한국 HPE는 개인 정보 보호를 제공하면서도 AI 모델 학습 결과를 공유하고 통합할 수 있는 AI 솔루션인 ‘HPE 스웜 러닝’을 출시했다고 20일 밝혔다. HPE의 R&D 조직인 휴렛패커드 랩이 개발한 HPE 스웜 러닝은 엣지 혹은 분산 위치용 개인 정보 보호 탈중앙화 머신러닝 프레임워크다. 이 솔루션은 HPE 스웜 API를 활용해 AI 모델과 신속하게 통합되는 컨테이너를 고객에게 제공하며, 고객은 실제 데이터를 공유하지 않고도 조직 내 및 외부 업계 관계자들과 AI 모델 러닝을 공유하며 트레이닝을 개선할 수 있다.   HPE의 HPC&AI의 저스틴 호타드 부사장 겸 제너럴 매니저는 “스웜 러닝은 이미 환자 건강 관리 향상과 부정 행위 탐지 및 각종 설비의 이상 징후 감지를 통한 예측 유지 보수 영역의 글로벌 과제를 해결하는데 진전을 이룬 신규 AI 솔루션”이라며 “HPE는 각 조직의 윤리, 데이터 개인 정보 보호 및 거버넌스 표준을 유지하며 조직이 고유하게 협업, 혁신 및 AI 모델의 성능을 가속화할 수 있는 엔터프라이즈급 솔루션을 제공하여 스웜 러닝 혁신에 기여하고 있다”고 말했다. HPE 스웜 러닝은 데이터 소스에서 분산 데이터를 활용할 수 있게 함으로써 조직이 데이터 세트의 규모를 확장하고 공정한 방식으로 학습할 수 있는 머신러닝 모델을 구축할 수 있도록 하면서, 데이터 거버넌스와 프라이버시를 유지할 수 있도록 돕는다.  또한, 데이터가 아닌 엣지 단계에서 학습한 내용만 공유될 수 있도록 하기 위하여 HPE 스웜 러닝은 블록체인 기술을 활용해 안전하게 멤버들을 온보드시키고 동적으로 리더를 선정할 수 있도록 하는 한편, 모델 변수 통합을 통해 스웜 네트워크의 회복 탄력성과 안전성을 제공한다. 또한, HPE 스웜 러닝은 학습 내용만 공유함으로써 사용자가 프라이버시 침해없이 대규모 훈련 데이터 세트를 활용할 수 있도록 하고, 편향성을 최소화함으로써 학습 모델의 정확도를 높일 수 있도록 돕는다. 그래프 데이터베이스·...

7일 전

현대의 GPU는 게임용 3D 가속기로서 시작됐다. 그러나 지난 20년에 걸쳐 고성능 컴퓨팅 및 인공지능 애플리케이션을 위한 엔터프라이즈 서버 프로세서로서도 변신하고 있다. 이제 GPU는 슈퍼컴퓨팅, AI 훈련 및 추론, 신약 개발, 재무 모델링, 의학 이미징에서 성능을 좌우하는 존재다. 또한 이들은 GPU로 구동되는 관계형 데이터베이스 등 CPU가 감당하기 버거운 상황의 작업들에도 적용되곤 한다. GPU 수요가 증가함에 따라 서버용 GPU를 만드는 업체 간의 경쟁이 뜨거워지고 있다. 경쟁 업체는 3곳, 즉 엔비디아, AMD, 인텔뿐이다. 인텔은 타사 GPU의 대안으로서 자리매김하려는 시도에서 이미 2차례 실패했지만 현재 3번째 시도를 감행하고 있다.    데이터센터 GPU의 중요성  이들 세 회사는 데이터센터 GPU 수요를 비즈니스 기회로 바라본다. GPU는 기업 데이터센터와 하이퍼스케일러 네트워크에서 인공지능(AI)과 머신러닝(ML)에 필수적인 수많은 연산을 처리하는 데 CPU보다 더 적합하다. CPU도 이를 처리할 수 있지만 시간이 더 오래 걸린다. GPU는 복잡한 수학 문제를 개별 작업들로 분리해 병렬로 처리하도록 설계되기 때문에 문제에 따라 푸는 속도가 더 빠르다. GPU는 대개 범용 CPU보다 코어 수가 훨씬 더 많다. 예를 들어 인텔의 제온 CPU는 최대 28개의 코어이고 AMD의 에픽(Epyc) 서버 CPU는 최대 64개의 코어를 가진다. 이와 대조적으로 엔비디아의 최신 GPU 세대인 암페어(Ampere)는 6,912개의 코어를 가지며, 이들은 모두 한가지 일, 다시 말해 수학 처리, 구체적으로 부동 소수점 연산을 병렬로 실행한다.    GPU의 성능은 GPU가 초당 수행할 수 있는 부동 소수점 연산의 수로 측정된다(FLOPS). 때때로 이 수치는 측정에 사용된 표준 부동 소수점 형식을 명시한다(예. FP64).  그렇다면 올해 서버 분야의 GPU에서 무슨 일이 펼쳐질까? 자못 흥...

