2018.12.20

‘손실로의 지름길’··· 피해야 할 AI 프로젝트 실수 9가지

Mary Branscombe | CIO
AI에 대한 기업 분야의 열의가 식을 줄 모른다. IDC가 내놓은 최근의 예측에 따르면 세계적으로 인식 및 AI 시스템, 다시 말해 챗봇, 딥러닝, 그리고 이들을 구동하는 인프라에 대한 기업 지출이 올해 240억 달러에서 2022년에는 3배 증가한 776억 달러에 이를 것이다.

분명히, AI는 얼리어답터 단계에서 주류 비즈니스 이용 단계로 이동했다. 거의 모든 업종에 걸쳐 수많은 조직이 파일럿 프로젝트를 진행하거나 AI를 실무에 투입하고 있다. 그러나 이는 아무나 이행할 수 있다는 말이 전혀 아니다. AI에 돈을 허비하고 싶지 않다면, 회피해야 할 일반적 실수들을 짚고 넘어갈 필요가 있다. 
 
Image Credit : Getty Images Bank

과욕
마이크로소프트의 클라우드 AI 팀의 책임자인 랜스 올센은 “바다를 하루 만에 끓이려고 하지 말라”라고 표현했다. 전체 비즈니스 의사 결정 프로세스를 하룻밤 만에 AI로 바꿀 수는 없다. 따라서 작은 것부터 시작해 전문성을 쌓으면서 한 단계씩 나아가는 것이 가장 좋다. 

먼저 쉬운 것을 찾아보라. 가장 중요한 시스템을 다루기 전에, 실험하고 결과를 검증할 수 있는 프로세스를 개발해야 한다. 올센은 “큰 투자를 즉시 시작하려 하면 안 된다”라고 경고했다. 

고립된 개념 증명 시스템 구축
기존 데이터 파이프라인의 일부가 아닌 일회성 AI 시스템의 구축은 오래가지 못한다. 개별 프로젝트마다 지속성 있는 AI 자산을 생성할 수 있어야 한다. 여기서 ‘지속성 있는’이란 이를 개발하고 확장하는데 계속 투자할 수 있을 정도로 충분한 ROI를 생성하는 시스템을 말한다. 한 특정 팀을 위한 신규 툴이 아닌 전체 사업을 위한 AI 역량을 생성하는데 유용하다는 말이다.  

이를테면 이미 실행하고 있는 비즈니스 애널리틱스를 바탕으로 이를 예측 시스템으로 변환시키는 것을 검토할 만하다. 올센은 “기존의 파이프라인을 이용하고 이미 하고 있는 것에 기반하는 최적화에 투자함으로써 시작하라”라고 말했다. 그 후 비즈니스 프로세스가 작용하는 방식을 크게 변화시킬 혁신적 프로젝트로 나아갈 수 있다. 

적절한 기술 인프라 없이 시작 
최근의 매킨지 보고서에 따르면 AI를 시작하기 전에 핵심 및 고급 디지털 기술을 제대로 검토해야 한다. 클라우드 컴퓨팅, 모바일 및 웹 개발, 빅데이터, 그리고 애널리틱스에 이미 전문성을 가진 회사라면 AI 툴을 도입할 가능성이 3배가 더 높다.

AI를 도입한 조직의 4분의 3이 기존 디지털 역량을 구축한 것으로부터 배웠던 것을 AI 도입 시 활용했다고 말했다. 다시 말해, 회사가 클라우드와 데이터 애널리틱스를 활용할 수 없다면, AI를 이용할 준비가 아직 안된 것이다. 

데이터 없이 시작 
대다수의 AI 시스템, 특히 기업이 스스로 구축할 수 있는 시스템은 머신러닝 시스템이고, 이는 데이터를 필요로 한다. 마이크로소프트의 부사장인 줄리아 화이트는 ‘기업 속의 AI(AI in Business)’라는 최근의 행사에서 “새 로봇이 있다고 하자. 그렇다면 새 로봇은 무엇으로부터 학습할 것인가?”라고 물었던 이유다. 

