단순 자동화 넘어서라··· ‘엔드 투 엔드’ 지능형 자동화를 향한 도전

마스우드는 스탠포드 및 MIT AI 랩과 협력, 비지도 학습을 활용해서 비즈니스 프로세스를 발견해서 개별 태스크를 엔드-투-엔드 프로세스로 연결하는 기법에 대한 특허를 취득했다.

직원들이 가격을 조회하기 위해 웹사이트를 들여다보는 경우를 예로 들자. 자동화된 시스템으로 이런 행동이 프로세스의 일부라는 것을 파악할 수 있다. 그러나 더 어려운 부분은 웹사이트가 상시 바뀐다는 점을 감안해 이런 액션을 중복시킬 수 있게 만드는 것이다.

마스우드는 “우리는 인풋을 벡터화하고, 딥러닝을 이용해 인풋을 파악한다”라고 설명했다. 이후 다음 번에 직원들이 해당 웹사이트를 방문할 때 AI는 자동으로 데이터를 가져올 수 있다. 누군가 직접 이런 태스크를 스크립팅 할 필요가 없다. AI는 강화 학습을 통해 시간이 지나면서 계속 향상된다.

마스우드는 “사람이 강화를 하거나, 컴퓨터에 데이터 필드가 적절히 검증되지 않았다고 말할 수 있다. 전형적인 RPA 플랫폼들은 이런 작업을 자동화하는 것에 그친다. 그러나 인지 AI는 자가 최적화, 자가 학습이 특징이다”고 설명했다.

특정 파라미터 이내에서, 시스템은 ‘오토 파일럿’을 할 수도 있다. 그는 “학습한 내용을 바탕으로 직접 액션을 취할 수 있다”라고 말했다.

그러나 마스우드의 시스템은 여전히 기반이 되는 로그 세트가 필요하다. 이런 프로세스 로그를 모두 찾아 가져오는 것은 여전히 시간이 많이 소요되는 수동 프로세스이다. 그는 “데이터는 하나의 시스템에만 존재하지 않는다. 여러 소스에서 가져오고, 모드가 다르다. 누군가 초기 구성을 해야 한다”라고 설명했다.

데이터가 구형 시스템에 있는 경우, 이런 프로세스에 맞춤 코딩, 방화벽 개방이 필요할 수도 있다. 또 규제나 사이버보안과 관련된 승인을 받아야 할 수도 있다. 또 데이터 엔지니어는 데이터 흐름을 만들어야 한다. 이는 몇달이 소요될 수 있는 프로세스이다.

데이터가 수집되면, AI가 워크플로우를 분석하기 시작한다. 프로세스에 관여하는 사람의 수와 트랜젝션의 빈도에 따라 워크플로우 맵 검증에 몇 달이 더 소요될 수도 있다. 

프로세스를 매핑해도, 사람이 이를 검증해야 한다. 그는 “주제 전문가가 확인을 해서, ‘이 단계는 잘못되었고, 여기에 올바른 데이터 소스가 있다’고 말하는 방식이다”라고 말했다.

깊게 통합하는 것이 어려움
RPA를 도입한 기업들에게 여전히 도전과제가 되는 것은 핵심 시스템 밖의 태스크들이다. 웹 스크래핑과 OCR 문서 스캐닝 같은 차선책이 단기적인 해결책이 될 수 있지만, 오류가 발생하거나 프로세스가 파손될 수도 있다. 더 나은 해결책은 API를 매개체로 더 깊이 머신-머신 통합을 하는 것이다.

기술 컨설팅 회사인 인사이트(Insight)의 파트너 제휴 및 운영 담당 SVP인 메간 암달은 “웹사이트 RPA를 사용하는 경우에는 자동화가 안정적이지 못하다”라고 지적했다.

RPA는 사용자가 웹사이트에서 하는 일을 확인할 수 있지만, 웹사이트가 데이터를 직접 가져오는 데 사용할 수 있는 API를 제공하는지 RPA 시스템이 파악하도록 만들 방법은 없다. 이런 이유로 인사이트는 이런 종류의 자동화를 위한 스크립트를 수동으로 구현하고 있다.

암달은 “IT 부서가 API 데이터 전송 요청을 수동으로 코딩하고 있다. IT를 통해 구현되면 더 빨리 운영을 할 수 있다. 더 빨리 축소와 확장을 할 수 있다. API를 통한 하드-코드는 자동화에 영향을 주지 않는다. API 표준이 바뀌지만, 훨씬 더 느리게 바뀐다”라고 말했다.

완전한 자동화를 가로막는 또 다른 장애물은 아직 자신의 프로세스를 디지털화 하지 않았거나, 호환되지 않는 시스템을 갖고 있는 비즈니스 파트너이다.

그녀는 “고객들은 자신의 방식대로 일을 하기 원한다. 그래서 고객 자신이 원하는 방식으로 정보를 받기 원하는 회사를 찾을 것이다. 예를 들어, 이들은 대부분을 우리 웹사이트에서 주문할 수 있지만, 내부 프로세스는 구매 주문서를 생성하기 요구할 수 있다”라고 말했다.

