지능형 스케줄링 Agent의 의사결정 논리는 본질적으로 제한된 능력, 제한된 자재, 제한된 인력 아래에서 사람의 경험이 아니라 알고리즘으로 어느 주문을 먼저, 어느 것을 나중에, 어느 설비에서, 언제 돌릴지 결정하는 실시간 해결 메커니즘입니다. 한 번에 완벽한 계획을 계산하는 것을 추구하지 않고, 제약 모델링, 우선순위 규칙, 롤링 재스케줄링을 통해 긴급 주문, 자재 부족, 설비 고장 같은 교란을 분에서 시간 단위의 시간 창 안에서 흡수합니다. 고정 규칙으로 스케줄링하는 전통 APS와 달리 지능형 스케줄링 Agent는 이상을 감지하고, 영향을 평가하고, 대안을 생성하며, 추론을 설명할 수 있습니다.
1. 지능형 스케줄링 Agent가 실제로 해결하는 문제
많은 공장의 스케줄링 현실은 Excel 한 장과 숙련된 계획 담당자 한 명입니다. 숙련자는 어느 사출기가 금형 교체가 느린지, 어느 SMT 라인이 전환에 두 시간이 걸리는지, 어느 고객 주문이 늦어서는 안 되는지를 경험으로 압니다. 그러나 사람의 뇌는 수십 대 설비, 수백 개 작업 지시, 수천 개 공정의 조합을 계산할 수 없고, 주문이 쌓이고 긴급 주문이 들어오면 Excel은 무너집니다. 계획은 되어 있는데 실행에서는 매일 불을 끄는 상황이 흔합니다.
지능형 스케줄링 Agent가 해결하는 것은 작업 지시를 달력에 채우는 일이 아니라 더 구체적인 세 가지 문제입니다. 첫째는 상충하는 목표 사이의 균형입니다. 납기 우선인지 전환 횟수 우선인지, 설비 가동률 우선인지 자재 키팅 우선인지, 이런 가중치는 느낌에 맡기지 말고 명시적으로 모델링해야 합니다. 둘째는 예외 대응 속도입니다. 설비가 갑자기 고장 나거나 입고 검사에서 배치가 불합격되거나 긴급 주문이 끼어들 때 수동 재스케줄링은 반나절이 걸리지만 Agent는 몇 분 안에 조정안을 만들고 어떤 주문이 영향을 받는지 밝힐 수 있습니다. 셋째는 계획의 실행 가능성입니다. 산출된 스케줄은 MES 작업 지시 배차와 연결되고, 자재 키팅을 검증하며, 금형과 공구의 실제 가용성과 일치해야 하며, 현장과 분리된 종이 계획이어서는 안 됩니다.
2. 의사결정 논리를 뒷받침하는 기술
스케줄링 Agent의 의사결정 논리는 보통 세 계층입니다. 하위 계층은 제약 모델링으로, 설비 능력, 공정 선후, 전환 시간 행렬, 자재 키팅 상태, 인력 자격 같은 실제 제약을 수학 모델로 번역하며, 흔히 혼합 정수 계획과 제약 계획의 조합을 쓰고, 공정 수가 수백에서 수천일 때 휴리스틱 규칙으로 초기해를 준 뒤 국소 최적화를 합니다. 중간 계층은 우선순위 결정 엔진으로, 가중 규칙으로 납기 긴급도, 고객 등급, 병목 공정 가동률, 같은 색상과 재질 주문의 병합 같은 요소를 처리하며, 규칙 가중치는 구성 가능하게 해 블랙박스를 피합니다. 상위 계층은 롤링 재스케줄링 메커니즘으로, 고정 시간 창(예를 들어 2시간마다)이나 이벤트 촉발(설비 정지, 자재 부족 알람)로 다시 풀고, 영향을 받는 시간 구간만 조정해 계획 안정성을 유지하며 전체 계획이 흔들려 현장이 혼란스러워지는 것을 피합니다.
