업종마다 예측이 쓰이는 자리가 다르다

제조에서 예측이 가장 먼저 붙는 곳은 설비입니다. 라인 하나가 멈추면 앞뒤 공정이 함께 멈추고, 납기 지연과 긴급 정비 비용이 겹칩니다. 설비 고장을 미리 알고 계획 정지로 옮기면 이 비용 구조가 바뀝니다. 원프레딧의 산업용 AI 솔루션 GUARDIONE은 대규모 산업 데이터를 분석해 고정밀 진단·예측을 지향하는 사례로, 이 영역의 전형적인 접근을 보여줍니다.

예지정비에서 어려운 부분은 모델 자체보다 경고 운영입니다. 경고가 잦으면 현장이 무시하고, 드물면 신뢰를 잃습니다. 그래서 경고 기준과 대응 절차를 정비팀과 함께 정하고, 경고 이후 실제 조치까지의 기록을 남기는 과정이 필요합니다.

현대차 같은 대규모 제조 기업의 사례가 자주 언급되는 이유는 예측이 한 지점에 머물지 않기 때문입니다. 부품 수요, 생산 계획, 재고 운영, 물류가 서로 연결돼 있어 한 곳의 예측 오차가 다른 곳으로 전파됩니다. 단일 모델의 정확도보다 예측들이 어떻게 맞물리는지가 중요해집니다.

이 환경에서는 오차를 전제로 한 완충 설계가 함께 갑니다. 핵심 부품은 재고를 여유 있게, 대체 가능한 부품은 낮게 잡는 식입니다. 예측 모델은 이 완충 수준을 정하는 근거로 쓰입니다.

유통에서 예측이 집중되는 곳은 재고입니다. 수요 예측이 빗나가면 품절과 과잉이 동시에 생깁니다. 패션 산업의 사이즈 비율 기반 재고 최적화 모델을 개발하는 WAI KOREA 사례는 이 문제가 수량 예측만으로는 풀리지 않는다는 걸 보여줍니다. 총판매량이 맞아도 사이즈 분포가 틀리면 반품과 재고 손실이 남습니다.

그래서 유통에서는 예측 단위를 세분화합니다. 카테고리 단위, SKU 단위, 사이즈 단위처럼 의사결정이 일어나는 단위에 맞춥니다. 세분화할수록 데이터가 얇아지므로, 계층 간 정보를 공유하는 구조가 함께 필요합니다.

보험 영역에서 예측은 두 갈래로 쓰입니다. 하나는 사고·질병 발생 확률 추정이고, 다른 하나는 그 확률에 따라 비용이 어떻게 분포하는지입니다. 확률이 같아도 손실 규모 분포가 다르면 필요한 준비금이 달라집니다.

복리후생이나 인사 영역에서는 이탈 예측과 조직 리스크가 대상이 됩니다. 다만 개인 단위 예측에는 설명과 동의 절차가 따라붙습니다. 규제가 걸린 영역에서는 모델 성능보다 판단 근거를 문서로 남길 수 있는지가 도입 여부를 가릅니다.

공공 영역에서 예측이 가장 분명하게 쓰이는 곳은 기상과 재난입니다. 기상청이 KAIST와 함께 2020년부터 개발한 것으로 보도된 AI 기반 예보 체계 NowAlpha는 이 영역에서 AI 예측이 어디까지 왔는지 보여주는 사례입니다. 날씨는 정답 하나를 맞히는 문제가 아니라 확률과 범위로 표현될 때 더 쓸모 있어지는 분야입니다. 이 사례는 전통 수치예보와 AI를 결합하는 방향으로 논의됩니다.

재난 경보에서는 속도가 정확도만큼 중요합니다. 몇 시간 빠른 경보가 피해 규모를 바꾸기 때문입니다. 그래서 공공 예측 시스템은 정확도, 계산 속도, 그리고 경보 전달 체계를 한 묶음으로 설계합니다.