Offcanvas
Some text as placeholder. In real life you can have the elements you have chosen. Like, text, images, lists, etc.
Offcanvas
1111Some text as placeholder. In real life you can have the elements you have chosen. Like, text, images, lists, etc.

세상의 모든 IT 리서치 자료 - 넘버스 Numbers

검색 결과 약 11(-0.96ms)
자료 출처 :
Global Market Insight
원본자료 다운로드
발행 날짜 :
2022년 08월 23일
주요 내용 :
언어 번역 장치 시장 규모가 2022년부터 2030년까지 연간 10% 이상의 성장률을 기록한다는 전망이다. 2021년 9억 9,000만 달러 규모에서 2030년에는 약 25억 달러에 이를 것으로 추정됐다. 데이터 기반 AI 및 기계 학습을 적용한 번역 기술 및 장치 개발이 시장 성장을 가속하고 있다. 또한 각국 정부의 디지털화에 대한 요구가 확대되고, 고속 네트워크 연결과 IoT 확산이 성장을 이끌 것으로 예상된다. GMI(Global Market Insight)가 '2022년부터 2030년까지 언어 번역기 장치 시장(Language Translation Device Market, 2022-2030)' 보고서를 발표했다. 보고서는 언어 번역 장치 시장을 제품(휴대용, 웨어러블), 유형(온라인, 오프라인), 차종(승용차, 경상용차, 대형상용차), 유통 경로(온라인 플랫폼, 소매 상점), 지역으로 구분해 조사와 분석을 진행했다. GMI가 발표한 '2022년부터 2030년까지 언어 번역기 장치 시장' 보고서에 따르면, 2022년부터 2030년까지 언어 번역 장치 시장 규모가 연간 10%를 기록하며 성장할 전망이다. (자료 : Global Market Insight) 번역 장치 수요 증가를 이끌고 있는 거시적인 주요 성장 요인으로는 북미에서의 첨단 기술 채택 증가, 유럽 환자들 사이에서 의료 관광에 대한 인식 제고, 아태지역의 가처분 소독 및 높은 소비자 지출 증가, 라틴 아메리카의 항공 여행 및 승객 증가, 중동 및 아프리카의 도시화 및 인터넷 인프라 개발의 증가 등을 꼽았다.  보고서에서 주목할만한 부분은 자동차에서 언어 번역 장치 수요가 매우 높고 향후 성장 전망도 높다는 점이다. 2021년의 경우 승용차 부문에서의 언어 번역 장치 시장 매출이 40%를 차지했으며, 향후 2030년까지도 빠르게 성장할 것으로 예상했다. 이는 온보드 진단(OBD;On-board diagnostics) 기반 승용차에서 수요 증가 때문이라는 것이 보고서의 설명이다.  휴대용과 웨어러블로 구분한 제품 유형에서는 휴대용 번역 장치가 80%의 시장 점유율을 차지하며 웨어러블 장치를 앞지르고 있는 것으로 나타났다. 연결 유형은 온라인 번역이 2021년에 60% 시장 점유율을 차지한 것으로 나타났으며, 인터넷 보급에 따른 온라인 번역 확산과 소비자 수요도 증가가 견인차 역할을 한 것으로 조사됐다. 유통 경로는 온라인 플랫폼 시장의 시장 점유율이 압도적으로 높다. 특히 팬데믹으로 인해 사회적 거리두기 조치가 각국에서 시행되면서 2021년의 경우 약 70%의 시장을 점유한 것으로 나타났다고 보고서는 밝혔다. 또한, 상업용 응용 프로그램에서도 전 세계 무역량이 증가하면서 빠르게 성장하고 있다고 밝혔다. 언어 번역 장치 시장의 주요 업체로는 소스넥스트(Sourcenext Inc.)), 자르비센(Jarvisen), 치타 모바일(Cheetah Mobile), 바스코 일렉트리닉스(Vasco Electronics LLC), 웨이블리 랩(Waverly Labs Inc), 타임케틀(Timekettle) 등이 있다. ciokr@idg.co.kr
자료 출처 :
ESG
원본자료 다운로드
발행 날짜 :
2022년 07월 12일
주요 내용 :
인간 사이의 커뮤니케이션에서 기계의 로그에 이르기까지 수많은 데이터를 수집할 터다. 그러나 이러한 '다크 데이터'를 제대로 활용할 계획이 꼼꼼하게 수립된 경우는 드물다. 준수한 거버넌스와 AI가 상황을 바꿀 수 있다.  수집하는 데이터로부터 비즈니스적 가치를 끌어내고 싶어하는 IT 리더들은 각종 문제에 직면하기 마련이다. 그러나 특히 간과되는 문제가 하나 있다. 이는 수집 및 저장되고 있음에도 불구하고 제대로 활용되지 못하는 데이터 한 종류와 관련이 있다.  물리학의 암흑 물질(Dark Matter)에서 따온 ‘다크 데이터’는 비즈니스 수행 과정에서 정기적으로 수집되는 정보를 말한다. 직원, 고객, 비즈니스 프로세스에 의해 생성되는 데이터다. 기계, 애플리케이션, 보안 시스템에 의해 로그 파일로써 흔히 생성된다. 준법감시 목적으로 반드시 저장해야 하는 데이터인 경우도 있으며, 절대로 저장하지 않아야 하는 민감한 데이터인 경우도 있다. 가트너에 따르면, 기업 정보라는 이름의 우주의 대부분이 ‘다크 데이터’로 구성되어 있다. 많은 기업들이 이 데이터를 얼마나 많이 보유하고 있는지조차 모르고 있다. 이로 인해 준법감시 및 사이버 보안 위험이 증가하며, 당연히 비용도 증가하게 된다. 보유하고 있는 다크 데이터, 보관 장소, 포함된 정보를 파악하는 것이 이 다크 데이터를 보호하고 보관하지 말아야 하는 것들을 삭제하기 위한 필수적인 단계다. 하지만 이런 숨겨진 데이터와 관련한 진정한 이점은 실제로 비즈니스에 도움이 되도록 사용할 때 드러난다. 하지만 다크 데이터 마이닝은 쉬운 일이 아니다. 형식이 광범위한데다, 형식이 전혀 없을 수 있다. 스캔 된 문서 또는 오디오 또는 비디오 파일 형식인 사례도 있다. 다크 데이터를 비즈니스 기회로 전환하는 사례와 다크 데이터 활용에 대한 업계의 조언을 살펴본다.   Image Credit : Getty Images Bank 레이스 카 드라이버의 오디오 5년 동안 인비전 레이싱(Envision Racing)은 20명 이상의 드라이버가 운전한 100회 이상의 포뮬러 E 레이스에서 오디오 기록물을 수집해왔다. “라디오 스트림이 누구든 들을 수 있도록 개방 주파수로 전송된다”라고 이 인비전 레이싱이 이 데이터를 활용할 수 있도록 도운 컨설팅 기업 젠팩트(Genpact)의 글로벌 분석 리더 아마레쉬 트리패시가 말했다. 영국에 위치한 이 레이싱 팀의 레이스 엔지니어들은 과거 이 데이터에 주목한 적이 있었다. 다른 드라이버가 말하는 내용을 이해하면 인비전 레이싱의 드라이버의 레이싱 전략에 도움이 될 수 있을 것이라는 기대에서였다. 그러나 드라이버들이 사용하는 코드 이름과 두문자어 때문에 말의 내용을 이해하는 것 자체가 트리패시가 말했다. 그는 “그러나 어택 모드를 사용하는 시기, 드라이버를 추월하는 시점, 브레이크를 적용하는 시점 등의 정보가 담겨 있는 것이 분명했다”라고 말했다. 인비전 레이싱과 젠팩트는 일단 타이어, 배터리, 브레이크 등 자체 차량의 센서 데이터를 수집하고 풍속과 강수량 등의 외부 데이터를 제공업체로부터 구매했다. 이어 자연어 처리를 활용하여 이를 분석하는 딥러닝 모델을 구축했다. 데이터 파이프라인 준비부터 데이터 수집, 노이즈 필터링, 유의미한 대화 획득까지 6개월이 소요됐다. 트리패시는 인간이 오디오를 듣는 경우에는 내용을 파악하는 데 5~10초가 소요되며, 이 지연 시간 때문에 데이터 활용에 어려움이 있었다고 전했다. 그러나 이제 AI 모델의 예측 및 인사이트 덕분에 그들은 1~2초 만에 대응할 수 있다. 7월, 뉴욕에서 열린 ABB FIA 포뮬러 E 월드 챔피언십에서 인비전 레이싱 팀은 1위와 3위를 차지했다. 트리패시는 이전에 다크 데이터였던 것을 활용한 덕분이라고 말했다. 다크 데이터의 황금 영역 : 인간 생성 데이터 인비전 레이싱의 오디오 파일은 인간이 다른 인간과 소통하는 과정에서 생성된 다크 데이터의 예이다. 이런 종류의 다크 데이터는 기업에 매우 유용할 수 있다고 데이터 보관 플랫폼 제공기업 ZL 테크놀로지스(ZL Technologies)의 공동 설립자 겸 CEO 콘 레옹이 말했다. 그는 “문화, 성과, 영향력, 전문성, 참여 등 기업의 인간적 측면의 모든 요소를 이해하는 데 놀랍도록 유용하다. 매일 엄청난 양의 디지털 정보와 지식이 만들어지지만 제대로 활용되지 못한다”라고 말했다. 가령 이메일, 메시지, 파일에 포함된 정보는 조직 내 직원 사이의 관계에 대한 인사이트를 도출하는 데 도움이 될 수 있다. 레옹은 “기업의 시간 중 80%가 의사소통에 소요된다. 하지만 의사소통 데이터가 분석되는 경우는 드물다”라고 말했다. 여기에는 이유가 있다. 인간이 생성한 비구조적 데이터를 처리하기란 특별히 어렵다. 이런 의사소통 데이터를 처리하기 위해 데이터 웨어하우스를 구성하지도 않는다. 게다가 이런 의사소통 정보를 수집하면 준법감시, 프라이버시 등과 관련해 새로운 문제가 발생할 수 있다. 레옹은 “이런 데이터를 데이터 레이크로 수집하면 또다른 사일로가 형성되고 프라이버시 및 준법감시 위험이 증가할 수 있다”라고 말했다. 그러나 대안이 있다. 이러한 데이터를 현재의 위치에 그대로 남겨두고 검색성을 위해 인덱스 및 메타데이터 계층을 추가할 수 있다. 데이터를 제자리에 남겨두면 기존의 준법감시 구조 안에도 남게 된다고 그가 말했다. 효과적인 거버넌스가 열쇠 다크 데이터를 취급하는 다른 접근방식은 ‘추적성’(traceability)으로 시작하는 것이다. 앤시 페트렐라는 “긍정적인 발전이 이루어지고 있다. 이제 다크 데이터가 활용할 수 있는 미지의 자원으로 인식되고 있다”고 말했다. 페트렐라는 데이터 가관측성 제공기업 켄수(Kensu)의 설립자이기도 하다. 그는 “다크 데이터 활용의 문제점은 (특히 데이터 수집 위치와 방법과 관련하여) 낮은 수준의 신뢰도이다. 관찰가능성은 데이터 계통을 투명하게 하여 추적 가능하게 할 수 있다. 추적성을 확보하면 이런 데이터를 활용해 AI 모델을 훈련시킬 수 있게 된다”라고 말했다. 