**MNT02 실습가이드 - AI 기반 지능형 부품 단종위험 분석·대응체계**

구    분 **실습가이드 [교육용가상자료]**

**1. 실습 개요**

본 실습은 교육용 가상 야전 정비창의 수리부속 청구/출고 이력으로 부품 수요를 예측하고, 그 결과를 안전재고·결품(단종) 위험 지수, 단종예고 품목 최종 구매와 대체품 전환, 발주 승인 워크플로우로 연결하는 과정을 미션 단위로 구현한다. 미션마다 정답 코드(MNT02_정답코드.md)의 해당 코드를 웹 파이썬 실행기에 붙여 넣어 실행하고, 출력된 수치가 평가 기준을 충족하는지 확인한 뒤 파라미터를 바꿔 보는 도전 과제를 수행한다. 미션별 코드는 서로 독립적이어서 어느 미션부터 실행해도 동작한다.

| **과제** | MNT02 AI 기반 지능형 부품 단종위험 분석·대응체계 |
| --- | --- |

| **난이도·유형** | 고급 / 데이터분석형 |
| --- | --- |

| **예상 소요시간** | 미션 10개, 총 28.5시간 |
| --- | --- |

| **준비물** | MNT02_정답코드.md, 웹 파이썬 실행기(numpy·pandas·scipy·scikit-learn·matplotlib 사용 가능), 결과 기록용 문서 |
| --- | --- |

**2. 진행 방법**

- 정답코드 md에서 해당 미션의 코드 블록 전체를 복사해 실행기에 붙여 넣고 실행한다(부분 복사 시 자료 생성·모델 함수가 빠져 오류가 난다).

- 실행 결과를 md의 '실행 결과 예시'와 비교한다. 난수 시드가 고정되어 같은 값이 나오지만, 처리 시간(초)은 실행 환경에 따라 달라진다.

- 도전 과제는 코드 상단의 파라미터(서비스 수준 z, 위험 가중치, 예산 비율, 폭증 배수, 가상 단가 등)를 바꿔 다시 실행하고 변화와 이유를 기록한다.

- 그래프 글자는 영문, 표·출력은 한글이다. 한글이 깨지면 실행기 글꼴 문제이며 결과에는 영향이 없다.

- NSN·단가·업체는 모두 가상 값이다. 실제 부대 재고·조달 계약·업체 정보는 입력하지 않으며, 발주·최종 구매·대체품 전환은 정비장교 승인 사항이다.

**3. 미션 진행 요약**

| **미션** | **난이도·시간** | **핵심 확인 결과** |
| --- | --- | --- |
| **M1. 야전 정비창 수리부속 청구/출고 이력 및 장비 가동률 데이터셋 스키마 정의** | 초급
1.5시간 | 필드 24개(목표 20개 이상), 정상 샘플 20건 오류 0건 |
| **M2. 결측치 보정, 계절성 수요 분리 및 수리부속 품목코드(NSN) 정제 전처리 모듈 구현** | 초급~중급
2시간 | 정제 규칙 11종 적용, 정합성 검증 10/10 통과(100%) |
| **M3. 이동평균 및 지수평활법 기반 1차 부품 소요량 예측 Baseline 알고리즘 구현** | 중급
2.5시간 | Baseline MAPE: MA3 32.7%, SES 28.9%, 작년 같은 달 22.8% |
| **M4. 시계열 머신러닝(Prophet/LSTM) 기반 결전 대비 야전 부품 수요 예측 모델 고도화** | 중급
3시간 | 평균 MAPE: ML 22.3% / MA3 31.5%(목표 25% 이하) |
| **M5. 적정 안전재고량 산출 및 결품 위험 지수(Stockout Risk) 엔진 개발** | 중급~고급
3.5시간 | MAE 38.1%, RMSE 45.6% 개선(목표 20% 이상), R2 0.952 |
| **M6. 야전 부품 재고 현황 및 긴급 조달 필요 품목 가시화 대시보드 구현** | 중급~고급
3시간 | 상위 3개 인자 자동 산출률 100%(40개 품목) |
| **M7. 부품 발주량 최종 확정을 위한 정비장교 HITL 승인/조정 워크플로우 설계** | 고급
3.5시간 | 총비용 337.6 -> 129.8백만(61.5% 절감), 생산중·단종예고 품목만 13.0% 절감 |
| **M8. 전시 작전 템포 증가 모의 부품 수요 300% 폭증 시뮬레이션 부하 테스트** | 고급
3시간 | 경보 정확도 93.8%(목표 95% 미달), 경계 구간 제외 시 99.6% |
| **M9. AAR 기반 부품 과다/과소 재고 예측 오차 분석 및 안전재고 파라미터 재보정** | 고급
3시간 | 재보정 z: A 0.84, B 0.84, C 1.28 / 6개월 총비용 117.7 -> 55.3백만(53.0%) |
| **M10. AI 기반 야전 정비 부품 수요예측 및 재고최적화 시스템 통합 패키지 완성** | 최고급
3.5시간 | 자체 점검 6/6 PASS, 운영 가이드 완비율 100% |

