이 글은 협찬을 받아 가져온 글입니다 아마존.
고객이 ‘구매’를 클릭하는 순간부터 상품이 문앞에 도착하는 순간까지의 패키지 여정은 전자상거래 세계에서 가장 복잡하고 정교하게 조정된 프로세스 중 하나입니다. Amazon에서는 이러한 여정이 속도와 효율성뿐 아니라 지속 가능성을 위해 지속적으로 최적화되고 있습니다. 이러한 최적화는 인공 지능(AI), 기계 학습(ML), 로봇 공학과 같은 최첨단 기술의 통합을 통해 이루어지며, 이를 통해 Amazon은 불필요한 패키징을 최소화하는 동시에 운영을 간소화할 수 있습니다.
물류 및 포장에 AI와 ML을 사용하는 것은 Amazon의 광범위한 글로벌 네트워크에서 패키지가 처리되는 방식을 변화시키는 데 점점 더 중요한 역할을 하고 있습니다. 두 번의 인터뷰(Amazon에서 조작 로봇 프로그램을 이끄는 Clay Flannigan과 지속 가능한 포장 팀의 기술 제품 소유자인 Callahan Jacobs와의 인터뷰)에서 우리는 Amazon이 AI, ML 및 자동화를 사용하여 로봇 공학을 추진하는 방법에 대한 통찰력을 얻습니다. 물류 세계에서 가능한 것의 경계를 넓히는 동시에 지속 가능성에 초점을 맞춘 포장 분야에서도 상당한 진전을 이루었습니다.
로봇공학에서 AI와 머신러닝의 힘
Amazon 혁신의 초석 중 하나는 AI와 ML을 로봇 시스템에 통합하는 것입니다. FTR(Fulfillment Technologies Robotics) 팀인 Amazon Robotics 내에서 Flannigan의 역할은 고객이 amazon.com에서 주문하는 개별 품목을 처리하는 기계인 조작 로봇을 중심으로 이루어집니다. 인간 직원과 협력하여 이 로봇은 매일 수백만 개의 제품을 선별, 분류 및 포장하는 일을 담당합니다. Amazon 재고에 품목이 엄청나게 다양하다는 점을 고려하면 이는 엄청나게 복잡한 작업입니다.
Flannigan은 “Amazon은 방대한 데이터 덕분에 AI와 ML 분야를 선도할 수 있는 독보적인 위치에 있습니다.”라고 설명했습니다. “우리는 이 데이터를 사용하여 로봇이 엄청나게 다양한 제품을 선택하고 포장하는 등 매우 복잡한 작업을 수행할 수 있는 모델을 교육합니다. 이러한 시스템은 Amazon이 AI의 심층 통합 없이는 이 규모로 불가능할 물류 문제를 해결하는 데 도움이 됩니다.”
Amazon 로봇 시스템의 핵심에는 기계 학습이 있습니다. 이를 통해 기계는 환경에서 “학습”하고 시간이 지남에 따라 성능을 향상할 수 있습니다. 예를 들어, AI 기반 컴퓨터 비전 시스템을 사용하면 로봇은 자신이 취급하는 제품을 “볼” 수 있어 깨지기 쉬운 품목과 튼튼한 품목을 구별하거나 크기와 모양이 다른 제품을 구별할 수 있습니다. 이러한 시스템은 Amazon이 엄청난 규모로 인해 활용할 수 있는 방대한 양의 데이터를 사용하여 훈련됩니다.
기계 학습의 특히 중요한 응용 분야 중 하나는 구조화되지 않은 환경을 조작하는 것입니다. 전통적인 로봇 공학은 환경이 고도로 구조화되고 예측 가능한 산업에서 사용되었습니다. 그러나 아마존의 창고는 결코 예측할 수 없습니다. “다른 업계에서는 동일한 제품을 계속해서 만드는 경우가 많습니다. Amazon에서는 책부터 커피 메이커, 깨지기 쉬운 수집품에 이르기까지 거의 무한에 가까운 다양한 제품을 처리해야 합니다.”라고 Flannigan은 말했습니다.
