pbl02/scenario_md/MNT02-장비정비·수리부속_단종관리-AI 기반 지능형 부품 단종위험 분석·대응체계/MNT02-장비정비·수리부속_단종관리-AI 기반 지능형 부품 단종위험 분석·대응체계.md

**AI 기반 지능형 부품 단종위험 분석·대응체계**

난 이 도 **고급**

| **프로젝트 목표** | 장비 수리부속은 생산 중단(단종)이나 단종 예고가 나오면 조달 리드타임이 길어지고 공급업체가 줄어, 수요를 미리 알지 못하면 결품으로 장비가 정비 대기 상태에 머물게 된다. 따라서 단종 위험에 대응하려면 먼저 품목별 수요를 정확히 예측하고, 그 예측에 리드타임·공급업체 수·대체품 유무를 결합해 결품 위험을 측정해야 한다. 본 프로젝트는 교육용 가상 야전 정비창의 수리부속 청구/출고 이력과 장비 가동률 자료를 코드로 만들어, 데이터 스키마 정의, NSN 정제와 계절성 분리, 이동평균·지수평활 Baseline, 머신러닝 수요 예측, 안전재고와 결품(단종) 위험 지수, 긴급 조달 대시보드와 설명가능성, 정비장교 발주 승인 워크플로우, 수요 300% 폭증 부하 시험, AAR 기반 안전재고 재보정을 단계별로 구현한다. 최종 목표는 수요 예측과 단종 위험 분석을 하나로 묶어 단종예고 품목의 최종 구매·대체품 전환과 일반 발주를 근거와 함께 제안하고, 발주량은 정비장교가 확인해 확정하는 통합 패키지를 완성하는 것이다. |
| --- | --- |

| **유의사항** | 모든 품목·NSN·단가·재고·공급업체 정보는 코드 안에서 만든 교육용 가상 자료이며 실제 부대 보유량, 조달 계약, 업체 정보, 장비 제원은 사용하지 않는다. NSN·FSC는 국방 표준 군수 코드 형식만 모사한 가상 번호다. 부대 내 촬영이나 부대 자료의 외부 AI 서비스 입력은 금지한다. 발주량, 최종 구매, 대체품 전환은 모두 정비장교 승인 후 집행하며 대체품은 호환성 검증을 거친다. 비용·시간 효과는 가정 단가로 계산한 상대 비교값으로 예산 근거로 쓰지 않는다. 미션별 정답 코드는 각각 한 파일로 독립 실행된다. |
| --- | --- |

**1단계. 청구/출고 데이터 스키마 정의 및 NSN 정제 전처리**

| **미션 1. 야전 정비창 수리부속 청구/출고 이력 및 장비 가동률 데이터셋 스키마 정의** [초급 · 1.5시간] | **미션 1. 야전 정비창 수리부속 청구/출고 이력 및 장비 가동률 데이터셋 스키마 정의** [초급 · 1.5시간] |
| --- | --- |
| **목표** | 야전 정비창 수리부속 청구/출고 이력, 품목·공급망(단종 상태 포함), 장비 가동률 자료의 스키마와 업무 프로세스 맵, 데이터 딕셔너리를 정의한다. |
| **수행** | 정비 소요 발생부터 청구, 재고 확인·불출, 조달 요청, 단종 위험 검토, 가동률 집계까지 업무 흐름을 단계별로 정리한다. 청구/불출·품목/공급망·가동률 세 묶음으로 필드 20개 이상을 정의하고 NSN·FSC·NIIN은 국방 표준 군수 코드 형식을 모사한 가상 번호로 둔다. 가상 샘플을 검증기로 점검하고 형식·범위·허용값·누락·논리 오류를 넣어 검출되는지 확인한다. |
| **산출물** | docs/mnt02_logistics_domain_spec.md 및 데이터 딕셔너리 |
| **평가** | **[필수] 데이터 스키마 정의** — 업무 프로세스 맵 작성 완료, 필드 20개 이상 정의, 정상 샘플 검증 오류 0건, 주입 오류 전부 검출, 예측 대상(수요)과 단종 위험 분석 목표가 명확한가. |

