물류매거진

박찬석의 물류時論(149) / 피지컬 AI의 이해와 물류산업에의 적용과 시사점(1/4)

ㆍ게재년/월

2026/01

피지컬 AI의 이해와 물류산업에의 적용과 시사점(1/4)

- AI 발전 과정과 AI 기본 기술의 이해 ① -

최근 들어 인공지능(AI)에 대한 논의가 활발히 이루어지고 있지만 제대로 이해되지 않고 있는 용어도 있다. 지난 60년 동안 AI는 시장 분석가, 공상과학 소설가 등 다양한 사람들에게 추측의 대상이 되어 왔으며, AI 시장이 성숙기에 접어들면서 AI는 일하는 방식에 지속적인 변화를 가져오고 있다.

머신러닝(ML), 자연어 처리(NLP), 딥러닝, AI Agent, Perception AI, 피지컬 AI 등 생소하고 여려운 용어들의 등장은 AI를 이해하는데 많은 어려움이 있다.

本考에서는 AI의 발전 과정과 단계 및 기술 등을 간략히 일아보고, 피지컬 AI와 물류산업에의 적용과 사례 및 시사점에 대해 논하고자 한다.

DX의 시대에서 AX의 시대로

“DX는 자동화(Automation)이고, AX는 자율화(Autonomy)이다” - Microsoft CEO Satya Nadella의 2024년 11월 발언은 기업 혁신의 새로운 패러다임을 정확하게 지적하고 있다.

DX(Digital Transformation)는 지난 10여년간 기업과 조직의 경쟁력을 강화하기 위한 핵심 전략으로 자리잡아 왔다.

아날로그 기반의 프로세스를 디지털 기술로 대체하거나 보완함으로써 업무 효율성, 데이터 중심의 의사결정, 고객 접근성을 향상시키는데 집중했다. ERP, CRM, 클라우드, 모바일 앱 등의 도입은 바로 이러한 DX의 대표적인 산물이다.

그러나 디지털화는 어디까지나 도구적 변환에 머물렀다. 기술이 ‘사용자에게 어떤 가치를 제공하는가’보다는 ‘기존 시스템을 얼마나 디지털로 옮겼는가’에 초점을 맞췄기 때문에, 구조적 혁신보다는 부분 최적화에 그친 사례가 많았다.

이제 기업과 사회는 DX를 넘는 새로운 전환, 즉 AX 시대로 진입하고 있다. AX는 단순한 디지털화가 아니라 AI를 조직의 중심 신경망으로 삼아 예측, 판단, 실행에 이르기까지 전 과정을 자동화·지능화하는 근본적 전환을 뜻한다. 이는 기존에 사람이 판단하고 수행하던 업무를 AI가 자율적으로 수행하게 함으로써 ‘기술 중심의 디지털 전환’에서 ‘의사결정 중심의 AI 전환’으로 진화하는 것이다.

AI의 시작과 발전 과정

■ AI의 시작과 용어의 등장

AI의 시작은 1950년대로 거슬러 올라간다. 1950년 영국의 수학자 앨런 튜링(Alan Turing)은 기계는 생각할 수 있다고 주장하며, 이를 테스트하기 위한 방법으로 ‘튜링 테스트(The Turing Test)’를 고안했다. 이것은 AI라는 개념을 최초로 제시한 연구로 꼽힌다. 1956년에는 AI의 개념을 세상에 알린 다트머스(Dartmouth)회의에서 기계가 인간처럼 학습하고 발전할 수 있는지에 대한 토론이 이루어졌으며, 인공지능이라는 용어가 처음 사용되었다.

이 시기에는 인공신경망(Artificial Neural Network) 모델에 관한 연구도 활발히 진행되었다. 1957년 프랑크 로젠블랏(Frank Rosenblatt)은 ‘퍼셉트론(Perceptron)’ 모델을 통해 컴퓨터가 패턴을 인식하고 학습할 수 있다는 개념을 실증적으로 보여줬다. 이는 1943년에 신경 생리학자 워렌 맥컬럭(Warren McCulloch)과 월터 피트(Walter Pitts)가 신경세포의 상호작용을 간단한 계산 모델로 정리한 ‘신경망’ 이론을 실제 테스트에 활용한 것이다. 이러한 초기 연구의 성과는 세간의 기대를 높였으나, 컴퓨팅 성능, 논리 체계, 데이터 부족 등의 한계로 AI 연구는 곧 침체기에 들어섰다.