사실, 양질의 데이터가 없다면 AI는 도움이 되기보다 오히려 유해하다. 실질적 증거도 없이 확신만 키울 것이기 때문이다. 

더욱이, 경쟁자와 동일한 평범한 데이터만 가지고 있다면 경쟁자와 동일한 인사이트만 얻게 될 것이다. 따라서 조직의 고유한 데이터에 대해 관심을 가져야 한다. 그리고 그 데이터는, 적절한 데이터를 수집하고 있다는 전제 하에, 정제되고, 표준화되고, 준비되어야 할 것이다. 

필수 투자를 과소평가하면 안 된다. 일반적으로, 데이터를 수집하고 정제하는 것은 데이터 과학자의 업무의 거의 80%를 차지한다. 비즈니스 인텔리전스 및 애널리틱스를 위해 이미 사용 중인 데이터로 시작한다면, AI 시스템이 핵심 비즈니스 프로세스를 지원하는 것 또한 더 쉬울 것이고, 따라서 훨씬 더 유용할 것이다. 

나아가 이는 미활용 데이터 준비 작업에 사용할 툴과 프로세스를 정의하는 데에도 유익할 것이다. 

성공을 평가하고 측정하는 구체적인 방법이 없음 
데이터 과학은 과학이다. 그러므로 비즈니스 의사 결정, 매출, 고객 지원, 또는 AI로 하고 싶은 무언가가 어떻게 향상될 수 있는지에 관한 가설이 있어야 하고, 이를 실제로 테스트하고 결과를 평가해야 한다. 

이는 프로젝트의 성공을 – 도입 및 성과 측면에서 – 측정하는 법을 계획하라는 의미이다. 이는 판매 및 마케팅 팀을 위한 90일 전망, 고객 센터에서의 시간당 할당량 등 직원 최종 기한과 프로젝트를 합치시키는 것을 의미할 수 있다. 

아울러 새 시스템을 이용하지 않는 대조군도 있어야 한다. 이는 새 시스템을 개발하는데 많은 돈을 투자하고 있다면 반직관적으로 보일 수도 있다. 사람들이 직관에 의존하는 대신 데이터에 따른 결정을 내리도록 해야 한다. 이들이 아무렇게나 데이터를 무시한다면 이들에게 AI 툴을 주어봤자 도움이 되지 않는다. 

이와 함께 무엇을 성공으로 보아야 하는 지를 미리 결정해야 한다. 왜냐하면 이것이 바로 회사가 테스트하는 가설이기 때문이다. 고객 주문 증가, 대량 주문을 원하는가? 고객 지원 전화 횟수가 줄고 전화를 건 고객을 위한 해법까지의 시간이 더 빨라지기를 원하는가? 

AI가 어떤 문제를 해결하는데 유용한지 알지 못한 채 시작 
‘인공지능’이라는 용어가 가진 문제가 있다. 사람들이 이를 무엇이든 할 수 있는 무엇처럼 생각하게 만든다는 것이다. 지난 몇 해 동안 AI 산업은 상당히 진보했지만 만능과는 거리가 멀다. AI가 실제로 할 수 있는 것이 무엇이고, AI가 기존의 시스템 및 비즈니스 프로세스로 어떻게 통합될 것인지 정도는 알고 있어야 한다. 

그런 다음에는 AI가 조직의 어떤 문제에 유용한지를 알아야 한다. 다른 회사들이 모두 AI를 채택하고 있다고 해서 무작정 AI를 채택할 수는 없다. 

치타 디지털(Cheetah Digital)의 상임 애널리틱스 서비스 책임자인 제이콥 데이비스는 다음과 같이 설명했다. 

“AI를 도입하기 전에 두 가지를 고려해야 한다. 첫째, ‘우리가 실제로 해결하려고 하는 문제가 무엇인가?’라는 질문이다. 현재 이 문제를 수중에 있는 데이터로 해결할 방법이 없는가? 현재의 가능성 영역 안에서 이론적으로라도 무언가가 떠오르지 않는다면, AI는 도움이 되지 않을 것이다.”

