Offcanvas

ML

“인간 중심의 AI 혁신, 알아야 할 ABC는…” 美 특허청 CIO

美 특허청(USPTO; US Patent and Trademark Office)은 데이터 애널리틱스와 AI/ML을 활용해 운영 효율성과 성과를 높이고, 시스템 및 프로세스 품질을 개선하고 있다.   AI/ML 알고리즘이 중요하긴 하지만 USPTO의 원칙은 이러한 기술을 개발 및 사용하여 이니셔티브를 개선하고 확장하는 데 있어 ‘인간 우선’ 접근법을 취하는 것이다. AI와 ML 도구는 인간 전문가에게 힘을 실어주고, 작업의 독창성을 높이는 데 도움을 주지만 현시점에서는 인간의 미묘한 뉘앙스나 추론 능력에 필적할 순 없다고 이 기관의 CIO 제이미 홀컴은 밝혔다.    그에 따르면 USPTO는 이 기술을 보완하기 위해 수동적, 능동적으로 수집되는 숙련된 인력 수천 명의 입력을 활용하여 해당 기술이 예상한 결과를 제공하도록 AI 기반 모델을 학습시키고 다듬는다. 한편 이 기관은 설립 이후 1,100만 개 이상의 특허를 부여했으며, 엔지니어, 변호자, 애널리스트, 컴퓨터 전문가 등을 포함하여 1만 2,000명 이상의 직원을 두고 있다.  일선에 있는 특허 심사관의 지속적인 피드백은 AI/ML 모델을 개선해 신제품 개발을 촉진하고, 특허 검색과 분류라는 2가지 핵심 분야를 지원하는 데 사용된다. 홀컴은 방대한 양의 데이터와 가능한 ‘선행 기술’ 출처를 고려할 때 포괄적인 특허 검색을 수행하는 일은 어려울 수 있다고 말했다. 이러한 과제를 해결하기 위해 기술팀은 심사관이 애플리케이션을 면밀히 조사할 때 가장 관련성 높은 소스를 찾을 수 있도록 새로운 특허 검색 도구에 AI 구성 요소를 추가하고 있다.  이는 USPTO가 매년 평균적으로 접수 받는 60만 건 이상의 (특허) 신청서에 약 20페이지 분량의 텍스트 및 그림 또는 이를 설명하는 약 1만 단어가 포함돼 있기 때문에 매우 중요하다. 아울러 해당 기관의 IT는 25만 개 이상의 가능한 범주에서 발명과 관련된 분류 기호를 식별하고 일치시키는 분류 도구도 개발 및 배...

AI 머신러닝 ML 데이터 애널리틱스

2022.09.13

美 특허청(USPTO; US Patent and Trademark Office)은 데이터 애널리틱스와 AI/ML을 활용해 운영 효율성과 성과를 높이고, 시스템 및 프로세스 품질을 개선하고 있다.   AI/ML 알고리즘이 중요하긴 하지만 USPTO의 원칙은 이러한 기술을 개발 및 사용하여 이니셔티브를 개선하고 확장하는 데 있어 ‘인간 우선’ 접근법을 취하는 것이다. AI와 ML 도구는 인간 전문가에게 힘을 실어주고, 작업의 독창성을 높이는 데 도움을 주지만 현시점에서는 인간의 미묘한 뉘앙스나 추론 능력에 필적할 순 없다고 이 기관의 CIO 제이미 홀컴은 밝혔다.    그에 따르면 USPTO는 이 기술을 보완하기 위해 수동적, 능동적으로 수집되는 숙련된 인력 수천 명의 입력을 활용하여 해당 기술이 예상한 결과를 제공하도록 AI 기반 모델을 학습시키고 다듬는다. 한편 이 기관은 설립 이후 1,100만 개 이상의 특허를 부여했으며, 엔지니어, 변호자, 애널리스트, 컴퓨터 전문가 등을 포함하여 1만 2,000명 이상의 직원을 두고 있다.  일선에 있는 특허 심사관의 지속적인 피드백은 AI/ML 모델을 개선해 신제품 개발을 촉진하고, 특허 검색과 분류라는 2가지 핵심 분야를 지원하는 데 사용된다. 홀컴은 방대한 양의 데이터와 가능한 ‘선행 기술’ 출처를 고려할 때 포괄적인 특허 검색을 수행하는 일은 어려울 수 있다고 말했다. 이러한 과제를 해결하기 위해 기술팀은 심사관이 애플리케이션을 면밀히 조사할 때 가장 관련성 높은 소스를 찾을 수 있도록 새로운 특허 검색 도구에 AI 구성 요소를 추가하고 있다.  이는 USPTO가 매년 평균적으로 접수 받는 60만 건 이상의 (특허) 신청서에 약 20페이지 분량의 텍스트 및 그림 또는 이를 설명하는 약 1만 단어가 포함돼 있기 때문에 매우 중요하다. 아울러 해당 기관의 IT는 25만 개 이상의 가능한 범주에서 발명과 관련된 분류 기호를 식별하고 일치시키는 분류 도구도 개발 및 배...

2022.09.13

'제조 넘어선 융합' 디지털 트윈의 A to Z

디지털 트윈 기술은 제조업을 넘어 IoT, AI 및 데이터 애널리틱스가 융합된 세계로 옮겨갔다. 복잡한 ‘사물’이 데이터 생성 기능과 연결되면서 디지털 형태의 등가물을 보유하게 됐으며, 이런 디지털 등가물을 활용해 데이터 과학자와 기타 IT 전문가는 배포를 최적화해 최대 효율성을 끌어내고 기타 가상 시나리오를 만들 수 있는 능력을 갖추게 된다.     디지털 트윈이란 무엇인가 디지털 트윈은 물리적인 물체 또는 시스템을 디지털로 표현한 것이다. 디지털 트윈을 뒷받침하는 기술은 건물, 공장, 도시까지 확장되었고, 어떤 사람은 사람과 프로세스도 디지털 트윈을 보유할 수 있다고 주장하면서 개념을 더욱 확장했다. 디지털 트윈이라는 개념이 가장 먼저 시작된 곳은 NASA(National Aeronautics and Space Administration)다. NASA는 초창기 우주 캡슐의 실물 크기 모형을 만들어 지상에서 궤도 문제를 진단하는 데 사용했는데, 실물 크기의 모형은 결국 완전한 디지털 시뮬레이션으로 대체됐다.  그러다가 가트너가 디지털 트윈을 2017년 10대 전략 기술 트렌드로 선정하면서부터 디지털 트윈이라는 용어가 유행하기 시작했다. 가트너는 “수십 억 개의 사물은 물리적 사물 또는 시스템의 동적 소프트웨어 모델인 디지털 트윈으로 표현될 것”이라고 말했다. 1년 후, 가트너는 “2020년까지 약 210억 개의 센서와 엔드포인트가 연결될 것이고 가까운 미래에 디지털 트윈은 수십 억 개의 사물을 위해 존재할 것”이라고 전망하며, 디지털 트윈을 다시 한번 최고 트렌드로 지목했다. 본질적으로 디지털 트윈이란 물리적 대상 또는 시스템에 대한 실제 데이터를 입력으로 삼고, 해당 대상 또는 시스템이 이런 입력으로 인해 받는 영향을 예측 또는 시뮬레이션해 출력을 생성하는 컴퓨터 프로그램이다.  디지털 트윈이 작동하는 방법 전문가, 특히 데이터 과학자나 응용 수학 전문가가 디지털 트윈을 구축하면서 생명력을 부여한다. 이들 전...

디지털트윈 IoT ML AI

2022.09.01

디지털 트윈 기술은 제조업을 넘어 IoT, AI 및 데이터 애널리틱스가 융합된 세계로 옮겨갔다. 복잡한 ‘사물’이 데이터 생성 기능과 연결되면서 디지털 형태의 등가물을 보유하게 됐으며, 이런 디지털 등가물을 활용해 데이터 과학자와 기타 IT 전문가는 배포를 최적화해 최대 효율성을 끌어내고 기타 가상 시나리오를 만들 수 있는 능력을 갖추게 된다.     디지털 트윈이란 무엇인가 디지털 트윈은 물리적인 물체 또는 시스템을 디지털로 표현한 것이다. 디지털 트윈을 뒷받침하는 기술은 건물, 공장, 도시까지 확장되었고, 어떤 사람은 사람과 프로세스도 디지털 트윈을 보유할 수 있다고 주장하면서 개념을 더욱 확장했다. 디지털 트윈이라는 개념이 가장 먼저 시작된 곳은 NASA(National Aeronautics and Space Administration)다. NASA는 초창기 우주 캡슐의 실물 크기 모형을 만들어 지상에서 궤도 문제를 진단하는 데 사용했는데, 실물 크기의 모형은 결국 완전한 디지털 시뮬레이션으로 대체됐다.  그러다가 가트너가 디지털 트윈을 2017년 10대 전략 기술 트렌드로 선정하면서부터 디지털 트윈이라는 용어가 유행하기 시작했다. 가트너는 “수십 억 개의 사물은 물리적 사물 또는 시스템의 동적 소프트웨어 모델인 디지털 트윈으로 표현될 것”이라고 말했다. 1년 후, 가트너는 “2020년까지 약 210억 개의 센서와 엔드포인트가 연결될 것이고 가까운 미래에 디지털 트윈은 수십 억 개의 사물을 위해 존재할 것”이라고 전망하며, 디지털 트윈을 다시 한번 최고 트렌드로 지목했다. 본질적으로 디지털 트윈이란 물리적 대상 또는 시스템에 대한 실제 데이터를 입력으로 삼고, 해당 대상 또는 시스템이 이런 입력으로 인해 받는 영향을 예측 또는 시뮬레이션해 출력을 생성하는 컴퓨터 프로그램이다.  디지털 트윈이 작동하는 방법 전문가, 특히 데이터 과학자나 응용 수학 전문가가 디지털 트윈을 구축하면서 생명력을 부여한다. 이들 전...

