Article

1 “전세계 AI 도입 기업, 4년새 270% 증가”...가트너 설문조사 결과 발표

편집부 | ITWorld
가트너가 2019 CIO 서베이(2019 CIO Survey)의 결과를 발표했다. 이번 조사 결과에 따르면 인공지능(AI)을 도입한 기업의 수는 지난 4년 간 270% 증가했으며, 지난 한 해 동안 세 배나 늘어난 것으로 나타났다. 또한 모든 산업 분야의 기업들이 다양한 애플리케이션에 AI를 활용하고 있지만, 극심한 전문인력 부족 현상을 겪고 있음이 드러났다.

가트너 수석 리서치 크리스 하워드 부사장은 “4년 전에는 AI 구현이 흔치 않았으며, AI를 도입했거나 곧 도입할 예정이라고 답한 이들은 전체 응답자의 10%에 불과했지만, 2019년 설문조사에서는 그 수가 37%로 크게 늘었다”며, “아직 AI를 도입하지 않은 기업의 CIO들은 경쟁업체들이 AI를 도입했을 가능성이 높은 점을 우려해야 한다”고 말했다.

2019 가트너 CIO 서베이의 목적은 CIO와 IT 리더들이 연간 경영 아젠다를 수립하고 검증하도록 지원하는 것이다. 가트너는 매출 및 공공 부문 예산 15조 달러, IT 지출 규모 2,840억 달러를 차지하는 전세계 89개국 주요 산업군 CIO 3,000명 이상을 대상으로 데이터를 수집했다.

2018년 25%였던 AI 도입 규모는 올해 37%로 증가하며 지난 1년간 세 배나 늘어났다. AI 역량이 크게 성숙하면서 기업들이 관련 기술 구현에 더 큰 의지를 보여 이같은 성장이 이뤄진 것으로 보인다. 

크리스 하워드 수석 리서치 부사장은 “복잡한 업무를 완전히 대신할 일반적인 AI는 아직 먼 이야기지만, 가트너가 ‘증강 지능(augmented intelligence)’이라고 부르는 AI 증강 작업 및 의사 결정학(decision science)의 차원에는 이미 접어들었다”고 말했다.

CIO들은 지속 가능한 디지털 전환과 업무 자동화가 서로 연관돼 있다는 사실을 인지하고 있다. AI는 모든 디지털 전략의 필수적인 부분으로 자리잡았으며, 이미 다양한 분야에 활용되고 있다. 설문조사 결과에 따르면, 통신사의 52%가 챗봇(chatbot)을 도입했고, 헬스케어 기업의 38%가 컴퓨터 지원 진단에 의존하고 있다. 이 외에도 운영에 AI를 적용한 사례로는 사기 감지, 고객 세분화 등이 있다.

AI를 사용하는 기업이 많아질수록, AI 구현의 어려움이 무엇인지 더욱 명확하게 알 수 있다. 가트너 리서치 서클 서베이(Gartner Research Circle Survey) 응답자들 중 54%는 기업이 마주한 가장 큰 난관으로 전문인력 부족을 꼽았다.

크리스 하워드 수석 리서치 부사장은 “앞서 나가기 위해서는 CIO의 창의력이 요구된다”며, “마땅한 AI 인력이 없다면, 통계나 데이터 관리 관련 경력을 갖춘 직원들을 교육시키는 프로그램에 투자하는 방안도 고려해 볼 수 있고, 일부 기업들은 생태계 및 비즈니스 파트너들과 일자리 공유의 기회를 만들기도 한다”고 말했다. editor@itworld.co.kr
Read more
Article

2 ‘차별화는 현재진행형’··· 금용 업계가 AI를 활용하는 방법

Maria Korolov | CIO
ⓒ Image Credit : Getty Images Bank

금융 서비스 기업들이 AI 도입에 앞장서고 있다. IDC는 2019년 뱅킹 분야의 기업들이 AI 솔루션에 56억 달러를 지출할 것으로 예상했다. 소매 부문의 뒤를 잇는 수치다.

MKGI(McKinsey Global Institute)는 이에 따른 효과도 제시했다. AI와 머신러닝을 통해 뱅킹 산업 부문에서 2,500억 달러 이상의 가치가 창출될 것이라는 전망이다.

하지만 많은 금융 기업들이 여전히 AI를 경계하고 있으며, 그 이유는 평판, 규제와 관련된 잠재적으로 부정적인 위험성 때문이다. 그럼에도 불구하고 경쟁 우위를 원하는 금융 서비스 기업들은 고객 서비스 운영을 지원하고 위험 분석을 수행하며 마케팅 및 영업 프로세스를 재정하기 위해 AI 시스템을 도입하고 있다. 여러 금융 서비스 기업들이 AI를 배치하는 방법에 대해 살펴본다.

 

고객 서비스 최적화

싱크로니(Synchrony)는 갭(Gap)과 올드 네이비(Old Navy), 아마존(Amazon), JC 페니(JC Penney), 로이스(Lowe's), 샘스 클럽(Sam's Club), 아메리칸 이글(American Eagle) 등의 여러 주요 브랜드를 대상으로 신용카드 서비스를 운용하고 있다. 또 8,000만 개 이상의 소비자 계정에 대한 서비스를 제공하고 있다. 이렇게 고객이 많으면 여러 지원 업무가 필요해지기 마련이다. 

2년 전, 해당 기업은 일리노이대학교에서 신기술 센터를 출범하면서 AI를 대대적으로 도입하고 170명 이상의 데이터 과학자를 고용했다. 많은 금융 서비스 기업들과 마찬가지로 싱크로니의 주된 AI 및 머신러닝 배치는 챗봇에 초점을 맞췄다.

해당 기업의 CTO 겸 AI 책임자 그렉 심슨은 "우리의 지능형 가상 비서 ‘시드니’는 갭과 로이스 등의 소매기업 웹사이트 곳곳에 상주하고 있다. 이들 브랜드의 고객 계정이 신용카드에 대한 질문이 있는 경우 시드니에게 질문하면 기본적인 질문에 대한 답변을 얻을 수 있다"라고 말했다.

해당 플랫폼은 현재 월 50만 건의 채팅을 처리하고 있다. 해답의 근원은 싱크로니의 콜센터에 기록된 수년 치의 통화 데이터다. 아마존의 장치를 통해서도 이용할 수 있는 이 플랫폼은 실시간 채팅량을 50% 이상 감소시키는데 도움이 되었으며 시드니를 사용하던 고객 중 88%가 서비스에 만족했다고 심슨이 말했다.

글로벌 금융 기업이자 일본에서 두 번째로 큰 자산 규모를 자랑하는 SMBC(Sumitomo Mitsui Banking Corp.)도 고객 서비스를 위해 AI를 배치하고 있다. 해당 은행은 IBM 왓슨을 이용해 콜센터 대화를 모니터링하고 질문을 자동으로 인식하며 교환원에게 답변을 제공함으로써 각 통화당 비용을 60센트나 절감하고 있다. 

이 은행의 토모히로 오카 이사는 연간 100만 건 이상의 통화가 이뤄질 경우 연간 10만 달러 수준의 절감액이라고 설명했다. 또한 고객 만족도는 8.4%나 증가했다고 그는 덧붙였다.

오카는 해당 은행의 여러 AI 프로젝트를 주도하기도 했다. 그는 "직원 상호작용을 위해서도 IBM 왓슨을 활용하고 있다. 예를 들어, 실리콘밸리의 영업 직원이 내부 규칙에 관한 질문이 있는 경우 일본의 HQ에 질문하면 시차가 크기 때문에 하루 늦게 답변을 받게 된다. 이런 질문에 자동으로 답하기 위해 왓슨을 사용한다”라고 말했다.

가트너의 모츠시 사우 애널리스에 따르면 지난 수 년 동안 모든 주요 은행들이 챗봇 프로젝트를 진행했다. 그는 "일반적인 채팅 엔진과 고객을 위한 가상 비서가 있다. 이것들이 많은 부분을 차지한다. 최근에는 내부 운영 효율성을 위한 지능형 에이전트의 투입이 늘어나는 추세"라고 말했다.

영업 프로세스에 지능성 구현하기

챗봇 도입을 연기한 은행 중 하나인 NBKC 뱅크는 켄사스에 위치한 중간 규모의 은행이다. 대신에 NBKC는 담보 대출 프로세스의 일환으로 AI를 이용하고 있다.

해당 은행의 EVP 겸 담보 이사 채드 크롱크는 "고객 서비스용 챗봇에 대한 관심이 높다. 우리 또한 이를 고려하기는 했다. 그러나 좀 더 성숙이 필요하다는 판단을 내렸다”라고 말했다. 

NBKC에서 AI는 대출 담당자들에게 잠재 고객(리드 ; Lead)를 분배하는 역할을 한다. 신규 리드 중 약 60%가 렌딩 트리와 질로우 등의 온라인 리드 통합자를 통해 유입되며 하루 평균 300-350건의 리드가 발생한다. 나머지는 추천 및 재방문 고객이다. 크롱크에 따르면 이전에는 리드가 ‘라운드 로빈’(round robin) 시스템을 통해 98명의 대출 담당자들에게 분배되었다고 크롱크가 말했다.

하지만 이력 데이터를 분석하면서 NBKC는 대출 담당자들에 따라 아침 일찍 또는 오후 늦게 새로운 리드를 더욱 잘 처리하거나 특정 지역의 고객들에 대한 결과가 더 좋다는 사실을 발견했다.

크롱크는 "이는 정보 수준에서 리드를 분배하는 개념으로 이어졌다. 우리가 유망한 고객을 적절한 시기에 적절한 담당자에게 분배할 경우 지속적으로 더 나은 고객 서비스를 제공할 것이라고 생각했다"라고 말했다.

해당 은행은 규모가 작기 때문에 자체 기술을 구축하는 대신에 외부 벤더인 프로페어를 선택했다. 프로페어의 플랫폼은 NBKC의 성사율이 10%나 증가하는데 일조했으며 대출 담당자들의 성과가 65%나 향상됐다.

현재 리드의 25%는 통제 그룹으로 이동하며 무작위로 할당된다. 나머지는 모두가 전체적으로 같은 수의 리드를 받을 수 있도록 개인별 작업 부하를 고려하여 리드를 가장 적합한 에이전트에게 분배하는 정보 시스템에 기초하여 할당된다.

크롱크는 "눈에 띄게 성과가 개선됐다. 15%나 증가한 분기도 있었다"라고 전했다.

그에 따르면 이 새로운 기술을 도입하는데 3-4개월이 소요됐다. 크롱크는 제3자 통합자가 제공하는 리드에 대한 데이터가 API를 통해 해당 은행의 관리 시스템인 벨로시파이(Velocify)로 유입되다고 설명하며, 에이전트 추천을 벨로시파이에 적용하는 방법을 파악하고 프로페어가 에이전트의 이력 성과를 연구할 수 있는 안전한 환경을 구축하는데 약간의 시간이 소요되었다고 말했다.

위험 분석

금융 서비스 기업들은 대출 시 신용 위험, 거래 시 금융 위험, 보험 부문의 보험수리적 위험, 모든 카테고리의 사기 위험 등을 평가하는 방안으로 통계 모델을 오랫동안 사용해왔다.

BPI(Bank Policy Institute)의 기술 정책 사업부 BITS의 사장 크리스 피니는 "요즈음 이런 알고리즘이 훨씬 광범위해졌다. 사용할 수 있는 데이터의 양, 데이터의 유형, 데이터 처리량이 해결되는 문제의 종류를 바꾸고 있다"라며 "거래에 대한 더 많은 정보를 수집할 수 있다면 사기를 더욱 잘 방지할 수 있다"라고 말했다.


피니는 AI가 금융 기업들에게 있어서 큰 차별점이 될 것으로 보고 있다. 단 소비자에게 명확한 가치를 제공해야 할 것이라고 그는 덧붙였다.

그는 "가령 대출 사업에 기회가 있을 수 있다. 현재 새로운 집단의 사람들에게 대출 제품을 제공하기 위해 대체 데이터원을 사용하는 것에 관한 많은 활동이 이루어지고 있다"라고 설명했다.

사기 분석 또한 중요한 활용 사례다. 그는 "AI가 사기를 방지하고 비정상적인 활동을 더욱 신속하게 찾아내기 위해 사기를 더욱 신속하게 찾아내는 능력을 강화할 것이라고 생각한다"라고 말했다.

가라브 나이아파티는 이에 동의했다. 나이아파티는 "보험업을 생각해 보자. 수 천 가지의 적용방법이 있다. AI는 사기이거나 위험이 높을 수 있는 케이스를 걸러내는데 도움이 될 수 있으며, 걸러낸 것만 에이전트가 검토할 수 있을 것이다"라고 말했다. 10대 글로벌 은행 중 한 곳에서 AI 프로젝트를 주도하던 그는 현재 금융 기술 스타트업을 설립하고 있다. 

나이아파티는 이어 "단 우리는 AI를 책임감 있게 활용해야 한다. 이해당사자들과 고객들에게 답을 제공해야 한다. 그리고 상황이 잘못되면 은행은 엄청난 위약금을 지불해야 한다"라고 말했다.

최근 가트너의 설문조사에 따르면 금융 서비스 기업 중 46%가 사기 감지를 위해 AI를 사용하고 있는 것으로 나타났다.

보안 업계의 기업들도 사전 및 사후 위험 분석에 머신러닝을 활용하고 있다고 탭 그룹(Tabb Group)의 핀테크 및 유럽 조사 책임자 모니타 서머빌이 전했다. 탭 그룹이 수행한 최근의 설문조사에서 보안 기업 중 대부분이 12개월 안에 AI에 대한 지출을 늘릴 계획인 것으로 나타났다.

가트너에 따르면 AI는 향후 금융 계약 검토나 거래 개시 등 더욱 복잡한 작업에도 영향을 끼칠 것이다. 해당 조사 기업은 2020년까지 비영업 부서 인력 중 20%가 이례적인 업무를 위해 AI에 의존할 것으로 전망했다.

컴플라이언스 문제

규제 당국들은 이미 신용 위험 평가 또는 의심스러운 행동 발견 등을 위해 금융 기관들이 사용하는 모델을 감독하기가 어렵다는 사실을 잘 잘 알고 있다. 모델이 매우 복잡하고 분석하기 어려울 수 있다. 아니면 제3자 벤더의 특허 모델일 수도 있다.

