 오래 걸려요.
A 시간창 축소, 라인 분해, 초기해 품질 개선, 솔버 예산·전략 튜닝이 우선입니다.

작은 예로 보는 셋업 최소화

색상 전환이 큰 비용인 페인팅 라인을 생각해봅시다. “같은 색 묶음 → 납기 임계치 이하면 묶음 유지, 임계치 넘으면 납기 우선” 룰을 만들고, CP 모델에는 전이 비용을 넣습니다. 이렇게 룰과 최적화를 섞으면 셋업을 줄이면서도 납기를 지킬 수 있어요. ⚙️

사람-기계 협업 문화

“AI가 다 한다”가 아니라, “AI가 안 보이던 옵션을 보여준다”가 핵심입니다. 베테랑의 암묵지(원자재 수급 감, 고객 성향)는 정책으로 제도화하고, 스케줄러는 그 정책 안에서 수학적으로 크게 도와줍니다. 🧠

에너지·지속가능성 포함하기

피크 타임 전력요금, 야간 소음 규제, 탄소 배출 한도 등을 제약·목적에 반영하면, 비용과 ESG를 동시에 챙길 수 있습니다. 전력 단가를 시간대별 매개변수로 넣고, 에너지 상한을 누적자원 제약으로 표현하세요.

학습 데이터의 함정과 교정

과거 스케줄은 최적이 아닐 수 있습니다. RL/지도학습의 교재가 되는 기록이 편향되어 있다면, 가상 최적화 레이블(솔버로 생성)로 보정하고, 코스트 센서티브 트레이닝으로 “납기 위반”의 비용을 크게 반영하세요.

용어 미니 사전

- EDD: Earliest Due Date, 가장 빠른 납기 우선
- SPT/LPT: Shortest/Longest Processing Time
- CR: Critical Ratio, (남은 시간)/(남은 작업시간)
- Makespan: 전체 작업이 끝나는 가장 늦은 시각

성공 체크리스트

- KPI 정의가 명확한가?
- 제약이 문서화되고 테스트 케이스가 있는가?
- 데이터 품질 모니터링이 자동화되어 있는가?
- 롤백·폴백 정책이 준비되어 있는가?
- UI에서 해 설명과 대안 비교가 가능한가?

마무리: 공장 시간표의 새로운 상식

인공지능 스케줄링은 어렵고 멀게만 느껴질 수 있지만, 한 걸음씩 적용하면 가장 먼저 스트레스가 줄고, 이어서 KPI가 좋아집니다. 사람의 직관과 수학의 완강함, 데이터의 냉정함이 만나면, 스케줄은 더 이상 밤샘 엑셀의 적이 아닙니다. 🏭🤖⏱️

이 글이 작은 지도가 되었길 바랍니다. 실제 사례나 템플릿이 필요하면 커뮤니티나 “재능넷”의 관련 경험자들과 대화해보세요. 함께 나누면 더 빨라집니다. ✅

추가 참고 코드: 우선순위 스코어 기반 디스패처

가벼운 실시간 룰로도 놀라운 효과를 볼 수 있습니다.

def score(job, now):
    slack = job.due - now - job.remaining
    setup = setup_cost(job.prev_color, job.color)
    w1, w2, w3 = 0.6, 0.3, 0.1
    return -w1*max(0, -slack) - w2*setup + w3*job.customer_priority

def dispatch(queue, machine, now):
    cand = [j for j in queue if machine.can_do(j)]
    cand.sort(key=lambda j: score(j, now), reverse=True)
    return cand[0] if cand else None

이런 룰을 RL이 학습해 더 영리하게 만들거나, CP 솔버의 초기해로 사용하면 실전성이 커집니다. 🔍

요약 한 장

- 문제: 복잡한 제약과 변동성 속에서 납기·효율을 동시에 달성하기
- 해법: CP/MILP + 메타휴리스틱 + RL/예측의 하이브리드
- 운영: 롤링 호라이즌, 이벤트 트리거, 해 설명, A/B 운영
- 성과: 납기·가동률·WIP·셋업 손실 개선, 계획시간 단축