“둘째, ‘내가 듣고 있는 AI에 관한 온갖 과장된 말 때문에 AI를 고려하고 있지는 않은가?’라는 질문이다. 이런 유형의 솔루션(AI)에 대한 자신의 기대를 진지하게 평가해야 한다. 그렇지 않으면 실질적 가치를 더하지 않는 것에 엄청난 돈을 투자할 수 있기 때문이다.”
 
적절한 사람이 적절한 위치에 없는 상태로 시작 
데이터 과학 전문성이 필요하다. 그리고 전문 데이터 과학 팀이 없다면, 이러한 전문성은 흔히 IT팀 안에서 구축될 것이다. 어디서 구축되든지 AI가 고립되지 않도록 하는 것이 중요하다. 

AI 프로젝트를 실무에 투입한 글로벌 2,000개의 조직에 대한 최근의 오범 연구(Ovum study)에서는 프로젝트가 성공하려면 이들 전문가가 이들이 풀고자 하는 문제를 가지고 있는 비즈니스 팀, 그리고 프로젝트를 전달하는 프로젝트 관리 및 개발 팀에 관여해야 한다고 강조하고 있다. 또 중앙 팀이 놓칠 수 있는 로컬 비즈니스 팀의 문화적 뉘앙스를 놓치지 않아야 한다.

이 연구를 후원한 다타이쿠의 CEO인 플로리언 도에츄는 “서로 다른 지리적 장소에 있는 사람들, 그리고 상이한 기술을 가진 상이한 사람들이 서로 협력할 방법이 없기 때문에, 데이터 프로젝트를 실행할 수 없는 회사들을 전세계에 걸쳐, 그리고 업종들에 걸쳐 수 없이 목격했다”고 말했다. 

데이터 과학 전문가를 상주시킬 수 없다면, 중앙의 전문가로부터의 협업 및 지식 전수를 이용해 로컬 데이터 과학 기술을 구축하도록 하라. 

모든 것에 대해 자체 AI 역량을 구축하려고 시도 
심지어 왓슨과 같이 사전 구축된 AI 서비스조차 시스템 및 프로세스에 통합하는 데에는 시간과 전문성을 요하고, 세심한 평가가 필수적이다. 

처음부터 모든 것을 구축할 수 있는 전문성을 갖춘 기업은 별로 없다. 세일즈포스, 다이내믹스, 어도비 마케팅 클라우드 등의 SaaS 제품에 AI 툴이 접목되는 경우가 늘고 있으며, 초보 기업이라면 이를 먼저 검토하는 것이 바람직하다. 비록 추가 비용을 지불해야 하는 애드온(addons) 형태가 대부분이긴 하지만 말이다. 

애저, AWS, 구글의 클라우드 머신러닝 서비스도 커스터마이징을 통해 회사의 자체 툴 및 서비스에 접목할 수 있는 머신 비전, 음성 인식 등의 구체적 ‘인지 서비스’나 회사의 자체적 니즈에 따라 개조할 수 있는 다수의 보편적 솔루션을 제공하고 있다. 

신속히 시작하려면 이런 툴을 이용하고, 이후 직원들이 AI가 제공하는 생산성 이점에 한층 익숙해진 후에 처음부터 구축할 필요가 있는 다른 모델 및 툴을 고려하라. 

AI가 사람을 배제할 것이라고 생각
자동화와 마찬가지로, AI는 인간과 AI 시스템이 협력할 때 최대의 성과 및 생산성 향상을 가져온다. 하버드 비즈니스 리뷰의 최근의 연구에 따르면 인간-기계 협업이 늘어나면서 4-7배에 이르는 실적 개선이 있었다고 한다. 