이런 문제를 해결하는 방법은 다양하다. 그러나 추가적인 우려의 소지 또한 존재한다. 연방준비제도이사회(Federal Reserve Board)의 구성원인 랠 브레이나드는 한 연설에서 "AI의 경우 불투명함과 설명 가능성 영역에서 문제가 생길 수 있다. 설명할 수 없거나 불투명하더라도 AI 툴을 사용하는 것이 이익이 되는 상황이 있을 가능성이 있다는 것을 인지한다면 AI 툴을 적절히 통제해야 한다"라고 말했다.

여기에는 툴을 구축하는 방법, 실제로 사용하는 방법, 데이터 품질 및 적합성 등에 대한 통제가 포함되어 있다고 그는 말했다.

 블랙박스 문제로도 알려져 있는 설명 가능성은 AI 시스템의 특수한 문제이다. 전통적인 통계 모델에서는 데이터 과학자가 특정 결정이나 예측에 필수적인 요소를 수동으로 선택하고 이런 요소의 가중치를 결정한다. 하지만 AI 시스템은 이전에 알려져 있지 않고 이해하기 어려운 패턴을 확인할 수 있다. 이 때문에 은행이 의사 결정의 요소를 설명해야 하는 신용 기회 균등법(Equal Credit Opportunity Act)과 공정 신용 보고법(Fair Credit Reporting Act)을 준수하기 어려운 것이다.

브레이나드는 "다행히도 AI 자체가 해법을 제시할 수 있다. AI 커뮤니티는 '설명 가능한' AI 툴을 더욱 발전시키고 있으며 신용도에 대한 소비자 접근성을 확대하는데 집중하고 있다"라고 전했다.

보안 업계도 이 문제를 해결하기 위해 노력하고 있다고 탭의 서머빌이 말했다. "편파적이지 않은 모델을 AI로 구축할 수 있을까? 가능해야 한다. 어떻게 결정을 내렸는지 설명할 수 있어야 한다. 규제 당국들은 실수로 편견이 들어가지 않도록 하는데 관심이 집중되어 있다"라고 그는 말했다.

싱크로니는 신용 평가을 위해 AI와 머신러닝을 고려하고 있다고 전하며 블랙박스 문제가 해당 기업에게도 문제가 되고 있다고 밝혔다. "우리는 우리의 모델에 설명 가능성을 적용하는 방법을 연구하고 있으며 의사를 결정한 이유를 밝히는 것도 중요하다. 그러나 쉽지 않은 일이다"라고 싱크로니의 심슨은 말했다.

이 기업은 AI 모델을 훈련시키기 위해 사용하는 미가공 데이터가 편향되지 않도록 하기 위해 많은 노력을 기울이고 있다. 이 때문에 그렇게 많은 데이터 과학자가 필요한 것이라고 심슨이 말했다. 그는 이어 “다양한 인력으로 팀을 구성하는 것도 이를 위해서다. 다양성 팀이 없다면 팀이 편향되기 때문에 데이터의 편향을 찾아내기 어렵다. 특히 우리 같은 은행에게는 중요한 부분이다. 이 분야에서는 팀의 다양성이 가장 중요한 방어책이다"라고 말했다. ciokr@idg.co.kr

Read more
Article

3 성공적인 AI 프로젝트를 위한 8가지 핵심 직무

Maria Korolov | CIO
ⓒ Getty Images Bank 

인공 지능(Artificial intelligence, AI)은 비즈니스 가치를 높일 수 있는 풍부한 기회를 제공한다. AI를 제대로 적용할 경우 매출이 증가하고 운영이 최적화되며 직원들이 좀더 가치가 높은 업무를 수행할 시간을 확보할 수 있다. 비용을 낮추고 조직이 새로운 제품을 개발하며 새로운 시장을 추구하는데 도움이 될 수 있다.
 
그래서 기업들이 뛰어들고 있다. 최근 딜로이트 설문조사에 따르면, IT 임원 가운데 55%가 자사는 2018년 중에 6개 이상의 AI 관련 시범 프로젝트를 개시했다고 밝혔다. 이는 2017년과 비교해 35%나 증가한 수치다. 1/3 이상이 인지 기술에 500만 달러 이상을 투자했으며 56%는 AI가 향후 3년 이내에 기업을 혁신할 것으로 기대하고 있다.

하지만 그 목표를 달성하는 것은 쉽지 않으며 특정 핵심 기술이 필요하지만 찾기가 쉽지 않다. 오늘은 비즈니스를 위해 AI를 조기에 도입한 이들이 말하는 AI의 성공을 위한 8가지 핵심 역할을 살펴보자.


AI 연구원

일반 기업이 연구에 투자하는 것은 비 생산적으로 보일 수 있다. 어쨌든 AI 연구원은 언젠가 기계가 사고하는 능력을 혁신할 수 있는 기초적인 연구를 수행하는 박사인 경우가 많다. 또한 AI 연구원을 고용하는 것은 즉각적인 비즈니스적 이점을 제공하지 못할 수 있는 유니콘에 가까운 존재를 고용하기 위해 대학 그리고 구글 및 마이크로소프트 같은 기술 대기업과 경쟁해야 한다는 의미이기도 하다.

하지만 혁신을 통해 주도할 수 있을 것이라는 기대는 사라지지 않는다. 이런 점 때문에 AI 연구원들에 대한 수요가 높게 유지되고 있다. 딜로이트의 설문조사에 따르면, IT 임원 가운데 30%가 AI 연구원을 찾는 것이 다른 그 어떤 역할을 찾는 것보다 중요한 것으로 보고있다.

DRFA(Deloitte Risk and Financial Advisory)의 분석 및 데이터 위험 글로벌 리더 비벡 카티알은 "사람들은 빛나는 물건을 원한다. 하지만 그런 빛나는 물체가 그들이 정말로 원하는 것을 새롭게 할 수 있을까? 차기 페이스북을 노리는 것이 아니라면 그렇지 않을 수 있다"고 말했다.

카티알은 "하지만 재정 지원을 결정하는 많은 임원들은 AI 연구와 AI 적용의 차이를 이해하지 못한다"며, "이런 프로젝트를 지원하는 것은 데이터 사이언티스트가 아니다"고 덧붙였다.

하지만 핵심 비즈니스에 AI가 필수적인 기업의 경우, 연구는 사치가 아니라 필수다. 예를 들어, 앱텍(AppTek)은 약 30년 전 음성 인식 기업으로 설립되었다. 음성 인식 분야 전체가 AI를 통한 혁신을 겪었으며 앱텍은 이를 따라잡기 위해 연구에 투자해야 했다. 예를 들어, 최근 발표한 연구는 대화에서 여러 화자를 식별하는 것에 초점을 맞추고 있다.

앱텍 CRO(Chief Revenue Officer) 마이크 베로니스는 "상업적으로 정말 필요한 부분이다"며, "우리는 문제를 해결하고 역량을 키우기 위해 그렇게 했다"고 말했다. 


AI 소프트웨어 개발자

AI 소프트웨어 개발자는 최근 딥 러닝 또는 GAN(Generative Adversarial Network) 등의 발전 등 기초적인 연구를 수행해 사용 가능한 제품을 만든다. 어떤 기업들은 이를 대형 공급업체에게 맡기고 AI에 대한 자체적인 접근방식을 개발하기보다는 상용 플랫폼에 의존하고 있다. 

딜로이트의 카티알은 "하지만 기업들이 알려진 AI 기법을 이용한다 하더라도 여전히 자체적인 플랫폼을 구축하고 싶을 수 있다"고 말했다. 이를 통해 딜로이트의 설문조사에 참여한 응답자 가운데 28%가 AI 소프트웨어 개발자를 최고의 우선순위로 꼽은 이유를 이해할 수 있다.

자체적으로 개발해야 하는 이유 중 하나는 기존 AI 프레임워크의 "블랙박스" 문제다. 기성 제품의 소스코드를 확인할 수 없는 경우 금융 또는 의료 등 규제를 받는 기업들은 자체적인 과정을 추구할 수 있다.

카티알은 "자체적으로 개발해 개발한 것에 대해 제대로 이해하고 코드를 소유하며 관련된 모든 것을 통제해야 할 것이다. 이런 논의가 많이 이뤄지고 있다. 자체적인 AI 소프트웨어를 개발하는 경우 그들은 툴 자체의 성향을 더욱 잘 이해할 수 있다"고 말했다.

앱텍의 경우에도 마찬가지다. 쉽게 조정할 수 없는 블랙박스 같은 상용 시스템을 보유하는 대신에 자체적인 연구에 따라 특별한 기능을 갖고 있으며 필요에 따라 조정할 수 있는 제품을 얻게 된다. 앱텍의 베로니스는 "음성 인식 엔진을 조정하고 훈련시키며 지속적으로 개선할 수 있다"고 말했다.


데이터 사이언티스트

기업들이 극복할 AI 문제에 대해 생각할 때는 일반적으로 새로운 AI 알고리즘의 개발에 대해 생각한다. 하지만 카티알은 "데이터를 개선해 더 많은 가치를 얻을 수 있을 것이다. 이것이 기능적인 AI에 장벽이 되는 경우가 많다"고 말했다.

카티알은 "이 덕분에 데이터 사이언티스트가 AI 역할 중 가장 중요한 것"이라고 말했다. 응답자 가운데 24%가 원하는 데이터 사이언티스트는 AI 시스템에서 사용할 기업의 데이터를 준비하는 역할이다. 또한 기업이 목표를 달성하기 위해 필요한 데이터, 즉 내부적으로 생성되거나 제3자로부터 수집한 데이터를 식별한다. 또한 데이터 사이언티스트는 데이터 누락, 특정 유형의 데이터 부족, 편향적이거나 오래된 데이터 세트를 파악할 수 있다.

또한 그들은 데이터 세트에 사용할 적절한 알고리즘을 식별하고 이런 알고리즘을 훈련 및 조정하며 관련 전문가와 협력해 결과를 검증한다. 카티알은 "예전에는 고급 통계 전문가가 그런 역할을 담당했다. 그들은 AI 연구 및 AI 소프트웨어의 사용자다"고 말했다. 

최근 SMBC(Sumitomo Mitsui Banking Corp.)의 AI 프로젝트의 핵심은 데이터 사이언티스트다. 세계적인 금융 기업이자 일본 내 자산 보유량 2위를 차지하고 있는 SMBC는 AI를 활용해 데이터센터의 고객 서비스를 개선하고 직원들이 더욱 쉽게 정보를 찾으며 잠재적인 기업 고객을 더욱 잘 식별할 수 있도록 하고 있다.

SMBC 전무이사 아키노부 후나야마는 "이미 데이터 관리 부서 및 데이터 사이언티스트 직원을 보유하고 있다"고 말했다. 처음에는 데이터 사이언티스트가 사용례를 수동으로 구성하고 이런 사용례와 관련성이 높은 데이터 포인트를 식별하며 데이터를 분석하는 알고리즘을 개발한다. 예를 들어, 잠재적인 신규 고객의 수익성을 계산할 때 데이터 사이언티스트는 수천 개의 요소 중에서 유효한 것을 살펴본다.

이 과정 전체에 사용례당 2~3개월이 소요되기 때문에 연간 10~15개의 사용례로 볼 수 있다. 도트데이터의 기술을 이용해 새로운 알고리즘을 개발하는데 가장 유용한 데이터 포인트를 식별함으로써 SMBC는 새로운 모델을 개발하는데 소요되는 시간을 몇 시간으로 단축했다. 이 덕분에 은행이 해결할 수 있는 사용례의 수가 연간 약 100개로 증가해 금융, 재무, 준수성 등 은행에서 더 많은 영역에 AI를 적용할 수 있게 되었다. 후나야마는 "우리는 그룹 전체의 성과를 개선하기 위해 노력하고 있다"고 말했다.

데이터 사이언티스트는 여전히 이 과정에 필수적이지만 반복적인 기능 엔지니어링 업무를 처리하는 대신에 이제는 더욱 광범위한 AI 기술 비즈니스 사용례를 처리하고 있다.


사용자 경험 디자이너

AI가 더 많은 제품과 서비스에 통합되면서 사용자 경험 디자인(User eXperience design)이 점차 중요해지고 있다. 사람들은 이제 메뉴를 열거나 버튼을 클릭하는 대신에 영어로 질문하거나 콘텍스트에서 필요한 것을 애플리케이션이 추론할 수 있다.

기술 컨설팅 업체 인사이트(Insight) CTO 브랜든 엡켄은 "우리는 항상 사용자 경험을 웹 또는 모바일 지향적이라고 생각했다. AI 세계에서는 챗봇 또는 시리 또는 코타나를 음성으로 제어하고 있다. 이를 통해 완전히 새로운 유형의 사용자 경험 디자인이 생겨났으며 이는 새로운 AI 지원 툴을 개발하는데 필수적이다"고 설명했다.

딜로이트의 카티알은 "AI 지원 사물과 인간 경험 사이의 연계성이 발전하고 있다"며, "이미 이런 차세대 혁명이 관찰되고 있다"고 동의했다. 새로운 툴이 개발되면서 사람들은 이를 활용할 수 있게 될 것이며 이를 위해 새로운 종류의 인터페이스가 필요할 뿐 아니라 애플리케이션 또는 비즈니스 프로세스가 구조화되는 방식이 바뀔 수 있다. 카티알은 "이런 기술을 가진 사람들을 찾기 위해 기업들은 고객 서비스 전문가를 찾아야 한다"고 말했다.


변화 관리 전문가

딜로이트의 카티알은 "변화 관리(Change management)는 AI 배치에 있어서 가장 간과하는 측면이다. 그리고 변화 관리의 이점은 직원뿐 아니라 사용자와 고객도 누리고 있으며, 이는 가장 어려운 것이다. 기업에서는 이 영역을 가장 무시하며 과소평가하고 있다"고 말했다.

하지만 변화 관리 전문가의 수요는 여전히 높으며 딜로이트의 설문조사 응답자 가운데 22%가 가장 필요로 하는 기술이라고 답했다. 딜로이트는 AI 프로젝트가 솔루션 개발에 참여하지 않은 경우 AI의 추천을 수락하지 않을 수 있는 지식 노동자에게 큰 영향을 끼칠 수 있다고 밝혔다. 딜로이트는 "조직적 변화의 근본이 파일럿, 풀뿌리 실험(grassroots experiments), 공급업체 주도적인 광고에 의해 잊힐 수 있다"고 보고했다.