2022.05.11

마키나락스가 데이터 사이언티스트를 위한 인공지능(AI)/머신러닝(ML) 모델 개발 도구 ‘마키나락스 링크(MakianRocks Link, 이하 링크)’의 커뮤니티 버전을 출시했다.   회사에 따르면 링크(link.makinarocks.ai)는 AI/ML 모델을 가독성 있는 파이프라인으로 전환해주는 주피터랩의 확장 프로그램이다. 데이터 사이언티스트가 친숙하게 사용하는 주피터(Jupyter)의 사용성을 그대로 유지하며, 쿠버네티스와 관련한 기술 허들을 제거했다는 것이 특징이라고 업체 측은 설명했다. 이에 쿠버네티스 지식이 없어도 링크를 사용해 MLOps(Machine Learning Operations) 환경에 활용 가능한 파이프라인을 만들 수 있다.  링크의 주요 기능은 각 셀 간의 관계와 실행 순서를 지정할 수 있다. 코드 스크립트 화면에서 파이프라인을 생성해 노트북 코드(Notebook Code)에 대한 가독성을 높임으로써, 셀의 선후 관계를 설정할 수 없었던 주피터랩의 한계를 극복했다. 또한 파이프라인을 쉽게 구성하고 사용할 수 있도록 ▲파이프라인 실행 옵션 ▲코멘트 작성 ▲헤더컬러 설정 ▲컴포넌트 저장 및 공유 등 부가기능도 제공한다고 업체 측은 전했다. 한 번 실행한 셀의 결과 값을 캐싱(Caching)해 반복 작업을 줄임으로써 업무 효율을 극대화한다. 캐시 정보의 저장과 공유 기능을 활용해 연속성 있는 작업과 협업자에게 작업 상태를 간편히 재현할 수 있다. 데이터 사이언티스트 간의 협업 편의성을 제고한다. 자유도가 높은 주피터랩의 특성상 사용자의 업무 방식이 다른 경우 작업결과물(output)의 대부분은 재사용이 어렵다. 링크에서는 전체 또는 일부의 파이프라인은 물론, 실행 결과를 저장하고 공유할 수 있어 협업자 간의 이해와 코드의 재사용성을 높일 수 있다. 또한 ▲코멘트 추가 ▲컴포넌트 그룹핑 ▲파이썬 스크립트 변환 등 효율적인 협업을 지원하는 부가기능도 탑재돼 있다. 향후 ▲파이프라인 및 노트북 소스코드 변경 이력관리 ▲...

