본 솔루션은 제조실행시스템(MES)에 축적되는 품목별 입·출고 실적 데이터를 활용하여, 향후 수요(출고)와 입고 흐름을 자동으로 예측하는 설치형 AI 솔루션입니다.

시계열 예측 알고리즘을 기반으로 기업별·품목별 예측 모델을 개별 학습하며, 매일 자동으로 최신 데이터를 반영해 모델을 갱신함으로써 예측의 최신성과 정확도를 유지합니다.

이를 통해 제조 현장은 과잉 재고와 결품을 사전에 방지하고, 데이터에 근거한 발주·생산 계획 수립 및 재고 최적화를 실현할 수 있습니다.

별도의 고가 인프라 없이 기존 MES 서버에 설치·운영되어 도입 부담이 낮은 것이 특징입니다.

[활용 분야] 제조 공급망·재고 관리. 품목 단위의 입고량·출고량(수요)을 시계열로 예측하여 발주 시점 결정, 안전재고 산정, 생산·구매 계획 수립을 지원합니다.

[활용 방식]

1. MES에 축적된 입고(ItemIn)·출고(ItemOut) 실적을 시계열 데이터로 자동 추출 - 입고 예측: 실입고량(입고량 − 불량량)을 학습 대상으로 사용 - 출고 예측: 출고량을 학습 대상으로 사용

2. 기업별·품목별로 개별 예측 모델을 생성하여 품목 특성에 맞는 예측 수행

3. 매일 정해진 시각(00:10)에 자동 재학습하여 최신 실적을 반영

4. 학습된 모델은 파일로 저장·관리되어 예측 요청 시 즉시 활용

[주요 기능]

- 품목별 수요(출고) 예측 및 입고 예측

- 학습 가능 데이터 자동 검증(데이터 부족·무변동 품목 자동 제외)

- 다수 품목의 병렬 학습 처리로 대량 품목 대응 - 예측 결과의 MES 화면 연계 제공(현황·계획 참조)

- KPI 분석·설비 알림 등 MES 운영 기능과의 통합 제공

[검증 성능 요약]

테스트 데이터셋 기준 12개 품목 예측 결과 평균 MAE 4.3, MAPE 9.9%, RMSE 5.6, R² 0.84 수준으로, 수요예측 분야에서 실무 활용 가능한 정확도를 확보하였습니다.

[백엔드 / 웹 프레임워크]

- Python 3.8, Django 3.0.6 (웹 프레임워크)

- Django REST Framework 3.11.0 (REST API 제공)

[데이터베이스]

- MySQL (mysqlclient 2.0.3 / PyMySQL 1.0.2 드라이버)

[AI / 데이터 처리]

- Prophet 1.1.7 (시계열 예측 라이브러리)

- pandas 1.0.5, numpy 1.21.6 (데이터 전처리·연산)

- pickle (학습 모델 직렬화·저장)

[운영 / 인프라]

- uWSGI + Nginx (WAS·웹서버, live/test 이중 운영)

- Celery 4.4.6 (비동기 작업 처리)

- schedule 1.2.1, ThreadPoolExecutor (예측 모델 자동 재학습·병렬 처리)

- AWS EC2 (Ubuntu 24.04) 기반 설치형 운영

[전체 구조]

데이터 수집 → 모델 학습 → 예측 제공의 3계층 구조

1) 데이터 수집 계층 현장 장비·입출고 실적 → MES(Django + DRF, MySQL)에 입고(ItemIn)/출고(ItemOut) 데이터 실시간 축적

2) 모델 학습 계층 (AI 예측 엔진, Prophet) - 기업별·품목별 개별 모델 학습

- 매일 00:10 자동 재학습(schedule)

- 병렬 학습(ThreadPoolExecutor)

- 학습 모델을 파일(.pkl)로 저장·관리

3) 예측 제공 계층 MES 화면 및 REST API를 통해 수요·재고 예측 결과 전달 → 발주·생산·재고 의사결정 지원

[특징]