또한 설문조사에 참여한 IT 관리자 가운데 63%는 비용을 절감하기 위해 회사에서 AI를 사용해 가능한 많은 작업을 자동화하려 하고 있어 변화 관리 전문 지식의 필요성이 더욱 강조되고 있다.


프로젝트 관리자

많은 AI 프로젝트가 기업들이 더욱 성숙한 기술을 이용하는 것만큼 엄격하게 관리하지 않는 경우가 많기 때문에 문제가 많다. AI 이행을 주도하는 프로젝트 관리자는 AI를 기억의 역할 및 프로세스에 통합하는데 도움이 될 수 있다. 또한 비즈니스 가치를 측정하고 입증하는데 도움이 된다. 이 둘은 딜로이트 설문조사 응답 중 각각 39%와 30%를 차지했다. 또한 AI와 관련된 다른 영역에서 기술 부족 문제를 해결할 수 있다.

비즈니스 컨설팅 업체 슬라롬(Slalom)의 상무이사 마티 영은 "데이터 사이언티스트를 찾기가 어려우며 소프트웨어 엔지니어를 겸하는 데이터 사이언티스트는 훨씬 적고 사용자 인터페이스 디자이너, 보안 전문가, 해당 전문가도 마찬가지다. 이 때문에 AI 프로젝트에는 복잡한 팀들이 참여한다"고 말했다.

벤처 캐피탈 기업 GCP(General Catalyst Partners)의 상무이사 스티브 헤로드는 "프로젝트 관리자는 이 모든 역할을 조율해야 한다. 게다가 프로젝트 관리자는 다양한 분야의 전문가로 구성된 팀들이 AI를 실험적인 파일럿 프로젝트에서 소프트웨어 엔지니어링 및 소프트웨어 라이프사이클의 또 다른 측면으로 이행할 수 있도록 도움이 된다"고 말했다. 헤로드는 VM웨어에서 CTO로 근무한 바 있다.

헤로드는 "모델의 고유한 측면을 이해하고 포함시켜야 하는 광범위한 소프트웨어 릴리즈와 일치시켜야 하는 프로젝트 및 프로그램 관리자를 지속적으로 파악해야 한다"고 설명했다. 또한 "이 분야가 발전하면서 감사 및 인증 관련 문제를 해결하는 사람 등 관련된 역할이 더욱 광범위해질 것"이라고 예상했다. 이로 인해 프로젝트 관리자의 역할과 수요가 증가할 것이다.


AI 결과를 해석할 비즈니스 리더

기업이 AI 기능의 상당 부분을 외부 공급업체에게 맡기더라도 자체적인 비즈니스 전문 지식을 확보해야 한다. AI를 활용해 재무 부서의 고객 서비스, 감정 분석, 자동화를 지원하려던 인도의 운송 기업 스포탄 로직스틱스(Spoton Logistics)가 그랬다. 예를 들어, 해당 기업의 "퍼스트 마일(First Mile)" 및 "라스트 마일(Last Mile)" 주소 문제를 해결해야 했다.

스포탄 로지스틱스 비즈니스 엔지니어링 책임자 사티야 팔은 "인도의 주소는 표준화되어 있지 않다. 기업이 제대로 작성하지 않은 주소를 처리하면 상황만 악화될 뿐이다. 이 때문에 중앙 계획 및 차량 활용이 불가능해진다"고 말했다.

스포탄 로지스틱스는 자체적으로 기술을 개발하는 대신에 대부분의 업무를 외부 공급업체에게 맡기기로 결정했다. 하지만 AI 결과를 해석해야 했던 비즈니스 리더들은 해당 기업의 내부팀에 소속되어 있었다. 그들은 기업이 해결하려는 특정 문제에 대한 비즈니스적 지식이 있었으며 다양한 AI 모델 및 프레임워크를 이해하고 있었다. 예를 들어, 그들은 분류 모델 vs. 강화 학습 및 지도학습 vs. 비지도 학습의 적용을 이해할 수 있었다.

팔은 "일반적으로 그들은 컴퓨터 공학을 공부했으며 파이썬에 관한 지식이 있었다"고 말했다. 약간의 추가적인 교육이 필요했지만 일반적으로 독립적인 연구와 AI 관련 온라인 과정이 전부였다. 이를 통해 그들은 어떤 AI 접근방식이 특정 제품을 해결하고 진행 상황을 검증하는데 가장 적합한지 판단할 수 있었다.


해당 사안 현업 전문가

기성 AI 툴은 항상 모든 사용례에 적용되는 것이 아니기 때문에 해당 사안의 전문가가 핵심이다. 

유틸리티 산업 전문 소프트웨어 업체인 에너지세이비(EnergySavvy) 클라이언트 솔루션 SVP 마이클 라이니는 "일반적으로 온라인 소매 기업의 요구를 중심으로 개발되는 제품 추천 엔진을 예로 들어보자. 온라인 소매 기업들은 고객들의 쇼핑 습관에 대한 데이터를 수집하고 이를 다른 고객들의 쇼핑 습관과 비교할 수 있다. 하지만 지역 유틸리티 기업의 전기를 사용하는 사람들에게는 과거의 구매가 유용한 지표가 될 수 없다"고 말했다.

여기에서 에너지세이비 같은 기업들의 전문 지식이 도움이 될 수 있다. 라이니는 "어떤 고객이 에너지 효율성 프로젝트의 혜택을 받고 있는지 식별하고 어느 정도의 혜택을 누리고 있으며 이런 고객들과 마찬가지로 혜택을 누릴 수 있는 사람이 또 있는지 식별하는 방법을 알고 있다"고 설명했다. 

이를 통해 에너지세이비는 미국 매사추세츠에 위치한 내셔널그리드 같은 고객에게 서비스를 제공할 수 있었다. 에너지세이비의 마케팅 부사장 라이안 워렌은 "최근 해당 기업의 매출은 주로 새로운 AI 역량 덕분에 성장했다"며, "자사의 미래인 영업 부문에서의 새로운 고객 성장의 대부분은 기본적으로 AI에 기초한 기술과 연계되어 있다"고 말했다. editor@itworld.co.kr 
Read more
Article

4 오피스 스위트에 스며드는 AI··· 잠재력은? 대가는?

Paul Heltzel | Computerworld
이메일을 작성할 때 자신의 작성 스타일에 부합하는 제안이 자동 완성되는 것을 경험했을 것이다. 이를테면 프레젠테이션에 이미지를 삽입하는 경우, 소프트웨어가 자르기와 레이아웃에 대해 제안을 하는 식이다. 중요한 메시지에 대한 답장을 잊어버린 경우, 받은 편지함 맨 위에 표시가 되면서 답장을 해야 한다고 알려주기도 한다. 

구글 G 스위트, 마이크로소프트 오피스, 기타 생산성 스위트에 머신러닝과 인공지능 기능들이 점점 더 많이 추가되고 있다. 지금까지는 이메일 답장이나 회의 일정 수립 같은 반복 작업을 자동화, 개인화하는 기능들이 대부분이다. 

향후에는 AI가 구현된 오피스 소프트웨어들은 여러 다양한 플랫폼에서 프로젝트에 대해 협업하는 데 도움을 줄 수 있다. 또 더 나은 비즈니스 의사결정을 내릴 수 있도록 인사이트를 수집해 제공할 수도 있다.

프라이스워터하우스쿠퍼스(PwC)가 에 따르면, 오피스 스위트에 AI를 도입하는 트렌드가 가까운 장래에 생산성을 크게 향상시킬 전망이다. 보고서는 “우리의 분석에 따르면, 2030년에는 AI의 빠른 발전과 도입에 따른 결과로 GDP가 14% 증가할 전망이다. 금액으로는 15조 7,000억 달러가 증가한다는 의미이다”라고 기술하고 있다.

AI로 강력해진 제품들이 늘어나면서 이 기술이 가져올 자동화와 개인화의 활용이 늘어나고, 그 결과로 이 기술을 찾는 소비자의 수요와 요구도 증가할 전망이다. 이에 마이크로소프트와 구글 등 오피스 스위트 개발사들 또한 이런 전반적인 혜택의 일부를 누리기 위해 자사 제품에 AI와 머신러닝 기능을 추가하고 있는 추세이다.
 
지메일의 스마트 컴포즈 기능. 인사나 주소와 같은 요소를 자동으로 채워준다. 

그러나 이런 기능들이 실제 유용할까? 가트너의 제프리 만 조사 담당 VP는 다음과 같이 표현했다.

“처음에는 AI가 사용자의 선호도를 파악하기 위해 사용할 데이터가 많지 않다. 분석할 데이터 세트의 양이 아주 작다면, 좋은 제안이나 추천을 하지 못할 것이다. 그러나 시간 경과와 함께 데이터 세트가 증가해 좋은 제안이나 추천을 하게 된다. 여기에 익숙해지면, AI를 활용하지 못하게 되었을 때 상실감을 느끼게 된다. 예를 들어, 내 개인 자동차는 차량에서 멀어지면 자동으로 문이 잠긴다. 그런데 빌린 렌트카에 이런 기능이 없는 경우 큰 불편함을 느끼곤 한다.”

그렇지만 일부 업계 전문가들은 AI 기반 기능이 예상하지 못한 결과를 초래할 수도 있다고 지적한다. ‘편의’를 제공받은 대가로 프라이버시와 보안에 문제를 일으켰던 앞선 기술들과 비슷한 대가이다. 예를 들어, 개인 데이터를 클라우드에 보관하면 아주 편리하다. 그러나 어떻게 사용자 이름과 암호를 알아낸 해커 등에게 이메일과 사진, 금융 관련 정보가 노출될 수 있다. 애널리스트와 기술 분야 임원들은 AI의 편리성에 데이터 보안을 결부시켜야 한다고 강조하고 있다. 어째됐든 현재 우리는 모든 비즈니스 소프트웨어에 AI가 가져올 잠재력 가운데 극히 일부만 구현한 상태이다.
 
ⓒ Image Credit : Getty Images Bank

 

사무실에서도 가정처럼 활용되기 시작한 AI

아마 AI 기반 기능들 가운데 일부를 이미 널리 활용되고 있다. 클릭 한번으로 즉시 답장을 작성할 수 있는 지메일 스마트 리플라이 기능, 사용자의 문장 작성 특성에 따라 문장에 대해 제안을 하는 스마트 컴포즈 기능을 예로 들 수 있다. 두 기능 모두 사용자의 기존 메시지 및 응답 내용에 기반을 두고 있다. 구글 홍보 담당자에 따르면, 기업 사용자들은 이메일에 답장해야 한다고 알려주거나, 답장을 받지 못한 이메일을 추적할 수 있는 지메일 ‘넛지’ 기능을 월 160만 회 사용하고 있다.

가트너의 만은 “우리가 ‘일상 AI 기능’으로 부르는 몇몇 작은 강화된 기능들이 구글 G 스위트에 추가되고 있다. 회의 참가자의 수와 위치를 토대로 회의실을 찾을 수 있는 기능들을 예로 들 수 있다”라고 설명했다. 구글 독스 작업을 하는 경우, AI로 강화된 구글 문서용 퀵 액세스는 사용자가 구글 드라이브에서 사용한 파일과 문서의 내용을 토대로 관련이 있는 문서를 창으로 표시한다.

G 스위트의 클라우드 서치 기능은 함께 일을 하는 동료들이 기업의 업무 파일을 검색할 수 있는 기능이다. 이 기능을 머신러닝을 활용해 더 능률적으로 검색을 할 수 있다. 예를 들어, “docs Dave sent last month(데이브가 지난 달 보낸 문서)”, “files by Thompson last week(톰슨이 지난 주 공유한 문서)” 등으로 검색을 할 수 있다.

지난 가을, 구글은 지능형 검색을 사용해 타사(서드파티) 문서를 검색하는 기능을 추가했다. 이런 식으로 조금씩 업그레이드를 하고 있는 것으로 보인다. 애널리스트들은 가까운 장래에 비즈니스 사용자들이 다루는 다양한 플랫폼에 AI가 구현될 것으로 내다보고 있다.
만은 “사소한 변화들이 많다. 그러나 이런 것들이 통합되면 큰 차이가 만들어질 수 있다”라고 말했다.
 

마이크로소프트 오피스 365는 여러 다른 업무에 소비한 시간을 보여줌으로써 업무 습관을 개선할 수 있도록 돕는다. 


마이크로소프트는 오피스 365 사용자를 위해 파워포인트에 디자이너라는 이름의 기능으로 AI를 통합시켰다. 사용자가 추가한 사진, 차트, 표를 토대로 프레젠테이션의 레이아웃을 자동 제안하는 기능이다. 또 비즈니스용 원드라이브와 셰어포인트에 AI 기반의 오디오 및 비디오 기록 기능을 배포하고 있고, 디지털 비서인 코타나와 팀스, 기타 오피스 앱을 더 확실히 통합시키고 있다.

이 밖에도 오피스 365는 AI를 이용해 개인화된 검색 및 데이터 분석도 강화하고 있다. 만은 “마이크로소프트의 API인 MS그래프와 AI가 검색을 향상시키고 있다. AI는 사용자의 과거 사용 양태, 관심 사항을 토대로 더 나은 결과를 제시한다. 엑셀에는 데이터에서 이례적인 패턴을 찾는 기능이 있다. 또 사용자의 온라인 작업(업무) 양태를 토대로 이례적인 작업(업무) 패턴을 찾아주는 마이애널리틱스 기능도 있다”라고 설명했다.


클라우드 기반 오피스 스위트는 조호 원(Zoho One)에는 지아(Zia)라는 이름의 AI 비서가 포함되어 있다. CRM 데이터베이스의 세일즈 데이터를 분석하고, 성사될 확률이 있는 거래를 예측하고, 향후 수익에 악영향을 미칠 잠재적인 문제를 파악할 때 사용하는 챗봇의 일종이다. 현재 모든 조호 원 앱들로 확대가 되고 있는 이 AI 비서는 이메일을 추적하고, 고객 팔로우업에 대해 알려주는 기능 또한 지원한다.  
 

사무실의 AI : 앞으로의 전망

애널리스트와 기술 분야 전문가들에 따르면, 가까운 장래에 사용자들은 자신의 모든 필요 사항을 단 하나의 스위트로 해결하려 하는 대신, AI를 활용해 이미 사용하고 있는 여러 다양한 서비스에서 파일을 검색하게 될 가능성이 높다. 다시 말해, 이런 방향으로 AI가 발전한다는 의미이다.