1980년대에는 사람이 입력한 규칙을 기반으로 자동 판정을 내리는 ‘전문가 시스템(Expert System)’이 등장했다. 전문가 시스템은 의학, 법률, 유통 등 실용적인 분야에서 진단, 분류, 분석 등의 기능을 수행하며 일시적으로 AI에 대한 관심을 다시 불러일으켰다. 그러나 이 시스템은 사람이 설정한 규칙에만 의존하여 동작하며, 복잡한 현실 세계를 이해하는 능력을 갖추지 못했다는 한계가 있었다

인간의 명령으로만 작동하던 AI는 1990년대 들어서 스스로 규칙을 찾아 학습하게 된다. 바로 ‘머신러닝(Machine Learning, 기계학습)’ 알고리즘을 활용하면서부터다.

이것이 가능해진 이유는 디지털과 인터넷이 등장했기 때문이다. 이로 인해 AI가 스스로 규칙을 학습하고 나아가 사람이 찾지 못하는 규칙까지 찾아낼 수 있게 되었다. AI 연구는 머신러닝을 기반으로 다시 성과를 내기 시작했다.

■ AI의 핵심 기술, ‘딥러닝’의 발전1)

인공신경망 초기 연구는 1969년, 앞서 언급했던 퍼셉트론 모델이 비선형 문제를 해결할 수 없다는 것*이 밝혀지면서 긴 침체기에 접어들었다. 이후 인공신경망 연구를 다시 수면위로 끌어올린 인물은 ‘딥러닝의 대부’로 불리는 제프리 힌튼(Geoffrey Hinton, 이하 힌튼)이다.

* 초기 퍼셉트론 모델은 단층 퍼셉트론(Single-layer Perceptron)으로 입력 값이 두 개이고, 두 입력 값이 같으면 0을 출력하고 다르면 1을 출력하는 XOR 문제와 같은 비선형 문제를 해결할 수 없었다.

2006년 힌튼은 ‘A fast learning algorithm for deep belief nets’라는 논문을 통해 다층 퍼셉트론의 성능을 높인 ‘심층 신뢰 신경망(Deep Belief Network, DBN)’을 제시했으며, AI 기술을 대표하는 알고리즘인 ‘딥러닝(Deep Learnning)’ 기초 개념을 정립했다.

AI 연구의 대세가 된 딥러닝은 2010년대부터 급속도로 성장하게 되는데, 이러한 성장에는 두가지 배경이 있다.

첫째, GPU(Graphics Processing Unit, 그래픽처리장치)를 비롯한 컴퓨터 시스템의 발전이다. 방대한 학습 데이터를 분석해 특성을 추출하는 딥러닝은 반복적인 계산이 필수인데, GPU의 병렬 계산 구조는 이에 아주 적합했기 때문이다.

두번째는 데이터(Data)의 증가다. 인공신경망 학습에는 대량의 데이터가 필요하다. 과거의 데이터는 컴퓨터에 입력된 정보 수준에 그쳤다. 하지만 1990년대 이후, 인터넷이 보급되고 검색엔진이 발전하며, 가공할 수 있는 데이터의 범위가 기하급수적으로 늘어났다. 2000년대 이후에는 스마트폰과 사물인터넷(Internet of Things, IoT)이 발전하며 빅데이터(Big Data)의 개념이 등장한다.

2016년 딥러닝은 또 한번 세상을 바꾼다. 구글 딥마인드가 개발한 AI 알파고(AlphaGo)가 4승 1패로 바둑기사 이세돌 9단을 꺾으며 승리, 전 세계에 AI의 존재를 각인한 것이다. ‘인간을 꺾은 AI’의 탄생은 본격적인 AI 시대의 시작을 알린 신호탄이었다.

■ 생성형 AI의 등장 - AI 기술의 거대한 변혁

2022년 말 인류는 AI 기술로 거대한 변혁을 맞이했다. 오픈AI가 LLM(거대언어모델, Large Language Model) GPT(Generative Pre-trained Transformer) 3.5를 탑재한 ‘챗 GPT’를 출시하면서 생성형 AI(Generative AI)의 시대를 연 것이다. LLM은 방대한 양의 데이터를 통해 얻은 지식을 기반으로 다양한 자연어 처리 작업을 수행하는 딥러닝 알고리즘이다.