규제, 위험, 준법감시 사안 전문 글로벌 자문 기업 스톤턴(StoneTurn)의 상무이사 척 소하는 기업의 보편적인 접근방식(모든 것을 데이터 레이크에 넣기)이 다크 데이터 측면에서 상당한 위험을 유발한다는 점에 동의했다. 기업들이 몇 년 동안 데이터를 데이터 레이크로 전송해온 금융 서비스 산업에서 특히 그렇다는 설명이다.  그는 “일반적인 기업에서 IT 부서는 임의로 모든 가용 데이터를 일부 기본적인 메타데이터와 함께 한 곳에 모아두며 비즈니스 팀들과 공유하는 프로세스를 구축하곤 한다”라고 말했다. 필요한 분석 인력을 내부적으로 보유하고 있거나 특정 사용 사례를 위해 외부 컨설턴트를 고용하는 비즈니스 팀에게 효과적이다. 하지만 대부분의 경우 이런 이니셔티브는 부분적인 성공일 뿐이라고 소하가 말했다. 소하는 대신 이미 개별적인 사업부들 내부에서 제공되고 있는 적절한 운영 데이터 사이의 점들을 연결하라고 조언했다. 이런 관계를 파악하면 인사이트를 생성하여 다크 데이터의 활용성을 높이면서도 위험성을 낮출 수 있다는 설명이다. “다크 데이터에서 공백을 메우기 위해 살펴보아야 하는 곳의 우선순위를 설정할 수도 있다”라고 그는 말했다. 마지막으로 그는 AI가 비구조적 데이터를 이해하도록 돕는 데 매우 유용할 수 있다고 말했다. 그는 “머신러닝과 AI 기법을 활용한다면, 다크 데이터의 1%만 살펴봐도 적합성을 분류할 수 있다. 그리고 강화 학습 모델은 남은 데이터의 적합성 점수를 신속하게 생성하여 어떤 데이터를 더 긴밀하게 살펴볼지에 대한 우선순위를 설정할 수 있다”라고 말했다. AI를 활용하여 가치 얻어내기 다크 데이터를 처리하기 위한 일반적인 AI 기반 솔루션으로는 아마존(Amazon)의 텍스트랙트(Textract), 마이크로소프트(Microsoft)의 ACS(Azure Cognitive Services), IBM의 데이터캡(Datacap)뿐 아니라 구글(Google)의 클라우드 비전(Cloud Vision), 다큐먼트(Document), 오토ML(AutoML), NLP API 등이 있다. 인비전 레이싱과의 협력관계에서 젠팩트는 내부적으로 머신러닝 알고리즘을 개발했다고 트리패시가 말했다. 이를 위해 도커(Docker), 쿠버네티스(Kubernetes), 자바(Java), 파이썬(Python)뿐 아니라 NLP, 딥러닝, 머신러닝 알고리즘 개발에 대한 지식이 필요했다고 말하면서 그는 ML옵스(MlOps) 아키텍트가 전체 프로세스를 관리했다고 덧붙였다. 안타깝게도 이런 역량은 활용하기 어렵고 영입하기도 어렵다. 스플렁크(Splunk)가 지난 가을 공개한 보고서에 따르면 조사에 참여한 1,300명 이상의 IT 및 비즈니스 의사결정자 중 10%만이 AI를 활용해 다크 데이터 문제를 해결하고 있다고 말했다. 필요한 스킬의 부재가 데이터 자체의 양에 이어 두 번째로 큰 다크 데이터 활용의 주요 장애물이었다. 문제(그리고 기회) 증가 위험과 기회를 동시에 품은 다크 데이터는 나날이 늘어가고 있다. 기업의 다크 데이터의 비율에 대한 추정치는 산업별로 다르지만 대략 40%~90% 선이다. 퀘스트(Quest)가 후원한 ‘ESG(Enterprise Strategy Group)의 7월 보고서’에 따르면 전체 데이터의 평균 47%가 다크 데이터로 추정된다. 기업이 보유한 데이터의 70% 이상이 다크 데이터라고 답한 응답자는 1/5에 달했다. 스플렁크의 조사에서도 유사한 현실이 포착됐다. 전체 기업 데이터의 평균 55%가 다크 데이터로 조사됐으며, 응답자 중 1/3이 조직의 데이터 중 75% 이상이 다크 데이터라고 대답했다. 특히 응답자 중 60%는 조직의 데이터 중 절반 이상이 전혀 수집되지 않고 있고 대부분은 존재조차 파악되지 않고 있다고 응답했다. ciokr@idg.co.kr
자료 출처 :
Foundry, IDG
원본자료 다운로드
발행 날짜 :
2022년 06월 02일
주요 내용 :
데이터는 이제 중요한 상품이자 자산이다. 2022년 CIO 현황 보고서에 따르면 IT 리더 중 35%가 올 해 자체 조직에서 데이터 분석이 대부분의 IT 투자를 견인할 것이라고 밝혔으며, 58%는 내년에 데이터 분석 활용이 확산할 것이라고 밝혔다. 데이터는 다양한 형태를 가지지만, 아마도 가장 큰 미개발 데이터 풀은 텍스트일 것이다. 소셜 피드는 말할 것도 없이 특허, 제품 사양, 학문적 출판물, 시장 조사, 뉴스는 모두 텍스트가 주된 구성요소이며 텍스트의 양은 지속적으로 증가하고 있다.  ‘파운드리(Foundry)의 2022년 데이터 및 분석 조사’에 따르면 IT 리더 중 36%는 이런 비구조적 데이터 관리가 가장 큰 문제라고 생각하고 있다. 조사 기업 럭스 리서치(Lux Research)는 NLP 기술, 특히 토픽 모델링이 데이터의 가치를 발현하기 위한 핵심 도구가 되고 있다고 밝히기도 했다. NLP는 컴퓨터가 언어를 이해, 처리, 생성할 수 있도록 훈련시키는 AI의 한 영역이다. 검색 엔진, 기계 번역 서비스, 음성 비서는 모두 NLP에 기반한다. 예를 들어, 토픽 모델링은 단어를 그룹화하여 특정 개념의 하위 범주로 분류하는 NLP 기법이다.  럭스 리서치에 따르면 토픽 모델링을 통해 조직이 문서와 특정 주제를 연계시킨 후 시간이 지남에 따라 한 주제의 증가 트렌드 등의 데이터를 추출할 수 있다. 또 토픽 모델링을 사용하면 주어진 문서에 대해 ‘지문’을 수립한 후 유사한 지문을 가진 다른 문서를 발견할 수 있다. 비즈니스 부문에서 AI에 대한 관심이 커지면서 조직들이 텍스트 문서 등의 비구조적 데이터의 가치를 발현하기 위해 NLP로 눈을 돌리기 시작했다. 마켓앤마켓(Markets and Markets)은 NLP 시장이 2022년의 157억 달러에서 2027년에는 494억 달러까지 성장해 해당 기간의 CAGR이 25.7%가 될 것으로 전망했다. 자연어 처리를 활용하여 비즈니스 성과를 창출하는 5가지 사례를 살펴본다.   Image Credit : Getty Images Bank NLP를 활용해 글로벌 규모로 운영하는 엘리 릴리(Eli Lilly) 다국적 제약기업 엘리 릴리는 자연어 처리를 활용하여 전 세계 3만 명 이상의 직원들이 시의적절한 정보를 내부 및 외부적으로 공유하도록 지원하고 있다. 해당 기업은 NLP와 딥러닝, 검증된 API 계층을 통해 콘텐츠 번역을 생성하는 자체 개발 IT 솔루션인 릴리 트랜슬레이트(Lilly Translate)를 개발했다. 릴리는 수 년 동안 외주 번역 서비스 기업들을 활용해 내부 번역 자료부터 규제 기관용 공식 기술 문서 등을 번역했다. 현재, 릴리 트랜슬레이트 서비스는 사용자와 시스템을 위해 워드(Word), 엑셀(Excel), 파워포인트(PowerPoint), 텍스트의 실시간 번역을 제공하고 문서 서식은 그대로 유지한다.  생명공학과 릴리 콘텐츠로 훈련된 딥러닝 언어 모델은 번역 정확도를 개선하는 데 도움이 되며, 릴리는 기업 전용 용어와 산업 전문 용어도 인식한다. 엘리 릴리의 부사장 겸 정보 및 디지털 솔루션 정보 책임자 티모시 F. 콜먼은 “릴리 트랜슬레이트는 HR부터 기업 감사 서비스, 윤리 및 준법감시 핫라인, 재무, 영업 및 마케팅, 규제 사한 등 기업의 모든 영역에 관여하고 있다. 시간이 크게 절약된다. 현재 번역은 수 주가 아니라 몇 초 만에 완료된다”라고 말했다. ◆ 열정 프로젝트를 지원하라. 릴리 트랜슬레이트는 LRA(Lilly Regulatory Affairs) 포트폴리오의 불편사항을 해결하는고자 했던 한 호기심 많은 소프트웨어 엔지니어에 의한 열정 프로젝트로써 시작되었다. 기업은 과거 지속적으로 번역 서비스 지연 및 마찰을 경험했다. 콜먼은 동료 및 관리자들과 아이디어와 기술 비전을 공유했고, 이 툴에 대한 투자를 지지한 ELGRAI(Eli Lilly Global Regulatory Affairs International)의 경영진으로부터 프로젝트 지원을 즉시 확보했다. 콜먼은 “[그 아이디어는] 이머징 테크놀로지를 탐구하고 배울 기회와 잘 결합됐다. 이런 좋은 기회를 통해 릴리의 소프트웨어 엔지니어를 선발하여 운용했으며, 처음에는 훌륭한 학습 기회로 작용했다”라고 말했다. NLP를 사용한 계약을 분석하는 액센츄어(Accenture) 액센츄어는 법률 분석을 위해 자연어 처리를 활용하고 있다. 해당 기업의 ALICE(Accenture Legal Intelligent Contract Exploration) 프로젝트는 회사의 법률 조직이 계약 조항 검색 등 수백만 개의 계약서에서 텍스트 검색을 수행하는 데 도움이 된다. ALICE는 의미론적 유사성에 기초하여 단어들 사이의 비교를 용이하게 하는 ‘워드 임베딩(Word Embedding)’이라는 NLP 기법을 사용한다. 이 모델은 계약서를 단락별로 살펴보고 키워드를 찾아 해당 단락이 특정 계약 조항 유형과 관련성이 있는지 여부를 판단한다. 예를 들어, ‘홍수’, ‘지진’, ‘재난’ 등의 단어는 주로 ‘불가항력’이라는 조항에서 발생한다. 액센추어의 디지털 비즈니스 전환, 운영, 기업 분석 글로벌 상무이사 마이크 메어스카는 “이 기능을 지속적으로 활용하며 확장 및 개선하면서 사용 사례가 증가했고, 우리가 가진 데이터에서 가치를 얻는 새로운 방법을 찾고 있다”라고 말했다. 액센추어는 이 프로젝트로 인해 변호사들이 특정 정보를 찾기 위해 문서를 읽느라 소요되는 시간이 크게 감소했다고 밝혔다. ◆ NLP 도입을 두려워하지 말라. 메어스카는 “혁신이 문화의 일부라면 실패를 두려워할 수 없다. 실험하고 반복하자”라고 말했다. 버라이존의 고객 요청 처리를 돕는 NLP 버라이존의 BSA(Business Service Assurance) 그룹은 자연어 처리와 딥러닝을 사용하여 고객 요청 댓글 처리를 자동화하고 있다. 해당 그룹은 월 10만 건의 요청을 받는다. 버라이존의 IT 그룹인 GTS(Global Technology Solutions)가 AIEDWSA(AI-Enabled Digital Worker for Service Assurance)를 개발하기 전에는 이를 개별적으로 읽고 조치를 취해야 했다. 