2022.05.11

미국의 화학 기업 다우(Dow)는 여러 부서가 각자 데이터를 책임지고 관리할 수 있도록 중앙 IT 솔루션 허브를 만들었다. 그 결과, 비즈니스 및 고객 가치를 더 신속하게 실현할 수 있었다.    지난해 미국의 화학기업 다우(Dow)는 비즈니스 데이터를 더 효과적으로 활용하려 대담한 결정을 내렸다. 회사의 IT 부서와 여러 글로벌 사업부의 데이터를 통합하는 새로운 데이터 조직을 출범했다. 데이터가 사일로화 되는 것을 방지하고 비즈니스 인텔리전스를 기업 자산으로 활용하는 것이 목표다.  '비즈니스 데이터 서비스(Business Data Services)'라고 하는 이 조직의 구조는 자전거 바퀴에 비유할 수 있다. 바퀴의 중심은 IT 부서, 바큇살은 다우의 사업부 및 지사 등이다. 초기에 이 조직을 설립한 목적은 직원들이 디지털 비즈니스 프로세스 도구 및 서비스를 더 신속하게 제공받고 채택하여 실적을 더 많이 올리게 하는 것이었다.  125년의 역사를 가진 이 회사는 변화하는 시장 요구에 따라 끊임없이 진화해왔고, 최근에는 인공지능, 머신러닝과 같은 기술을 접목해왔다. 이번에 도입한 새로운 협력적 데이터 통합법은 다우의 IT 부서가 자사와 시장에 적합한 디지털 솔루션을 선택하는 방식을 바꾸어 놓았다고 다우의 최고 데이터 책임자(CDO) 크리스 브루먼은 말했다.  최근 CIO 이그제큐티브 카운슬(CIO Executive Council)은 ‘퓨처 포워드’(Future Forward) 팟캐스트에서 브루먼 CDO와 대화를 나눠봤다. 다음은 브루먼 CDO의 답변을 정리한 내용이다.   어디에 초점을 맞췄는가?  크리스 브루먼(이하 생략): 최근 수많은 외부적 혼란과 어려움에 직면하면서 데이터 활용을 근본적인 우선순위로 삼아야 한다는 것을 그 어느 때보다 더 절실하게 깨달았다. 단, 효과적인 몇 가지 분야에만 집중해야 한다고 생각한다. 다른 잡다한 일회성 아이디어에 시선을 빼앗겨서는 ...

2022.05.06

데이터 레이크는 데이터 웨어하우스와는 무엇이 다를까? 정의에서부터 활용처, 활용 양태에 대해 살펴본다.    2011년, 당시 비즈니스 인텔리전스 기업 펜타호(Pentaho)의 CTO였던 제임스 딕슨이 ‘데이터 레이크(Data Lake)’라는 용어를 만들었다. 그는 당시 인기 있었던 ‘데이터 마트(Data Mart)’에서 흔히 나타났던 정보 사일로와 대비되는 개념으로 데이터 레이크를 설명했다.    데이터 마트가 손쉬운 소비를 위해 세척되고 패키지화 되며, 구조화된 생수 더미라면 데이터 레이크는 더욱 자연스러운 상태의 물이다. 데이터 레이크의 콘텐츠는 소스로부터 흘러나와 레이크를 채우며, 다양한 레이크 사용자가 검토하거나 몰두하거나 샘플을 채취할 수 있다. 그 이후로 데이터 레이크는 꾸준히 진화했으며, 이제는 빅데이터 저장과 애널리틱스 측면에서 데이트 웨어하우스(Data Warehouse)와 경쟁하고 있다. 오늘날 다양한 도구와 제품이 데이터 레이크에서의 더 빠른 SQL 쿼리를 지원한다. 또 3대 주요 클라우드 벤더는 데이터 레이크 스토리지 및 분석을 제공한다. 한편에서는 거버넌스, 보안, 분석과 알맞은 스토리지를 결합하는 새로운 ‘데이터 레이크하우스(Data Lakehouse)’ 개념도 등장했다. 이 글은 데이터 레이크에 관한 개괄적인 이해를 돕기 위해 작성됐다. 정의에서부터 사용 방법, 데이터 레이크가 데이터 스웜(Data Swamp)이 되지 않도록 하는 방법 등을 살펴본다. 데이터 레이크 개념 ‘데이터 레이크’는 기본적으로 분석 준비가 완료될 때까지 데이터를 보관하는 단일 저장소를 의미한다. 모든 데이터 담는 경우도 있지만, 데이터 웨어하우스에 맞지 않는 데이터만을 보관하기도 한다. 일반적으로, 데이터 레이크는 데이터를 네이티브 파일 형식으로 저장하지만 효율적인 분석을 위해 데이터를 다른 형식으로 전환하는 경우도 있다. 대개 데이터 레이크는 이미지와 비디오 등의 바이너리 데이터, PDF 문서 등의 비구조화...

