본 논문은 임의의 다단계 구조를 갖는 공급망 네트워크의 모델링 및 이산 사건 시뮬레이션을 위한 오픈소스 Python 라이브러리인 SupplyNetPy를 소개한다. 이 라이브러리는 다양한 보충 정책, 부패 가능 재고, 노드(node) 장애, 확률적 수요 및 리드 타임을 지원한다. 모든 컴포넌트는 상속을 통해 확장 가능하다. 사용자는 노드와 링크 속성을 가진 그래프로 공급망을 기술하며, 라이브러리는 시뮬레이션을 처리하고 로그 및 노드·네트워크 수준의 상세 성능 보고서를 제공한다. 본 논문은 SupplyNetPy의 개발 동기, 설계, 주요 기능, 아키텍처와 함께 상세한 검증(validation) 결과(분석적 벤치마크, 상용 도구, 발표된 사례 연구와의 비교)를 제시한다. SupplyNetPy 개발의 핵심 동기는 복잡한 모델의 프로그래밍 방식 생성 및 시뮬레이션으로, 설계 공간 탐험(exploration), 가상 시나리오 분석, 학습(training) 데이터 생성, 공급망 디지털 트윈을 가능하게 하는 데 있다.
본 논문은 MIT Beer Game을 이용해 다계층(multi-echelon) 공급망에서 자율 생성형 AI 에이전트의 성능과 신뢰성을 연구한다. 모델 선택, 운영 가드레일(operational guardrails), 중앙집중식 데이터 공유, 프롬프트 설계가 시스템 성능에 미치는 영향을 분석한다. 최고 성능 구성에서는 GenAI 에이전트가 인간 팀 대비 총 공급망 비용을 최대 80%까지 절감한다. 평균 성능은 강력하지만, 자율 에이전트는 실행 간(run-to-run) 불안정성이 크게 나타날 수 있어 변동성이 큰 조달 결정과 큰 꼬리 비용(tail costs)을 유발한다. 우리는 이 현상을 에이전트 불확(agent bullwhip), 즉 자율 다중 에이전트 시스템에서의 의사결정 불안정성 증폭으로 규정한다. 수요 경로(demand path)를 고정해 두었음에도 이러한 불안정성은 계층(echelon)을 가로질러 전파되고 시간에 따라 누적될 수 있음을 보인다. 이어 신뢰성 개선을 위한 두 가지 접근—강화학습 사후 학습과 운영 가드레일—을 평가한다. 둘 다 꼬리 사건(tail events)을 줄이고 에이전트 불확을 완화하지만, 작동 메커니즘이 다르고 요구되는 정보 수준과 모델 접근 권한도 다르다. 시스템 수준 피드백(system-level feedback)을 사용할 수 있을 때 강화학습 사후 학습이 신뢰성과 시스템 성능에서 가장 큰 이득을 주며, 가드레일은 극단적 의사결정을 제한하는 단순한 학습 없는(training-free) 대안을 제공한다.
AI 아티팩트는 Hugging Face의 데이터셋과 모델, GitHub의 애플리케이션에 이르는 다중 플랫폼 공급망을 거치며 이동한다. 각 아티팩트는 재배포를 통해 의무가 전파되어야 하는 라이선스를 갖고 있지만, 아티팩트가 하류로 이동하면서 그러한 의무가 공급망을 거쳐 유지되는지, 아니면 제거되고 대체되는지를 측정한 연구는 아직 없다. 우리는 232,270개의 데이터셋→모델→애플리케이션 체인을 추적하여 두 가지 형태의 라이선스 세탁을 정량화했다: 선언된 라이선스가 없는 아티팩트가 하류에서 명확한 라벨을 획득하는 경우, 그리고 재배포 과정에서 하나의 선언된 라이선스 카테고리가 다른 것으로 대체되는 경우. 조사 결과 62.3%의 체인이 선언된 라이선스가 없는 아티팩트를 최소 하나 이상 거치며(소수의 기초 데이터셋에 집중됨), 의무를 부과하는 모든 라이선스 카테고리의 종단 간 생존률은 7% 미만인 반면 Permissive 카테고리는 95.1%에 달한다. 이러한 발견을 바탕으로 실무자, 모델 게시자, 권리 보유자, 플랫폼 소유자를 위한 실행 가능한 권고안을 제시한다.
LLM 에이전트는 비용을 결정하는 상태가 직접 관측되지 않는 다주간 의사결정 과제에서 점점 더 많이 평가되고 있다. 이러한 과제에서는 최종 비용만으로 에이전트가 왜 실패했는지 알 수 없다. 세계를 잘못 읽었을 수도 있고, 올바르게 읽었음에도 행동하지 못했을 수도 있다(아는 것과 하는 것의 간극, knowing-doing gap). 기존 평가는 이 두 실패를 분리할 수 없다. 참조 정책이 에이전트가 보지 못하는 특권 정보를 읽거나, 아예 존재하지 않기 때문이다. 우리는 STOCKTAKE를 소개한다. 이는 6개의 숨겨진 요인 과정을 갖춘 분해된 부분 관측 마르코프 결정 과정으로 구축된 26주 공급망 보충 벤치마크이며, 공정한 참조 정책을 계산할 수 있도록 설계되었다. 각 요인마다 정확한 베이즈 필터가 에이전트가 받는 것과 동일한 관측 스트림에서 롤아웃 정책을 구동한다. 각 실행을 증상 맹목적 base-stock 하한(0)과 이 오라클(1) 사이에서 채점하면 skill score가 산출되며, 매주 작성된 근거를 채점하면 진술된 신념 탐지 지연(stated-belief detection lag)과 knowing-doing rate가 산출되어, 상태 추정과 제어가 별도로 측정된다. 큐레이션된 스트레스 프로필이 적용된 50개 시드에서 Claude Sonnet 5, GPT-5.4, DeepSeek-V4-Pro, Grok 4.5는 숨겨진 실패의 84-88%를 일반적으로 발생 후 일주일 이내에 탐지하지만, skill score는 0.62에서 -0.23까지 분포한다. 네 모델 중 두 모델은 증상 맹목적 하한 이하로 끝나면서도, 하한을 넘긴 두 모델보다 요인을 약간 더 빠르게 지목한다. 실패에는 두 가지 얼굴이 있다. 스트레스가 지속되는 경우, 올바르게 진단된 스트레스 주 중 34-43%는 모든 모델에서 여전히 재고 소진(stockout)으로 끝나며, 이 비율은 모델이 인지한 주의 심각성을 부분적으로 반영한다. 이 비율은 skill score와도 반대 방향으로 나타난다. 하한 이하의 두 모델은 진단된 주에서 가장 적게 재고 소진을 겪으므로, 과소 대응(under-response)은 간극의 한 면에 불과하며, 그들의 추적 기록은 다른 면—보호하는 것보다 비용이 더 큰 대응—을 가리킨다. STOCKTAKE는 그 실패의 양방향을 모두 측정한다.