이러한 협업을 위해 비즈니스 팀은 AI 시스템이 이들을 위해 실제로 무엇을 할 수 있는 지를 평가하는 일에 관여해야 한다. 추천, 여러 선택지, 결정 지원, 및 어려운 사례에 대한 전문가 이관을 제공하는 AI 툴은 인간의 개입 없이 예/아니오 답변만을 제공하는 시스템보다 훨씬 더 유용하다. ciokr@idg.co.kr



2018.12.20

‘손실로의 지름길’··· 피해야 할 AI 프로젝트 실수 9가지

Mary Branscombe | CIO
AI에 대한 기업 분야의 열의가 식을 줄 모른다. IDC가 내놓은 최근의 예측에 따르면 세계적으로 인식 및 AI 시스템, 다시 말해 챗봇, 딥러닝, 그리고 이들을 구동하는 인프라에 대한 기업 지출이 올해 240억 달러에서 2022년에는 3배 증가한 776억 달러에 이를 것이다.

분명히, AI는 얼리어답터 단계에서 주류 비즈니스 이용 단계로 이동했다. 거의 모든 업종에 걸쳐 수많은 조직이 파일럿 프로젝트를 진행하거나 AI를 실무에 투입하고 있다. 그러나 이는 아무나 이행할 수 있다는 말이 전혀 아니다. AI에 돈을 허비하고 싶지 않다면, 회피해야 할 일반적 실수들을 짚고 넘어갈 필요가 있다. 
 
Image Credit : Getty Images Bank

과욕
마이크로소프트의 클라우드 AI 팀의 책임자인 랜스 올센은 “바다를 하루 만에 끓이려고 하지 말라”라고 표현했다. 전체 비즈니스 의사 결정 프로세스를 하룻밤 만에 AI로 바꿀 수는 없다. 따라서 작은 것부터 시작해 전문성을 쌓으면서 한 단계씩 나아가는 것이 가장 좋다. 

먼저 쉬운 것을 찾아보라. 가장 중요한 시스템을 다루기 전에, 실험하고 결과를 검증할 수 있는 프로세스를 개발해야 한다. 올센은 “큰 투자를 즉시 시작하려 하면 안 된다”라고 경고했다. 

고립된 개념 증명 시스템 구축
기존 데이터 파이프라인의 일부가 아닌 일회성 AI 시스템의 구축은 오래가지 못한다. 개별 프로젝트마다 지속성 있는 AI 자산을 생성할 수 있어야 한다. 여기서 ‘지속성 있는’이란 이를 개발하고 확장하는데 계속 투자할 수 있을 정도로 충분한 ROI를 생성하는 시스템을 말한다. 한 특정 팀을 위한 신규 툴이 아닌 전체 사업을 위한 AI 역량을 생성하는데 유용하다는 말이다.  

이를테면 이미 실행하고 있는 비즈니스 애널리틱스를 바탕으로 이를 예측 시스템으로 변환시키는 것을 검토할 만하다. 올센은 “기존의 파이프라인을 이용하고 이미 하고 있는 것에 기반하는 최적화에 투자함으로써 시작하라”라고 말했다. 그 후 비즈니스 프로세스가 작용하는 방식을 크게 변화시킬 혁신적 프로젝트로 나아갈 수 있다. 

적절한 기술 인프라 없이 시작 
최근의 매킨지 보고서에 따르면 AI를 시작하기 전에 핵심 및 고급 디지털 기술을 제대로 검토해야 한다. 클라우드 컴퓨팅, 모바일 및 웹 개발, 빅데이터, 그리고 애널리틱스에 이미 전문성을 가진 회사라면 AI 툴을 도입할 가능성이 3배가 더 높다.

AI를 도입한 조직의 4분의 3이 기존 디지털 역량을 구축한 것으로부터 배웠던 것을 AI 도입 시 활용했다고 말했다. 다시 말해, 회사가 클라우드와 데이터 애널리틱스를 활용할 수 없다면, AI를 이용할 준비가 아직 안된 것이다. 

데이터 없이 시작 
대다수의 AI 시스템, 특히 기업이 스스로 구축할 수 있는 시스템은 머신러닝 시스템이고, 이는 데이터를 필요로 한다. 마이크로소프트의 부사장인 줄리아 화이트는 ‘기업 속의 AI(AI in Business)’라는 최근의 행사에서 “새 로봇이 있다고 하자. 그렇다면 새 로봇은 무엇으로부터 학습할 것인가?”라고 물었던 이유다. 

