2021.01.14

칼럼ㅣ’록스타’ 지위에 오른 데이터 과학자··· 최적의 팀을 구성하려면?

Scott Zoldi | IDG Connect
구글에서 ‘록스타(Rock Star)’와 ‘데이터 과학자(Data Scientist)’를 검색해보자. 놀라운 일이 벌어질 것이다. ‘록스타’와 ‘데이터 과학자’ 이 두 단어를 한 문장에 사용하는 것은 사실이다. 

별다른 의미가 있는 건 아니다. 필자는 데이터 과학자로서 업계에서 뛰어난 인재들, 다시 말해 ‘록스타’들과 함께 일하면서 이들의 창의성, 지능, 비전, 재능에 놀라곤 한다. 

게다가 이 록스타들은 AI를 중심으로 자신의 역량과 전문지식을 결합해 비즈니스, 산업, 더 나아가 세상이 직면한 큰 문제들을 해결하고자 노력하고 있다. 이를테면 경제적 불평등과 소득불균형을 바로잡기 위해 노력한다거나, 금융위기와 돈세탁을 막기 위해 머신러닝을 개발하고 있다. 대규모로 사용할 수 있는 관련 툴과 플랫폼을 구축하고 있기도 하다. 
 
ⓒGetty Images

가끔씩 경영진들은 필자에게 “당신이 이야기하면 AI가 쉬워 보인다. 우리는 어떻게 AI를 시작할 수 있는가?”라고 말하곤 한다. 여기에 답하자면, 가장 먼저 쉬운 일은 아니라고 밝히고 싶다. 팀 구조와 조직 철학으로 인해 복잡해지는 경우가 많다. 

그리고서 ‘록스타 애널리틱스 팀’을 구축하는 것부터 시작하라고 권고하고 싶다. 이는 데이터 과학자들의 역량을 균형 있게 조정하는 동시에 팀 전반의 역량 격차를 인지하고 해결한 최적의 앙상블 팀을 의미한다. 

물론 초기 투자 비용은 만만치 않을 것이다. 데이터 과학 인재 수요가 높기 때문이다. 하지만 코리니움(Corinium)의 최근 보고서에 따르면 AI 제품 수요도 코로나19 사태 이후로 많이 증가한 것으로 나타났다. 

록스타 애널리틱스 팀을 구축할 생각인가? 그렇다면 다음의 지침을 고려하라.

‘무대 설정하기’: 니즈 및 역량을 검토하라
함께 아름다운 곡을 연주하는 앙상블 팀을 구성하기 전에 할 일이 있다. 일단 조직을 면밀하게 살펴보면서 질문을 던져야 한다. 

이 팀으로 무엇을 달성하고자 하는가? 이 팀을 지원하기 위해 어떤 리소스(예: 기술, 전문지식, 경영진 지원 등)를 확보하고 있는가? 데이터 애널리틱스에 관한 소속 기업의 장단점은 무엇인가? 이 팀이 관련 분야에 어떤 영향을 미칠 수 있는가? 이 팀은 조직 내에서 타인들과 어떻게 교류하고 소통하며 비즈니스에 가치를 제공할 것인가? 이 팀은 외부적으로 고객 및 업계 관계자들과 협력해야 하는가? 예산은 어느 정도인가? 팀의 ROI는 어떻게 측정할 것인가?

이에 관한 템플릿이나 정답은 없다. 지난 2020년 7월 발표된 코리니움 보고서에 따르면 설문조사에 응답한 AI 리더 가운데 65%는 실제로 적절한 기술을 갖춘 팀을 구성하는 것이 AI 도입에 있어 상당한 장벽이라고 밝힌 바 있다. 

더 나아가, 이른바 ‘애널리틱스 드림팀’을 구성하면서 성별 및 인종적 다양성을 높일 방법을 살펴봐야 할 중요성이 커지고 있다. 맥킨지 보고서에 의하면 성별, 인종, 문화적 다양성이 큰 기업 및 팀의 성과가 그렇지 않은 곳보다 33%가량 더 높은 것으로 조사됐다. 

