인공지능 AI에 성공하는 차별화 비밀 8가지 대공개

인공지능 AI

 

인공지능 AI에 성공하는 차별화 비밀 공개

 

인공지능 AI CIO를 모든 임원의 의제로 부상했다. 하지만 변혁적인 비즈니스 가치를 이끌어내고 위해서는 감안해야 할 것들이 많다.

 

인공지능 AI의 잠재력은 실로 크다. 동시에 과제도 만만치 않다.

 

지난 여름 공개된 딜로이트(Deloitte)의 조사에 따르면 기업 중 61%는 AI가 향후 3년 동안 산업을 혁신할 것으로 기대하고 있다.

 

매킨지는 지난 11월 조차에서 효과적인 리더, AI 프로젝트에 대한 높은 집중도, 명확한 AI 비전과 전략을 갖춘 기업들이 이 변화를 통해 가장 큰 혜택을 입을 수 있을 것으로 전망했다.

 

특히 중요한 차별점이 있다. 인공지능 AI를 대규모로 배치할 수 있는 능력이다. 경쟁 우위에 서게 될 기업들은 다양한 AI 애플리케이션을 여러 팀들을 거쳐 배치할 수 있는 기업들이다.

 

캡제미니(Capgemini)의 2020년 인공지능 AI 실태 보고서에 따르면 현재까지 조직 중 13%만이 그렇게 할 수 있었다.

 

Image Credit : Getty Images Bank

 

이미 인공지능 AI로부터 실질적인 혜택을 누리고 있는 전문가들이 인공지능 프로젝트를 비즈니스 가치로 전환하는 팁을 공유했다.

 

1. 비즈니스 혁신에 집중하라

 

3년 전, GE가 AI 여정을 시작하던 초기에는 최소한의 실행 가능한 프로젝트로 시작해야 했다. 지금은 비즈니스 자체의 혁신의 일환으로 AI를 활용하는 것이 더 중요하다.

 

“작은 사일로에서 절감되는 재고분의 양을 최적화하며 200~300만 달러를 절약할 수 있지만 회사 전반에 걸쳐 가치가 창출되지는 않는다”라고 GE의 CTO 수석 부사장 콜린 파리스는 말했다.

 

다음 단계는 GE가 배운 것을 바탕으로 고객들에게 같은 서비스를 제공하는 것이었다.

 

하지만 AI를 활용하여 비용을 절감하던 것에서 AI를 활용하여 비즈니스를 성장시키는 쪽으로 방향을 전환하려면 전략을 근본적으로 바꿔 비즈니스 혁신에 집중해야 한다.

 

GE에서는 인공지능 AI를 활용하여 린(Lean) 제조 원칙을 활용하는 것을 의미한다. AI와 린을 활용하면 변화에 대한 내부적인 저항이 감소한다.

 

GE의 CTO 수석 부사장 콜린 파리스

 

파리스가 “우리는 오랫동안 제조업에 린을 적용했다. 이제 직원들은 자신의 일자리가 사라지지 않을 것이라는 사실을 알고 있다”라고 말했다.

 

2. 인공지능 AI의 한계를 파악하라

 

인공지능 AI 프로젝트가 확장되고 회사의 핵심이 되면서 관련된 위험도 함께 증가한다. 특정 문제에 대해 훈련을 받은 AI 시스템이 약간 다른 문제에 적용되면 결과가 최적이 아니거나 심지어 위험할 수 있다.

 

파리스는 “우리는 이것을 겸손한 AI(humble AI)라 부른다. 상황이 바뀌면 그 AI 모델을 사용하지 않는다. 이전의 모델로 돌아간다. 겸손함이란 떠나야 할 때를 아는 것이다. 이를 통해 비즈니스 위험이 제한된다. 그리고 도입률이 증가한다”라고 말했다.

 

GE의 ‘겸손한 AI’ 접근방식의 또 다른 측면은 AI가 근거를 설명하도록 하는 것이다. 예를 들어, 기술자가 풍력 터빈에서 데이터를 얻으면 전통적으로 매뉴얼의 타워 진동과 비교하여 풍속을 살펴보며, 매뉴얼을 참고한다.

 

하지만 AI 시스템은 해당 데이터를 가져다 곡선을 구성하고 기술자에게 터빈에 피치 베어링 문제가 발생했다고 알려준다. 설명 가능한 AI는 이 곡선을 기술자에게 보여주고 매뉴얼에서 관련된 정보가 있는 페이지를 가져온다.

 

파리스는 “AI가 설명하고 있다. 그리고 기술자는 이것을 보고 ‘조금 다른데’ 또는 ‘그렇네, 이렇게 해볼까’라고 이야기할 수 있다”라고 말했다.