사실, 양질의 데이터가 없다면 AI는 도움이 되기보다 오히려 유해하다. 실질적 증거도 없이 확신만 키울 것이기 때문이다. 

더욱이, 경쟁자와 동일한 평범한 데이터만 가지고 있다면 경쟁자와 동일한 인사이트만 얻게 될 것이다. 따라서 조직의 고유한 데이터에 대해 관심을 가져야 한다. 그리고 그 데이터는, 적절한 데이터를 수집하고 있다는 전제 하에, 정제되고, 표준화되고, 준비되어야 할 것이다. 

필수 투자를 과소평가하면 안 된다. 일반적으로, 데이터를 수집하고 정제하는 것은 데이터 과학자의 업무의 거의 80%를 차지한다. 비즈니스 인텔리전스 및 애널리틱스를 위해 이미 사용 중인 데이터로 시작한다면, AI 시스템이 핵심 비즈니스 프로세스를 지원하는 것 또한 더 쉬울 것이고, 따라서 훨씬 더 유용할 것이다. 

나아가 이는 미활용 데이터 준비 작업에 사용할 툴과 프로세스를 정의하는 데에도 유익할 것이다. 

성공을 평가하고 측정하는 구체적인 방법이 없음 
데이터 과학은 과학이다. 그러므로 비즈니스 의사 결정, 매출, 고객 지원, 또는 AI로 하고 싶은 무언가가 어떻게 향상될 수 있는지에 관한 가설이 있어야 하고, 이를 실제로 테스트하고 결과를 평가해야 한다. 

이는 프로젝트의 성공을 – 도입 및 성과 측면에서 – 측정하는 법을 계획하라는 의미이다. 이는 판매 및 마케팅 팀을 위한 90일 전망, 고객 센터에서의 시간당 할당량 등 직원 최종 기한과 프로젝트를 합치시키는 것을 의미할 수 있다. 

아울러 새 시스템을 이용하지 않는 대조군도 있어야 한다. 이는 새 시스템을 개발하는데 많은 돈을 투자하고 있다면 반직관적으로 보일 수도 있다. 사람들이 직관에 의존하는 대신 데이터에 따른 결정을 내리도록 해야 한다. 이들이 아무렇게나 데이터를 무시한다면 이들에게 AI 툴을 주어봤자 도움이 되지 않는다. 

이와 함께 무엇을 성공으로 보아야 하는 지를 미리 결정해야 한다. 왜냐하면 이것이 바로 회사가 테스트하는 가설이기 때문이다. 고객 주문 증가, 대량 주문을 원하는가? 고객 지원 전화 횟수가 줄고 전화를 건 고객을 위한 해법까지의 시간이 더 빨라지기를 원하는가? 

AI가 어떤 문제를 해결하는데 유용한지 알지 못한 채 시작 
‘인공지능’이라는 용어가 가진 문제가 있다. 사람들이 이를 무엇이든 할 수 있는 무엇처럼 생각하게 만든다는 것이다. 지난 몇 해 동안 AI 산업은 상당히 진보했지만 만능과는 거리가 멀다. AI가 실제로 할 수 있는 것이 무엇이고, AI가 기존의 시스템 및 비즈니스 프로세스로 어떻게 통합될 것인지 정도는 알고 있어야 한다. 

그런 다음에는 AI가 조직의 어떤 문제에 유용한지를 알아야 한다. 다른 회사들이 모두 AI를 채택하고 있다고 해서 무작정 AI를 채택할 수는 없다. 

치타 디지털(Cheetah Digital)의 상임 애널리틱스 서비스 책임자인 제이콥 데이비스는 다음과 같이 설명했다. 

“AI를 도입하기 전에 두 가지를 고려해야 한다. 첫째, ‘우리가 실제로 해결하려고 하는 문제가 무엇인가?’라는 질문이다. 현재 이 문제를 수중에 있는 데이터로 해결할 방법이 없는가? 현재의 가능성 영역 안에서 이론적으로라도 무언가가 떠오르지 않는다면, AI는 도움이 되지 않을 것이다.”

