2019.08.22

AI 프로젝트 확산을 '확' 앞당기는 5가지 방법

니콜라스 D. 에반스 | CIO
AI 프로젝트 준비와 추진에 수년이 소요될 수 있다. 최근 조사에 따르면 응답자 중 28%만이 첫해에 AI 계획 단계를 통과한 것으로 나타났다. 그 이유는 (최소한 그 어느 때보다도 크게 확장되고 있는 일련의 산업 사용례에서의) 상대적인 기술 성숙도, 광범위한 통합 요건 등 관련된 복잡성의 수준, 제한된 기업 경험, 내부 기술의 부재 등 다양한 요소가 AI 편견뿐 아니라 거버넌스, 위험, 규제 우려, 광범위한 변화관리 요건 등과 관련되어 있기 때문이다.
 
ⓒGetty Images Bank

기업 혁신 프로그램이나 디지털 트랜스포메이션 계획의 일환으로 조기의 성공 입증을 강조하는 상황에서 과도하게 긴 AI 프로젝트는 잠재적으로 자체적인 것보다 계획에 관한 평판에 더 영향을 끼칠 수 있다. CIO가 ‘프로젝트에서 프로덕션으로’ 접근 방식을 취하며 제품 관리로 옮겨가면서 장기 AI 프로젝트가 혁신적이고 새로운 제품 출시도 지연시킬 수 있다.

더욱 광범위한 디지털 트랜스포메이션과 혁신 계획에 추가로 투자하고, 이러한 중요한 지원 기술과 추가 비즈니스 사례를 조기에 확보하기 위해 CIO가 AI 프로젝트를 조기에 추진할 수 있는 5가지 방법을 소개한다.

(우리는 금융서비스 부문의 대출 결정과 관련된 예를 통해 AI 머신러닝 계획에 집중하지만 권고사항은 다른 여러 AI 계획 및 산업에도 적용된다.)

1. AI가 조직의 핵심 역량이 되느냐 그렇지 않느냐를 따져본 후 추진하라
우선 구축할지, 구매할지를 결정하는 것이 중요하다. BIY(Build It Yourself) AI를 위한 다양한 플랫폼, 인프라, 프레임워크에 관한 많은 이야기가 들리고 있지만 특정 사용례를 위해 신속하게 교육하고 배치할 수 있는 클라우드 기반의 AI 서비스를 제공하는 더 많은 특수 틈새 AI 업체가 칭송받지 못한 영웅들일 때가 많다. 구축이나 구매 결정은 실제로 미래 핵심 역량으로서 AI가 조직에 얼마나 중요한지에 달려있다.

한 예로, 모든 금융서비스 기업은 AI ‘보유자’와 ‘미보유자’ 사이의 어렴풋한 디지털 및 금융 경계선을 고려해야 하지만 모든 기업이 자체적으로 알고리즘을 구축할 필요는 없다. 중소기업이 내부에 AI/ML 전문성을 쌓을 필요 없이 써드파티 AI 기술을 대출 보증 등의 핵심 워크플로에 통합할 때의 비즈니스적 이점과 결과에 꽤 효과적으로 집중할 수 있다.   

2. 데이터가 많다는 것은 양이 많다는 의미일 뿐, 핵심은 ‘품질’이다
성공은 10%의 영감과 90%의 노력으로 이루어진다는 말이 있었다. AI의 경우 성공적인 이행은 10%의 AI와 90%의 데이터로 이루어지는 경우가 많다. 인간 의사 결정을 모방하도록 AI/ML 알고리즘을 교육하기 위해 사용되는 데이터세트는 가능한 한 크고 잘 정리돼 있어야 한다.

쉽게 말해서 줄(row)당 1,000개의 속성을 가진 10,000줄의 데이터가 줄당 100개의 속성을 가진 1,000줄의 데이터를 가진 ML 알고리즘보다 훨씬 유용하다는 뜻이다. 하지만 대출기관에 비선형적이고 역동적인 신용 위험 모델을 제공하기 위해 AI의 발전을 적용하는 데 중점을 둔 기업 언더라이트.AI(Underwrite.AI)의 CEO 마크 스테인에 따르면 "많을수록 좋다"만큼 단순하지 않다. 데이터 유형과 양이 알고리즘 유형과 맞아야 한다. 딥러닝을 위해서는 방대한 양의 레코드가 유효해야 하지만 통계 기반의 알고리즘이 소규모 데이터세트를 더욱 잘 처리한다.

