Articul8의 공급망 AI, 92% 정확도 달성…기존 모델을 뛰어넘다

기업들이 AI를 운영에 통합하기 위해 경쟁하는 가운데, 많은 기업들이 심층적인 분야 전문성과 순차적 추론이 필요한 특수 산업 과제를 해결할 때 범용 모델이 종종 부족함을 발견하고 있다.

미세 조정(fine-tuning)이나 검색 강화 생성(RAG) 같은 기법이 어느 정도 개선을 가져오긴 하지만, 공급망 관리 같은 복잡한 시나리오에는 종종 역부족입니다. 바로 이 문제를 해결하기 위해 스타트업 Articul8이 나섰습니다. 이 회사는 최근 제조 공급망에 특화된 도메인 전용 AI 모델 제품군인 'A8-SupplyChain'을 출시했다. 해당 모델들은 Articul8의 'ModelMesh' 기술로 지원되는데, 이는 에이전트 기반 AI 동적 오케스트레이션 레이어로 특정 작업에 어떤 AI 모델을 배치할지 실시간으로 결정한다.

Articul8에 따르면 해당 모델은 산업 워크플로우에서 92%의 정확도를 달성하며, 복잡한 순차적 추론 작업에서 범용 AI 모델을 능가하는 성능을 보인다고 한다.

원래 인텔 내부의 팀이었던 Articul8은 2024년 독립 기업으로 출범했습니다. 이 기술은 ChatGPT 출시 이전부터 보스턴 컨설팅 그룹(BCG) 같은 고객사를 위해 인텔이 개발한 다중 모달 AI 모델에서 진화했습니다.

이 회사의 기본 철학은 기존 기업 AI 전략과 대조됩니다.

아티큘8의 CEO이자 창립자인 아룬 수브라마니얀은 벤처비트와의 단독 인터뷰에서 "단일 모델로는 기업 수준의 결과를 도출할 수 없다는 핵심 신념 아래 운영됩니다. 진정한 해결책은 모델의 조합에 있습니다"라고 밝혔습니다. "항공우주, 방위산업, 제조, 반도체, 공급망과 같은 규제 산업 분야의 복잡한 애플리케이션을 해결하려면 도메인 특화 모델이 필수적입니다."

공급망에서의 AI 과제: 순서와 맥락이 결과를 좌우하는 방식

제조 및 산업 공급망은 범용 모델이 종종 해결하지 못하는 독특한 AI 과제를 제기합니다. 이러한 환경은 복잡한 다단계 프로세스를 포함하며, 작업 순서, 분기 논리, 상호 의존성이 성공에 결정적입니다.

수브라마니얀은 "공급망 관리의 기본 원칙은 모든 것이 상호 연결된 단계로 구성되어 있다는 점"이라며 "이 단계들은 서로 연관되어 있으며, 때로는 순차적으로 연결되고 가끔 재귀적 루프를 포함하기도 한다"고 설명했다.

예를 들어 제트 엔진 조립에는 일반적으로 수백에서 수천 단계가 담긴 여러 매뉴얼을 참조해야 하며, 각 단계는 정확한 순서로 실행되어야 한다. 이러한 문서들은 단순한 정적 정보가 아닌, 정확한 준수를 요구하는 프로세스를 설명하는 시계열 데이터를 구현한다. 수브라마니얀은 검색 방법을 강화한 일반 AI 모델조차도 종종 이러한 시간적 관계를 놓친다고 지적했다.

절차를 역추적하여 오류 원인을 정확히 찾아내는 이러한 형태의 복잡한 추론은 일반 모델이 처리하도록 설계되지 않은 근본적인 과제를 제기한다.

모델메시: 기존 오케스트레이션을 뛰어넘는 동적 지능 계층

Articul8 기술의 핵심은 ModelMesh로, 표준 모델 오케스트레이션 프레임워크를 초월하여 산업용 애플리케이션을 위한 '에이전트의 에이전트'를 구현합니다.

Subramaniyan은 "ModelMesh는 프로세스가 단계별로 진행됨에 따라 지속적으로 연결, 평가, 결정하는 지능형 레이어 역할을 합니다"라고 설명했습니다. "기존 도구는 수백, 때로는 수천 개의 런타임 결정을 내리는 우리의 요구 사항을 충족하지 못했기 때문에 완전히 새로 구축했습니다."