핵심 역량에서 설명 가능성은 스케줄링 Agent와 전통 블랙박스 최적화기의 분수령입니다. 좋은 Agent는 특정 작업 지시가 왜 앞에 놓였는지 출력합니다. 납기 여유가 6시간밖에 남지 않아서인지, 앞 주문과 금형을 공유해 전환을 절약하기 때문인지입니다. 또한 전환 시간 행렬의 정확도가 스케줄 품질을 직접 결정하며, 업계의 흔한 실무는 이론값이 아니라 MES 과거 데이터에서 같은 설비의 인접 작업 지시 실제 전환 시간을 도출하는 것입니다. 연계는 보통 OPC-UA나 REST 인터페이스로 MES/ERP에서 작업 지시, BOM, 재고, 설비 상태를 당기고, 스케줄은 계획 시작과 완료 시간이 포함된 작업 지시 순서로 기록됩니다.
3. 제조에서 어떤 시나리오가 실제로 효과를 보는가
전자 공장이 SMT 실장을 하며 다중 라인, 수백 개 품번, 잦은 긴급 주문이 있다고 가정해 보겠습니다. 여기서 스케줄링 Agent의 핵심 가치는 전환 병합과 키팅 검증입니다. 같은 기판 면, 같은 PCB 두께, 같은 공정 요구의 작업 지시를 묶어 전환을 줄이고, 스케줄링 시점에 피더 목록 자재가 완비되었는지 검증해 자재가 부족한 작업 지시는 스케줄한 뒤 라인을 세우는 대신 자동으로 뒤로 밀립니다. 사이클 타임이 안정적인 라인이 이 모델에 적합합니다. 입고 자재 일관성이 나쁘고 부품 결품이 잦으면 Agent의 키팅 검증이 재스케줄링을 너무 자주 촉발하므로 자재 계획을 먼저 안정화해야 합니다.
자동차 부품사가 가공과 조립을 하며 열처리로와 일부 머시닝 센터가 병목이라고 가정해 보겠습니다. 여기서 스케줄링 논리는 납기를 지키면서 병목 공정 가동률을 최대화하는 데 초점을 둡니다. Agent는 병목 자원을 식별하고 병목을 기준으로 스케줄한 뒤 앞뒤 공정으로 역산하며, 동시에 열처리의 로 배치 규칙(같은 재질, 같은 공정 파라미터를 함께 배치)을 처리해야 합니다. 이런 시나리오는 제약 모델링의 정밀도를 높게 요구합니다. 배치 규칙을 부정확하게 모델링하면 현장이 결과 스케줄을 받아들이지 않습니다.
또 다른 시나리오는 사출 작업장으로, 금형 교체 시간이 스케줄링을 지배합니다. 스케줄링 Agent는 금형 가용성, 교체 작업 시간, 설비 톤수 매칭, 같은 색상과 재질 병합을 입력으로 받아야 하며, 의사결정 논리는 금형 교체 감소와 설비 부하 균형에 기웁니다. 금형 상태 데이터의 부정확성은 이런 시나리오의 흔한 장애물이며 금형 관리 시스템이나 수동 보고 데이터의 지원이 필요합니다.
4. 선정과 구축 시 주의할 질문
가장 자주 받는 질문은 스케줄링 Agent가 APS와 어떻게 다른가입니다. 전통 APS는 일회성 해결과 고정 규칙에 치우쳐 재스케줄링 역량이 약하고, 스케줄링 Agent는 이벤트 기반 롤링 재스케줄링과 설명 가능성을 강조하며 스케줄이 왜 그렇게 되었는지 답할 수 있습니다. 다만 Agent가 APS 전체를 대체하지는 않습니다. 많은 제품이 APS 솔버 위에 Agent의 감지와 상호작용 계층을 더합니다.