AI를 사용하여 인간 의사 결정을 모델화하고 있다면 가능한 한 많은 데이터를 확보하고 모든 데이터 필드에 값이 있는지 확인하며 데이터 품질과 일관성에 중점을 두자. 여기에는 시간이 소요될 수 있으며, 특히 여러 개의 이질적인 소스로부터 가져올 경우에는 더욱 그렇지만 조기에 수행한다면 많은 비용이 발생하는 재작업을 많이 피할 수 있다. 

3. 변화관리와 결과 해석 방법 교육에 시간을 투자하라
AI API를 호출하여 새로운 데이터세트를 전달하고 점수를 받는 것은 기술적으로 간단하지만 변화관리 그리고 비즈니스 분석가들이 이런 점수를 잘 해석하여 새로운 프로세스를 일일 워크플로에 통합하게 하는데 필요한 교육은 훨씬 어렵다.

일부 AI 형태는 신용 이력에 기초하여 새로운 대출에 대한 "예" 또는 "아니요" 결정 등의 자동화된 결정을 내릴 수 있지만 ML 알고리즘이 더욱 미묘한 응답을 제공하는 경우가 많다. 대출을 잘 결정하기 위해 이 응답을 기존의 인간 프로세스와 함께 사용해야 할 수 있다. 한 예로, AI "점수"는 "A"부터 "D"와 "F"까지 등급을 매길 수 있다. "A"와 "F"는 실시간 결정을 위해 완전히 자동화할 수 있는 확실한 "예" 또는 "아니요" 결정일 수 있지만 등급 "B"부터 "D"까지는 여전히 인간 손해사정사가 필요할 수 있다.

새로운 금융 모델을 사용하고 모델의 결과를 가장 잘 해석하도록 분석가를 교육하는 데 시간을 할애하는 것처럼 AI 기반의 결과도 마찬가지다. 비즈니스 분석가는 수주 또는 심지어 한 달에 걸쳐 ML 알고리즘으로부터 되돌아오는 결과를 관찰해야 할 수 있기 때문에 점수를 가장 잘 해석하는 방법의 측면에서 기준이 있다. AI 업체와 협력하는 경우 이 업체는 결과를 해석하는 방법과 직원을 교육하여 새로운 시스템을 가장 잘 활용하는 방법 측면에서 안내를 제공할 수 있다.

스테인에 따르면 AI는 요술 지팡이가 아니라는 사실을 이해하는 것이 중요하다. 이는 더욱 정확한 미래 예측이 가능한 한 과거 행동의 패턴 파악을 위한 하나의 과정일 뿐이다. 기업에 명확히 정의한 문제와 성공을 위해 바로 이해할 수 있는 지표가 있는 경우에만 성공할 수 있다. 예를 들어, "우리는 손실률로 측정한 대출 채무 불이행을 줄여야 한다"라거나 "우리는 환산율을 기존의 32.5%보다 높여야 한다" 등이다. 문제를 제대로 파악하지 못한다면 해결책도 파악하지 못할 것이다.

4. 성공이나 실패가 아니라 가설-검증 접근방식을 취하라
모든 AI 이행은 고유하기 때문에 프로젝트를 완전한 성공이나 실패로 보는 것보다는 모든 프로젝트에 "가설과 검증"으로 임하는 자세가 중요하다. 각 단계에서 가설을 세우고 각 단계의 교훈을 다음 회차에 적용함으로써 AI 배치가 유의미한 결과를 제공할 수 있는 운용 가능한 한 솔루션이 될 때까지 신속하게 다듬을 수 있다.

가설과 검증 접근방식으로 인해 프로젝트 배치 시간이 길어지겠지만 솔루션을 지속해서 다듬어 실질적인 교훈을 통합하고 고객 및 직원 요건과 정렬하며 지속가능한 솔루션을 위해 가장 주목하지 않을 수 없는 비즈니스 사례를 지속해서 추구할 수 있는 이점이 있다. 
 