“AI와 로봇 공학의 한계를 뛰어넘을 수 있는 기회는 너무나 많습니다. Amazon은 그러한 변화의 최전선에 있습니다.” —클레이 플래니건, 아마존
이러한 비구조화된 환경에서 로봇은 적응력이 있어야 합니다. 그들은 AI 및 ML 모델을 사용하여 주변 환경을 이해하고 실시간으로 결정을 내립니다. 예를 들어, 로봇이 다양한 품목으로 가득 찬 쓰레기통에서 커피 머그잔을 집는 임무를 맡는 경우 컴퓨터 비전을 사용하여 머그잔을 식별하고, 깨지지 않고 잡는 방법을 이해하고, 올바른 포장 스테이션으로 이동해야 합니다. 이러한 작업은 단순해 보일 수 있지만 Amazon 규모에서 안정적으로 수행하려면 고급 ML 알고리즘과 광범위한 데이터가 필요합니다.
지속 가능성 및 패키징: 기술 중심 접근 방식
로봇공학과 자동화는 아마존 주문 처리 센터의 효율성을 높이는 데 핵심이지만, 지속 가능성에 대한 회사의 약속 똑같이 중요합니다. FTR의 메카트로닉스 및 지속 가능한 포장(MSP) 팀의 제품 관리자인 Callahan Jacobs는 폐기물 방지에 중점을 두고 포장 재료의 부정적인 영향을 줄이는 데 도움을 주는 것을 목표로 합니다. 회사 상당한 진전을 이루었습니다 이 분야에서는 기술을 활용하여 전체 포장 경험을 향상시킵니다.
Jacobs는 “제가 시작했을 때 우리의 포장 공정은 대부분 수동이었습니다.”라고 설명했습니다. “그러나 우리는 훨씬 더 자동화된 시스템으로 전환했으며 이제는 품목에 맞게 포장을 맞춤화하는 기계를 사용합니다. 이를 통해 특히 각 패키지의 큐브 크기를 최소화하는 측면에서 우리가 사용하는 과잉 재료의 양을 대폭 줄였으며 우리 팀은 품질을 저하시키지 않고 보다 성실한 재료로 포장을 만드는 방법과 같은 더 어려운 문제에 집중할 수 있게 되었습니다.”
2015년부터 Amazon은 배송당 평균 포장 중량을 43% 줄였습니다. 300만 미터톤의 포장재 피했다. 이 “맞춤형” 포장 기술은 Amazon의 포장 분야에서 가장 중요한 혁신 중 하나입니다. Amazon은 배송되는 품목의 크기에 맞게 상자를 자르고 접는 자동화된 기계를 사용하여 패키지 내부의 공기량과 사용되지 않는 공간을 줄일 수 있습니다. 이는 사용되는 자재의 양을 줄일 뿐만 아니라 트럭, 비행기, 배달 차량의 공간 활용을 최적화합니다.
Jacobs는 “우리는 포함된 품목에 최대한 가깝게 패키지를 맞춤으로써 폐기물과 배송 비효율성을 모두 줄이는 데 도움을 주고 있습니다.”라고 설명했습니다.
고급 패키징 기술: 머신러닝의 역할
AI와 ML은 포장을 최적화하려는 Amazon의 노력에서 중요한 역할을 합니다. Amazon의 포장 기술은 낭비를 방지하는 것뿐만 아니라 주문 처리 네트워크를 통해 이동하는 동안 품목이 적절하게 보호되도록 보장합니다. 이러한 균형을 달성하기 위해 회사는 각 품목을 평가하고 품목의 취약성, 크기, 이동 경로 등 다양한 요소를 기반으로 최적의 포장 솔루션을 결정하는 고급 기계 학습 모델을 사용합니다.
Jacobs는 “우리는 단순히 품목이 가방에 들어갈 수 있는지 아니면 상자에 들어갈 수 있는지 묻는 것 이상으로 나아갔습니다.”라고 말했습니다. “이제 우리 AI 및 ML 모델은 각 항목을 살펴보고 ‘이 제품의 속성은 무엇입니까? 깨지기 쉬운가요? 액체인가요? 자체 포장이 있나요? 아니면 추가 보호가 필요한가요?’ 이 정보를 수집함으로써 우리는 포장에 관해 더 현명한 결정을 내릴 수 있습니다. 폐기물을 줄이는 데 도움이 됩니다. 또는 품목에 대한 더 나은 보호.”
