Convoy의 기계 학습 모델은 Amazon SageMaker를 활용해 수백만 건의 배송 업무와 기사 배치 가능 여부를 분석한 다음 비용과 시간 면에서 적합한 추천 일치 항목을 제공합니다. 이러한 방식은 화주와 트럭 기사에게 견적을 전달하고, 개별 기사에게 가장 적합한 화물 유형을 인식하는 등 모든 업무 측면에서 활용됩니다.

Convoy의 데이터 과학 부문 책임자인 Casey Olives는 “Convoy 앱에 로그인하는 사용자에게는 서비스 목록이 표시되는데, 목록 맨 위의 항목이 개별 사용자와 업무에 가장 적합한 서비스입니다. Convoy는 AI를 활용해 적절한 업무를 쉽게 찾을 수 있는 모델을 구축하는 데 주력하고 있습니다.”라고 설명합니다.

예를 들어 시애틀에서 LA로 화물을 배송해야 하는 경우 이 앱은 시애틀로 돌아올 때 운송할 수 있는 화물도 알려 줍니다. 그러므로 빈 트럭을 운행하는 시간을 줄이고 환경도 보호할 수 있습니다.

Convoy는 Amazon SageMaker를 통해 업무 방식을 획기적으로 바꾸는 과정을 신속하게 추진하고 있습니다. 이전에는 Convoy 소속 데이터 과학자가 생성한 모델을 엔지니어에게 전달하면 엔지니어가 해당 모델을 프로덕션 수준 코드로 다시 작성해야 했습니다. 하지만 SageMaker를 사용하면서 이 변환 단계를 수행할 필요가 없게 되었습니다. 이제 데이터 과학자는 기계 학습 모델을 빠르게 빌드할 수 있으므로 엔지니어에 대한 의존도도 감소했습니다.

Olives는 “SageMaker를 사용하게 되면서 반복 작업을 훨씬 빠르게 수행할 수 있게 되었으며, 실제로 개발 단계에서 배포 단계로 넘어가는 속도도 대단히 빨라졌습니다. 즉, 데이터 과학자가 엔지니어에게 결과물을 더 빠르게 전달할 수 있게 된 것입니다.”라고 부연 설명합니다.

Convoy와 거래하는 화주와 기사의 수가 늘어나면서 Convoy의 AI도 전체 화물 네트워크에서 더욱 많은 데이터를 활용해 수요를 예측할 수 있게 되었습니다. 즉, 이 동적 프로세스를 통해 세계 최대 규모의 업계 중 하나인 트럭 서비스 업계의 효율성이 크게 개선되었다고 할 수 있습니다.

Olives는 “Convoy와 거래하는 화주와 운송업체의 수가 늘어나면서 특정 이동 경로에서 운송 가능한 화물의 양과 발생하는 수요를 더욱 효율적으로 파악할 수 있습니다. 이처럼 전체 네트워크의 상황을 파악하면 활용도와 비용 측면의 효율성이 개선되므로, 운송업체와 화주 모두 이점을 누리게 됩니다.”라고 강조합니다.