구글 리서치, 미들마일 물류 생성기 공개

문제의 생김새도 달라요. 퍼스트마일과 라스트마일에서는 화물 하나가 출발지부터 도착지까지 한 차량에 실려 있고, 최적화는 어느 차가 어떤 화물을 어떤 순서로 도느냐를 정하는 일이에요. 반면 미들마일에서는 화물 하나가 여러 차량을 갈아타며 대륙 규모의 망을 건너고, 출발한 지 일주일 뒤에 도착하기도 해요. 발표문은 "미들마일은 릴레이 경주처럼 작동해요" 라고 적었어요.

갈아타기가 만드는 것은 동기화 문제예요. 중간 물류센터에서 화물은 내려지고 목적지별로 분류되고 다른 화물과 합쳐진 뒤 다음 차량에 실려요. 정해진 시간 창 안에 도착해 예정된 출고 트럭을 잡지 못하면 다음 주기까지 센터에 앉아 있어야 하고 지연이 크게 불어나요.

글은 네덜란드 과자 하나가 700킬로미터 떨어진 집에 이튿날 닿는 일이 물류 최적화 덕분이라는 물음으로 열려요. 이어 든 예시는 네덜란드 흐로닝언에서 프랑스 베르사유까지 가는 경로예요. 물건은 위트레흐트 지역 센터로 모였다가 같은 날 안트베르펜으로 가고, 파리행 가장 빠른 트럭이 차 있어 이튿날 두 번째 트럭을 타고 파리에 밤에 닿은 뒤 다음 날 라스트마일로 넘어가요. 한 화물이 사흘에 걸쳐 구간을 나눠 가는 구조예요.

기존 도구로는 안 풀려요. 구글은 이 문제를 시공간 그래프 위의 다상품 흐름 문제로 모델링했는데, 노드는 특정 시간 구간의 특정 물류센터이고 아크는 차량의 이동이나 센터에서 화물이 대기하는 상태예요. 고정 시간표와 센터의 시간당 분류 처리량 한도, 한 차량의 도착이 다른 차량 출발의 전제가 되는 동기화가 전부 완화하기 어려운 제약이라, 글은 "기존 차량 경로 문제 솔버는 미들마일에 적용할 수 없어요" 라고 적었어요.

생성기가 지키는 것은 사실성과 비공개 사이의 균형이에요. 물류센터는 중력 모델이나 공간 군집으로 배치해 실제 인구와 산업 밀도를 반영하고, 수요는 현실적인 물량과 중량 분포를 따르는 출발지와 도착지 쌍으로 만들어요. 차량 일정도 노드 사이를 아무렇게나 잇는 대신 큰 센터끼리 또는 큰 센터와 이웃한 작은 센터를 잇는 구조로 짜요. 이 분포들은 업계가 공개한 정보와 비공개로 제공받은 데이터 사이를 보간해서 만들어져요.

구현은 C++ 이고 데이터 직렬화에는 프로토콜 버퍼를 써요. 인스턴스 하나가 파일 하나에 담기니 다른 언어로 쓰인 솔버도 그대로 읽어요. 차량 경로 문제 쪽이 용량이나 시간 창 같은 조건마다 변형을 따로 둔 것과 달리, 이 형식은 고정 일정과 처리량 한도와 동기화 전제를 하나의 파일 형식 안에 모두 넣었어요.

메탈이 확인한 발표문은 내놓을 인스턴스의 폭도 적어 뒀어요. 정확한 알고리즘을 시험할 학계의 장난감 문제 크기부터 고급 휴리스틱이 필요한 대륙 규모 산업 문제까지이고, 그 사이 크기도 포함해요. 기계학습 알고리즘을 훈련할 큰 데이터셋을 만드는 용도도 열어 뒀어요.

이 작업은 구글과 브레시아대학교, 파리 국립교량도로학교의 협업이에요. 구글은 미들마일 문제에 특화된 솔버와 API 를 만들고 있다고 밝혔고, 차량 경로 문제 쪽의 CVRPLIB 에 해당하는 표준 벤치마크 모음을 미들마일에도 세우는 첫 걸음이라고 적었어요. 학계와 산업계의 관심을 끌기 위한 대회를 열고 싶다는 뜻도 함께 적었어요.

메탈은 구글 리서치가 복잡한 AI 검색의 추론 병목을 줄이는 R4T 를 보도한 바 있고, 교사가 직접 만드는 학습 인터랙티브 라이브러리도 보도한 바 있어요. 세 건이 같은 자리를 겨눠요. 모델을 키우는 대신 문제를 다룰 수 있는 형태로 바꿔 놓는 일이에요. 공급망 최적화의 다음 진전은 더 큰 모델이 아니라 공개된 문제집에서 나올 가능성이 커졌어요.