ITDA - AI 기반 이동장터 운영 최적화 플랫폼
식품사막화 문제를 직접 확인하기 위해 전남 영광군의 이동장터에서 봉사활동을 진행했습니다. 이동장터는 단순한 판매 수단이 아니라 어르신들의 일상을 연결하는 소통 창구이자 사랑방 역할까지 수행하고 있었습니다.
동시에 운영자의 경험과 기억에만 의존하는 경로, 마을별 수요 차이로 발생하는 품절·폐기, 운영 데이터 부재 문제를 발견했습니다. 이를 운영자를 대체하는 AI가 아니라 운영자의 판단을 데이터로 보조하는 AX 문제로 정의했습니다.
AI 기반 이동장터 운영 최적화 플랫폼
‘잇다’는 이동장터 운영자를 위한 AI 기반 운영 보조 플랫폼입니다. 운전자용 인터페이스와 관리자용 대시보드로 구성해 경로·수요·재고·매출·돌봄 정보를 하나의 운영 데이터 체계로 연결했습니다.
수요예측
품목·마을별 수요예측에는 RandomForest + HistGradientBoosting + XGBoost를 결합한 앙상블 모델을 적용했습니다. 요일·월 등 주기적 변수를 sin/cos 형태로 변환해 계절성을 반영하고, 예측값뿐 아니라 신뢰구간을 함께 제공해 관리자가 불확실성까지 고려해 재고를 결정할 수 있도록 설계했습니다.
데이터가 부족한 신규 마을의 Cold Start 문제는 유사한 특성을 가진 다른 마을의 패턴을 활용해 초기 예측값을 설정하는 방식으로 대응했습니다.
경로 최적화
초기에는 거리 중심으로 경로를 생성했지만, 수요가 적은 마을이 먼저 추천되는 문제가 있었습니다. 이에 수요예측량·예상매출·재고 매칭률·이동거리·폐기위험도를 함께 반영하는 Scoring Model로 마을의 방문 가치를 계산했습니다.
우선 방문 거점을 선정한 뒤 2-Opt 휴리스틱으로 거점 간 이동 경로를 최적화해 단순 최단거리보다 실제 운영 목표를 반영하는 구조로 고도화했습니다.
재고 추천
수요예측 결과를 기반으로 제한된 차량 적재 공간 안에서 재고를 추천했습니다. 초기에는 기대매출이 높은 상품을 우선하는 Greedy 방식으로 구현했지만, 단가는 낮아도 어르신에게 필수적인 품목이 빠지는 문제가 발생했습니다.
이를 해결하기 위해 필수 품목의 최소 수량을 먼저 확보한 뒤 나머지 적재 공간에 최적화 로직을 적용했습니다.
Care-CRM
이동장터가 가진 안부 확인 기능을 데이터로 체계화하기 위해 어르신별 건강·식생활 특이사항을 기록하는 Care-CRM을 설계했습니다. 구매 패턴이나 방문 주기가 평소와 달라지는 이상 징후를 돌봄 알림으로 확인할 수 있도록 관리자 대시보드에 연결했습니다.
RAG 보고서
현장에서 축적되는 판매·고객·건강 태그 데이터를 지자체가 활용할 수 있도록 RAG 기반 보고서 생성 기능을 구현했습니다. 관리자의 질문과 관련된 DB 데이터를 검색해 LLM 컨텍스트로 제공하고, 해당 근거를 바탕으로 지역별 식품 소비·돌봄 현황과 정책 제안을 생성하도록 구성했습니다.
초기에는 LLM이 컨텍스트 밖의 내용을 생성하는 문제가 있어, 근거 데이터가 없으면 답변하지 않도록 프롬프트 제약조건을 추가해 hallucination을 줄였습니다.
음성 도우미
이동장터 주행 중 화면 조작을 줄이기 위해 Web Speech API 기반 음성 도우미를 구현했습니다. STT로 명령을 입력받고 rule-based NLU로 재고·다음 마을·날씨 등의 의도를 분류한 뒤 TTS로 응답하도록 구성했습니다. 이전 질문의 일부 context를 유지해 연속 질문도 지원했습니다.
MVP 데이터 설계
실제 운영 데이터가 확보되지 않은 MVP 단계였기 때문에, 공공 통계·일본 이동장터 사례·현장 인터뷰를 바탕으로 프로토타입 검증용 데모 데이터를 설계했습니다.
고령 인구 분포, 계절성, 날씨, 상품 간 연관성, 건강 태그와 이상 패턴을 반영해 각 AI 기능의 동작과 운영 시나리오를 검증할 수 있도록 구성했습니다.
비즈니스 모델
이동장터 운영 주체인 지자체·농협·사회적협동조합을 대상으로 B2B/B2G SaaS 구독 모델을 설계하고, 축적된 비식별 운영 데이터를 활용한 데이터·정책 컨설팅 모델까지 확장했습니다.
배운 점
현장에서 발견한 사회문제를 단순한 AI 기능 아이디어로 끝내지 않고, 운영자의 실제 업무를 기준으로 As-Is 문제를 정의하고 데이터·ML·최적화·RAG를 하나의 To-Be 운영 프로세스로 연결해봤습니다.
기술의 성능뿐 아니라 사용자의 업무 방식, 데이터 확보 가능성, 서비스 운영과 비즈니스 모델까지 함께 고려해야 실제 현장에 적용 가능한 서비스가 된다는 점을 배웠습니다.