인터비즈

[DBR/동아비즈니스리뷰] 컨설팅사 맥킨지에 따르면 인공지능(AI)는 IT 시스템보다 2배 가까운 잠재력을 가진다. 하지만 주위를 둘러보면 그 잠재력을 느끼긴 쉽지 않다. 아직 산업 전반에 AI가 적절히 도입되지 못했기 때문이다.

 

많은 기업인이 AI 기술의 잠재력을 높게 평가하지만 실제 AI를 활용해 사업 구조를 혁신하지 못한다. AI 기술 자체가 가진 어려움 때문이다.

 

AI는 정말 공학적 지식을 가진 소수 전문가 집단을 위한 분야일까?

 

AI는 특정 대상만 활용할 수 있는 불가침 영역이 아니다. 철학, 문학, 예술 등을 전공한 사람도 30시간 정도만 교육받으면 얼마든지 AI를 활용해 기업 활동을 혁신하고 경쟁력을 높일 수 있다.

 

기업이 AI 도입에 왜 어려움을 겪는지, 그리고 AI를 활용해 어떻게 사업 구조를 혁신할 수 있는지 5단계 절차로 소개한다. ☞원문 기사 더보기

 

생우유를 원재료로 치즈 등 유제품을 생산하는 한 뉴질랜드 낙농업 기업은 AI 프로젝트를 진행했다.

 

경영진은 생우유와 공장 세 곳의 상태에 대한 변수를 넣으면 어떤 품질의 유제품을 생성할 수 있는지 AI로 예측하고자 했다. 프로젝트가 성공하면 유제품 품질을 획기적으로 높일 수 있을 거라 기대했다.

 

회사는 6년간 수백만 건의 데이터를 모았기 때문에 충분히 성과가 나올 거라 예상했다. 하지만 처음엔 성과를 내지 못했다. 경영진은 그 이유를 어렵지 않게 찾아냈다.

 

만약 이 회사가 외부 AI 전문 기업에 프로젝트를 맡겼다면 어떤 부분에서 문제가 생긴 건지 파악하는 데 어려움을 겪었을 것이다. 외부 전문가들은 유제품 생산에 대한 이해가 없기 때문이다.

 

하지만 낙농업 생산에 깊은 전문성을 가진 회사 내부 전문가들은 두 가지 가설을 세우는 데 성공했다.

 

하나는 세 곳의 공장 상태가 다를 수 있음을 가정하고 공장마다 적용될 수 있는 AI 모델을 독립적으로 구성하는 것. 다른 하나는 매년 기후가 바뀌었음을 고려해 기후데이터가 유제품에 미치는 영향력을 반영하는 것이었다.

 

위 두 가지 사항을 AI 모델 개발에 반영, 해당 모델은 평균 93% 이상의 품질 예측도를 보이며 기업에 큰 가치를 주었다.

 

공장을 가보지 않았거나, 유제품에 대한 제조 경험이 없는 인력은 이 가설을 도출하기까지 적지 않은 시행착오를 겪어야 한다.

 

막연한 공포나 두려움을 극복한다면 위 사례처럼 AI를 품질 향상에 적극 활용할 수 있다. 여기서는 AI를 도입하는 5가지 절차를 소개한다.

  

1. 효율적인 AI 매니지먼트 인력 양성

AI 도입을 위해선 비즈니스 영역 탐색 → 목표 수립 → 데이터 수집 및 적재 → 인공지능 PoC 모델 개발 → 상용화 모델 개발까지 총 5가지 프로세스를 거쳐야 한다.

 

대부분 5가지 프로세스 전부를 고도의 공학적 지식과 코딩 능력을 갖춘 AI 전문가가 주도해야 한다고 생각한다.

 

하지만 5가지 과정 중 4개 과정을 사업에 대한 높은 이해도를 지닌 '일반 경영 관리자'가 주도해야 더 큰 성과를 낼 수 있다. 마지막 상용화 모델 개발만 엔지니어들이 주도하는 게 바람직하다.

 

대부분 기업은 파일럿 프로젝트를 추진할 수 있는 인력이 존재하지 않는다고 생각하지만 그렇지 않다.