디지털 워커(Digital Worker)는 네트워크 기반 딥러닝 기법과 NLP를 결합하여 주로 이메일과 버라이존의 웹 포털에 통해 등장하는 수리 티켓을 판독한다. 기존 티켓 상태에 대한 보고 또는 수리 진행상황 업데이트 등 보편적인 요청에 자동으로 대응한다. 복잡한 문제는 인간 엔지니어에게 전달된다. VBG(Verizon Business Group)의 GTS의 시스템 엔지니어링 이사 스테판 토스는 “이런 요청에 대한 대응을 자동화함으로써 우리는 수 시간이 아니라 수 분 안에 대응한다”라고 말했다. 2020년 2월, 버라이존은 디지털 워커를 통해 전년도 2/4분기 이후로 월 약 1만 노동 시간을 절약했다고 밝혔다. ◆ 오픈소스로 살펴보라. 토스는 “주위를 둘러보고 비즈니스 파트너들과 연계하면 기회를 찾을 수 있을 것이라 생각한다. 오픈소스를 살펴보고 실험을 한 후에 플랫폼에 대규모 재정 투자를 수행하라. 우리는 오픈소스에서 많은 기회를 찾았다”라고 말했다. NLP 기반 AI를 통해 고객 정서를 추적하는 GWL(Great Wolf Lodge) 병원 및 접객 체인 GAIL(Great Wolf Lodge’s Artificial Intelligence Lexicographer)은 월간 보고서에서 댓글을 자세히 살펴보고 작성자가 순 추천자, 비방자, 중립적 당사자인지 여부를 판단한다. 자연어 처리를 활용하는 AI는 구체적인 고객 접촉과 관련해 6만 7,000건 이상의 리뷰에 대해 훈련을 받았다. GAIL은 클라우드에서 구동하고 내부적으로 개발한 알고리즘을 사용한 후, GAIL이 조사 응답자가 GWL에 관해 그렇게 느낀 이유를 알 수 있는 핵심 요소를 찾아낸다. 2019년 9월 현재, GWL은 GAIL이 95% 정확도로 결정을 내릴 수 있다고 밝혔다. GWL은 아직 GAIL이 이해할 수 없는 소량의 정보에 대해 전통적인 텍스트 분석을 사용한다. GWL의 CIO 에드워드 말리노우스키는 “우리는 모든 지점에서 고객들과 더욱 잘 소통하고자 NLP에 주목했다”라고 말했다. GWL의 비즈니스 운영팀은 GAIL에 의해 생성된 인사이트를 사용하여 서비스를 미세 조정한다. 해당 기업은 현재 GWL 서비스에 관한 고객이 자주 묻는 질문에 답하는 챗봇을 조사하고 있다. ◆ 기술을 위한 기술을 피하라. 기술과 실용성의 균형이 적절하고 비즈니스 목표에 적합한 도구를 선택한다. 말리노우스키는 “문제를 찾으면서 무엇이 도움이 되는지 신중하게 생각해야 한다”라고 말했다. NLP를 통해 클레임을 신속하게 해결하는 애트나(Aetna) 건강보험사 애트나는 각 계약의 지불금, 공제, 추가 비용 설명에 관한 메모 판독을 자동으로 수행하고 가격을 계산한 후 클레임을 업데이트하기 위해 ACPC(Auto-adjudication of Complex Provider Contracts) 애플리케이션을 개발했다. 이 애플리케이션은 자연어 처리 처리와 특수 데이터베이스 소프트웨어를 결합하여 지불금 속성을 확인하고 시스템이 자동으로 읽을 수 있는 추가적인 데이터를 구성한다. 덕분에 다량의 클레임도 하룻밤 사이에 해결할 수 있다. 이 애플리케이션을 통해 애트나는 50명의 클레임 중재 인력을 더 높은 수준의 사고와 의료 제공자들 사이의 추가적인 조율이 필요한 계약 및 클레임에 다시 집중시킬 수 있었다. “결국 최종 사용자를 위한 더 나은 경험을 제공하는 것이 중요하다”라고 말하면서 애트나의 CTO 클라우스 젠슨은 말했다. 그는 이어 이 소프트웨어가 의료 제공자 및 환자를 위한 의료 생태계에서 더 나은 파트너가 되는 데 도움이 된다고 덧붙였다.  2019년 7월을 기준으로, 애트나는 이 애플리케이션 덕분에 연간 600만 달러의 처리 및 재작업 비용을 절약할 수 있을 것으로 분석했다. ◆ 초점을 좁히고 시간을 가지라. 좁은 문제를 해결하는 AI를 구현하는 것이 아직은 바람직하다. 광범위한 솔루션은 흐리멍텅하며 궁극적으로 실패할 것이라고 말하면서 젠슨은 애트나가 사업에 일반적인 AI를 적용하려 했다면 실패했을 것이라고 덧붙였다. 또한 애트나는 수 개월에 걸쳐 프로세스를 마련하고 규칙을 명문화한 후 앱을 테스트했다. 젠슨은 많은 사람들이 속도를 늦추고 제대로 할 인내심이 없다고 말했다. ciokr@idg.co.kr
자료 출처 :
MarketsandMarkets
원본자료 다운로드
발행 날짜 :
2022년 05월 18일
주요 내용 :
디지털 지도 시장 규모가 2021년 192억 달러에서 2026년 370억 달러로 성장하며 14.1%의 연간 성장률을 기록할 전망이다. 새로운 기술 채택에 대한 지출 증가, 시장을 주도하기 위한 고객 인텔리전스 환경의 변화, 고객 채널의 확산 등이 디지털 지도 기술과 서비스 채택이 시장 성장을 주도할 것으로 예상됐다. 마켓앤마켓(MartketsandMarkets)이 '2026년까지 글로벌 디지털 지도 시장(Digital Map Market - Global Forecast to 2026)' 보고서를 발표했다. 보고서는 디지털 지도 시장을 구성 요소(솔루션, 서비스), 매핑 유형(야외, 실내, 3D 및 메타 버스), 애플리케이션(실시간 위치 데이터 관리, 지오코딩 및 지오포지셔닝, 라우팅 및 탐색, 자산 추적 등), 카테고리, 지역 등으로 나누어 조사와 분석을 진행했다. 디지털 지도 시장이 2026년까지 연간 14.1%의 성장률을 기록할 전망이다. 시장 규모는 2021년 192억 달러에서 2026년 370억 달러로 성장할 것으로 예상했다. (자료 : MarketsandMarkets) 보고서는 "빅데이터는 기업이 프로세스를 최적화하고 운영 비용을 최소화하는 데 도움이 된다. 실시간 데이터 스트림, 인공지능(AI), 기계학습(ML) 및 디지털 지도의 조합은 경쟁력 있는 비즈니스 이점을 제공할 수 있다. 데이터는 전략적 의사 결정 능력을 확보하고 다른 비즈니스 전략을 수립하기 위해 디지털 지도에서 항상 중요했다"라고 밝혔다. 아울러 "디지털 지도 시장은 공간 데이터 및 분석 도구의 가용성 증가, 비즈니스 인텔리전스(BI)에 대한 관심 증가, 시장 경쟁 심화, 솔루션 비용 감소와 같은 여러 요인으로 인해 성장할 것으로 예상된다. 또한 사용자의 위치 정보를 기반으로 한 개인화 서비스에 대한 관심이 높아짐에 따라, 연결 기술이 향상되면서 디지털 지도 시장의 성장이 가속화되었다"라고 시장 상황을 전했다. 디지털 혁신을 주도하는 다양한 디지털 기술과 데이터를 활용한 비즈니스 환경의 변화가, 디지털 지도에 대한 활용 범위를 넓히면서 자연스럽게 시장도 커지고 있다는 것이다. 스마트폰이나 태블릿 등의 모바일 장치에서 위치와 지도 서비스가 기본적인 서비스로 자리 잡으면서, 이를 활용한 다양한 형태의 서비스가 등장하고 확대되고 있는 상황이다. 특히 다양한 데이터를 실시간 지도와 결합하는 플랫폼과 서비스는 디지털 지도 시장의 주요 성장 동력이다. 실시간 매핑을 활용하면 기업들이 센서, 장치, 소셜 미디어 피드 등을 분석하고 이를 지도에 표시할 수 있다. 치안이나 보안 같은 공공 부분에서의 안전 및 위험 요소 관리에도 활용할 수 있다. 하지만 이 과정에서 사용자 개인 정보 보호와 보안 문제는 해결해야 할 과제라고 보고서는 지적했다. 예측 기간 시장 규모가 빠르게 성장할 것으로 예상되는 분야는 인프라 개발과 건설 분야를 꼽았다. 디지털 지도 솔루션은 인프라 수명 주기의 모든 단계를 지원하며, 건설 및 엔지니어링 회사에서 중요한 역할을 하기 때문이다. 특히 디지털 지도를 통한 안전 조치 강화와 네트워크 유지 관리 비용을 줄일 수 있어, 인프라 개발과 건설 부분에서 시장 규모가 빠르게 성장할 것으로 예상했다. 애플리케이션 부문에서는 라우팅 및 탐색 분야의 성장이 두드러질 것으로 예측했다. 차량 주행, 물류, 운송, 여행 등의 분야에서 이동 경로 등을 탐색하고 필요한 정보를 제공하는 분야의 빠른 성장이 예상된다는 것이다. 스마트 시티를 구축을 추진하는 정부나 도시에서 승차 공유, 교통 상황, 날씨 등 다양한 정보를 통합한 플랫폼을 디지털 지도와 연계하는 것도 성장을 촉진하는 요인으로 분석했다. 보고서는 북미, 유럽, 아시아∙태평양, 라틴 아메리카, 중동 및 아프리카 5개 지역 중에서 시장 규모는 북미가 가장 클 것으로 전망했다. 하지만 예측 기간 연간 성장률은 아시아∙태평양 지역이 가장 높을 것으로 예상했다. 아시아∙태평양 지역은 기존 업체보다 경쟁 우위를 확보하기 위해 최신 기술을 채택하는 기업이 많아 디지털 지도 시장이 호황을 누리게 될 것이라고 보고서는 분석했다. 디지털 지도 시장의 주요 업체로는 구글(Google), 애플(Apple), 톰톰(TomTom), 니어맵(Nearmap), ESRI, INRIX, 히어 테크놀로지(HERE Technologies), 맵퀘스트(MapQuest), 라이트박스(LightBox), 서비스나우(ServiceNow), 알리바바 그룹(Alibaba Group), 인픽슨(Inpixon), 메타(META) 등이 있다. ciokr@idg.co.kr
자료 출처 :
Workday
원본자료 다운로드
발행 날짜 :
2022년 01월 20일
주요 내용 :
