시카고 식품업소 검사, AI가 최적화하다: 휴식 없는 다중 무장 밴딧 알고리즘의 활용

시카고 공중보건국의 식품업소 검사 일정 최적화 문제를 해결하기 위해, Yi Mao와 Andrew Perrault 연구진은 휴식 없는 다중 무장 밴딧 알고리즘을 확장하여 검사 빈도 및 기간 제약 조건을 만족하면서 검사 효율을 극대화하는 알고리즘을 개발했습니다. 실제 데이터 기반 신경망 모델을 통해 최대 33%의 효율 향상을 달성하였으며, AI를 활용한 공공 서비스 개선의 성공적인 사례를 제시했습니다.

매년 시카고에서는 수천 곳의 식품업소에 대한 검사가 이루어집니다. 하지만 2023년 기준 3,000건이 넘는 업소가 검사에 실패하여 시카고 공중보건국(CDPH)에는 효율적인 검사 일정 관리가 시급한 과제였습니다. 단순히 많은 업소를 검사하는 것만으로는 부족합니다. 지침 준수, 업소의 불편 최소화, 그리고 검사 비용 절감까지 고려해야 하기 때문입니다.

이러한 어려움 속에서 Yi Mao와 Andrew Perrault 연구진은 혁신적인 해결책을 제시했습니다. 바로 휴식 없는 다중 무장 밴딧(Restless Multi-armed Bandit, RMAB) 알고리즘을 활용한 것입니다. 기존 RMAB 알고리즘은 검사 기간과 빈도 제약 조건을 고려하지 못했지만, 이 연구에서는 Whittle 지수 기반 시스템을 확장하여 이러한 제약 조건을 충족하는 동시에 검사 효율을 극대화하는 알고리즘을 개발했습니다. 이는 MDP(Markov Decision Process) 재구성과 정수 프로그래밍 기반 예측을 결합한 방법론입니다.

단순히 알고리즘만 개발한 것이 아닙니다. 연구진은 실제 시카고 식품업소 데이터를 활용하여 신경망 기반 감독 학습 모델을 구축했습니다. 이 모델은 업소의 실패 여부를 예측하여 검사 일정을 최적화하는 데 사용되며, 기존 방법 대비 AUC(Area Under the Curve)를 10% 향상시키는 성과를 거두었습니다.

결과는 놀라웠습니다. 시뮬레이션에서는 최대 24%, 실제 데이터 기반 분석에서는 최대 33%의 보상 향상을 달성했습니다. 이는 단순한 효율 증가를 넘어, 제약 조건을 고려한 최적화 전략이 얼마나 큰 효과를 가져올 수 있는지 보여주는 훌륭한 사례입니다.

이 연구는 단순한 알고리즘 개발을 넘어, 실제 공공 서비스 개선에 AI를 적용한 성공적인 사례로 평가됩니다. 앞으로도 AI 기술은 공공 서비스의 효율성을 높이고 시민들에게 더 나은 삶을 제공하는 데 중요한 역할을 할 것으로 기대됩니다.