“둘째, ‘내가 듣고 있는 AI에 관한 온갖 과장된 말 때문에 AI를 고려하고 있지는 않은가?’라는 질문이다. 이런 유형의 솔루션(AI)에 대한 자신의 기대를 진지하게 평가해야 한다. 그렇지 않으면 실질적 가치를 더하지 않는 것에 엄청난 돈을 투자할 수 있기 때문이다.”
 
적절한 사람이 적절한 위치에 없는 상태로 시작 
데이터 과학 전문성이 필요하다. 그리고 전문 데이터 과학 팀이 없다면, 이러한 전문성은 흔히 IT팀 안에서 구축될 것이다. 어디서 구축되든지 AI가 고립되지 않도록 하는 것이 중요하다. 

AI 프로젝트를 실무에 투입한 글로벌 2,000개의 조직에 대한 최근의 오범 연구(Ovum study)에서는 프로젝트가 성공하려면 이들 전문가가 이들이 풀고자 하는 문제를 가지고 있는 비즈니스 팀, 그리고 프로젝트를 전달하는 프로젝트 관리 및 개발 팀에 관여해야 한다고 강조하고 있다. 또 중앙 팀이 놓칠 수 있는 로컬 비즈니스 팀의 문화적 뉘앙스를 놓치지 않아야 한다.

이 연구를 후원한 다타이쿠의 CEO인 플로리언 도에츄는 “서로 다른 지리적 장소에 있는 사람들, 그리고 상이한 기술을 가진 상이한 사람들이 서로 협력할 방법이 없기 때문에, 데이터 프로젝트를 실행할 수 없는 회사들을 전세계에 걸쳐, 그리고 업종들에 걸쳐 수 없이 목격했다”고 말했다. 

데이터 과학 전문가를 상주시킬 수 없다면, 중앙의 전문가로부터의 협업 및 지식 전수를 이용해 로컬 데이터 과학 기술을 구축하도록 하라. 

모든 것에 대해 자체 AI 역량을 구축하려고 시도 
심지어 왓슨과 같이 사전 구축된 AI 서비스조차 시스템 및 프로세스에 통합하는 데에는 시간과 전문성을 요하고, 세심한 평가가 필수적이다. 

처음부터 모든 것을 구축할 수 있는 전문성을 갖춘 기업은 별로 없다. 세일즈포스, 다이내믹스, 어도비 마케팅 클라우드 등의 SaaS 제품에 AI 툴이 접목되는 경우가 늘고 있으며, 초보 기업이라면 이를 먼저 검토하는 것이 바람직하다. 비록 추가 비용을 지불해야 하는 애드온(addons) 형태가 대부분이긴 하지만 말이다. 

애저, AWS, 구글의 클라우드 머신러닝 서비스도 커스터마이징을 통해 회사의 자체 툴 및 서비스에 접목할 수 있는 머신 비전, 음성 인식 등의 구체적 ‘인지 서비스’나 회사의 자체적 니즈에 따라 개조할 수 있는 다수의 보편적 솔루션을 제공하고 있다. 

신속히 시작하려면 이런 툴을 이용하고, 이후 직원들이 AI가 제공하는 생산성 이점에 한층 익숙해진 후에 처음부터 구축할 필요가 있는 다른 모델 및 툴을 고려하라. 

AI가 사람을 배제할 것이라고 생각
자동화와 마찬가지로, AI는 인간과 AI 시스템이 협력할 때 최대의 성과 및 생산성 향상을 가져온다. 하버드 비즈니스 리뷰의 최근의 연구에 따르면 인간-기계 협업이 늘어나면서 4-7배에 이르는 실적 개선이 있었다고 한다. 

이러한 협업을 위해 비즈니스 팀은 AI 시스템이 이들을 위해 실제로 무엇을 할 수 있는 지를 평가하는 일에 관여해야 한다. 추천, 여러 선택지, 결정 지원, 및 어려운 사례에 대한 전문가 이관을 제공하는 AI 툴은 인간의 개입 없이 예/아니오 답변만을 제공하는 시스템보다 훨씬 더 유용하다. ciokr@idg.co.kr

X