큰 비용을 들이지 않고 비즈니스에 AI를 구현하는 5단계

인공지능은 계속해서 호황을 누리고 있으며, 계속해서 모든 산업에 침투한다면 우리의 삶의 방식을 완전히 변화시킬 것입니다.

그 결과 AI를 회사에 통합하는 것이 많은 창업자들의 최우선 과제가 되었습니다. 개인조차도 AI를 활용하여 개인 생활을 개선할 수 있는 방법을 찾고 있습니다.

과대광고는 획기적인 언어 권위자인 Collins Dictionary에서 다음과 같이 명명했습니다. 올해의 용어로 AI, 인기가 급상승했기 때문입니다.

하지만 대부분의 조직에서는 프로세스에 AI를 통합하려고 시도할 때 아이디어와 현실 사이에 큰 격차가 있습니다. 그 이유는 경로가 보기만큼 간단하지 않고 자본 지출 측면에서 비용이 매우 많이 들 수 있기 때문입니다. 개발이 예상한 결과를 가져오지 않기 때문에 필요하고 낭비되는 시간입니다. 이게 착륙했어요 여러 기업이 어려움을 겪고 있다. 예를 들어 씨넷 AI가 작성한 기사를 실험했습니다., 그리고 그들은 결함으로 가득 찬 것으로 판명되었습니다. iTutor Group과 같은 다른 회사는 엄청난 벌금을 선고받았습니다 열악한 AI 구현으로 인해 대중의 조롱에 더해.

이러한 사례에서 알 수 있듯이 기업은 AI로 많은 실수를 할 수 있으며 벤처가 Amazon, Google, Microsoft 또는 Meta와 같은 재정적 쿠션을 가지고 있지 않는 한 이러한 실패한 실험은 사실상 회사를 파산시킬 수 있습니다.

귀하가 창업자 또는 사업주인 경우, 귀하의 비즈니스에 AI를 구현하는 데 도움이 되는 XNUMX단계 가이드가 있습니다. 동시에 궁극적으로 돈인 자원(돈과 시간)을 신중하게 사용하고 치명적인 위험의 가능성을 줄이십시오. 오류.

1. 해결하려는 문제를 명확히 하세요.

AI 실패로부터 면역되는 회사는 없습니다. 그리고 Amazon이 계산원 없는 매장 Amazon Go를 통해 고통스럽게 발견한 것처럼모든 비즈니스 사례에 AI가 필요한 것은 아닙니다.

따라서 AI를 통해 해결하려는 문제를 정의하는 것이 중요합니다. 이는 가능한 한 명확하게 설명되어야 합니다.

예를 들어 AI의 일반적인 응용 프로그램은 고객 지원입니다. 이런 경우 AI를 구현하는 것은 콜센터 비용을 월 X만큼 줄이거나 고객 문의를 해결하는 데 걸리는 평균 시간을 X분으로 단축하는 등 구체적인 결과를 가져오는 방식으로 가능하다. 이 접근 방식을 통해 우리는 돈이나 시간의 형태로 측정 가능한 지표를 갖게 되며, AI를 구현하여 이를 달성하고 이것이 어떤 영향을 미치는지 확인할 것입니다.

이러한 작업은 다양한 방식으로 구현될 수 있습니다. 예를 들어, 챗봇 대신 고객의 질문에 FAQ 페이지를 통해 답변이 가능한지 판단하는 서비스를 개발하거나 구매할 수 있습니다. 작동 방식은 다음과 같습니다. 고객이 메시지를 작성하면 이 모델을 실행하여 해당 대화를 상담원에게 연결해야 한다는 메시지를 표시하거나, 질문에 대한 답변이 있는 관련 페이지를 보여줍니다. 이 모델을 개발하는 것은 복잡한 챗봇을 처음부터 구축하는 것보다 빠르고 저렴합니다. 이 구현이 성공한다면, 챗봇 개발 비용 대비 AI 관련 자본 지출을 최적화하는 동시에 비용을 절감하는 목표를 달성할 수 있을 것입니다.

이 접근 방식의 선구자는 캘리포니아에 본사를 둔 법률 회사인 Matten Law였습니다. AI 기반 통합 변호사는 고객의 의견을 듣고 가장 관련성이 높은 사건 측면을 연구하는 데 더 많은 시간을 할애할 수 있습니다. 이는 가장 필요한 부분에 인간의 손길을 증폭시켜 사용자 경험을 강화하는 방식으로 AI를 통해 가장 경직된 분야라도 혁신을 일으킬 수 있음을 보여줍니다.

AI의 도움으로 해결될 수 있는 추가적인 일반적인 문제에는 데이터 분석 및 맞춤형 제품 생성이 포함됩니다. Spotify는 AI를 성공적으로 활용하여 음악 추천을 위한 지능형 시스템을 개발한 회사의 특별한 예입니다. 누군가가 특정 장르를 듣는 시간을 고려.