2022.05.03

‘아마존 데브옵스 구루 포 서버리스(Amazon DevOps Guru for Serverless)’는 머신러닝을 사용하여 AWS 람다(AWS Lambda) 애플리케이션의 운영 가용성과 성능을 향상시킨다.    AWS가 머신러닝을 통해 AWS 람다 서버리스 애플리케이션의 운영 가용성과 성능을 개선하는 서비스 ‘아마존 데브옵스 구루 포 서버리스’를 공개했다. 지난 4월 21일(현지 시각) 발표된 이 AWS 람다 지원은 애플리케이션 동작 모니터링을 위한 아마존 데브옵스 구루 서비스의 새로운 기능이다. 아마존 데브옵스 구루는 모든 아마존 관계형 데이베이스 서비스에서도 사용할 수 있다.  회사에 따르면 아마존 데브옵스 구루는 수년간 AWS 및 아마존닷컴 운영에서 얻은 데이터를 기반으로 하는 머신러닝 모델을 사용하여 개발자가 애플리케이션 성능을 향상시킬 수 있도록 지원한다. AWS 람다를 쓰는 개발자는 이 서비스를 활용하여 기능 수준에서 비정상적인 동작을 자동으로 감지하고, ML 기반 권장사항을 통해 발견된 문제를 해결할 수 있다. 이를테면 메모리 활용도가 낮거나 프로비저닝되지 않은 동시성 등의 문제를 감지할 수 있다고 회사 측은 설명했다.  문제가 감지되면 아마존 데브옵스 구루 포 서버리스는 데브옵스 구루 콘솔에 결과를 표시하고, 아마존 이벤트브릿지(Amazon EventBridge) 또는 아마존 심플 노티피케이션 서비스(Amazon Simple Notification Service)를 통해 알림을 보낸다. 개발자는 데브옵스 구루 콘솔을 탐색하여 람다 기반 애플리케이션, 기타 지원되는 리소스 또는 전체 계정에서 해당 서비스를 활성화할 수 있다.  아마존 데브옵스 구루에서 제공하는 구체적인 운영 문제 및 사전 예방적 인사이트는 다음과 같다. • 아마존 람다 동시 실행이 계정 제한에 도달하거나 동시 실행이 연속적으로 계정 제한에 도달하면 트리거된다.  • AWS 람다에 프로비저닝된 동시성의 용량이 부족할 때...

2022.04.22

2017년, 이코노미스트(The Economist)는 데이터가 석유보다 귀중한 자원이 되었다고 선언했다. 그 이후로 비슷한 진단이 이어졌다. 모든 산업의 조직들이 데이터와 분석에 지속적으로 투자했다. 하지만 석유와 마찬가지로 데이터와 분석에는 어두운 면이 있다. 2022년 CIO의 ‘CIO 현황 보고서’에 따르면 IT 리더 중 35%가 올해 소속 조직에서 데이터 및 비즈니스 분석에의 투자가 증가할 것이라고 밝혔다. 그리고 IT 리더 중 20%는 머신러닝/인공지능이 대부분의 IT 투자를 유도할 것이라고 말한다. 분석을 통해 얻은 인사이트와 머신러닝 알고리즘에 기초한 행동은 조직에 경쟁력을 제공할 수 있다. 그러나 평판, 수익 또는 생존을 위협할 수도 있다. 데이터와 그 의미를 이해하는 것이 중요하지만 도구를 이해하고 데이터를 알며 조직의 가치를 계속 생각하는 것도 중요하다. 지난 10년 동안 발생한 주요 사고를 살펴본다.   AI 알고리즘이 수많은 것을 분석하지만 코로나19는 아니었다 코로나19 팬데믹이 시작된 이후로 여러 조직들이 병원 진단을 돕거나 환자를 더욱 신속하게 분류할 수 있도록 머신러닝(ML) 알고리즘을 적용하려 했다. 하지만 영국의 국립 데이터 사이언스 및 AI 센터 TI(Turing Institute)에 따르면 이 예측 도구는 별다른 차이를 만들어내지 못했다. MIT 테크놀로지 리뷰(MIT Technology Review)는 여러 AI 실패 사례를 연대기 순으로 나열했던 바 있다. 대부분은 도구를 훈련시키거나 테스트하는 동안 발생한 오류에 기인한 것이었다. 라벨이 잘못 적용된 데이터나 알 수 없는 출처의 데이터를 사용하는 것이 공통적인 원인이었다. 캠브리지대학교(University of Cambridge)의 머신러닝 연구원 데렉 드릭스는 그의 동료들과 함께 코로나19 바이러스 진단에 딥러닝 모델의 사용을 연구했으며, 해당 논문을 NMI(Nature Machine Intelligence)에 발표했다.  해당 논문에는...

