2020년 2월. 배달의민족은 ‘AI 추천배차’라는 다소 생소한 기능을 오픈합니다. 

‘이 기능이 나랑 무슨 상관이지?’ 싶으신가요? 생각보다 상관이 깊습니다. 

‘AI 추천배차’가 도입되고 나서, 음식이 고객에게 전달되기까지 시간이 평균 11% 단축됐고, 라이더 사고율은 47%가 줄었습니다.

AI 추천배차는 인공지능으로 라이더에게 최적의 배달 코스를 실시간으로 추천하는 기술이에요. 음식 배달 방식을 조금, 어쩌면 많이 바꾼 기술, ‘AI 추천배차’를 소개합니다. 

​Q. 먼저, 라이더 사고율이 47%나 줄었다는데 사실인가요?

맞습니다. AI 추천배차가 도입되기 직전이었던 작년 1월과 비교해서 올해 1월 사고율이 47% 감소했어요. 

Q. 이게 어떻게 가능했나요?

혹시 길 가다 라이더 분들이 스마트폰을 여러 대 보면서 운행하는 모습을 보신 적 있나요? 그게 다음에 배달 갈 주문을 확인하고 고르는 건데요. 라이더 분들 입장에서는 스마트폰에 뜨는 주문 하나 하나가 수익이니까 위험을 무릅쓰고 들어오는 주문을 확인하시는 거죠.

그런데 AI 추천배차를 쓰면 스마트폰을 수시로 확인할 필요가 없어요. 최적의 동선으로 끊김없이 배차를 추천해주거든요. 라이더는 AI가 추천한 가게에 가서 음식을 받고 최적의 동선으로 배달을 완료한 뒤 AI가 미리 추천한 다음 가게로 가면 됩니다. 일이 착착 진행돼요. 위험을 무릅쓰고 주문 콜을 찾지 않아도 됩니다.

그리고 사고라는 게 기능적인 개선만으로 예방하기는 어렵기 때문에 라이더 안전운전 교육이나 보험을 지원하는 등 사고율을 줄이기 위한 활동을 꾸준히 진행하고 있고요.

​Q. AI 추천배차의 목표는 라이더 사고율을 줄이는 것이었나요?

사고율을 낮추는 목표도 있었고요,  시작은 배달 과정을 최적화하는 것이었어요. 주문 – 음식 조리 – 음식 픽업 – 고객으로 이어지는 배달 과정을 최적화하면 라이더는 배달 업무가 수월해지고, 가게는 주문이 밀리지 않고, 결과적으로 고객의 배달 만족도는 높아지거든요.

이전에는 배달 품질이 대개 라이더 역량에 달려 있었어요. 베테랑 라이더는 길도 잘 알고 경험이 많아 신속하게 음식을 배달하지만 초보 라이더는 그러기 힘들잖아요. 게다가 요즘은 누구나 배민커넥트가 되어 배달할 수 있기 때문에 배달 경험이 별로 없는 사람이 배달을 할 때도 베테랑과 비슷한 배달 품질을 낼 수 있어야 했어요. 

고객에게는 누가 배달하든, 바쁜 시간이든 아니든 상관없이 좋은 상태로 음식이 가야 하니까요.

Q. 라이더 분들이 새로운 기술에 바로 적응하셨나요?

베테랑 라이더 분들 중에는 AI 추천을 못미더워 하는 분도 있었어요. 수십 년 경력의 라이더 분들은 자동으로 추천해주는 것보다 본인의 경험을 더 신뢰하셨고 실제로 라이더분들의 노하우가 더 나을 때도 있거든요. 그래서 초반에는 배차 경쟁을 힘들어 한 라이더 분들 위주로 쓰기 시작하신 것 같아요.

AI추천배차는 선택 사항이에요. 일단 써보며 장점을 느끼실 수 있도록 언제든지 스마트폰으로 켜고 끌 수 있도록 했습니다.

​Q. AI 기술은 구체적으로 어떻게 쓰이나요?

AI 라고 하면 딥러닝이 먼저 떠오르실텐데, 저희는 딥러닝은 아니고 그러니까 이건…관심 있는 분들만 들으셔도 되는데…

배달 한 건마다 굉장히 많은 정보가 생성되거든요. 이 정보들을 수치화해서 하나하나 계산해 회귀분석하고 가장 이상적인 수치를 만들기 위해서 수학 모델을 직접 만들었어요.

사실 이게 너무 어려워서 엄두를 못내다가 말씀드린 수학 모델로 측정 가능하다는 게 증명이 되면서부터 일에 탄력이 생겼어요.

배달 중에 일어나는 모든 정보를 저희가 직접 만든 수학 모델에 넣고 돌린다고 생각하시면 이해가 될까요? ㅎㅎ 최고 사양의 데스크탑 30~40대가 매일 풀로 돌아가는 양의 계산이에요.

Q. 개발 과정에서 가장 힘들었던 부분은 뭐였나요?

오픈 전에 수 천 명의 가상 라이더를 설정해서 했던 시뮬레이션에서는 이전보다 나아진다는 결과가 계속 나왔거든요. 실제 라이더를 대상으로 한 필드 테스트에서도 결과가 좋았고요. 그런데 막상 시작되니까 AI 추천배차가 추천한 주문을 라이더가 거부하는 경우가 생각보다 많았어요. 내가 왜 AI가 가라는대로 가야하나 싶은 거죠. 선호하지 않는 지역에서 생긴 주문은 거부하고 상대적으로 편해 보이는 주문만 골라 수락하다보니 시뮬레이션 결과와 달라졌어요.

수치화가 불가능한 세계를 어떻게 녹여낼까라는 고민이 시작된거죠. 실제 현장 상황과 시스템 상의 최적화 간에 이해충돌을 고려하는 게 어려웠어요.

​Q. 앞으로 더 발전시키고 싶은 기능이 있다면?​

수학모델을 단순화해서 같은 시간에 더 많은 계산을 처리할 수 있도록 알고리즘을 개선하려고 해요. 계산을 많이 할수록 배차 추천은 더 정교해질 수 있어요.

배차 추천이 정교해지면 라이더는 서두르지 않아도 빠른 배달이 가능해요. 대기 시간도 줄어들고요. 무리하지 않아도 더 많은 배달을 처리할 수 있어요. 당연히 고객은 좀 더 빨리 좋은 품질의 음식을 받을 수 있게 되겠죠.