어려운 질문을 초기에 자주 던지면서 반복하는 것은 성공적인 결과를 얻을 수 있는 프로세스다. 그리고 무엇보다 기업의 현재 애널리틱스 수준과 AI 도입에 관한 포부를 적절하게 조화시켜야 한다. 여기서 조직별 니즈와 목표를 기준으로 팀의 적절한 규모와 역량을 판단할 수 있다. 

‘적절한 인재 확보하기’: 핵심 포지션을 파악하라
일단 무대를 마련하고 나면 ‘인재’에 집중할 수 있다. 여기서 핵심은 다양성이다. 이렇게 생각해보자. 엘비스 프레슬리 한 명만 있다면 성공할 수 있을까? 엘비스가 성공하려면 훌륭한 음악가들로 이뤄진 밴드가 필요하다. 필자가 봤을 때 록스타 애널리틱스 팀을 구성하는 핵심 포지션들은 다음과 같다. 

• 프로젝트 관리자(Project Manager)
이 포지션은 드러머 또는 베이스 기타리스트라고 생각하면 된다. AI 프로젝트의 모든 측면을 처음부터 끝까지 조율하는 이 핵심 플레이어는 모든 내·외부 파트너 및 이해관계자들과 긴밀하게 협력하면서 프로젝트를 진행하고, 기대치를 설정 및 관리하며, 해당 프로젝트가 비즈니스에 가치를 제공하는지 확인한다. 

이른바 ‘비트를 유지하는’ 셈이다. 프로젝트를 계속해서 진행할 관리자가 없다면 프로젝트는 빠르게 품질이 나빠지거나 실패하게 될 가능성이 크고, 최종 제품 없이 귀중한 비용과 리소스를 낭비하게 될 것이다. 

• 알고리즘 개발자(Algorithm Developer)
머신러닝은 알고리즘 개발자의 ‘잼(Jam)’이라고 생각하면 된다. 알고리즘 개발자는 풍부한 지식 기반을 바탕으로 조직의 비즈니스 문제에 적합한 머신러닝 알고리즘을 개발한다. 이 중요한 포지션이 없다면 코드 첫 줄을 작성하기도 전에 근본적인 실수를 할 수 있다. 이들의 업무는 비즈니스 문제를 해결하기 위해 사용되는 알고리즘이 올바르고 적절한지 확인하는 것이기 때문이다. 

• 분석 소프트웨어 엔지니어(Analytic Software Engineer)
무대 뒤에 있긴 하지만 없어서는 안 되는 이 포지션은 모든 것이 순조롭게 진행될 수 있도록 지원하는 역할이다. 이들은 머신러닝 모델 배포를 비롯해 운영 환경, 기업 소프트웨어 인프라 및 클라우드 기능 파악, 그리고 핵심 소프트웨어 제공에 중점을 둔다. 

또한 분석 소프트웨어 엔지니어들은 데이터 과학자의 내부 운영에 관한 제약조건을 설정해 최종 모델을 배포하고 비즈니스 결과를 달성할 수 있도록 돕는다. 이 밖에 자동화된 테스트와 필수 모니터링도 제공한다. 머신러닝 모델을 배포하고 모니터링하는 방법에 지속적으로 관심을 두지 않으면 궁극적으로 많은 모델이 사용되지 않기 때문이다. 

• 데이터 과학자(Data Specialist)
데이터는 모델에 연료를 공급한다. 가사가 있어야 노래를 완성하는 것처럼 말이다. 따라서 이를 전문으로 하는 데이터 과학자는 매우 중요하다. 데이터 과학자는 모델을 개발하는 데 사용되는 데이터의 품질이 적절한지, 양은 충분한지 등을 검토하고 모델을 지속적으로 모니터링한다. 

데이터 과학자는 또한 시간이 지남에 따라 바뀔 수 있는 주요 데이터 및 관계의 패턴과 민감도에 관한 인사이트를 제공한다. 고품질 데이터가 없다면 초기 모델이 적절하게 개발되지 않을 것이고, 데이터 과학자들의 인사이트가 없다면 주요 데이터 관계를 누락할 수 있다. 게다가 프로덕션 전후 모니터링이 없다면 모델은 조정되지 않을 것이고, 더 나쁘게는 조직이 AI를 책임감 있게 사용하지 못할 것이다. 

