AIㆍML / BI|분석 / 데이터ㆍ분석

성공적인 AI 프로젝트를 위한 8가지 핵심 직무

Maria Korolov | CIO 2019.03.18
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.
 
ⓒ Getty Images Bank 

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 

회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512
| 등록번호 : 서울 아00743 등록발행일자 : 2009년 01월 19일

발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규
| 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.