| **미션 2. 결측치 보정, 계절성 수요 분리 및 수리부속 품목코드(NSN) 정제 전처리 모듈 구현** [초급~중급 · 2시간] | **미션 2. 결측치 보정, 계절성 수요 분리 및 수리부속 품목코드(NSN) 정제 전처리 모듈 구현** [초급~중급 · 2시간] |
| --- | --- |
| **목표** | 청구 기록의 결측치 보정, 계절성 수요 분리, 품목코드(NSN) 정제를 수행하는 전처리 모듈을 구현한다. |
| **수행** | 중복 청구 제거, NSN 형식 정규화와 미등록 NSN 격리, 날짜·단위 통일, 음수·과다 수량 보정 등 정제 규칙 10종 이상을 적용하고 긴급 불출은 이상치로 지우지 않는다. 전산 장애로 빠진 월은 계절성 보간으로 채우고 단순 선형 보간과 오차를 비교한다. 정제 전후 기술통계와 품목군별 계절지수를 제시한다. |
| **산출물** | src/etl/mnt02_data_cleansing.py 및 정제 품질 보고서 |
| **평가** | **[필수] 전처리 모듈** — 정제 규칙 10종 이상 적용, 정합성 검증 통과율 100%, 긴급 불출 보존, 계절성 보간이 단순 보간보다 오차가 작은지 확인했는가. |

**2단계. 이동평균 Baseline 분석 및 머신러닝 수요 예측 고도화**

| **미션 3. 이동평균 및 지수평활법 기반 1차 부품 소요량 예측 Baseline 알고리즘 구현** [중급 · 2.5시간] | **미션 3. 이동평균 및 지수평활법 기반 1차 부품 소요량 예측 Baseline 알고리즘 구현** [중급 · 2.5시간] |
| --- | --- |
| **목표** | 이동평균과 지수평활법으로 1차 부품 소요량 예측 Baseline을 만들고 탐색적 분석으로 수요 요인과 핵심 관리 품목을 찾는다. |
| **수행** | 3·6개월 이동평균, 단순 지수평활, 작년 같은 달 방식의 MAE·WAPE·MAPE를 평가 구간 6개월에서 비교한다. 운용시간·훈련 월·가동률 등과 수요의 상관계수·p-value를 검정하고 EDA 차트 8종을 만든다. ABC(파레토) 분석으로 상위 20% 품목을 식별하고 그중 단종·단종예고 품목을 표시한다. |
| **산출물** | notebooks/mnt02_eda_analysis.ipynb 및 EDA 요약 리포트 |
| **평가** | **[필수] Baseline·EDA** — EDA 차트 8종 이상, 유의미한 상관 피처 5개 이상(p<0.05), Baseline 방식별 오차 비교와 ABC 상위 품목 중 단종 위험 품목을 제시했는가. |

| **미션 4. 시계열 머신러닝(Prophet/LSTM) 기반 결전 대비 야전 부품 수요 예측 모델 고도화** [중급 · 3시간] | **미션 4. 시계열 머신러닝(Prophet/LSTM) 기반 결전 대비 야전 부품 수요 예측 모델 고도화** [중급 · 3시간] |
| --- | --- |
| **목표** | 시계열 머신러닝으로 결전 대비 야전 부품 수요 예측 모델을 고도화한다(Prophet/LSTM은 실행 환경 제약으로 포아송 그래디언트 부스팅으로 대체). |
| **수행** | 지연값·이동평균·변동성·계절지수·훈련 계획·운용시간 등 예측 시점 이전 정보로 파생 피처 10개 이상을 만든다. 확장 창 시계열 교차검증으로 MAPE를 확인하고 순열 중요도로 차원 축소 후보를 고른다. 작전 템포 1.5배 시나리오에서 다음 달 수요 증가가 큰 품목과 그 생산 상태를 확인한다. |
| **산출물** | src/features/mnt02_feature_engineering.py 및 기준 모델 |
| **평가** | **[선택] 수요 예측 모델** — 파생 피처 10개 이상, 시계열 교차검증 평균 MAPE 25% 이하, 피처 중요도 근거와 결전 대비 수요 증가 품목을 제시했는가. |

