Offcanvas

ML

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

'코로나19 영향 예측해 공장 가동' 美 육류가공 회사의 머신러닝 이야기

미국 최고의 육류가공 회사는 공장에서 코로나 바이러스의 잠재적 확산을 모델링하기 위해 머신러닝으로 전환했으며 작업자 건강을 모니터링하기 위해 컴퓨터 비전을 배치했다. 많은 기업이 경쟁우위를 확보하기 위해 머신러닝(ML) 모델을 탐색하고 있다. 그러나 일부 기업은 운영 상태를 유지하기 위해 이 새로운 기술을 활용하고 있다.   타이슨 푸드(Tyson Foods)는 ML을 사용하여 육류가공 공장에 영향을 미칠 수 있는 코로나바이러스의 가능성을 예측하며, 컴퓨터 비전 소프트웨어를 통해 근무자가 교대하러 왔을 때 열이 있는지를 감지하고 있다고 스콧 스프래들리 CTO는 말했다. 이 같은 노력은 근무자가 아프거나 코로나19에 걸릴 것을 우려해 집에 머무르면서 미국내 최고의 쇠고기, 돼지고기, 닭고기 가공업체들이 이 팬데믹으로 인해 가장 큰 공장 몇 곳을 폐쇄한 시기에 매우 중요하다. 4월 28일 트럼프 대통령은 육류가공업체들을 국방생산법(Defense Production Act)상 핵심 인프라로 지정해 운영 상태를 유지하라고 명령했다. 추세변화 예측 타이슨의 IT부서는 도움을 주기 위해 자신의 역할을 하고 있다. 스프래들리는 이 회사의 서비스로서의 통찰력 단위가 공장이 위치한 주들의 카운티에서 코로나19 테스트 데이터와 공장 직원들이 거주하고 있는 지역에 대한 데이터를 참고하고 결근을 예측하기 위한 ML 알고리즘을 통해 이를 실행하고 있다고 밝혔다. 타이슨의 신기술 및 애널리틱스 책임자인 리 슬래작이 이끄는 이 연구팀은 미국 질병통제예방센터(CDC)가 사용하는 일반화된 로지스틱 함수인 리차드 곡선을 사용해 11만 명의 공장 근무자 중 바이러스의 잠재적 확산을 모델링하고 있다. 이 이니셔티브는 초기 단계이고 이벤트와 데이터는 매주 비즈니스 수요를 변화시키고 있다. 그러나 타이슨은 카운티 인구밀도와 사회경제적 정보와 같은 공공데이터를 통합하면 예를 들어 10일 안에 감염자 수가 4명에서 40명으로 늘어날 가능성을 예측하는 데 도움이 될 것으로 기대하고 있...

CIO 육류가공 코비드-19 COVID-19 코로나바이러스 코로나19 ML 구글 클라우드 플랫폼 GCP 아마존웹서비스 오피스 365 CTO 비즈니스 연속성 계획 BCP 스카이프 재택근무 AWS 타이슨 푸드