2022.09.01

칼럼 | 기업의 네트워크 보안을 좌우하는 2가지 필수 기반

대부분 기업은 네트워크 보안을 위해 모든 것을 해봤지만, 위협은 여전하다고 말한다. 절반은 사실이다. 기업들은 여전히 위협에 직면해 있다. 하지만 그 위협에 대처하기 위해 ‘모든 것’을 한 것은 아니다. 실제로 네트워크 보안의 기초가 되어야 하는 2가지 기반을 구현한 기업은 드물다.   네트워크 보안에 대해 하향식 분석을 해 봤는지 물어보면, 대부분 기업이 매년 수행한다고 답한다. 그 평가에 무엇이 관련되어 있는지 물으면, 현재 전략이 실패했다는 징후를 찾는 것이라고 말한다. 이때 기업은 네트워크 보안을 위해 또 다른 레이어를 추가하는데, 이는 베인 상처에 반창고를 하나 더 붙이는 것과 같다.  미안하지만 이런 방법은 ‘하향식’이 아니다. 오늘날의 네트워크 보안은 액세스하면 안 되는 것에는 그 누구도 액세스할 수 없어야 한다는 단순한 요구에서 시작해야 한다.  여기 찰리라는 사람이 있다. 찰리는 주차장을 관리한다. 어느 날 갑자기 찰리가 지난 분기의 매출 기록을 검토하거나 일부 제품의 재고 수준을 확인한다. 이 제품들이 아스팔트를 마모시키고 있어서일까? 혹은 사이버 공격이나 맬웨어의 조짐일까? 어느 기업의 찰리에게만 해당하는 문제가 아니다. 본사 캠퍼스의 문 상태를 모니터링하는 애플리케이션이 데이터센터에서 돌아가고 있다고 가정해 보자. 갑자기 이 애플리케이션이 급여 시스템과 연결된 모듈에 액세스한다. 문고리가 급여 명부에 있지 않은 한 이것 역시 경고 신호다. IP 네트워크가 허용하는 연결이 안전하지 않다는 의미이기 때문이다. 연결 허용 정책을 통한 보안 연결 허용 보안이 가진 문제점은 복잡하기 때문에 불편하다는 것이다. ‘찰리’부터 시작해보자. 찰리는 MAC 계층 주소를 할당 받는 것을 부주의하게 거절했기 때문에 특정한 네트워크 ID를 가지고 있지 않다. 이때 찰리에게 할당된 기기가 확실한 ID 지표 역할을 한다고 볼 수 있을까? 샌디가 찰리의 책상에 앉아서 애플리케이션을 약간 수정하면 어떻게 될까? 샌디는 찰리의 특권을...

네트워크 보안 AI ML

2022.08.04

대부분 기업은 네트워크 보안을 위해 모든 것을 해봤지만, 위협은 여전하다고 말한다. 절반은 사실이다. 기업들은 여전히 위협에 직면해 있다. 하지만 그 위협에 대처하기 위해 ‘모든 것’을 한 것은 아니다. 실제로 네트워크 보안의 기초가 되어야 하는 2가지 기반을 구현한 기업은 드물다.   네트워크 보안에 대해 하향식 분석을 해 봤는지 물어보면, 대부분 기업이 매년 수행한다고 답한다. 그 평가에 무엇이 관련되어 있는지 물으면, 현재 전략이 실패했다는 징후를 찾는 것이라고 말한다. 이때 기업은 네트워크 보안을 위해 또 다른 레이어를 추가하는데, 이는 베인 상처에 반창고를 하나 더 붙이는 것과 같다.  미안하지만 이런 방법은 ‘하향식’이 아니다. 오늘날의 네트워크 보안은 액세스하면 안 되는 것에는 그 누구도 액세스할 수 없어야 한다는 단순한 요구에서 시작해야 한다.  여기 찰리라는 사람이 있다. 찰리는 주차장을 관리한다. 어느 날 갑자기 찰리가 지난 분기의 매출 기록을 검토하거나 일부 제품의 재고 수준을 확인한다. 이 제품들이 아스팔트를 마모시키고 있어서일까? 혹은 사이버 공격이나 맬웨어의 조짐일까? 어느 기업의 찰리에게만 해당하는 문제가 아니다. 본사 캠퍼스의 문 상태를 모니터링하는 애플리케이션이 데이터센터에서 돌아가고 있다고 가정해 보자. 갑자기 이 애플리케이션이 급여 시스템과 연결된 모듈에 액세스한다. 문고리가 급여 명부에 있지 않은 한 이것 역시 경고 신호다. IP 네트워크가 허용하는 연결이 안전하지 않다는 의미이기 때문이다. 연결 허용 정책을 통한 보안 연결 허용 보안이 가진 문제점은 복잡하기 때문에 불편하다는 것이다. ‘찰리’부터 시작해보자. 찰리는 MAC 계층 주소를 할당 받는 것을 부주의하게 거절했기 때문에 특정한 네트워크 ID를 가지고 있지 않다. 이때 찰리에게 할당된 기기가 확실한 ID 지표 역할을 한다고 볼 수 있을까? 샌디가 찰리의 책상에 앉아서 애플리케이션을 약간 수정하면 어떻게 될까? 샌디는 찰리의 특권을...

2022.08.04

칼럼 | 인공지능에 '지능'은 없다

자율주행 차량부터 슈퍼볼 광고의 춤추는 로봇까지 인공지능(Artificial Intelligence, AI)은 모든 곳에 존재한다. 하지만 모든 AI 사례의 문제점은 실제로 ‘지능적’이지 않다는 점이다. 이런 사례는 AI 기법을 사용하여 특정 문제를 해결하는 애플리케이션, 즉 ‘약인공지능(Narrow AI)’를 보여준다. 약인공지능은 인간이 보유한 지능과는 다르다.   인간은 (바라건대) 일반적인 지능을 보유하고 있다. 인간은 광범위한 문제를 해결할 수 있고 이전에 맞닥뜨리지 않았던 문제를 해결하는 방법을 배울 수 있다. 새로운 상황과 새로운 것을 배울 수 있으며, 물리적인 물체가 3차원 환경에 존재하고 시간의 흐름 같은 다양한 물리적 속성이 적용된다는 것을 이해한다. 인간 수준의 사고 능력 또는 범용인공지능(Artificial General Intelligence, AGI)을 인공적으로 복제할 수 있는 능력은 오늘날 우리가 생각하는 AI에는 존재하지 않는다.  지금까지 AI가 보여준 압도적인 성능을 무시하는 것은 아니다. 구글 검색은 대부분 사용자가 주기적으로 사용하는 AI의 좋은 예다. 구글은 많은 양의 정보를 놀라운 속도로 검색해 (일반적으로) 사용자가 원하는 결과를 목록의 상단에 제공한다. 마찬가지로 구글 보이스 서치(Google Voice Search)로 사용자는 구두로 검색을 요청할 수 있다. 애매모호한 표현을 사용하더라도 적절한 철자법, 맞춤법, 의미가 적용된 결과를 얻는다. 구글 검색이 잘 작동하는 이유는 무엇일까? 구글은 엄청난 양의 검색어와 사용자가 선택한 결과에 대한 이력 데이터를 보유하고 있다. 이런 데이터에서 검색할 가능성이 큰 검색어와 시스템을 유용하게 만들 수 있는 결과를 예측할 수 있다. 하지만 시스템이 수행 중인 작업이나 제시하는 결과를 이해할 것이라는 기대는 없다. 그래서 엄청난 양의 이력 데이터가 필요한 것이다. 사용자와의 모든 상호작용은 훈련 세트 데이터 생성에 활용할 수 있어 검색에 꽤 효과적이다...

인공지능 AI 머신러닝 ML

2022.04.01

자율주행 차량부터 슈퍼볼 광고의 춤추는 로봇까지 인공지능(Artificial Intelligence, AI)은 모든 곳에 존재한다. 하지만 모든 AI 사례의 문제점은 실제로 ‘지능적’이지 않다는 점이다. 이런 사례는 AI 기법을 사용하여 특정 문제를 해결하는 애플리케이션, 즉 ‘약인공지능(Narrow AI)’를 보여준다. 약인공지능은 인간이 보유한 지능과는 다르다.   인간은 (바라건대) 일반적인 지능을 보유하고 있다. 인간은 광범위한 문제를 해결할 수 있고 이전에 맞닥뜨리지 않았던 문제를 해결하는 방법을 배울 수 있다. 새로운 상황과 새로운 것을 배울 수 있으며, 물리적인 물체가 3차원 환경에 존재하고 시간의 흐름 같은 다양한 물리적 속성이 적용된다는 것을 이해한다. 인간 수준의 사고 능력 또는 범용인공지능(Artificial General Intelligence, AGI)을 인공적으로 복제할 수 있는 능력은 오늘날 우리가 생각하는 AI에는 존재하지 않는다.  지금까지 AI가 보여준 압도적인 성능을 무시하는 것은 아니다. 구글 검색은 대부분 사용자가 주기적으로 사용하는 AI의 좋은 예다. 구글은 많은 양의 정보를 놀라운 속도로 검색해 (일반적으로) 사용자가 원하는 결과를 목록의 상단에 제공한다. 마찬가지로 구글 보이스 서치(Google Voice Search)로 사용자는 구두로 검색을 요청할 수 있다. 애매모호한 표현을 사용하더라도 적절한 철자법, 맞춤법, 의미가 적용된 결과를 얻는다. 구글 검색이 잘 작동하는 이유는 무엇일까? 구글은 엄청난 양의 검색어와 사용자가 선택한 결과에 대한 이력 데이터를 보유하고 있다. 이런 데이터에서 검색할 가능성이 큰 검색어와 시스템을 유용하게 만들 수 있는 결과를 예측할 수 있다. 하지만 시스템이 수행 중인 작업이나 제시하는 결과를 이해할 것이라는 기대는 없다. 그래서 엄청난 양의 이력 데이터가 필요한 것이다. 사용자와의 모든 상호작용은 훈련 세트 데이터 생성에 활용할 수 있어 검색에 꽤 효과적이다...

2022.04.01

'제조 넘어선 융합' 디지털 트윈 A to Z

디지털 트윈 기술은 제조업을 넘어 IoT, AI 및 데이터 애널리틱스가 융합된 세계로 옮겨갔다. 복잡한 ‘사물’이 데이터 생성 기능과 연결되면서 디지털 형태의 등가물을 보유하게 됐으며, 이런 디지털 등가물을 활용해 데이터 과학자와 기타 IT 전문가는 배포를 최적화해 최대 효율성을 끌어내고 기타 가상 시나리오를 만들 수 있는 능력을 갖추게 된다.     디지털 트윈이란 무엇인가 디지털 트윈은 물리적인 물체 또는 시스템을 디지털로 표현한 것이다. 디지털 트윈을 뒷받침하는 기술은 건물, 공장, 도시까지 확장되었고, 어떤 사람은 사람과 프로세스도 디지털 트윈을 보유할 수 있다고 주장하면서 개념을 더욱 확장했다. 디지털 트윈이라는 개념이 가장 먼저 시작된 곳은 NASA(National Aeronautics and Space Administration)다. NASA는 초창기 우주 캡슐의 실물 크기 모형을 만들어 지상에서 궤도 문제를 진단하는 데 사용했는데, 실물 크기의 모형은 결국 완전한 디지털 시뮬레이션으로 대체됐다.  그러다가 가트너가 디지털 트윈을 2017년 10대 전략 기술 트렌드로 선정하면서부터 디지털 트윈이라는 용어가 유행하기 시작했다. 가트너는 “수십 억 개의 사물은 물리적 사물 또는 시스템의 동적 소프트웨어 모델인 디지털 트윈으로 표현될 것”이라고 말했다. 1년 후, 가트너는 “2020년까지 약 210억 개의 센서와 엔드포인트가 연결될 것이고 가까운 미래에 디지털 트윈은 수십 억 개의 사물을 위해 존재할 것”이라고 전망하며, 디지털 트윈을 다시 한번 최고 트렌드로 지목했다. 본질적으로 디지털 트윈이란 물리적 대상 또는 시스템에 대한 실제 데이터를 입력으로 삼고, 해당 대상 또는 시스템이 이런 입력으로 인해 받는 영향을 예측 또는 시뮬레이션해 출력을 생성하는 컴퓨터 프로그램이다.  디지털 트윈이 작동하는 방법 전문가, 특히 데이터 과학자나 응용 수학 전문가가 디지털 트윈을 구축하면서 생명력을 부여한다. 이들 전...