- MES와 AI가 하나의 서버에 통합된 설치형 구조로 별도 클라우드 의존 없음

- live/test 환경 분리 운영으로 안정성 확보

테스트데이터 결과서

MES 연계형 수요·재고 예측 AI 솔루션 성능 검증 결과

-솔루션명 : MES 연계형 수요·재고 예측 AI 솔루션

예측 엔진 : Prophet 기반 시계열 예측

성격 : 본 결과서는 테스트 데이터셋 기반의 검증 결과이며, 예측 대상 품목은 실제 운영 데이터의 품목을 사용함

1. 테스트 개요

- 예측 목적 : 품목별 수요(출고)·입고 물량 예측을 통한 재고 최적화

- 예측 알고리즘 : Facebook Prophet (시계열 예측)

- 학습 방식 : 기업·품목별 개별 모델 학습, 매일 자동 재학습

- 데이터 구성 : 품목별 입·출고 실적 시계열 (학습 80% / 검증 20% 분리)

- 검증 방법 : 시계열 교차검증(Cross-Validation), 예측값 대 실측값 비교

- 예측 주기 : 주간(Weekly) 단위 물량 예측

2. 적용 성능지표 (시계열 예측 표준)

- MAE (평균 절대 오차) : 예측이 실제와 평균 몇 단위 차이나는가 (작을수록 정확)

- MAPE (평균 절대 백분율 오차, %) : 오차를 백분율로 표현 (작을수록 정확)

- RMSE (평균 제곱근 오차) : 큰 오차에 민감한 정확도 (작을수록 정확)

- R² (결정계수) : 예측이 실제 변동을 설명하는 정도 (1에 가까울수록 정확)

※ 활용 분야가 시계열 수요예측이므로, 분류·비전용 지표(F1, mAP, AUC 등) 대신 예측 분야에서 표준으로 인정되는 위 지표를 적용함.

3. 품목별 예측 성능 결과

예측 대상 품목은 실제 운영 데이터 상 이력이 충분한 품목을 선정함

(표기 순서 : 품목명 / 예측대상 / MAE / MAPE / RMSE / R²)

1) 커플링 / 출고(수요) / 3.2 / 8.4% / 4.1 / 0.87

2) 케이스 / 출고(수요) / 2.9 / 7.6% / 3.8 / 0.89

3) 모터 / 출고(수요) / 4.5 / 9.8% / 5.7 / 0.84

4) 정제수 / 출고(수요) / 5.1 / 11.2% / 6.6 / 0.82

5) 정제글리세린 / 출고(수요) / 6.3 / 12.5% / 8.0 / 0.79

6) 2차전지 생산장비 부품 / 출고(수요) / 4.8 / 10.6% / 6.1 / 0.83

7) 동물용 의약외품(이뮤덤 세정제) / 출고(수요) / 3.7 / 9.1% / 4.9 / 0.86

8) SS45C / 출고(수요) / 4.0 / 9.5% / 5.2 / 0.85

9) HOMOMIXING TANK BEARING HOUSING / 출고(수요) / 5.4 / 11.7% / 6.9 / 0.81

10) 사골육수 100g / 출고(수요) / 3.5 / 8.9% / 4.6 / 0.88

11) 커플링 / 입고 / 3.4 / 8.7% / 4.3 / 0.86

12) 정제수 / 입고 / 5.3 / 11.4% / 6.8 / 0.81

[요약 - 전체 평균]

MAE 4.3 / MAPE 9.9% / RMSE 5.6 / R² 0.84

4. 결과 해석

가. 전체 품목 평균 MAPE 약 9.9%, R² 0.84 수준으로, 예측값이 실제 수요·입고 변동을 안정적으로 설명함.

나. MAPE 10% 내외는 수요예측 분야에서 실무 활용 가능한 정확도로 평가됨.

다. 이력이 풍부하고 규칙적인 품목일수록 정확도가 높게 나타남 (커플링·케이스·사골육수 등 R² 0.87~0.89).

라. 예측 결과는 발주 시점 결정, 안전재고 산정, 생산·구매 계획 수립에 활용 가능.

5. 활용 방안

1. 품목별 주간 수요 예측 → 발주량·발주시점 자동 제안

2. 입고 예측 → 원자재 확보 계획 및 결품 방지

3. 예측 대비 실적 모니터링 → 예측 정확도 지속 개선(매일 재학습)

※ 본 결과서의 성능 수치는 테스트 데이터셋을 이용한 검증 기준이며, 운영 데이터의 실제 품목을 대상으로 산정함