워크데이(Workday)의 새로운 보고서에 따르면 최고재무책임자(CFO)가 AI/ML 스킬을 갖춘 인재 및 인력을 확보하고 유지하기 위한 기술 투자에 열심인 것으로 나타났다.    ⓒGetty Images 재무 관리 및 인적 자원 소프트웨어 업체 워크데이가 지난주 발표한 ‘글로벌 CFO 현황 설문조사(Global CFO Indicator Survey)’에 의하면 절반에 가까운 CFO(48%)가 재무 인재를 유치하기 위해 향후 5년 이내에 ‘소비자형(consumer-like)’ 인터페이스에 투자할 계획이며, 57%는 신입사원이 갖추길 바라는 역량으로 AI 및 ML 스킬을 꼽았다.  워크데이는 호주, 뉴질랜드, 싱가포르, 미국, 프랑스, 독일, 영국 기업(직원 수 500명에서 5,000명 이상)의 최고재무책임자 276명을 대상으로 온라인 설문조사를 실시했다. 해당 설문조사 결과에 따르면 CFO들의 40%가 5년 전만 해도 찾지 않았던 ‘애널리틱스 및 데이터 스토리텔링 스킬’을 우선시하고 있는 것으로 조사됐다.    ⓒWorkday 워크데이의 최고회계책임자 필리파 로렌스에 의하면 AI를 통해 CFO들은 스프레드시트와 숫자를 샅샅이 뒤지는 시간을 줄이고, 비즈니스 가치 측면에서 빅데이터가 무엇을 의미하는지 설명하는 데 더 많은 시간을 할애할 수 있다. 또 CFO들은 AI/ML을 사용해 데이터에서 정보를 얻을 뿐만 아니라 해당 데이터의 중요성을 이야기할 수 있는 직원을 찾고 있는 것으로 드러났다. 그는 “이번 설문조사를 통해 CFO들이 그러한 이야기를 할 수 있는 역량을 원한다는 점을 알 수 있었다. 데이터를 언급하지 않는다면 아무도 그 이야기에 귀를 기울이지 않을 것”이라고 말했다.  포레스터 리서치에 따르면 5개 중 1개 기업이 비즈니스 인사이트 딜리버리를 강화하기 위해 AI 투자를 2배로 늘릴 계획이다. 아울러 포레스터는 지난 2021년 10월 공개한 ‘2022 전망: 인공지능(Predictions 2022: Artificial Intelligence)’ 보고서에서 올해 AI를 적용한 실시간 시스템 사용이 20% 증가하리라 예측했다.  포레스터는 ‘AI 소프트웨어’를 AI 기능(예: 머신러닝, 컴퓨터 비전, NLP 등)을 갖춘 AI 애플리케이션을 빌드하기 위해 사용되는 소프트웨어 플랫폼으로 정의한다. AI 시장에는 거의 모든 사용 사례에 맞는 고도로 맞춤화된 솔루션을 구축하는 데 쓸 수 있는 도구 및 플랫폼 업체가 있다. 이를테면 클라우데라(Cloudera), 데이터이쿠(Dataiku), 데이터로봇(DataRobot), 도미노 데이터 랩(Domino Data Lab), 닷데이터(dotData), 구글(Google), 헤이치투오닷에이아이(H2O.ai), IBM, 매스웍스(MathWorks), 마이크로소프트(Microsoft), 래피드마이너(RapidMiner), SAS, 팁코(TIBCO) 등이다.  포레스터는 AI 소프트웨어 시장이 현재 약 250억 달러에서 오는 2025년까지 370억 달러로 성장하리라 전망했다. 또한 비-기술 기업의 15%가 AI를 접목한 제품을 구축하기 위해 AI 팀에 설계 및 테스트 인력을 포함시킬 것으로 예상했다. 보고서는 “2년 전만 해도 기술 엘리트 기업들만 AI 설계에 투자했다. 어도비, 아마존, 구글, 마이크로소프트, 넷플릭스, 세일즈포스의 선례를 따라 2022년에는 많은 비-기술 기업이 AI 프로젝트에 디자인 리더십을 임명할 것”이라고 전했다.  CFO들은 데이터 기술 격차를 줄이기 위해 팀의 데이터 관리 역량을 강화하고 업스킬링을 추진하고 있다. 전체 설문조사 응답자의 58%는 데이터를 인사이트로 전환하는 역량이 ‘우수하다’라고 평가했으며, 워크데이는 이렇게 응답한 그룹을 ‘데이터에 확신이 있는’ CFO 그룹으로 분류했다. 하지만 CFO와 회계사는 스프레드시트와 데이터베이스에서 정보 및 데이터 포인트를 제공하는 모바일 앱 등의 ‘소비자 같은(consumer-like)’ 인터페이스를 갖춘 기술을 사용하는 데 있어서 다른 비즈니스 리더보다 많이 뒤처져 있다.  로렌스는 “중요한 건 사용하기 쉬운 기술, 즉 ‘소비자형’ 기술을 확보하는 것이다. 무언가를 쉽게 사용할 수 있다면 더 높은 수준의 재미있는 일에 집중하고 무언가를 찾으려고 노력하지 않을 수 있다”라고 언급했다.  워크데이의 설문조사 결과에 의하면 전체 응답자의 48%가 회계, 보고, 재무 계획 및 분석(FP&A), 프로세스 자동화 등 재무 작업용 소비자형 인터페이스에 적극적으로 투자하고 있다. 이러한 방식으로 워크플로우를 간소화하면 직원들은 전략적 업무에 집중하고, 생산성을 높일 수 있다고 보고서는 설명했다. “이를 우선시하는 CFO들의 99%가 인재 확보와 직원 유지 모두에 기술 업데이트가 훨씬 더 중요해질 것이라고 동의했다”라고 보고서는 덧붙였다.  지난 30년 동안 회계사로 일한 로렌스는 과거엔 데이터세트를 수작업으로 샅샅이 뒤지고, 분석해야 했다고 말했다. 이 작업은 효율적이지 않았으며, 서로 일치하지 않는 상이한 데이터 시스템과 데이터세트도 많았다고 그는 지적했다.  이어서 로렌스는 코로나19 팬데믹이 CFO들의 기대치를 바꿔 놓았다고 전했다. 오늘날 CFO들은 신뢰할 수 있는 데이터를 빠르게 얻길 원한다. 그는 “AI와 ML을 사용하여 이상 징후와 비정상적인 추세를 식별할 수 있고, 이를 통해 해당 데이터가 실질적으로 무엇을 의미하는지 파악할 수 있다”라고 덧붙였다.  워크데이 설문조사에 따르면 인재 유치, 업스킬링, 직원 유지는 CFO들의 최우선 과제로 남아 있다. CFO들이 신입사원에 바라는 스킬로는 데이터 거버넌스 및 관리(78%), 데이터 과학 및 시각화(71%), ESG(63%), 리스크 분석(60%) 등이 꼽혔다. 한편 CFO들은 기술에 중점을 두고 있지만 투자와 지원 측면에서 다양성 및 포용성(D&I) 또는 ESG의 필요성에도 초점을 맞추고 있다. 이번 보고서에서 CFO들은 D&I(31%), ESG(25%)를 다뤄야 할 새로운 영역이라고 답했다. ciokr@idg.co.kr
자료 출처 :
MarketsandMarkets
원본자료 다운로드
발행 날짜 :
2021년 12월 31일
주요 내용 :
사기 탐지 및 예방 시장이 2026년까지 연간 28.5% 성장할 전망이다. 2021년 228억 달러이던 시장 규모는 2026년 534억 달러에 달할 것으로 추정된다. BYOD(Bring Your Own Device)를 기반으로 한 업무 프로세서의 변화와 데이터가 증가하면서, 실시간 데이터 분석과 보안을 위한 새로운 종류의 사기 탐지 및 예방 솔루션이 시장을 이끌고 있다. 마켓앤마켓이 '2026년까지 사기 탐지 및 예방 시장(Fraud Detection and Prevention Market - Global Forecast to 2026)' 보고서를 발표했다. 보고서는 관련 시장을 사기 유형, 구성 요소, 배포 모드, 조직 규모, 수직 시장, 지역으로 구분해 조사와 분석을 진행했다. 구성 요소는 솔루션과 서비스, 배포 모드는 클라우드와 온프레미스로 세부 시장을 분류했다. 마켓앤마켓이 사기 탐지 및 예방 솔루션 시장 보고서를 발표하고 2026년까지 18.5%의 성장률을 기록할 것으로 전망했다. 시장 규모는 2026년에 534억 달러에 달할 것으로 예측했다. (자료 : MarketsandMarkets) 디지털화가 가속화되고 사물인터넷이 확산되면서 신원, 투자, 결제, 보험 등 다양한 유형의 디지털 기반의 사기가 증가하면서 이로 인한 손실도 커지고 있다. 특히 금융권이 인공 지능과 머신 러닝을 활용한 사기 탐지 및 예방 솔루션 도입에 앞서가고 있다고 보고서는 밝혔다. 온라인 거래와 디지털 뱅킹이 지속적으로 증가하면서, 다양한 유형의 사기로부터 거래를 보호하는 것이 중요해졌기 때문이다. 예측 기간 동안 시장 규모가 가장 클 것으로 예상한 분야는 솔루션 부문이다. 사기 분석, 인증, GRC(Governance, Risk Management, Compliance)로 분류한 솔루션 시장에서, 기업의 매출 손실이 급증이 사기 및 탐지 솔루션에 대한 수요 증가를 견인하고 있다고 보고서는 전했다. 서비스 부문은 전문 서비스와 관리 서비스로 구분해 조사를 진행했다. 배포 모드에서는 클라우드가 예측 기간 동안 높은 성장률을 기록할 전망이다. 많은 기업들이 클라우드를 기반으로 한 디지털 전환을 가속화하면서 보안 침해, 신원 도용, 온라인 사기도 증가하고 있다. 특히 전자 상거래, 온라인 소매, 디지털 결제의 증가가 온라인 사기 탐지 및 예방 솔루션의 채택률을 증가시키는 것으로 분석했다. 온프레미스(On-premises) 배포 모드를 채택하는 기업도 적지 않을 것이라는 전망이다. 기업이 직접 운영하는 서버에 솔루션을 구축하는 온프레미스는 플랫폼, 애플리케이션, 시스템, 데이터 등에 대한 권한과 접근 등에 대한 모든 제어와 통제가 가능하다. 따라서 사용자 자격 증명이 중요한 조직에서는 온프레미스 배포 모드를 더 많이 채택할 것이라고 밝혔다. 최종 사용자 부문에서는 BFSI(Banking, financial services and insurance) 시장이 가장 클 것으로 분석했다. 은행 및 금융 부문은 신원 도용, 스파이웨어, 애드웨어, 피싱 등 온갖 종류의 사이버 범죄의 표적이기 때문이다. 지역으로는 북미 시장이 가장 피해를 많이 입는 만큼 시장 규모 역시 가장 크다고 밝혔다. 사기 탐지 및 예방 솔루션을 공급하는 주요 기업으로는 BAE 시스템, 나이스 액티 마이즈(Nice Actimize), FICO, 렉시스넥시스(LexisNexis), 트랜스유니온(TransUnion), RSA 시큐리티, FIS, ACI 월드와이드, 페이팔(PayPal), 비자(Visa), SAS, SAP, 마이크로소프트(Microsoft) 등이 있다. ciokr@idg.co.kr
자료 출처 :
McKinsey
원본자료 다운로드
발행 날짜 :
2021년 12월 08일
주요 내용 :