 

즉 AI는 기술자가 더 신속하게 해결책을 찾고 이것이 실제로 효과가 있다고 생각하도록 돕는다. 파리스는 “증강 지능, 지원 지능이 중요하다. 사람을 대체하는 것이 아니라 돕는 것이다”라고 말했다. 이를 통해 AI를 대규모로 도입할 수 있게 된다고 그는 덧붙였다.

 

3. 이해관계자와 고객의 말에 귀를 기울이라

 

어떤 기업들은 AI 시스템의 유용한 결과를 제공하도록 하기 위해 핵심 AI 팀 외에 다른 도움이 필요하다. 여느 프로젝트와 마찬가지로 데이터, 결과, 모델에 대한 요건 수집부터 시작된다.

 

헬씨 네바다 프로젝트(Healthy Nevada Project)의 수석 데이터 사이언티스트 짐 멧칼프는 “모든 이해관계자가 오후 내내 세부사항을 검토하고 쿼리(Query) 요건을 문서화하는 화이트보드 회의부터 시작한다”라고 말했다.

 

그의 팀은 심장병 환자들을 대하는 프로토콜을 개발하면서 이런 교훈을 얻었다.

 

이 프로젝트를 위해서는 환자들이 퇴원 시 처방받은 약에 대한 정보를 수집해야 했다. 하지만 스타틴(Statin) 등의 일부 의약품은 환자가 처음 입원했을 때 처방받고 환자가 퇴원할 때도 계속 처방된다.

 

이로 인해 시스템은 이런 의약품이 심근 경색 입원과 관련된 새로운 의약품이 아니라 환자가 이미 복용하고 있는 지속적인 처방약이라고 가정했다. 이 문제는 의약품의 수가 예상보다 적다는 것이 발견된 후에야 이 문제가 발견됐다.

 

멧칼프는 “팀은 처음부터 관련된 모든 당사자들과 더욱 상세하게 논의할 수 있었다면 이 문제를 훨씬 일찍 해결할 수 있었을 것이다. 우리의 데이터 사이언스 팀은 아무것도 가정하면 안 된다는 것을 배웠다.

 

우리는 누군가 키보드를 만지기 훨씬 전부터 쿼리 요건을 꼼꼼하게 조사하고 논의하며 문서화한다”라고 말했다.

 

기업 지출 관리 플랫폼 제공 기업 쿠파(Coupa)의 경우 고객을 통해 사기를 감지하는 새로운 방법을 발굴하고 있다. 쿠파의 제품 전략 및 혁신 부사장 도나 윌첵은 “우리 업계의 접근방식은 지출 사기를 개별적으로 살펴보는 것이었다”라고 말했다.

 

하지만 한 영역에서 속이는 직원은 다른 영역에서도 속일 가능성이 높다. 조달 전문가 및 재무 감사자와의 대화를 통해 그녀는 사기 감지의 비밀이 요주의 인물들을 살펴보는 것이라는 사실을 발견했다.

 

쿠파는 현재 기업들이 보고하는 사기 행동의 예를 수집한 후 이런 실질적인 예를 AI 시스템에 추가하고 있다.

 

4. 더 이상의 개념 증명은 없다

 

기술이 새로울 때는 개념 증명(POC)이 필요했다. 하지만 지금은 AI 여정을 실험으로 시작할 필요성이 감소했다고 글로반트(Globant)의 데이터 및 AI 기술 책임자 JJ 로페즈 머피가 말했다.

 

그는 “각 실험은 돈, 시간, 정치적 영향력 측면에서 비용이 높다. 4개의 POC로 아무런 성과를 얻지 못하면 사람들은 AI를 더 이상 신뢰하지 않는다”라고 말했다.

 

대신에 기업들은 성과가 있는 프로젝트를 진해해야 한다고 그가 말했다. “생산에 적용되지 않았으며 사용되고 있지 않다면 가치가 없는 것”이라는 설명이다.

 

가트너의 분석가 위트 앤드류스는 이에 동의하면서 기업들이 대신에 최소한의 성공 가능성이 있는 제품을 만들어야 한다고 제안했다. 그는 “위험이 조금 더 높다. 하지만 이를 통해 계속 진행할 수 있다. 용량과 기능만 추가하면 된다”라고 말했다.

 

가트너의 2020년 조사에 따르면 AI로 성공한 기업들은 평균 4.1건의 시범 프로젝트를 진행하는 것으로 나타났다. 성공하지 못한 기업들은 5.2건의 POC를 진행한다. 그는 “우리는 ‘벽에 던져서 무엇이 달라붙는지 보자’는 단계는 지나갔다”라고 말했다.