**3단계. 안전재고·결품(단종) 위험 지수 엔진 및 재고 대시보드**

| **미션 5. 적정 안전재고량 산출 및 결품 위험 지수(Stockout Risk) 엔진 개발** [중급~고급 · 3.5시간] | **미션 5. 적정 안전재고량 산출 및 결품 위험 지수(Stockout Risk) 엔진 개발** [중급~고급 · 3.5시간] |
| --- | --- |
| **목표** | 앙상블 수요 예측으로 품목별 적정 안전재고·재주문점을 산출하고 단종 위험을 반영한 결품 위험 지수(Stockout Risk) 엔진을 개발한다. |
| **수행** | 포아송 그래디언트 부스팅과 랜덤포레스트를 앙상블하고 가중치는 학습 기간 안의 검증 구간으로 고른다. Hold-out 6개월에서 기준 모델(MA3) 대비 MAE/RMSE 개선율과 R2를 계산한다. 예측 오차로 서비스 수준 95% 안전재고와 재주문점을 구하고, 리드타임 동안의 결품 확률에 단종 상태·단일 공급업체·대체품 부재를 결합해 위험 지수와 등급을 산출한다. |
| **산출물** | src/models/mnt02_advanced_model.py, 안전재고·위험 지수표 |
| **평가** | **[필수] 안전재고·위험 지수** — 기준 모델 대비 MAE/RMSE 20% 이상 개선, R2 0.85 이상, 품목별 안전재고·재주문점과 위험 등급(경보·주의·관찰)을 산출했는가. |

| **미션 6. 야전 부품 재고 현황 및 긴급 조달 필요 품목 가시화 대시보드 구현** [중급~고급 · 3시간] | **미션 6. 야전 부품 재고 현황 및 긴급 조달 필요 품목 가시화 대시보드 구현** [중급~고급 · 3시간] |
| --- | --- |
| **목표** | 야전 부품 재고 현황과 긴급 조달 필요 품목을 보여 주는 대시보드를 만들고 품목별 위험 원인을 설명한다. |
| **수행** | 가용재고와 재주문점, 품목군·생산 상태별 위험 지수, 긴급 조달 필요 품목을 그림으로 표시한다. 리드타임·수요 증가·재고 부족·예측 불확실성·단종 상태·단일 공급업체·대체품 부재를 하나씩 기준값으로 바꿔 위험 지수 변화를 계산하고 기여도 상위 3개 인자를 뽑는다. '주된 원인은 조달 리드타임이 길다'처럼 자연어 설명문을 자동 생성한다. |
| **산출물** | src/explainability/mnt02_xai_explainer.py 및 XAI 리포트, 대시보드 화면 |
| **평가** | **[선택] 재고 대시보드·설명** — 품목별 기여도 상위 3개 인자 자동 산출률 100%, 긴급 조달 품목별 자연어 설명 생성, 생산 상태별 위험 차이를 제시했는가. |

**4단계. 정비장교 발주 승인 워크플로우 및 수요 폭증 부하 시험**

| **미션 7. 부품 발주량 최종 확정을 위한 정비장교 HITL 승인/조정 워크플로우 설계** [고급 · 3.5시간] | **미션 7. 부품 발주량 최종 확정을 위한 정비장교 HITL 승인/조정 워크플로우 설계** [고급 · 3.5시간] |
| --- | --- |
| **목표** | 예측 기반 발주 정책과 단종 대체품 전환의 효과를 백테스트로 검증하고, 발주량을 정비장교가 최종 확정하는 HITL 승인·조정 워크플로우를 설계한다. |
| **수행** | 12개월 재고 백테스트로 현행(최근 평균+고정 여유) 정책, 예측 정책, 예측+단종 대체품 전환을 보관비·발주비·결품손실·충족률·회전율로 비교하고 효과를 분해한다. 서비스 수준과 돌발 수요(1.5배) 민감도를 본다. 다음 달 발주량은 예산 제약 선형계획으로 추천하고, 정비장교가 승인·조정·반려·보류를 사유와 함께 남기며 해시 체인 감사 로그로 변조를 검출한다. |
| **산출물** | src/optimization/mnt02_simulator.py, 결재 감사 로그 |
| **평가** | **[필수] 발주 최적화·승인 워크플로우** — 최적화 적용 시 비용 15% 절감 또는 회전율 20% 향상(효과 분해 포함), 자동 확정 0건, 결재 사유 기록률 100%, 감사 로그 변조 검출이 되는가. |

