데카트론의 수요 예측 시스템 전환과 Chronos-2 도입
데카트론은 전 세계 4억 명의 사용자와 10만 명 이상의 직원을 보유한 글로벌 스포츠 용품 소매업체로서, 매주 수만 개의 제품에 대한 수요를 예측하여 적정 재고를 유지한다. 데카트론은 기존의 정적인 시계열 모델이 매주 재학습을 요구하고 신규 지역 확장 시 높은 엔지니어링 비용을 발생시키자, 운영 효율과 정확도를 동시에 확보하기 위해 파운데이션 모델인 Chronos-2를 도입했다. 데카트론은 12주 보충 주기와 52주 전략적 예측이라는 두 가지 핵심 구간에서 Chronos-2를 검증했으며, 제로샷 모드만으로도 기존 생산 환경의 베이스라인을 상회하는 성능을 확인했다. 데카트론은 이 모델을 통해 복잡한 재학습 과정 없이도 대규모 소매 데이터 환경에서 예측 정확도를 확보하고 운영 복잡성을 낮추는 성과를 거두었다.
그룹 어텐션 기반의 공변량 처리와 모델 구조
Chronos-2는 그룹 어텐션 메커니즘을 통해 공변량을 모델 내에서 직접 처리하며, 기존 시계열 모델이 외부 변수 반영을 위해 거쳐야 했던 복잡한 우회 경로를 제거했다. 이 모델은 T5 인코더 설계를 기반으로 한 인코더 전용 트랜스포머 구조를 채택하여, 각 시계열 데이터를 패치로 분할하고 잔차 네트워크를 통해 실수 형태의 임베딩으로 변환한다. Chronos-2는 시간 어텐션과 그룹 어텐션을 교차 적용하는 아키텍처를 통해 단일 시계열 내부의 시간적 흐름과 그룹 내 제품 간의 상관관계를 동시에 학습한다. 이러한 구조적 혁신은 데카트론이 별도의 모델 재설계 없이도 다양한 스포츠 제품군과 그에 따른 외부 요인을 통합적으로 예측할 수 있게 만들었다.
AWS 인프라 위에서의 효율적인 파이프라인 구축
데카트론은 AWS 환경 내에서 PySpark를 활용해 데이터를 준비하고, Airflow를 통해 전체 예측 파이프라인을 오케스트레이션하여 운영 안정성을 확보했다. 데카트론은 6개월마다 AutoGluon을 통해 Chronos-2를 최신 데이터로 미세 조정하며, 이때 LoRA(저순위 적응) 기법을 적용해 모델 전체를 재학습하지 않고도 도메인 특화 성능을 최적화한다. 학습된 모델은 MLflow 모델 레지스트리에 버전별로 등록되어 주간 배치 추론에 활용된다. 다음은 AutoGluon-TimeSeries를 활용하여 LoRA 미세 조정을 수행하는 구현 가이드의 핵심 코드이다.
from autogluon.timeseries import TimeSeriesPredictorLoRA 미세 조정을 포함한 모델 학습 설정
predictor = TimeSeriesPredictor(target="target", prediction_length=12)
predictor.fit(
train_data,
hyperparameters={
"Chronos": {"model_path": "amazon/chronos-2", "fine_tune": True}
}
)
예측 정확도 15%p 개선과 운영 효율성 증대
데카트론은 Chronos-2 도입 이후 12주 보충 예측 기간의 WAPE(가중 평균 절대 백분율 오차)를 최대 15%p 개선하며 재고 부족과 과잉 재고 문제를 동시에 해결했다. 신규 시장 진입 시 모델 배포에 소요되는 시간은 기존 6개월에서 2~3개월로 단축되었으며, 이는 엔지니어링 비용의 획기적인 절감을 의미한다. 현재 이 시스템은 동남아시아와 라틴아메리카를 포함한 다수의 공급 구역에서 구역당 최대 25,000개의 제품을 관리하며 매주 안정적으로 작동하고 있다. 데카트론의 사례는 파운데이션 모델이 대규모 소매 데이터의 변동성을 효과적으로 제어하고 공급망 운영의 민첩성을 높일 수 있음을 입증한다.
국내 실무자를 위한 파운데이션 모델 도입 체크리스트
국내 기업이 파운데이션 모델을 도입할 때는 모델의 공변량 지원 여부와 미세 조정 시의 리소스 효율성을 우선적으로 검토해야 한다. 실무자는 Amazon SageMaker JumpStart를 통해 자사 인프라와의 호환성을 확인하고, AutoGluon과 같은 자동화 라이브러리를 활용해 데이터 파이프라인을 구축하는 것이 권장된다. 특히 6개월 단위의 미세 조정과 MLflow를 통한 버전 관리는 운영 비용을 최적화하는 핵심 기준이 된다. Chronos-2의 상세 구현 및 활용 방법은 공식 GitHub(https://github.com/amazon-science/chronos-forecasting)에서 확인할 수 있다. 실무자는 자사의 데이터 특성이 모델의 제로샷 성능과 일치하는지, 혹은 미세 조정이 필요한 도메인 특수성이 존재하는지 다음 관찰 신호를 통해 판단해야 한다.
