[AWS 웨비나 기록] Retail 산업에서의 AI활용

 

Retail 산업에서의 AI 활용 사례

웨비나 시청 기록 

---

1. AI 란?

: 인간의 지능적인 행동(소통, 통찰력, 감지/식별) 을 모방

 

 

---

Retail 산업에 AI를 도입하게 된 계기는? 

 

" 효율적인 재고관리의 필요성 "

재고관리를 할 때 발생하는 이슈들:  

- 재고관리를 위한 수기작업으로 인력 소모

- 과소하게 예측하면, 더 팔 수 있는 기회를 일게 됨

- 과다하게 예측하면, 폐기상품이 발생

 

이러한 이슈를 관리하기 위해서

정확한 수요예측이 필요하다.

 

사람의 판단만으로는 정확하게 예측하기 어렵고

판단에 필요한 그 정보양이 어마하게 많다!

 

따라서, 

신세계에서는 Saiaas 라는 AI 플랫폼 신설

- Cloud AI Service

- 딥러닝

 

 

 

 

Saiaas 의 예측부:

- input data & output insigt 간단한 구성도 (AIaas)

 

 

즉,

Retail 산업 분야에 대한 지식 + I&C의 AI 기술 + 그 바탕이 되는(run on) AWS Infra 환경 으로 구성된다.

 

 

전체적인 AWS 인프라 아키텍처는 다음과 같다고 한다. 

 

 

❓ AWS SageMaker란,
개발자 및 데이터 과학자가 기계 학습(ML) 모델을 빠르게 구축, 훈련 및 배포할 수 있도록 하는 완전 관리형 서비스 SageMaker는 기계 학습 프로세스의 각 단계에서 부담스러운 작업을 제거하여 고품질의 모델의 개발을 보다 더 쉽게 해줌 

 

Saiaas 플랫폼을 구축하는 데 SageMaker를 사용한 신세계의 입장에서는

해당 AWS 서비스에 대해 다음의 이점을 이야기했다.

 

- 작업 시간에 따른 비용: 개발 서버 구성 대비 비용적인 이점

- 빠른 개발 환경 구성 (notebook instance) : 짧은 기간의 과업에 매번 환경 구성 필요 없음

- Scaling 의 편의성 : downtime 없이 간단히 확장 가능

- 다양한 개발언어 지원 : 동일한 jupyter 인터페이스 사용 가능

- SageMaker lifecycle 기반 사용자별 환경 구축  : lifecycle 구성을 통해서 EFS 마운트해서 사용 가능

 

이러한 환경 구축을 통해 다음과 같은 맞춤형 알고리즘 기반 수요예측을 기대할 수 있다. 

 

 

WorkFlow : 

 

모형의 예측력 판별 척도로는 RMSE 공식을 사용하였는데, 

이 값(즉, 예측값과 실제값의 차이)이 낮을수록 정교환 예측임을 의미한다. 

 

 

상품 상세 분석: 초콜릿 에너지바 

RSME 값이 24.58 -> 14.71 로 감소하며

보다 더 정확해진 수요예측값을 보여준다. 

이외에 98개 중분류 중 92개 중분류에서 

보다 더 정확해진 수요예측값 관측!!!

 

 

 

재고관리에 이어

행사상품 수요예측 또한 Retail산업에서 관건! 

왜냐하면, 1) 복잡한 변수들이 있고 이 변수들을 수기로 계산하기는 불가능하며 2) 계산한다 해도 너무나 노동집약적인 작업이다.3) 또한 본사에서 전 지점의 수량을 커버하는 작업이고, 행사 기간에 따라 순발력을 요구하는 작업이기 때문! 

 

 

그래서신세계의 Saicast는 "행사"라는 환경에 맞춤화된 Saicast2.0을 개발하였다.이는 다음과 같이 다양한 SUB AI Model을 구현하고 있다.

 

 

 

> Sasicast 2.0 의 예측 결과는 다음과 같다.

1) 행사 기간 시점에 대한 민감한 반응과 Up-Selling Scale 

 

2) 행사 종료 시점에 대한 민감한 반응과 Up-Selling Scale