AI / CIO / How To / 디지털 트랜스포메이션 / 로봇|자동화 / 리더십|조직관리 / 머신러닝|딥러닝
대규모 AI
QTS 데이터 센터스(QTS Data Centers)는 자사의 AI 여정을 가속화하기 위해 2년 전 QTS 이노베이션 랩(QTS Innovation Lab)을 설립했다. 전 세계적으로 26개의 데이터센터를 운영하고 있는 QTS의 제품 CTO 브렌트 벤슨은 “우리의 사업은 성장하고 있었고 우리의 아날로그 프로세스는 비효율적이었다”라고 말했다.
예를 들어, 한 엔지니어는 100만 제곱미터 크기의 건물들이 있는 QTS 시설 주위를 돌아다니면서 모든 장비를 직접 확인했다. 벤슨은 “엔지니어가 에어컨 패널로 가서 값을 측정하고 클립보드에 수기로 작성한 후 돌아와서 ‘모두 정상’에 체크한다. 기초적인 데이터 포인트가 없고 단순히 ‘모두 정상’이었다.”
그래서 QTS 이노베이션 랩의 첫 번째 목표는 이 프로세스를 디지털화하여 비즈니스 효율성을 높이는 것이었다. 현재 이 모든 측정값이 자동으로 상세하게 수집되고 해당 기업의 운영에 대한 완전한 디지털 기록을 제공한다. 이제 이 데이터를 활용하여 전력 수요를 예측하고 유지보수를 최적화하며 해당 기업의 탄소 배출량을 최소화할 수 있다.
그는 “이 모든 것이 이제는 AI에 의해 관리 및 운영된다. 완전한 디지털 경험이다”라고 말했다. 시간의 약 90%를 AI 프로젝트에 소요하는 해당 연구소는 서비스나우와 세일즈포스 등의 제3자 플랫폼을 통합하도록 시스템을 구성했다. 벤슨은 “거버넌스를 중앙에 치중했고 이를 통해 더욱 광범위한 QTX 포트폴리오에서 디지털 경험을 제공할 수 있었다”라고 말했다.
내부적으로만 이득을 본 것이 아니었다. 이 예측 도구는 해당 기업의 고객들에게도 도움이 되었다. 벤슨은 “AI, 머신러닝, 신경망 개념을 활용함으로써 우리는 미래에 발생할 일, 고장 정지, 실패, 소비 전력 등을 예측할 수 있다”라고 말했다. 여기에는 최대 60일까지 고객의 전력 활용도를 예측하는 능력도 포함된다. 그 결과, QTS의 고객들은 환경에 대해 더욱 유동적이며 전력 비용을 낮추고 문제를 방지할 수 있다고 그가 말했다.
그는 이어 “그리고 그들은 탄소 발자국을 줄일 수 있다. 우리가 그들에게 데이터를 제공하기 때문에 그들은 지속 가능성 크레딧을 확보할 수 있다”라고 덧붙였다.
언스트앤영(Ernst&Young, E&Y)은 2016년에 AI CoE를 출범시켰다. E&Y의 AI CoE 머신러닝 부책임자 조나단 데강지는 이 조직이 대규모 AI 도입 가속화에 도움이 되었다고 말했다.
그는 “예전에는 서로 다른 그룹이 서로 소통하지 않는 사일로 현상이 있었다”라고 말했다. E&Y는 돈세탁 차단 등의 대규모 프로젝트를 수행하려 하고 있었고, 이를 위해 사업부와 여러 지사들 사이의 조율이 필요했다.
E&Y의 재무서비스실 수석 칼 케이스는 “특정 영역으로 전문지식을 모을 때 효과가 배가된다”라고 말했다. 그는 AI 프로젝트에 AI CoE를 활용하려 하고 있다. “그리고 우리는 금융위기, 복잡한 세법 및 규정, 업무의 미래와 디지털 혁신의 영향 등 매우 크고 복잡한 문제를 해결하려 하고 있다”라고 말했다.
글로벌 AI CoE가 형성되기 전에 그의 팀은 미국의 소규모 AI팀과 상호작용하고 있었다. 하지만 글로벌 센터가 개장하면서 케이스의 팀은 좀더 크게 생각할 수 있게 되었다. 데강지는 “일례로 우리는 마약 및 인신매매 조직들을 파악하고 그들을 차단했다”라고 말했다. 그래프 기반 네트워킹 접근방식과 이상 감지를 활용하는 AI 시스템은 단순히 개인적인 거래뿐 아니라 의심스러운 행동 패턴을 확인할 수 있도록 해줬다.
그는 “이제 네트워크 전체가 어떻게 움직이는지 볼 수 있게 되었다. 새로운 관계가 비정상적인 방식으로 형성되고 있는가? 예를 들어, 범죄 조직이 계좌를 개설하고 거래하는 방식은 적법한 새로운 사업을 시작하는 사람과 크게 달라 보인다. AI로 감지할 수 있는 패턴에는 큰 차이가 있다”라고 말했다.
학습 이전
AI CoE를 통해 내부 전문지식과 보편적인 플랫폼이 구성되면 다음 단계는 기업 전반에 걸쳐 모범 사례를 공유하는 것이다. 쉘의 지본스는 “우리의 경우 조직의 경계를 존중하지 않는다”라고 표현했다.
예를 들어, 예측 유지관리는 쉘의 거의 모든 사업부에 적용할 수 있으며 AI CoE를 출범하면서 한 영역에서 개발한 기술을 여러 다른 곳에 배포할 수 있게 되었다.
지본스가 “머신 비전은 또 다른 예이다. 우리는 소매 분야의 사용례를 개발하고 있지만 이런 사용례 이면의 기능을 활성화하는 것은 제조 사이트 점검에 적용하고 문제가 있는 부분을 살펴볼 수 있다”라고 말했다.
GE도 여러 사업부에서 AI를 활용하기 위해 AI CoE를 출범했다. 제조 효율성을 높이기 위해 식스 시그마 및 린 방법론을 활용하는 것으로 알려진 GE는 현재 AI를 활용하여 조직의 다른 영역에 같은 종류의 프로세스 개선을 적용하고 있다.