• 핵심 애널리틱스 전문가(Core Analytics Expert)
핵심 애널리틱스 전문가는 ‘가능한 기술’을 무대에 올리는 선구자다. 이들은 데이터에서 얻은 입력값, 비즈니스 니즈, 소프트웨어/아키텍처 제약조건, 알고리즘을 활용하여 적절한 머신러닝 모델을 설계한다. 원활하게 조각을 맞추는 동시에 솔루션을 설계하고, 팀을 주도하며, 주어진 제약조건 내에서 운영하는 이들의 역량이 없다면 애널리틱스 프로젝트를 실행하고 운영하는 것이 불가능할 수 있다. 

• AI 에반젤리스트(AI Evangelist)
이 포지션은 밴드의 전면에 나서는 엘비스 프레슬리라고 생각하면 된다. AI와 머신러닝은 확실히 어려운 개념이다. 하지만 이들은 강경한 애널리틱스 회의론자, 내부 이해관계자, 고객, 파트너 등 각 대상에 맞춰 복잡한 데이터 과학 솔루션을 전문적으로 간소화하고 커뮤니케이션할 수 있다. 이러한 고객 대면 전문가가 없다면 머신러닝과 AI는 공상과학 개념에 머무를 것이고, 이로 인해 기술 이점을 인지하지 못해 도입이 제한될 것이다. 
 
분명하게 편향적인 필자의 의견이긴 하지만 오늘날의 데이터 과학자들은 ‘록스타’ 지위를 얻었다고 본다. 이들은 새로운 수준의 역량과 더 나은 비즈니스 성과를 가능하게 하는 AI 중심 프로세스를 통해 세상을 변화시키고 있다. 

그러나 여기에 뛰어들기 전에, 시간을 두고 조직에 적합한 것이 무엇인지 고려해야 한다. 조직의 니즈에 맞는 적절한 팀을 구성하려면 각 플레이어가 밴드에서 맡을 역할을 파악하는 것은 물론 신중한 선택이 요구된다. 

* Scott Zoldi는 미국 신용평가기관 피코(FICO)의 최고애널리틱스책임자(Chief Analytics Officer, CAO)다. ciokr@idg.co.kr



2021.01.14

칼럼ㅣ’록스타’ 지위에 오른 데이터 과학자··· 최적의 팀을 구성하려면?

Scott Zoldi | IDG Connect
구글에서 ‘록스타(Rock Star)’와 ‘데이터 과학자(Data Scientist)’를 검색해보자. 놀라운 일이 벌어질 것이다. ‘록스타’와 ‘데이터 과학자’ 이 두 단어를 한 문장에 사용하는 것은 사실이다. 

별다른 의미가 있는 건 아니다. 필자는 데이터 과학자로서 업계에서 뛰어난 인재들, 다시 말해 ‘록스타’들과 함께 일하면서 이들의 창의성, 지능, 비전, 재능에 놀라곤 한다. 

게다가 이 록스타들은 AI를 중심으로 자신의 역량과 전문지식을 결합해 비즈니스, 산업, 더 나아가 세상이 직면한 큰 문제들을 해결하고자 노력하고 있다. 이를테면 경제적 불평등과 소득불균형을 바로잡기 위해 노력한다거나, 금융위기와 돈세탁을 막기 위해 머신러닝을 개발하고 있다. 대규모로 사용할 수 있는 관련 툴과 플랫폼을 구축하고 있기도 하다. 
 
ⓒGetty Images

가끔씩 경영진들은 필자에게 “당신이 이야기하면 AI가 쉬워 보인다. 우리는 어떻게 AI를 시작할 수 있는가?”라고 말하곤 한다. 여기에 답하자면, 가장 먼저 쉬운 일은 아니라고 밝히고 싶다. 팀 구조와 조직 철학으로 인해 복잡해지는 경우가 많다. 

그리고서 ‘록스타 애널리틱스 팀’을 구축하는 것부터 시작하라고 권고하고 싶다. 이는 데이터 과학자들의 역량을 균형 있게 조정하는 동시에 팀 전반의 역량 격차를 인지하고 해결한 최적의 앙상블 팀을 의미한다. 