AI 프로젝트를 성공시키려면 비즈니스 가치, 학습용 데이터, 문화적 준비가 필수다. 이 3가지가 모두 없다면 기존 솔루션이 더 적합할 수도 있다. 인공지능(AI) 도입이 증가하고 있다. 최근 발표된 맥킨지의 설문조사 결과에 따르면 55%의 기업이 적어도 1개 부서에서 인공지능을 사용하고 있으며, 27%는 이자 및 세전 수익의 최소 5%를 AI를 통해 비용 절감의 형태로 얻고 있는 것으로 나타났다. AI가 (관련된) 거의 모든 산업을 극적으로 변화시킬 것이기 때문에 벤더와 기업들이 가능한 모든 곳에 AI를 배포할 기회를 찾고 있다는 건 놀라운 일은 아니다. 하지만 모든 프로젝트가 AI의 이점을 누릴 수 있는 건 아니며, 적절하지 않은 곳에 AI를 도입하면 시간과 비용을 낭비할 뿐만 아니라 직원, 고객, 기업 리더가 고배를 마실 수 있다. 어떤 프로젝트가 AI에 적합한지를 판단하는 핵심 요소는 ▲비즈니스 가치, ▲학습용 데이터의 가용성, ▲변화에 따른 문화적 준비 수준이다. 인공지능 이니셔티브가 매몰 비용이 되기 전에, 제안된 AI 프로젝트에 이러한 요소가 부합하는지 확인하는 방법을 살펴본다.   ⓒGetty Images 가장 간단한 솔루션부터 시작하라 전 세계 90여 개국에 1만 8,000개 이상의 매장을 보유하고 있는 피자 체인점 도미노의 데이터 과학 및 AI 부문 관리자 잭 프라고소는 특히 데이터 과학자가 AI 우선 접근법을 선호한다고 말했다. 하지만 모든 곳에 AI를 적용할 순 없다고 그는 지적했다.  전통적인 산업이지만 도미노는 변화를 추진해왔다. 특히 팬데믹 기간에는 더욱더 그랬다. 현재 고객들은 13가지 디지털 방식으로 피자를 주문할 수 있으며, 2020년 도미노 매출의 70% 이상은 디지털 주문에서 나왔다. 이는 AI의 가능성을 입증할 수 있는 많은 기회를 열어줬다. 프라고소는 “도미노가 AI를 도입할 때의 핵심은 간단한 접근방식을 취하는 것이었다”라며, “단순한 솔루션이 더 빠르게 실행되고 더 나은 성과를 보여주기 때문에 이를 비즈니스 파트너에게 설명할 수 있다. 설명 가능성이 중요하다. 대부분의 사람들이 도구와 방법을 이해하면 도입하기가 더 쉬워진다”라고 말했다. 접근법 자체는 간단하다. 해결해야 하는 문제가 있을 때 도미노는 가장 단순하고 전통적인 솔루션을 살펴본 다음, 거기서 시작해도 충분한지 추가적으로 필요한 기술이 있는지 확인한다고 그는 언급했다. 예를 들면 피자를 요리하고 포장하는 시간을 예측하는 건 간단하다. 프라고소는 “운영 리서치에서 단순하고 전통적인 솔루션을 찾는다. 앞서 언급한 사례에서는 타이머를 쓰면 된다. 하지만 이미지 인식이나 자연어 처리 등 AI로만 해결할 수 있는 문제가 있다”라고 전했다. 이를테면 작년에 도미노는 모든 피자 매장에서 피자를 먹은 고객에게 보상을 제공하는 로열티 프로그램을 운영했다. 그는 “수백만 장의 다양한 피자 사진을 사용하여 피자 분류기를 개발하고 앱에 넣었다”라고 말했다. 해당 프로젝트는 2가지 종류의 비즈니스 가치를 제공했다. 첫째, CX가 개선됐다. 둘째, 도미노에서 피자 품질과 온도를 감지하는 데 쓸 수 있는 피자 이미지 콜렉션을 생성할 수 있었다.  도미노가 진행한 더 실용적인 AI 이니셔티브는 피자 추적기의 정확성을 개선하는 프로젝트였다. 고객들이 음식을 픽업하기 위해 정확히 언제 매장을 방문해야 하는지, 음식 배달이 언제 도착하는지 알고 싶어 했기 때문이다. 도미노 피자 추적기의 기존 if-then 코딩에 머신러닝을 추가해 정확성이 100% 향상됐다고 프라고소는 설명했다. 아울러 이 모델을 구축할 때 도미노는 단순성을 우선시한다는 원칙을 고수했다. 그는 “첫 번째 버전은 단순 회귀 모델이었고 근접한 결과를 얻었다. 그다음 의사결정 트리 모델을 통해 더 많은 측면을 살펴볼 수 있었다. 그리고 의사결정 트리와 같은 변수를 포착할 수 있으면서 답을 더 신속하게 생성할 수 있는 신경망으로 전환했다. 웹 사이트에서의 신속한 고객 경험을 추구하고 있기 때문이다”라고 말했다. 젠팩트(Genpact)의 최고디지털책임자(CDO) 산자이 스리바스타바는 특히 기업들이 경험에 기초하여 지속적으로 개선되는 프로세스를 구축하려 할 때 머신러닝을 적용할 수 있다고 언급했다. 하지만 때로는 기본적인 통계 모델링에서 얻을 수 있는 간단한 상관관계만으로 충분할 때가 있다. 그는 “랜덤 포레스트 및 기타 통계 도구 키트를 중심으로 한 10년 전의 관행을 사용하면 ML옵스(MLOps)팀을 구성하는 것보다 더 빠르고 저렴하게 답을 얻을 수 있다. 훨씬 더 단순하고 훨씬 더 효과적인 기존 기법으로 돌아가야 할 때를 알아야 한다”라고 조언했다. 그는 AI가 해결책을 제시하긴 하지만 일반적으로 (AI를 도입하는 것이) 지나친 영역 중 하나가 바로 챗봇이라고 지적했다. 스리바스타바는 “일부 시나리오에서는 적합하다. 하지만 시나리오의 90%에서는 앞으로 나올 질문을 알 수 있다. 지난 3년 동안의 질문을 볼 수 있고, 모든 질문의 답을 알고 있기 때문이다. 결국 챗봇의 90%는 간단한 질의응답 쌍으로도 대체할 수 있다”라고 말했다. 과거 데이터: 미래 결과를 예측하는 AI의 핵심 모든 유한 데이터세트를 곡선에 맞출 수 있다. 예를 들면 작년의 로또 당첨 번호를 가지고 이를 완벽하게 예측할 수 있는 모델을 만들 수 있다. 하지만 이 모델은 여전히 미래를 예측할 수 없다. 기본적인 메커니즘이 완전히 무작위이기 때문이다. 팬데믹은 이런 일이 실제로 어떻게 일어나는지 보여주는 좋은 예였다. 이를테면 봉쇄조치가 공장 폐쇄로 이어질지 예측할 수 있는 방법이 없었다. 맥킨지의 AI 현황 조사(State of AI Survey) 보고서에 따르면 그 결과 기업들의 여러 부문에서 매출이 감소했다. 지난해 전략 및 기업 재무 부문에서 매출이 증가했다고 밝힌 응답자는 73%에 달했지만 올해에는 67%에 그쳤다. 그 차이는 공급망 관리에서 두드러졌다. 작년에는 72%가 이 부문에서 매출이 증가했다고 답했지만 올해는 54%에 불과했다. ACP(Axiom Consulting Partners)의 파트너 돈차 캐롤은 “AI 또는 ML의 근본적인 특징은 이력을 활용해 정보를 제공한다는 것”이라며, “과거와 떼려야 뗄 수가 없다. AI는 역사가 반복될 가능성이 있는 상황에 적합하다”라고 말했다. 예를 들어 AI를 사용해 미래 수익을 예측한다고 할 때 매출은 예측할 수 없고, 통제할 수 없으며, 기업에 데이터가 없는 요인의 영향을 받는다. 그리고 이러한 요인 중 일부가 결과에 외부적인 영향을 미치는 경우 모델 전체가 무용지물이 될 수 있다고 그는 설명했다. 캐롤은 “이럴 땐 AI를 도입해서는 안 된다. 하나의 변수가 바뀌면 즉시 관련성이 없어지는 솔루션에 수십억 달러를 투자할 것인가?”라며, “AI는 다양한 시나리오를 모델링하거나 분명하지 않을 수 있는 인사이트를 드러내는 데 유용할 수 있다. 초점을 좁히면 성공할 가능성이 높아진다”라고 전했다.  AI의 존재 자체가 시스템의 행동을 바꾸는 경우에도 AI는 적합하지 않다. 예를 들면 AI를 사용하여 혐오 발언을 걸러낸다고 할 때 사람들은 AI가 찾는 패턴과 단어를 신속하게 파악하여 필터를 통과한다. 캐롤은 “세계적인 석학들이 이 문제를 해결하기 위해 노력하고 있지만 성공하지 못했다”라고 덧붙였다. 커니(Kearney)의 파트너 바라스 토타는 과거 300억 달러 규모의 글로벌 소비재 대기업에서 근무했던 당시의 사례를 예로 들면서, “CFO 리더십 팀은 성장 여부를 파악할 수 있도록 향상된 재무 지표 가시성을 원했다. 기존의 프로세스는 보고 기간이 종료되고 30일 후에 PDF 보고서를 받는 것이었다. 데이터 과학팀은 수치를 예측하기 위해 AI를 적용했다. 의도는 좋았다. 리더십에 미래 지향적인 시야를 제공하고자 했다”라고 말했다. 실수는 알고리즘에 입력한 재무 데이터에 있었다. 이 데이터를 제공한 재무 애널리스트는 많은 가정을 해야 했고, 따라서 데이터세트에는 개인적인 편향이 포함될 수밖에 없었다. 토타는 “과거를 살펴보는 게 아니라 미래를 예측할 수 있다는 점에서 리더십은 흥분했다. 하지만 분기가 끝나고 예측을 되돌아보니 전혀 딴판이었다”라고 전했다.  이런 프로젝트가 실패하면 사람들은 AI에 대한 관심과 신뢰감을 잃는다고 그는 언급했다. 이 기업의 해결책은 CFO 리더십 팀이 필요할 때 필요한 지표를 제공하는 재무 대시보드를 구축해주는 단순한 일이었다. 결국 AI는 경영진에게 평이한 언어로 주요 데이터 인사이트를 자동 제공하는 자연어 생성 형태로 일부 사용됐다. 토타는 “가시성 문제였다. 그리고 그 가시성을 제공하는 간단한 솔루션이 있었다”라고 덧붙였다. 데이터 문제 대부분의 AI 프로젝트는 데이터가 필요하다. 좋은 데이터, 관련성 있는 데이터, 적절한 라벨이 붙어있고 결과를 왜곡할 수 있는 편향성이 없는 데이터가 필요하다. 예를 들면 고양이가 닭장에 들어오지 못하게 하는 방법을 찾고 있는 기업은 카메라 및 이미지 인식 기술을 설치하여 들어오는 고양이를 감지할 수 있다. 하지만 성공은 적절한 학습용 데이터세트를 확보하는 데 달려 있다. 가트너의 분석가 위트 앤드류스는 “많은 사진이 필요하며, 해당 사진에 고양이가 있는지 아닌지를 알려주는 라벨이 있어야 한다. 이러한 데이터를 수집하려면 시간과 비용이 많이 든다”라고 말했다. 아울러 이 모든 데이터를 수집한 기업은 같은 데이터 세트를 다른 프로젝트에도 재사용할 수 있을까? 하지만 해당 기업이 닭장에 몇 마리의 고양이가 들어오는지 파악해야 한다면 어떨까? 그러면 사진의 원본 데이터세트에 각 사진 속의 고양이 수로 라벨을 다시 붙여야 한다. 그는 “고양이 한 마리는 그렇게 비싸지 않을 수 있지만 고양이 떼는 문제가 된다”라고 언급했다. 또 이미지의 일부에만 여러 마리의 고양이가 있다면 정확한 모델을 얻는 게 훨씬 더 어려울 수 있다. 이런 상황은 마케팅 애플리케이션에서 자주 나타나는데, 기업들이 데이터세트가 매우 작아지는 수준까지 시장을 세분화하려고 하기 때문이다. PwC(PricewaterhouseCoopers)의 파트너 겸 글로벌 AI 리더 아난드 라오는 “알고 있는 거의 모든 기업이 고객 표적화를 위해 세분화를 한다”라고 지적했다. 기업들이 하나의 용도로 사용되리라 예상하면서 데이터를 수집한 후 다른 용도로 사용하게 되면 데이터세트가 새로운 요구 사항을 충족하지 못할 수 있다는 게 그의 설명이다. 예를 들면 미국 각 지역의 데이터 포인트가 균형을 이루도록 데이터 수집을 설정했지만 비즈니스 문제가 매우 협소한 인구 통계 부문의 요구에 해당되는 경우 모든 추론은 무용지물이 된다. 이를테면 기업이 특정 연령대의 아시아계 미국인 여성의 구매 습관에 관심이 있는데 표본에는 몇 명만 있다고 가정해보라. 그는 “세분화를 통해 어떤 결정을 내리고 싶은지 명확해야 한다. 표본 추출이 대표성을 확보하면서 문제도 포착하는지 확인해야 한다”라고 권고했다. 