5. 모든 형태의 자동화를 미래의 비전에 통합하라
초기 AI 시범 프로젝트, 개념 증명, MVP 등을 시작하면서 전사적인 AI에 관한 조직의 미래 비전은 완전한 수동 프로세스부터 RPA(Robotic Process Automation)와 더욱 정교한 AI 도입까지 다양한 유형의 자동화가 융합될 가능성이 높다. 처음부터 비즈니스 프로세스를 재정비한 후 각 새로운 단계에서 작업을 위한 최고의 툴을 적용하는 경우가 많다. RPA나 AI를 바뀌지 않은 기존의 비즈니스 프로세스에 삽입하기만 하면 잠재력을 발현시키지 못할 가능성이 높다.  

또 다른 중요한 요소는 각 툴 간의 ‘핸드오프’다. 이는 인간과 기계 또는 기계와 기계 사이에서도 있을 수 있다. 핸드오프를 최적화하고 신속하며 원활하고 신뢰할 수 있게 만듦으로써 미래의 비즈니스 프로세스를 비즈니스 목표와 시장 요건에 따라 비용 효율적이며 경쟁력 있게 개선할 수 있다.

다행히도 AI 이행의 속도가 빠를 수 있지만, AI와 관련하여 반드시 더 스마트해지는 것은 아니다. 구축과 구매 등의 사이에서 적절하게 선택하고 (고객뿐만 아니라) 데이터 품질에 주력하며 변화관리와 기업의 조기 참여에 충분한 시간을 투자하고 ‘가설과 검증’ 접근방식을 취하며 궁극적으로 여러 자동화 기법을 미래 비전에 결합하는 것이 중요하다.

AI 프로젝트에 상당한 시간이 소요된다면 인내심을 갖고 꾸준히 활동하자. 또한 이 권고사항 중 일부를 활용하여 속도를 높일 수 있을 것이다. 물론, 디지털 트랜스포메이션과 마찬가지로 끝은 없다.

*니콜라스 D. 에반스는 BCS에서 출판한 <디지털 비즈니스 마스터(Mastering Digital Business)>의 저자다. ciokr@idg.co.kr
 



2019.08.22

AI 프로젝트 확산을 '확' 앞당기는 5가지 방법

니콜라스 D. 에반스 | CIO
AI 프로젝트 준비와 추진에 수년이 소요될 수 있다. 최근 조사에 따르면 응답자 중 28%만이 첫해에 AI 계획 단계를 통과한 것으로 나타났다. 그 이유는 (최소한 그 어느 때보다도 크게 확장되고 있는 일련의 산업 사용례에서의) 상대적인 기술 성숙도, 광범위한 통합 요건 등 관련된 복잡성의 수준, 제한된 기업 경험, 내부 기술의 부재 등 다양한 요소가 AI 편견뿐 아니라 거버넌스, 위험, 규제 우려, 광범위한 변화관리 요건 등과 관련되어 있기 때문이다.
 
ⓒGetty Images Bank

기업 혁신 프로그램이나 디지털 트랜스포메이션 계획의 일환으로 조기의 성공 입증을 강조하는 상황에서 과도하게 긴 AI 프로젝트는 잠재적으로 자체적인 것보다 계획에 관한 평판에 더 영향을 끼칠 수 있다. CIO가 ‘프로젝트에서 프로덕션으로’ 접근 방식을 취하며 제품 관리로 옮겨가면서 장기 AI 프로젝트가 혁신적이고 새로운 제품 출시도 지연시킬 수 있다.

더욱 광범위한 디지털 트랜스포메이션과 혁신 계획에 추가로 투자하고, 이러한 중요한 지원 기술과 추가 비즈니스 사례를 조기에 확보하기 위해 CIO가 AI 프로젝트를 조기에 추진할 수 있는 5가지 방법을 소개한다.

(우리는 금융서비스 부문의 대출 결정과 관련된 예를 통해 AI 머신러닝 계획에 집중하지만 권고사항은 다른 여러 AI 계획 및 산업에도 적용된다.)