앞서 언급한 두 시나리오 모두에서 AI는 고객에게 더 나은 경험을 제공하는 데 도움이 됩니다. 하지만 이들 기업이 AI를 성공적으로 활용한 이유는 AI에 위임해야 할 측면이 매우 명확했기 때문이다.

2. 분석해야 할 데이터 결정

주요 문제가 잘 정의되면 시스템에 공급하는 데 필요한 데이터를 고려해야 합니다. AI는 우리가 제공하는 데이터를 분석하고 조정하는 알고리즘이라는 점을 기억하는 것이 중요합니다. 데이터 수집의 기본 시나리오는 다음과 같습니다.

1. AI를 구현하는 데 필요한 데이터가 무엇인지 이해합니다.

2. 우리 회사에 해당 데이터가 있는지 확인하세요.

   1. 그렇다면 — 좋습니다.

   2. 그렇지 않다면, 사내에서 적절한 데이터 수집 프로세스를 시작할 수 있는지 함께 고민해야 합니다. 또 다른 방법으로, 아직 데이터를 저장하지 않았다면 개발자에게 필요한 데이터를 저장해 달라고 요청할 수도 있습니다.

예를 들어 보겠습니다. 저희는 커피숍을 운영하고 있는데, 방문객 수에 대한 데이터가 필요합니다. 사용자가 구매 시 제시하는 개인 맞춤형 로열티 카드를 구현하여 이를 실현할 수 있습니다. 이렇게 하면 어떤 고객이 언제 방문했는지, 무엇을 구매했는지, 그리고 구매 수량 등 필요한 데이터를 확보할 수 있습니다. 이렇게 확보된 데이터는 AI 구현에 활용할 수 있습니다. 하지만 데이터 수집에 막대한 비용이 소요될 수 있는 경우가 있습니다. 바로 이럴 때 AI가 도움을 줄 수 있습니다. 예를 들어, 보안을 위해 커피숍에 카메라를 설치한다면, 이 카메라를 활용하여 방문객의 데이터를 수집할 수 있습니다. 하지만 이러한 접근 방식이 모든 국가에서 적용될 수는 없으므로, 구현하기 전에 GDPR과 같은 개인정보 보호법을 참고하는 것이 중요합니다. 하지만 이러한 접근 방식이 허용되는 관할권에서는 필요한 정보를 수집하고 AI의 분석 및 처리를 원활하게 수행할 수 있는 방법이 될 수 있습니다.

궁금하시다면 이 맞춤형 로열티 프로그램은 스타벅스가 한 일, 큰 성공을 거두었습니다. 스타벅스의 보상 제도는 고객이 선호하는 매장을 방문하거나 좋아하는 음료를 주문할 때마다 맞춤형 인센티브를 제공하는 데까지 이르렀습니다.

3. 가설 정의

어떤 프로세스가 AI에 의해 최적화될 수 있거나 최적화되어야 하는지 불확실하다고 느끼는 상황이 있을 수 있습니다.

이것이 귀하의 경우라면 먼저 전체 프로세스를 여러 단계로 나누고 비즈니스 성과가 저조하다고 생각되는 단계를 식별할 수 있습니다. 당신이 너무 많은 돈을 지출하고 있는 분야는 무엇입니까? 평소보다 오래 걸리는 이유는 무엇인가요? 이러한 질문에 답함으로써 개선이 필요한 중요한 영역을 정확히 찾아내고 AI가 도움이 될 수 있는지 결정할 수 있습니다.

보시다시피 기존 솔루션이 더 효과적일 수 있는 경우가 있습니다. 고객에게 어떤 제품을 강조해야 할지 고민하고 있다면 가장 인기 있는 제품을 기반으로 한 제안이 사용자 행동을 예측하려는 시도보다 시장 추천 시스템에서 훨씬 더 효과적인 경우가 많습니다. 그러므로 먼저 시도해 보십시오. 긍정적이든 부정적이든 결과가 나오면 AI 테스트에 대한 가설을 세울 수 있습니다. 그렇지 않으면 활동 분야가 너무 모호해져서 시간과 돈을 낭비하게 될 수도 있습니다.

4. 이미 존재하는 솔루션 활용

많은 기업은 즉시 자체 머신러닝 알고리즘을 설계하는 것을 목표로 합니다. 그러나 장기간에 걸쳐 대규모 데이터 세트를 사용하여 교육할 계획이 없다면 그렇게 하지 마세요. 매우 비용이 많이 들고 시간도 많이 소요됩니다.

대신, 이미 사용 가능한 솔루션에 집중할 것을 제안합니다. Amazon, Google, Microsoft 등 많은 회사는 많은 목표를 달성하는 데 도움이 되는 AI 기반 도구를 보유하고 있습니다. 그런 다음 점차적으로 이들 중 하나와 계약을 체결하고 내부 개발자를 고용하여 필요한 API 요청을 능숙하게 구성할 수 있습니다.

