[논문 리뷰] Pivoting Retail Supply Chain with Deep Generative Techniques: Taxonomy, Survey and Insights

Yuan Wang, Lokesh Kumar Sambasivan외 2명|arXiv (Cornell University)|2024. 02. 29.

Consumer Retail Behavior Studies인용 수 4

한 줄 요약

이 논문은 소매 유통망에서의 딥 제너레이티브 모델(DGMs)에 대한 종합적인 분류 체계와 종합적 서베이를 제시하며, 구매, 물류, 판매 단계 전반에 걸친 응용 사례를 분석한다. DGMs가 복잡한 분포를 모델링하는 예측 과제에서 뛰어난 성능을 보이며, 강화학습 기반의 스토케스틱 최적화에서 특히 대규모 언어 모델(LLMs)을 통한 검색, 추천, 고객 참여 분야에서 강력한 잠재력을 지닌다는 것을 입증한다.

ABSTRACT

Generative AI applications, such as ChatGPT or DALL-E, have shown the world their impressive capabilities in generating human-like text or image. Diving deeper, the science stakeholder for those AI applications are Deep Generative Models, a.k.a DGMs, which are designed to learn the underlying distribution of the data and generate new data points that are statistically similar to the original dataset. One critical question is raised: how can we leverage DGMs into morden retail supply chain realm? To address this question, this paper expects to provide a comprehensive review of DGMs and discuss their existing and potential usecases in retail supply chain, by (1) providing a taxonomy and overview of state-of-the-art DGMs and their variants, (2) reviewing existing DGM applications in retail supply chain from a end-to-end view of point, and (3) discussing insights and potential directions on how DGMs can be further utilized on solving retail supply chain problems.

연구 동기 및 목표

• 소매 유통망에서의 딥 제너레이티브 모델(DGMs)에 대한 집중적인 서베이가 부족한 문제를 해결하기 위해 종합적인 리뷰를 제공하는 것.
• 최신 DGMs와 그 변종인 VAEs, GANs, 순차적 모델, 에너지 기반 모델 등을 포함한 분류 체계를 수립하는 것.
• 구매, 물류, 판매 단계를 포함한 종단 간 소매 유통망 전반에서 DGMs의 기존 및 잠재적 응용 사례를 분석하는 것.
• 지속적인 유통망 과제—수요 예측, 최적화 격차, 스트로케스틱 의사결정—를 해결하기 위해 DGMs를 활용하는 데서 도출된 핵심 통찰과 향후 연구 방향을 규명하는 것.
• 소매 유통망 내에서의 검색, 추천, 고객 상호작용 분야에서 대규모 언어 모델(LLMs)이 제너레이티브 모델링에 미치는 변혁적 역할을 부각하는 것.

제안 방법

• 변이형 오토인코더(VAEs), 생성적 적대적 네트워크(GANs), 순차적 모델, 에너지 기반 모델을 포함한 딥 제너레이티브 모델(DGMs)의 체계적 분류 체계를 수립하였다.
• 구매(예: 수요 예측), 물류(예: 경로 설정, 도착 예측 시간(ETA) 예측), 판매(예: 검색, 추천) 단계에 걸쳐 소매 유통망에서의 기존 DGM 응용 사례를 검토하였다.
• 특정 기법을 통해 고유한 토큰 기반 아이템 ID를 생성함으로써 LLM을 활용한 제너레이티브 추천의 가능성을 탐색하였다. 예를 들어, 특이값 분해(SVD) 및 제품 양자화(예: VQ-Rec) 등의 방법을 활용하였다.
• 사용자 쿼리와 아이템 임베딩에 조건을 부여함으로써 LLM을 이용한 순차적 생성을 가능하게 하여, 상위 N개 추천, 설명 가능한 추천, 대화형 검색 등의 작업을 지원하였다.
• 순차적 의사결정 문제(예: 재고 보충, 경로 계획)에서 스트로케스틱 최적화를 위해 DGMs를 강화학습과 통합하였다.
• 특히 유통망에서 흔히 발생하는 고차원적이고 불확실한 환경에서 연속적인 의존성과 공동 분포를 모델링하는 데서의 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 딥 제너레이티브 모델은 종단 간 소매 유통망 전반에 걸쳐 어떻게 시스템적으로 분류되고 적용될 수 있는가?
• RQ2 소매 유통망 단계—구매, 물류, 판매—에서 DGMs의 현재 및 새로운 응용 사례는 무엇인가?
• RQ3 DGMs는 전통적 방법에 비해 예측 및 사전 최적화 과제에서 어떤 방식으로 슈퍼리어한 성능을 보이는가?
• RQ4 대규모 언어 모델(LLMs)은 소매 분야에서 제너레이티브 검색과 추천를 어떻게 향상시키며, 이러한 기능을 가능하게 하는 주요 기술 구성 요소는 무엇인가?
• RQ5 실제 소매 유통망 시스템에 DGMs를 구현할 때의 주요 과제와 향후 연구 방향은 무엇인가?

주요 결과

• DGMs는 공동 분포와 순차적 의존성을 효과적으로 모델링하여, 수요 예측 및 도착 예측 시간(ETA) 예측과 같은 예측 과제에서 매우 뛰어난 성능을 보인다.
• 강화학습과 통합된 DGMs는 재고 보충 및 경로 계획과 같은 스트로케스틱 최적화 문제에서 강력한 잠재력을 보이며, 기존의 결정론적 방법이 한계를 가진 영역에서 특히 유용하다.
• 대규모 언어 모델(LLMs)은 점점 더 소매 유통망에서 핵심적인 역할을 하며, 키워드 매칭을 넘어서는 대화형이고 맥락 인식 가능한 검색 및 추천 시스템을 가능하게 한다.
• 제품 양자화(예: VQ-Rec) 및 특이값 분해(SVD) 등의 기법을 활용한 고유하고 컴팩트한 아이템 식별자 생성은 확장성 있고 정확한 LLM 기반 추천 시스템을 가능하게 한다.
• LLMs를 활용한 제너레이티브 추천 시스템은 상위 N개 추천, 설명 가능한 추천, 리뷰 요약 등 다양한 작업을 수행할 수 있으며, 사용자 경험 향상과 전환율 증가에 크게 기여한다.
• 불확실하고 복잡한 환경에서 DGMs는 명확한 이점이 있으나, 스태프 스케줄링이나 네트워크 계획과 같은 결정론적 최적화 문제에서는 아직 전통적 방법에 비해 뚜렷한 이점이 나타나지 않는다.