글로벌 칼럼 | 생성형 AI 프로젝트를 성공으로 이끄는 3가지 요소

맥킨지는 생성형 AI가 매년 2조 6,000억 달러에서 4조 4,000억 달러의 가치를 창출할 수 있다고 추정했다. 이런 전망은 여러 산업에서 다양한 고객에게 개선, 효율성 및 새로운 제품을 제공하는 63가지 생성형 AI 사용례를 조사한 결과다. 

생성형 AI가 가져다줄 경제적 이점의 핵심은 데이터다. 데이터는 생성형 AI가 주변 세계를 이해하고 분석하고 상호작용할 수 있도록 지원하면서 혁신적 역량을 강화한다. 따라서 생성형 AI로 성공을 거두기 위해서는 무엇보다 데이터를 잘 관리하고 잘 준비해야 한다.
 

동시에 기업은 대규모로 AI 서비스를 구축하고 운영하기 위한 기반을 마련해야 하며, 효과적이고 지속 가능한 방식으로 AI 이니셔티브에 자금을 지원해야 한다. 느리게 시작하고 단계적으로 지원을 축소하는 방식으로는 AI 경쟁에서 이길 수 없다. 

데이터 관리 방식을 개선하지 않거나 확장 및 비용 계획에 올바른 방식으로 접근하지 않으면 생성형 AI의 잠재력을 놓치기 쉽다. 여기서는 데이터 관리 접근 방식을 개선하고 생성형 AI 이니셔티브를 장기적으로 지원하는 방법에 대해 살펴본다. 

데이터 형태 및 출처 파악

데이터는 다양한 형태로 존재한다. 각 형태의 데이터를 올바르게 사용하면 AI 인사이트의 풍부함과 품질을 높일 수 있다. 가장 대표적인 데이터 형태는 일관적인 방식으로 조합된 정형 데이터다. 제품 정보, 고객 인구 통계 또는 재고 수준과 같은 항목을 포함하는 구조화된 데이터를 의미한다. 정형 데이터는 AI 응답의 품질을 향상하기 위해 생성형 AI 프로젝트에 추가할 수 있는 체계적인 사실 토대를 제공한다. 

정형 데이터 소스가 내부에 있다면, 외부에서 생성된 데이터도 있을 것이다. 일기 예보, 주가, 교통량처럼 의사결정 과정에 필요한 실제적인 맥락을 보다 실시간으로 제공하는 데이터가 대표적 예다. 외부 데이터 소스를 내부의 정형 데이터 소스에 혼합함으로써 양질의 데이터를 추가적으로 제공할 수 있다. 다만 외부 데이터를 직접 생성하는 것은 적절하지 않을 수 있다. 

분석 및 모델링 시나리오를 통해 생성된 데이터는 파생 데이터라고 한다. 고객 의도 보고서, 계절별 판매 예측 또는 코호트 분석과 같은 심층적인 인사이트가 파생 데이터에 포함된다. 

정형 데이터와 반대되는 형태인 비정형 데이터도 있다. 데이터 분석가에게 익숙한 정기 보고서나 데이터가 아닌 이미지, 문서, 오디오 파일과 같은 형식이 대표적이다. 비정형 데이터는 인간의 의사소통과 표현의 뉘앙스를 포착한다. 따라서 생성형 AI 프로그램은 종종 생성형 AI 모델의 일반적인 입력/출력인 이미지나 오디오를 중심으로 작동한다.

확장 가능한 기반 마련

다양한 형태의 데이터세트는 모두 각각의 환경에 존재한다. 생성형 AI 프로젝트에서 이를 유용하게 활용하려면 다양한 데이터 환경에 실시간으로 접근할 수 있어야 한다. 데이터가 너무 많기 때문에 어떤 접근 방식이든 필요에 따라 동적으로 확장하고 전 세계적으로 데이터를 복제해 요청이 들어올 때 모든 리소스를 사용자 가까이에서 제공할 수 있어야 한다. 다운타임을 방지하고 트랜잭션 요청 내 지연 시간을 줄이기 위해 필요하다.

데이터는 생성형 AI 시스템이 효과적으로 사용할 수 있도록 준비해야 한다. 의미를 나타내는 수학적 값인 벡터 임베딩 생성을 포함한다. 임베딩을 사용하면 생성형 AI 시스템은 특정 텍스트 일치 항목을 넘어 데이터에 포함된 의미와 맥락을 포괄적으로 검색할 수 있다. 데이터의 원래 형태가 무엇이든 임베딩을 생성하면 생성형 AI 시스템에서 데이터를 이해하고 사용할 수 있으며, 데이터의 의미와 맥락도 유지할 수 있다. 

임베딩을 통해 모든 데이터에서 벡터 검색 또는 하이브리드 검색을 지원하면 데이터의 가치와 의미를 동시에 결합할 수 있다. 그런 다음 이런 결과를 수집해 결과 조립에 사용되는 LLM로 다시 전달할 수 있다. 이런 식으로 LLM에만 의존하지 않고 여러 소스에서 더 많은 데이터를 사용하면 생성형 AI 프로젝트는 사용자에게 더 나은 결과를 제공할 수 있으며, 환각 현상을 줄일 수 있다. 