생성형 AI는 인간의 고유 영역으로만 여겨지던 ‘창작’의 영역에 침투하여 다양한 포맷의 수준 높은 콘텐츠를 생성한다. 데이터를 바탕으로 예측하거나 분류하는 딥러닝의 수준을 넘어, 사용자의 요구에 따라 LLM이나 다양한 이미지 생성 모형(예: VAE, GAN, Diffusion Model 등)을 활용해 스스로 결과물을 생성하는 것이 특징이다.

생성형 AI의 시작은 2014년 이안 굿펠로우(Ian Goodfellow)가 발표한 ‘GANs(Generative Adversarial Networks, 생성적 적대 신경망)’ 모델이다. GANs는 두 신경망이 서로 경쟁하면서 학습하는 구조다. 한 신경망은 실제 데이터와 구분하기 어려운 새로운 데이터를 생성하고 다른 신경망은 이를 실제 데이터와 비교하여 판별하는데, 이 과정을 반복하며 점점 더 정교한 데이터를 완성한다. GANs 모델은 이후 변형과 개선을 통해 현재까지 이미지 생성 및 변환 등 다양한 응용 분야에서 활발하게 사용되고 있다.

2017년에는 자연어 처리(Natural Language Processing, NLP) 모델 ‘트랜스포머(Transformer)’가 발표된다. 트랜스포머 모델은 언어 이해, 기계 번역, 대화형 시스템 등의 자연어 처리 작업에 혁신을 가져왔다. 특히 앞서 언급했던 GPT 등의 LLM의 출현에 크게 영향을 미쳤다.

2018년 처음 출시된 GPT는 매년 더 많은 매개변수와 학습 데이터를 사용해, 빠른 속도로 성능을 개선해 왔다. 그리고 2022년 GPT-3.5를 탑재한 대화형 인공지능 시스템 챗GPT가 출시됐고, AI의 패러다임을 완전히 바꿔놓았다.

2023년 오픈 AI는 기술적으로 한단계 도약한 GPT-4를 출시했다. GPT-4는 텍스트를 넘어 이미지와 오디오, 비디오 등 다양한 입력 데이터를 동시에 처리하며, 데이터 포맷 역시 다양하게 생성하는 LMM(거대 멀티모달 모델)*으로 진화했다.

* LMM(Large Multimodal Model)은 텍스트뿐만 아니라 이미지, 오디오, 비디오 등 다양한 형태의 데이터(Modality)를 동시에 이해하고 생성할 수 있는 차세대 인공지능 모델.

챗GPT가 촉발한 생성형 AI 붐을 타고 기업들은 너나 할 것 없이 다양한 생성형 AI 서비스를 출시하고 있다. 텍스트, 이미지, 오디오 등을 동시에 인식하고 이해할 수 있는 구글의 제미나이(Gemini)와 이미지 내 특정 객체를 정확하게 인식하고 분리할 수 있는 메타의 샘(SAM), 텍스트 프롬프트 기반으로 영상을 제작하는 오픈AI의 소라(Sora) 등이 대표적이다.

【 AI 기술 주요 발전 단계 요약 】

1. 태동기 (1943~1974): 논리와 신경망 모방

1950년대 다트머스 회의에서 ‘인공지능’ 용어 탄생, 기호주의 접근법(규칙과 사실 기반)이 시작. 튜링 테스트 제안 등 인간 지능 모방에 대한 논의 시작.

2. 1차 AI 겨울(1974~1980): 한계 인식과 침체

초기 연구의 한계(계산 능력 부족, 문제 해결의 어려움)로 연구 침체기.

3. 전문가 시스템 부상(1980~1987)

특정 분야 전문가의 지식을 모방하는 ‘전문가 시스템’이 등장하며 잠시 부흥.

4. 2차 AI 겨울(1987~1995): 전문가 시스템의 몰락

전문가 시스템의 확장성, 유연성 한계로 다시 침체.

5. 조용한 발전과 딥러닝 서막(1995~2012)

기계 학습(Machine Learning)의 중요성 부각, 신경망 연구 재개.

1989년 얀 르쿤의 역전파 알고리즘 적용으로 손글씨 인식 성공, 딥러닝의 기초 마련.

