Pathway의 머신 언러닝, 데이터 스트림이 낡아가도 배송 예상 도착 시간을 정직하게 유지

CEO 주잔나 스타미로프스카가 공동 창업한 프랑스 딥테크 스타트업 Pathway는 물류 디지털화를 늦추는 문제, 즉 실시간 데이터 스트림 위에서 자동 추론을 수행할 수 있는 소프트웨어 인프라의 부재에 도전했습니다. 스타미로프스카는 미국 국립과학원(NAS)이 발표한 최첨단 해상 무역 예측 모델의 저자이기도 합니다. 해상 컨테이너의 센서는 추적 데이터를 생성하지만, 대역폭이 낮은 환경에서는 클라우드 동기화가 지연되어 지연된 데이터와 실시간 데이터가 뒤섞인 불일치 상태가 발생합니다.

이 프레임워크는 AI 시스템과 LLM을 스트리밍 데이터로 지속적으로 재훈련하여, 전체 배치를 새로 업로드하지 않고도 개별 데이터 포인트를 수정할 수 있게 합니다. 이것이 바로 그해 여름 초 구글이 경연 대회를 열었던 과제인 머신 언러닝입니다. 해운사 CMA CGM과 함께 Pathway는 컨테이너 게이트아웃 예상 도착 시간(ETA)의 정밀도를 높이고 터미널 운영을 개선하여 컨테이너 처리 시간을 단축하고 비즈니스 및 환경 비용을 낮췄습니다.

이 회사는 이 접근 방식이 테이블형 데이터, 시계열, IoT 메시지, 이벤트 스트림, 움직이는 사물, 그래프, 온톨로지 등 데이터 유형 전반에 걸쳐 산업에 구애받지 않는다고 강조하며, 관측 가능성(observability) 사용 사례를 포함한 제품 개선에 집중하고 있다고 밝혔습니다.

제품으로서의 머신 언러닝: 재훈련 없이 훈련된 모델에서 잘못된 데이터 포인트 하나를 수정하는 것 — 스프레드시트가 의존하는 셀만 다시 계산하는 것과 같습니다.

낡거나 잘못된 훈련 데이터는 스트리밍 데이터로 운영되는 기업에서 모델 출력을 조용히 손상시킵니다.

전체 배치 재훈련은 사실 하나가 바뀔 때마다 실행하기에는 너무 느리고 비용이 많이 듭니다.

물류 의사결정은 실시간 데이터에 의존하므로, 수정은 그것이 여전히 중요한 시점에 이루어져야 합니다.

빠르게 변하는 데이터에서는 작업의 단위가 데이터셋이 아니라 단일 사실입니다. 지속적으로 잊고 수정하는 시스템을 설계해야 합니다.

Tech.eu는 CMA CGM 배포를 정확한 실시간 데이터에 의존하는 산업에서의 견인력으로 보도하면서, 언러닝에는 단일 해결책이 없다는 점—배치, 스트리밍, LLM 사례가 모두 다르다는 점—을 지적했습니다. Pathway는 여러 데이터 유형과 산업을 위한 플랫폼 개선에 계속 집중했습니다.