고객이 시스템을 직접 연결할 수 있다면, 이런 연결을 위한 수동 코딩이 필요하다. 그녀는 “이후 문제가 발생하지 않도록 유지관리도 해야 한다”라고 덧붙였다.

핵심 비즈니스 시스템을 SaaS 플랫폼으로 옮기는 기업들이 증가하고, SaaS 공급업체들이 데이터를 통합하기 위해 서로 협력하면, 이런 모든 것들이 금방 바뀔 수 있다. 암달은 “커넥터가 사전 구축되어 있는 상태가 이상적이다”라고 말했다.

일반적인 것보다 특정한 것
프라이스워터하우스쿠퍼스(PwC)의 글로벌 AI 책임자인 아난드 라오는 자사가 AI 기반 프로세스 마이닝에 일정한 성과를 이룩했지만, 특정한 좁은 케이스로 국한된다고 전했다.

그는 “우리는 이를 구현하기 위해 몇몇 업체 도구들을 통합했다. 사람들이 하는 일이 다양하다는 것을 감안할 때, 단순히 지켜보기만 하는 백그라운드 봇은 유용할 수가 없다”라고 지적했다.

라오는 ‘모든 것을 처리하는 자동화’에 대한 업계의 홍보를 주의해야 한다고 말했다. 그는 “프로세스 마이닝 소프트웨어를 설치에 10명의 인력을 대체할 수 있다는 말은 믿지 않는 것이 좋다”라고 말했다.

딜로이트 컨설팅의 데이터 클라우드 및 머신러닝 책임 전문가인 치다 사다야판에 따르면, 여기에 더해 RPA에 사용되는 대부분의 AI는 특정한 개별 태스크용이다.

그는 “모든 것이 AI로 강화되고 있다. 문서를 읽고, 데이터를 추출하고, PII를 가릴 수 있다. 패키지의 손상을 인식하는 이미징 관련 AI도 있다”라며, “그러나 이것들은 AI 기반 RPA가 아니”라고 덧붙였다. 그는 “AI로 단지 일률적인 작업 가운데 일부를 대체한 것이다”라고 말했다.

프로세스 워크플로우 자동화에 통합된 AI와 머신러닝도 있다. 그러나 사용 사례가 많지 않다.

사다야판은 “대형 보험사가 프로세스 워크플로우에 AI를 통합했을 수 있다. 금융 기관이 주택 담보 대출 신청 처리에 AI를 활용하고 있을 수 있다. 그러나 나머지의 경우 대규모 워크플로우 자동화 사례는 극소수에 불과하다”라고 말했다.

그러나 언스트 앤 영(Ernst & Young)의 글로벌 AI 컨설팅 책임자인 댄 디아시오는 성장 잠재력이 크다고 강조했다. 그는 “여러 AI 포인트 솔루션들이 있다. 이런 포인트 솔루션에서 AI 기반 플랫폼으로 확대될 기회가 있다. 자동화가 AI 기반 태스크에 활용될 기회를 모색하고 있다. 두 가지가 융합하고 있다는 의미이다”라고 말했다. 그러면서 “EY는 전통적으로 프로세스 자동화에 초점을 맞췄던 팀을 AI 팀으로 통합했다”라고 그는 덧붙였다.

프로세스의 목적
프로세스 마이닝과 워크플로우 자동화용 AI는 아직 초기 단계이다. 지난 4월 프로세스 마이닝에 대한 보고서를 발표한 가트너의 마크 케레만스 애널리스트는 “앞으로 계속 향상이 될 것” 이라고 강조했다.

그러나 최소한 가까운 미래에 자동화될 수 없는 것은 맥락 인식이다. 여전히 사람이 분석을 해야 한다. 인간이 프로세스가 존재하는지 확인하고, 다른 것으로 교체할 필요가 있는지 판단을 내려야 한다. 

업체들도 많은 투자를 하고 있다. 거의 모든 주요 RPA 업체들이 프로세스 마이닝 기능성을 구축하거나 획득하고 있다. AI에도 투자한다. 셀로니스(Celonis), 유아이패스(UiPath), 오토메이션 애니웨어(Automation Anywhere), 블루 프리즘(Blue Prism), 라이브저니(Livejourney)를 예로 들 수 있다.

주요 업체들은 인수 대상이기도 하다. IBM은 최근 프로세스 마이닝 회사인 마이인베니오(myInvenio)를 인수했다. SAP는 프로세스 마이닝 업체인 시그나비오(Signavio)를, 마이크로소프트는 워크플로우 자동화 업체인 소프토모티(Softomotie)를 인수했다.

케레만스는 궁극적으로 프로세스 마이닝이 기업 플랫폼에 많이 도입되는 기능이 될 것이라고 단언했다. 그러면서서도 그는 프로세스 마이닝을 무시해서는 안 된다고 조언했다. 

그는 “가용한 정보를 모두 갖고 있지 않더라도, 즉시 이용할 수 있는 정보가 있는 태스크부터 시작해야 한다. 이를 통해 인사이트와 가시성 가치를 창출할 수 있기 때문이다. 이렇게 하지 않고 3년을 기다리가만 하면 경쟁에 뒤쳐진다”라고 강조했다.