1. AI가 조직의 핵심 역량이 되느냐 그렇지 않느냐를 따져본 후 추진하라
우선 구축할지, 구매할지를 결정하는 것이 중요하다. BIY(Build It Yourself) AI를 위한 다양한 플랫폼, 인프라, 프레임워크에 관한 많은 이야기가 들리고 있지만 특정 사용례를 위해 신속하게 교육하고 배치할 수 있는 클라우드 기반의 AI 서비스를 제공하는 더 많은 특수 틈새 AI 업체가 칭송받지 못한 영웅들일 때가 많다. 구축이나 구매 결정은 실제로 미래 핵심 역량으로서 AI가 조직에 얼마나 중요한지에 달려있다.

한 예로, 모든 금융서비스 기업은 AI ‘보유자’와 ‘미보유자’ 사이의 어렴풋한 디지털 및 금융 경계선을 고려해야 하지만 모든 기업이 자체적으로 알고리즘을 구축할 필요는 없다. 중소기업이 내부에 AI/ML 전문성을 쌓을 필요 없이 써드파티 AI 기술을 대출 보증 등의 핵심 워크플로에 통합할 때의 비즈니스적 이점과 결과에 꽤 효과적으로 집중할 수 있다.   

2. 데이터가 많다는 것은 양이 많다는 의미일 뿐, 핵심은 ‘품질’이다
성공은 10%의 영감과 90%의 노력으로 이루어진다는 말이 있었다. AI의 경우 성공적인 이행은 10%의 AI와 90%의 데이터로 이루어지는 경우가 많다. 인간 의사 결정을 모방하도록 AI/ML 알고리즘을 교육하기 위해 사용되는 데이터세트는 가능한 한 크고 잘 정리돼 있어야 한다.

쉽게 말해서 줄(row)당 1,000개의 속성을 가진 10,000줄의 데이터가 줄당 100개의 속성을 가진 1,000줄의 데이터를 가진 ML 알고리즘보다 훨씬 유용하다는 뜻이다. 하지만 대출기관에 비선형적이고 역동적인 신용 위험 모델을 제공하기 위해 AI의 발전을 적용하는 데 중점을 둔 기업 언더라이트.AI(Underwrite.AI)의 CEO 마크 스테인에 따르면 "많을수록 좋다"만큼 단순하지 않다. 데이터 유형과 양이 알고리즘 유형과 맞아야 한다. 딥러닝을 위해서는 방대한 양의 레코드가 유효해야 하지만 통계 기반의 알고리즘이 소규모 데이터세트를 더욱 잘 처리한다.

AI를 사용하여 인간 의사 결정을 모델화하고 있다면 가능한 한 많은 데이터를 확보하고 모든 데이터 필드에 값이 있는지 확인하며 데이터 품질과 일관성에 중점을 두자. 여기에는 시간이 소요될 수 있으며, 특히 여러 개의 이질적인 소스로부터 가져올 경우에는 더욱 그렇지만 조기에 수행한다면 많은 비용이 발생하는 재작업을 많이 피할 수 있다. 

3. 변화관리와 결과 해석 방법 교육에 시간을 투자하라
AI API를 호출하여 새로운 데이터세트를 전달하고 점수를 받는 것은 기술적으로 간단하지만 변화관리 그리고 비즈니스 분석가들이 이런 점수를 잘 해석하여 새로운 프로세스를 일일 워크플로에 통합하게 하는데 필요한 교육은 훨씬 어렵다.

일부 AI 형태는 신용 이력에 기초하여 새로운 대출에 대한 "예" 또는 "아니요" 결정 등의 자동화된 결정을 내릴 수 있지만 ML 알고리즘이 더욱 미묘한 응답을 제공하는 경우가 많다. 대출을 잘 결정하기 위해 이 응답을 기존의 인간 프로세스와 함께 사용해야 할 수 있다. 한 예로, AI "점수"는 "A"부터 "D"와 "F"까지 등급을 매길 수 있다. "A"와 "F"는 실시간 결정을 위해 완전히 자동화할 수 있는 확실한 "예" 또는 "아니요" 결정일 수 있지만 등급 "B"부터 "D"까지는 여전히 인간 손해사정사가 필요할 수 있다.