디지털트윈 IoT ML AI

2022.03.23

디지털 트윈 기술은 제조업을 넘어 IoT, AI 및 데이터 애널리틱스가 융합된 세계로 옮겨갔다. 복잡한 ‘사물’이 데이터 생성 기능과 연결되면서 디지털 형태의 등가물을 보유하게 됐으며, 이런 디지털 등가물을 활용해 데이터 과학자와 기타 IT 전문가는 배포를 최적화해 최대 효율성을 끌어내고 기타 가상 시나리오를 만들 수 있는 능력을 갖추게 된다.     디지털 트윈이란 무엇인가 디지털 트윈은 물리적인 물체 또는 시스템을 디지털로 표현한 것이다. 디지털 트윈을 뒷받침하는 기술은 건물, 공장, 도시까지 확장되었고, 어떤 사람은 사람과 프로세스도 디지털 트윈을 보유할 수 있다고 주장하면서 개념을 더욱 확장했다. 디지털 트윈이라는 개념이 가장 먼저 시작된 곳은 NASA(National Aeronautics and Space Administration)다. NASA는 초창기 우주 캡슐의 실물 크기 모형을 만들어 지상에서 궤도 문제를 진단하는 데 사용했는데, 실물 크기의 모형은 결국 완전한 디지털 시뮬레이션으로 대체됐다.  그러다가 가트너가 디지털 트윈을 2017년 10대 전략 기술 트렌드로 선정하면서부터 디지털 트윈이라는 용어가 유행하기 시작했다. 가트너는 “수십 억 개의 사물은 물리적 사물 또는 시스템의 동적 소프트웨어 모델인 디지털 트윈으로 표현될 것”이라고 말했다. 1년 후, 가트너는 “2020년까지 약 210억 개의 센서와 엔드포인트가 연결될 것이고 가까운 미래에 디지털 트윈은 수십 억 개의 사물을 위해 존재할 것”이라고 전망하며, 디지털 트윈을 다시 한번 최고 트렌드로 지목했다. 본질적으로 디지털 트윈이란 물리적 대상 또는 시스템에 대한 실제 데이터를 입력으로 삼고, 해당 대상 또는 시스템이 이런 입력으로 인해 받는 영향을 예측 또는 시뮬레이션해 출력을 생성하는 컴퓨터 프로그램이다.  디지털 트윈이 작동하는 방법 전문가, 특히 데이터 과학자나 응용 수학 전문가가 디지털 트윈을 구축하면서 생명력을 부여한다. 이들 전...

2022.03.23

칼럼ㅣ머신러닝의 첫 번째 규칙은 ML 없이 시작하는 것이다

‘머신러닝(ML)’을 하는 가장 좋은 방법은 때때로 머신러닝을 전혀 하지 않는 것이다. 실제로 아마존의 응용 과학자 유진 얀에 따르면 머신러닝의 첫 번째 규칙은 머신러닝 없이 시작하는 것이다.  이게 무슨 소리인가?  수개월에 걸친 고된 노력으로 공들여 만든 ML 모델을 소개하는 건 멋진 일이다. 그러나 이는 가장 효과적인 접근 방식이 아니다. 더 간단하고 접근하기 쉬운 방법이 있다.    지난 2016년 데이터 과학자 노아 로랑이 “데이터 과학자는 대부분 산수를 할 뿐이다”라고 언급한 건 지나친 단순화일 수 있다. 하지만 그의 말은 크게 틀리지 않으며, 아무리 데이터를 작동시키는 프로세스를 복잡하게 만들고 싶더라도 작게 시작하는 것이 좋다는 로랑과 얀의 주장은 확실히 옳다.  과도한 복잡성  데이터 과학자는 많은 급여를 받는다. 따라서 예측 애널리틱스와 같은 것을 복잡한 전문용어와 방대한 모델로 포장해 급여를 정당화하고 싶을 수 있다. 그래선 안 된다.  로랑의 주장은 오늘날에도 유효하다. 그는 “비즈니스 문제의 아주 작은 부분 집합만이 머신러닝으로 가장 잘 해결된다. 대부분은 단지 좋은 데이터와 그것이 무엇을 의미하는지 이해만 하면 된다”라고 밝혔다.  그러면서 로랑은 데이터를 가져오기 위한 SQL 쿼리, 해당 데이터에 관한 기본 연산(차이 및 백분위수 계산 등), 결과 그래프 작성, 설명 또는 권장사항 작성 등의 더 간단한 방법을 추천했다.  이것이 쉽다고 말하는 게 아니다. 데이터에서 인사이트를 얻으려고 할 때 머신러닝에서 시작할 필요가 없다는 말이다. 또 많은 양의 데이터가 반드시 필요한 것도 아니다. 엘리제블(Eligible)의 CEO 케이틀린 글리슨은 “작은 데이터부터 시작하는 게 중요하다. 나를 최고의 발견으로 이끈 것은 눈 깜짝할 사이에 생긴 이상 현상이었다”라면서, 때로는 분포를 그리는 것만으로도 충분히 명확한 패턴을 확인할 수 있다고 말했다.&nb...

머신러닝 데이터 과학자 데이터 과학 ML 휴리스틱 애널리틱스

2021.09.28

‘머신러닝(ML)’을 하는 가장 좋은 방법은 때때로 머신러닝을 전혀 하지 않는 것이다. 실제로 아마존의 응용 과학자 유진 얀에 따르면 머신러닝의 첫 번째 규칙은 머신러닝 없이 시작하는 것이다.  이게 무슨 소리인가?  수개월에 걸친 고된 노력으로 공들여 만든 ML 모델을 소개하는 건 멋진 일이다. 그러나 이는 가장 효과적인 접근 방식이 아니다. 더 간단하고 접근하기 쉬운 방법이 있다.    지난 2016년 데이터 과학자 노아 로랑이 “데이터 과학자는 대부분 산수를 할 뿐이다”라고 언급한 건 지나친 단순화일 수 있다. 하지만 그의 말은 크게 틀리지 않으며, 아무리 데이터를 작동시키는 프로세스를 복잡하게 만들고 싶더라도 작게 시작하는 것이 좋다는 로랑과 얀의 주장은 확실히 옳다.  과도한 복잡성  데이터 과학자는 많은 급여를 받는다. 따라서 예측 애널리틱스와 같은 것을 복잡한 전문용어와 방대한 모델로 포장해 급여를 정당화하고 싶을 수 있다. 그래선 안 된다.  로랑의 주장은 오늘날에도 유효하다. 그는 “비즈니스 문제의 아주 작은 부분 집합만이 머신러닝으로 가장 잘 해결된다. 대부분은 단지 좋은 데이터와 그것이 무엇을 의미하는지 이해만 하면 된다”라고 밝혔다.  그러면서 로랑은 데이터를 가져오기 위한 SQL 쿼리, 해당 데이터에 관한 기본 연산(차이 및 백분위수 계산 등), 결과 그래프 작성, 설명 또는 권장사항 작성 등의 더 간단한 방법을 추천했다.  이것이 쉽다고 말하는 게 아니다. 데이터에서 인사이트를 얻으려고 할 때 머신러닝에서 시작할 필요가 없다는 말이다. 또 많은 양의 데이터가 반드시 필요한 것도 아니다. 엘리제블(Eligible)의 CEO 케이틀린 글리슨은 “작은 데이터부터 시작하는 게 중요하다. 나를 최고의 발견으로 이끈 것은 눈 깜짝할 사이에 생긴 이상 현상이었다”라면서, 때로는 분포를 그리는 것만으로도 충분히 명확한 패턴을 확인할 수 있다고 말했다.&nb...

2021.09.28

칼럼ㅣAI 프로젝트 악순환 고리 끊어라··· 'ML옵스' 마인드셋이 필요한 이유

커뮤니케이션 격차(communications gap)로 인해 프로덕션 단계에 도달하지 못하는 AI 프로젝트가 부지기수다.  AI 프로젝트를 아이디어에서 현실로 옮기는 것은 악순환이다. 이를 해결하는 방법은 한 가지뿐이다. 애초에 순환을 시작하지 않는 것이다.데이터는 모든 단계에서 전문적인 처리를 거쳐야 하기 때문이다. 다양한 소스에서 데이터를 추출하는 것부터 시작해 데이터 정리, 분석, 채우기까지 기존 아키텍처에 ‘ML옵스(MLOps)’, 즉 머신러닝에 관한 운영적 접근법이 없다면 머신러닝 시스템은 지연되기 쉽다.    대부분의 AI 프로젝트가 프로덕션 단계까지 가지 못하는 이유는 매우 기본적인 것처럼 보이지만 큰 영향을 미치는 격차 때문이다. 바로 데이터 과학자와 비즈니스 간 부적절한 커뮤니케이션이다.  IDC에서 진행한 설문조사 결과도 데이터 과학자와 비즈니스 간 지속적인 인게이지먼트가 중요하다고 말한다. 따라서 기업들은 즉시 사용할 수 있는 솔루션을 찾게 됐고, 바로 여기에서 ML옵스가 등장한다.  ML옵스 전략은 다음에 중점을 둔다. • 신속한 처리를 위해 데이터 추출, 모델 생성, 배포 및 모니터링에 엔드투엔드 가시성 제공 • 버전 관리 데이터 및 메타데이터 등 관련 아티팩트를 모두 저장해 프로덕션 모델의 감사 및 복제 시간 단축 • 변화하는 환경 및 요건에 따른 손쉬운 모델 재학습 • 빠르고 안전하며 정확한 ML 시스템 테스트 하지만 ML 모델을 개발, 구축 또는 학습시키는 것은 주요한 병목 요인이 아니다. 프로덕션 환경에서 큰 중단 없이 지속적인 운영을 위한 통합 AI 시스템을 구축하는 것이 실질적인 과제다.  예를 들면 ML 솔루션을 온디맨드 방식으로 배포해야 하는 조직은 실험 코드를 반복적으로 다시 작성할 수밖에 없다. 이 접근법은 애매해서 성공으로 끝날 수도 있고 그렇지 않을 수도 있다. 이게 바로 ML옵스가 해결하려고 하는 것이다.  간단히 말해, ML 모델용 ...

