AI와 데이터로 실제 운영 효율화가 가능할까? : AI 세차 도입기 | 인프콘2024

이용자가 올린 차량 내외부 사진으로 정상·오염·파손 상태를 판단하는 모델에서 오염 결과를 활용한다. 세차 수행은 외부 업체가 담당하지만 어떤 차량을 먼저 닦을지 고르는 요청 로직은 별도로 필요했고, 수동 선정에서 단순 규칙 자동화를 거쳐 AI를 포함하는 단계로 개선했다. 과거 요청 기록과 현재 모델 판독을 비교해 낭비한 세차와 놓친 오염 차량을 찾아 임팩트를 계산하려 했다.

모델이 더럽다고 한 차량은 실제로도 더럽다는 전제를 두고 과거 요청·수행 기록과 혼동 행렬을 비교했지만 명확한 결론을 얻지 못했다. 오염 판정 임계값이 다양하고 세차 요청이 당일 수행과 일치하지 않았으며, 고객 피드백도 모델과 서로 충돌했다. 요청과 수행, 특정 시점의 상태를 한 표에 섞은 채 완전하지 않은 모델을 기준으로 삼은 것이 분석을 복잡하게 만든 핵심 원인이었다.

정답을 모른다는 사실에서 다시 시작해 모델, 고객 위생 피드백과 분석가의 육안 판독을 후보 기준으로 놓고 세차 현업과 함께 실제로 닦아야 할 오염을 합의했다. 이어 한 차량의 시간을 세차 이후부터 요청 전까지의 깨끗한 상태와 요청 이후 실제 수행 전까지의 더러운 상태로 구분했다. 주관적 오염과 독립적으로 움직이는 요청·수행 사이에 공통 기준을 세우자 특정 시점의 판단과 효과를 일관되게 해석할 수 있게 됐다.

모델·고객 피드백·기존 규칙·장기 미세차 조건의 교집합에 따라 세차 필요 우선순위를 정하고, 선정 목록을 운영 시스템과 외부 수행원에게 전달하는 파이프라인을 만들었다. 판단 조건과 차량 상태를 구조화해 현재 상황과 변경의 영향을 추적할 수 있었고 비용 감소와 고객 만족도 증가를 확인했다. 수행 품질과 피드백, 모델은 여전히 불완전하므로 특정 AI 자체보다 가진 신호를 현실의 복잡한 프로세스에 맞게 조합하고 지속적으로 개선하는 설계가 중요하다.