표본 문제는 드문 이벤트를 예측하려는 모든 시스템에서 발생한다. 예를 들어 기업이 수백만 건의 트랜잭션 데이터세트에서 사기 행위의 예를 찾고 있다면 여기에는 알려진 사기 행위의 수는 소수이고, 누락된 사기 행위가 더 많을 수 있다.  라오는 “추론에 크게 유용하지 않다”라며, “기업에서 많은 사람이 매일 특정 업무를 수행하지만 이런 업무가 어떻게 수행되는지 데이터를 수집하지 않거나 AI를 학습시키는 데 필요한 데이터를 수집하지 않을 때 비즈니스 프로세스 자동화에서 이 문제가 많이 발생한다. 이런 경우에는 해당 정보를 수집하는 시스템을 구축해야 한다. 그리고 몇 개월 후에 다시 모델을 구축해야 한다”라고 덧붙였다. 아울러 데이터가 필요하지 않은 프로젝트 또한 AI가 적합하지 않다. 그는 “예를 들면 보험 및 보험 처리 등 일부 비즈니스 프로세스는 규칙을 기반으로 한다. 전문가를 인터뷰하고 전통적인 공식을 취합해 규칙 기반 시스템을 구축할 수 있다. 여기서 AI는 필요하지 않다. 과도한 할 것이다”라고 전했다.  라오에 따르면 이런 프로젝트를 위해 AI를 사용하면 더 많은 시간이 필요할 수 있으며, 정확도는 비슷하거나 미미하게 나은 수준일 수 있다. 향상된 성능이 필요하지 않을 수도 있다. 그는 “이미 해결할 수 있었던 문제에 시간을 할애하고 있기 때문에 ROI를 달성하지 못할 것”이라고 말했다. 3억 달러 규모의 AI 실수 2021년 11월 온라인 부동산 회사 질로우(Zillow)는 AI 기반 서비스 ‘질로우 오퍼(Zillow Offers)’의 추천에 따라 구매한 주택으로 인해 3분기에만 3억 400만 달러의 재고상각을 초래했다. 이어 4분기 적자가 2억 4,000만 달러에서 2억 6,500만 달러에 달할 것으로 예측돼, 이에 따라 직원의 1/4을 해고해야 했다.  질로우의 CEO 리치 바튼은 투자자와의 컨퍼런스 콜에서 “질로우 오퍼를 운영하는 짧은 기간 동안 글로벌 팬데믹, 주택 시장의 일시적인 동결, 공급-수요 불균형으로 인한 전례 없는 주택 가격 상승 등 일련의 이례적인 사건들을 경험했다. 이에 따라 미래의 주택 가격을 정확하게 예측할 수 없었다. 이 엄청난 변동성을 외인성 블랙스완 사건의 탓으로 돌리고, 학습한 것을 기반으로 모델을 수정하여 계속 운영할 수 있었다. 하지만 지금까지의 경험에 비춰보면 미래에도 예측할 수 없는 가격 전망 및 혼란이 발생하지 않으리라 가정하는 건 안일한 생각일 것이다”라고 밝혔다. 맥킨지의 수석 파트너 팀 파운틴은 “AI는 과거로부터 학습한다. 과거에 발생하지 않은 일을 알고리즘이 예측하는 건 불가능하다”라며, “AI는 상식이 없다. 이전에 화재가 발생한 적이 없는 공장의 생산량을 예측하도록 설계된 AI 알고리즘은 화재가 발생하면 생산량이 급감할 것이라고 예측하지 못할 것”이라고 말했다. ciokr@idg.co.kr
자료 출처 :
Mordor Intelligence
발행 날짜 :
2021년 10월 01일
주요 내용 :
고객 서비스부터 직원 인터페이스까지 다양한 영역에서 인공지능(AI)과 결합된 챗봇 사용이 크게 증가하고 있다.    ⓒGetty Images 챗봇이란? 챗봇(Chatbot)은 텍스트 또는 음성을 통해 사용자와 대화할 수 있도록 설계된 소프트웨어 애플리케이션이다. 가상 에이전트, 인터랙티브 에이전트, 디지털 어시스턴트, 대화형 AI라고도 하는 챗봇은 애플리케이션과 웹사이트, 메시징 플랫폼에 통합돼 실제 사람 에이전트가 없어도 사용자를 지원할 수 있다.  컨스텔레이션 리서치(Constellation Research)의 VP 겸 수석 애널리스트 리즈 밀러에 따르면 챗봇은 자연어 처리(NLP) 애플리케이션이다. 그는 “통상 텍스트 기반이지만 음성을 기반으로 사용자와 디지털 인터페이스 간에 양방향 대화를 하는 사례가 증가하고 있다”라고 말했다.  챗봇은 사용자 메뉴 옵션, 의사결정 트리, 특정 문구(예: ‘내 계정 취소’ 등)를 검색하는 키워드 기반 도구에서 시작됐다. 현재는 인공지능(AI)과 머신러닝(ML)을 결합해 더욱더 사람 간의 대화와 유사한 경험을 만들고 있다. AI 시스템이 발전하면서 챗봇 사용도 크게 증가할 전망이다. 모르도 인텔리전스(Mordor Intelligence)는 전 세계 챗봇 시장이 2021년부터 2028년까지 연간 35%씩 성장해 1,020억 달러 규모에 달할 것이라고 예상했다.  챗봇 사례 챗봇은 웹사이트, 소셜 미디어 플랫폼, 기업 커뮤니케이션 시스템 등 고객용/직원용 플랫폼 및 커뮤니케이션 채널에서 사용된다. CRM, CX, HR, 지원 데스크 플랫폼 등 주요 기업 소프트웨어 시스템에 도입되는 사례도 늘고 있다.  많이 하는 질문(FAQ)에 답변하는 데 쓰이며, NLP 엔진을 사용하여 특이한 표현이 포함된 질문을 이해할 수 있다. 또 고객이나 직원에게 일반적인 작업을 안내하거나 또는 제품 및 서비스 사용 방법을 가르칠 때 챗봇을 사용할 수 있다.  다음은 챗봇의 사용 사례다. • WHO의 왓츠앱 챗봇 ‘헬스 얼럿(Health Alert)’은 영어, 아랍어, 힌디어, 이탈리아어, 스페인어, 기타 언어로 코로나19 관련 질문에 답변한다. • 뱅크 오브 아메리카의 ‘에리카(Erica)’는 은행 모바일 앱에 통합돼 다양한 질문에 영어로 대답할 수 있는 더 발전된 형태의 챗봇이다.  • 에리카와 유사한 챗봇인 ‘에노(Eno)’는 캐피털원의 웹사이트, 모바일 앱, 이메일 및 문자 메시지에서 사용할 수 있다. • 도미노 피자의 돔(Dom)은 고객의 피자 주문을 돕는다. 주요 챗봇 사용 사례 너드리(Nerdery)의 경험 디자인 디렉터 수 존스는 챗봇의 가장 일반적인 용도는 고객 서비스라고 말했다. 이어서 의료, 금융 서비스 및 기타 여러 산업에서도 활용되고 있다고 덧붙였다.  챗봇은 기업 내에서도 꽤 인기 있는 도구로 부상했다. 예를 들면 HR에서 사용하는 챗봇은 직원들의 휴가 및 복지 신청에 도움을 준다. IT 챗봇은 비밀번호 재설정 요청을 처리하거나 네트워크 연결 문제를 진단하는 데 도움을 준다. 또한 영업팀에서 연락해야 할 잠재 고객을 제안하거나 재무팀에서 기업 실적 관련 질문을 답변하는 데 사용할 수도 있다.  캡제미니의 디지털 고객 경험 부문 EVP 빌 돈란은 챗봇을 처음 사용한다면 일반적이면서 비교적 간단한 문제를 목표로 삼는 게 가장 좋다고 권고했다.  예를 들어 챗봇을 고객 서비스에 활용하는 경우 이를 간단한 요청 중 일부를 처리하는 데 사용하라면서, “이를 통해 서비스 에이전트가 더 복잡한 문제를 해결할 수 있다”라고 그는 설명했다.  돈란은 적절한 상황에서 사용하는 동시에 인적 지원과 결합된 챗봇은 고객 만족도를 크게 높이고, 비용을 절감하며, 서비스 가용성과 효율성을 향상시킬 수 있다고 전했다.  하지만 기업이 챗봇을 가지고 있다고 해서 고객이 반드시 챗봇을 사용하는 건 아니다.  뉴셀러스 리서치(Nucleus Research)의 인적 자본 및 엔터프라이즈 콘텐츠 관리 부문 리서치 관리자 에블린 맥멀렌은 “대부분의 웹사이트가 (챗봇을) 갖고 있지만 경시되는 경우가 많다. 판에 박힌 대답으로 인해 사람과의 대화나 상호작용을 대체하지 못하기 때문”이라고 지적했다.  챗봇 소프트웨어 주요 클라우드 업체는 기업이 자체 도구를 구축할 때 연결할 수 있는 챗봇 API를 제공한다. 주요 CRM 및 고객 서비스 플랫폼에 바로 내장된 챗봇뿐만 아니라 오픈소스 패키지도 사용할 수 있다.  독립 실행형 챗봇을 제공하는 기업도 많다. 그랜드 뷰 리서치(Grand View Research)에 따르면 주요 챗봇 업체로는 세븐닷에이아이(7.ai), 아큐베이트(Acuvate), 아이보(Aivo), 아티피셜 솔루션즈(Artificial Solutions), 봇시파이(Botsify), 크리에이티브 버추얼(Creative Virtual), 이게인(eGain), IBM, 인벤타(Inbenta), 넥스트IT(Next IT), 뉘앙스(Nuance) 등이 있다.  포레스터 리서치의 애널리스트 윌리엄 맥키온-화이트는 “자체 조사 결과, 기업에는 적어도 하나 이상의 챗봇 플랫폼이 있었다. 하지만 챗봇의 존재를 모르는 경우도 있었다”라면서, “실제로 이런 식으로 챗봇이 급증한다. 최대 13개의 챗봇 플랫폼이 내부에서 서로 경쟁하는 사례도 있었다”라고 지적했다.  예를 들면 개발자가 작업을 자동화하는 데 도움을 주는 오픈소스 챗봇을 도입할 수 있다. 또 마이크로소프트 팀즈나 슬랙에 챗봇이 있을 수 있고, 지라 등의 다른 플랫폼에 통합돼 있을 수도 있다고 그는 언급했다. 다른 비즈니스 사용자가 세일즈포스, 서비스나우 등의 플랫폼에 통합된 챗봇 기능을 사용하기 시작할 수도 있다. 이 모든 플랫폼이 자금 지원 및 개발자의 관심을 두고 서로 경쟁한다는 의미라고 맥키온-화이트는 설명했다. 그는 “하나만 선택할 필요가 있다. 사용자를 위해 더 효과적인 플랫폼을 구축하려면 리소스를 중앙집중화해야 한다”라고 강조했다.  챗봇과 AI 챗봇은 원래 사용자에게 간단한 메뉴 선택권을 제공하는 것에서 시작돼 특정 키워드에 반응하도록 발전했다. 맥키온-화이트는 “하지만 사람은 언어 사용에 있어 아주 창의적이다”라고 언급했다. 이를테면 동일하게 비밀번호 재설정을 원하더라도 액세스 코드를 잊어버렸다고 말하는 사람, 계정에 접속할 수 없다고 말하는 사람이 있다. 그는 “같은 의미라도 말로 표현하는 방법은 아주 많다”라고 전했다. 여기서 AI가 등장한다. NLP는 시스템이 문자나 구어의 의미(변형된 표현 포함)를 이해할 수 있도록 하는 머신러닝의 하위 집합이다. 이를 위해서는 데이터 세트를 사용해 AI나 머신러닝 기반의 챗봇을 학습시켜야 한다. 일반적으로 학습용 데이터 세트가 클수록, 그리고 도메인이 좁을수록 챗봇이 더 정확하고 유용해진다. 맥키온-화이트는 “(이를 통해) 서로 다른 표현의 유사성을 점점 더 정확하게 파악할 수 있게 된다. 그러나 챗봇과 관련된 부정적인 사례는 여전히 있다. 대화가 그만큼 어렵기 때문이다. 어린아이에게 사전을 던져주고 복잡한 문제를 처리하라고 말하는 것과 같다”라고 말했다. 따라서 기업들은 챗봇에서 미흡한 부분을 찾고 이를 지속적으로 개선시켜야 한다. 그래야 큰 성과를 낼 수 있다고 그는 조언했다. ciokr@idg.co.kr  