2022.04.19

모든 업종과 직업마다 각종 약어, 두문자어, 전문용어가 있다. IT도 이와 다르지 않다. 하지만 다른 분야와는 달리 IT 언어는 기업 전반이나 사회로 확산되는 경향이 있다.  클라우드 컴퓨팅과 데이터 기반 의사결정을 칭송하는 목소리가 있다. 일반 사용자들도 주기적으로 최신 앱을 칭송하고 사용자 경험을 비교하며 다운로드 및 배치에 관해 이야기한다.  사람들은 분명 기술에 관해 이야기하는 것을 좋아한다. 하지만 그들이 항상 전문 용어를 제대로 사용하는 것은 아니다. 또는 과도하게 사용한다. 혼란스러워하거나 짜증내는 경우도 있다. 그리고 일부는 의도적으로 오용하기도 한다. <CIO닷컴>은 기술 리더들을 상대로 설문조사를 실시했다. 그들이 IT에서 직면한 15가지의 가장 자주 오용하는 유행어를 살펴본다.   디지털 트랜스포메이션 디지털 전환이라고도 표현되는 디지털 트랜스포메이션은 가장 많이, 그리고 가장 널리 오용되는 유행어다. 거의 모든 (크거나 작은) 변화가 현재 전환이라고 지칭되고 있다. 비즈니스 부문에서 애용한다.  IH(Intermountain Healthcare)의 CIO 라이언 스미스는 “이 용어가 매우 광범위하게 활용되면서 각종 디지털 역량 구현에 적용되는 것처럼 보인다. (그러나) 이 용어는 모바일, 클라우드, 데이터, 장치의 융합 등 디지털 기술의 융합을 언급하고 디지털과 물리적 경험을 융합하거나 전통적인 것에 대한 순수한 디지털 대안을 제공하는 전통적인 비즈니스 프로세스를 크게 변경/혁신하는 것을 의미해야 한다”라고 말했다. 그는 “또 진정한 디지털 전환은 일반적으로 효과적인 리더십, 디지털 기술, 운영 변화 관리의 활용이 필요하다”라고 덧붙였다. 전략적 전략적(Strategic)이라는 말 또한 이 목록에 포함될 만하다고 MIT SSM(MIT Sloan School of Management)의 조교수이자 MIT 슬로언(Sloan) CIO 심포지엄에서 공동 의장 조지 웨스터맨이 말했다. 그...

2022.04.14

AI 애플리케이션은 작업 효율을 높이는 업무 자동화, 쇼핑 추천 목록 재구성, 신용 승인, 이미지 처리, 예측 순찰과 같은 다양한 영역으로 확장되고 있다. 더불어 AI 애플리케이션을 수용하는 기업 및 정부 기관의 움직임도 빨라졌다.   다른 디지털 기술과 마찬가지로 AI 기술에는 여러 전통적인 보안 취약점이 있으며, 개인정보 보호/편견/불평등/안전과 같은 새로운 문제점도 존재한다. 이에 따라 미국표준기술연구소(NIST)는 AI와 관련한 위험을 잘 관리하기 위해 ‘AI 위험 관리 프레임워크(Artificial Intelligence Risk Management Framework, AI RMF)’를 마련하고 있다. AI RMF는 기업이 AI 제품, 서비스 및 시스템의 설계/개발/사용/평가에 신뢰성을 통합하는 능력을 높이는 데 목적이 있다. AI RMF의 초안은 2021년 12월에 NIST가 발표한 개념서를 기반으로 한다. NIST는 AI RMF를 통해 AI 기반 시스템의 위험이 다른 영역과 어떻게 다른지 설명하고, 수많은 이해관계자가 이런 위험을 의도적으로 해결할 수 있기를 희망한다. NIST는 “기존 규정, 법률 또는 기타 의무 지침을 포함해 프레임워크에서 다룬 것을 넘어서 규정 준수 고려사항을 매핑하는 데 사용될 수 있다”라고 말했다. AI 기술은 NIST가 다른 프레임워크에서 다루는 것과 동일한 위험에 노출되어 있지만, 일부 위험 ‘격차’ 또는 우려 사항은 AI 기술에만 한정된 것이다. AI RMF는 이런 격차를 해결하고자 한다.  AI 이해관계자 그룹 및 기술적 특성 NIST는 프레임워크와 관련된 이해관계자를 AI 시스템 이해관계자, 운영자 및 평가자, 외부 이해관계자, 일반 등 4가지 그룹으로 분류했다. AI 시스템과 관련된 위험을 식별하고 관리하기 위한 포괄적인 접근 방식으로 고려해야 하는 특성은 기술적 특성, 사회 기술적 특성, 지도 원칙 3가지로 분류했다.  기술적 특성은 AI 시스템 설계자와 개발자가 직접 통제...