 

AI를 쉽게 사용할 수 있는 툴 (ex. 마이크로소프트의 Azure Machine Learning Studio, Rapidminer, 삼성SDS의 britgtics ai 등)을 활용하면 코딩에 대한 지식이 전무한 경영 관리자, 심지어 철학이나 예술을 전공한 사람도 약 30시간 정도의 교육만 받으면 얼마든 가설을 세우고 데이터를 모아 AI PoC(Proof of Concept, 개념 검증) 모델을 개발할 수 있다. 이 역할을 할 수 있는 사람이 바로 AI 매니지먼트 인력이다.

 

이 인력들은 AI 관점에서 기업에 큰 의미를 주는 파일럿 프로젝트를 수행할 수 있으며 데이터수집/수행/운영/관리 등의 과정을 총괄할 수 있다.

 

AI 매니지먼트 역할을 수행하기 위한 필수 역량은 코딩이 아니라 ‘산업 혹은 직무에 대한 이해도’ 다. 산업이나 직무에 대한 이해도가 높다는 것은 현업에서 일어나는 여러 가지 일의 인과관계를 인지하고 있고, 정량화된 데이터를 바탕으로 비즈니스적인 인사이트를 도출할 수 있기 때문이다.

 

AI 매니지먼트 인력은 AI 알고리즘 개발이 주목표가 아니다. 이미 개발된 AI 기술을 산업에 활용하는 것이 주목표다.

 

현업에 바쁜 경영 관리자에게 굳이 시간과 비용이 수반되는 파이선 등의 코딩을 가르칠 필요는 없다.

 

 

2. 비즈니스 이해를 바탕으로 파일럿 프로젝트 실시

 

1단계를 통해 산업 이해도가 높은 인력들이 AI 매니저 역할을 수행할 수 있게 됐다면, 기업은 파일럿 프로젝트를 추진할 수 있는 동력이 생긴다.

 

AI 매니저는 현업에서 주어진 데이터와 투입 가능한 리소스를 바탕으로 기술적으로 달성 가능한 프로젝트를 기획하고 진행해야 한다.

 

파일럿 프로젝트를 킥오프하기 전까지 여러 의사결정이 있을 수 있으며 내부에서 서로 다른 의견이 제기될 것이다. 

 

심지어 구글에서 딥러닝(컴퓨터가 스스로 외부 데이터를 조합, 분석하여 학습) 기술을 적용하는 것에 대해 회의적인 시간을 가진 직원이 많았다고 한다. 구글도 상대적으로 민감도가 낮은 음성인식의 정확도를 높이는 프로젝트를 먼저 추진해, AI의 성과를 조직원들이 큰 부담 없이 체감할 수 있도록 유도했다.

 

민감하지 않은 분야에서 먼저 성과를 내 AI에 대한 직원들의 인식을 개선, 구글 핵심 비즈니스인 광고나 지도 등과 관련한 프로젝트를 진행해 성공을 이어나갔다.

 

위 사례처럼, AI 매니저가 보유하고 있는 산업 인사이트를 최대한 활용해 내부 조직원들의 이해도를 충분히 높이고, 여러 의사결정 프로세스에서 AI가 수용될 수 있는 토대를 마련하는 것이 좋다.

 

해당 산업에 대한 지식 없이 외부에 제안하는 프로젝트에 비해 성공 확률이 훨씬 높을 것이다. 산업에 대한 이해도가 높은 인력이 AI 프로젝트를 주도하면 해당 프로젝트에 대한 설득력이 높아진다.

 

그리고 결과물에 대한 분석을 기술적 관점이 아닌 ‘비즈니스적 관점’으로 해석할 수 있다는 장점이 있다.

 

 

3. 경영진(임원) 및 AI 엔지니어 교육 실시

 

AI에 대한 경영진의 이해도가 높아질수록 AI 품질 자체가 달라진다. 따라서 경영진 교육은 필수적이다.

 

경영진 교육은 AI가 기업에서 어떻게 활용될 수 있는지를 명확히 이해하며, 이에 따른 전략을 개발하는 것을 목표로 한다.

 

이때도 코딩이 수반된 어려운 교육보다 코딩 없이 AI 모델을 실습할 수 있는 교육을 하는 것이 좋다. 의사결정을 내리기 적합한 형태의 AI 교육은 실습 포함 7시간 내외의 교육으로도 충분하다.