**미션 1. 야전 정비창 수리부속 청구/출고 이력 및 장비 가동률 데이터셋 스키마 정의**

| **난이도·시간** | 초급 · 1.5시간 |
| --- | --- |

| **진행 순서** | 1) M1 코드를 실행해 업무 프로세스 맵과 데이터 딕셔너리(청구/불출·품목/공급망·가동률)를 확인한다.
2) 오류 주입 결과에서 각 오류가 어떤 규칙(형식·범위·누락·허용값·논리)에 걸렸는지 표로 정리한다.
3) 단종 위험 분석에 쓰일 필드(prod_status, lead_time_m, supplier_count, alt_available)의 역할을 정리한다. |
| --- | --- |

| **확인할 결과** | 필드 24개(목표 20개 이상), 정상 샘플 20건 오류 0건
주입 오류 6건(형식·최소값·누락·허용값·최대값·NSN 논리 불일치) 모두 검출 |
| --- | --- |

| **도전 과제** | 품목/공급망 묶음에 '단종 공지 일자(eol_notice_date, YYYY-MM)' 필드를 추가하고 형식이 틀린 값을 넣어 검출되는지 확인한다. |
| --- | --- |

| **제출물** | 스키마·딕셔너리 코드, 도메인 분석서(프로세스 맵·분석 목표) |
| --- | --- |

**미션 2. 결측치 보정, 계절성 수요 분리 및 수리부속 품목코드(NSN) 정제 전처리 모듈 구현**

| **난이도·시간** | 초급~중급 · 2시간 |
| --- | --- |

| **진행 순서** | 1) M2 코드를 실행해 정제 규칙 11종의 처리 건수를 확인한다.
2) 계절성 보간과 단순 선형 보간의 결측 월 보간 오차를 비교한다.
3) 정제 전후 기술통계와 축전지 품목의 월별 계절지수를 해석한다. |
| --- | --- |

| **확인할 결과** | 정제 규칙 11종 적용, 정합성 검증 10/10 통과(100%)
결측 월 보간 MAE: 계절성 5.72개 < 선형 7.86개 |
| --- | --- |

| **도전 과제** | R8 단위 환산에서 상자 배수(x10)를 x12로 바꿔 정제 후 평균 청구 수량과 정합성 검증 결과가 어떻게 바뀌는지 확인한다. |
| --- | --- |

| **제출물** | 전처리 코드, 정제 품질 보고서(규칙별 건수·전후 통계·계절지수) |
| --- | --- |

**미션 3. 이동평균 및 지수평활법 기반 1차 부품 소요량 예측 Baseline 알고리즘 구현**

| **난이도·시간** | 중급 · 2.5시간 |
| --- | --- |

| **진행 순서** | 1) M3 코드를 실행해 MA3·MA6·SES·작년 같은 달 Baseline의 오차를 비교한다.
2) 상관 검정표에서 유의미한 피처와 그렇지 않은 피처를 구분한다.
3) ABC 분석 상위 20% 품목 중 단종·단종예고 품목을 확인한다. |
| --- | --- |

| **확인할 결과** | Baseline MAPE: MA3 32.7%, SES 28.9%, 작년 같은 달 22.8%
유의한 피처 6개(목표 5개 이상), 상위 20% 중 단종 위험 품목 4개 |
| --- | --- |

| **도전 과제** | SES 평활 계수 후보 [0.1, 0.2, 0.3, 0.5]를 0.6 하나로 고정해 다시 실행하고 오차 변화와 이유를 쓴다. |
| --- | --- |