자료 출처 :
Gartner
원본자료 다운로드
발행 날짜 :
2021년 09월 22일
주요 내용 :
"책임 있는 인공지능(Responsible AI), 작고 광범위한 데이터 접근 방식(Small and Wide Data), 인공지능 플랫폼의 운영화(Operationalization of AI Platforms), 모델 및 컴퓨팅 리소스의 효율적인 사용(Efficient Use of Resources). 이 네 가지 트렌드가 단기 인공지능 혁신을 주도하며, 빠른 속도로 인공지능 분야의 진화와 혁신이 진행되고 있다. 가트너가 '인공지능에 대한 하이프 사이클, 2021(Hype Cycle for Artificial Intelligence, 2021)'을 발표하고, 특히 눈여겨 보아아햘 네 가지 트렌드를 강조했다. 이번 보고서는 '2021 하이프 사이클: 신뢰, 성장, 변화를 통한 배달 혁신(2021 Hype Cycles: Innovating Delivery Through Trust, Growth, Change)'이라는 특별 보고서의 일부다. 가트너가 '인공지능에 대한 하이프 사이클, 2021'을 발표하고, 책임 있는 인공지능, 작고 광범위한 데이터 접근 방식, 인공지능 플랫폼의 운영, 모델 및 컴퓨팅 리소스의 효율적인 사용을 주목해야 할 네 가지 핵심 트렌드로 꼽았다. (자료 : Gartner) 첫 번째, 책임 있는 인공지능은 편향되거나 왜곡된 데이터가 반영되었을 때 발생할 수 있는 문제를 인지하고 해결하는 것이 갈수록 중요해지고 있다는 것을 나타낸다. 가트너는 2023년까지 AI 개발 및 교육 작업에 고용된 모든 직원이, 책임 있는 AI에 대한 전문성을 입증해야 할 것으로 예상했다. 가트너의 연구 부사장인 스베틀라나 시쿨라((Svetlana Sicular)는 "AI 기술의 향상된 신뢰, 투명성, 공정성 및 감사 가능성은 광범위한 이해 관계자에게 계속해서 중요해지고 있다 . 책임 있는 AI는 편견이 데이터에 반영되더라도 공정성을 달성하는 데 도움이 된다. 투명성과 설명 가능성 방법(explainability methods)이 진화하고 있다”고 밝혔다. 두 번째, 작고 광범위한 데이터 접근 방식이 중요한 이유는, 빅 데이터만이 능사가 아니라는 것을 보여준다. 데이터는 성공적인 AI 이니셔티브의 기초를 형성하는 핵심 요소인 만큼, 이러한 데이터에 관한 접근 및 활용 방법이 무엇보다 중요하다. 작은 규모의 데이터에 광범위하게 접근하는 것은, 더욱 강력한 분석과 인공지능 활용이 가능하게 한다. 가트너는 이러한 접근 방식은 빅 데이터에 대한 의존도를 줄이고, 더욱 향상된 상황 인식이 가능하도록 한다고 밝혔다. 그러면서 2025년까지 조직의 70%가 빅 데이터에서 작고 광범위한 데이터로 초점을 옮겨 분석에 더 많은 컨텍스트를 제공하고, 인공지능이 데이터 부족 현상을 겪지 않도록 해야 한다고 강조한다. 스베틀라나 시쿨라 부사장은 "작은 데이터(small data)는 더 적은 데이터(less data)가 필요하지만, 여전히 유용한 통찰력을 제공하는 분석 기법에 적용된다. 광범위한 데이터(wide data)는 다양한 데이터 소스의 분석을 통해 시너지를 얻을 수 있다. 이러한 접근 방식을 함께 사용하면 보다 강력한 분석이 가능하고 비즈니스 문제에 대한 보다 360도 관점을 얻을 수 있다"고 설명했다. 세 번째 AI 플랫폼 운영은 비즈니스 혁신을 위해 AI를 활용하는 것이 시급하고 중요해지면서, AI 플랫폼 운영이 필요하게 되었기 때문이다. 이것은 AI 프로젝트를 개념적인 접근이 아닌 생산 및 업무에 적용해, AI 솔루션을 전사적 문제 해결에 사용할 수 있다는 것을 의미한다. 그동안 개념 정립이나 적용 분야에 대한 연구와 탐색 단계를 넘어, 이제는 실질적인 업무용 솔루션으로 활용할 때가 된 것이다. 시쿨라 부사장은 "AI 프로젝트의 절반만이 파일럿에서 생산 단계에 이르고, 그렇게 하는 데 평균 9개월이 걸린다는 사실을 발견했다. AI 오케스트레이션 및 자동화 플랫폼(AIOAP) 및 모델 운영화( ModelOps )와 같은 혁신은 재사용성, 확장성 및 거버넌스를 가능하게 하여 AI 채택 및 성장을 가속화하고 있다"고 강조했다. 네 번째 자원의 효율적인 사용은 인공지능 모델부터 다양한 데이터까지 모든 자원을 말 그대로 '효율적으로' 사용해야 한다는 것을 의미한다. AI 배포와 관련된 데이터, 모델, 컴퓨팅 리소스 등의 복잡성과 규모를 고려할 때, 이러한 리소스를 최대한 효율적으로 사용할 수 있는 체계가 갖추어져야 AI 혁신이 가능하다는 것이다. 특히, 다중 경험(Multiexperience), 복합 AI(Composite AI), 제너레이티브 AI(Generative AI) 및 트랜스포머(Transformers)는, 광범위한 비즈니스 문제를 보다 효율적인 방식으로 해결할 수 있는 능력으로 AI 시장에서 가시성을 얻고 있다고 보고서는 밝혔다. 가트너의 수석 연구 애널리스트인 슈방기 바시스트는 "AI 혁신은 빠른 속도로 진행되고 있으며, 하이프 사이클의 평균 이상의 기술이 2~5년 이내에 주류 채택에 도달한다. 에지 AI, 컴퓨터 비전, 의사 결정 인텔리전스 및 기계 학습을 포함한 혁신은 모두 향후 몇 년 동안 시장에 혁신적인 영향을 미칠 태세다. 높은 비율의 AI 혁신이 상승하는 혁신 트리거에 나타나고 있다(그림 참조)"라고 밝혔다. ciokr@idg.co.kr
자료 출처 :
Gartner
원본자료 다운로드
발행 날짜 :
2021년 04월 06일
주요 내용 :
인공지능(Artificial Intelligence)과 머신러닝(Machine Learning)은 허위 경보의 수를 줄일 수 있고, 문제 해결 속도를 높일 수 있다. 또 신속히 변화 중인 클라우드 기반 IT 환경을 이해하고 관리하는 데 도움을 줄 수 있다. 그러나 CIO는 이른바 ‘마술적’ 결과를 기대해서는 안 된다. 인지할 수 있는 IT 문제라면 무엇이든 자동으로 예측하고 해결해줄 것을 기대하거나, 각종 로그 또는 이벤트 스트림 등을 수용해 손쉽게 분석하는 것을 기대해서는 안 된다.   Image Credit : Getty Images Bank AI옵스(AIops)는 인공지능을 이용해 IT시스템을 더 효율적이고 효과적으로 관리하고 최적화하고 방어할 수 있게 해준다. 시장조사회사인 가트너는 AI옵스의 시장 규모가 2020년 9억 ~ 15억 달러 범위였고, 2020년 ~ 2025년 사이의 연평균 성장률은 약 15%일 것이라고 예측했다. 독립형 AI옵스 플랫폼도 있고, AI옵스 플랫폼을 통합하거나 AI 기능을 추가한 IT관찰가능성, 관리 및 모니터링 툴도 많다.  고객과 전문가들에 따르면 AI옵스는 수백 또는 수천 곳의 출처에서 나온 대량의 데이터를 신속히 검사한다. 이를 통해 중요한 경보를 선별하거나 기저의 추세를 식별하는 데, 그리고 애플리케이션들을 연결하는 API 등의 새 요소를 신속하게 검출하는 데 지극히 탁월하다. 세계적인 연구 및 교육 단체인 와일리(Wiley)의 CIO 겸 CISO인 션 맥은 한마디로 인간의 지성이 감당할 수 있는 수준을 넘어선다고 말했다. 그는 “시스템과 서비스의 복잡성이 기하급수적으로 커지는 와중에 IT 문제에 대한 통찰을 제공하는 데 이상적이다”라고 말했다. 그러나 AI옵스를 제대로 활용하기 위해서는 먼저 AI옵스의 한계를 이해할 필요가 있다. AI옵스가 탁월한 분야  패턴 식별. AI옵스의 효과적인 이용 분야 중 하나는 다른 경고를 복제한 중복 경고, IT 인프라의 정상적 변경에 반응하는 경고, 또는 중대한 비즈니스 프로세스에 영향을 주지 않는 경고에 따른 ‘잡음(noise)’를 줄이는 것이다.  운영 데이터를 지능적으로 분석하면 공통 패턴, 예를 들어 이용자가 로그인하는 아침 시간이나 분기 회계 마감 시의 트래픽 급증을 분석해 어떤 패턴이 정상이고 어떤 패턴이 문제 신호인지를 파악할 수 있다고 시장조사기관인 IDC의 부사장인 스티븐 엘리엇은 말했다. 또한 서버의 과부하 등 반복적 문제를 식별할 수 있어서 운영 담당자는 이용자에게 영향을 주기 전에 치유책을 적용할 수 있다. 또한 다수의 경고를 하나의 근본 문제로 상관시켜 운영 담당자의 부담을 줄일 수 있고, 문제의 근본 원인 분석의 속도를 높일 수 있다고 그는 설명했다.  약품 유통 업체인 아메리소스버겐(AmerisourceBergen)은 AI옵스를 도입한 이후 의미 없는 경보가 2/3로 줄어드는 것을 목격했다. 뉴 렐릭(New Relic)의 관찰성 플랫폼을 이용해서였다. 덕분에 회사의 엔지니어들은 중요한 문제에 집중할 수 있었고, 사건의 우선순위를 한층 적절하게 정할 수 있었고, 근본 원인 분석의 속도를 높일 수 있었고, 애플리케이션의 이용성을 높일 수 있었다고 IT 사업부 부사장인 폴 스튜어트는 말했다.  와일리에서도 맥의 직원들은 다이나트레이스(Dynatrace)의 AI옵스 기능을 이용해 허위 긍정의 수를 50% 이상 줄일 수 있었다. 또 문제가 정말 발생했을 때 해결까지의 시간이 평균 37% 이상 줄었다. 맥은 이를 ‘거대한 개선’이라고 평가했다. 이들 덕분에 그의 팀은 고객 경험을 향상시키고 혁신적인 신규 서비스를 전달하는 데 더 많은 시간을 할애한다고 그는 말했다.  모니터링 및 추적. 또한 AI옵스는 운영 담당자의 일을 더 수월하게 해줄 수 있다. IT 환경 내의 변경을 추적하고, 성능을 모니터하고, 대규모 환경을 비용 효율적으로 관리할 수 있도록 돕는 것이다. 스튜어트는 ‘현재 대형 인수 건이 진행 중이다. 그러나 AI옵스를 활용해 인원 수를 크게 늘리지 않고 추가 모니터링 업무량을 감당할 수 있다”라고 말했다. 공항 주차장 사업체인 파크 엔 플라이(Park ‘N Fly)는 다이나트레이스 AI옵스 플랫폼을 이용해 자사 IT 인프라를 모니터하고, 아울러 파트너로부터 나온 정보를 제공하는 API를 모니터한다고 수석 IT 디렉터인 켄 슈마커는 말했다.  