2020.05.12

미국 최고의 육류가공 회사는 공장에서 코로나 바이러스의 잠재적 확산을 모델링하기 위해 머신러닝으로 전환했으며 작업자 건강을 모니터링하기 위해 컴퓨터 비전을 배치했다. 많은 기업이 경쟁우위를 확보하기 위해 머신러닝(ML) 모델을 탐색하고 있다. 그러나 일부 기업은 운영 상태를 유지하기 위해 이 새로운 기술을 활용하고 있다.   타이슨 푸드(Tyson Foods)는 ML을 사용하여 육류가공 공장에 영향을 미칠 수 있는 코로나바이러스의 가능성을 예측하며, 컴퓨터 비전 소프트웨어를 통해 근무자가 교대하러 왔을 때 열이 있는지를 감지하고 있다고 스콧 스프래들리 CTO는 말했다. 이 같은 노력은 근무자가 아프거나 코로나19에 걸릴 것을 우려해 집에 머무르면서 미국내 최고의 쇠고기, 돼지고기, 닭고기 가공업체들이 이 팬데믹으로 인해 가장 큰 공장 몇 곳을 폐쇄한 시기에 매우 중요하다. 4월 28일 트럼프 대통령은 육류가공업체들을 국방생산법(Defense Production Act)상 핵심 인프라로 지정해 운영 상태를 유지하라고 명령했다. 추세변화 예측 타이슨의 IT부서는 도움을 주기 위해 자신의 역할을 하고 있다. 스프래들리는 이 회사의 서비스로서의 통찰력 단위가 공장이 위치한 주들의 카운티에서 코로나19 테스트 데이터와 공장 직원들이 거주하고 있는 지역에 대한 데이터를 참고하고 결근을 예측하기 위한 ML 알고리즘을 통해 이를 실행하고 있다고 밝혔다. 타이슨의 신기술 및 애널리틱스 책임자인 리 슬래작이 이끄는 이 연구팀은 미국 질병통제예방센터(CDC)가 사용하는 일반화된 로지스틱 함수인 리차드 곡선을 사용해 11만 명의 공장 근무자 중 바이러스의 잠재적 확산을 모델링하고 있다. 이 이니셔티브는 초기 단계이고 이벤트와 데이터는 매주 비즈니스 수요를 변화시키고 있다. 그러나 타이슨은 카운티 인구밀도와 사회경제적 정보와 같은 공공데이터를 통합하면 예를 들어 10일 안에 감염자 수가 4명에서 40명으로 늘어날 가능성을 예측하는 데 도움이 될 것으로 기대하고 있...

2020.05.12

허니웰·오피스디포·마스터카드 등 머신러닝 성공사례 6선

한때 비밀 실험실이나 공상과학으로 조롱을 받았던 인공지능(AI)과 머신러닝(ML) 기술이 이제는 주류가 됐다. 더 많은 기업이 고객을 유입시키고 비즈니스 운영을 개선하기 위해 인간의 정신 작용을 모방하는 소프트웨어를 활용하고 있다.   AI시스템에 대한 투자는 2023년에 2019년에 지출된 375억 달러보다 약 3배 많은 979억 달러에 달할 것이라고 IDC가 밝혔다. 마리안느 다킬라는 “AI는 프로토타입을 넘어 실행 및 이행 단계에 이르렀다. 모든 산업의 전략적 의사결정자들은 이제 AI 여정을 효과적으로 진행하는 방법에 대한 문제와 씨름하고 있다”라고 말했다. 하지만 MIT 슬론 매니지먼트 리뷰(Sloan Management Review, SMR)와 보스턴 컨설팅 그룹(BCG)이 2,500명의 임원을 대상으로 한 설문조사 결과, 기업 10곳 중 7곳은 AI의 영향이 거의 없다고 보고한 것으로 나타났다. 한 가지 중대한 문제가 있다. 이 연구 보고서의 공동 저자인 BCG의 경영 파트너 셔빈 코다반데는 많은 AI 프로젝트가 비즈니스 부문의 투입 없이 IT 내부에서 시작된다고 밝혔다. 이 때문에 기업들이 신기술을 시도하지 않게 되는 것은 아니다. 여기에서는 AI와 ML을 이행하는 CIO들이 자신의 업무에 대해 논의하고 실용적인 조언을 공유한다. 허니웰 : 가상 비서로 영업 관리 허니웰(Honeywell)의 영업 인력은 AI 소프트웨어를 사용하여 해당 기업의 항공 전자 시스템, 건설 차량, 기타 산업용 기계의 구매자들을 유입시키는 데 도움이 되는 책임자 관리 등 중요한 회의와 기타 업무의 우선순위를 결정한다.   허니웰의 상용화 담당 부사장 패트릭인 호건(사진)에 따르면 이 소프트웨어는 Tact.ai가 개발한 가상 비서며 허니웰의 마이크로소프트 오피스 365와 세일즈포스 시스템에서 정보를 가져온다. 직원들은 스마트폰을 사용하여 TAA(Tact.AI Assistant)에게 음성이나 텍스트로 영업 목표를 달성할 수 있을지 여부를 ...

