Amazon SageMaker를 활용한 Hapag-Lloyd의 선박 스케줄 예측 자동화 사례

Hapag-Lloyd 사례로 살펴보는 Amazon SageMaker를 활용한 ML 기반 선박 스케줄 예측 자동화

물류 산업은 정확한 도착 및 출발 시간 예측이 핵심입니다. 특히 해상 컨테이너 운송 분야에서는 선박의 도착 지연으로 인해 발생하는 연쇄적인 물류 차질을 방지하는 것이 매우 중요합니다. 이에 따라 글로벌 해운사 Hapag-Lloyd는 AWS의 Amazon SageMaker를 활용해 머신러닝 기반 도착 시간 예측 시스템을 도입하였고, 기존 대비 더 높은 정확도와 자동화 수준을 달성하였습니다. 이번 글에서는 그 활용 사례를 통해 Amazon SageMaker의 배포 가이드와 AI 도입 효과, 활용 전략 등을 소개합니다.

머신러닝 도입 전 과제

Hapag-Lloyd는 연간 1,190만 TEU를 운송하는 글로벌 선박 운송 기업입니다. 매달 3,500건 이상의 항구 도착 스케줄을 계획하고 조정하는 가운데, 선박의 정확한 도착시간(ETA) 예측은 회사의 핵심 성과 지표(Schedule Reliability)에 직결됩니다. 기존에는 다음과 같은 한계를 가진 통계 기반 시스템을 운영하였습니다.

• 실시간 데이터 반영이 어려워 수동 개입이 필요
• 기상, 항만 혼잡, 경로 변경 등의 비정형 요인 고려 불가
• 노선별 다양성과 변동성에 빠르게 대응 불가

이에 따라 Hapag-Lloyd는 보다 정교하고 자동화된 ML 예측 시스템이 필요함을 인식하고, Amazon SageMaker 기반 MLOps 인프라를 도입하게 되었습니다.

도입된 머신러닝 아키텍처

새로운 시스템은 선박 여정을 하위 단계로 나누는 계층적(hierarchical) 모델링 전략을 채택했습니다. 각 하위 단계에는 별도의 ML 모델이 개발되어 있으며, Amazon SageMaker Pipelines와 AWS Step Functions로 순차적으로 자동 실행되며 일관된 결과를 제공합니다. 사용된 주요 모델은 다음과 같습니다.

• O2P(Ocean to Port) 모델: 선박 현재 위치에서 다음 항구까지 도달 시간 예측
• P2P(Port to Port) 모델: 항구 간 항해 시간 예측
• Berth Time 모델: 항구 내 체류 시간 예측
• Combined 모델: 전체 ETA 예측 조합 및 스케줄 차이 분석

각 모델은 SageMaker의 XGBoost 알고리즘을 사용하며, 데이터 전처리 → 모델 훈련 → 하이퍼파라미터 튜닝 → 모델 등록 과정을 포함하는 SageMaker Pipeline 프로세스에 따라 구현되었습니다. 모델 간 종속 순서를 고려하여 통합 예측 모델(Combined)은 다른 모델의 결과를 입력값으로 사용합니다.

예측 인프라 구성과 자동화

Hapag-Lloyd는 배포 및 예측 단계에서도 완전 자동화된 하이브리드 아키텍처를 구축했습니다.

• 하루 단위 배치 예측: AWS Glue, Lambda, 그리고 SageMaker Batch Transform을 이용해 매일 Amazon EventBridge 트리거 방식으로 실행
• 실시간 API 예측: Amazon API Gateway와 AWS Lambda의 조합으로 특정 스케줄 변경 요청에 대해 실시간 ETA 변경 예측

이러한 자동화 인프라를 통해 운영 팀에선 수작업 없이도 정확한 도착 예측을 수행할 수 있으며, 불확실성 상황에 대응하는 유연한 기업 운영이 가능해졌습니다.

운영 효율성과 정확도 향상

배치 및 실시간 자동화 인프라 구축 이후, Hapag-Lloyd는 다음과 같은 효과를 얻었습니다.

• API 응답 시간 100~300ms로 단축: 즉각적인 피드백 제공
• 기존 방식 대비 예측 정확도 12% 향상: MAE 기준 개선
• 전 세계 스케줄 정확도 순위 2단계 상승

이는 해운 산업 내에서도 경쟁력을 극대화하며, 대외 신뢰도 강화에도 긍정적으로 작용하고 있습니다.

결론

Hapag-Lloyd 사례는 AWS 기반 AI/ML 모델이 복잡한 글로벌 물류 문제를 어떻게 효율적으로 해결하는지를 잘 보여줍니다. 특히 Amazon SageMaker와 Step Functions, Glue 등 AWS 서비스의 긴밀한 통합을 통해 모델 배포 자동화와 운영성 향상을 동시에 달성한 점은 주목할 만합니다. 선박 스케줄 관리뿐 아니라 다양한 시계열 예측 업무에도 적용 가능한 강력한 아키텍처입니다.

비슷한 과제를 가진 기업이라면 이와 같은 활용 사례를 참고하여, AI 도입 전략 수립 및 MLOps 배포 가이드 설계에 필요한 인사이트를 얻을 수 있습니다.

https://aws.amazon.com/blogs/machine-learning/how-hapag-lloyd-improved-schedule-reliability-with-ml-powered-vessel-schedule-predictions-using-amazon-sagemaker/