| **제출물** | EDA 결과(차트 8종), 핵심 발견점 요약 |
| --- | --- |

**미션 4. 시계열 머신러닝(Prophet/LSTM) 기반 결전 대비 야전 부품 수요 예측 모델 고도화**

| **난이도·시간** | 중급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M4 코드를 실행해 파생 피처 15개와 시계열 교차검증 결과를 확인한다.
2) 피처 중요도 상위 6개와 차원 축소 후보를 기록한다.
3) 작전 템포 1.5배 시나리오에서 수요 증가 상위 품목의 생산 상태를 확인한다. |
| --- | --- |

| **확인할 결과** | 평균 MAPE: ML 22.3% / MA3 31.5%(목표 25% 이하)
작전 템포 1.5배 시 전체 수요 946개 -> 1210개 |
| --- | --- |

| **도전 과제** | 차원 축소 후보(ma6, trend_t, lag2)를 FEATS에서 빼고 다시 실행해 MAPE 변화를 비교한다. |
| --- | --- |

| **제출물** | 피처 생성 코드, 교차검증 결과표, 결전 대비 예측표 |
| --- | --- |

**미션 5. 적정 안전재고량 산출 및 결품 위험 지수(Stockout Risk) 엔진 개발**

| **난이도·시간** | 중급~고급 · 3.5시간 |
| --- | --- |

| **진행 순서** | 1) M5 코드를 실행해 Hold-out 성능표(MA3·단일 모델·앙상블)를 확인한다.
2) 안전재고·재주문점 계산식과 위험 지수 구성(결품 확률·단종 상태·공급업체·대체품)을 정리한다.
3) 위험 지수 상위 8개 품목의 생산 상태와 리드타임을 확인한다. |
| --- | --- |

| **확인할 결과** | MAE 38.1%, RMSE 45.6% 개선(목표 20% 이상), R2 0.952
위험 등급: 경보 13개, 주의 2개, 관찰 25개 |
| --- | --- |

| **도전 과제** | _inv의 STATUS_W에서 단종예고 가중치를 0.5에서 0.8로 바꿔 경보 품목 수가 어떻게 달라지는지 확인한다. |
| --- | --- |

| **제출물** | 앙상블·안전재고 코드, 위험 지수표 |
| --- | --- |

**미션 6. 야전 부품 재고 현황 및 긴급 조달 필요 품목 가시화 대시보드 구현**

| **난이도·시간** | 중급~고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M6 코드를 실행해 상위 3개 인자 자동 산출률과 긴급 조달 품목 설명문을 확인한다.
2) 요인별 평균 기여도와 생산 상태별 평균 위험 지수를 비교한다.
3) 대시보드 그림(재고 대 재주문점, 품목군x상태 위험, 품목 기여도)을 보고 조달 우선순위를 토의한다. |
| --- | --- |

| **확인할 결과** | 상위 3개 인자 자동 산출률 100%(40개 품목)
긴급 조달 13개, 평균 위험: 단종 92.0, 단종예고 84.5, 생산중 13.7 |
| --- | --- |

| **도전 과제** | 긴급 조달 기준(위험 60 이상)을 70 이상으로 바꿔 긴급 품목 목록과 설명이 어떻게 바뀌는지 비교한다. |
| --- | --- |

| **제출물** | 설명 코드, 긴급 조달 품목 설명문, 대시보드 그림 |
| --- | --- |

**미션 7. 부품 발주량 최종 확정을 위한 정비장교 HITL 승인/조정 워크플로우 설계**

| **난이도·시간** | 고급 · 3.5시간 |
| --- | --- |

| **진행 순서** | 1) M7 코드를 실행해 3개 정책의 12개월 비용·충족률·회전율을 비교한다.
2) 효과 분해(예측 정책 효과와 단종 대체품 전환 효과)와 민감도 결과를 정리한다.
3) 발주 추천 LP 결과와 정비장교 결재(승인·조정·보류), 감사 로그 변조 검출을 확인한다. |
| --- | --- |

| **확인할 결과** | 총비용 337.6 -> 129.8백만(61.5% 절감), 생산중·단종예고 품목만 13.0% 절감
자동 확정 0건, 결재 사유 기록률 100%, 변조 검출 성공 |
| --- | --- |

| **도전 과제** | BUDGET 비율을 0.6에서 0.4로 낮춰 LP 추천 건수와 고위험 품목의 충족 정도가 어떻게 바뀌는지 기록한다. |
| --- | --- |