 

한 국내 기업이 코딩이 수반된 교육을 경영진에게 실시했는데, 경영진에게 불필요한 피로도를 주면서 의사결정과 큰 관련 없는 내용이라는 평가를 받았다. 결국 좋은 성과도 내지 못했다.

 

'AI 엔지니어' 대상 교육은 AI 파일럿 프로젝트가 유효함을 'AI 매니저로'부터 증명받은 이후 시작된다. 즉 AI 상용화 모델을 만드는 역량을 갖추도록 유도하는 게 목적이다.

 

AI 매니저들이 실제 AI가 필요한 영역을 탐색해 발굴하고 검증하는 역할을 담당한다면, AI 엔지니어들은 이를 토대로 경쟁력 있는 AI 모델을 지속적으로 고도화하는 역할을 담당한다.

 

전통적인 AI 엔지니어 영역에 대한 교육과 AI 보편화 흐름에 맞는 시스템 활용 능력을 갖추도록 유도하는 두 가지 형태의 교육이 필요하다. 기업의 상황에 따라 다를 수 있지만 AI 엔지니어의 경우 공학적 지식이 요구되는 경우가 많다.

 

　

4. 확장된 AI 프로젝트 실시

 

1~3단계를 거치며 AI 매니지먼트 인력과 AI 엔지니어 인력을 양성했다. 이를 바탕으로 AI 적용 범위를 확대해 본질적인 경쟁력을 얻을 수 있도록 AI 시스템을 확보하는 것이 4단계의 핵심 목표다.

 

KB 그룹사 플랫폼 중 하나인 KB 차차차는 중고차 시세를 예측하는 모델을 개발, AI 기반 서비스를 성공적으로 운영한다. 이 과정에서 조직 전체가 AI에 대한 이해도가 높아져, 이후 사용자에게 최적화된 차량을 추천해 주는 개인화 AI 시스템 개발 등이 성공적으로 진행됐다.

 

또 중고차 거래 플랫폼을 뛰어넘어 금융업의 다른 영역에도 AI 도입을 추진하고 있는 상황이다.

 

따라서 인력 양성 과정을 통해 AI 전문 조직이 구축되고 첫 프로젝트를 수행하고 나면 AI 영역의 확장이 이뤄질 수 있도록 적극적인 의사결정과 실행을 해야 한다.

 

 

5. AI 기반의 진입장벽 구축

 

AI의 위력은 선순환 구조에 있다. 산업에 대한 이해도를 가진 인력이 AI를 개발할 수 있다면 적은 인력으로 AI를 활용해 경쟁력을 높일 뿐 아니라, 소비자 친화적으로 최적화된 AI가 개발과 발전을 거듭하는 선순환 구조를 마련할 수 있다.

 

즉, 최적화된 AI는 보다 나은 제품이나 서비스 출시를 가능케하고, 이로 인해 더 많은 고객을 확보하고, 더 많은 데이터를 활용해 AI가 고도화하는 효과를 누릴 수 있다. 이런 선순환 구조는 더 큰 네트워크 효과를 제공해 시장 지배력을 확대할 수 있다.

 

구글은 2019년 6월 XLNet AI 시스템을 발표했다. 구글의 기존 자연어 처리 모델보다 오류를 약 16% 개선한 모델이다. 구글은 AI 기업의 주요 자산이 될 수 있는 기술들을 위와 같이 개방하고 있다.

  

이미 번역 데이터 등에서 구글이 가진 방대한 양의 데이터를 따라잡기 힘들기 때문에 얼마든지 경쟁력을 유지할 수 있다고 판단했기 때문이다. 이는 선순환 구조가 강력한 진입장벽이 될 수 있음을 의미한다.

  

과거에는 규제, 규모의 경제, 전환 비용, 자본비용 등이 중요한 진입장벽의 원천으로 작용했다. 하지만 네트워크 시대에는 데이터가 가장 중요한 진입장벽의 원천이다.

 

이제 기업은 AI 역량을 신속하게 내재화해 강력한 진입장벽을 구축함으로써 경쟁 우위를 유지, 강화해야 한다.

  

 

출처 프리미엄 경영 매거진 DBR 285호

필자 손진호 (Algorithm LABS 대표)