AI 인공지능 ML 머신러닝 ML옵스 데이터 과학 데이터옵스

2021.07.26

커뮤니케이션 격차(communications gap)로 인해 프로덕션 단계에 도달하지 못하는 AI 프로젝트가 부지기수다.  AI 프로젝트를 아이디어에서 현실로 옮기는 것은 악순환이다. 이를 해결하는 방법은 한 가지뿐이다. 애초에 순환을 시작하지 않는 것이다.데이터는 모든 단계에서 전문적인 처리를 거쳐야 하기 때문이다. 다양한 소스에서 데이터를 추출하는 것부터 시작해 데이터 정리, 분석, 채우기까지 기존 아키텍처에 ‘ML옵스(MLOps)’, 즉 머신러닝에 관한 운영적 접근법이 없다면 머신러닝 시스템은 지연되기 쉽다.    대부분의 AI 프로젝트가 프로덕션 단계까지 가지 못하는 이유는 매우 기본적인 것처럼 보이지만 큰 영향을 미치는 격차 때문이다. 바로 데이터 과학자와 비즈니스 간 부적절한 커뮤니케이션이다.  IDC에서 진행한 설문조사 결과도 데이터 과학자와 비즈니스 간 지속적인 인게이지먼트가 중요하다고 말한다. 따라서 기업들은 즉시 사용할 수 있는 솔루션을 찾게 됐고, 바로 여기에서 ML옵스가 등장한다.  ML옵스 전략은 다음에 중점을 둔다. • 신속한 처리를 위해 데이터 추출, 모델 생성, 배포 및 모니터링에 엔드투엔드 가시성 제공 • 버전 관리 데이터 및 메타데이터 등 관련 아티팩트를 모두 저장해 프로덕션 모델의 감사 및 복제 시간 단축 • 변화하는 환경 및 요건에 따른 손쉬운 모델 재학습 • 빠르고 안전하며 정확한 ML 시스템 테스트 하지만 ML 모델을 개발, 구축 또는 학습시키는 것은 주요한 병목 요인이 아니다. 프로덕션 환경에서 큰 중단 없이 지속적인 운영을 위한 통합 AI 시스템을 구축하는 것이 실질적인 과제다.  예를 들면 ML 솔루션을 온디맨드 방식으로 배포해야 하는 조직은 실험 코드를 반복적으로 다시 작성할 수밖에 없다. 이 접근법은 애매해서 성공으로 끝날 수도 있고 그렇지 않을 수도 있다. 이게 바로 ML옵스가 해결하려고 하는 것이다.  간단히 말해, ML 모델용 ...

2021.07.26

데이터독부터 스플렁크까지··· 추천 'AI옵스' 플랫폼 톱 10

한 때 ‘인공지능(AI)’는 SF소설에서나 나오던 개념이었다. 수십 년의 연구와 상용화를 거쳐 이제 인공지능은 기업 곳곳에서 활용되는 하나의 기본 도구가 됐다.  AI의 현실화가 가장 두드러진 분야는 데브옵스다. 인공지능의 잠재력을 탐색할 수 있는 완벽한 테스트 공간을 제공하기 때문이다. 운영팀은 이제 ‘AI옵스(AIops)’라는 약자 하에서 제공되는 도구와 플랫폼을 가지게 됐고, 이는 사람의 업무를 대체하고 효율성을 향상시킨다. 이러한 도구 및 플랫폼은 모두 IT 인프라 유지관리에 인공지능 알고리즘을 적용한다고 말한다. AI옵스는 인공지능의 역량을 제대로 활용할 수 있는 분야다. 서버와 네트워크는 페타바이트 단위의 엄청난 데이터를 생성한다. 프로세스는 언제 시작하고 멈추는지, 언제 급증하고 감소하는지 밀리초 단위로 파악된다. RAM 및 CPU 수요는 정확히 파악되고, 클라우드에서 하드웨어를 임대하는 가격 또한 마찬가지다. 모든 것은 보통 6~7자리의 유효 숫자까지 계산된다.  물론 자율주행차를 만드는 일은 각종 물리적인 장애물로 가득 찬 세상에서 고군분투해야 한다는 것을 의미할 수 있지만 IT 인프라의 경우 이미 모든 것이 디지털화돼 분석할 준비가 돼 있다.    가장 간단한 AI옵스 작업을 하나 꼽자면 클라우드 인스턴스에서 소프트웨어 배포 속도를 가속하는 것이다. 부하를 추적하고, 수요를 예측하며, (사용자가 증가할 때) 새로운 인스턴스를 생성하는 등 데브옵스 팀의 모든 작업은 스마트한 자동화를 통해 보강될 수 있다.  AI옵스 도구는 기계 부하에 관한 미래 지향적 추측을 생성한 다음, 이 추측에서 벗어나는 편차가 있는지 확인한다. 이상 징후는 이메일 발송, 슬랙 게시글 등을 통해 경고될 수 있고, 만약 편차가 크다면(문제가 심각하다면) 호출 경고가 발송된다. 즉 AI옵스 도구는 경고를 관리하고, 정말 심각한 문제일 경우에만 (회의를 하고 있거나 숙면을 취하고 있는) 관리자를 호출하도록 하는 데 초점을...

인공지능 머신러닝 AI ML AI옵스 데브옵스 앱다이나믹스 빅팬더 데이터독 다이나트레이스 깃허브 코파일럿 IBM 왓슨 로직모니터 무그소프트 뉴 렐릭 원 스플렁크

2021.07.23

한 때 ‘인공지능(AI)’는 SF소설에서나 나오던 개념이었다. 수십 년의 연구와 상용화를 거쳐 이제 인공지능은 기업 곳곳에서 활용되는 하나의 기본 도구가 됐다.  AI의 현실화가 가장 두드러진 분야는 데브옵스다. 인공지능의 잠재력을 탐색할 수 있는 완벽한 테스트 공간을 제공하기 때문이다. 운영팀은 이제 ‘AI옵스(AIops)’라는 약자 하에서 제공되는 도구와 플랫폼을 가지게 됐고, 이는 사람의 업무를 대체하고 효율성을 향상시킨다. 이러한 도구 및 플랫폼은 모두 IT 인프라 유지관리에 인공지능 알고리즘을 적용한다고 말한다. AI옵스는 인공지능의 역량을 제대로 활용할 수 있는 분야다. 서버와 네트워크는 페타바이트 단위의 엄청난 데이터를 생성한다. 프로세스는 언제 시작하고 멈추는지, 언제 급증하고 감소하는지 밀리초 단위로 파악된다. RAM 및 CPU 수요는 정확히 파악되고, 클라우드에서 하드웨어를 임대하는 가격 또한 마찬가지다. 모든 것은 보통 6~7자리의 유효 숫자까지 계산된다.  물론 자율주행차를 만드는 일은 각종 물리적인 장애물로 가득 찬 세상에서 고군분투해야 한다는 것을 의미할 수 있지만 IT 인프라의 경우 이미 모든 것이 디지털화돼 분석할 준비가 돼 있다.    가장 간단한 AI옵스 작업을 하나 꼽자면 클라우드 인스턴스에서 소프트웨어 배포 속도를 가속하는 것이다. 부하를 추적하고, 수요를 예측하며, (사용자가 증가할 때) 새로운 인스턴스를 생성하는 등 데브옵스 팀의 모든 작업은 스마트한 자동화를 통해 보강될 수 있다.  AI옵스 도구는 기계 부하에 관한 미래 지향적 추측을 생성한 다음, 이 추측에서 벗어나는 편차가 있는지 확인한다. 이상 징후는 이메일 발송, 슬랙 게시글 등을 통해 경고될 수 있고, 만약 편차가 크다면(문제가 심각하다면) 호출 경고가 발송된다. 즉 AI옵스 도구는 경고를 관리하고, 정말 심각한 문제일 경우에만 (회의를 하고 있거나 숙면을 취하고 있는) 관리자를 호출하도록 하는 데 초점을...

2021.07.23

조호, AI 기반 셀프서비스 BI 플랫폼 출시··· “사용편의성·데이터프렙에 중점”

기업용 서비스형 소프트웨어(SaaS) 제공업체 조호(Zoho)가 조호 데이터프렙(Zoho DataPrep) 애플리케이션과 조호 애널리틱스(Zoho Analytics)를 결합한 AI 기반 셀프서비스 BI 플랫폼을 발표하면서 비즈니스 인텔리전스(BI) 시장에 출사표를 던졌다.  인도 첸나이에 본사를 둔 이 다국적 기업은 사용편의성, 데이터프렙 지원, 내부 데이터와 외부 데이터소스 혼합 등을 특징으로 하는 셀프서비스 BI 플랫폼을 통해 비즈니스 사용자를 확보하겠다고 밝혔다. 회사에 따르면 새로운 플랫폼은 250개 이상의 데이터 소스로 확장할 수 있다.  美 시장조사기관 리서치앤마켓닷컴(ResearchandMarkets.com)의 최근 보고서에 의하면 셀프서비스 BI 시장은 향후 5년 동안 연평균 15.5%의 성장률을 보일 전망이다. 셀프서비스 BI 시장의 주요 경쟁업체로는 태블로(Tableau), 도모(Domo), 마이크로소프트 파워 BI(Microsoft Power BI), IBM 코그노스(IBM Cognos) 등이 있다.    조호 유럽의 전무이사 스리다르 아이엔가르는 “데이터가 비즈니스 성장의 진정한 촉매제 역할을 하기 위해서는 (데이터) 수집, 관리 또는 분석 프로세스에 어떠한 틈(gap)도 없어야 한다”라면서, “그런 맥락에서 조호 BI 플랫폼의 핵심 셀링 포인트는 데이터프렙과 애널리틱스의 조합이다”라고 말했다.  조호의 AI 도구 ‘지아(Zia)’는 해당 플랫폼이 초점을 맞추고 있는 사용편의성의 핵심이라고 할 수 있다. 이는 자연어 쿼리 및 생성, 보고서와 대시보드의 핵심 인사이트에 관한 텍스트 내레이션, 인지 및 고급 애널리틱스 기능을 제공한다고 회사 측은 설명했다.  회사에 따르면 조호의 BI 플랫폼은 ▲강화된 데이터 준비 및 관리, ▲데이터 스토리, ▲증강 분석, ▲앱 마켓플레이스 네 가지 요소를 기반으로 구축됐다. 첫 번째 요소는 새롭게 출시된 셀프서비스 데이터 준비 및 관리 도구 ‘조호...