두 번째 질문은 MES/ERP 연계에 무엇이 필요한가입니다. 기본 요구는 작업 지시, 공정 경로, BOM, 재고, 설비 상태를 인터페이스로 안정적으로 얻을 수 있고 데이터 갱신이 최소 분 단위인 것입니다. ERP의 공정 경로가 부정확하고 시간 할당이 어림짐작으로 설정되어 있으면 스케줄의 신뢰성이 급락하므로, 구축 전에 마스터 데이터 거버넌스 한 라운드가 보통 필요합니다.
세 번째 질문은 구축 주기와 하드웨어 요구입니다. 스케줄링 Agent는 보통 소프트웨어 계층에 배포되어 추가 라인 하드웨어가 필요 없고, 서버나 클라우드 자원은 작업 지시량으로 산정합니다. 주기는 마스터 데이터 품질과 연계 시스템 수에 달려 있으며, 데이터가 깨끗하고 인터페이스가 준비되면 몇 주에서 몇 달이고, 공정 경로와 전환 시간을 처음부터 재작업하면 눈에 띄게 길어집니다.
네 번째 흔한 함정은 스케줄링 Agent를 완전 자동 무인 스케줄링으로 보는 것입니다. 실제 구축에서 더 흔한 패턴은 Agent가 계획을 제안하고 계획 담당자가 확인하거나 미세 조정하는 것이며, 특히 규칙이 자주 바뀌는 다품종 소량 작업장에서 그렇습니다. 자동 배차를 완전히 릴리스하려면 규칙이 일정 기간 안정적으로 돌아야 하고 현장이 Agent의 결정에 신뢰를 쌓아야 합니다.
다섯 번째는 비용 구조입니다. 주로 소프트웨어 라이선스나 구독, 구축 서비스(데이터 거버넌스와 인터페이스 연계), 이후의 규칙 튜닝입니다. 규모가 크고 제약이 복잡할수록 구축과 튜닝의 비중이 높아집니다. 선정 시 전환 시간 행렬을 어떻게 모델링하는지, 재스케줄링 안정성을 어떻게 통제하는지, 규칙 가중치를 시각적으로 구성할 수 있는지에 주목해야 하며, 이 세 가지가 가동 후 계획 담당자가 실제로 사용할지를 직접 결정합니다.
5. 적합과 부적합의 경계
적합한 시나리오는 다품종 소량 생산의 이산 제조 작업장, 설비 자원이 제한적이고 전환과 금형 교체 시간 비중이 크며, 긴급 주문이 잦고 MES/ERP 데이터 기반이 있는 경우입니다. 전자 SMT, 자동차 부품 가공과 조립, 사출, 금속 가공이 그 예입니다. 이런 시나리오는 제약이 명확하고 데이터에 접근할 수 있어 Agent의 롤링 재스케줄링이 계획 담당자의 재스케줄링 부담을 분명히 줄일 수 있습니다.
신중히 평가해야 하는 시나리오는 공정 경로가 극도로 불안정하고 시간 할당이 만성적으로 부정확하며 자재 키팅률이 낮고 변동이 큰 작업장입니다. 스케줄링 Agent가 잦은 재스케줄링 촉발에 끌려가 계획이 변화를 따라가지 못하는 순환이 생기므로 마스터 데이터와 자재 계획을 먼저 안정화해야 합니다. 연속 생산이고 전환 비용이 극히 높은 공정 산업은 스케줄링 논리가 이산 제조와 크게 달라 전용 제약 모델링이 필요하며, 이산 스케줄링 Agent를 그대로 적용할 수 없습니다. 또한 전적으로 사람의 경험에 의존하고 규칙을 명시화하기 어려운 노후 작업장은 가동 전에 규칙 명확화 기간이 필요하며, 첫날부터 Agent가 자동으로 스케줄링하리라 기대하는 것은 비현실적입니다.
ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포했으며 국내외 시장을 아우르는 기업들의 벤더 생태계에서 스케줄링 Agent는 최적화기의 번들 기능에서 독립 제품 형태로 이동하고 있지만, 선정은 여전히 세 가지 단단한 지표, 즉 제약 모델링 정밀도, 재스케줄링 안정성, 설명 가능성으로 돌아와야 합니다.