LangChain이나 LlamaIndex와 같은 사전 정의된 워크플로를 제공하는 프레임워크와 달리, ModelMesh는 베이지안 시스템과 특수 언어 모델을 통합하여 출력 정확도를 동적으로 평가하고, 후속 조치를 결정하며, 복잡한 산업 워크플로 전반에 걸쳐 일관성을 유지합니다.

이러한 아키텍처는 Articul8이 산업용 에이전트형 AI라고 명명한 것을 가능하게 합니다. 이는 산업 프로세스에 대해 추론할 뿐만 아니라 적극적으로 추진할 수 있는 시스템입니다.

RAG를 넘어: 산업 지능의 근본적 구축

많은 기업용 AI 솔루션이 일반 모델과 기업 데이터를 연결하기 위해 검색 강화 생성(RAG)에 의존하는 반면, Articul8은 도메인 전문성을 내재화하는 근본적으로 다른 접근 방식을 채택합니다.

Subramaniyan은 "우리는 기초 데이터를 구성 요소로 분해합니다"라고 설명했습니다. "PDF는 텍스트, 이미지, 표로 분해됩니다. 오디오나 비디오 콘텐츠도 유사하게 분해되며, 각 요소는 전문 모델의 조합을 사용하여 설명됩니다."

이 회사는 주로 관대한 라이선싱 조건으로 선택된 Llama 3.2를 기반으로 삼지만, 이후 고급 다단계 프로세스를 통해 이를 변환합니다. 이러한 계층적 방법론은 단순한 데이터 조각 검색을 넘어 산업 프로세스에 대한 훨씬 깊은 이해를 모델이 발전시킬 수 있게 합니다.

SupplyChain 모델은 산업 환경을 위해 특별히 설계된 다중 정제 단계를 거칩니다. 감독형 미세 조정은 명확히 정의된 작업을 처리하는 반면, 도메인 전문가가 참여하는 피드백 루프는 더 복잡한 시나리오에 대한 응답을 평가하고 수정합니다.

Articul8의 기업용 애플리케이션

새로운 모델은 초기 단계이지만, 이미 iBase-t, 이토추 테크노 솔루션즈, 액센츄어, 인텔을 포함한 여러 고객사와 파트너사를 확보하고 있습니다.

많은 기업과 마찬가지로 인텔도 설계 및 제조 운영 지원 가능성을 평가하기 위해 범용 모델을 검토하며 생성형 AI 여정을 시작했습니다.

인텔 네트워크·엣지·AI 그룹의 수석 부사장 겸 총괄 매니저인 스리니바스 링감은 벤처비트와의 인터뷰에서 "이러한 모델들은 개방형 작업에서는 탁월하지만, 우리의 고도로 전문화된 반도체 환경에서는 한계를 빠르게 인식하게 되었다"고 말했다. "반도체 특화 용어, 장비 로그의 맥락적 이해, 복잡한 다변수 가동 중단 상황에서의 추론에 어려움을 겪었다."

인텔은 Articul8의 플랫폼을 도입해 링감 부사장이 '제조 사고 어시스턴트(Manufacturing Incident Assistant)'라 명명한 시스템을 개발 중이다. 이는 인텔의 반도체 제조 공장에서 엔지니어와 기술자가 장비 가동 중단을 진단하고 해결하는 데 도움을 주는 지능형 자연어 기반 시스템이다. 이 플랫폼은 도메인 특화 모델을 활용해 구조화된 로그, 비정형 위키 문서, 내부 지식 기반을 포함한 과거 및 실시간 제조 데이터를 처리한다. 인텔 팀의 근본 원인 분석(RCA)을 지원하고, 시정 조치를 권고하며, 작업 지시서 생성 과정의 일부를 자동화하기도 한다.

기업 AI 전략에 대한 시사점

Articul8의 방법론은 RAG(Retrieval-Augmented Generation)를 갖춘 범용 모델이 제조 및 산업 환경에서 모든 기업 AI 요구를 충족시킬 수 있다는 가정에 의문을 제기합니다. 전문 모델과 범용 모델 간의 성능 차이는 기술 리더들이 정밀도가 필수적인 미션 크리티컬 애플리케이션에 대해 도메인 특화 솔루션을 고려해야 함을 시사합니다.

산업 현장에서 AI가 실험 단계에서 생산 단계로 전환됨에 따라, 이 같은 특화 접근법은 고부가가치 사용 사례에 대해 더 빠른 투자 수익률(ROI)을 제공할 수 있으며, 일반 모델은 계속해서 더 광범위하고 덜 특화된 요구 사항을 충족시킬 수 있습니다.