이를 구현하려면 기반이 되는 데이터 패브릭을 올바르게 선택하는 것이 중요하다. 서로 다른 솔루션은 시간이 흐르면서 기업이 지원, 조사 및 관리해야 하는 또 다른 사일로가 되므로 각 솔루션에 보관된 데이터의 단편적인 짜깁기는 가능한 한 피하는 것이 좋으며, 사용자는 여러 컴포넌트가 응답하고 모델이 응답을 검토할 때까지 기다릴 필요 없이 신속하게 응답을 받을 수 있어야 한다. 통합 데이터 패브릭은 원활한 데이터 통합을 제공해 생성형 AI가 사용 가능한 모든 데이터를 활용할 수 있도록 지원해야 한다.

생성형 AI 구현을 확장하려면 중요한 자산에 대한 통제권 유지와 채택 속도 가속화 사이에서 균형을 맞춰야 한다. 모듈식 접근 방식을 채택해 생성형 AI 에이전트를 구축하면 구현을 세분화하고 잠재적인 병목 현상을 피할 수 있다. 

애플리케이션을 위한 마이크로서비스 설계와 마찬가지로, AI 서비스에 대한 모듈식 접근 방식은 애플리케이션 및 소프트웨어 설계에 대한 베스트 프랙티스를 장려해 장애 지점을 제거하고 더 많은 잠재 사용자가 기술에 접근할 수 있도록 지원한다. 또한 기업 전반에서 에이전트의 성과를 보다 쉽게 모니터링하고 문제가 발생하는 위치를 보다 정확하게 파악할 수 있다. 

모듈화의 첫 번째 이점은 설명 가능성이다. 생성형 AI 시스템과 관련한 컴포넌트가 서로 분리돼 있으므로 에이전트가 어떻게 작동하고 의사결정을 내리는지 분석하기가 더 쉬워진다. AI는 종종 '블랙박스'로 묘사되는데, 구획화하면 결과를 추적하고 설명하기 훨씬 쉽다. 

두 번째 이점은 보안이다. 동급 최고의 인증 및 권한 부여 메커니즘으로 컴포넌트를 보호해 권한이 있는 사용자만 중요한 데이터와 기능에 접근할 수 있도록 보장할 수 있다. 또한 모듈화를 통해 PII(Personally Identifiable Information) 또는 IP(Intellectual Property)를 보호하고 기본 LLM과 분리해 보관할 수 있으므로 규정 준수 및 거버넌스가 더 쉬워진다. 

효과적인 예산 정책

마이크로서비스 접근 방식과 함께 전반적인 생성형 AI 프로그램에 플랫폼 사고방식을 도입해야 한다. 전통적인 프로젝트 기반 펀딩 모델을 일관되고 유연한 펀딩 모델을 제공하는 것이다. 이런 접근 방식을 통해 프로젝트 구성원은 엄격한 자금 조달 주기나 비즈니스 사례의 제약을 받지 않고 가치 기반 의사결정을 내리고, 새로운 기회에 대응하며, 베스트 프랙티스를 개발할 수 있다. 

이런 방식으로 예산을 처리하면 개발자와 비즈니스팀이 생성형 AI를 기업이 보유한 전체 인프라의 일부로 고려하도록 장려할 수 있다. 또한 워크로드 계획에 영향을 줄 수 있는 변동성의 최고점과 최저점을 쉽게 피할 수 있고, 시간이 지나도 일관성을 유지하는 CoE(Center of Excellence) 접근 방식을 취하기도 쉽다. 

생성형 AI를 소프트웨어가 아닌 비즈니스에서 자체적으로 운영하는 제품으로 취급하는 것도 유사한 접근 방식이다. AI 에이전트를 상품으로 관리해야 하는 이유는 통합, 도구, 프롬프트와 관련한 지원을 더 쉽게 얻을 수 있을 뿐 아니라 AI 에이전트가 효과적으로 창출되는 가치를 대변하기 때문이다. 이를 통해 기업 전반에 생성형 AI에 대한 이해가 널리 확산할 수 있으며, 관련 전문 지식을 공유하는 협업 문화도 조성할 수 있다.

생성형 AI는 엄청난 잠재력을 가지고 있다. 여러 기업이 새로운 도구, 에이전트, 프롬프트를 서둘러 운영에 도입하고 있다. 하지만 생성형 AI 프로젝트를 프로덕션으로 전환하려면 데이터를 효과적으로 관리하고, 시스템 확장 기반을 마련하고, 팀을 지원할 수 있는 적절한 예산 모델을 마련하는 것이 수반돼야 한다. 

*Dom Couldwell은 DataStax의 EMEA 지역 현장 엔지니어링 책임자다.
editor@itworld.co.kr