2021.01.27

“민주화, 제품화, 운영화” AI/ML의 새로운 대세

Adrian Bridgwater | ITWorld
IT 솔루션 업체가 기술의 민주화, 제품화, 운영화에 대해 이야기한다면, ‘마케팅 활동’의 일환이라는 점을 기억하는 것이 좋다. 그러나 이들 개념의 일반적인 의미는 쉽게 이해할 수 있다.
 
ⓒ Getty Images Bank

IT 플랫폼과 툴의 민주화(Democratising)는 보유한 기술 수준에 상관없이 모든 사용자가 이런 플랫폼과 도구를 이용할 수 있게 만드는 것이다. 보통은 단순화한 인터페이스를 사용하거나 이면의 복잡성을 없애고 새로운 시각화 계층을 추가하는 경우가 많다.

제품화(Productising)도 어떤 면에서는 유사한 개념이다. 그러나 이전에는 통합되지 않았던 여러 하위 기술 요소들을 묶고, 단순 통합을 넘어 더 크고 중요한 제품이나 서비스를 새로 만드는 것과 관련된다.

그리고 운영화(Operationalizing) 또는 운영화 프로세스가 있는데, 민주화와 제품화가 결합된 것이라고 말할 수 있다. IT 툴을 더 빨리 필요로 하는 곳에서 이용할 수 있도록 만드는 것이다. 사전에 수준을 맞춤 품질을 구현하고 프로비저닝해 바로 소비할 수 있도록 만드는 경우가 많다. 샌드위치 같은 개념이라고 할 수 있다.

새로운 IT 개념에 회의적이든, 아니면 쉽게 사용할 수 있게 되는 것에 개방적인 태도를 갖고 있든, 이런 개념과 용어로 표현되는 IT에 익숙해질 필요가 있다. 그래야 소프트웨어 엔지니어링 측면에서 완전히 새로운 것과 과거 제품을 새로 포장만 한 것을 구분할 수 있다.
 

‘바나나 논리’를 통한 분할

예를 들어, 미국 샌프란시스코 소재 스플라이스 머신(Splice Machine)의 2021년 첫 번째 개발에 대해 고려해보자. 스플라이스 머신은 바나나와 아이스크림 디저트 전문 회사가 아니다. 현대적인 클라우드 애플리케이션에 AI/ML을 통합하는 데이터 과학 전문업체이다. 

스플라이스 머신은 최근 애플리케이션에 AI/ML 기능을 추가하는 작업 이면의 ‘기능 엔지니어링(Feature Engineering)’ 프로세스를 단순화하기 위해 플랫폼을 강화했다. ‘기능 엔지니어링’이란 도메인 지식을 사용하여 데이터 마이닝 기술을 통해 원시 데이터에서 기능을 추출하는 프로세스이다.

요즘은 모든 것이 자체 스토어나 마켓플레이스에서 이뤄지고 있고, 스플라이스 머신도 다르지 않다. 이 새로운 서비스를 ‘스플라이스 머신 기능 스토어(Splice Machine Feature Store)’로 부른다. 이런 일종의 ‘상점’은 기능 엔지니어링의 복잡성을 줄여, 데이터 과학자가 실시간 데이터를 토대로 올바른 의사결정을 내릴 수 있도록 머신러닝을 운영화하는 ‘지름길’ 역할을 한다.

이렇게 한 이유는 무엇일까? MIT가 2019년 발표한 연구 보고서에 따르면, AI/ML에 투자한 IT 부서 가운데 애플리케이션 개선 방식에 영향을 미치지 못하거나, 그 영향이 미미한 비율이 70%에 달한다. 머신러닝 모델을 만들고, 개발하고, 정교화하는 것과 이를 기업 환경에서 운영할 수 있는 상태로 만드는 것은 별개의 일이다.

스플라이스 머신의 CEO 몬테 쥐벤은 “특정 모델에 대한 기능을 만들고, 공유하고, 설명하고, 안정적으로 재현할 수 있는 능력과 역량은 데이터 과학팀의 성공에 아주 중요하다. 기존 방식의 경우, 데이터 과학 운영에 확장성이 없었다”고 지적했다. 스플라이스 머신의 기능 스토어는 기업이 복잡한 분석을 실시간으로 사용, 실시간 데이터를 기능으로 바꿀 수 있도록 해준다. 즉 모델이 정보를 제공받지 못하는 경우가 없다. 또한 클릭 한 번으로 일련의 학습 과정을 생성하는 기능 히스토리를 저장한다.

데이터 과학 주기에서 가장 많은 시간과 비용이 드는 작업이 기능 엔지니어링이다. 쥐벤은 기업이 머신러닝을 운영화하기 위해 노력하고 있지만, 광범위하게 적용할 수 있도록 만들기에는 데이터 과학의 생산성이 너무 낮다고 설명했다. 

또한 “필요한 아키텍처를 제공해 데이터 과학 워크플로우를 단순화하는 것, 기능 스토어로 기능을 자동화하는 것이 머신러닝을 쉽고, 정확하고, 빠르게 만드는 가장 중요한 2가지 방법”이라고 덧붙였다.
 

