brunch

매거진 일상AI

라이킷 17 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 글쓰는몽글c Mar 08. 2022

배달, 주문, 그리고 AI

AI를 활용한 최적의 배차, 그리고 메뉴 재고 예측

#21.

오랜만에 글을 쓰려고 브런치를 열고 기존에 적어두었던 작가의 서랍을 살펴보다가 눈에 띄는 주제가 있어서 다시금 정리를 해보려고 한다.

배달, 주문 등의 카테고리에서 최상의 배차를 위해 활용되고, 최고의 메뉴를 추천해주는데 활용되고 있는 인공지능 기술에 대한 이야기이다.

최적의 배차 알고리즘을 고민하는
우아한형제들 (배달의 민족)

요새 무언가 배달을 받고 싶을 때 너무나도 편리하게 사용하고 있는 다양한 배달앱들이 있다. 이 중에서 Top3인 배달의 민족(21년 기준 점유율 69%), 요기요(19%), 쿠팡이츠(12%) 모두 최상의 배차를 제공하기 위해 인공지능을 활용하고 있는데, 이 중 가장 많이 이야기가 거론되고 있는 배달의 민족 배차 시스템에 대한 내용에 관심이 갔다.

배달의 민족이 인공지능을 2020년 2월에 적용한 결과로만 보자면, 21년 7월 기준으로 라이더의 52.9%가 사용, 픽업시간은 43% 감소, 전달 시간 역시 17% 정도가 줄어든 성과를 얻었다고 한다. (전체 배달 시간은 26%로 감소) 라이더들의 수입 역시 일반배달 대비 더 높은 배달수익을 얻을 수 있었으며, 사고 발생 건수 역시 적용 전 대비 32%감소했다고 한다.(송파 강동점 기준) �

사실 우아한형제들이 AI배차를 도입한 이유 중에 하나는 소위 한번에 여러개를 배달하게 되는 '묶음배달'을 통제하는 것이 었을 것이다. 묶음 배달로 인해 내가 주문한 음식이 1시간이 넘게 걸린다거나, 음식이 식어서 배달되는 경우들을 줄이고자 하는 것이다. 다시 말해 '묶음배달을 통제함으로써 배달 시간을 최소화 하는 것'이 중요한 목표였을 것이다. 뿐만 아니라 주행 중 콜을 무리하게 잡아야 하는 라이더 분들의 안전 또한 고려된 것으로 보여진다. 위 적용된 결과수치를 보면 관련 목표는 달성한 것으로 보여지기는 한다.

이를 위한 배차 AI알고리즘에는 10명의 개발자가 1년 6개월 동안 투입되었으며, 콜처리 효율성 증대, 안전문제 개선, 개인별 배달건수 증가를 위해 알고리즘에는 '운송 수단별 속도의 차이', '주문 음식 조리 시간', '픽업 지역과 배달지역의 위치' 등 각종 변수들이 활용되었다고 한다. 그리고 이 때의 배달시간은 비용으로 치환하여 가장 낮은 비용(시간)의 구간을 가장 적절한 라이더에게 매칭해주는 방식이다.

이런저런.. 내용들을 확인하다보니, 배차 AI알고리즘에는 두 가지 풀어야만 하는 난제가 있었다고 한다.

첫 번째는 단건 배달인 경우에는 무리가 없었으나 묶음배송을 고려하다보니 경우의 수가 급격히 증가하며 시스템이 감당할 수 없을 정도의 부하가 걸린다는 것이다.

(예: 3군데를 들린다고 가정했을 때, A->B->C만이 아니라 A->C->B, B->A->C, B->C->A, C->A->B, C->B->A 처럼 6가지 경우가 생김)

두 번째는 AI배차를 위해 도로를 타고가는 상세 경로를 활용하다 보니, 마찬가지로 배달경로를 그대로 계산했을 때 연산속도가 느려지는 이슈가 있었다고 한다.

하지만 첫 번째 문제는 정답보다는 최적이라고 생각되어지는 방법을 수집하여 근사치에 도달할 수 있도록 하는 Greedy Algorithm*을 활용하여 해결을 했으며, 두 번째 문제는 명확한 경로보다는 직선경로로 계산을 함으로써 연산속도에 대한 해결을 모색했다고 한다. 하지만 두 번째 문제에 해당하는 직선경로 계산은 실제 거리가 아니었으므로 명확한 해결점으로 보기는 어려웠으며, 결론적으로는 사전연산 (과거 데이터를 매칭하여 지도 위 미리 그려둠)을 통해 계산을 해둠으로써 연산속도를 줄일 수 있었다고 한다.

* Greedy Algorithm의 예)
도둑이라면, 가방에 넣을 수 있는 물건 중 가장 비싼 물건을 넣음
-> 그 다음으로 넣을 수 있는 물건 중 가장 비싼 물건을 넣음
-> 이 과정의 반복 (출처)

당연히 예측모델을 활용한 것인데, 우아테크 블로그에 보면 다양한 모델들을 사용해보았지만 Light GBM이 속도, 예측력, 일반화 가능성 고려시 가장 나은 모델로 판단되었다는 글 또한 보였는데, 예측 비선형 모델인 LightGBM을 활용하면서 모델 보완을 위해 Greedy Algorithm을 활용한 것이 아닐까 한다. (나는 개발에 관심이 많은 한낱 디자이너이므로, 진실은 실제 개발자 분에게..) 그리고 최적의 길찾기 경로를 찾기 위해서 헥사 그리드를 활용했다고 하는데, 아래 이미지 처럼 라이더분들의 경로 가중치를 통해 경로를 찾는 구조인 듯 하다.

