의약품 공급망의 미래: AI vs. 전통적 방법, 최적의 재고 관리 정책은?

이탈리아 연구진이 브리스톨 마이어스 스퀴브와 협력하여 의약품 공급망의 복잡한 요소들을 고려한 최적의 재고 관리 정책을 연구했습니다. 심층 강화 학습(DRL)을 포함한 세 가지 정책을 비교 분석한 결과, DRL은 복잡한 상황에서 우수하지만 계산 비용이 높고, 단일 정책으로는 모든 상황에 적용하기 어렵다는 결론을 얻었습니다. 다양한 정책의 통합적 활용이 의약품 공급망 관리의 미래라고 제시합니다.

의약품 공급망 관리의 혁신: AI와 전통적 방법의 만남

최근, 브리스톨 마이어스 스퀴브(BMS)와의 협력을 통해 이탈리아 연구진이 의약품 공급망 관리에 대한 획기적인 연구 결과를 발표했습니다. Francesco Stranieri 등이 주도한 이 연구는 폐기 가능성, 수율 불확실성, 수요의 비정상성과 같은 의약품 공급망 특유의 어려움을 해결하기 위한 새로운 접근 방식을 제시합니다. 기존의 주문-최대(OUT) 정책과 예상 재고 수준(PIL) 정책과 더불어, 최첨단 심층 강화 학습(DRL) 알고리즘인 근접 정책 최적화(PPO)를 활용하여 BMS의 기존 방식과 비교 분석했습니다.

세 가지 정책의 대결: AI는 만능일까?

연구진은 OUT, PIL, 그리고 PPO 기반 DRL 세 가지 정책을 BMS의 기존 방식과 비교 평가했습니다. 흥미롭게도, 세 가지 정책 모두 인간 전문가 기반의 기존 정책보다 평균 비용을 낮추는 성과를 보였습니다. 하지만, 비용 변동성이 더 크다는 점이 관찰되었습니다. PIL 정책은 안정적이고 일관된 성능을 보였지만, OUT 정책은 손실 비용이 높을 때 어려움을 겪었습니다. 반면 PPO 기반 DRL은 복잡하고 변동이 심한 상황에서 뛰어난 성능을 보였지만, 상당한 계산 비용이 필요하다는 단점이 있습니다.

결론: 최적의 정책은 하나가 아니다

이 연구는 DRL이 의약품 공급망 관리에 잠재력을 가지고 있음을 보여주지만, 모든 상황에서 전통적인 정책보다 우수한 성능을 보장하는 것은 아님을 시사합니다. 따라서, 현재 기술 수준을 고려할 때 다양한 정책을 통합하여 의약품 공급망의 복잡한 문제에 효과적으로 대처하는 것이 중요합니다. 단일 정책으로 모든 문제를 해결할 수 없다는 점을 강조하며, 앞으로 더욱 다양하고 효율적인 의약품 공급망 관리 전략 개발의 필요성을 제시합니다. 이 연구는 AI 기반의 최적화된 의약품 공급망 관리 시스템 구축을 위한 중요한 이정표가 될 것입니다. 향후 연구는 DRL의 계산 비용을 줄이고, 다양한 상황에 대한 적응력을 높이는 데 집중되어야 할 것입니다.