“포장물을 내용물에 최대한 가깝게 맞춰서 폐기물과 배송 비효율성을 줄이는 데 도움을 주고 있습니다.” —칼라한 제이콥스, 아마존
이 프로세스는 상품이 아마존 재고에 들어오자마자 시작됩니다. 기계 학습 모델은 각 제품의 데이터를 분석하여 주요 속성을 결정합니다. 이러한 모델은 컴퓨터 비전을 사용하여 품목의 포장을 평가하거나 자연어 처리를 통해 제품 설명 및 고객 피드백을 분석할 수 있습니다. 제품의 속성이 결정되면 시스템은 어떤 유형의 포장이 가장 적합한지 결정하여 제품의 안전한 도착을 보장하는 동시에 낭비를 방지하는 데 도움을 줍니다.
Jacobs는 “기계 학습을 통해 이러한 결정을 동적으로 내릴 수 있습니다.”라고 덧붙였습니다. “예를 들어 티셔츠와 같은 품목은 상자에 포장할 필요가 없으며 종이 봉지에 넣을 수 있습니다. 그러나 깨지기 쉬운 유리 품목에는 추가 보호가 필요할 수 있습니다. AI와 ML을 사용하면 이러한 결정을 대규모로 내릴 수 있으므로 항상 고객과 지구에 이익이 되는 옵션을 우선시합니다..”
실시간 데이터를 통한 동적 의사결정
Amazon의 실시간 데이터 사용은 포장 작업에 획기적인 변화를 가져왔습니다. Amazon은 주문 처리 센터에서 지속적으로 데이터를 수집하고 분석함으로써 포장 전략을 신속하게 조정하여 규모에 따른 효율성을 최적화할 수 있습니다. 이러한 동적 접근 방식을 통해 Amazon은 새로운 포장 재료, 배송 경로 변경, 고객 피드백 등 변화하는 조건에 대응할 수 있습니다.
Jacobs는 “우리가 하는 일의 큰 부분은 우리가 배운 내용을 기반으로 프로세스를 지속적으로 개선하는 것입니다.”라고 설명했습니다. “예를 들어, 특정 유형의 포장이 만족스럽지 않다고 판단되면 신속하게 기준을 조정하고 배송 네트워크 전반에 걸쳐 변경 사항을 구현할 수 있습니다. 이 실시간 피드백 루프는 시스템의 탄력성을 높이고 팀의 지속 가능성 목표에 부합하도록 유지하는 데 매우 중요합니다.”
이러한 지속적인 학습 프로세스는 Amazon 성공의 열쇠입니다. 회사의 AI 및 ML 모델은 새로운 데이터로 지속적으로 업데이트되어 시간이 지남에 따라 더욱 정확하고 효과적이게 됩니다. 예를 들어, 새로운 유형의 포장재가 도입되면 모델은 그 효과를 신속하게 평가하고 필요에 따라 조정할 수 있습니다.
Jacobs는 또한 이 과정에서 피드백의 역할을 강조했습니다. “우리는 항상 포장 성능을 모니터링하고 있습니다.”라고 그녀는 말했습니다. “고객으로부터 물품이 손상되어 도착했거나 포장이 너무 많다는 피드백을 받으면 해당 정보를 사용하여 모델 출력을 개선할 수 있으며 이는 궁극적으로 폐기물을 지속적으로 줄이는 데 도움이 됩니다.”
실제 로봇 공학: 그립핑 기술과 자동화의 역할
Amazon 로봇 시스템의 주요 혁신 중 하나는 고급 그리핑 기술의 개발입니다. Flannigan이 설명했듯이 Amazon 로봇 시스템의 “비밀 소스”는 기계 자체뿐만 아니라 기계가 사용하는 그립 도구에도 있습니다. 이러한 도구는 작고 섬세한 품목부터 크고 부피가 큰 패키지에 이르기까지 Amazon이 매일 처리하는 엄청나게 다양한 제품을 처리하도록 설계되었습니다.
Flannigan은 “우리 로봇은 센서, AI, 맞춤형 그리퍼의 조합을 사용하여 다양한 유형의 제품을 처리합니다.”라고 말했습니다. “예를 들어, 우리는 유리 제품과 같은 깨지기 쉬운 품목을 손상시키지 않고 다룰 수 있는 특수 그리퍼를 개발했습니다. 이 그리퍼는 AI와 기계 학습을 통해 구동되므로 집는 품목에 따라 움직임을 계획할 수 있습니다.”