예를 들어 고객은 셔틀 버스의 위치를 추적할 수 있고, 여행 기간 중 차량의 유지 관리를 구매할 수 있다.  또한 다이너트레이스는 파크 엔 플라이가 클라우드에서 호스팅하는 서버 등 신규 컴포넌트를 자동으로 발견하고, 서버가 액세스 중인 데이터, 서버가 데이터를 전송하는 애플리케이션 등 서버의 거동을 분석하기도 한다. 이에 기반해 웹 토폴리지(web topology)를 생성해 IT 인프라의 컴포넌트들이 어떻게 통합되어 있는 지를 추적한다고 그는 설명했다. 맥은 와일리에서 단지 관찰하기 위해서 뿐 아니라 시스템의 가용성과 신뢰성 뒤에 놓인 이유를 이해하기 위해 이벤트 로그 관리 분야에 AI 옵스를 이용하고 있다고 말했다. 그는 “모니터링은 과거의 것이 되었다”라고 말했다.  그는 자신에게 필요한 것은 ‘관찰가능성’이고, 이는 질문을 하고 대답을 얻는 특성이라고 설명했다. 모니터링은 시스템 지연을 매 순간 보여줄 수 있지만, 맥이 하고 싶은 질문은 ‘이용자에게 왜 문제가 있는가?’이다.  근본 원인에 접근. AI옵스는 문제의 근본 원인을 빠르게 분석하는 데에도 유용하다. “어떤 서비스 계층에 문제가 존재하는가, 브라우저인가, 데이터베이스인가, 코드인가, 아니라면 온-프레미스 네트워크가 문제인가?”를 판단하는 데 도움을 준다고 엘리엇은 말했다.  설명에 따르면 그는 데이터베이스 등 모든 응용 계층에서 나온 데이터, 애플리케이션 성능, 그리고 애플리케이션 및 서비스에 대한 이용자 경험을 상관시키고, 다이나트레이스 등을 이용함으로써 문제 해결까지의 평균 시간을 40% 단축시켰다. 그는 “이는 우리 고객에게 유의미한 성능 개선을 의미한다”라고 말했다. 그러나 몇몇 고객은 AI옵스가 구성 작업을 필요로 하고 단기적인 비용 효과를 기대하기 어려울 수 있다고 경고했다. 셔마커는 “초기 투자 비용이 빠르게 회수되지는 않을 가능성이 높다. 구현 후 이용하면서 혜택이 나타나는 것이 보통이다. 최적으로 관리 및 운영하는 데 더 적은 수의 직원이 필요하고, 늦은 저녁의 업데이트에 직원을 배정하거나 중단을 해결하거나 휴일 중 업데이트 일정을 정할 필요가 더 이상 없다”라고 말했다. AI옵스가 부적합한 분야  데이터 결함의 처리. 데이터가 많을수록, 데이터의 품질이 높을수록, 머신러닝 알고리즘이 복잡한 IT 인프라의 작용을 더욱 잘 분석할 수 있다. 이런 데이터가 부족하거나, AI옵스가 이용할 수 있는 데이터가 제한적이라면 AI옵스의 효과 역시 제한적일 수 있다. 따라서 AI옵스가 성공하려면 적절한 데이터 관리가 결정적이다. 단스케 방크(Danske Bank)의 서비스 신뢰성 및 관찰가능성 책임자인 빌리어스 엘리카스는 “처음 AI옵스를 할 때 꽤 힘들었다. 벤더들은 자신들이 ‘엉망인’ 기존 데이터를 감당할 수 있다고 약속했다. 이를 이용해 IT 인프라 내의 비정상과 문제를 식별할 수 있다는 자신했던 것이다. 그러나 이는 지켜지지 않았다”라고 말했다.  이어서 그는 “다행히 스택스테이트(StackStare)의 관찰가능성 플랫폼을 이용해 자동으로 데이터를 취합하고 상관시키고 태그를 다는 데서 가능성이 보인다. 그렇다면 시스템은 어떤 인프라 컴포넌트가 어떤 애플리케이션 및 서비스를 지원하는 지를 파악할 수 있다”면서 “이는 은행이 머신러닝이라는 마술에 이르기 전에 기본을 바로 세우는 데 도움을 준다”라고 말했다. 노티파이드(Notified)는 클라우드 기반 인프라를 통해 연결을 제공하고, 기업 행사 및 통신을 호스팅한다. 회사는 스플렁크(Splunk)와 뉴 릴릭(New Relic) 내의 AI옵스 기능을 이용해 최초의 AI옵스 개념 증명을 진행 중이라고 CTO인 토마스 스퀘오는 말했다.  AI옵스는 근본 원인 분석과 이벤트 취합의 속도를 높이는 데 유용하지만, 노티파이드는 IR 컨퍼런스 등 대규모 행사에 필요한 클라우드 리소스의 양을 예측하기 위해 아직도 역사적 성능 데이터를 취합하고 있다고 그는 말했다. 인프라에 관한 필수 운영 데이터를 취합하는 일은 아메리소스버겐(AmerisourceBergen)에게 중요한 작업이다. 스튜어트는 “큰 곤란 가운데 하나는 격리된 환경들이, 종합적인 시야가 아니라, 각자 지원하는 툴 및 분야의 집합을 바라보도록 하는 일이었다”라고 전했다. 그는 이어 “이제 우리의 데이터는 모두 중앙에 위치하기 때문에 AI옵스 엔진은 여러 출처에서 나온 경고를 상관시킬 수 있다. 따라서 아메리소스버겐의 팀 구성원은 핵심 문제에 신속히 집중할 수 있다. 모든 데이터를 한 장소로 상관시킴으로써 문제의 발생을 조기에 경고하는 패턴을 식별하는 일을 시작할 수 있다”라고 말했다.  자동화된 교정. 보안, 성능 및 여타 문제를 완전히 자동으로 교정하는 일은 AI옵스에 대한 약속이 깨지도록 하는 또 하나의 분야이다. 가트너의 상임 리서치 디렉터인 그레고리 머레이는 “고객이 즉시 그리고 지속적으로 문제를 발견할 수 있고 이상적인 해법을 제안할 수 있는 ‘마술 상자’를 원한다면 AI옵스는 기대에 크게 미치지 못한다”라고 말했다. 예를 들어 이전에 알려지지 않은 보안 취약점의 악용 등 몇몇 위험은 예측하기가 어렵거나 불가능하다. 그는 “AI 시스템이 IT 인프라에 이루어진 모든 변경의 조합을 평가하고 변경의 효과를 신뢰성 있게 예측하는 것 또한 불가능하다”라고 덧붙였다. 엘리엇은 “몇몇 IT 조직은 무난히 자동 교정할 수 있는 것을 떼어 내기 시작하고 있다. 어떤 경우 이는 새 서비스 또는 새 인프라의 분출이고 트랜잭션 로드나 니즈가 급증할 때 성능 저하를 막을 수 있다. 다른 경우 이는 다른 AWS 지역이나 다른 리소스 집합으로 서비스를 자동으로 이동시키는 것일 수 있다”라고 말했다.  스퀘오는 노티파이드가 현재 전체 애플리케이션의 불과 20% ~ 25%만을 자동으로 교정하고 있고, “이는 위험을 보정한 비율이다”라고 전했다.  앞으로의 문화 변화  어떤 경우 AI옵스는 독립적 분야라기보다 애자일한 IT 및 비즈니스 프로세스를 위한 추가 도구의 성격을 가진다. IDC는 이를 ‘IT 운영 애널리틱스’라고 부른다.  스퀘오에 따르면 노티파이드는 AI옵스라는 용어를 사용하지 않는다. 스퀘오는 “우리는 ‘데브섹옵스(devsecops)’라는 용어를 사용한다. 데브섹옵스는 우수한 모니터링, 통지, 이벤트 실무의 존재를 전제하고, 개발, 운영, 보안 사이의 전체적 협업의 일부로서 AI옵스를 이용한다”라고 말했다. 와일리의 경우 AI옵스는 애플리케이션 및 서비스 품질에 대해 개발 팀의 책임을 늘리려는 거시적 움직임의 일부이다. 맥은 “우리는 신뢰성 및 관리에 있어 데브옵스 접근법을 취한다. 최종적으로, 책임은 시스템 개발 팀에게 있다. 이들은 시스템이 실제로 어떻게 기능하는지에 관해 가장 많은 부담을 진다”라고 말했다.  스튜어트는 AI옵스가 궁극적으로 ‘팀 전체에 걸친 문화 변화’를 촉진할 것으로 예상한다. “문제가 발생할 때 수동으로 대응하는 것이 아닌 자동화가 초점이다. 앞으로 성숙해지면서 서비스 관점으로부터 환경을 바라보는 일이 초점이 될 것이다. 이 관점 하에서 애플리케이션 및 인프라 컴포넌트와 비즈니스 촉매가 서로 조합된다”라고 그는 말했다. ciokr@idg.co.kr
자료 출처 :
UNESCO
원본자료 다운로드
발행 날짜 :
2020년 09월 07일
주요 내용 :
유네스코(UNESCO)가 193개 회원국의 만장일치로 ‘인공지능 윤리 권고’를 채택했다. 이번 권고는 AI의 건전한 발전을 보장하는 법적 인프라 구축을 안내할 공통 가치와 원칙을 정의한다.  유네스코는 공식 성명문을 통해 AI 사용에는 이점이 있지만 동시에 성별과 인종적 편견, 프라이버시, 존엄성 및 대리인에 관한 중대한 위협, 대량 감시의 위험, 법 집행 시 신뢰할 수 없는 인공지능 기술의 사용 증가를 포함한 여러 문제가 있다고 말했다.    ⓒGetty Images ‘AI 윤리 권고’의 주요 내용은 다음과 같다.  데이터 보호. 개인 데이터에 관한 투명성, 대리인, 통제를 보장함으로써 개인 데이터 보호를 위해 기술 기업 및 정부가 수행하는 것 이상의 조치를 통하여 데이터를 보호한다. 권고는 개인 모두 자신의 개인 데이터 기록에 접근하거나 심지어 삭제할 수 있어야 한다고 명시하고 있다. 여기에는 데이터 보호와 개인 데이터에 관한 지식 및 제어 권한을 개선하기 위한 조치도 포함된다.  사회적 신용 점수제(social scoring) 및 대중 감시(mass surveillance) 금지. 권고는 사회적 신용 점수제 및 대중 감시를 목적으로 한 AI 시스템 사용을 명시적으로 금지한다. 유네스코는 이러한 종류의 기술이 인권과 기본적인 자유를 침해하며, 널리 사용되고 있다고 지적했다. 권고에 따르면 규제 프레임워크 개발 시 궁극적인 책임 및 의무는 항상 인간에게 있으며, AI 기술에 법적 인격을 부여해서는 안 된다는 점을 고려해야 한다. 모니터링 및 평가 지원. 윤리적 영향 평가는 AI 시스템을 개발 및 배포하는 국가와 기업이 개인, 사회, 환경에 미치는 영향을 평가하는 데 도움을 주기 위한 것이다. 준비성 평가 방법론은 회원국이 법률 및 기술 인프라 측면에서 얼마나 준비됐는지 평가하는 데 도움을 준다. 이 도구는 국가의 제도적 역량 강화를 지원하며, 윤리가 실제로 구현되도록 하기 위해 취해야 할 적절한 조치를 권장한다. 또한 감사와 지속적인 모니터링을 감독하기 위한 독립적인 AI 윤리기관 또는 기타 메커니즘을 도입해야 한다.  환경 보호. 권고는 정부가 AI 시스템 수명주기 전반에 걸쳐 직·간접적인 환경 영향을 평가할 것을 권장한다. 여기에는 탄소 발자국, 에너지 소비, AI 개발 지원 과정에서 원료 추출에 따른 환경적 영향이 포함된다. AI 시스템 및 데이터 인프라의 환경 영향을 줄이는 것도 목표로 한다. ciokr@idg.co.kr  

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.