2021.02.08

IDG 블로그 | “새 망치의 딜레마” 잘못하고 있는 클라우드 기반 AI/ML

David Linthicum | InfoWorld
AI/ML은 어려운 기술이고, 그래서 무엇을 하고 있는지도 모른 채 AI/ML 시스템을 구축하는 기업이 적지 않다. AI/ML 대실패를 피하는 방법을 소개한다.

최근 발표된 랙스페이스 테크놀로지(Rackspace Technology)의 설문조사 결과에 따르면, 대다수 조직이 중요한 AI/ML 구상을 지원할 내부 자원이 부족한 상황이다. 실제로 설문 응답자의 34%는 AI 프로젝트가 실패했다고 답했다.
 
ⓒ Getty Images Bank

더 큰 문제는 AI/ML 기술에서 금기시하는 애플리케이션에 잘못 적용하는 것이다. 신경망과 AI의 등장 이후 계속되어 온 문제로, 생각보다 훨씬 오래된 일이다.

퍼블릭 클라우드 상의 AI는 이용하지 않을 수 없을 만큼 쉽고 저렴하다. 이 때문에 학습과 패턴 찾기 과정이 필요없는 비즈니스 애플리케이션에도 사용되고 있다. AI가 새로 산 반짝이는 망치이다 보니, 모든 애플리케이션이 못처럼 보이는 것이다.

AI/ML을 적용하기 좋은 후보는 의미를 결정하고 패턴에 할당해야 하는 애플리케이션이다. 공장에서 이미지 인식과 자동화를 사용해 생산품의 품질을 판별하는 시스템을 생각해 보라. 아니면 은행에서 거래 데이터를 살펴보고 사기를 탐지해 내는 프로그램도 예가 될 수 있다.

두 번째 문제는 AI/ML 활용을 지원할 학습 데이터의 부족이다. 데이터는 AI 엔진을 가르쳐 의미를 패턴으로 할당하며, AI 엔진은 학습 데이터를 이용할 수 있을 때만 좋은 결과를 낳는다.

학습 데이터가 어디에 있는지, 신뢰할 수 있는 단 하나의 데이터 소스가 무엇인지, 데이터가 의미하는 것이 무엇인지를 알지 못하는 기업이 드물지 않다. 데이터는 AI 세상에서 모든 것이라고 해도 과언이 아니다. 지식은 데이터에서 나온다. 만약 확고한 데이터 소스가 없다면, 그리고 데이터의 의미에 대한 탁월한 이해가 없다면, AI는 기업이 원하는 대로 동작하지 않는다.

마지막으로 조사 결과에서 나온 것처럼, 많은 기업이 올바른 툴을 고르고 올바른 애플리케이션을 구축하고 AI/ML 시스템을 효과적으로 배치할 수 있는 기술력이 없다. 이런 인력을 찾는 것은 정말로 어렵다. 실제로 클라우드 서비스, 클라우드 데이터베이스, 클라우드 AI/ML 시스템 관련 기술력이 있어야 하며, 가장 중요한 것은 비즈니스 애플리케이션의 요구사항을 만족할 올바른 기술을 구성할 수 있는 역량이 있어야 한다.

잠재력을 생각하면 AI/ML은 매우 강력한 기술이며, 많은 기업에서 판도를 바꿔 놓을 수 있다. 하지만 기업은 적절한 목적에 집중하고 자사의 데이터를 이해하고 올바른 기술 인력을 확보해야 한다. editor@itworld.co.kr


AI / 학습 /
2021.02.08

IDG 블로그 | “새 망치의 딜레마” 잘못하고 있는 클라우드 기반 AI/ML

David Linthicum | InfoWorld
AI/ML은 어려운 기술이고, 그래서 무엇을 하고 있는지도 모른 채 AI/ML 시스템을 구축하는 기업이 적지 않다. AI/ML 대실패를 피하는 방법을 소개한다.

최근 발표된 랙스페이스 테크놀로지(Rackspace Technology)의 설문조사 결과에 따르면, 대다수 조직이 중요한 AI/ML 구상을 지원할 내부 자원이 부족한 상황이다. 실제로 설문 응답자의 34%는 AI 프로젝트가 실패했다고 답했다.
 
ⓒ Getty Images Bank

더 큰 문제는 AI/ML 기술에서 금기시하는 애플리케이션에 잘못 적용하는 것이다. 신경망과 AI의 등장 이후 계속되어 온 문제로, 생각보다 훨씬 오래된 일이다.

퍼블릭 클라우드 상의 AI는 이용하지 않을 수 없을 만큼 쉽고 저렴하다. 이 때문에 학습과 패턴 찾기 과정이 필요없는 비즈니스 애플리케이션에도 사용되고 있다. AI가 새로 산 반짝이는 망치이다 보니, 모든 애플리케이션이 못처럼 보이는 것이다.

AI/ML을 적용하기 좋은 후보는 의미를 결정하고 패턴에 할당해야 하는 애플리케이션이다. 공장에서 이미지 인식과 자동화를 사용해 생산품의 품질을 판별하는 시스템을 생각해 보라. 아니면 은행에서 거래 데이터를 살펴보고 사기를 탐지해 내는 프로그램도 예가 될 수 있다.

두 번째 문제는 AI/ML 활용을 지원할 학습 데이터의 부족이다. 데이터는 AI 엔진을 가르쳐 의미를 패턴으로 할당하며, AI 엔진은 학습 데이터를 이용할 수 있을 때만 좋은 결과를 낳는다.

학습 데이터가 어디에 있는지, 신뢰할 수 있는 단 하나의 데이터 소스가 무엇인지, 데이터가 의미하는 것이 무엇인지를 알지 못하는 기업이 드물지 않다. 데이터는 AI 세상에서 모든 것이라고 해도 과언이 아니다. 지식은 데이터에서 나온다. 만약 확고한 데이터 소스가 없다면, 그리고 데이터의 의미에 대한 탁월한 이해가 없다면, AI는 기업이 원하는 대로 동작하지 않는다.

마지막으로 조사 결과에서 나온 것처럼, 많은 기업이 올바른 툴을 고르고 올바른 애플리케이션을 구축하고 AI/ML 시스템을 효과적으로 배치할 수 있는 기술력이 없다. 이런 인력을 찾는 것은 정말로 어렵다. 실제로 클라우드 서비스, 클라우드 데이터베이스, 클라우드 AI/ML 시스템 관련 기술력이 있어야 하며, 가장 중요한 것은 비즈니스 애플리케이션의 요구사항을 만족할 올바른 기술을 구성할 수 있는 역량이 있어야 한다.

잠재력을 생각하면 AI/ML은 매우 강력한 기술이며, 많은 기업에서 판도를 바꿔 놓을 수 있다. 하지만 기업은 적절한 목적에 집중하고 자사의 데이터를 이해하고 올바른 기술 인력을 확보해야 한다. editor@itworld.co.kr


AI / 학습 /
X