2022.04.14

변화와 안정성은 IT팀에게 상충되는 화두다. 기존 플랫폼의 신뢰성이 중요하지만 끝없는 개선을 갈망하기도 한다. 관건은 기업들이 필요로 하는 탄탄한 가용성을 희생하지 않으면서 새로운 것을 제공하는 것이다. 그 방법을 찾아가는 과정은 불여튼튼을 외치는 안정론자와 혁신을 원하는 반항적인 몽상가들 사이의 전쟁이 될 수 있다. 좋은 IT팀에는 두 캐릭터가 모두 필요하다. IT의 중요성을 강조한 팬데믹 사태 이후 그 중요성이 그 어느 때보다 커졌다. 기업들은 신뢰할 수 있는 디지털 네트워크 없이 기능할 수 없다. 하지만 빠르게 움직이고 실험하는 능력이 없다면 선진화를 통해 급변하는 시대의 요구를 충족시킬 수 없다. 신뢰성을 확보하면서도 혁신을 조성하기 위해 IT가 애용하는 접근법을 살펴본다. 이런 트렌드 중 일부는 새로운 혁신에 의한 것이며, 순수한 경제성 측면에 의한 것들도 있다. 또 일부는 정치적 현실에 기인한 것들이다. 이 모든 것들이 IT 인프라팀들이 안정성을 희생하지 않고 추가적인 보안과 더 빠른 속도를 제공해야 한다는 압박감을 상징하고 있다.   인기 : 멀티클라우드(Multicloud) 서버실에서 클라우드로 이전할 때의 장점은 이제 널리 인정받고 있다. 다른 사람이 유지관리하고 임대하는 기기들은 간헐적인 컴퓨팅 및 워크로드에 이상적이다. 신뢰와 보안에 대한 문제는 남아 있겠지만 클라우드 벤더들은 규모의 경제를 통해 이를 신중하게 해결해가고 있다. 1개의 클라우드가 좋다면 2개나 3개는 어떨까? 여러 개의 클라우드를 지원하는 것이 더 수고스러울 수 있지만 개발자가 코드를 신중하게 작성하면 제공업체에의 종속(Lock-in)이라는 위험을 없앨 수 있다. 그리고 기업 회계사들은 여러 클라우드를 벤치마크해 각 워크로드에 가장 저렴한 제공업체를 찾을 수 있다는 점에 기뻐할 것이다. 비인기 : 동적 웹 사이트 월드 와이드 웹(World Wide Web)은 처음부터 정적 파일로 구성되어 있었다. 웹 서버는 URL을 받고 모두에게 같은 파일로 ...

2022.04.08

무하유가 자사 인공지능(AI) 채용 솔루션 ‘프리즘’(service.prism.work/)이 지난 한 해 검토한 123만 건의 자기소개서 데이터를 분석한 결과를 공개했다. 글자수 미달·회사명 오기재 등의 ‘결함’은 39%, ‘블라인드 위반’은 37%, 그리고 ‘30% 이상 표절’한 자기소개서도 47%에 달했다.   무하유는 2011년 출시한 논문 표절 검사 솔루션 ‘카피킬러’를 통해 자연어처리(NLP) 노하우를 쌓아왔다. 이를 통해 단순 매칭이 아닌 자기소개서의 문맥까지 읽어내는 AI를 통해 결함, 블라인드, 표절은 물론 업무 적합성까지 평가하는 채용 솔루션 ‘프리즘’을 개발했다. 채용담당자 육안으로는 알아채지 못하는 표절과 구직자들 또한 놓치기 쉬운 오기재, 반복 기재, 블라인드 위반 요소까지 프리즘은 검출할 수 있다. 사람이 자기소개서를 검토하는 평균 시간은 ‘10분’인 반면 프리즘의 AI는 평균 ‘8초’로 줄였다. 회사에 따르면 현재 민간부터 공공 영역에서 270여 곳의 기업이 프리즘을 이용 중이다. 프리즘은 채용 1회 당 평균 3,000건 내외, 작년 한 해에만 123만 건이 넘는 문서를 검토했다. 이를 분석한 결과 결함은 39%, 블라인드 위반 37%, 그리고 30% 이상의 표절률을 보인 자기소개서도 47%에 달했다. 결함 검사에서 ‘반복 단어’, ‘반복 문항’, ‘글자수’ 이 세 가지는 1건만 적발이 되어도 탈락 처리하는 ‘중대결함’으로 기업들이 많이 선정하는 요소다. 실제 123만 건 중 39%가 검출된 ‘결함’ 중 글자수 미달이 26%로 가장 많았고, 반복 문항도 13%로 나왔다. 한 은행 검사 문서 1만2,256건 중 중대 결함이 포함된 문서의 비율이 70%에 육박하기도 했다. 그 외 회사명 오기재(13%), 타기업 지원(11%) 등도 많이 발견됐다. 많은 기업들이 도입한 블라인드 평가에서 또한 37%의 자기소개서가 위반 요소를 포함하고 있었다. 블라인드에서 중대결함은 출신 대학교, 지원자 이름, 가족 직업 세 가지가 많이 ...