 

5. 복합적인 팀

 

가트너의 보고서에 따르면 AI 프로젝트에서 ‘상당한 가치’를 얻은 조직들의 경우 AI팀에 프로젝트 관리자, 전략가, 다양한 배경과 관점을 가진 사람들을 포함하여 14%나 많은 역할을 포함시키고 있는 것으로 나타났다.

 

앤드류스는 “성공한 기업들의 가장 보편적인 습관은 잘 결합된 팀을 활용하는 것이다”라고 말했다.

 

테크 데이터 글로벌 데이터 부사장 클레이 데이비스

 

테크 데이터(Tech Data)는 바다오리의 개체 수를 세는 AI 프로젝트하고 있으며, 이를 위해 하드웨어 전문가를 영입했다. 테크 데이터의 글로벌 데이터 및 IoT 솔루션 부사장 클레이 데이비스는 “내셔널 지오그래픽 프로그램을 보면 바다오리 수천 마리가 서로 가까이 붙어있다. 우리는 바다오리의 개체 수를 세는 일을 해야 했다”라고 말했다.

 

테크 데이터에는 데이터 사이언티스트팀이 바다오리 개체 수를 셀 수 있는 모델을 개발하고 있었으며, 카메라와 컴퓨팅 장비를 선택하는 별도의 하드웨어 전문가팀도 있었다.

 

그는 “먼 곳에서 이미지를 촬영하는 카메라 같은 물리적인 하드웨어가 있으면 현장에서 연산을 하는 것이 더 효과적일 때도 있고 그렇지 않을 때도 있다.

 

그리고 현장에서 연산을 하면 사용하고 있는 하드웨어가 데이터 사이언티스트들과 구축한 모델을 처리하기에 충분해야 한다”라고 말했다.

 

3개월 후, 선택한 하드웨어가 데이터 사이언티스트들이 만든 모델을 구동할 수 없는 것으로 드러났다. 그는 “이제 다시 시작해야 한다. 새 하드웨어를 구매하거나 데이터 사이언티스트들에게 더욱 효율적인 모델을 만들도록 요청해야 한다. 양쪽 사람들이 처음부터 프로젝트에 참여했어야 했다”라고 전했다.

 

6. 해당 분야의 전문지식을 수용하라

 

데이터 사이언티스트에게만 의존하여 데이터에서 인사이트를 얻는 것은 큰 실수라고 AI를 행동 분석에 적용하여 자폐증과 기타 행동 건강 문제가 있는 아동을 식별하도록 돕고 있는 코그노아(Cognoa)의 수석 인공지능 AI 경영자 할림 아바스가 말했다.

 

데이터 독립성과 데이터 관련성을 확인하려면 토픽 전문가가 필요한 경우가 많다. 예를 들어, 벽이 파란색인 방과 흰색인 방에서 진단을 받은 환자들의 결과가 달랐다면 패턴을 탐색하는 분석 모델이 벽의 페인트가 임상적으로 중요하다고 추론할 수도 있는 것이다.

 

코그노아(Cognoa) 수석 인공지능 AI경영자 할림 아바스

 

아바스는 “데이터 세트의 규모가 커지면서 분명 이런 말도 안 되는 결론을 방지하게 된다. 하지만 여전히 미묘한 것들이 있을 수 있다”라고 말했다.

 

해당 분야의 전문지식이 없는 인공지능 AI 전문가는 이를 알아차리지 어렵다. 희귀한 조건이나 작은 인구 통계 등 데이터 세트가 작을 때 특히 중요하다.

 

하지만 해당 분야의 전문가도 편견이 있을 수 있다고 아바스가 말했다. “확실하게 하는 방법은 분야 전문가의 의견을 듣고 인공지능 AI 측에서도 똑같이 하여 양쪽에서 검증된 것만 적용하는 것이다”라고 그는 말했다.

 

분야 전문지식과 AI를 결합하는 것이 데이터 큐레이션에 있어서 중요할 수 있다. 111년 된 기업 CAS가 화학 연구 데이터를 수집하고 공개하면서 이를 발견했다.

 

CTO 벤키 라오는 “화학 구조의 공백, 첨자, 대시, 글자 변경으로 안전한 반응과 폭발성이 있는 반응이 갈릴 수 있다. 우리 시설에는 350명 이상의 박사들이 데이터를 관리하고 있다”라고 말했다.

 

최근, 해당 기업은 인공지능 AI를 활용하여 데이터를 범주화하고 관리하면서 일부 박사들이 더욱 복잡한 업무를 수행할 수 있도록 했다. 하지만 단순한 광학 문자 인식 시스템을 만들더라도 분야 전문지식이 필요하다.