| **제출물** | 백테스트·발주 승인 코드, 정책 비교표, 결재 결과표 |
| --- | --- |

**미션 8. 전시 작전 템포 증가 모의 부품 수요 300% 폭증 시뮬레이션 부하 테스트**

| **난이도·시간** | 고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M8 코드를 실행해 폭증 시 모델 직접 예측과 템포 계수 보정 예측의 합계를 비교한다.
2) 예측 방식 4가지의 경보 정확도·결품 탐지율을 비교하고 미달 원인(경계 구간)을 확인한다.
3) 품목 2,000개 부하 시험의 대시보드 갱신 시간을 기록한다. |
| --- | --- |

| **확인할 결과** | 경보 정확도 93.8%(목표 95% 미달), 경계 구간 제외 시 99.6%
결품 탐지율 98.4%, 품목 2,000개 갱신 0.1초 이내(목표 2초) |
| --- | --- |

| **도전 과제** | GROUP_MULT의 배수 차이를 더 크게(예: battery 2.0, power_train 4.0) 바꿔 월별 실적 반영 방식의 효과가 커지는지 확인한다. |
| --- | --- |

| **제출물** | 부하 시험 코드, 방식별 경보 결과표, 경계 구간 처리 방안 |
| --- | --- |

**미션 9. AAR 기반 부품 과다/과소 재고 예측 오차 분석 및 안전재고 파라미터 재보정**

| **난이도·시간** | 고급 · 3시간 |
| --- | --- |

| **진행 순서** | 1) M9 코드를 실행해 품목군별 예측 편향과 과다·결품 품목을 확인한다.
2) 앞 6개월로 정한 ABC별 z와 편향 보정값을 뒤 6개월에서 검증한다.
3) 3대 효과 지표, 민감도, 도입 로드맵을 효과 분석서로 정리한다. |
| --- | --- |

| **확인할 결과** | 재보정 z: A 0.84, B 0.84, C 1.28 / 6개월 총비용 117.7 -> 55.3백만(53.0%)
정비 대기시간 89.3% 단축, 재고 회전율 1.2% 향상 |
| --- | --- |

| **도전 과제** | 코드 안 SHORT_MULT(결품 1개 손실 배수)를 0.6에서 1.2로 키워 ABC별 재보정 z와 정비 대기시간이 어떻게 달라지는지 확인한다. |
| --- | --- |

| **제출물** | AAR 분석 코드, 편차 원인 분석, 효과 지표·민감도 표, 로드맵 |
| --- | --- |

**미션 10. AI 기반 야전 정비 부품 수요예측 및 재고최적화 시스템 통합 패키지 완성**

| **난이도·시간** | 최고급 · 3.5시간 |
| --- | --- |

| **진행 순서** | 1) M10 코드를 실행해 [1]~[7] 단계 결과를 순서대로 확인한다.
2) 재학습 모델 비교 결과와 교체 판단, 단종예고 최종 구매 수량 계산 방법을 기록한다.
3) 자체 점검표와 브리핑 요약 수치가 위 단계 결과와 일치하는지 대조한다. |
| --- | --- |

| **확인할 결과** | 자체 점검 6/6 PASS, 운영 가이드 완비율 100%
검증 MAPE v1 20.0%, v2 20.9% -> v1 유지, 결재 대기 18건(발주 10, 최종 구매 8) |
| --- | --- |

| **도전 과제** | LTB_MONTHS를 24에서 12로 바꿔 최종 구매 수량과 결재 대기열이 어떻게 달라지는지 브리핑 요약으로 작성한다. |
| --- | --- |

| **제출물** | 통합 패키지 코드, 자체 점검표, 브리핑 요약 |
| --- | --- |

**4. 최종 점검표**

| **점검 항목** | **확인** |
| --- | --- |
| 미션 1~10 코드가 모두 오류 없이 실행되었다 | ( ) |
| 각 미션의 확인할 결과를 기록했다 | ( ) |
| 도전 과제 결과와 이유를 기록했다 | ( ) |
| 브리핑 수치가 실행 결과와 일치한다 | ( ) |
| 실제 부대 재고·조달 계약·업체 정보를 사용하지 않았다 | ( ) |
| 발주·최종 구매·대체품 전환은 정비장교 승인 사항으로 설계했다 | ( ) |