CIO 아마존웹서비스 고객경험 가상 비서 아파치 스파크 챗봇 자연어처리 NLP ML 가디어 다트머스대학교 오피스디포 줄릴리 기계 주니퍼 네트웍스 세일즈포스 IBM 마이크로소프트 AWS 왓슨 마스터카드 오피스 365 신용카드 패션 인공지능 보험 CX 허니웰

2020.03.19

한때 비밀 실험실이나 공상과학으로 조롱을 받았던 인공지능(AI)과 머신러닝(ML) 기술이 이제는 주류가 됐다. 더 많은 기업이 고객을 유입시키고 비즈니스 운영을 개선하기 위해 인간의 정신 작용을 모방하는 소프트웨어를 활용하고 있다.   AI시스템에 대한 투자는 2023년에 2019년에 지출된 375억 달러보다 약 3배 많은 979억 달러에 달할 것이라고 IDC가 밝혔다. 마리안느 다킬라는 “AI는 프로토타입을 넘어 실행 및 이행 단계에 이르렀다. 모든 산업의 전략적 의사결정자들은 이제 AI 여정을 효과적으로 진행하는 방법에 대한 문제와 씨름하고 있다”라고 말했다. 하지만 MIT 슬론 매니지먼트 리뷰(Sloan Management Review, SMR)와 보스턴 컨설팅 그룹(BCG)이 2,500명의 임원을 대상으로 한 설문조사 결과, 기업 10곳 중 7곳은 AI의 영향이 거의 없다고 보고한 것으로 나타났다. 한 가지 중대한 문제가 있다. 이 연구 보고서의 공동 저자인 BCG의 경영 파트너 셔빈 코다반데는 많은 AI 프로젝트가 비즈니스 부문의 투입 없이 IT 내부에서 시작된다고 밝혔다. 이 때문에 기업들이 신기술을 시도하지 않게 되는 것은 아니다. 여기에서는 AI와 ML을 이행하는 CIO들이 자신의 업무에 대해 논의하고 실용적인 조언을 공유한다. 허니웰 : 가상 비서로 영업 관리 허니웰(Honeywell)의 영업 인력은 AI 소프트웨어를 사용하여 해당 기업의 항공 전자 시스템, 건설 차량, 기타 산업용 기계의 구매자들을 유입시키는 데 도움이 되는 책임자 관리 등 중요한 회의와 기타 업무의 우선순위를 결정한다.   허니웰의 상용화 담당 부사장 패트릭인 호건(사진)에 따르면 이 소프트웨어는 Tact.ai가 개발한 가상 비서며 허니웰의 마이크로소프트 오피스 365와 세일즈포스 시스템에서 정보를 가져온다. 직원들은 스마트폰을 사용하여 TAA(Tact.AI Assistant)에게 음성이나 텍스트로 영업 목표를 달성할 수 있을지 여부를 ...

2020.03.19

블로그ㅣ클라우드 아키텍처는 뻔하다? 의외의 함정 3가지

클라우드 아키텍처가 뻔하다고 생각할 수 있다. 하지만 이론적으로는 모든 것을 알고 있는 사람들을 의외의 함정에 빠트릴 수 있다.  대부분의 경우 클라우드 아키텍처는 그다지 흥미롭지 않은 주제다. 이미 무엇이 효과적인지 그리고 올바른 아키텍처를 설계할 수 있는 프로세스가 어떻게 되는지 잘 알려져 있기 때문이다. 이른바 메타 또는 논리 아키텍처, 그리고 물리 아키텍처에 기술을 추가하는 것에 대한 지식들이다.  클라우드 아키텍처에 필요한 모범 답안이 잘 알려졌지만, 몇 가지 문제들은 여전히 남아있다. 해당 문제들에 대한 실질적인 해결책이나 베스트 프랙티스는 아직 나타나지 않았다. 그중 대표적인 3가지 문제점을 살펴보자.    첫째, ‘엣지 컴퓨팅’에서 무슨 일이 벌어지는가?  엣지 컴퓨팅은 데이터가 생성되는 기기와 가까운 곳 혹은 그 자체에서 데이터를 분산 처리할 수 있다는 이점이 있다. 그러나 문제도 있다. 클라우드 기반 서버와 엣지 컴퓨터 간에 데이터가 어떻게 분할되고 처리되는가? 엣지 컴퓨팅으로 데이터를 분산 처리하면 할수록 중앙 시스템(퍼블릭 클라우드)에서 분산 시스템(엣지 디바이스 또는 서버)으로 이동하고 있다는 점을 깨닫는다. 이렇게 되면 엣지 시스템을 유지관리해야 할 업무가 늘어난다. 엣지 시스템은 모니터링, 관리, 보안, 업데이트 및 구성이 훨씬 더 까다롭다. 수백 개의 엣지 컴퓨팅 장치에 이러한 유지관리가 이루어져야 한다는 것을 안다면, 더없이 끔찍한 악몽이 될 수 있다.  둘째, 무엇을 ‘컨테이너화(containerize)’할 것인가?  많은 기업이 컨테이너를 일개 기술이 아니라 전략 차원에서 다루고 있다고 진술한다. 컨테이너에 대한 병적인 믿음은 많은 애플리케이션을 컨테이너로 밀어 넣었다. 하지만 모든 기업들이 그런 방향으로 나아가야 하는 것은 아니다.  컨테이너에 ‘이전할 수 있는 것’과 ‘이전해야만 하는 것’에 대한 원칙이 없다는 게 문제다. 레거시 애플리케이...