세일즈 강화 소프트웨어 벤더인 세이즈믹(Seismic)의 알 브샤라 데이터 및 분석 담당 VP는 “구글, 마이크로소프트, 세일즈포스 같은 회사들은 우리 일상과 기업에 아주 깊게 뿌리를 내리고 있기 때문에, 다른 회사들은 독자적으로 AI를 구현하기 아주 어렵다. 다른 플랫폼들은 이를 유리하게 이용할 방법을 찾아야 한다. 다른 벤더가 알고리즘 생성부터 혁신적으로 알고리즘을 사용해 비즈니스 문제를 해결하는 방법까지 모든 것을 하는 하나의 플랫폼을 제공할 필요는 없다. 이는 하나의 플랫폼에 사용자가 선호하는 플랫폼이 모두 통합된다는 의미도 된다”라고 말했다.

451 리서치의 크리스 마쉬 애널리스트 또한 미래에 생산성 스위트에 구현될 AI들은 여러 다양한 플랫폼에서 더 많은 사용자와 데이터를 단일 환경으로 통합하는 역할을 하게 될 것이라는 점에 동의했다. 마쉬는 최종적으로 업무 환경에 페이스북 같은 소셜 그래프가 구현될 것이라고 말했다.  

마쉬는 “콘텐츠 주변에 대화를 가져오는 것이라고 말할 수 있다. 즉, 아웃룩에 특정 콘텐츠 수정 방법에 대한 내용이 담긴 이메일 대화가 있다고 가정하자. 박스와 드롭박스 또한 이 플랫폼에서 더 많이 워크플로를 생성하는 것이 크게 도움이 될 것이다. AI와 ML을 지능적으로 관련 대화를 파악, 인식, 분류하는 수단으로 간주하는 것이다”라고 설명했다.
 

조호의 AI 세일즈 비서 지아. 과거 데이터에 기반해 세일즈 가능성을 예측한다. 


IT 컨설팅 회사인 글로반트(Globant)의 최근 보고서에 따르면, 기업의 약 절반은 수집하는 많은 데이터에서 인사이트를 추출하는 용도로 AI를 활용하고 싶어한다. 이와 관련해 브샤라는 다음과 같이 설명했다.

“효과적인 AI 애플리케이션 중 하나는 영업과 마케팅 팀 등 여러 팀의 이질적인 데이터 세트를 통합, (이렇게 하지 않을 경우 간과했을 수 있는) 인사이트를 발굴하는 것이다. 이를 통해, 데이터에 기반을 둔 새로운 캠페인이나 프로그램을 구현할 수 있다. 또 다른 부서들을 위한 ‘통일성 구현 도구(Unifier)’로도 활용할 수 있다. 다시 말해, 마케팅과 세일즈 부서가 동일한 매트릭스와 데이터를 이용하는 것이다. 이렇게 하면, 하나의 팀으로 더 효과적으로 협업을 할 수 있는 토대를 만들 수 있다. 제품 개발 및 마케팅 부서, 고객 지원 및 세일즈 부서 등 어떤 두 팀이라도 협업이 필요한 경우에 이렇게 할 수 있다. 동일한 AI 알고리즘 세트를 활용할 경우, 협업에 적용할 또 다른 새로운 방법 또한 찾을 수 있다.”
 

대가와 보안 우려사항

전문가들은 오피스 스위트에 AI 구현되면 생산성이 크게 향상될 것으로 내다보고 있다. 그러나 이와 동시에, 반복적인(중요할 수도 있는) 작업을 AI에 넘길 때 고려해야 할 위험도 존재한다고 경고한다.

AI 기술 벤더인 다윈AI(DarwinAI)의 쉘돈 페르난데즈 CEO는 “워드 프로세서와 스프레드시트가 과거 백오피스 작업을 크게 자동화시켰듯, AI로 강화한 소프트웨어는 여러 영역에서 생산성 향상을 촉발할 것이다. 중요하게 고려해야 할 부분들이 있다. AI의 정교한 수준이 대상 사용자에게 초래할 영향, 이를 통한 자동화가 사용자의 일상 작업 관여 및 스킬 연마에 미치는 영향(정도)이 여기에 해당된다. 우리는 의사들부터 전투기 조종사까지 기술에 지나치게 의존을 하는 사례들을 확인했었다. 생산성 영역에서도 이런 문제가 초래될 수 있다”라고 말했다.

451 리서치의 마쉬는 여러 벤더의 플랫폼에 저장된 기업 데이터를 단 하나의 AI 기반 허브로 통합할 경우 보안 위험이 초래될 수 있다고 경고했다. 그는 “단 하나의 환경에 (다른 벤더가 전혀 다른 환경으로 이동시킨 결과로)정보가 저장되어 있다면, 자신의 플랫폼 밖으로 나갈 때 정보를 추적하는 방법, 자신의 환경에 적용하고 있는 거버넌스 아래 이를 제공하는 방법 등과 관련해 다양한 문제가 초래될 수 있다”라고 말했다.

마쉬에 따르면, 그가 이야기를 나눈 대부분의 고객들은 지금 당장은 AI와 관련된 우려사항이 많지 않았다. 그러나 만약 AI와 ML이 여러 플랫폼 간 데이터 이동 경로로 활용된다면, 데이터를 정확히 추적하는 것에 대한 보안과 관련된 우려 사항이 발생할 것이다.
 

G 스위트에 내장된 넛지 기능은 지네일 이용자의 8%로부터 매주 응답을 이끌어내고 있다.


사용자 개인의 프라이버시 또한 근거가 있는 우려 사항이다. 페르난데즈는 “사용자의 선호도, 습관, 예상되는 워크플로 등 AI로부터 수집한 인사이트를 비밀로 유지하고, 상업적 이익을 위해 사용하지 않아야 한다. 많은 사용자 약관이 기업이 사실상 제한 없이 데이터 포인트를 수집 및 분석하는 데 사용자가 동의를 하도록 되어 있다. 따라서 AI로 강화된 생산성 앱을 사용하는 사용자들은 자신의 개인화 데이터가 상업적 목적으로 사용되는 위험에 대해 질문을 물어야 한다”라고 말했다. 

SaaS 및 클라우드 기술 공급업체인 시트릭스(Citrix)의 클라우드 및 가상화 IoT VP인 스티브 윌슨에 따르면, 사용자들은 앱의 데이터 수집, 공유, 재판매 관련 내용을 정확히 인지하고, 이에 따라 앱을 사용하는 것이 좋다. 

윌슨은 “최신 머신러닝 기능들은 모델 트레이닝과 모델의 실시간 프로세싱을 위해 수 많은 데이터에 액세스를 한다. AI 시스템은 사용자를 지원하기 위해 지속적으로 사용자 환경을 인식하려 시도한다는 의미이다. 개인 데이터, 기업 데이터를 보호하고 싶다면, 공유될 데이터의 종류를 승인할 때 적극적으로 접근하는 것이 좋다”라고 말했다. 그는 “아무 생각 없이 승인 확인 상자 모두에 표시를 할 경우, 원하는 것 이상으로 정보를 포기하게 되는 것이다”라고 덧붙였다.

페르난데즈에 따르면, 유럽의 GDPR과 캘리포니아의 소비자 프라이버시 법 같이 개인 데이터에 대한 우려 사항을 해소하려는 법이 등장하기 시작했다. 그러나 AI 기반 앱은 아직 초기 단계에 머무른다. 따라서 기업과 사용자는 이러한 앱이 데이터에 액세스하고, 이에 따라 동작을 하게 허용했을 때의 ‘보상’, 초래되는 ‘위험’을 인식할 필요가 있다.

윌슨은 “아직은 감당할 수 없는 큰 문제는 아니지만, 개인과 기업 모두 이 문제를 인식하고 있어야 한다”라고 강조했다.

페르난데즈는 또 경계해야 할 잠재적인 문제 한 가지를 추가로 언급했다. 인공지능의 의사결정이 편향될 수 있는 문제이다. 예를 들어, 최근 아마존에서는 HR 도구가 남성 구직자를 우선시하는 문제가 발생한 사례가 있었다. 이 도구에게 이런 편향된 결정을 유도하는 역사적 데이터를 제공해 트레이닝한 결과이다.

그는 “편향된 데이터세트 때문에 AI에서 편향된 결과가 발생하는 사례가 많다. AI 시스템의 품질은 트레이닝에 사용하는 데이터가 결정하기 때문이다”라고 말했다. ciokr@idg.co.kr

Read more
Article

5 가상 비서는 어떻게 비즈니스 가치를 견인하나

Bob Violino | CIO
ⓒ GettyImages Bank

가상 비서, 인공지능(AI) 비서 기술은 꽤 오래전부터 부상할 움직임을 보였다. 그러다 아마존 알렉사, 애플 시리, 마이크로소프트 코타나, 구글 어시스턴트 같은 제품이 인기를 끌고 있으며, 이러한 추세는 계속되고 있다.

사용자의 음성 명령을 이해하고 사용자를 대신해 작업을 수행하도록 훈련받은 가상/AI 비서 기술은 여기에 그치지 않고 기업 시장에도 진입하고 있다. 기업은 음성-문자 전환, 팀 협업, 이메일 관리, 고객 서비스, 헬프데스크 관리, 데이터 분석 등 다양한 사례에 AI 비서(챗봇 포함) 기술을 활용할 방법을 모색하고 있다.

온라인 IT 커뮤니티인 스파이스웍스(SpiceWorks)가 2018년 발표한 보고서에 따르면, 직원 500명 이상의 기업 40%가 2019년에 기업이 보유한 기기에 지능형 비서나 AI 챗봇을 하나 이상 구현할 계획이 있다. 이는 스파이스웍스가 2018년 3월에 북미와 유럽의 IT 구매자 529명을 설문 조사한 결과다.

기업 보유 기기와 서비스에 이미 이 기술을 구현한 기업의 약 절반인 49%는 업무 관련 작업에 마이크로소프트 코타나를 사용하는 것으로 조사됐다. 그 다음으로는 47%가 애플 시리를 사용 중이었다. 구글 어시스턴트와 아마존 알렉사를 사용하는 비율은 각각 23% 및 13%이다.

AI 챗봇과 지능형 비서를 배포한 기업들 가운데 46%는 STT(Speak to Text) 기록에 사용하고 있었으며 26%는 팀 협력 지원에, 24%는 직원 일정 관리에 각각 사용 중으로 파악됐다. 이밖에 14%는 고객 서비스 지원에 AI 챗봇을 사용하고 있고, 13%는 IT 헬프데스크 관리에 사용하고 있었다.

절반이 넘는 53%의 기업들은 IT부서에서 이러한 제품을 사용하고 있었다. 23%는 관리 부서 지원에 20%는 고객 서비스 지원에 각각 사용 중이었다. 

AI 챗봇이나 지능형 비서를 아직 활용하지 않는다는 이유에 관해 업무 관련 사례가 미흡해 사용하지 않는다는 답변이 약 절반에 달했다. 또 29%는 보안 및 프라이버시에 대한 우려를, 25%는 비용으로 인한 도입 연기 등을 이유로 각각 지목했다. AI 도입이 확대되는 추세지만, 조직이 AI 기술을 구현해 지원할 수 있는 적절한 기술력, 인재, 자원을 보유하고 있다고 답한 IT종사자 비율은 20%에 불과했다.

가상 비서를 구축하고 계속 유지할 계획인 IT임원들에게 도움이 될 수 베스트 프랙티스들을 정리했다.
 

팀워크를 강조한다

독자적으로 AI 비서를 개발하고 배포해 유지 관리할 수는 없다. IT는 고객 서비스, HR, 경영진 등 다른 조직체와 접촉하고 협력해야 한다.

캐피털원이 2017년 출시한 자연어, SMS 기반 챗봇인 Eno를 개발했을 때 중요한 구성 요소 중 하나가 ‘팀 개념’이었다. 캐피털원의 소프트웨어 엔지니어링 VP 마가렛 메이어에 따르면 Eno의 특징, 기능, 인프라를 구현하기 위해 디자인, 제품 개발, IT 부서 직원들로 팀을 구성했다.

메이어는 “하나의 팀으로 일하면서, 새로운 기능에 대해 각자 인풋과 피드백을 제공해 Eno와 관련해 더 큰 성과를 일궈냈다. 정확한 장기 로드맵 수립에 대해 지나치게 집착하지 않는다. ‘민첩’하게 일한다. 그리고 고객이 원하는 ‘Eno가 고객에게 도움을 줄 수 있는’ 부분에 초점을 맞추고 있다”고 말했다.

Eno는 고객들이 더 빨리 효과적으로 계좌의 잔액, 최근 거래 내역, 결제일 관련 질문에 대한 답을 찾고 요금을 납부하며 기타 거래를 하도록 도움을 준다. 머신러닝을 사용해 특정한 사용자의 요구에 맞도록 지능형 비서를 커스터마이징할 수 있다.

AI 비서를 유용하게 사용할 수 있는 또 다른 분야는 부정행위(사기) 방지다. 기존에 사용한, 고객의 응답이 필요했던 부정행위 경고는 사용할 수 있는 응답 세트가 협의로 정의되어 있었다. 메이어는 “Eno는 자연어 처리 기능이 있다. 덕분에 자신의 신용카드 및 현금카드 계좌의 의심스러운 활동 때문에 경고를 받은 캐피털원 고객들은 이제 ‘네/아니요’로만 대답하지 않아도 된다. 이는 캐피털원이 의심스러운 활동에 대한 얼럿과 관련, 고객들로부터 더 다양하고 많은 응답을 받고 이를 파악하며 이해할 수 있도록 만들어준다. 이를 통해 카드를 더 빨리 중지시켜, 더 이상의 부정행위를 방지할 수 있다”고 설명했다.

Eno는 SMS 문자를 넘어, 다른 채널로 확대가 되고 있다. 고객의 요구와 채널 선호도를 충족하기 위해서다. 메이어는 “고객들이 채널에 상관없이, 자신들의 질문에 대한 답을 더 빨리 디지털 기반으로 얻도록 만드는 데 목적을 두고 있다”고 말했다.

고객들은 Eno와의 자연스러운 대화형 접촉에 긍정적인 반응을 보였다. 메이어는 “대기 시간 없이, 고객 서비스 직원과 이야기를 하는 것처럼 Eno와 이야기할 수 있어 좋다’는 고객 반응을 강조하고 싶다”고 전했다.