물론 초기 투자 비용은 만만치 않을 것이다. 데이터 과학 인재 수요가 높기 때문이다. 하지만 코리니움(Corinium)의 최근 보고서에 따르면 AI 제품 수요도 코로나19 사태 이후로 많이 증가한 것으로 나타났다. 

록스타 애널리틱스 팀을 구축할 생각인가? 그렇다면 다음의 지침을 고려하라.

‘무대 설정하기’: 니즈 및 역량을 검토하라
함께 아름다운 곡을 연주하는 앙상블 팀을 구성하기 전에 할 일이 있다. 일단 조직을 면밀하게 살펴보면서 질문을 던져야 한다. 

이 팀으로 무엇을 달성하고자 하는가? 이 팀을 지원하기 위해 어떤 리소스(예: 기술, 전문지식, 경영진 지원 등)를 확보하고 있는가? 데이터 애널리틱스에 관한 소속 기업의 장단점은 무엇인가? 이 팀이 관련 분야에 어떤 영향을 미칠 수 있는가? 이 팀은 조직 내에서 타인들과 어떻게 교류하고 소통하며 비즈니스에 가치를 제공할 것인가? 이 팀은 외부적으로 고객 및 업계 관계자들과 협력해야 하는가? 예산은 어느 정도인가? 팀의 ROI는 어떻게 측정할 것인가?

이에 관한 템플릿이나 정답은 없다. 지난 2020년 7월 발표된 코리니움 보고서에 따르면 설문조사에 응답한 AI 리더 가운데 65%는 실제로 적절한 기술을 갖춘 팀을 구성하는 것이 AI 도입에 있어 상당한 장벽이라고 밝힌 바 있다. 

더 나아가, 이른바 ‘애널리틱스 드림팀’을 구성하면서 성별 및 인종적 다양성을 높일 방법을 살펴봐야 할 중요성이 커지고 있다. 맥킨지 보고서에 의하면 성별, 인종, 문화적 다양성이 큰 기업 및 팀의 성과가 그렇지 않은 곳보다 33%가량 더 높은 것으로 조사됐다. 

어려운 질문을 초기에 자주 던지면서 반복하는 것은 성공적인 결과를 얻을 수 있는 프로세스다. 그리고 무엇보다 기업의 현재 애널리틱스 수준과 AI 도입에 관한 포부를 적절하게 조화시켜야 한다. 여기서 조직별 니즈와 목표를 기준으로 팀의 적절한 규모와 역량을 판단할 수 있다. 

‘적절한 인재 확보하기’: 핵심 포지션을 파악하라
일단 무대를 마련하고 나면 ‘인재’에 집중할 수 있다. 여기서 핵심은 다양성이다. 이렇게 생각해보자. 엘비스 프레슬리 한 명만 있다면 성공할 수 있을까? 엘비스가 성공하려면 훌륭한 음악가들로 이뤄진 밴드가 필요하다. 필자가 봤을 때 록스타 애널리틱스 팀을 구성하는 핵심 포지션들은 다음과 같다. 

• 프로젝트 관리자(Project Manager)
이 포지션은 드러머 또는 베이스 기타리스트라고 생각하면 된다. AI 프로젝트의 모든 측면을 처음부터 끝까지 조율하는 이 핵심 플레이어는 모든 내·외부 파트너 및 이해관계자들과 긴밀하게 협력하면서 프로젝트를 진행하고, 기대치를 설정 및 관리하며, 해당 프로젝트가 비즈니스에 가치를 제공하는지 확인한다. 

이른바 ‘비트를 유지하는’ 셈이다. 프로젝트를 계속해서 진행할 관리자가 없다면 프로젝트는 빠르게 품질이 나빠지거나 실패하게 될 가능성이 크고, 최종 제품 없이 귀중한 비용과 리소스를 낭비하게 될 것이다. 

• 알고리즘 개발자(Algorithm Developer)
머신러닝은 알고리즘 개발자의 ‘잼(Jam)’이라고 생각하면 된다. 알고리즘 개발자는 풍부한 지식 기반을 바탕으로 조직의 비즈니스 문제에 적합한 머신러닝 알고리즘을 개발한다. 이 중요한 포지션이 없다면 코드 첫 줄을 작성하기도 전에 근본적인 실수를 할 수 있다. 이들의 업무는 비즈니스 문제를 해결하기 위해 사용되는 알고리즘이 올바르고 적절한지 확인하는 것이기 때문이다. 