6. 딥러닝의 부활과 황금기(2012~현재)

GPU 성능 향상, 빅데이터, 공개 SW 확산으로 딥러닝이 급성장.

이미지 인식, 자연어 처리 등 다양한 분야에서 혁신 달성.

7. 생성형 AI 시대(현재)

GPT, BERT 등 대규모 언어 모델 등장으로 대화 이해, 창작 등 고도화된 능력 실현.

산업 전반에 걸쳐 AI 활용이 확산되며 미래 기술의 핵심으로 자리매김.

AI 기술의 이해-머신러닝, 딥러닝, 인공지능... 어떻게 다를까?2)

‘알파고’로 인해 딥러닝이 등장한 이후 다양한 분야에서 이 기술이 응용되며 인공지능의 개념이 사용되면서, ‘머신러닝’, ‘인공지능’, ‘딥러닝’과 같은 용어들이 혼용되어 사용되고 있다. 본 장에서는 이러한 용어들의 개념과 차이를 소개한다.

먼저 이 세가지 용어의 개념적인 관계는 아래 그림과 같다. 인공지능이 모든 용어들을 포괄하는 가장 큰 개념이고, 그 다음이 머신러닝, 현재의 인공지능 붐을 주도하는 딥러닝이 가장 작은 개념이라고 할 수 있다

■ 머신러닝 : 인공지능중 인간의 학습 능력을 구체화하는 기술

머신러닝은 기본적으로 컴퓨터가 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측할 수 있도록 알고리즘과 기술을 개발하는 분야이다. 카네기멜론대학 Tom M. Mitchell 교수는 머신러닝*에 대해 다음과 같이 구체적인 정의를 내린바 있다.

*컴퓨터 프로그램은 작업 T에 대하여 측정된 성과 P가 경험 E와 함께 개선된 경우에, 어떤 종류의 작업 T와 성과 P에 관하여 경험 E로부터 학습 한다고 말할 수 있다.

즉, 머신러닝은 의사 결정 기준에 대한 구체적인 지침을 순서화 하여 소프트웨어에 직접 코딩하여 구현하는 것이 아닌, 컴퓨터 자체가 경험(E)에 해당하는 데이터를 알고리즘을 통해 ‘학습’하여 어떤 작업(T)에 대한 의사 결정을 수행하고, 성과(P)를 내도록 하는 기술적인 방법이라고 할 수 있다.

머신러닝은 크게 세가지 분야로 나눠볼 수 있다. 입력되는 데이터의 구분에 따라 데이터를 분류하는 지도학습과 비지도학습, 그리고 행동에 대한 보상을 통해 학습하는 강화학습이다.

■ 딥러닝 : 인공신경망 기반의 머신러닝 학습 기술

딥러닝(deep learning)은 머신러닝 알고리즘중 인공신경망의 한계를 극복하며 발전된 기술로, 여러층으로 쌓인 인공 뉴런의 조합을 이용하여 학습을 진행하는 모든 기계학습 기술들을 말한다.

초기 머신러닝 학자들은 인간의 뇌가 지니는 생물학적 특성인 뉴런의 구조에서 영감을 받았다. 뉴런은 축색돌기에서 신호를 전송하고 또다른 뉴런의 수상돌기가 이를 받아들이며, 그 사이는 시냅스로 연결되어 있다. 신호가 전달되기 위해서는 전기신호가 일정기준(임계값, threshold) 이상의 전기신호가 필요하다.

현재의 딥러닝의 기초가 되는 알고리즘은 1957년 프랑크 로젠블란트에 의해 고안된 퍼셉트론(Perceptron)이다. 퍼셉트론은 신경계의 기본단위인 뉴런과 매우 흡사한 모양으로, 머신러닝 연구자들은 여러 개의 퍼셉트론을 인간의 신경망처럼 서로 연결하여 인공 신경망을 고안하였다

■ 인공지능 : 머신러닝을 기반으로 지능적 작업을 수행하는 기술

현대의 인공지능은 전문가를 통한 작업 설계없이도, 많은 양의 데이터를 기반으로 기계가 전문가 수준의 수행 능력을 습득할 수 있다. 과거 인공지능은 인간 지시에 종속적이었던 반면, 현대의 인공지능은 주변 상황을 능동적으로 파악하고 대응할 수 있는 능력을 가진다.