아마존 주문 처리 센터의 로봇 팔에는 취급하는 품목을 “보고” “느끼는” 다양한 센서가 장착되어 있습니다. 이러한 센서는 기계 학습 모델에 실시간 데이터를 제공하며, 기계 학습 모델은 항목 처리 방법을 결정합니다. 예를 들어, 로봇이 깨지기 쉬운 물건을 집는다면 더 부드러운 전략을 사용하는 반면, 더 튼튼한 물건을 다룰 때는 속도를 최적화할 수 있습니다.
Flannigan은 또한 로봇 공학의 사용으로 Amazon 운영의 안전성과 효율성이 크게 향상되었다고 언급했습니다. Amazon은 주문 처리 센터에서 반복적이고 육체적으로 힘든 작업을 자동화함으로써 직원의 부상 위험을 줄이는 동시에 운영 속도와 정확성을 높일 수 있었습니다. 또한 기술 향상에 집중할 수 있는 기회도 제공합니다. Flannigan은 “항상 새로운 것을 배울 수 있습니다. 교육 및 발전 옵션이 부족하지 않습니다.”라고 말했습니다.
지속적인 학습과 혁신: Amazon의 성장 문화
Flannigan과 Jacobs는 Amazon이 이러한 기술을 성공적으로 구현한 것은 도구 자체뿐만 아니라 회사를 이끄는 혁신 문화 덕분이라고 강조했습니다. Amazon의 엔지니어와 기술자는 새로운 솔루션을 실험하고 기존 시스템을 개선하면서 끊임없이 가능성의 경계를 넓히도록 권장됩니다.
Flannigan은 “Amazon은 항상 혁신을 장려하기 때문에 엔지니어들이 성장할 수 있는 곳입니다.”라고 말했습니다. “여기서 우리가 해결하고 있는 문제는 엄청나게 복잡합니다. Amazon은 이러한 문제를 창의적인 방식으로 해결할 수 있는 리소스와 자유를 제공합니다. 이것이 Amazon을 일하기 좋은 곳으로 만드는 이유입니다.”
Jacobs는 이러한 감정을 반영하여 다음과 같이 덧붙였습니다. 지속 가능성에 대한 회사의 약속 ~이다 엔지니어들에게 이곳을 매력적인 장소로 만드는 것 중 하나입니다. “매일 저는 새로운 것을 배우고 전 세계적으로 실질적인 영향을 미치는 솔루션을 개발하기 위해 노력합니다. 그게 내가 내 일에 계속 흥미를 갖게 만드는 이유다. 다른 곳에서는 찾기 힘든 것 같아요.”
Amazon의 AI, 로봇 공학 및 혁신의 미래
앞으로 Amazon의 미래 비전은 분명합니다. 고객 만족을 극대화하기 위해 AI, ML, 로봇 공학 분야에서 계속 혁신을 이루는 것입니다. 회사는 막대한 투자를 하고 있다. 새로운 기술 지속 가능성 이니셔티브를 진행하는 동시에 운영 효율성을 향상시키는 데 도움이 됩니다.
Flannigan은 “우리는 이제 막 시작했을 뿐입니다.”라고 말했습니다. “AI와 로봇 공학의 한계를 뛰어넘을 수 있는 기회는 너무나 많습니다. Amazon은 그러한 변화의 최전선에 있습니다. 우리가 여기서 수행하는 작업은 전자 상거래뿐만 아니라 더 넓은 자동화 및 AI 세계에 영향을 미칠 것입니다.”
Jacobs는 지속 가능한 포장 팀의 미래에 대해 마찬가지로 낙관적입니다. “우리는 폐기물을 줄이기 위한 새로운 재료와 새로운 방법을 끊임없이 연구하고 있습니다.”라고 그녀는 말했습니다. “향후 몇 년은 우리가 패키징 혁신을 계속해서 개선하여 품질을 희생하지 않고도 확장성을 높일 수 있도록 하는 매우 흥미진진한 시간이 될 것입니다.”
Amazon이 계속 발전함에 따라 AI, ML 및 로봇 공학의 통합은 야심찬 목표를 달성하는 데 핵심이 될 것입니다. Amazon은 최첨단 기술과 지속 가능성에 대한 깊은 헌신을 결합하여 21세기 전자 상거래 회사가 운영할 수 있는 방법에 대한 새로운 표준을 설정하고 있습니다. 엔지니어, 기술자 및 환경 옹호자들에게 Amazon은 우리 시대의 가장 까다롭고 영향력 있는 문제를 해결할 수 있는 비교할 수 없는 기회를 제공합니다.