 

 

기술을 쉽게 활용할 수 있도록 만든다

나사(NASA) 산하 제트 추진 연구소(JPL)는 이른바 ‘미래의 기술 물결’을 끊임없이 평가하고 실험한다. 내부에서 개발한 디지털 비서 또한 이런 ‘미래의 기술 물결’에 포함이 된다. JPL의 톰 소더스트롬 IT CTO에 따르면, 이런 ‘물결’은 도처에 지능형 비서를 구현하게 될 ‘거대한 쓰나미’가 된다.

소더스트롬은 “기본 탑재된 지능형 비서가 진짜 유용해지려면, 쉽게 접근하고 쉽게 활용할 수 있게 만들어야 한다. 이미 우리는 시리, 알렉사, 구글 같은 디지털 비서에게 편하게 질문하고 대답을 듣는다. 우리는 이런 간편함을 좋아하지만, 업무 관련 질문은 할 수 없다. 또 이런 상용 디지털 비서와 대화를 유지할 수도 없다”고 이야기했다.

JPL의 비즈니스 케이스는 직원들이 지능형 비서와 간단히, 그리고 자연스럽게 업무와 관련된 깊이 있는 대화를 하고, 몇 초 만에 정확한 대답을 얻도록 만드는 것이다.

소더스트롬은 “대화, 문자, 화면 표시, 이메일 답장 등 사용자가 선호하는 방식으로 답변이 제공될 것이다”고 말했다. 질문을 하면, 지능형 비서는 페타바이트급 데이터가 포함된 여러 데이터 소스를 쿼리해 재빨리 질문에 대한 대답을 제공할 수 있어야 한다. 이때 사용자가 모든 세부 사항을 알 필요가 없도록 만들어야 한다.

이런 지능형 비서는 여러 다양한 사례에서 그 ‘혜택’이 입증되고 있다. 이런 사례 중 하나는 헬프데스크처럼 동일한 종류의 질문을 반복해 묻는 경우다. JPL은 HR과 계약, 조달, 사이버 보안, 클라우드 컴퓨팅에 대한 질문, 빈 회의실을 찾거나 주차장의 빈 자리를 찾는 등의 질문에 대답할 수 있는 지능형 비서를 구축했다.

또 다른 사례는 전문가들이 자신의 전문 분야와 관련된 특정 정보를 찾는 경우다. 이 지능형 비서는 수많은 데이터 소스와 도메인을 신속하게 검색해, 그 즉시 인사이트를 제공할 수 있다. 사이버 보안과 관련된 쿼리들, 우주 통신망 추적과 관련한 깊이 있는 질문들, 앞으로 열릴 컨퍼런스에 대한 정보, 최신 제안서에 대한 정보, 이상 행동/동작에 대한 보고서 작성 등도 사례가 될 수 있다.

데이터의 양이 아주 많고, 트랜잭션이 아주 빠른 속도로 발생하는 가운데 실시간 모니터링이 필요할 수 있다. 그러나 사람은 적시에 대응할 수 없다. 이런 경우도 사례가 될 수 있다. 백그라운드에서 작동하는 지능형 비서가 사용자에게 이벤트에 대해 통보하거나, 자신이 직접 대응하는 사례다. 실시간 공격 같은 사이버 보안 사고, 자동으로 화성의 흥미로운 부분에 대한 사진을 촬영해 JPL에 전송하는 것, 법 집행 기관들이 인터넷과 다크웹을 조사하는 데 도움을 주는 등의 다양한 노력이 예가 될 수 있다.

로드맵을 수립한다

가트너의 고객 경험 및 기술/대화형 AI 플랫폼 조사 담당 글로벌 선임 디렉터인 브라이언 마누사마는 “기업은 대화형 비서를 활용해 가치를 창출하는 데 목적을 둔 로드맵을 수립해야 한다”고 강조했다.

마누사마에 따르면, AI 비서를 활용할 수 있는 4가지의 중요한 대화형 상호작용 유형이 존재한다. 기업이 이 기술에 대한 경험을 축적하면서 논리적으로 발전 및 진행이 되는 유형들이다.

첫째, 낮은 수준의 정보 제공 작업이다. 단순한 대화로 의도를 파악하는 유형이다. 현재 배포된 기술 가운데 대부분이 여기에 해당된다. 웹사이트에서 자주 하는 질문을 자동화한 것을 예로 들 수 있다.

둘째, 낮은 수준의 정보 제공 작업이지만, 의도를 파악하기 위해 복잡한 대화가 필요한 유형이다. 의도를 명확히 파악하기 위해 여러 질문을 하는 유형이다.

셋째, 단순한 대화에 기반을 둔 트랜잭션이 요구되는 ‘엔드 투 엔드’ 작업이다. 자동화된 에이전트와의 대화를 백엔드 시스템에 통합, 트랜잭션을 트리거하거나, 여러 지식 기반을 결합해 요청에 대한 응답을 제공하는 유형이다.

넷째, 폭넓은 주제의 대화가 가능하고, 엔터프라이즈 시스템과 통합된 진짜 대화형 AI 비서다.

AI 비서가 실제 가치를 창출해 전달하는지 판단하기 위해서는 고객 만족도를 측정하는 것이 중요하다. 마누사마는 “최근 몇 년 동안, 일부 챗봇이 고객들에게 매우 나쁜 경험을 전달한 사례들이 있었다. 만족도를 측정하고, 단계적 확대 비율을 모니터링하며, 문제에 대한 보고서를 평가해야 한다. 또 더 정확해지도록 디지털 에이전트를 지속해서 재교육시켜야 한다”고 강조했다.

지금 바로 시도하며 직접 부딪혀 배운다

현재 AI 비서를 배포 및 구현할 수 있는 기술들이 존재한다. IT는 AI 비서 구현 및 배포를 지원해야 한다. 소더스트롬은 “사용자에게 가장 유용한 사례를 묻는 것이 좋다. 그런 다음 구축을 시작하고, 신속하게 사용자 피드백을 수집한다. 이를 기반으로 반복을 하거나 ‘폐기’한다. 그리고 다음 기술을 구현하기 시작하는 것이 좋다”고 말했다.

조직 구성원이 특정 AI 비서가 유용하다고 판단내릴 경우, 이는 경제적인 투자이고 빨리 투자 수익을 회수할 수 있는 투자다. 특정 비서가 유용하지 않다는 판단이 내려질 경우, 이는 작은 투자이고 미래에 사용하기 위해 ‘보관’할 수 있다.

JP는 AI 비서 프로젝트를 시작하면서 ‘아이디어톤’ 회의를 개최했다. 그리고 빈 회의실을 찾는 사례에 대한 요청이 가장 많다는 것을 발견했다. 소더스트롬은 “1주 만에 첫 번째 버전을 만들었다. 이후 계속 지능을 추가시켰다. 아주 효과적이라는 것이 증명되었고, 인기도 높았다”고 전했다.

특정 목적을 위해 특정 비서를 구현하는 방법 또한 고려해야 한다. 소더스트롬은 “동일한 아키텍처와 도구가 사용되지만, 사용자의 의도를 정확히 파악할 수 있을 정도로 자연어 처리 기술이 발전된 상태는 아니다”고 말했다. JPL이 단 하나의 AI 비서만 구현했다면, 사용자는 애플리케이션에서 더 많이 질문해야만 했을 것이다. 그리고 이는 AI 비서를 활용하기 어렵게 만들었을 것이다.

기업은 AI 비서를 배포할 때 일정 수준의 ‘후퇴’도 예상해야 한다. 보험사인 에이플락(Aflac)의 혁신 및 고객 경험 담당 디렉터 키스 팔리는 “AI를 구현할 때, 실패를 즉시 인정하고 이를 통해 학습하는 것이 중요하다”고 강조했다. 

2018년, 에이플라은 웹사이트와 모바일 앱에 ‘채팅’ 기능을 추가했다. 팔리는 “처음에는 완전히 자동화된 챗봇을 구현했다. 그러나 특정 유형의 질문에서 ‘실패율’이 너무 높다는 판단을 내렸다. 그래서 보험 혜택 및 범위와 관련된 다양한 질문에 대해서는 챗봇 대신 사람과 사람의 채팅 기능을 이용하기 시작했다”고 설명했다.

직원들은 모든 질문에 대해 대답할 수 있다. 에이플락은 이 원본 ‘질문 및 답변’ 데이터를 축적하고 있으며, 이를 활용해 2019년에 새로운 챗봇을 출시할 계획이다.

팔리는 “에이플락은 일정 수준 위험을 감수하고, 실패를 두려워하지 않는 기업 문화를 만들고자 한다. 초기의 실패로부터 재빨리 교훈을 터득하고, 다시 시작하며, 아주 성공적인 고객 앱을 개발해 전달할 수 있었다. 이는 고객 만족도를 높일 것이다”고 강조했다.

*Bob Violino는 프리랜서 기자로 다양한 기술과 비즈니스에 대한 주제를 담당하고 있다. ciokr@idg.co.kr

Read more
Article

6 '고객경험을 혁신한다' 일문일답으로 알아본 AI 상담원

Nadia Cameron | CMO

인공지능(AI) 기업인 IP소프트의 최고 커머스 책임자(Chief commercial officer) 조나단 크레인은 가상 고객 상담원이 등장했다고 밝히며, 기존의 고객 담당 직원들이 어떻게 AI를 수용할 수 있는지 조언을 전했다. 
 

ⓒGetty Images Bank


비즈니스의 디지털 혁신 수단으로 인공지능(AI)을 시험하는 '개척' 단계에서 이행하는 단계로 빠르게 전향하고 있다고 IP소프트의 CCO 조나단 크레인은 생각했다. 

IP소프트는 세계적인 규모의 사유 AI 및 인지 컴퓨팅 기업이다. 미국에 있는 이 회사는 지난 15년 동안 인간에게 문제를 해결하기 위해 무엇이 필요한지 학습함으로써 IT 인프라를 관리하는 가상 엔지니어를 개발했다. 현재 약 3만 개의 제품이 판매되었다. 

2015년, 이 회사는 '가상 직원'으로 사업을 확장하고 '아멜리아(Amelia)'라는 가상 고객 상담원(VCA:Virtual Customer Agent)을 개발했다. VCA는 화이트칼라 노동자가 수행하는 전략적이며 반복적인 업무를 처리하여 이들이 훨씬 더 전략적인 임무를 수행할 수 있도록 돕는다. 

콜센터부터 시작한 아멜리아는 현재 자동차보험을 판매하고 생명보험을 지원하며 소매업을 도와주고 자산 관리를 보조하며 세계적인 규모의 금융기관에 새로운 계좌 정보를 제공하고 있다. 최근에는 아멜리아가 HR 직원이 되어 한 대형 이동통신사의 6만 명에 달하는 직원들에게 휴가 정보 또는 조건 등을 제공하고 있다. 

크레인은 AI의 완성도에 관한 통찰을 공유하고 챗봇과 가상 에이전트의 차이점을 설명하며 고객-직원 간의 커뮤니케이션을 AI가 담당하게 된다는 전망을 내놨다. 다음은 크레인과의 일문일답이다. 

CMO : 사업상 AI를 어떻게 정의하나? 
조나단 크레인(이하 크레인) :
우리에게 AI는 간단하고 전략적이며 지루한 업무를 자동화하여 우리의 전략적인 능력을 활용하는 것이다. 

CMO : 그렇다면, 챗봇과 AI의 차이점은 무엇인가? 
크레인 :
챗봇의 경우 기본적으로 알려진 프로세스를 취하고 검토한 후 디지털 감독관을 배치하는 것이다. 프로세스를 자동화하는 것이며 범위가 매우 좁다. 중요한 차이점은 챗봇이 이미 알고 있는 문제를 해결하거나 프로세스를 수정하며 스크립트화된 정답을 활용한다는 점이다. 

우리는 문제를 해결하려 하고 있다. 자동차 보험을 원하는 고객이 있다고 가정해 보자. 챗봇이 자동차 보험에 관해 제대로 대화할 수 있도록 하는 스크립트는 없다. 사람들이 얼마나 다양한 방식으로 자동차 보험에 대해 질문하는지 안다면 놀랄 것이다.   

아멜리아는 대화 지능, 문제 해결, 맥락에 관해 훈련받고 있다. 그녀는 질문을 파악한 후 어떻게 도울 수 있는지 대화할 수 있다. 

챗봇은 프로세스를 구축하는 기업들에게 유용하지만, 우리의 목표는 의미론적인 인터페이스로 잠재력을 발현하도록 하여 대화하고 협력하며 고객의 문제를 해결하는 것이다. 그것이 불가능하다면 인간과 협업하여 답을 찾을 수 있다. 

CMO : 그렇다면 현재 AI는 어디까지 가능한가? 
크레인 :
AI는 고객과 잠재 고객 또는 직원이 실제로 무엇을 원하는지 파악한 후 다양한 측면을 가진 프로세스의 일환으로 문제를 해결할 수 있다. 예를 들어, 청구서 문제로 고객이 전화를 걸면 조직은 고객이 이 문제를 2년 동안 경험했고 처음으로 데이터 요금제에 관해 이야기하고 있으며 충성도가 높은 고객이고 구형 휴대전화를 사용하고 있다는 사실에 대해 생각한다. 

이런 경우 나는 아멜리아가 고객경험 과업을 수행하면서도 수익을 발생시키기를 바란다. 단지 질문에만 답하는 것이 아니라 해당 고객에게 추가 서비스를 판매하는 것이다. 
 


CMO : 이러한 역량을 조기에 도입한 산업이 있나? 
크레인 :
금융 서비스 및 보험 산업이 도입했고 그 이유는 단순했다. 해당 산업 부문의 많은 고객 센터에서 반복적인 질문을 받으며 이들은 AI를 통해 이를 해결할 수 있다고 생각했다. 예를 들어, 한 기업은 연간 12억 건의 통화를 처리했다. 이 기업들은 직원이 직접 대응하도록 했는데 일반적으로 대응에 그칠 뿐 여기서 수익을 창출하지는 못했다. 기업에게는 고객 응대 직원보다는 적절한 해결책이 필요했다. 

소매 기업들은 웹 기반 구매에서 시작하여 이를 오프라인 경험과 연계시키는 방법을 알고 싶어 한다. 사람들은 매장의 활동과 관련된 웹상의 정보를 보고 매장을 다시 방문하게 된다. 고객의 선호도와 이전의 구매 행동을 파악하여 더 나은 서비스를 제공할 수 있게 되는 것이다. 