클라우드 컨테니어화 레거시애플리케이션 엣지디바이스 ML 엣지컴퓨팅 머신러닝 인공지능 AI 컨테이너 퍼블릭클라우드 클라우드아키텍처

2020.03.11

클라우드 아키텍처가 뻔하다고 생각할 수 있다. 하지만 이론적으로는 모든 것을 알고 있는 사람들을 의외의 함정에 빠트릴 수 있다.  대부분의 경우 클라우드 아키텍처는 그다지 흥미롭지 않은 주제다. 이미 무엇이 효과적인지 그리고 올바른 아키텍처를 설계할 수 있는 프로세스가 어떻게 되는지 잘 알려져 있기 때문이다. 이른바 메타 또는 논리 아키텍처, 그리고 물리 아키텍처에 기술을 추가하는 것에 대한 지식들이다.  클라우드 아키텍처에 필요한 모범 답안이 잘 알려졌지만, 몇 가지 문제들은 여전히 남아있다. 해당 문제들에 대한 실질적인 해결책이나 베스트 프랙티스는 아직 나타나지 않았다. 그중 대표적인 3가지 문제점을 살펴보자.    첫째, ‘엣지 컴퓨팅’에서 무슨 일이 벌어지는가?  엣지 컴퓨팅은 데이터가 생성되는 기기와 가까운 곳 혹은 그 자체에서 데이터를 분산 처리할 수 있다는 이점이 있다. 그러나 문제도 있다. 클라우드 기반 서버와 엣지 컴퓨터 간에 데이터가 어떻게 분할되고 처리되는가? 엣지 컴퓨팅으로 데이터를 분산 처리하면 할수록 중앙 시스템(퍼블릭 클라우드)에서 분산 시스템(엣지 디바이스 또는 서버)으로 이동하고 있다는 점을 깨닫는다. 이렇게 되면 엣지 시스템을 유지관리해야 할 업무가 늘어난다. 엣지 시스템은 모니터링, 관리, 보안, 업데이트 및 구성이 훨씬 더 까다롭다. 수백 개의 엣지 컴퓨팅 장치에 이러한 유지관리가 이루어져야 한다는 것을 안다면, 더없이 끔찍한 악몽이 될 수 있다.  둘째, 무엇을 ‘컨테이너화(containerize)’할 것인가?  많은 기업이 컨테이너를 일개 기술이 아니라 전략 차원에서 다루고 있다고 진술한다. 컨테이너에 대한 병적인 믿음은 많은 애플리케이션을 컨테이너로 밀어 넣었다. 하지만 모든 기업들이 그런 방향으로 나아가야 하는 것은 아니다.  컨테이너에 ‘이전할 수 있는 것’과 ‘이전해야만 하는 것’에 대한 원칙이 없다는 게 문제다. 레거시 애플리케이...

2020.03.11

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.

10.4.0.31