2022.04.07

오라클이 오라클 MySQL 히트웨이브(Oracle MySQL HeatWave)에 데이터베이스 내 머신러닝(ML) 기능을 추가했다고 4월 5일 밝혔다.  회사에 따르면 MySQL 히트웨이브 ML은 머신러닝의 수명 주기를 완전 자동화하고 학습된 모델 모두를 MySQL 내에 저장해, 외부의 머신러닝 도구나 서비스로 데이터와 모델을 이동하지 않아도 된다. ETL(추출, 변환 및 적재) 절차가 사라지며 애플리케이션 복잡성과 비용이 감소하고 머신러닝 모델과 데이터의 보안성이 개선됐다고 업체 측은 설명했다.  히트웨이브 ML 기능은 전 세계 37개의 모든 오라클 클라우드 인프라스트럭처(OCI) 리전에서 MySQL 히트웨이브 데이터베이스 클라우드 서비스에 포함돼 제공된다. 오라클은 뉴머라이, 노마오, 은행권 마케팅 등의 데이터 세트를 비롯해 분류 및 회귀 분석 작업을 위해 일반에 공개된 다양한 머신러닝 데이터의 벤치마크 결과를 공개했다. 가장 작은 클러스터로 구성된 머신러닝 모델의 경우, 히트웨이브 ML은 아마존 레드시프트 ML 대비 평균 1%의 비용으로 25배 빠른 학습이 가능하다.  또한, 더 큰 규모의 히트웨이브 클러스터에서 학습할 경우, 레드시프트 ML 대비 성능 향상폭은 더욱 증가한다. MySQL 히트웨이브 이용자들은 기존에 많은 시간이 소요되던 훈련을 빠른 시간 안에 효율적으로 완료할 수 있기에 주기적인 모델 재학습을 통해 잦은 데이터 변경 사항도 반영할 수 있어 모델을 최신 상태로 유지할 뿐 아니라 예측의 정확성 또한 향상시킨다. 오라클 총괄 아키텍트인 에드워드 스크리븐은 “이번에 발표된 여러 가지 혁신 기능들은 히트웨이브의 성능 향상뿐만 아니라 가용성을 개선하는 동시에 비용도 절감해준다”며, “오라클이 새롭게 발표한 벤치마크 결과는 스노우플레이크, AWS, 마이크로소프트, 구글과 비교 시 MySQL 히트웨이브가 더욱 빠르고 저렴하다는 사실을 다시 한번 분명하게 보여주었다”고 말했다.  오라클은 기타 클라우드...