하지만 매장 직원에게 이런 정보가 없다면 고객은 스마트폰이라는 무기를 들고 온다. 이미 조사를 마쳤고 구매할 의도가 있다. 고객은 자신 그리고 자신이 관심 있는 제품에 관한 같은 수준의 지식이 있는 사람을 원한다. 안타깝게도 우리가 매장 직원을 지원할 수 있는 능력은 매우 제한적이며 이직률은 매우 높다. 가상 비서가 이런 수요를 충족시킬 수 있다. 

AI를 통해 사람들에게 안내를 제공하고 의사 결정을 도우며 정보를 보유한 인력을 운용할 수 있다. 직원이 모르는 제품이 있으면 애플워치를 착용하고 아멜리아에게 질문할 수 있다. 아니면 소매점 안에 키오스크를 설치할 수도 있다. 

우리는 잠재 고객, 고객, 직원들과 상호작용하는 새로운 방법에 관해 생각해 보아야 한다. 이 기술을 통해 우리는 여기에 투자할 사람들을 파산시키지 않고 하이터치 역량을 확보할 수 있다. 

 


CMO : 전세계 AI 도입 성숙도 수준을 평가한다면? 
크레인 :
지난 3년 동안은 개척 단계였으며 기업은 챗봇, IBM 왓슨, 마이크로소프트의 코타나를 사용하기 시작했다. 또 샘플을 시험하고 구매할 있는 기회가 있다. 

우리는 그런 '시도 단계'에서 이행 단계로 넘어가고 있다. 모두가 디지털 혁신을 하나의 특권으로 보고 있으며 기업들은 새로운 디지털 시대에 적응해야 한다. 즉, 비용 구조와 프로세스를 바꾸고 지금까지 생각하지 못했던 새로운 기회를 고려해야 한다. 

그 결과, 모든 CEO가 혁신하는 방법 그리고 고객과 잠재 고객이 자신의 기업을 보는 관점을 바꾸는 방법에 관해 고민하고 있다. 핵심은 고객경험이며 여기에서 AI의 역할이 크다. 운영 비용 절감과 디지털상의 이점이 있지만 이미 정해진 것들이다. 이 새로운 (고객 중심) 시대에 어떻게 대처하는지가 중요하다. 

CMO : AI 사용이 오히려 해가 되는 경우가 있나? 
크레인 :
사람들은 항상 일자리에 관해 질문한다. AI는 높은 수준의 혁신, 새로운 서비스, 사업, 새로운 업무 처리 방식을 제공한다고 생각한다. 새로운 기업들이 생겨나 이런 기술을 활용할 것이며 틈새 AI형 솔루션 세트를 공급하는 기업들이 늘어날 것이다. 

의료 활동의 연장으로써 외래 환자 물리 치료가 좋은 예이다. AI를 활용하여 지금은 지원할 수 없는 더 높은 수준의 치료를 지원할 수 있다. 구세대를 돌보는 것 등 우리가 솔직히 등한시했던 것들에 큰 도움이 된다. 경제 때문에 어려운 부분이 있으며, AI는 이미 서비스를 제공하는 사람들의 역량을 키울 수 있다. 

CMO : AI를 개선하기 위해 어떤 종류의 기술이나 동향을 활용하고 있나? 
크레인 :
감성지능이 그중 하나다. HR 가상 비서에게 휴가 일수를 질문하고 ‘몸이 찌뿌둥하다(I feel under the weather.)’고 말했다고 가정해 보자. 알렉사라면 그 말뜻을 이해하지 못하기 때문에 분명 해당 위치의 온도를 알려주었을 것이다. 아멜리아는 다르다. 그래서 AI는 공감을 드러내야 한다. 이런 디지털을 통한 기능의 인간화를 위한 감성적인 요소가 없다면 중요한 측면을 놓치게 된다. 

두 번째는 학습이다. 인간에게서 배워야 한다고 생각한다. 콜센터에 있는 사람들을 생각해 보자. 그들은 매일 배워야 한다. 우리는 아멜리아를 신속하게 훈련하는 것이지만 그녀는 지식을 늘리고 분석을 제공하며 학습 내용에 관해 마케팅 분석을 수행할 뿐 아니라 감성 지능과 행동도 접목할 수 있다. 

CMO : 현실적으로 AI가 언제쯤 그렇게 할 수 있을 것인가? 
크레인 :
아멜리아의 경우 이미 1차적인 감성을 내장했으며 텍스트와 음성을 통해 이를 파악할 수 있고 공감할 수 있는 능력이 있다. 마케팅 분석을 통해 그녀에게 대응 방법을 훈련할 수 있으며, 우리는 이것을 '프로세스 존재론'이라 부른다. 그녀는 무엇이 효과가 있고 없는지를 파악하여 자신의 프로세스에 접목할 수 있다.  

이를 따로 수행하는 사람들이 있다. 음성과 대화를 연계시키는 것은 또 다른 문제다. 고객이 전화하면 리투아니아 억양을 가졌다는 사실을 파악하여 콜센터에 있는 리투아니아 사람에게 연결해줄 수 있다. 고객에게 가장 적합한 서비스를 찾아 제공하기 시작했다. 

아멜리아는 맨 앞단에 있기 때문에 대응할 수 있도록 백엔드에게 지식을 신속하게 축적해야 한다. 그녀가 구형 시스템에 연결되어 있다면 인간만큼 느리게 된다. 로봇 프로세스 자동화를 통해 우리는 백 오피스의 속도도 높일 수 있다. 우리는 1Desk 서비스를 통해 이를 개발하고 있으며, 이것은 기업 전체를 위한 E2E디지털화다. 

CMO : AI를 활용하려는 조직에게 전하고픈 조언이 있다면? 
크레인 :
사람들과 협력하여 고객, 잠재 고객, 직원들과 상호작용할 때 핵심 문제 영역을 파악한 후 중요한 사용례를 개발하는 것이 좋다. 인간이 문제를 해결하도록 한다면 어디에서부터 시작해야 할까? 이를 통해 가치 체인이 형성되는 것이다. 곤란한 문제를 발견하면 좋은 사용례가 될 것이다.  

고객들의 질문에만 답하고 싶은 것이라면 챗봇을 사용하면 된다. 그런 수준의 투자부터 시작하자. 하지만 상호작용 방식에 관해 정말로 고민하고 싶다면 지금이 바로 디지털 노동력으로 인간의 기능을 처리할 기회다. 이를 인간과 융합하고 정말로 유지하고 싶은 고객들에게 훨씬 뛰어난 수준의 서비스를 제공하자. 

CMO : 사람의 일자리를 빼앗는다는 우려부터 여러 편견까지 AI에 관한 윤리적인 고려사항은 어떠한가? 이런 위험을 최소화할 방법이 있을까? 
크레인 :
우리는 성인 재교육에 관해 생각해 보아야 한다. STEM을 통해 유입되는 젊은 사람들은 머신러닝 사용을 이해하며 기술이 향상될 것이다. 자동화에 민감한 일자리에서 근무하는 사람들에게 주의를 기울여야 한다. 로봇이 과거 인간이 하던 일을 대체한 자동차 제조업과 다르지 않다. 우리는 자동화될 직업을 파악한 후 그 사람들에게 재교육의 기회를 제공하며 이 기술을 도입하는 과정에 참여시켜야 한다. 

이는 기업의 책임이지만 정부도 도움을 줄 수 있다. 현재 새로운 디지털 환경에서 디지털 인력 관리와 감독 등 많은 일자리가 창출되고 있기 때문에 사람들을 교육해야 한다. 디지털 협업자, 소프트웨어 업데이트 관리 등에도 관심을 기울여야 한다. ciokr@idg.co.kr

Read more
Article

7 머신러닝을 실패로 이끄는 6가지 방법

Bob Violino | InfoWorld
ⓒ Getty Images Bank


일반적으로 학습 과정이란 실수를 저지르고 잘못된 길을 택하면서 경험을 통해 향후 동일한 함정을 피하는 방법을 알아 나가는 것을 의미한다. 머신러닝 역시 다르지 않다.

기업이 머신러닝을 구현할 때는 주의해야 한다. 일부 마케팅 자료에는 머신러닝을 매우 빠르고 정확한 기술로 묘사하지만 현실은 그렇지 않다. 진실은 머신러닝 프로세스에는 실수가 포함될 수밖에 없다는 것이다. 이러한 실수는 (적어도 한동안은) 비즈니스 프로세스에 영향을 미친다. 현재 이와 같은 실수는 큰 규모로 발생하며 사람이 즉각적으로 통제할 수 있는 범위를 벗어나는 경우가 많다.

SPR 컨설팅의 최고 데이터 과학자인 레이 존슨은 “면밀한 실사가 동반되지 않은 열의는 머신러닝의 이점을 거의 무효화하는 문제로 이어질 수 있다”고 말했다.

머신러닝 오류를 탐지하고 적절히 대처하면 머신러닝 기술의 성공 가능성을 높이고 이 기술에 대한 기대치를 충족하는 데 도움이 된다. 머신러닝 툴이 학습 중 저지르는 실수를 늘리고 그 기간도 연장시키는 문제점은 다음과 같다. 이러한 문제점을 방치할 경우 머신러닝 툴은 잘못 학습하면서도 이를 인식하지 못하고 따라서 교정도 할 수 없는 상황에 놓이게 된다.

머신러닝 실패 원인 1. 비즈니스에 대한 이해 부족

머신러닝 모델을 사용하는 데이터 작업자가 머신러닝이 해결하고자 하는 비즈니스 문제를 제대로 이해하지 못할 경우 프로세스에 오류가 발생할 수 있다.

금융 서비스 사이트 렌딩트리(LendingTree)의 부사장으로 전략 및 분석을 책임지는 악샤이 탠던은 머신러닝 툴을 사용하는 팀이 가장 먼저 질문 목록부터 작성하도록 했다. 이를 통해 해결하고자 하는 문제가 무엇인지, 이 문제를 해결하기 위해 구축할 모델은 무엇인지를 물어야 한다.

탠던은 현재 시중의 머신러닝 툴은 통계 측면에서 매우 강력하다고 말했다. 툴이 강력한 만큼 주의해서 사용하지 않으면 매우 잘못된 의사 결정으로 이어질 수 있으므로 올바르게 사용해야 한다는 부담은 더 커진다. 데이터 분석 팀이 신중히 접근하지 않을 경우 학습에 사용하는 데이터와 잘 맞지 않는 모델이 생성될 수 있다. 그 결과 매우 빠른 속도로 잘못된 길로 접어들 수 있다.

또한 탠던은 많은 비즈니스 사용자가 모델이 프로덕션에 배치되는 시점부터 어느 정도의 품질 저하가 발생한다는 점을 이해하지 못한다고 말했다. 사용자는 이 점을 인식하고 자동차를 비롯한 모든 기계와 마찬가지로 지속적으로 모델을 모니터링하고 의사 결정에 미치는 영향에 유의해야 한다.

머신러닝 실패 원인 2. 낮은 데이터 품질

쓰레기가 들어가면 쓰레기가 나오는 법이다. 데이터 품질이 충분히 좋지 않으면 머신러닝은 효과를 발휘하기 어렵다. 낮은 데이터 품질은 데이터 관리자의 가장 큰 골칫거리 중 하나이며, 데이터 과학자를 비롯해 정보를 다루는 전문가들의 최선의 노력에도 불구하고 빅데이터 분석 노력을 물거품으로 만드는 요인이 된다. 저품질 데이터는 머신러닝 모델을 정상 궤도에서 벗어나게끔 하는 확실한 원인이다.

기업 조직은 머신러닝 알고리즘의 탄력성을 과대평가하고 불량 데이터의 영향을 과소평가하는 경우가 많다. 존슨은 낮은 데이터 품질은 나쁜 결과를 생산하고 조직에서 잘못된 정보를 근거로 한 비즈니스 의사 결정을 내리도록 한다고 지적했다. 이러한 의사 결정의 결과는 비즈니스 실적에 악영향을 미치므로 향후 이니셔티브에서 지지를 받기도 어렵게 된다.

머신러닝에서 도출된 결과가 과거와 현재 경험에 비추어 앞뒤가 맞지 않는다면 데이터 품질이 떨어진다는 신호다.

존슨은 이 문제에 선제적으로 대처하는 방법은 탐색적 데이터 분석(EDA)이라고 말했다. EDA는 이상점, 누락된 값, 일관적이지 않은 영역 값과 같은 기본적인 데이터 품질 문제를 식별할 수 있다. 또한 통계적 표본추출과 같은 기법을 사용해서 모집단 분포를 적절히 반영하기에 충분한 데이터 포인트가 있는지 확인하고, 데이터 품질 교정에 관한 규칙과 정책을 정의하는 방법도 있다.

머신러닝 실패 원인 3. 잘못된 머신러닝 사용

컨설팅 업체 케임브리지 컨설턴트(Cambridge Consultants)의 머신러닝 전문 엔지니어인 샐리 엡스타인은 “기업에서 지금도 볼 수 있는 가장 일반적인 문제는 머신러닝을 단지 유행이라는 이유만으로 사용하려는 생각”이라면서 머신러닝을 성공적으로 사용하려면 머신러닝을 적용하기에 적절한 분야여야 한다고 말했다. 전통적인 엔지니어링 접근 방법이 더 빠르게, 훨씬 더 적은 비용으로 솔루션을 제공할 수도 있다.

존슨은 문제 해결을 위한 최선의 방법이 아닌 경우에도 머신러닝을 사용하거나 사용 사례를 완전히 이해하지 못하는 경우 의도한 문제가 아닌 다른 문제를 해결하는 결과로 이어질 수 있다고 말했다.

이렇게 기업 조직이 잘 맞지 않는 모델에 사용 사례를 맞추기 위해 씨름하는 사이 기회 손실도 발생한다. 더 단순한 대안으로도 얻을 수 있는 결과를 얻느라 인력과 인프라를 낭비하는 것도 이러한 손실에 포함된다.

잘못된 머신러닝 사용을 피하려면 원하는 비즈니스 결과, 문제의 복잡성, 데이터 볼륨, 특성의 수를 고려해야 한다. 존슨은 소량의 데이터와 소수의 특성을 사용한 분류, 묶음, 연결 규칙과 같은 비교적 간단한 문제는 시각적으로 또는 통계적 분석을 통해 접근이 가능하다고 말했다. 이러한 문제에 머신러닝을 적용할 경우 필요 이상의 시간과 자원이 소비될 수 있다.