셀프서비스 BI 인공지능 AI 머신러닝 ML 데이터프렙 서비스형 소프트웨어 SaaS 조호 애널리틱스 비즈니스 인텔리전스 BI 태블로 데이터 데이터 파이프라인 자연어

2021.07.14

기업용 서비스형 소프트웨어(SaaS) 제공업체 조호(Zoho)가 조호 데이터프렙(Zoho DataPrep) 애플리케이션과 조호 애널리틱스(Zoho Analytics)를 결합한 AI 기반 셀프서비스 BI 플랫폼을 발표하면서 비즈니스 인텔리전스(BI) 시장에 출사표를 던졌다.  인도 첸나이에 본사를 둔 이 다국적 기업은 사용편의성, 데이터프렙 지원, 내부 데이터와 외부 데이터소스 혼합 등을 특징으로 하는 셀프서비스 BI 플랫폼을 통해 비즈니스 사용자를 확보하겠다고 밝혔다. 회사에 따르면 새로운 플랫폼은 250개 이상의 데이터 소스로 확장할 수 있다.  美 시장조사기관 리서치앤마켓닷컴(ResearchandMarkets.com)의 최근 보고서에 의하면 셀프서비스 BI 시장은 향후 5년 동안 연평균 15.5%의 성장률을 보일 전망이다. 셀프서비스 BI 시장의 주요 경쟁업체로는 태블로(Tableau), 도모(Domo), 마이크로소프트 파워 BI(Microsoft Power BI), IBM 코그노스(IBM Cognos) 등이 있다.    조호 유럽의 전무이사 스리다르 아이엔가르는 “데이터가 비즈니스 성장의 진정한 촉매제 역할을 하기 위해서는 (데이터) 수집, 관리 또는 분석 프로세스에 어떠한 틈(gap)도 없어야 한다”라면서, “그런 맥락에서 조호 BI 플랫폼의 핵심 셀링 포인트는 데이터프렙과 애널리틱스의 조합이다”라고 말했다.  조호의 AI 도구 ‘지아(Zia)’는 해당 플랫폼이 초점을 맞추고 있는 사용편의성의 핵심이라고 할 수 있다. 이는 자연어 쿼리 및 생성, 보고서와 대시보드의 핵심 인사이트에 관한 텍스트 내레이션, 인지 및 고급 애널리틱스 기능을 제공한다고 회사 측은 설명했다.  회사에 따르면 조호의 BI 플랫폼은 ▲강화된 데이터 준비 및 관리, ▲데이터 스토리, ▲증강 분석, ▲앱 마켓플레이스 네 가지 요소를 기반으로 구축됐다. 첫 번째 요소는 새롭게 출시된 셀프서비스 데이터 준비 및 관리 도구 ‘조호...

2021.07.14

각 산업으로 확산 중··· 'AI' 기업 성공 사례 3가지

AI(Artificial intelligence)과 머신러닝(Machine Learning)은 현재 하이프 사이클(hype cycle)의 정점에 있는 듯하지만, 그렇다고 기업에서 이 2개 기술을 활용해 유형적인 이익을 실현할 수 없다는 의미는 아니다. AI와 머신러닝으로 기업의 내부 비즈니스 프로세스를 개선하고 효과를 거두는 3가지 사례를 소개한다. 사례 1. 영업과 마케팅의 강화…비콘 스트리트 서비스 비콘 스트리트 서비스(Beacon Street Services)는 여러 애플리케이션 전반에서 일관성과 정확성을 보장하기 위해 모든 회사 데이터에 대한 '단일 진실 공급원(Single Source Of Truth, SSOT)'이 필요했다. 비콘 스트리트 서비스는 유료 구독 형태의 금융 간행물을 제작하는 스탠스베리 홀딩스(Stansberry Holdings)의 서비스 사업부다. 클라우드 기반 데이터웨어하우스 서비스인 스노우플레이크(Snowflake)를 사용해 방대한 양의 데이터를 수집, 저장해온 비콘 스트리트 서비스는 구독 판매를 위한 영업 및 마케팅 팀의 기존 전략과 프로세스를 개선하는 데 이 데이터를 활용할 방법을 모색했다. 비콘 스트리트 서비스의 엔지니어링 담당 부사장인 데이비드 클라인은 “마케팅 팀과 영업 팀은 데이터 과학 접근 방식을 적용해 영업 프로세스를 개선할 수 있다고 판단했다. 이 방식을 도입해 구매 기준을 더 정확히 파악함으로써 마케팅 팀의 캠페인을 개선하는 데 도움이 되고자 했다”라고 말했다. 비콘 스트리트 서비스는 2019년 초부터 스노우플레이크 데이터웨어하우스에서 과거 사용자 데이터를 가져와 데이터로봇(DataRobot)의 엔터프라이즈 AI 플랫폼에 로드한 다음, 10여 개의 최신 데이터 과학 알고리즘을 사용해 빠르게, 자동으로 여러 모델을 구축했다. 이 모델들은 구매 기준을 파악해 마케팅 팀이 더 표적화되고 효과적인 캠페인을 진행하도록 돕는다. 클라인은 현재 데이터웨어하우스에서 AI 플랫폼으로 계속해서 대량의 데이터를 공급하고 있...

AI ML 인공지능 머신러닝 비콘 컴퍼니너스 데본에너지

2021.04.30

AI(Artificial intelligence)과 머신러닝(Machine Learning)은 현재 하이프 사이클(hype cycle)의 정점에 있는 듯하지만, 그렇다고 기업에서 이 2개 기술을 활용해 유형적인 이익을 실현할 수 없다는 의미는 아니다. AI와 머신러닝으로 기업의 내부 비즈니스 프로세스를 개선하고 효과를 거두는 3가지 사례를 소개한다. 사례 1. 영업과 마케팅의 강화…비콘 스트리트 서비스 비콘 스트리트 서비스(Beacon Street Services)는 여러 애플리케이션 전반에서 일관성과 정확성을 보장하기 위해 모든 회사 데이터에 대한 '단일 진실 공급원(Single Source Of Truth, SSOT)'이 필요했다. 비콘 스트리트 서비스는 유료 구독 형태의 금융 간행물을 제작하는 스탠스베리 홀딩스(Stansberry Holdings)의 서비스 사업부다. 클라우드 기반 데이터웨어하우스 서비스인 스노우플레이크(Snowflake)를 사용해 방대한 양의 데이터를 수집, 저장해온 비콘 스트리트 서비스는 구독 판매를 위한 영업 및 마케팅 팀의 기존 전략과 프로세스를 개선하는 데 이 데이터를 활용할 방법을 모색했다. 비콘 스트리트 서비스의 엔지니어링 담당 부사장인 데이비드 클라인은 “마케팅 팀과 영업 팀은 데이터 과학 접근 방식을 적용해 영업 프로세스를 개선할 수 있다고 판단했다. 이 방식을 도입해 구매 기준을 더 정확히 파악함으로써 마케팅 팀의 캠페인을 개선하는 데 도움이 되고자 했다”라고 말했다. 비콘 스트리트 서비스는 2019년 초부터 스노우플레이크 데이터웨어하우스에서 과거 사용자 데이터를 가져와 데이터로봇(DataRobot)의 엔터프라이즈 AI 플랫폼에 로드한 다음, 10여 개의 최신 데이터 과학 알고리즘을 사용해 빠르게, 자동으로 여러 모델을 구축했다. 이 모델들은 구매 기준을 파악해 마케팅 팀이 더 표적화되고 효과적인 캠페인을 진행하도록 돕는다. 클라인은 현재 데이터웨어하우스에서 AI 플랫폼으로 계속해서 대량의 데이터를 공급하고 있...

2021.04.30

'AI 설명가능성' 도구에서 고려해야 할 4가지

최근까지 ‘설명가능성(Explainability)’은 주로 AI 모델 개발 프로세스 말미에서 중요하지만 범위는 좁은 요건으로 여겨졌다. 하지만 이제 설명가능성이 머신러닝 생애주기에 걸쳐 가치를 제공하는 다층적 요건으로 간주되고 있다.  또한 설명가능성 도구는 머신러닝 모델의 의사결정 방식에 관한 투명성을 제공하는 것 외에도 범용성, 공정성, 개념 건전성, 안전성 등 머신러닝 모델의 품질에 대한 폭넓은 평가도 실행하고 있다.    설명가능성의 중요성이 커지면서 머신러닝을 대규모로 도입하려는 조직, 특히 위험 부담이 높거나 엄격한 규제를 받는 사용사례가 있는 조직은 설명가능성 접근방식 및 솔루션의 품질에 한층 더 주의를 기울여야 한다.  설명가능성 문제를 해결하기 위해 사용할 수 있는 많은 오픈소스 옵션이 있다. 하지만 이들 도구를 결합해서 일관성 있는 엔터프라이즈급 솔루션으로 만들어 내는 일은 어렵다. 모델 및 개발 플랫폼에서 우수한 성능을 발휘해야 하며 일관성과 범용성을 갖춰야 하기 때문이다.  엔터프라이즈급 설명가능성 솔루션이 충족해야 할 4가지 핵심 테스트는 다음과 같다. 1. 사안의 결과를 설명하는가? 2. 내부적으로 일관성이 있는가? 3. 대규모로 안정적인 수행이 가능한가? 4. 빠르게 변화하는 기대치를 충족할 수 있는가? 사안의 결과를 설명하는가? 머신러닝 모델이 대출, 입사, 입학 등 사람들의 삶에서 중요한 결과를 결정하거나 영향을 미치는 데 점점 더 많이 사용되고 있다. 이에 따라 설명가능성 접근방식이 머신러닝 모델의 의사결정에 관해 확실하고 신뢰할 수 있을 만한 설명을 제공하는 게 중요해졌다.  분류 결정(예: 예/아니오)을 설명하는 것은 확률 결과나 모델 위험 점수를 설명하는 것과는 크게 다르다. 예를 들어 “제인은 왜 대출을 거절당했을까?”는 “제인은 왜 0.63점의 위험 점수를 받았는가?”와 근본적으로 다른 질문이다.  이를테면 ‘TreeSHAP’와 같은 조건부 ...

인공지능 머신러닝 AI ML 머신러닝 모델 설명가능성 설명가능한 AI 투명성 AI 편향 오픈소스

2021.04.05

최근까지 ‘설명가능성(Explainability)’은 주로 AI 모델 개발 프로세스 말미에서 중요하지만 범위는 좁은 요건으로 여겨졌다. 하지만 이제 설명가능성이 머신러닝 생애주기에 걸쳐 가치를 제공하는 다층적 요건으로 간주되고 있다.  또한 설명가능성 도구는 머신러닝 모델의 의사결정 방식에 관한 투명성을 제공하는 것 외에도 범용성, 공정성, 개념 건전성, 안전성 등 머신러닝 모델의 품질에 대한 폭넓은 평가도 실행하고 있다.    설명가능성의 중요성이 커지면서 머신러닝을 대규모로 도입하려는 조직, 특히 위험 부담이 높거나 엄격한 규제를 받는 사용사례가 있는 조직은 설명가능성 접근방식 및 솔루션의 품질에 한층 더 주의를 기울여야 한다.  설명가능성 문제를 해결하기 위해 사용할 수 있는 많은 오픈소스 옵션이 있다. 하지만 이들 도구를 결합해서 일관성 있는 엔터프라이즈급 솔루션으로 만들어 내는 일은 어렵다. 모델 및 개발 플랫폼에서 우수한 성능을 발휘해야 하며 일관성과 범용성을 갖춰야 하기 때문이다.  엔터프라이즈급 설명가능성 솔루션이 충족해야 할 4가지 핵심 테스트는 다음과 같다. 1. 사안의 결과를 설명하는가? 2. 내부적으로 일관성이 있는가? 3. 대규모로 안정적인 수행이 가능한가? 4. 빠르게 변화하는 기대치를 충족할 수 있는가? 사안의 결과를 설명하는가? 머신러닝 모델이 대출, 입사, 입학 등 사람들의 삶에서 중요한 결과를 결정하거나 영향을 미치는 데 점점 더 많이 사용되고 있다. 이에 따라 설명가능성 접근방식이 머신러닝 모델의 의사결정에 관해 확실하고 신뢰할 수 있을 만한 설명을 제공하는 게 중요해졌다.  분류 결정(예: 예/아니오)을 설명하는 것은 확률 결과나 모델 위험 점수를 설명하는 것과는 크게 다르다. 예를 들어 “제인은 왜 대출을 거절당했을까?”는 “제인은 왜 0.63점의 위험 점수를 받았는가?”와 근본적으로 다른 질문이다.  이를테면 ‘TreeSHAP’와 같은 조건부 ...