새로운 금융 모델을 사용하고 모델의 결과를 가장 잘 해석하도록 분석가를 교육하는 데 시간을 할애하는 것처럼 AI 기반의 결과도 마찬가지다. 비즈니스 분석가는 수주 또는 심지어 한 달에 걸쳐 ML 알고리즘으로부터 되돌아오는 결과를 관찰해야 할 수 있기 때문에 점수를 가장 잘 해석하는 방법의 측면에서 기준이 있다. AI 업체와 협력하는 경우 이 업체는 결과를 해석하는 방법과 직원을 교육하여 새로운 시스템을 가장 잘 활용하는 방법 측면에서 안내를 제공할 수 있다.

스테인에 따르면 AI는 요술 지팡이가 아니라는 사실을 이해하는 것이 중요하다. 이는 더욱 정확한 미래 예측이 가능한 한 과거 행동의 패턴 파악을 위한 하나의 과정일 뿐이다. 기업에 명확히 정의한 문제와 성공을 위해 바로 이해할 수 있는 지표가 있는 경우에만 성공할 수 있다. 예를 들어, "우리는 손실률로 측정한 대출 채무 불이행을 줄여야 한다"라거나 "우리는 환산율을 기존의 32.5%보다 높여야 한다" 등이다. 문제를 제대로 파악하지 못한다면 해결책도 파악하지 못할 것이다.

4. 성공이나 실패가 아니라 가설-검증 접근방식을 취하라
모든 AI 이행은 고유하기 때문에 프로젝트를 완전한 성공이나 실패로 보는 것보다는 모든 프로젝트에 "가설과 검증"으로 임하는 자세가 중요하다. 각 단계에서 가설을 세우고 각 단계의 교훈을 다음 회차에 적용함으로써 AI 배치가 유의미한 결과를 제공할 수 있는 운용 가능한 한 솔루션이 될 때까지 신속하게 다듬을 수 있다.

가설과 검증 접근방식으로 인해 프로젝트 배치 시간이 길어지겠지만 솔루션을 지속해서 다듬어 실질적인 교훈을 통합하고 고객 및 직원 요건과 정렬하며 지속가능한 솔루션을 위해 가장 주목하지 않을 수 없는 비즈니스 사례를 지속해서 추구할 수 있는 이점이 있다. 
 
5. 모든 형태의 자동화를 미래의 비전에 통합하라
초기 AI 시범 프로젝트, 개념 증명, MVP 등을 시작하면서 전사적인 AI에 관한 조직의 미래 비전은 완전한 수동 프로세스부터 RPA(Robotic Process Automation)와 더욱 정교한 AI 도입까지 다양한 유형의 자동화가 융합될 가능성이 높다. 처음부터 비즈니스 프로세스를 재정비한 후 각 새로운 단계에서 작업을 위한 최고의 툴을 적용하는 경우가 많다. RPA나 AI를 바뀌지 않은 기존의 비즈니스 프로세스에 삽입하기만 하면 잠재력을 발현시키지 못할 가능성이 높다.  

또 다른 중요한 요소는 각 툴 간의 ‘핸드오프’다. 이는 인간과 기계 또는 기계와 기계 사이에서도 있을 수 있다. 핸드오프를 최적화하고 신속하며 원활하고 신뢰할 수 있게 만듦으로써 미래의 비즈니스 프로세스를 비즈니스 목표와 시장 요건에 따라 비용 효율적이며 경쟁력 있게 개선할 수 있다.

다행히도 AI 이행의 속도가 빠를 수 있지만, AI와 관련하여 반드시 더 스마트해지는 것은 아니다. 구축과 구매 등의 사이에서 적절하게 선택하고 (고객뿐만 아니라) 데이터 품질에 주력하며 변화관리와 기업의 조기 참여에 충분한 시간을 투자하고 ‘가설과 검증’ 접근방식을 취하며 궁극적으로 여러 자동화 기법을 미래 비전에 결합하는 것이 중요하다.

AI 프로젝트에 상당한 시간이 소요된다면 인내심을 갖고 꾸준히 활동하자. 또한 이 권고사항 중 일부를 활용하여 속도를 높일 수 있을 것이다. 물론, 디지털 트랜스포메이션과 마찬가지로 끝은 없다.

*니콜라스 D. 에반스는 BCS에서 출판한 <디지털 비즈니스 마스터(Mastering Digital Business)>의 저자다. ciokr@idg.co.kr
 

X