데이터의 볼륨이 다루기 어려울 정도로 커지는 경우 머신러닝이 더 적절할 수 있다. 그러나 머신러닝 과정을 거친 이후, 뒤늦게 비즈니스 성과가 명확히 규정되지 않았고 결과적으로 엉뚱한 문제 해결로 이어졌음을 발견하는 경우가 종종 발생한다.

머신러닝 실패 원인 4. 편견

저품질 데이터 집합을 사용할 경우 잘못된 결론에 이를 수 있다. 저품질 데이터는 부정확한 데이터, 누락된 데이터뿐만 아니라 편견의 원인이 되기도 한다. 사람은 편견을 가질 수 있으므로 사람이 만들거나 영향을 미친 모델 역시 당연히 편견을 가질 수 있다.

엡스타인은 균형이 맞지 않는 분류나 분포에 대한 민감도는 머신러닝 알고리즘에 따라 다르다고 말했다. 엡스타인은 이 부분을 감안하지 않을 경우, 예를 들어 피부색에 의존하는 얼굴 인식 툴이나 성별에 따른 편견을 가진 모델을 만들게 될 수 있다고 말했다. 실제로 여러 상용 서비스에서 이미 편견 사례가 발생했다.

사람이든 알고리즘이든 결론의 정확성은 가공되는 정보의 폭과 품질에 의해 좌우된다. 컨설팅 업체 딜로이트(Deloitte)의 자문 분석 서비스 책임자인 빅 캐트얄은 재정, 법률, 평판과 관련하여 조직과 개인이 직면한 알고리즘 편견의 위험성을 감안하면 머신러닝을 사용하는 모든 기업은 윤리를 조직적 필수 덕목으로 갖춰야 한다고 말했다.

알고리즘 편견의 징후는 신용 평가, 교육 과정, 채용, 범죄에 대한 양형 등 공공 분야에서 잘 문서화되어 있다. 허술하게 수집, 조율 또는 응용된 데이터는 설계와 의도가 충실한 머신러닝 애플리케이션에도 편견을 유발할 수 있다.

캐트얄은 처음부터 편견을 갖고 시작하는 머신러닝 시스템은 특정 고객 또는 사회 구성원에 불이익을 줄 위험이 있으며, 불공정한 결과를 생성하거나 그러한 결과를 영구화할 수 있다고 지적했다.

컨설팅 업체 맥킨지앤컴퍼니(McKinsey & Company)는 2017년 보고서에서 머신러닝의 목적 자체를 흐릴 수 있다는 면에서 알고리즘 편견이 머신러닝의 가장 큰 위험 요소 중 하나라고 지적했다. 맥킨지는 편견이 값비싼 오류를 유발할 수 있지만 간과되는 경우가 많으며, 그대로 방치할 경우 프로젝트와 조직을 완전히 엉뚱한 방향으로 이끌 수 있다고 경고했다. 맥킨지는 이 문제에 초반부터 효과적으로 대처할 경우 머신러닝의 진정한 잠재력을 더 효율적으로 실현하여 좋은 결과를 얻을 수 있다고 전했다.

머신러닝 실패 원인 5. 부족한 인프라 자원

조직은 머신러닝 이니셔티브를 출범할 때 인력과 인프라에 필요한 리소스를 과소평가하기 쉽다. 머신러닝, 특히 이미지, 비디오, 오디오 처리의 경우 인프라 요구 사항이 상당히 높다. 존슨은 필요한 처리 성능이 뒷받침되지 않으면 머신러닝 기반 솔루션을 적시에 개발하기가 어렵고 개발 자체가 아예 불가능한 경우도 있다고 말했다.

배치 및 소비 문제도 있다. 머신러닝 솔루션을 배치하고 머신러닝의 결과를 사용자가 소비하도록 하기 위한 필수 인프라가 없다면 도대체 무엇을 위해 머신러닝 솔루션을 개발하는가?

머신러닝을 지원하기 위한 확장 가능한 인프라를 배치하는 일은 많은 비용이 들고 유지하기도 어렵다. 그러나 필요에 따라 프로비저닝할 수 있는 확장 가능한 머신러닝 플랫폼을 제공하는 다양한 클라우드 서비스를 찾아볼 수 있다. 클라우드를 활용하면 실제 하드웨어 구입, 구성, 배포의 족쇄 없이 대규모로 머신러닝을 실험하는 것이 가능하다.

내부에 인프라를 갖추기를 원하는 조직도 있다. 이 경우에도 클라우드 서비스는 디딤돌 및 교육 경험이라는 측면에서 유용하다. 이를 통해 조직은 대규모 투자에 앞서 인프라 관점에서 무엇이 필요한지 파악할 수 있기 때문이다.

인력의 경우 데이터 과학자, 머신러닝 엔지니어와 같은 전문 인력의 부족이 머신러닝 개발과 배치를 지연시키는 요인이 되기도 한다. 특정 비즈니스 성과를 달성할 수 있는지 여부를 판단하려면 머신러닝의 개념을 이해하고 응용과 해석에 능숙한 인력이 필수 요소다.

존슨도 숙련된 머신러닝 인력의 중요성을 간과해서는 안 된다고 말했다. 숙련된 인력은 데이터 품질 문제를 파악하고 머신러닝 툴의 적절한 사용과 배포를 보장하고 모범 사례와 거버넌스 정책을 수립하는 데 있어 중요한 역할을 한다.

머신러닝 실패 원인 6. 부실한 계획과 거버넌스의 부재

열정을 갖고 머신러닝을 시작하더라도 이후 추진력을 잃으면서 서서히 멈추는 경우가 있다. 이는 부실한 계획과 거버넌스 부재를 나타내는 신호다. 존슨은 적절한 가이드라인과 제한을 두지 않을 경우 머신러닝 작업은 끝없이 늘어지면서 아무런 혜택도 얻지 못한 채 막대한 자원만 소비하는 결과로 이어질 수 있다고 말했다.

조직은 머신러닝이 반복적 프로세스라는 점과 변화하는 요구 사항을 충족하기 위해 수시로 모델을 수정해야 할 수도 있음을 인지해야 한다. 이러한 특성 탓에 머신러닝 작업에 참여하는 인력은 시간이 지나면서 흥미를 잃을 수 있으며, 이는 좋지 않은 결과로 이어지게 된다. 결국 머신러닝 프로젝트의 지지자는 다른 작업으로 눈을 돌리게 되고 머신러닝 작업은 진전 없이 그대로 방치된다.

존슨은 원활한 운영을 위해서는 머신러닝 작업을 정기적으로 모니터링해야 한다고 말했다. 진행 속도가 저하되기 시작한다면 잠시 멈추고 프로젝트를 재점검해야 할 시점일 수 있다.  editor@itworld.co.kr

Read more
Article

8 질병 진단과 치료, 개인화 추천··· 딥마인드 활약상 10선

Tom Macaulay | Computerworld UK

2014년 구글이 4억 파운드에 영국에 있는 AI 신생벤처를 사들인 후 딥마인드는 자주 언론의 머리기사를 장식했다. 프로 바둑 기사 이세돌을 이긴 딥마인드의 알파고는 개인 의료 기록 접근에 관한 논란으로 비판을 받기도 했다. ICO 판결에 따르면 구글이 데이터 보호법을 위반했으며 구글이 딥마인드 헬쓰를 통제한다고 발표하면서 우려는 더욱 커졌다.

그 후 신뢰가 흔들리기도 했지만 런던 킹스 크로스(King's Cross)에 있는 딥마인드 연구소는 AI를 계속 연구했으며, 그 결과 런던은 AI를 선도하는 도시로 부상하고 있다.

1. 풍력발전 효율 향상
딥마인드는 미국 중부에 있는 구글의 풍력발전 단지에서 생산된 에너지의 가치를 높이기 위해 에너지가 생성되기 36시간 전에 산출량을 예측했다. 이 회사는 지역 일기 예보와 터빈 데이터에 관해 신경망으로 학습해 다음날 전력망에 최적의 시간별 전기량을 권장할 수 있었다.

딥마인드는 이미 구글의 풍력 에너지 가치를 약 20% 높였으며 예측할 수 없는 에너지 원천을 상업적이고 실용적으로 만들기 위해 모델을 더욱 세밀하게 조정할 것이라고 전했다.

2. 구글 플레이에서 앱 추천 최적화
딥마인드는 머신러닝을 사용하여 이전 다운로드 및 사용된 상황을 기반으로 사용자가 쉽게 쓰고 즐길만한 앱을 찾아 구글 플레이에서 앱 추천을 맞춤 설정하는 데 도움을 주었다. 이 작업은 유료 고객을 구글 플레이 스토어로 끌어들이는 데 목적이 있다. 구글은 딥마인드가 개발한 기술을 구글이 상업화할 수 있는 방법을 보여줬다.

3. NHS 환자의 급성 신장 손상 감지
딥마인드는 검사 결과에 질병의 징후를 검토하고 긴급한 진단이 필요한 경우 직원에게 즉각적인 경고를 보내는 스트림(Streams)이라는 환자 안전 경보 애플리케이션을 개발했다. 이 애플리케이션은 임상가가 급성 신장 부상과 같은 다른 심각한 상태를 신속하게 확인하고 버튼을 눌러 혈액 검사, 스캔, 엑스레이 결과를 표시하도록 도와준다.

이 프로젝트는 의료 치료를 향상하고 의료 프로세스를 디지털화하기 위해 머신러닝 시스템을 사용한다는 목표로 2017년 2월에 시작된 딥마인드 헬쓰(Health)의 일부다.

스트림은 혈액 검사를 분석하여 급성 신장 손상을 감지하기 위해 런던 북부에 있는 로열프리 NHS 트러스트(Royal Free NHS Trust)에서 처음 사용되었다. 간호사들은 앱으로 하루에 최대 2시간을 절약할 수 있다고 했지만 데이터 공유 계약은 개인정보 보호법에 어긋난다.

2017년 7월 정보위원장(ICO)은 로열프리가 딥마인드에 환자 세부 정보를 제공했을 때 데이터 보호법을 준수하지 않았다고 판결했다. 단점 중 하나는 환자에게 데이터가 임상 시험에 사용될 것이라는 사실을 적절하게 알리지 못했다는 것이다. 

이 문제는 ICO가 로열프리에게 앞으로 확실히 준수하겠다고 공식적으로 약속하도록 요청하면서 해결되는 듯했지만, 이 팀이 구글에 합류한다고 딥마인드가 발표했을 때 우려는 더욱 커켰다.

딥마인드는 구글의 다양한 건강 관리 프로젝트를 통합하기 위한 전략의 일환으로 의료시스템 회사 게이싱어(Geisinger)의 CEO였던 데이빗 페인버그를 영입했으며 페인버그는 딥마이드 헬쓰를 맡게 됐다. 

개인정보 보호 운동가들은 구글이 스트림 인수로 얻게 된 개인정보를 구글이 사용하지 않을 것이라는 딥마인드의 주장을 반박했다. CNBC는 딥마인드의 독립적 검토위원회가 현재 영국을 넘어서 서비스를 확대하기 위한 목적으로 해체될 가능성이 있다고 보도했다.

한편 딥마인드는 최고의 알고리즘과 직관적인 디자인을 결합해 모든 간호사와 의사가 AI 기반 앱을 활용할 수 있다고 주장하고 있다.


4. 임페리얼 칼리지 런던의 유방암 진단
딥마인드는 임페리얼 칼리지 런던(Imperial College London)의 영국 암연구센터(Cancer Research UK Center)가 주도하는 구글의 AOI 건강 연구팀 및 연구 기관과 공동으로 유방암 발견을 개선하고 있다.

이 질병으로 인해 매년 전세계에서 50만 명이 사망하고 있으며 일부는 발견과 진단의 어려움 때문에 발생하는 것으로 파악됐다. 오늘날 사용되는 유방 조영 검사는 매년 수천 개의 암을 발견하지 못하고 종종 과다 진단으로 인한 잘못된 경보를 유발한다. 딥마인드는 머신러닝이 이것을 향상할 수 있다고 믿고 있다.

딥마인드 연구원은 머신러닝 도구가 유방 조영술보다 암 조직의 징후를 좀더 효과적으로 식별하는지 평가하기 위해 약 7,500명의 여성으로부터 유래된 확인되지 않은 유방 조영술을 분석할 것이다. 이 연구는 유방암 검사를 바꿔놓을 가능성이 있다.

 


5. 참전 군인의 질환이 악화될지 예측
딥마인드는 약 70만 건의 의료 기록 패턴을 분석해 환자가 악화될지를 예측하고자 미 육군 참모부와 협력하고 있다.

이 프로젝트의 목표는 머신러닝이 환자 악화의 위험 요인을 파악하고 병원 내 사망에서 약 11%를 차지하는 문제의 치료를 개선하기 위해 언제 시작할지를 예측하는 것이다.

연구팀은 환자 질환 악화의 일반적인 원인인 급성 신부전(AKI)과 딥마인드가 전문 지식을 개발한 분야를 탐지하는 데 사용되는 알고리즘을 개선할 방법을 모색할 것이다.

6. 안드로이드 기기에서 배터리 관리와 화면 밝기 맞춤 설정
구글의 딥마인드는 안드로이드를 위한 두 가지 새로운 기능, 즉 다음에 어느 애플리케이션을 사용해야 배터리 성능을 높일지 예측하는 적응형 배터리(Adaptable Battery)와 다양한 환경에서 밝기 환경 설정을 학습해 개인화하는 적응형 밝기를 개발했다. 

이 기능은 올해 말에 안드로이드 P 운영 체제를 실행하는 기기에서 사용할 수 있다.

7. 안과 질병 식별하는 무어필드 안과병원
딥마인드는 무어필드(Moorfields) 안과병원과 협력해 눈을 디지털 스캔해 시력을 위협하는 안구 질환을 인식할 수 있는 머신러닝 기반 시스템을 개발했다. 로열 프리 NHS와의 초기 협력은 환자 치료에 중점을 두었지만, 이는 의학 연구에 전적으로 기여한 최초의 치료법이다.

이 프로그램에는 출현하는 안구의 조기 징후를 감지하고 진단 속도를 높이는 알고리즘을 생성하기 위해 100만 개 이상의 익명의 눈 스캔 분석이 포함된다.