농업 공급망은 연결된 생물물리학적·경제적 시스템을 통해 공급 충격에 취약하다. 본 연구에서는 경제 모델(GTAP)과 생물물리학적 모델(APSIM)을 통합한 AI 기반 도구를 개발하여 공급망 충격을 분석하고, 정책 입안자와 시장 참여자가 자연어로 작성된 질의와 응답을 통해 학제간 영향을 평가할 수 있도록 한다.
메타 강화학습(meta-reinforcement learning)은 변화하는 환경과 선호 설정에 걸쳐 신속한 정책 적응을 가능하게 하므로 다목적 최적화에 유망한 접근법이다. 그러나 기존의 퓨샷(few-shot) 방법은 보통 단일 공유 메타 정책(meta-policy)에서 파인튜닝(fine-tuning)하므로, 특히 공급망 최적화와 같은 고차원 조합 문제에서 해 다양성을 줄이고 파레토 전선(Pareto front)의 탐험을 제한할 수 있다. 우리는 스칼라화(scalarisation) 가중치 공간에서 분해(decomposition)와 진화 탐색을 결합하는 개체군 기반 메타 강화학습 프레임워크를 제안한다. 이 프레임워크는 그래디언트 기반 메타학습(meta-learning)으로 학습된 각각 독립적인 메타 정책과 연결된 가중치 벡터의 개체군을 유지하고, 하이퍼볼륨(hypervolume)과 엔트로피(entropy) 기여도에 따라 엘리트 선택, 교차, 돌연변이를 통해 이 개체군을 반복적으로 정제한다. 경제적, 환경적, 사회적 목표가 충돌하는 다목적 공급망 설정에서 방법을 평가하고, 표준 강화학습 문제에서 일반성을 추가로 검증한다. 결과는 제안 접근법이 더 다양하고 잘 분포된 파레토 전선 근사를 제공하며, 교차 과제 적응을 개선하고, 복잡한 경우 Meta-multi-objective reinforcement learning 대비 하이퍼볼륨을 최대 32% 향상시키며, 모든 비교 방법 중 가장 낮은 평균 Hausdorff 거리를 달성함을 보여준다.
기술 제약 생산-재고 시스템에서 내일 가용한 자격을 갖춘 인적 용량은 오늘 내려진 교육(training) 결정에 달려 있습니다. 즉, 생산에는 자격증을 소지한 근로자가 필요하고, 자격증은 유지하지 않으면 소멸하며, 교육은 현재 생산에 필요한 희소한 근로자 시간을 소모합니다. 본 연구에서는 매 교대마다 생산, 재고, 밀린 주문(backlog), 교육에 대한 유한 수평 혼합 정수 계획법(mixed-integer program)을 풀되, 이진 예측 자격증, 강한 생산 자격 조건, 수평 경계에서 자격 있는 용량 격차에 가격을 매기는 해석 가능한 터미널 값(terminal value)을 사용하는 폐루프 기술 제약 모델 예측 제어기를 연구합니다. 재계획 전에는 첫 번째 기간의 행동만 적용됩니다. 합성 및 시드 제어된 SkillChain-Gym 시나리오(예고된 및 예고 없는 신규 기술 충격, 수요 충격, 결근, 예측 및 가용성 품질 모드, 용량 경계 및 교육율 스윕, 음성 대조군 포함)에서, 우리는 사전 잠금 구성 및 쌍 통계 하에 생산 전용 및 유지보수 전용 제거(ablation) 실험, 정적 교차 교육 보험 계획, 강력한 반응형 휴리스틱(heuristic)과 비교하여 제어기를 평가했습니다. 그 결과는 우월성이 아닌 체제 의존성(regime dependence)으로 나타났습니다. 즉, 어떤 정책 클래스도 지배적이지 않습니다. 기술 또는 노동 병목 현상이 교육을 완료하기에 충분히 일찍 예측 가능할 때 예측 제어가 도움이 되며, 예고 없는 충격, 수요-용량 경계 근처, 그리고 충격 이전 여유(slack)가 보험을 저렴하게 만드는 곳에서는 린(lean) 정적 보험을 여전히 능가하기 어렵습니다. 귀속 제거 실험은 자격증 유지, 만료된 자격증의 재취득, 그린필드(greenfield) 기술 습득을 분리합니다. 예측 제어의 이득 여부를 결정하는 것은 적응성 그 자체가 아니라 예측 가능성입니다.