트렌드로 자리 잡는 AI/ML 운영화

AI/ML의 접근성, 이용 편의성을 높이려 시도하는 IT 솔루션 업체는 스파이스 머신 이외에도 많다. 인포(Infor) 같은 업체는 콜맨AI(Coleman AI) 툴셋을 사용해 산업 특화 ERP 플랫폼에서 AI 기능들을 시장화하고 있다.

IBM의 경우, 지난 5년 동안 왓슨 AI를 매개로 하는 머신러닝 자동화와 운영화에 대해 이야기를 하고 있다. IBM은 2018년 기본적으로 특정 데이터 세트를 대상으로 맞춤형 디자인을 설계해서 신경망을 합성하는 방법을 제공하는 NeuNetS(Neural Network Synthesis)를 공개했다. 다시 말해, 더 ‘영리한’ 지름길을 제공하는 것이다.

세일즈포스는 아인슈타인 AI와 관련해 운영화라는 용어를 많이 사용하지 않는다. 대신 더 광범위한 ‘고객 성공 플랫폼’이라는 표현에 초점을 맞추고 있다. 그러나 많은 경우, 같은 개념이다. 액센추어는 역시 같은 맥락에 있는 어플라이어드 인텔리전스(Applied Intelligence)라는 표현을 사용한다.
 

AI/ML 운영화 방법

아마도 그 자체에 논의와 분석이 필요한 AI/ML 운영의 실제 역학에는 상당한 핵심 기술에 대한 고려가 일부 수반된다. 실제 운영화한 소프트웨어 ‘스마트화’에는 기능 재사용, 중복적인 기능 엔지니어링 제거 등이 포함된다. 또한 편향성과 규제 감독 등 거버넌스 문제 해결에 도움을 주는 도구도 포함된다.

운영화한 머신러닝을 실행하기 위해서는 사용하는 인텔리전스 엔진이 좋은 트레이닝 데이터를 갖고 있어야 한다. 머신러닝 도구를 사용해 확장을 하려면 확장성 프로비저닝에 대한 통찰력 있는 예측이 필요하다. 충분한 클라우드 처리 역량과 스토리지가 필요하기 때문이다.

민주화와 운영화, 제품화는 향후 10년 간 IT의 일부가 될 것이다. 운영화는 이미 ‘노멀’의 단계에 도달했다. editor@itworld.co.kr


2021.01.27

“민주화, 제품화, 운영화” AI/ML의 새로운 대세

Adrian Bridgwater | ITWorld
IT 솔루션 업체가 기술의 민주화, 제품화, 운영화에 대해 이야기한다면, ‘마케팅 활동’의 일환이라는 점을 기억하는 것이 좋다. 그러나 이들 개념의 일반적인 의미는 쉽게 이해할 수 있다.
 
ⓒ Getty Images Bank

IT 플랫폼과 툴의 민주화(Democratising)는 보유한 기술 수준에 상관없이 모든 사용자가 이런 플랫폼과 도구를 이용할 수 있게 만드는 것이다. 보통은 단순화한 인터페이스를 사용하거나 이면의 복잡성을 없애고 새로운 시각화 계층을 추가하는 경우가 많다.

제품화(Productising)도 어떤 면에서는 유사한 개념이다. 그러나 이전에는 통합되지 않았던 여러 하위 기술 요소들을 묶고, 단순 통합을 넘어 더 크고 중요한 제품이나 서비스를 새로 만드는 것과 관련된다.

그리고 운영화(Operationalizing) 또는 운영화 프로세스가 있는데, 민주화와 제품화가 결합된 것이라고 말할 수 있다. IT 툴을 더 빨리 필요로 하는 곳에서 이용할 수 있도록 만드는 것이다. 사전에 수준을 맞춤 품질을 구현하고 프로비저닝해 바로 소비할 수 있도록 만드는 경우가 많다. 샌드위치 같은 개념이라고 할 수 있다.

새로운 IT 개념에 회의적이든, 아니면 쉽게 사용할 수 있게 되는 것에 개방적인 태도를 갖고 있든, 이런 개념과 용어로 표현되는 IT에 익숙해질 필요가 있다. 그래야 소프트웨어 엔지니어링 측면에서 완전히 새로운 것과 과거 제품을 새로 포장만 한 것을 구분할 수 있다.
 

‘바나나 논리’를 통한 분할

예를 들어, 미국 샌프란시스코 소재 스플라이스 머신(Splice Machine)의 2021년 첫 번째 개발에 대해 고려해보자. 스플라이스 머신은 바나나와 아이스크림 디저트 전문 회사가 아니다. 현대적인 클라우드 애플리케이션에 AI/ML을 통합하는 데이터 과학 전문업체이다. 

