OptiRepair: LLM 에이전트를 활용한 공급망 최적화 모델의 진단 및 복구 시스템

OptiRepair: Closed-Loop Diagnosis and Repair of Supply Chain Optimization Models with LLM Agents

문제 정의: 공급망 최적화 모델은 모델링 오류로 인해 종종 실행 불가능한 상태가 됩니다. 진단 및 복구에는 전문적인 OR(Operations Research) 지식이 필요하며, 분석가는 솔버 진단 결과를 해석하고, 원인을 추적하며, 운영적 타당성을 훼손하지 않고 수식을 수정해야 합니다. 인공지능 에이전트가 이러한 작업을 수행할 수 있을지는 아직 검증되지 않았습니다. 방법론/결과: OptiRepair는 이 작업을 도메인에 독립적인 실행 가능성 검증 단계(모든 LP 문제를 반복적인 IIS(Iterative Improvement Strategy)를 통해 복구)와 도메인 특유의 검증 단계(재고 이론에 기반한 5가지 합리성 검사)로 나눕니다. 우리는 7개 계열의 22개 API 모델을 976개의 다단계 공급망 문제에 적용하고, 솔버가 검증한 보상을 활용한 자기 학습 추론을 통해 80억 개의 파라미터를 가진 두 개의 모델을 학습했습니다. 학습된 모델은 81.7%의 합리적 복구율(RRR, 문제 해결 후 실행 가능하고 운영적으로 타당한 상태)을 달성했으며, 이는 최상의 API 모델의 42.2%와 평균 21.3%보다 높은 수치입니다. 성능 차이는 주로 1단계 복구 단계에서 두드러지며, API 모델의 평균 복구율은 27.6%인 반면, 학습된 모델은 97.2%입니다. 경영적 함의: 현재의 AI와 신뢰할 수 있는 모델 복구 사이에는 두 가지 격차가 존재합니다. 첫째는 솔버와의 상호 작용(API 모델은 실행 불가능한 수식의 27.6%만 복구)이고, 둘째는 운영적 타당성(실행 가능한 복구 중 약 1/4이 공급망 이론을 위반)입니다. 각 격차에는 다른 접근 방식이 필요합니다. 솔버와의 상호 작용은 목표 지향적 훈련을 통해 개선될 수 있으며, 운영적 타당성은 솔버가 검증할 수 있는 명시적인 검사로 정의되어야 합니다. 운영 계획에 AI를 도입하는 조직은 '합리성'이 그들의 맥락에서 무엇을 의미하는지 공식화하는 것이 더 큰 투자 효과를 가져다줄 것입니다.

Problem Definition. Supply chain optimization models frequently become infeasible because of modeling errors. Diagnosis and repair require scarce OR expertise: analysts must interpret solver diagnostics, trace root causes across echelons, and fix formulations without sacrificing operational soundness. Whether AI agents can perform this task remains untested. Methodology/Results. OptiRepair splits this task into a domain-agnostic feasibility phase (iterative IIS-guided repair of any LP) and a domain-specific validation phase (five rationality checks grounded in inventory theory). We test 22 API models from 7 families on 976 multi-echelon supply chain problems and train two 8B-parameter models using self-taught reasoning with solver-verified rewards. The trained models reach 81.7% Rational Recovery Rate (RRR) -- the fraction of problems resolved to both feasibility and operational rationality -- versus 42.2% for the best API model and 21.3% on average. The gap concentrates in Phase 1 repair: API models average 27.6% recovery rate versus 97.2% for trained models. Managerial Implications. Two gaps separate current AI from reliable model repair: solver interaction (API models restore only 27.6% of infeasible formulations) and operational rationale (roughly one in four feasible repairs violate supply chain theory). Each requires a different intervention: solver interaction responds to targeted training; operational rationale requires explicit specification as solver-verifiable checks. For organizations adopting AI in operational planning, formalizing what "rational" means in their context is the higher-return investment.