무어필드의 안과 전문의 피어스 킨이 이 아이디어를 생각해 냈다. 그는 자신의 기술이 컴퓨터가 비디오 게임을 하는 법을 배우는 것을 보고 나서 회사에 연락하여 눈의 이미지에 적용될 수 있다고 믿었다.

8. 유니버시티 칼리지 런던 병원에서 두경부암 치료
딥마인드는 두경부암의 치료도 개선하기 위해 NHS의 목표를 수행했다. 방사선 요법이 시작되기 전에 의사는 현재 치료에 손상될 수 있는 섬세한 주변 조직을 목표로 하지 않도록 각 환자의 상세한 지도를 준비하는 데 약 4시간을 소비한다. 그 정보는 건강한 조직을 해치지 않으면서 암을 표적으로 하기 위해 방사선 치료기로 공급된다.

딥마인드의 연구원은 머신러닝이 이 시간을 1시간으로 줄일 수 있다고 믿고 있다. 연구팀은 익명의 UCLH 환자 스캔을 분석하여 프로세스 일부를 자동화할 수 있는 방사선 치료 분류 알고리즘을 개발했다. 그들은 결국 알고리즘을 신체의 다른 부위에 적용하기를 기대하고 있다.

9. 구글 어시스턴트 음성 생성
의료 관련 기술이 현재의 딥마인드 개발에서 주를 이루고 있지만, 머신러닝 시스템도 오디오 분석으로 확장되었다. 말하는 기계는 공상과학 소설에서 오랜 역사를 가지고 있으며 시리와 같은 제품을 통해 대중적 도입을 하고 있지만 컴퓨터와 인간의 연설 사이의 격차는 상당하다.

딥마인드는 이 차이를 50% 이상 줄일 수 있는 텍스트 음성 변환 시스템을 개발했다. 웨이브넷(WaveNet)으로 알려진 이 시스템은 신경망으로 사용자가 쓰는 언어를 복사하는 대신 사람이 만든 음파를 복제한다. 이 기술은 현재 모든 플랫폼에서 미국식 영어 및 일본어용 구글 어시스턴트 음성을 생성하는 데 사용된다.

10. 구글의 전기료 절감
구글은 지도, 지메일, 유튜브, 안드로이드를 비롯한 다양한 자체 제품에서 머신러닝을 사용하며 딥마인드 기술이 검색, 로봇, 인터넷의 기능을 향상할 수 있다고 생각한다. 딥마인드 에이전트는 팩맨(Pac Man)과 스페이스 인베이더(Space Invaders)를 포함한 49개의 아타리(Atari) 게임에서 이미 사람의 실력과 같은 수준이 됐으며, 바둑 프로 기사와 바둑 대국을 겨뤄 승리한 최초의 컴퓨터 프로그램이 됐다.

구글은 딥마인드를 이용해 거대한 데이터센터의 전기료를 줄이기까지 했다. 딥마인드 알고리즘은 사용자의 요구에 따라 다양한 서비스를 제공하는 방대한 수의 서버를 냉각시키는 데 필요한 에어컨을 예측했다. 그 결과 냉각 시스템의 효율성은 40%, 데이터센터의 전체 에너지는 15% 감소했다. ciokr@idg.co.kr

Read more
Article

9 멀리 가려면 함께··· AI 이니셔티브 확장 팁 7가지

Clint Boulton | CIO
ⓒ Getty Images Bank

2018년, 인공지능(AI) 파일럿 프로젝트가 급증했다. 고객 관계를 강화하거나 네트워크 운영을 개선하려고, 또는 사이버보안 태세를 증강하려는 목적으로 머신러닝(ML) 알고리즘과 여러 자동화 툴을 시험한 기업이 많았다.  

초기의 성과에 고무된 CIO들은 다음의 도전, 즉 AI의 전사적 확대를 준비하고 있다. 프라이스워터하우스쿠퍼(PwC)의 최근 보고서에 따르면 미국 1,000명의 업무 임원 가운데 20%가 2019년에 AI를 전사적으로 도입할 계획이라고 응답했다.

현장의 열의는 다른 수치로도 드러난다. 기업들이 이 기술에 투자를 늘리고 있다. IDC는 인식 및 AI시스템에 대한 지출이 2022년이면 776억 달러에 이를 것으로 전망한다. 이는 2018년 예상치인 240억 달러의 3배가 넘는 수치이다. 

그러나 열의가 아무리 크다고 해도 AI를 확장하는 길은 위험으로 가득하다. 예를 들어 부서간 협업을 훼손할 수 있는 교류 전략 실패, 비즈니스 현안의 변화 등이다. 기술 업무를 담당할 인재의 부족은 문제를 한층 악화시킬 수 있다. 

PwC, 딜로이트 및 신생기업의 AI 전문가들이 AI 이니셔티브를 확장할 때 CIO가 고려할 사항을 조언했다.

인하우스 AI팀을 구성 

스타트업 랜딩AI(Landing AI)의 설립자이자 CEO인 앤드류 응은 임원 그룹의 지지를 확보하려면 내부적으로 AI팀을 결성해 프로젝트를 회사 내에 유지해야 한다고 강조했다. AI팀의 지휘는 CTO, CIO, 또는 CDO(digital or data), 또는 심지어 최고 AI 임원이 맡을 수 있다. 그러한 팀 구성은 특히 인재 영입 및 유지에 유리하다고 그는 설명했다.

응은 12월 출간된 AI 트랜스포메이션에 관한 안내서에서 “AI팀을 새롭게 결성한다면 AI인재의 산실이 되어 교차-기능적 프로젝트를 추진할 수 있다”면서 “새로운 직무 및 새로운 팀 조직이 출현할 것이다”고 말했다. 

응은 과거 구글과 바이두에서 머신러닝 엔지니어, 데이터 엔지니어, 데이터 과학자, AI제품 관리자로 구성된 AI팀을 이끈 경력이 있다. 그는 그러나 팀 구성이 쉽지 않을 수 있다고 인정했다. 응은 “현재의 AI 인재 영입 전쟁은 단기적으로 제로섬 게임이다”라며, 핵심 담당자를 충원하기 위해 인력 회사와 협력해야 할 수 있다고 덧붙였다.

시티즌 AI 직원과 AI 전문가가 협력하도록 교육 

AI 인력난이 AI 이니셔티브를 좌절시켜서는 안 된다. 오히려, 기업은 AI와 데이터 과학을 민주화하는 툴을 적극 활용해 인재풀을 늘려가야 한다. 예컨대 시티즌 AI 개발자를 위한 이용자 친화적 인터페이스를 가진 애플리케이션, 비-기술 전문가를 위한 교육 프로그램 등을 검토할 만하다. 

PwC의 신종 서비스 및 신생 기술 리더이자 전사적 AI 확장에 관한 위 보고서의 공동 저자이기도 한 스캇 리켄스에 따르면 기업은 직원을 3계층으로 나눌 수 있다. 먼저 시티즌 이용자(citizen users)로서 AI로 보강된 앱을 이용하는 법을 배우는 사람이 있다. 

다음은 시티즌 개발자(citizen developers), 혹은 파워 유저로서 이용 사례와 데이터 세트를 규명할 수 있고, AI 전문가와 긴밀히 협력해 새로운 AI 앱을 제작할 수 있는 사람이다. 

그리고 데이터 과학자(data scientists)는 AI 애플리케이션을 제작하고 전개하고 관리하는 어려운 일을 한다.  

전문가 조직 확립 

리켄스는 위 PwC 보고서에서 AI 기반을 구축하는 최고의 방법 가운데 하나는 AI 전문가 조직(Center of Excellence, CoE)을 확립하는 것이라고 밝혔다. 이 전문가 조직은 기술 표준, 아키텍처, 툴, 기법, 벤더, 지적 재산 관리를 결정하는 한편, 이용 사례를 규명하는 방법, 책임성과 거버넌스를 개발하는 방법을 도출하는 책임을 진다.  

실례로, 거대 에너지 기업인 셸(Shell)은 석유 시추 설비의 기계 부품의 예방 정비 등의 프로젝트를 다루는데 AI, ML, 애널리틱스를 이용하는 데이터 과학 전문가 조직을 결성했다.  

실험을 통해 AI 전략을 점진적으로 확대 

AI 전략을 즉시 도출할 수 있다면 좋겠지만 현실은 녹녹하지 않다. 응은 AI기술에서 어느 정도 경험이 쌓이기 전까지 기업이 깊이 있는 AI 전략을 개발하기는 쉽지 않다고 말했다. 

응은 연관 전략에 대체로 합치하는 AI 자산을 여러 차례 구축해볼 것을 권했다. 이는 업종 내 경쟁자가 모방하기 힘든 경쟁 우위를 가질 수 있도록 만들어져야 할 것이다. 그러자면 비즈니스 통찰을 낳는 정교한 데이터 애널리틱스 전략이 필수이다. 

예를 들어, 부동산 회사인 켈러 윌리엄즈(Keller Williams)는 게시물 최신성을 유지하기 위해 주택에 세심하게 배열된 수천 곳의 데이터 포인트와 머신러닝 소프트웨어를 이용한다고 회사의 최고 제품 임원인 닐 돌라키아는 전했다. 

직원들은 켈러 윌리엄즈 앱을 이용해 스마트폰에서 주택의 영상을 찍고, 이는 구글의 클라우드 오토 머신러닝 소프트웨어에 연결된다. 소프트웨어는 즉시 목재 바닥, 화강암 씽크대 등의 특징을 식별하고 기록한다. 돌라키아는 <CIO>와의 인터뷰에서 “여러 날이 걸리던 것이 몇 분이면 끝난다”라고 말했다. 


돌라키아는 머신러닝이 부동산 업종에서 경쟁 우위를 제공할 수 있다고 높이 평가하며, 2019년에 켈러 윌리엄즈의 AI 이용을 확대할 계획이라고 말했다. 

응은 “AI 전략은 가치를 창출하는 쪽으로 회사를 인도하면서도 방어 측면 또한 안배한다”면서 “초기의 AI 프로젝트가 성공하면 AI에 대한 이해가 깊어질 것이고, 그렇다면 AI가 최대의 가치를 만들 수 있는 곳이 어디인지 알 수 있을 것이다. 그곳에 자원을 집중시키면 된다”라고 말했다. 

책임성 확보

AI 도입 시 가장 어려운 점의 하나는 AI 모델이 어떻게 결정을 내리는가를 명확히 하는 것이다. 금융 등 규제적 시장이라면 이는 중대한 문제이다. 최근 뉴욕에서 열린 AI 서밋에서 뱅크 오브 아메리카(BoA)의 최고 운영 및 기술 임원인 케이시 베선트는 투명한 AI모델을 개발하는 것이 중요한 이유가 바로 이 때문이라고 말했다. 

조직은 다음과 같은 질문을 검토하면서 이른바 블랙박스 우려에 대처할 수 있다. 즉, ‘조직은 결정이 정확하다는 것을 보장할 수 있는가?’, ‘누가 AI 시스템을 책임지는가?’, ‘적절한 컴플라이언스 제어 수단이 배치되어 있는가?’와 같은 질문이다.  

성공적인 AI 전개란 이들 요소를 일일이 감안하며 ‘책임 있는 AI’를 만들어내는 것이다. 

참여적 또는 인간 중심 설계

책임 있는 AI를 구축하는 방법은 무엇일까? 딜로이트의 기업 AI현황에 관한 최근 보고서에 따르면 관계자가 취해야 할 첫 단계는 복잡한 AI 구현물을 설계하는데 직접 참여하도록 조치하는 것이다. 

참여적 설계는, 인간 중심 설계의 형태로, 이용자 커뮤니티의 니즈를 설계 프로세스로 직접 반영하며, 보다 지속성 있는 솔루션을 개발한다. 이는 설계자가 맥락 또는 상상의 실패로 인해 예상하지 못할 수 있는 문제를 이해하고 피할 수 있게 해준다. 

예를 들어, 직원 업무량을 줄이기 위해 고객 센터에서 챗봇을 구현한다고 하자. 참여적 프로세스라면 고객 센터 직원, 경영진의 일원, 챗봇과 상호작용할 고객이 관여할 것이다. 

AI가 윤리에 기초하도록 보장하고자 한다면 기업은 참여적 설계를 바탕으로 “정기적으로 알고리즘을 검토하고 평가하여 이상이 없음을 확인해야 한다”고 딜로이트의 사장이자 글로벌 데이터 위험 및 애널리틱스 리더인 빅 카트얄은 말한다. 

마지막으로, 기업은 제3자가 AI를 독립적으로 검증할 수 있게 해야 하고, 이는 공백을 메우고 허점을 보완하는데 유익하다. 

소통 전략 다듬기 

AI는 기업에 지대한 영향을 줄 것이므로, 기업은 통일성을 보장할 수 있는 소통 프로그램을 마련해야 한다. 이는 투자자 관계(AI에 관한 가치 창출 이론을 설명), 대정부 관계(필요에 따라), 고객(전략적 마케팅), 인재(블랜딩은 젊은 피를 수혈하는데 중요함), 그리고 내부 소통을 포함한다. 

응은 “오늘날 AI에 대한 이해가 여전히 부족하고, 특히 일반 인공지능은 과장이 심해 두려움, 불확실성, 의심이 있다”면서 “아울러 자신의 직무가 AI로 대체되지 않을까 우려하는 직원도 많다. 명확한 내부 소통에 의해 AI를 설명하고 직원의 우려에 대처한다면 AI 도입에 따른 내부 반발이 줄어들 것이다”라고 말했다. 

오늘날 대다수 임원들은 AI의 가능성에 대해 낙관적이다. 딜로이트가 조사한 1,100명의 IT 및 업무 임원 가운데 56%가 AI에 의해 3년 내에 업무가 변화할 것이라고 말했다. 

프랙탈 애널리틱스의 CIO 컨설턴트이자 전략 고문인 앤디 월터는 “간소해지고 기민해지고 성장에 집중할 필요에 따라 기업의 AI/애널리틱스 경쟁은 계속될 것이다”면서 “의도한 비즈니스 프로세스에서 AI 기능을 이용해온 기업은 가치 견인 기회를 전사적으로 확대할 것이다. ‘지능형 기업’은 매출과 순익 면에서 경쟁을 압도할 것이다”고 말했다. ciokr@idg.co.kr

Read more
Playlists