• 분석 소프트웨어 엔지니어(Analytic Software Engineer)
무대 뒤에 있긴 하지만 없어서는 안 되는 이 포지션은 모든 것이 순조롭게 진행될 수 있도록 지원하는 역할이다. 이들은 머신러닝 모델 배포를 비롯해 운영 환경, 기업 소프트웨어 인프라 및 클라우드 기능 파악, 그리고 핵심 소프트웨어 제공에 중점을 둔다. 

또한 분석 소프트웨어 엔지니어들은 데이터 과학자의 내부 운영에 관한 제약조건을 설정해 최종 모델을 배포하고 비즈니스 결과를 달성할 수 있도록 돕는다. 이 밖에 자동화된 테스트와 필수 모니터링도 제공한다. 머신러닝 모델을 배포하고 모니터링하는 방법에 지속적으로 관심을 두지 않으면 궁극적으로 많은 모델이 사용되지 않기 때문이다. 

• 데이터 과학자(Data Specialist)
데이터는 모델에 연료를 공급한다. 가사가 있어야 노래를 완성하는 것처럼 말이다. 따라서 이를 전문으로 하는 데이터 과학자는 매우 중요하다. 데이터 과학자는 모델을 개발하는 데 사용되는 데이터의 품질이 적절한지, 양은 충분한지 등을 검토하고 모델을 지속적으로 모니터링한다. 

데이터 과학자는 또한 시간이 지남에 따라 바뀔 수 있는 주요 데이터 및 관계의 패턴과 민감도에 관한 인사이트를 제공한다. 고품질 데이터가 없다면 초기 모델이 적절하게 개발되지 않을 것이고, 데이터 과학자들의 인사이트가 없다면 주요 데이터 관계를 누락할 수 있다. 게다가 프로덕션 전후 모니터링이 없다면 모델은 조정되지 않을 것이고, 더 나쁘게는 조직이 AI를 책임감 있게 사용하지 못할 것이다. 

• 핵심 애널리틱스 전문가(Core Analytics Expert)
핵심 애널리틱스 전문가는 ‘가능한 기술’을 무대에 올리는 선구자다. 이들은 데이터에서 얻은 입력값, 비즈니스 니즈, 소프트웨어/아키텍처 제약조건, 알고리즘을 활용하여 적절한 머신러닝 모델을 설계한다. 원활하게 조각을 맞추는 동시에 솔루션을 설계하고, 팀을 주도하며, 주어진 제약조건 내에서 운영하는 이들의 역량이 없다면 애널리틱스 프로젝트를 실행하고 운영하는 것이 불가능할 수 있다. 

• AI 에반젤리스트(AI Evangelist)
이 포지션은 밴드의 전면에 나서는 엘비스 프레슬리라고 생각하면 된다. AI와 머신러닝은 확실히 어려운 개념이다. 하지만 이들은 강경한 애널리틱스 회의론자, 내부 이해관계자, 고객, 파트너 등 각 대상에 맞춰 복잡한 데이터 과학 솔루션을 전문적으로 간소화하고 커뮤니케이션할 수 있다. 이러한 고객 대면 전문가가 없다면 머신러닝과 AI는 공상과학 개념에 머무를 것이고, 이로 인해 기술 이점을 인지하지 못해 도입이 제한될 것이다. 
 
분명하게 편향적인 필자의 의견이긴 하지만 오늘날의 데이터 과학자들은 ‘록스타’ 지위를 얻었다고 본다. 이들은 새로운 수준의 역량과 더 나은 비즈니스 성과를 가능하게 하는 AI 중심 프로세스를 통해 세상을 변화시키고 있다. 

그러나 여기에 뛰어들기 전에, 시간을 두고 조직에 적합한 것이 무엇인지 고려해야 한다. 조직의 니즈에 맞는 적절한 팀을 구성하려면 각 플레이어가 밴드에서 맡을 역할을 파악하는 것은 물론 신중한 선택이 요구된다. 

* Scott Zoldi는 미국 신용평가기관 피코(FICO)의 최고애널리틱스책임자(Chief Analytics Officer, CAO)다. ciokr@idg.co.kr

X