스플라이스 머신은 최근 애플리케이션에 AI/ML 기능을 추가하는 작업 이면의 ‘기능 엔지니어링(Feature Engineering)’ 프로세스를 단순화하기 위해 플랫폼을 강화했다. ‘기능 엔지니어링’이란 도메인 지식을 사용하여 데이터 마이닝 기술을 통해 원시 데이터에서 기능을 추출하는 프로세스이다.

요즘은 모든 것이 자체 스토어나 마켓플레이스에서 이뤄지고 있고, 스플라이스 머신도 다르지 않다. 이 새로운 서비스를 ‘스플라이스 머신 기능 스토어(Splice Machine Feature Store)’로 부른다. 이런 일종의 ‘상점’은 기능 엔지니어링의 복잡성을 줄여, 데이터 과학자가 실시간 데이터를 토대로 올바른 의사결정을 내릴 수 있도록 머신러닝을 운영화하는 ‘지름길’ 역할을 한다.

이렇게 한 이유는 무엇일까? MIT가 2019년 발표한 연구 보고서에 따르면, AI/ML에 투자한 IT 부서 가운데 애플리케이션 개선 방식에 영향을 미치지 못하거나, 그 영향이 미미한 비율이 70%에 달한다. 머신러닝 모델을 만들고, 개발하고, 정교화하는 것과 이를 기업 환경에서 운영할 수 있는 상태로 만드는 것은 별개의 일이다.

스플라이스 머신의 CEO 몬테 쥐벤은 “특정 모델에 대한 기능을 만들고, 공유하고, 설명하고, 안정적으로 재현할 수 있는 능력과 역량은 데이터 과학팀의 성공에 아주 중요하다. 기존 방식의 경우, 데이터 과학 운영에 확장성이 없었다”고 지적했다. 스플라이스 머신의 기능 스토어는 기업이 복잡한 분석을 실시간으로 사용, 실시간 데이터를 기능으로 바꿀 수 있도록 해준다. 즉 모델이 정보를 제공받지 못하는 경우가 없다. 또한 클릭 한 번으로 일련의 학습 과정을 생성하는 기능 히스토리를 저장한다.

데이터 과학 주기에서 가장 많은 시간과 비용이 드는 작업이 기능 엔지니어링이다. 쥐벤은 기업이 머신러닝을 운영화하기 위해 노력하고 있지만, 광범위하게 적용할 수 있도록 만들기에는 데이터 과학의 생산성이 너무 낮다고 설명했다. 

또한 “필요한 아키텍처를 제공해 데이터 과학 워크플로우를 단순화하는 것, 기능 스토어로 기능을 자동화하는 것이 머신러닝을 쉽고, 정확하고, 빠르게 만드는 가장 중요한 2가지 방법”이라고 덧붙였다.
 

트렌드로 자리 잡는 AI/ML 운영화

AI/ML의 접근성, 이용 편의성을 높이려 시도하는 IT 솔루션 업체는 스파이스 머신 이외에도 많다. 인포(Infor) 같은 업체는 콜맨AI(Coleman AI) 툴셋을 사용해 산업 특화 ERP 플랫폼에서 AI 기능들을 시장화하고 있다.

IBM의 경우, 지난 5년 동안 왓슨 AI를 매개로 하는 머신러닝 자동화와 운영화에 대해 이야기를 하고 있다. IBM은 2018년 기본적으로 특정 데이터 세트를 대상으로 맞춤형 디자인을 설계해서 신경망을 합성하는 방법을 제공하는 NeuNetS(Neural Network Synthesis)를 공개했다. 다시 말해, 더 ‘영리한’ 지름길을 제공하는 것이다.

세일즈포스는 아인슈타인 AI와 관련해 운영화라는 용어를 많이 사용하지 않는다. 대신 더 광범위한 ‘고객 성공 플랫폼’이라는 표현에 초점을 맞추고 있다. 그러나 많은 경우, 같은 개념이다. 액센추어는 역시 같은 맥락에 있는 어플라이어드 인텔리전스(Applied Intelligence)라는 표현을 사용한다.
 

AI/ML 운영화 방법

아마도 그 자체에 논의와 분석이 필요한 AI/ML 운영의 실제 역학에는 상당한 핵심 기술에 대한 고려가 일부 수반된다. 실제 운영화한 소프트웨어 ‘스마트화’에는 기능 재사용, 중복적인 기능 엔지니어링 제거 등이 포함된다. 또한 편향성과 규제 감독 등 거버넌스 문제 해결에 도움을 주는 도구도 포함된다.

운영화한 머신러닝을 실행하기 위해서는 사용하는 인텔리전스 엔진이 좋은 트레이닝 데이터를 갖고 있어야 한다. 머신러닝 도구를 사용해 확장을 하려면 확장성 프로비저닝에 대한 통찰력 있는 예측이 필요하다. 충분한 클라우드 처리 역량과 스토리지가 필요하기 때문이다.

민주화와 운영화, 제품화는 향후 10년 간 IT의 일부가 될 것이다. 운영화는 이미 ‘노멀’의 단계에 도달했다. editor@itworld.co.kr


X