2021.04.05

마냥 웃을 순 없다··· AI 그리고 ML 프로젝트, 얼마나 '안전'한가? 

인공지능과 머신러닝은 많은 이점을 제공한다. 하지만 동시에 새로운 취약점을 가져오기도 한다. 이러한 위험을 최소화할 방법을 살펴본다.  신기술을 도입할 때 보안을 뒷전으로 미루는 경우가 많다. 새로운 제품이나 서비스를 최대한 빠르게, 그리고 저렴하게 선보이는 게 더 중요하다고 판단해서다. 게다가 ‘완벽한 보안’은 시간이 오래 걸리고 비용도 많이 든다.  인공지능(AI)과 머신러닝(ML) 역시 보안 취약점이 있다. 이전의 기술 발전과 유사한 취약점과 설정 오류를 보이기도 하고, 이들만의 고유한 보안 위험이 있기도 하다.  만약 AI 중심 디지털 트랜스포메이션을 추진한다면 기업은 이러한 위험을 직면하게 될 가능성이 크다. 美 IT 컨설팅 회사 부즈 앨런 해밀턴(Booz Allen Hamilton)의 수석 과학자 에드워드 라프는 “서둘러선 안 되는 영역이다”라고 말했다.   AI와 ML은 다른 기술보다 더 많고 복잡한 데이터도 필요하다. 따라서 수학자와 데이터 과학자들이 개발한 알고리즘은 학문적인 연구 프로젝트에서 시작되는 경우가 많다. 라프는 “최근에서야 연구진들은 AI에 보안 문제가 있다는 것을 알게 됐다”라고 언급했다.  아울러 이들의 용량 및 처리 요건은 또 다른 수준의 복잡성과 취약점을 추가한다. 클라우드 플랫폼이 워크로드를 처리하는 경우가 많기 때문이다. 정리하자면, AI 도입에 있어 사이버보안이 가장 우려되는 위험인 것은 당연하다.  2020년 7월 발표된 딜로이트(Deloitte)의 한 보고서에 따르면 AI를 도입한 기업 가운데 62%가 사이버보안 위험을 가장 큰 혹은 주요 위험으로 보고 있지만, 이 위험을 해결할 준비가 됐다고 답한 기업은 39%에 불과했다. 이 문제를 더욱더 복잡하게 만드는 것은 사이버보안 자체에서 AI가 많이 사용된다는 점이다. 따라서 AI 경험이 풍부해질수록 기업들은 사이버보안 위험을 더 걱정한다고 딜로이트의 기술, 미디어, 통신 부문 전무이사 제프 룩스는 전했...

인공지능 머신러닝 AI ML 보안 보안 취약점 사이버보안 디지털 트랜스포메이션 데이터 과학 딜로이트 데이터 보호 전도 공격 설명가능성 블랙박스 AI 데이터 포이즈닝 편향 모델 드리프트 클라우드

2020.11.30

인공지능과 머신러닝은 많은 이점을 제공한다. 하지만 동시에 새로운 취약점을 가져오기도 한다. 이러한 위험을 최소화할 방법을 살펴본다.  신기술을 도입할 때 보안을 뒷전으로 미루는 경우가 많다. 새로운 제품이나 서비스를 최대한 빠르게, 그리고 저렴하게 선보이는 게 더 중요하다고 판단해서다. 게다가 ‘완벽한 보안’은 시간이 오래 걸리고 비용도 많이 든다.  인공지능(AI)과 머신러닝(ML) 역시 보안 취약점이 있다. 이전의 기술 발전과 유사한 취약점과 설정 오류를 보이기도 하고, 이들만의 고유한 보안 위험이 있기도 하다.  만약 AI 중심 디지털 트랜스포메이션을 추진한다면 기업은 이러한 위험을 직면하게 될 가능성이 크다. 美 IT 컨설팅 회사 부즈 앨런 해밀턴(Booz Allen Hamilton)의 수석 과학자 에드워드 라프는 “서둘러선 안 되는 영역이다”라고 말했다.   AI와 ML은 다른 기술보다 더 많고 복잡한 데이터도 필요하다. 따라서 수학자와 데이터 과학자들이 개발한 알고리즘은 학문적인 연구 프로젝트에서 시작되는 경우가 많다. 라프는 “최근에서야 연구진들은 AI에 보안 문제가 있다는 것을 알게 됐다”라고 언급했다.  아울러 이들의 용량 및 처리 요건은 또 다른 수준의 복잡성과 취약점을 추가한다. 클라우드 플랫폼이 워크로드를 처리하는 경우가 많기 때문이다. 정리하자면, AI 도입에 있어 사이버보안이 가장 우려되는 위험인 것은 당연하다.  2020년 7월 발표된 딜로이트(Deloitte)의 한 보고서에 따르면 AI를 도입한 기업 가운데 62%가 사이버보안 위험을 가장 큰 혹은 주요 위험으로 보고 있지만, 이 위험을 해결할 준비가 됐다고 답한 기업은 39%에 불과했다. 이 문제를 더욱더 복잡하게 만드는 것은 사이버보안 자체에서 AI가 많이 사용된다는 점이다. 따라서 AI 경험이 풍부해질수록 기업들은 사이버보안 위험을 더 걱정한다고 딜로이트의 기술, 미디어, 통신 부문 전무이사 제프 룩스는 전했...

2020.11.30

‘머신러닝을 쉽게’··· 추천 오픈소스 도구 14선

스팸 걸러내기, 안면 인식, 추천 엔진 등 예측 분석이나 패턴 인식을 수행할 만한 대규모 데이터 세트가 있다면 머신러닝(ML)이 우선적인 해답이다. 무료 오픈소스 소프트웨어가 급증하면서 ML을 폭넓은 환경에서 인기 프로그래밍 언어로 실행하는 것이 수월해졌다. 이들 오픈소스 도구에는 파이썬(Python), R, C++, 자바(Java), 스칼라(Scala), 클로저(Clojure), 자바스크립트(JavaScript), 고(Go) 등용 라이브러리가 포함되어 있다.   아파치 머하웃 컴포즈 코어 ML 툴 코텍스 피처툴 고런 그라디오 H2O 오릭스 파이토치 라이트닝 사이킷런 쇼군 스파크 MLlib 웨카 아파치 머하웃 아파치 머하웃(Apache Mahout)은 ML 애플리케이션을 호스팅하기 위한 환경을 신속하게 효율적으로 구축할 방안을 제시한다. 머하웃은 역시 잘 알려진 아파치 프로젝트인 스파크(Spark)와 주로 연동된다. 원래는 분산 애플리케이션 실행을 위해 하둡과 연동되도록 고안된 것인데 플링크(Flink), H2O와 같은 다른 분산 백엔드와 연동되도록 확장됐다. 머하웃은 스칼라로 된 도메인 특화 언어를 사용한다. 버전 0.14는 프로젝트의 주요 내부 리팩터(refactor)로서, 아파치 스파크 2.4.3에 기반하고 있다.  컴포즈 이노베이션 랩(Innovation Labs)의 컴포즈(Compose)는 ML모델에 공통적으로 존재하는 문제를 공략한다. 바로 원시 데이터에 라벨을 지정하는 일이다. 느리고 지루할 수 있지만 이 과정이 없다면 ML 모델은 유용한 결과를 내놓을 수 없다.  컴포즈는 사용자가 본인 데이터에 쓸 라벨 함수 세트를 파이썬으로 작성하게 해 준다. 따라서 라벨 지정 작업이 최대한 프로그램적으로 완료될 수 있다. 다양한 변환과 임계치를 데이터에 설정하여 라벨 지정 절차를 좀더 수월하게 만들 수 있다. 예를 들면, 개별 값이나 변위치를 기준으로 빈(bin)에 데이터를 두는 것이다. 코어...

ML 아파치 머하웃 컴포즈

2020.09.25

스팸 걸러내기, 안면 인식, 추천 엔진 등 예측 분석이나 패턴 인식을 수행할 만한 대규모 데이터 세트가 있다면 머신러닝(ML)이 우선적인 해답이다. 무료 오픈소스 소프트웨어가 급증하면서 ML을 폭넓은 환경에서 인기 프로그래밍 언어로 실행하는 것이 수월해졌다. 이들 오픈소스 도구에는 파이썬(Python), R, C++, 자바(Java), 스칼라(Scala), 클로저(Clojure), 자바스크립트(JavaScript), 고(Go) 등용 라이브러리가 포함되어 있다.   아파치 머하웃 컴포즈 코어 ML 툴 코텍스 피처툴 고런 그라디오 H2O 오릭스 파이토치 라이트닝 사이킷런 쇼군 스파크 MLlib 웨카 아파치 머하웃 아파치 머하웃(Apache Mahout)은 ML 애플리케이션을 호스팅하기 위한 환경을 신속하게 효율적으로 구축할 방안을 제시한다. 머하웃은 역시 잘 알려진 아파치 프로젝트인 스파크(Spark)와 주로 연동된다. 원래는 분산 애플리케이션 실행을 위해 하둡과 연동되도록 고안된 것인데 플링크(Flink), H2O와 같은 다른 분산 백엔드와 연동되도록 확장됐다. 머하웃은 스칼라로 된 도메인 특화 언어를 사용한다. 버전 0.14는 프로젝트의 주요 내부 리팩터(refactor)로서, 아파치 스파크 2.4.3에 기반하고 있다.  컴포즈 이노베이션 랩(Innovation Labs)의 컴포즈(Compose)는 ML모델에 공통적으로 존재하는 문제를 공략한다. 바로 원시 데이터에 라벨을 지정하는 일이다. 느리고 지루할 수 있지만 이 과정이 없다면 ML 모델은 유용한 결과를 내놓을 수 없다.  컴포즈는 사용자가 본인 데이터에 쓸 라벨 함수 세트를 파이썬으로 작성하게 해 준다. 따라서 라벨 지정 작업이 최대한 프로그램적으로 완료될 수 있다. 다양한 변환과 임계치를 데이터에 설정하여 라벨 지정 절차를 좀더 수월하게 만들 수 있다. 예를 들면, 개별 값이나 변위치를 기준으로 빈(bin)에 데이터를 두는 것이다. 코어...

