이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
기업 내 표형 시계열 데이터가 충분히 반영되지 않는 기존 예측 시스템의 한계를 해결하기 위해 MIT 연구진은 그래프 기반 상태 추정 원리를 표형 데이터에 적용한 기초모델을 개발했고 이 모델은 연속적인 기업 데이터 입력을 받아 예측을 생성한 뒤 실제 결과와 비교해 스스로 갱신하는 온라인 학습 구조로 동작한다. Ikigai Labs는 이 연구를 바탕으로 특허를 확보한 기초모델을 상용화했고 기업 운영의 상호의존성을 모델링해 수요·가격·프로모션 영향 분석 같은 실시간 의사결정 지원을 목표로 삼았다. 해당 기술은 Celonis에 인수되어 디지털화된 운영 데이터(기사에 따르면 1,400개 이상의 대기업)와 통합되어 현업 데이터 기반의 예측·계획 기능을 제공할 수 있게 되었다. 이 접근은 실시간성·연속 학습을 통해 운영 변화에 적응할 수 있는 장점이 있으나 기사에는 벤치마크 수치나 구체적 성능 지표가 제시되어 있지 않아 도입 효과의 정량적 검증은 추가 자료가 필요하다.
섹션별 상세
대기업용 예측·계획 시스템은 조직 특유의 상세 정보를 충분히 반영하지 못해 실무에 유용성이 떨어지는 문제가 존재한다. 이 문제를 해결하기 위해 Devavrat Shah는 제한된 계산 자원으로 초단위 의사결정을 처리할 수 있는 방법을 설계하는 데 집중했고, 연구는 대규모 데이터에서 정보 추출을 효율적으로 수행하는 알고리즘 개발로 귀결됐다. Shah는 리소스가 적을 때 많은 연산을 효율적으로 수행해야 한다고 지적했으며 이는 실시간성·연속성 요구가 큰 기업 환경에서 핵심 과제임을 보여준다.
연구진은 전통적인 그래프 기반 확률 모델의 원리를 표형 데이터로 확장하는 접근을 채택했으며 이 방식은 희소 관측으로부터 상태를 추정하는 GPS의 위치 추정이나 디지털 통신 시스템의 에너지 효율적 동작과 유사한 설계 철학을 따른다. 구체적으로 입력으로 기업의 스프레드시트 형식과 유사한 구조화된 데이터를 받고 내부적으로 시간적·상호의존적 구조를 모델링해 실시간 계획 수립을 출력으로 제공한다. 이러한 설계는 센서 융합이나 통신 시스템에서 검증된 확률적 상태 추정 기법을 기업 데이터 도메인으로 옮겨오는 의미가 있다.
Ikigai Labs는 Shah 연구실의 연구를 바탕으로 표형 시계열 데이터를 처리하는 기초모델을 개발했고 이 모델은 MIT에서 특허를 취득하여 라이선스되었다. 모델은 기업의 다양한 데이터 소스를 연속적으로 입력으로 받아 예측을 생성하고 그 예측을 실제 결과와 비교해 스스로 학습·보정하는 방식으로 동작한다. 이 연속 학습 설계는 환경 변화나 운영 과정의 상호의존성을 반영해 예측 정확도를 유지하는 데 유리하다.
실제 적용 사례로는 전자제품 제조사의 공급망과 제품 수명주기 전반을 들 수 있는데, 이 경우 부품 조달·유지보수·마케팅·가격정책이 서로 얽혀 있어 각 단계의 의사결정이 다른 시점에 영향을 미친다. Ikigai의 시스템은 그러한 상호의존성을 모델링해 분기별 수요 예측, 가격 변화에 따른 수요 변동 추정, 판촉 도입 시 영향 분석 같은 의사결정보조를 실시간으로 지원하도록 설계되어 있다. 해당 기술은 최근 Celonis에 인수되어 Shah는 Celonis의 최고과학자로 활동하며, Celonis가 디지털화한 운영 데이터(글에 따르면 1,400개 이상의 대기업)를 기반으로 모델을 통합해 실제 운영과 결합한 분석·계획 기능을 제공하려는 목표를 갖고 있다.
용어 해설
- 그래프 모델(Graphical Model)
- — 확률 변수들을 노드로, 의존관계를 엣지로 표현하여 입력 관측치로부터 잠재 상태를 추정하는 통계적 구조이다. 이 구조는 희박한 관측에서 상태를 추정하고 시간 축의 동적 변화를 모델링하는 데 유리하며 센서 융합, 경로 추정 등 실시간 의사결정 문제에 적용된다.
- 표형 시계열 데이터(Tabular Time Series)
- — 행과 열로 정형화된 기업 데이터에서 시간 축 방향으로 정렬된 관측값을 의미하며, 재고·수요·거래 로그처럼 다양한 소스의 컬럼이 결합되어 동적 예측과 상호의존 관계 분석에 쓰인다. 이 데이터는 비정형 텍스트와 달리 스키마 기반 전처리와 시퀀스 모델링 기법을 요구한다.
- 온라인 학습(Online Learning)
- — 모델이 새로 들어오는 관측치에 대해 연속적으로 파라미터를 갱신하거나 예측을 테스트하여 즉시 적응하는 학습 방식이다. 배치 재학습 대신 스트리밍 데이터에 반응해 예측 성능 저하를 방지하고 실시간 의사결정 환경에서 모델 유효성을 유지하는 데 중요하다.
- 기업 데이터 통합(Enterprise Data Integration)
- — 여러 시스템과 파이프라인에 흩어진 거래, 로깅, ERP, CRM 데이터를 통합해 일관된 입력 피처를 생성하는 작업으로서, 예측 모델의 입력 파이프라인 정확성과 실시간 처리 성능을 좌우한다. 통합 수준이 낮으면 모델이 조직 특유의 패턴을 포착하지 못해 예측 유용성이 떨어진다.
기술
- Ikigai Labs
- Celonis
- graphical models
활용 사례
- 수요 예측 및 분기별 판매량 추정
- 프로모션·가격 정책 변경에 따른 수요 영향 분석
- 공급망 부품 조달과 유지보수 일정 최적화
- 제품 버전 관리와 출시 계획 수립
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 15.수집 2026. 07. 15.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
