"AI 도입 = LLM"이라는 착각
AI 도입을 검토하는 기업은 대부분 대화형 LLM부터 떠올립니다. 하지만 경영에 필요한 예측은 주로 ERP 안에 있는 데이터에서 나옵니다. 매출 전표, 재고 수불, 거래처 원장, 설비 가동 이력은 모두 행과 열로 이루어진 정형 데이터입니다.
이런 표를 LLM에 넣고 "다음 달 연체할 거래처를 골라 달라"고 하면 세 가지 문제가 생깁니다.
정형 데이터에 강한 모델들
그래디언트 부스팅이 여전히 표준인 이유
XGBoost·LightGBM·CatBoost 같은 그래디언트 부스팅 계열은 표 데이터 예측에서 오랫동안 표준으로 쓰였습니다. 2022년 NeurIPS 논문 「Why do tree-based models still outperform deep learning on tabular data?」도 중간 규모 표 데이터에서는 트리 기반 모델이 딥러닝보다 우수하다는 결과를 보고했습니다. 결측치와 범주형 변수를 잘 처리하고, 일반 CPU 서버에서도 수백만 행을 몇 분 안에 학습할 수 있다는 점이 강점입니다.
표 데이터 전용 파운데이션 모델
최근에는 TabPFN처럼 표 데이터에 특화된 파운데이션 모델도 등장했습니다. 수천~1만 행 수준의 소규모 데이터에서는 튜닝 없이도 좋은 성능을 보입니다. 다만 대용량 거래 데이터나 실시간 운영 환경에서는 아직 검증 사례가 제한적이므로, 현재로서는 소규모 데이터의 기준 모델로 함께 비교해 보는 것이 현실적입니다.
기업에서 바로 쓸 수 있는 예측 과제
성패를 가르는 것은 피처와 데이터 누수
도메인 지식 기반 피처 설계
원시 컬럼을 그대로 쓰기보다 "최근 3개월 평균 결제일 대비 이번 달 편차", "직전 발주 이후 경과 일수"처럼 현업의 판단 기준을 수치로 옮긴 피처를 만들 때 성능이 크게 달라집니다.
데이터 누수와 시간 기준 분할
가장 흔한 실패 원인은 데이터 누수입니다. 연체 예측 모델에 '채권 추심 등록일'이 섞여 있으면 검증 정확도는 95%가 나와도 실제 운영에서는 쓸 수 없습니다. 예측 시점에는 알 수 없는 정보이기 때문입니다. 검증 데이터도 무작위로 나누지 말고 "2025년까지 학습, 2026년 상반기 검증"처럼 시간 순서대로 분할해야 운영 성능을 정직하게 추정할 수 있습니다.
설명 가능성과 현업 수용
"이 거래처 연체 위험 0.82"라는 점수만 주는 모델은 현장에서 외면받기 쉽습니다. 담당자가 근거를 모르면 믿지 않고, 조치도 정할 수 없기 때문입니다. SHAP을 활용하면 "결제 지연 일수 증가가 +0.21, 주문량 감소가 +0.15 기여"처럼 건별 근거를 보여줄 수 있습니다. 근거가 담당자의 경험과 맞아떨어질 때 비로소 모델이 업무에 자리 잡습니다.
LLM과 역할 분담하는 하이브리드 구조
현실적인 답은 둘 중 하나를 고르는 것이 아니라 역할을 나누는 것입니다.
LLM이 숫자를 직접 만들지 않고 ML 결과를 전달하는 역할만 맡으면 비용과 환각 위험을 함께 줄일 수 있습니다.
POLYGLOTSOFT와 함께하는 ERP 데이터 예측
POLYGLOTSOFT는 ERP·MES·WMS 데이터를 기반으로 예측 과제 정의 → 누수 점검과 시간 기준 검증 → 그래디언트 부스팅 모델 구축 → SHAP 설명 → LLM 보고서 연동까지 한 번에 구축합니다. 스마트공장과 물류 현장에서 쌓은 도메인 경험으로 현업이 실제로 쓰는 피처를 설계합니다. 우리 회사 데이터로 어떤 예측이 가능한지 궁금하시다면 부담 없이 문의해 주십시오.