그러나 현대의 머신러닝 기술은 딥러닝을 통해 상당한 수준으로 진화하였음에도 불구하고, 인공지능 기술의 최종 목표인 자율적 사고가 가능한 ‘강한 인공지능’을 달성하지는 못했다. 현재의 기술로는 인공지능을 구현하는 과정 전반에서 일정량의 코딩 작업이 수반된다는 한계점이 있다.

【인공지능 기술의 장점 및 한계점】3)

◈ 인공지능(머신러닝) 기술의 장점

1) 인간의 개입 최소화(또는 대체)

학습을 위한 지식이 필요없거나 최소화되므로, 자동으로 인식 및 판 단 할 수 있어 사람의 개입이 최소화된다

2) 개인능력 격차 완화

인공지능에 충분한 데이터와 적합한 알고리즘을 적용할 경우, 비전문가가 하는 작업보다 좋은 결과를 낼 수 있어 전문가와 비전문가의 기술격차를 줄일 수 있다.

3) 비용 절감 효과

적합한 알고리즘으로 작성된 머신러닝을 수행할 경우, 데이터 입력 등을 제외한 모든 과정이 자동화되어 노동비용이 극적으로 절감될 수 있다.

4) 자동화

프로그램을 통하여 머신러닝을 수행하고 최적의 특징을 추출할 수 있다면, 악성코드 변종 등을 빠르게 구분 및 분석해낼 수 있다.

◈ 인공지능(머신러닝) 기술의 한계

AI 기술의 한계는 진정한 이해 및 공감 능력 부족, 창의성과 상식의 부재, 학습 데이터에 의존한 편향성 및 예측 불가능성, 윤리적·법적 책임 소재 불분명, 예상치 못한 상황에 대한 유연한 대처 미흡 등 기술적, 윤리적, 그리고 실용적 측면에서 다양하게 나타난다. 현재 AI는 뛰어난 패턴 인식 능력을 가졌지만, 인간의 미묘한 감정과 가치 판단, 복잡한 추론 능력에는 한계가 있다. 또한 학습 데이터의 질에 따라 성능이 좌우되는 약점도 있다

※ (기술적 한계)

· 진정한 이해 및 추론 부족: 단순한 언어 모델을 넘어 문맥을 깊이 이해하거나 추론하는데 한계가 있으며, 감정적 공감능력 부재로 인해 인간적인 상호작용이 어렵다.

· 창의성 및 상식의 한계: 새로운 아이디어를 창출하거나 일반적인 상식 기반의 판단을 내리는 능력은 아직 인간 수준에 미치지 못한다.

· 데이터 의존성 및 편향: 학습 데이터의 편향이 결과물에 반영되어 불공정하거나 왜곡된 결과를 초래할 수 있으며, 훈련되지 않은 상황에서는 엉뚱한 반응을 보일 수 있다.

· 예측 불가능성 및 유연성 부족: 학습 데이터에 없는 미세한 비정상 요소에도 취약하며, 예상치 못한 상황에 유연하게 대처하는 능력이 부족하다.

· 방대한 데이터와 컴퓨팅 파워 필요

구글이 유튜브 속 고양이를 스스로 구분해 내기 위해서는 1,000만개 가량의 동영상을 학습해야만 했다. 알파고 역시 16만개의 프로바둑 기사의 기보를 활용했다고 알려져 있다. 또한 알파고가 거대한 양의 데이터를 학습하기 위해 1,920개의 CPU와 280개의 GPU를 갖춘 구글 클라우드 컴퓨팅 플랫폼이 사용되는 등 막대한 컴퓨팅 파워가 사용되었다.

※ (윤리적 & 사회적 한계)

· 책임 소재 불분명: AI의 잘못된 결정이나 오류에 대한 법적, 윤리적 책임 소재가 불분명하다.

· 인간 가치 및 윤리 문제: 기술 개발 속도에 비해 인간의 윤리적, 가치 판단 기준을 AI에 통합하는 ‘정렬(Alignment)’ 작업이 핵심 과제로 남아 있다.

· 인간 관계의 역효과: AI에 대한 감정적 의존이 심화될 경우 현실에서의 고립을 초래할 수 있다.

※ (실용적 & 검증의 한계)

· 데이터 품질 문제: 실세계에서는 학습시키기에 충분하지 않거나 낮은 품질의 데이터만 얻기 쉬워 응용 상용화에 어려움이 있다.