2020.09.25

"알고리즘 재검토가 필요한 시점"··· 머신러닝 최신 성공사례 5선

IT 리더들이 비즈니스 인사이트를 창출하고자 인공지능과 머신러닝을 어떻게 활용하고 있는지 알아본다.  ‘인공지능(AI)’과 ‘머신러닝(ML)’이 기업에 상당한 영향력을 미치고 있다. AI 및 ML 기술을 활용해 고객 선호도를 예측하고 비즈니스 운영을 개선하는 사례가 늘고 있기 때문이다.  IDC는 AI 시스템 관련 지출액이 2023년 979억 달러를 돌파하리라 전망했다. 이는 2019년 지출액(375억 달러)의 3배에 가까운 규모다. 또한 지난 6월 발표된 캡제미니(Capgemini)의 설문 조사에 따르면 전체 응답 기업(950곳) 가운데 87%가 AI 파일럿을 진행 중이거나 한정된 유즈 케이스를 실제로 활용 중인 것으로 나타났다.    한편 코로나19 사태로 AI 부문에서 새로운 과제가 등장했다. 지난 3월 이후부터, 과거 데이터를 기준으로 생성된 알고리즘 모델이 왜곡되는 경우가 발생했기 때문이다. 캡제미니의 인사이트 및 데이터 부문 부사장 제리 커츠는 이러한 ‘데이터 드리프트(data drift)’ 현상으로 인해 기업이 기존 모델을 신뢰하기 어려워졌다고 지적했다.  예를 들어 제트 엔진 유지보수 간격을 예측하려는 기업이 있다고 가정해보자. 이 기업의 모델은 최근 몇 달간 급감한 제트 엔진 사용량으로 인해 크게 변경될 가능성이 높다. 최근 몇 달 동안 매출이 크게 하락한 소매업체도 마찬가지다.  커츠는 <CIO닷컴>과의 인터뷰에서 “특정 데이터가 너무 빠르게 바뀌는 바람에 과거는 더 이상 적절한 예측변수가 되지 못한다”라면서, “변수가 바뀌리라 생각하지 않았기 때문에 기업은 알고리즘을 재검토해야 할 것”이라고 진단했다.  이러한 과제에 직면한 상황에서, 여러 IT 리더들은 AI 및 ML을 어떻게 활용하고 있는지 사례들을 살펴본다.  1. 건강보험사 ‘앤섬(Anthem)’: AI를 활용한 비즈니스 성과 향상 미국 대형 건강보험회사 앤섬의 최고디지털책임자(CDO) 라...

머신러닝 인공지능 애널리틱스 인사이트 AI ML IDC 캡제미니 데이터 드리프트 알고리즘 가상비서 마이크로소프트 오피스 365 세일즈포스 데이터 아파치 스파크

2020.08.12

IT 리더들이 비즈니스 인사이트를 창출하고자 인공지능과 머신러닝을 어떻게 활용하고 있는지 알아본다.  ‘인공지능(AI)’과 ‘머신러닝(ML)’이 기업에 상당한 영향력을 미치고 있다. AI 및 ML 기술을 활용해 고객 선호도를 예측하고 비즈니스 운영을 개선하는 사례가 늘고 있기 때문이다.  IDC는 AI 시스템 관련 지출액이 2023년 979억 달러를 돌파하리라 전망했다. 이는 2019년 지출액(375억 달러)의 3배에 가까운 규모다. 또한 지난 6월 발표된 캡제미니(Capgemini)의 설문 조사에 따르면 전체 응답 기업(950곳) 가운데 87%가 AI 파일럿을 진행 중이거나 한정된 유즈 케이스를 실제로 활용 중인 것으로 나타났다.    한편 코로나19 사태로 AI 부문에서 새로운 과제가 등장했다. 지난 3월 이후부터, 과거 데이터를 기준으로 생성된 알고리즘 모델이 왜곡되는 경우가 발생했기 때문이다. 캡제미니의 인사이트 및 데이터 부문 부사장 제리 커츠는 이러한 ‘데이터 드리프트(data drift)’ 현상으로 인해 기업이 기존 모델을 신뢰하기 어려워졌다고 지적했다.  예를 들어 제트 엔진 유지보수 간격을 예측하려는 기업이 있다고 가정해보자. 이 기업의 모델은 최근 몇 달간 급감한 제트 엔진 사용량으로 인해 크게 변경될 가능성이 높다. 최근 몇 달 동안 매출이 크게 하락한 소매업체도 마찬가지다.  커츠는 <CIO닷컴>과의 인터뷰에서 “특정 데이터가 너무 빠르게 바뀌는 바람에 과거는 더 이상 적절한 예측변수가 되지 못한다”라면서, “변수가 바뀌리라 생각하지 않았기 때문에 기업은 알고리즘을 재검토해야 할 것”이라고 진단했다.  이러한 과제에 직면한 상황에서, 여러 IT 리더들은 AI 및 ML을 어떻게 활용하고 있는지 사례들을 살펴본다.  1. 건강보험사 ‘앤섬(Anthem)’: AI를 활용한 비즈니스 성과 향상 미국 대형 건강보험회사 앤섬의 최고디지털책임자(CDO) 라...

2020.08.12

'민첩성·확장성에 힘입어 가파른 상승곡선' 2020 클라우드 현 주소

얼마 전까지만 해도 비즈니스 이해관계자나 IT관리자는 왜 퍼블릭 클라우드의 애플리케이션 또는 인프라를 선택해야 하는지 열심히 설명해야 했다. 지금은 중요한 자원이 있는 자체 데이터센터에 워크로드를 구현하려 한다면 아마도 많은 조직에서 반발이 일어날 것이다.  IDG의 ‘2020 클라우드 컴퓨팅 설문조사’에서 이런 패러다임 변화를 뒷받침하는 새로운 결과가 나타났다. 클라우드 컴퓨팅 구매 과정에 참여하는 551명의 기술 구매자를 대상으로 실시한 설문조사에서 한 수치가 최고치를 경신했다. 59%가 18개월 안에 ‘대부분(43%)’ 또는 ‘전부(16%)’ 클라우드로 이전할 계획이라고 말했으며, 이는 현재 대부분 또는 전부 클라우드로 이전했다고 밝힌 응답자(38%)보다 훨씬 많다.    도입 곡선은 매우 가파르다. 그 이유는 무엇일까? 반드시 비용 절감 때문만은 아닐 것이다. 왜냐하면, 클라우드와 온프레미스로 작업 부하를 구동하는 비용을 유의미하게 비교할 수 있기 때문이다(미치도록 복잡하고, 비교 불가능한 시도). 클라우드 컴퓨팅의 실질적인 이점은 민첩성, 확장성, 미래 잠재력에 있다. 급하게 애플리케이션이 필요한가? 전통적인 조달 및 프로비저닝 프로세스가 개입하는 온프레미스와 비교하여 훨씬 짧은 시간에 애플리케이션을 클라우드로 구동할 수 있다. 작업 부하에 더 많은 컴퓨트를 투입해야 하나? 몇 번만 클릭하면 된다. 아니면 애플리케이션이 필요에 따라 자동으로 확장되도록 구성할 수 있다. 최신의 가장 흥미롭고 새로운 기술 발전을 경험하고 싶나? 먼저 클라우드로 제공되어 바로 활용하도록 제공되는 경우가 가장 많다. 2020 클라우드 컴퓨팅 설문조사에서 이런 장점과 클라우드 모멘텀에 대한 생각이 확실히 드러났다. 결과를 자세히 살펴보자. 클라우드 협곡 건너기 2020 클라우드 컴퓨팅 설문조사에서 눈에 띈 또 다른 주요 결과는 최소한 ‘어느 정도’ 클라우드로 이전한 조직의 비율(92%)이었다. 더욱 인상적인 것은 클라우드 예산이 증가했...

ML 마이크로서비스 퍼블릭 클라우드 프라이빗 클라우드 멀티 클라우드 쿠버네티스 컨테이너 아마존웹서비스 AWS 구글 클라우드 플랫폼 마이크로소프트 애저 시스코 HPE IBM VM웨어

2020.06.10

얼마 전까지만 해도 비즈니스 이해관계자나 IT관리자는 왜 퍼블릭 클라우드의 애플리케이션 또는 인프라를 선택해야 하는지 열심히 설명해야 했다. 지금은 중요한 자원이 있는 자체 데이터센터에 워크로드를 구현하려 한다면 아마도 많은 조직에서 반발이 일어날 것이다.  IDG의 ‘2020 클라우드 컴퓨팅 설문조사’에서 이런 패러다임 변화를 뒷받침하는 새로운 결과가 나타났다. 클라우드 컴퓨팅 구매 과정에 참여하는 551명의 기술 구매자를 대상으로 실시한 설문조사에서 한 수치가 최고치를 경신했다. 59%가 18개월 안에 ‘대부분(43%)’ 또는 ‘전부(16%)’ 클라우드로 이전할 계획이라고 말했으며, 이는 현재 대부분 또는 전부 클라우드로 이전했다고 밝힌 응답자(38%)보다 훨씬 많다.    도입 곡선은 매우 가파르다. 그 이유는 무엇일까? 반드시 비용 절감 때문만은 아닐 것이다. 왜냐하면, 클라우드와 온프레미스로 작업 부하를 구동하는 비용을 유의미하게 비교할 수 있기 때문이다(미치도록 복잡하고, 비교 불가능한 시도). 클라우드 컴퓨팅의 실질적인 이점은 민첩성, 확장성, 미래 잠재력에 있다. 급하게 애플리케이션이 필요한가? 전통적인 조달 및 프로비저닝 프로세스가 개입하는 온프레미스와 비교하여 훨씬 짧은 시간에 애플리케이션을 클라우드로 구동할 수 있다. 작업 부하에 더 많은 컴퓨트를 투입해야 하나? 몇 번만 클릭하면 된다. 아니면 애플리케이션이 필요에 따라 자동으로 확장되도록 구성할 수 있다. 최신의 가장 흥미롭고 새로운 기술 발전을 경험하고 싶나? 먼저 클라우드로 제공되어 바로 활용하도록 제공되는 경우가 가장 많다. 2020 클라우드 컴퓨팅 설문조사에서 이런 장점과 클라우드 모멘텀에 대한 생각이 확실히 드러났다. 결과를 자세히 살펴보자. 클라우드 협곡 건너기 2020 클라우드 컴퓨팅 설문조사에서 눈에 띈 또 다른 주요 결과는 최소한 ‘어느 정도’ 클라우드로 이전한 조직의 비율(92%)이었다. 더욱 인상적인 것은 클라우드 예산이 증가했...