| **미션 8. 전시 작전 템포 증가 모의 부품 수요 300% 폭증 시뮬레이션 부하 테스트** [고급 · 3시간] | **미션 8. 전시 작전 템포 증가 모의 부품 수요 300% 폭증 시뮬레이션 부하 테스트** [고급 · 3시간] |
| --- | --- |
| **목표** | 전시 작전 템포 증가로 부품 수요가 평시의 300%로 폭증하는 상황을 모의해 결품 경보와 대시보드의 성능을 부하 시험한다. |
| **수행** | 품목군별 실제 증가 배수가 다른 3개월 폭증 상황을 반복 모의하고, 평시 예측·모델 직접 예측·작전 템포 계수 보정·월별 실적 반영 방식의 경보 정확도와 결품 탐지율을 비교한다. 트리 모델이 학습 범위 밖 수요를 외삽하지 못하는 한계를 확인한다. 품목 수 50배 부하에서 대시보드 갱신 시간을 측정한다. |
| **산출물** | src/dashboard/mnt02_app.py, 부하 시험 결과표 |
| **평가** | **[선택] 수요 폭증 부하 시험** — 대시보드 갱신 2초 이내, 경보 정확도 95% 이상(미달 시 원인과 경계 구간 처리 방안 제시), 결품 탐지율을 함께 제시했는가. |

**5단계. AAR 안전재고 재보정 및 통합 패키지 완성**

| **미션 9. AAR 기반 부품 과다/과소 재고 예측 오차 분석 및 안전재고 파라미터 재보정** [고급 · 3시간] | **미션 9. AAR 기반 부품 과다/과소 재고 예측 오차 분석 및 안전재고 파라미터 재보정** [고급 · 3시간] |
| --- | --- |
| **목표** | AAR 관점에서 과다·과소 재고와 수요 예측 오차를 분석하고 안전재고 파라미터를 재보정해 도입 효과를 산출한다. |
| **수행** | 앞 6개월 운영 결과를 품목군·ABC 등급·생산 상태별 예측 편향, 과다 재고, 결품 품목으로 분석해 원인을 찾는다. ABC 등급별 안전재고 계수(z)와 품목군별 편향 보정값을 앞 6개월로 정하고 뒤 6개월에서 검증한다. 총비용, 정비 대기시간, 재고 회전율 3대 효과 지표와 단가 민감도, 단기·중기·장기 로드맵을 정리한다. |
| **산출물** | reports/mnt02_roi_analysis.md |
| **평가** | **[필수] AAR 재보정·효과 분석** — 편차 원인 분석, 재보정 파라미터의 검증 결과, 3대 정량 효과 지표와 민감도, 단계별 도입 로드맵을 제시했는가. |

| **미션 10. AI 기반 야전 정비 부품 수요예측 및 재고최적화 시스템 통합 패키지 완성** [최고급 · 3.5시간] | **미션 10. AI 기반 야전 정비 부품 수요예측 및 재고최적화 시스템 통합 패키지 완성** [최고급 · 3.5시간] |
| --- | --- |
| **목표** | 수요 예측, 재학습, 안전재고·위험 지수, 단종 대응, 발주 추천과 결재 대기열을 한 번에 실행하는 통합 패키지를 완성한다. |
| **수행** | 자료 생성·정합성 점검, 운영 모델과 재학습 모델 비교 후 교체 판단, 다음 달 예측과 위험 지수 산출을 한 흐름으로 실행한다. 단종예고 품목은 최종 구매(LTB) 수량을, 단종 품목은 대체품 보유 여부를 정리하고 생산중 품목은 예산 제약 발주를 추천해 결재 대기열에 올린다. 운영 가이드 10개 장과 가상 연계 메시지 규격, 자체 점검표, 브리핑 요약을 출력한다. |
| **산출물** | docs/mnt02_operations_guide.md 및 pipeline/mnt02_retrain.py, 브리핑 요약 |
| **평가** | **[필수] 통합 패키지** — 재학습 파이프라인 정상 실행과 교체 판단, 자체 점검 전 항목 PASS, 운영 가이드 완비율 100%, 브리핑 수치가 실행 결과와 일치하는가. |

**최종 판정**

**판정 기준 :** 모든 필수 항목([필수])에서 PASS를 받아야 최종 PASS로 인정한다.

최종 판정 결과 : ( PASS / FAIL )

평가 의견 : (필수 항목 중 하나라도 FAIL인 경우 사유를 기재한다.)