· 포괄적 검증의 어려움: AI 시스템의 입력 및 상태 공간이 방대하여 전체 시스템을 포괄적으로 테스트하고 검증하기가 어렵다.

이러한 한계점들을 극복하기 위해 데이터 중심 AI, AI 윤리, 그리고 인간 중심의 설계(Alignment)가 중요한 연구 및 개발 방향으로 제시되고 있다.

AI 윤리 10대 원칙은 한국 정부가 제시한 ‘사람이 중심이 되는 인공지능(AI) 윤리기준’으로, 인권 보장, 프라이버시 보호, 다양성 존중, 침해금지, 공공성, 데이터 관리, 책임성, 안전성, 투명성, 연대성의 10가지 핵심요건으로 구성되어 있으며, 이는 개발부터 활용까지 전 과정에 적용된다. (다음호 계속)

주1. AI의 시작과 발전 과정, 미래 전망, SK 경영경제연구소, SK 하이닉스 뉴스룸, 2024.03.15.

주2. 인공지능, 표준화 동향, ETRI, 표준연구본부, 2019. 01, p12~23. 내용 부분 인용

주3. 인공지능, 표준화 동향, ETRI 표준연구본부, 2019. 01, p24~26. 선별 인용

-참고문헌 및 자료-

1. 인공지능 AI 상상을 초월한 세계, 인사이트 리포트, 삼성 SDS, 2025. 12. 10. 검색

2. AI의 시작과 발전 과정, 미래 전망, SK 경영경제연구소, SK 하이닉스 뉴스룸, 2024.03.15.

3. 기업 혁신의 패러다임, 이젠 DX를 넘어 AX로 진화하다, KT컨설팅 사업부문, 2025.03.11

4. 「인공지능(AI) 윤리기준」 보도자료, 과기정통부, 2022. 12. 22.

5. 인공지능, 표준화 동향, ETRI, 표준연구본부, 2019. 01

6. I-Korea 4.0 실현을 위한 인공지능(AI) R&D 전략, 과학기술정보통신부, 2018.5.

7. https://www.nttdata-strategy.com/knowledge/reports/2025/250509/

8. https://svl.co.jp/services/environmental-impact-solutions/

9. https://enterprise.kt.com/bt/dxstory/2959.do

박찬석은 미래물류컨설팅의 대표로 재직 중이며, 물류/SCM 분야 컨설팅과 한국생산성본부, 한국통합물류협회 및 기업체 대상의 물류/SCM전문 강사로 출강 중에 있으며, 업체 컨설팅(물류센터 및 물류단지 개발) 등을 진행하고 있다.

이밖에 대외활동과 네이버 블로그 ‘박찬석의 물류/SCM 바로보기(http://blog.naver.com/neologis)’ 및 FaceBook에 ‘물류/SCM 포럼’을 운영하고 있다.

前. 물류단지 실수요 검증위원(국토교통부)

前. 교통영향평가 심의위원(행정중심복합도시건설청)

現. 국토교통부, 물류기업 지원 협의체, 물류인프라 및 물류정책 위원

現. 서울특별시, 인천광역시, 충청남도 물류단지 실수요 검증위원

現. 종합물류기업 인증 평가위원(교통연구원)

現. 인천광역시 글로벌 도시 전문가 그룹 항만항공자문위원회 위원

現. 제2기 고속도로 물류사업 전문가 그룹 전문위원

現. 유통/물류 실무위원(대한상공회의소)

現. 스마트 물류위원회 자문위원(통합물류협회)

現. 한국 SCM학회, 산업계 부회장

現. 한국녹색물류학회 이사

現. 한국생산성본부, 물류혁신 전문위원 및 한국통합물류협회, 물류/SCM 전문 강사

現. 물류/SCM 컬럼리스트 활동: 각종 사보 기고, 물류전문지 기고 활동

주요 컨설팅 및 교육 분야는 기업물류 최적화(물류전략 및 실행계획 수립, 공장물류 최적화), 물류센터 및 물류단지 개발(물류단지 실수요 검증, 사업성 분석, 각종 인허가), 물류Cost 및 성과지표, 물류/SCM 전략, 물류센터 기본 설계 및 운영 최적화, 물류보안과 제3자 물류 및 국제물류 분야 등이다

* E-Mail: mincho79@emapl.com H.p: 010-4533-8307