엔비디아와 팔란티어, 네모트론 기반 공급망 의사결정 인텔리전스 구축

공급망 의사결정의 지능화 전환

엔비디아는 팔란티어와 협력하여 공급망 자재 할당 의사결정을 지원하는 디지털 공급망 인텔리전스 체계를 구축했다고 발표했다. 이번 시스템은 팔란티어 파운드리의 온톨로지 데이터 계층과 엔비디아의 GPU 가속 의사결정 최적화 라이브러리인 cuOpt, 사후 훈련된 오픈 가중치 언어 모델 네모트론 3.5 라이트닝(Nemotron 3.5 Lightning)을 결합한 구조다. 이를 통해 분산된 데이터를 단일 거버넌스 환경으로 모으고 숙련된 기획자의 배분 노하우를 자율 시스템으로 코드화했다.

이 체계는 반도체 웨이퍼 출하부터 데이터센터에서 첫 연산 토큰을 생성하기까지 걸리는 시간을 단축하기 위해 도입되었다. 엔비디아의 그레이스 블랙웰 NVL72 랙 시스템은 단 하나의 연산 트레이에만 그레이스 CPU 2개, 블랙웰 GPU 4개, HBM3e 메모리 스택 32개가 들어가며, 차세대 플랫폼인 베라 루빈의 공급망은 이보다 2배 더 크다. 직공급, 위탁 재고, 부품 협력사라는 3개 공급 경로에서 매주 부품 가용성이 달라지기 때문에 제조 현장에 자재가 머무는 소유 시간(TOO)을 최소화하는 배분 결정이 매주 필수적으로 요구된다.

수리 최적화와 전문가 직관 결합

정량적 할당 문제는 팔란티어 파운드리 온톨로지와 엔비디아 cuOpt 라이브러리를 통해 1차적으로 해결된다. 온톨로지는 원자재, 제조 공장 수용량, 약정 물량, 비정형 정성 신호를 표 형태가 아닌 객체와 링크 기반으로 연결해 운영 환경을 통합 표현한다. 오픈소스 라이브러리인 cuOpt는 이 데이터를 바탕으로 혼합 정수 선형 계획법(MILP)을 수행해 소유 시간을 최소화하는 수리적 배분을 산출하고, 메모리 공급 문제인지 특정 지역 공장의 수용량 한계인지와 같은 구체적 병목 제약 조건을 함께 제공한다. 빠른 연산 속도 덕분에 기획자는 부품 감소나 공장 증설에 따른 다양한 상충 관계를 능동적으로 탐색할 수 있다.

그러나 과거 배분 결정 데이터를 사후 검증한 결과, 수리 최적화 공식만으로는 실제 운영 결과를 완벽하게 설명하지 못하는 인간적 요인이 발견되었다. 기획자들은 알고리즘이 볼 수 없는 협력사와의 이메일, 주요 지역의 기상 악화 예보나 지정학적 상황, 협력사 사후 검토 회의록, 수년간 축적된 직관적 경험을 바탕으로 의사결정을 내리고 있었다. 엔비디아와 팔란티어는 이러한 전문가의 암묵지를 온톨로지 안에 명시적이고 검토 가능한 결정 논리로 축적하기 위해, 배분 결정과 근거, 예상 결과와 실제 결과를 모두 통합 데이터 계층에 기록하는 워크플로를 구축했다.

네모트론 사후 훈련과 벤치마크

축적된 전문 지식은 오픈 가중치 모델인 네모트론 3.5 라이트닝의 사후 훈련에 직접 활용되었다. 이 모델은 전체 300억 개 매개변수 중 순전파당 약 30억 개만 활성화되는 전문가 혼합(MoE) 아키텍처를 갖춰 에이전트 실행 계층에 최적화된 연산 효율을 제공한다. 데이터 파이프라인은 민감 정보를 숨기는 익명화 도구와 장애 시나리오를 확장하는 데이터 합성 도구를 거치며, 기본 가중치를 고정한 채 어댑터 매개변수만 학습하는 LoRA 기법을 적용했다. 팔란티어 오토파일럿이 전체 주기를 관리하는 가운데, 이 훈련은 엔비디아 B200 GPU 2대에서 단 몇 분 만에 완료되었다.

동일한 평가 데이터를 사용한 개발 벤치마크에서 사후 훈련된 네모트론 3.5 라이트닝은 86.7%의 할당 결정 정확도를 기록했다. 이는 기본 라이트닝 모델의 17.5% 대비 69.2%포인트, 매개변수가 훨씬 큰 대형 모델인 네모트론 울트라(Nemotron Ultra)의 55.5%보다도 31.2%포인트 높은 성과다. 부품 제약으로 인해 할당을 축소하는 드문 사례까지 공평하게 반영한 균형 정확도(Balanced Accuracy)에서도 사후 훈련 모델이 58.6%로 울트라의 42.0%를 앞섰으며, 매크로 F1(Macro-F1) 점수 역시 57.5%로 울트라의 39.5%를 웃돌았다. 이는 특정 영역에 한정된 의사결정 과제에서 잘 훈련된 경량 특화 모델이 거대 범용 모델보다 우수한 효율을 낼 수 있음을 보여준다.

운영 제약과 소버린 인공지능

해당 체계는 모델이 독자적으로 판단을 완결하지 않으며, 제안된 배분안과 위험 분석을 기획자가 직접 검토해 최종 승인하는 방식으로 운용된다. 모델의 정확도 향상은 사후 훈련이 이루어진 자재 배분 영역에 집중되었으며, 원문 분석에 따르면 미세조정 이후에도 미래 생산 위험 예측은 여전히 해결하기 어려운 문제로 확인되었다. 또한 프로덕션 운영 환경에서 모델이 스스로 실시간 재학습을 수행하지 않으며, 기획자의 승인, 수정, 반려 결과는 온톨로지에 안전하게 축적된 뒤 검증된 오프라인 강화학습 파이프라인을 통해서만 차기 모델에 반영된다.

이와 같은 접근법은 파편화된 신호와 제약 속에서 핵심 자원을 배분해야 하는 다양한 산업 공급망으로 확장될 수 있다. 체계를 도입하려면 통제된 운영 데이터 거버넌스 계층 구축, 의사결정 근거와 실제 결과의 동시 수집, 자체 인프라에서 사후 훈련 가능한 오픈 가중치 모델 확보라는 세 가지 핵심 조건이 요구된다. 모델 가중치와 사내 공급망 데이터를 외부 반출 없이 온프레미스나 클라우드 내부 경계 안에서 통제하는 소버린 인공지능(Sovereign AI) 환경을 구축함으로써, 기업은 반복적인 배분 수고를 줄이고 전문 인력의 온보딩 기간을 단축할 수 있다.