이러한 시도를 하는 곳이 당연히 우아한형제들만은 아닐 것이며, 배차가 필요한 카카오모빌리티의 택시배차, 메시코리아의 부릉 라이더들을 위한 AI추천배차, 요기요, 쿠팡이츠도 마찬가지일 것이다.

라이더 분들은 효율적인 배차경로로 수익을 조금이라도 높이고, 고객 분들은 조금이라도 빨리 따뜻한 음식을 배달받을 수 있는 인공지능의 아주 의미있는 사례로 보여진다. (물론 AI배차의 문제점을 이야기하는 콘텐츠들도 많았었다. 하지만 이 부분 역시 고려하여 수정이 되었거나 수정 중일거라는 생각..) 세상을 조금이라도 더 따뜻하고 편리하게 만드려 노력하고 있는 UX리서처, 기획, 개발,디자이너 분들 모두 화이팅이다..

다음날 시간대별 판매, 메뉴를
예측해주는 먼키 AI Biz

이런저런 기사들을 훑어보다 '먼키'라는 회사명이 왠지 익숙해서 해당 기업에 대해서 조금 더 찾아보았다.

찾아보니 이미 디지털 공유주방으로 유명한 Monthly Kitchen이었다. (영어로는 MONKi)

CEO는 (한때 국내 MP3시장을 주름잡았던..) 아이리버 제조사, 레인콤의 CEO였던 김혁균님.

아무튼.. O2O맛집 편집 플랫폼인 '먼키', 그리고 개인식사 정기구독 서비스 '먼키식구', 디지털구내식당, 단체급식, 케이터링 등을 제공하는 '먼키 앱' 등.. 생각보다 많은 서비스들이 있었다.

여기서 소개해보고자 하는 먼키 AI Biz는 매출과 재고 등, 사장님들에게 꼭 필요한 정보들을 예측해주는 서비스이다.

외식업자들은 퇴근 시 그 날의 매출이 얼마인지, 재고가 몇 %인지, 한 달에 이익이 얼마나 남는지도 모르는 사람들이 많다고 한다. 나아가서는 어떤 재고들이 더 필요한지에 대한 예측 또한 필요하다는 점 또한 중요한 고민이었을 것이다.

먼키 AI Biz에서 제공하는 서비스에서는 아래 이미지에서 보이는 것 처럼 어제, 오늘, 내일의 정보를 확인할 수 있다. 다시 말하면. 과거, 현재, 미래에 대한 수요들을 일목요연하게 보여주는 시스템을 업주들에게 제공하고 있는 것이다.

먼키 AI Biz 2.0 화면

그리고 이 수요 예측 서비스의 정확도는 90~95%사이이며 식자재를 30%까지 절감할 수 있으며 주문이 많은 시간대 메뉴에 대해 미리 준비함으로써 주방조리 효율성 또한 극대화할 수 있다고 한다. 음식점을 하는 사장님 입장에서는 과거, 현재, 그리고 앞으로의 재고관리가 고객 만족, 그리고 매출과도 직결되는 부분이라 AI가 정말 필요한 곳에 잘 사용된 사례로 보여진다. (이또한 인공지능이 인간의 자리를 위협하는 것이 아닌 도움을 주는데 사용된 좋은 예이지 않을까?)

뿐만 아니라 해당 서비스를 통해 '다이나믹 프라이싱'제도라는 것 또한 실행예정이라고 하는데, 이는 메뉴의 판매량과 공급량 등 시장 상황에 따라 가격을 탄력적으로 변경할 수 있는 시스템이다. 이 또한 재미있는 발상으로 보여진다. 오후 1시에 1만원이던 메뉴가 밤 9시경이 되면 5000원이 될 수도 있는것 아닐까? 아니면 여름에는 2만원이던 메뉴가 겨울에는 1만원으로.. �

* 참고로 먼키 AI Biz는 먼키에 입점한 사업자들 대상으로 포스, PC를 통해 사용할 수 있다고 한다.

이 외에도 우아한형제들의 배달로봇 '딜리', 그리고 파파존스에서 메뉴를 만드는데 집중할 수 있도록 만든 '파파존스 AI 콜센터' 등 외식업 사장님, 그리고 라이더, 요리사, 고객센터까지 다양한 외식업에 종사하시는 분들을 위한 다양한 기술들이 개발되고 적용되고 있는 듯 하다. 아직은 인공지능이 정확할 수는 없을지라도, 조금은 더 지켜봐주고 더 발전하는 모습을 지켜보면 어떨까 싶다. ��

Reference

https://techblog.woowahan.com/2608/

https://techblog.woowahan.com/2686/

https://youtu.be/FlHdRyOQG1o

https://www.bloter.net/newsView/blt202012160015

https://m.etnews.com/20200904000037

https://byline.network/2020/12/20-111/

https://m.blog.naver.com/lym51033/222130391185

https://hanamon.kr/%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-%ED%83%90%EC%9A%95%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-greedy-algorithm/

https://www.sedaily.com/NewsVIew/1Z6H48NPJ0

https://www.ciokorea.com/news/203814

http://m.sportsworldi.com/view/20220225502641