2020.06.10

RPA로 17.3만 시간 업무 자동화··· 버라이즌 CIO의 직원경험 개선

RPA, 머신러닝, 챗봇, 기타 최첨단 도구로 구성된 통합 디지털 플랫폼 덕분에 버라이즌의 네트워크 전문가는 직원경험을 크게 개선할 수 있었다.    무선통신회사 버라이즌(Verizon)은 투박한 구형 소프트웨어로부터 네트워크 및  기술 전문가들을 구하는 일에 신기술을 활용 중이다. 버라이즌 수석 부사장 겸 네트워크 CIO 린 콕스에 따르면, 버라이즌은 20개가 넘는 구형 애플리케이션의 기능을 뽑아내 구축한 디지털 플랫폼을 직원들이 5G 등 중요 시스템 개발에 활용 중이다. 캔버스(Canvas)라고 하는 이 디지털 플랫폼은 하이브리드 클라우드 위에 머신러닝(ML), 로봇 프로세스 자동화(RPA), 챗봇, 지능형 검색 등의 도구를 바탕으로 한 예측 분석 기능이 추가되어 있다고 덧붙였다. 콕스는 “이는 네트워크 계획, 구축, 실행과 서비스 프로비저닝을 개선하기 위해 사람들이 필요로 하는 도구”라고 <CIO닷컴>에 밝혔다.  기술 혁신의 성과를 기리는 IDG CIO 100 어워드 후보에 오르기도 한 캔버스는 수동 프로세스를 디지털화하고 별도의 여러 시스템으로부터 워크플로를 통합하여 운영의 효율화를 꾀하는 버라이즌 계획에서 가장 중요한 부분이다. 더 중요한 것은 캔버스가 사용 직원의 사기도 진작시킨다는 점이다. 딜로이트에 따르면, 흥미로운 직장경험을 제공하는 회사의 직원은 참여도가 22% 더 높으며 근속 확률도 4배 더 높았다. 또한, 최고의 직장경험을 제공하는 기업은 고객 만족도가 타 기업보다 12% 더 높았다. 디지털 기술로 개선되는 직원 참여도 직원경험과 고객경험 개선은 버라이즌이 추구하는 변신의 핵심이다. 지난 20년 중 많은 기간 동안 버라이즌의 네트워크 및 기술 전문가들은 잡탕처럼 뒤섞여 있는 구형 웹 애플리케이션과 씨름해 왔다. 서비스 업무를 제공하고 통화 처리 등의 작업을 완수하려면 한 화면에서 다음 화면으로 전환하는 과정이 불가피했다. 다년간에 걸친 인수 합병을 통해 뒤섞여 들어온 맞춤형 소프...

CIO 직원경험 고객경험 UX RPA 로봇 프로세스 자동화 챗봇 지능형 검색 분석 버라이즌 가트너 퍼블릭 클라우드 하이브리드 클라우드 KPI 현대화 ML CIO 어워드

2020.05.20

RPA, 머신러닝, 챗봇, 기타 최첨단 도구로 구성된 통합 디지털 플랫폼 덕분에 버라이즌의 네트워크 전문가는 직원경험을 크게 개선할 수 있었다.    무선통신회사 버라이즌(Verizon)은 투박한 구형 소프트웨어로부터 네트워크 및  기술 전문가들을 구하는 일에 신기술을 활용 중이다. 버라이즌 수석 부사장 겸 네트워크 CIO 린 콕스에 따르면, 버라이즌은 20개가 넘는 구형 애플리케이션의 기능을 뽑아내 구축한 디지털 플랫폼을 직원들이 5G 등 중요 시스템 개발에 활용 중이다. 캔버스(Canvas)라고 하는 이 디지털 플랫폼은 하이브리드 클라우드 위에 머신러닝(ML), 로봇 프로세스 자동화(RPA), 챗봇, 지능형 검색 등의 도구를 바탕으로 한 예측 분석 기능이 추가되어 있다고 덧붙였다. 콕스는 “이는 네트워크 계획, 구축, 실행과 서비스 프로비저닝을 개선하기 위해 사람들이 필요로 하는 도구”라고 <CIO닷컴>에 밝혔다.  기술 혁신의 성과를 기리는 IDG CIO 100 어워드 후보에 오르기도 한 캔버스는 수동 프로세스를 디지털화하고 별도의 여러 시스템으로부터 워크플로를 통합하여 운영의 효율화를 꾀하는 버라이즌 계획에서 가장 중요한 부분이다. 더 중요한 것은 캔버스가 사용 직원의 사기도 진작시킨다는 점이다. 딜로이트에 따르면, 흥미로운 직장경험을 제공하는 회사의 직원은 참여도가 22% 더 높으며 근속 확률도 4배 더 높았다. 또한, 최고의 직장경험을 제공하는 기업은 고객 만족도가 타 기업보다 12% 더 높았다. 디지털 기술로 개선되는 직원 참여도 직원경험과 고객경험 개선은 버라이즌이 추구하는 변신의 핵심이다. 지난 20년 중 많은 기간 동안 버라이즌의 네트워크 및 기술 전문가들은 잡탕처럼 뒤섞여 있는 구형 웹 애플리케이션과 씨름해 왔다. 서비스 업무를 제공하고 통화 처리 등의 작업을 완수하려면 한 화면에서 다음 화면으로 전환하는 과정이 불가피했다. 다년간에 걸친 인수 합병을 통해 뒤섞여 들어온 맞춤형 소프...

2020.05.20

코로나19로 달라지는 IT채용 프로세스… 화상면접, 챗봇 등장

코로나19 팬데믹은 기업이 사업을 운영하는 방식을 하루아침에 완전히 바꿔 놓았다. 대다수 조직이 모든 직책에 걸쳐 원격 가상 근무를 하지 않을 수 없게 된 것이다. 그만큼의 변화를 겪지 않은 분야가 있다면 고위급 IT인재를 유인하고 모집하며 고용하는 것이다.    팬데믹이 IT채용 프로세스에 줄 전반적인 영향은 아직 지켜봐야 한다. 그러나 IT직종 실업률은 3월 2.4%로 낮은 수준이었고, 여러 회사가 사무실을 폐쇄하는 상황에서도 고용을 계속하고 있다. IT리더들은 전례 없는 상황으로 인한 문제를 극복하기 위해 채용 프로세스에 변화를 주고 있다.   버티브(Vertiv)의 CIO인 셔릴 헤이즐릿은 코로나19 시대에 채용을 다시 생각하는 IT리더의 한 사람이다. 그는 판매직과 더불어 핵심 고객을 위한 IT지원직을 여전히 고용 중이다.  그는 “분명, 전체 과정이 변했다. 점심이나 저녁때 사람을 만나지 않는다. 면접을 위해 줌(Zoom) 같은 영상 회의를 이용하는 쪽으로 바뀌었다”라고 말했다. 헤이즐릿은 전문 역량을 테스트하고 리더십 역량을 심사하기 위해 온라인 선별 툴을 이용한다고 전했다.  화상 면접 증가  원격 가상 모집 및 채용 방식으로의 이동과 관련해, 포레스터 리서치의 인프라 및 운영 인력 담당 애널리스트인 앤드류 휴잇은 팬데믹이 지난 몇 년 동안의 경향을 강화하고 있을 뿐이라고 밝혔다.  그는 “기업들은 이미 인공지능(AI), 머신러닝(ML), 화상 면접, 온라인 기술 심사 등의 기술을 활용하고 있다. 이번 위기로 인해 이들은 ‘있으면 좋은 것’으로부터 ‘필수적인 것’으로 변했다. 이들 기술에서 이미 앞서가는 기업은 경쟁우위를 가질 것이고, 그렇지 않은 기업은 이를 따라잡는 노력을 해야 할 것이다”라고 말했다.  인력 모집 및 응시자 추적 소프트웨어 회사의 제품 엔지니어링 수석 부사장인 제러드 애덤스는 잡바이트(JobVite) 고객 데이터가 이를 입증한다고 강조했다.&...

CIO 가상면접 화상면접 코비드-19 사회적 거리두기 COVID-19 코로나바이러스 코로나19 화상채팅 ML 챗봇 인공지능 포레스터 리서치 고용 채용 가상인터뷰

2020.05.13

코로나19 팬데믹은 기업이 사업을 운영하는 방식을 하루아침에 완전히 바꿔 놓았다. 대다수 조직이 모든 직책에 걸쳐 원격 가상 근무를 하지 않을 수 없게 된 것이다. 그만큼의 변화를 겪지 않은 분야가 있다면 고위급 IT인재를 유인하고 모집하며 고용하는 것이다.    팬데믹이 IT채용 프로세스에 줄 전반적인 영향은 아직 지켜봐야 한다. 그러나 IT직종 실업률은 3월 2.4%로 낮은 수준이었고, 여러 회사가 사무실을 폐쇄하는 상황에서도 고용을 계속하고 있다. IT리더들은 전례 없는 상황으로 인한 문제를 극복하기 위해 채용 프로세스에 변화를 주고 있다.   버티브(Vertiv)의 CIO인 셔릴 헤이즐릿은 코로나19 시대에 채용을 다시 생각하는 IT리더의 한 사람이다. 그는 판매직과 더불어 핵심 고객을 위한 IT지원직을 여전히 고용 중이다.  그는 “분명, 전체 과정이 변했다. 점심이나 저녁때 사람을 만나지 않는다. 면접을 위해 줌(Zoom) 같은 영상 회의를 이용하는 쪽으로 바뀌었다”라고 말했다. 헤이즐릿은 전문 역량을 테스트하고 리더십 역량을 심사하기 위해 온라인 선별 툴을 이용한다고 전했다.  화상 면접 증가  원격 가상 모집 및 채용 방식으로의 이동과 관련해, 포레스터 리서치의 인프라 및 운영 인력 담당 애널리스트인 앤드류 휴잇은 팬데믹이 지난 몇 년 동안의 경향을 강화하고 있을 뿐이라고 밝혔다.  그는 “기업들은 이미 인공지능(AI), 머신러닝(ML), 화상 면접, 온라인 기술 심사 등의 기술을 활용하고 있다. 이번 위기로 인해 이들은 ‘있으면 좋은 것’으로부터 ‘필수적인 것’으로 변했다. 이들 기술에서 이미 앞서가는 기업은 경쟁우위를 가질 것이고, 그렇지 않은 기업은 이를 따라잡는 노력을 해야 할 것이다”라고 말했다.  인력 모집 및 응시자 추적 소프트웨어 회사의 제품 엔지니어링 수석 부사장인 제러드 애덤스는 잡바이트(JobVite) 고객 데이터가 이를 입증한다고 강조했다.&...

2020.05.13

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.5.0.5