기본적인 아이디어는 비즈니스 개발자(머신러닝 전문가가 아닌)가 이러한 도구를 통합할 수 있다는 것입니다. 이를 통해 AI가 예상 효과를 가져오는지 여부에 대한 가설을 빠르게 검증할 수 있습니다. 만약 그렇지 못할 경우, 이러한 도구를 비활성화하면 됩니다. 그러면 가설 검증 비용은 해당 서비스와 통합하는 데 소요된 개발자 시간과 도구 사용료만 남게 됩니다. 모델을 개발한다면, ML 전문가의 급여와 모델 개발 시간을 곱한 금액에 인프라 비용을 더해야 합니다. 결국 예상 효과가 나타나지 않을 경우, 개발자와 모델을 어떻게 처리해야 할지 불분명해집니다.

우리의 가설이 입증되고 AI 기반 도구가 기대한 효과를 가져온다면 우리는 기뻐하며 새로운 가설을 세웁니다. 앞으로 도구 비용이 크게 증가할 것으로 예상되면 이 모델을 직접 개발하여 비용을 더욱 절감할 수 있습니다. 하지만 먼저 개발 비용이 실제로 이러한 도구 개발을 전문으로 하는 다른 회사의 도구를 사용하는 데 지불하는 비용보다 적은지 평가해야 합니다.

제가 조언하는 바는 위에서 언급한 도구를 사용하여 AI를 사용하여 좋은 결과를 얻은 후에 그리고 AI가 장기적으로 문제를 해결하는 올바른 방법이라고 확신한 후에만 자신만의 기계 학습 제품을 개발하는 것을 고려하라는 것입니다. 그렇지 않으면 ML 프로젝트가 원하는 가치를 제공하지 못할 것입니다. Harvard Business Review의 최근 훌륭한 기사에 따르면 AI의 과대광고는 당신의 임무를 방해할 뿐입니다, AI가 필요하지 않습니다.

5. AI 전문가와 상담하세요

같은 맥락에서 창업자와 사업주가 저지르는 또 다른 흔한 실수는 모든 일을 사내에서 하려고 한다는 것입니다. 그들은 AI 수석 엔지니어나 연구원을 고용하고, 더 많은 사람들을 고용하여 최첨단 제품을 만들 수 있는 팀을 구성합니다. 그러나 적절하게 정의된 AI 구현 전략이 없으면 해당 기술은 회사의 목적에 무용지물이 됩니다. 경험이 풍부한 전문가를 고용하는 것보다 비용을 절약하기 위해 주니어 ML 엔지니어를 고용하는 경우도 있습니다. 이는 또한 위험합니다. 경험이 없는 사람은 ML 시스템 개발 및 설계의 미묘함을 모르고 "초보 실수"를 할 수 있기 때문입니다. 이 경우 회사는 거의 항상 경험 있는 사람을 고용하는 비용을 초과하는 너무 높은 비용을 지불해야 합니다. ML 전문가.

따라서 저는 먼저 컨설턴트와 같은 AI 전문가 한 명을 고용하여 AI 채택 프로세스를 안내하고 평가할 것을 권장합니다. 전문가의 전문 지식을 활용하여 작업 중인 문제에 AI가 필요한지 확인하고 기술을 효과적으로 확장하여 가설을 입증할 수 있는지 확인하세요.

초기 단계의 스타트업이고 자금 조달이 걱정된다면 이를 위한 방법은 LinkedIn의 AI 엔지니어에게 구체적인 질문을 문의하는 것입니다. 믿거나 말거나, 많은 ML 및 AI 전문가는 도움을 주고 싶어합니다. 왜냐하면 그들은 정말로 해당 주제에 관심이 있고 성공적으로 도움을 줄 수 있다면 이를 컨설팅 포트폴리오에 대한 긍정적인 사례 연구로 사용할 수 있기 때문입니다.

최종 생각

AI를 둘러싼 온갖 과대 광고 속에서 AI를 비즈니스에 통합하고 다음 단계로 나아가는 AI 기반 솔루션을 개발하고 싶어하는 것은 정상입니다. 그러나 모두가 AI에 대해 이야기하고 있다는 사실은 귀하의 비즈니스에 AI가 필요하다는 것을 의미한다는 점을 명심해야 합니다. 불행하게도 많은 기업들이 명확한 목적을 염두에 두지 않고 AI 통합을 성급하게 진행하여 막대한 비용과 시간을 낭비하게 됩니다. 어떤 경우에는 특히 초기 단계 기업의 경우 이는 기업의 종말을 의미할 수 있습니다. 문제를 명확하게 설명하고, 관련 데이터를 수집하고, 가설을 테스트하고, 전문가의 도움을 받아 이미 제공되는 도구를 사용함으로써 회사의 재정 자원을 소모하지 않고 AI를 통합할 수 있습니다. 그런 다음 솔루션이 작동하면 회사의 효율성이나 수익성을 높이는 영역에서 AI를 점진적으로 확장하고 통합할 수 있습니다.