 

그는 “순수한 기술 전문가라면 우리와 함께 처음부터 생산적일 수는 없다. 화학을 이해하지 못하고 기술만 적용한다면 절대로 최적화되지 않을 것이다”라고 말했다.

 

7. 현실 테스트의 가치를 인식하라

 

전투 계획의 실효성은 적과의 접촉에서 드러난다. 인공지능 AI 시스템도 마찬가지다. 회사에서 이런 점에 대비하지 않는다면 AI 프로젝트는 시작하기도 전에 망하기 십상이다.

 

크레디트 스위스 그룹(Credit Suisse Group)의 인지 및 디지털 서비스 책임자 제니퍼 휴잇은 이 문제에 직면했다. 이 금융서비스 기업이 첫 번째 고객 지원 챗봇인 아멜리아(Amelia)를 출시했을 때, 휴잇은 대부분의 질문에 스스로 답하는 대신에 포기하고 인간 직원에게 고객을 보내는 경우가 많다는 사실을 알고 있었다.

 

챗봇이 고객의 의도를 이해하는 능력이 23% 밖에 되지 않았지만 그녀는 조기 투입을 결정했다. 그리고 실사용 시나리오에서 챗봇은 다문화, 다언어, 다세대 대화를 관찰하고 학습할 수 있었다.

 

그녀는 “조기에 투입하고 조직에 능력을 노출시키면서 5개월 만에 의도를 이해하는 능력을 23%에서 86%로 높일 수 있었다”라고 말했다.

 

8. 더 원대한 목표

 

기업들이 부족한 인공지능 AI 인재를 두고 경쟁하면서 유의미한 프로젝트를 확보하는 것이 큰 차별점이 될 수 있다. 예를 들어, 인비전 버진 레이싱(Envison Virgin Racing)에서는 인공지능 AI 활용 목적이 단순히 포뮬러 E 전기차 레이스에서 몇 초를 줄이는 것이 아니다. 상무이사 겸 CTO 실베인 필립피기는 “우리는 업계를 발전시키려 하고 있다”라고 말했다.

 

그는 “모든 소프트웨어와 기술이 거의 직접적으로 레이싱에서 고급 프리미엄 자동차 그리고 도로용 자동차로 흘러 들어가고 있다. 이 기술이 실제로 전기차로의 전환을 가속화할 것이라는 사실을 알고 있으니 더 동기가 부여된다”라고 말했다.

 

버진 레이싱 상무이사 겸 CTO 실베인 필립피기

 

그는 다음 세대의 전기차가 2023년부터 레이싱을 시작하며, 배터리 기술과 고속 충전의 한계를 높일 것이라고 말했다.

 

그는 “고속 충전과 고밀도 배터리가 결합되면 전기차로의 전환에 도움이 될 것이다. 약 300마일의 주행 거리와 고속 충전이 적용된 자동차가 있으면 내연기관은 끝이다”라고 말했다.

 

현재, 일반적인 소비자용 차량은 약 50 또는 100킬로와트를 충전하며 80% 충전에 약 40분이 소요된다. 현재 테슬라(Tesla)가 하고 있는 200 킬로와트의 수준을 넘어서면 장거리 자동차 여행이 크게 달라질 전망이다.

 

“핵심은 300에 도달하는 것이다. 300이 되면 15분 만에 충전된다. 600이 되면 10분 미만이다”라고 그는 말했다.

 

인비전 버진 레이싱은 고압으로 차량을 충전하고 운행해도 안전하다는 것을 입증하고자 한다.

 

그는 “우리는 차량에 현실적인 부하량을 가한다. 사람들은 이것을 보고 ‘멋진데, 이런 차가 할 수 있다면 나도 할 수 있다’고 생각하게 된다. 이 차량들이 한 시즌을 버틸 수 있다면 도로용 차량은 수명이 무한에 가까워질 것이다. 모터스포츠가 그랬던 것처럼 내구성 테스트의 장이다”라고 말했다.

 

그리고 인공지능 AI가 그 핵심에 있다. “우리에게는 레이스 엔지니어, 시스템 엔지니어, 일련의 소프트웨어 엔지니어가 있으며, 이것은 모터 스포츠 분야에서 이례적인 일이다. 전기차의 특성상 소프트웨어에서 많은 성능을 끌어낼 수 있다.

 

시즌 처음부터 끝까지 차량은 바뀌지 않지만 소프트웨어는 6번이나 바뀌었고, 차량은 눈에 띄게 빨라졌다”라고 그는 말했다.

 

다행히도, 전기차에 센서가 탑재되어 많은 양의 고도로 구조화된 데이터를 수집하면서 인공지능 AI팀이 활용할 수 있는 데이터가 많다. 그는 “데이터 사이언티스트에게 환상적인 놀이터이다”라고 말했다.