2022.04.05

기업의 의사결정에 ‘지능’과 ‘자동화’를 접목하면 민첩성과 효율성이 크게 개선될 수 있다. 하지만 지속적인 ‘튜닝’이 반드시 요구된다는 점에 유의할 필요가 있다.  철 지난 보고서 이상을 원하는 조직이라면 ‘의사결정 인텔리전스’(decision intelligence)에 주목할 만하다. 인공지능과 머신러닝을 활용하는 정교한 도구를 결합하여 데이터 대시보드나 비즈니스 애널리틱스 플랫폼을 좀더 포괄적이면서도 지능성인 의사결정 지원 플랫폼으로 변모시키는 도구이자 기술, 관행을 의미한다. 하지만 의사결정 인텔리전스 전략에는 많은 요건이 필요하다. 조직의 의사결정 방식에 대한 이해뿐 아니라 결과를 평가하고 피드백을 통해 의사결정 프로세스를 관리 및 개선하려는 과정도 포함되어야 한다. 가트너 분석가 에릭 브레테녹스는 “단순한 기술이 아니다. 다양한 기술로 구성된 분야이다”라고 말했다. 가트너에 따르면 의사결정 인텔리전스는 ‘2022년의 주요 전략 기술 트렌드’이며, 대형 조직의 1/3 이상이 2023년까지 이를 실행에 옮길 것으로 예상된다. 의사결정 인텔리전스는 자동화된 의사결정 수단을 제공하는 데 도움이 되어 기업이 경쟁력을 유지하고 시장 수요를 충족하는 데 도움이 될 수 있다고 브레테녹스가 말했다. 하지만 이를 위해 의사결정 프로세스, 각 결정의 위험과 보상, 수용 가능한 오류 마진, 자동화된 의사결정 프로세스가 제공하는 결정에 대한 신뢰도 검증 능력에 대한 심층적인 이해가 필요하다.    손쉽게 달성할 수 있는 목표부터 시작하라 잘 정의되고 사례가 풍부하며, 위험이 낮은 프로세스로 시작하는 것이 도움이 된다. 많은 기업들이 이미 이런 프로세스를 보유하고 있으며, 아직 모두가 자동화된 것은 아니다. 일상이 너무 바쁜 기업들은 이런 기회를 놓치고 있음을 알아차리지 못할 수 있다고 컨스틸레이션 리서치(Constellation Research)의 수석 분석가 겸 설립자 레이 왕이 말했다. 그는 “프로세스가 이미 자동화되었더라도 의사...

2022.04.01

‘지나치게 기대치가 높다. 그러나 가치 및 변화를 충분하게 창출하지 못한다.’ 인공지능은 이와 관련해 길고도 파란만장한 역사를 가지고 있다. 때로는 긍정적이고 때로는 부정적인 논조의 과장된 언론 보도들은 AI에 대한 혼란, 회의감, 그리고 당황스러움을 안겼다. 결국 기업들은 AI에 대한 불신을 갖게 되었다. 그러나 스마트 제조, 챗봇 및 대리인, 사기 탐지 등 특정 비즈니스 기회 및 문제에 대해 AI 기술의 제한적으로 적용한 결과, AI의 강력하고 긍정적인 현실을 뒷받침하는 수많은 증거들이 출현하고 있다. 아쉽게도 이에 대한 사례 연구, 특히 진정으로 변혁적인 연구들은 비교적 매우 드물다. 우리는 그저 구글 딥마인드(DeepMind)의 알파고가 보드게임에서 세계 챔피언을 이기는 것과 같은 예시를 계속 듣게 될 뿐이다. 이는 대다수의 조직이 AI의 기회를 충분히 활용하지 못하고 있기 때문이다. 여기에는 인재, 기술의 성숙도 문제를 포함해 여러 가지 이유가 있다. 그러나 특히 큰 문제 중 하나는 조직 내 어디에서, 그리고 어떻게 AI를 사용할 것인지에 대한 이해와 수준 높은 의사결정이 부족하다는 것이다. 가트너는 모든 조직이 일련의 6가지 (AI) 대화를 진행해야 한다고 제안한다. 첫 3가지는 CIO가 주도하는 것을 목적으로, AI가 무엇인지, 어디에 적용 가능한지, 그리고 위험이 무엇인지에 대한 공통의 이해를 구축하기 위한 것이다. 그 다음 3가지는 CIO를 포함한 조직의 비즈니스 리더가 주도해야 하는 대화다. 이는 집중할 부분을 선택하고, 정책을 수립하며, 궁극적으로 비즈니스 전략의 모든 측면에 AI를 구축하는 메커니즘으로 이어져야 한다. 대화 1 : (비즈니스 측면에서) AI란? 어떤 대상이 무엇이고 어떻게 사용할 것인지에 대한 공통된 이해가 없다면 AI에 대해 좋은 결정을 내리는 것은 불가능하다. 따라서, 첫 번째 대화에서는 회사나 정부 기관의 맥락에서 AI가 어떤 것인지 논의해야 한다. 가트너를 비롯해 업계에서 사용하는 AI 정의를 동일하게 사용...

2022.03.31