5단계로 비용 부담 없이 비즈니스에 AI를 구현하는 방법

인공지능은 계속해서 발전하고 있으며, 모든 산업에 침투하면 우리가 생활하는 방식을 완전히 바꿀 것입니다.

이로 인해 많은 창업자가 자신의 회사에 인공지능을 통합하는 것을 최우선 과제로 삼게 되었습니다. 개인도 자신의 삶을 개선하기 위해 인공지능을 활용하는 방법을 찾고 있습니다.

이러한 현상은 så 극적입니다. 언어 권위자인 Collins Dictionary는 인공지능을 올해의 단어로 선정했습니다. 이는 인공지능의 인기 상승으로 인한 것입니다.

그러나 대부분의 조직에서는 아이디어와 현실 사이에 큰 간격이 존재합니다. 인공지능을 프로세스에 통합하려고 시도할 때, 경로가 그렇게 간단하지 않기 때문입니다. 또한 인프라 비용과 기대 결과를 얻지 못한 개발로 인한 시간 낭비로 인해 매우 비용이 많이 들 수 있습니다. 이것은 몇몇 비즈니스를 위험에 빠지게 했습니다. 예를 들어, CNET은 인공지능으로 작성된 기사를 실험했지만, 결국은 오류로 가득 찬 결과가 나왔습니다. 다른 회사들, 예를 들어 iTutor Group은 인공지능을 잘못 구현하여 많은 벌금을 물고, 대중의 조롱을 받았습니다.

이러한 사례는 비즈니스가 인공지능과 관련하여 많은 실수를 할 수 있으며, 아마존, 구글, 마이크로소프트, 메타와 같은 금융 쿠션을 갖지 않는다면, 이러한 실험은 회사에 심각한 손실을 입힐 수 있습니다.

만약 당신이 창업자 또는 비즈니스 소유자라면, 여기에서 비즈니스에 인공지능을 구현하는 5단계 가이드를 제공합니다. 이 가이드는 자원을 효율적으로 사용하고, 치명적인 오류의 가능성을 줄이는 방법을 알려줍니다.

1. 해결하고자 하는 문제를 명확히 정의하십시오

모든 회사들은 인공지능 실패에免疫이 아닙니다. 아마존은 캐셔 없는 매장인 아마존 고(Amazon Go)에서 đau러한 실험을 통해, 모든 비즈니스 케이스가 인공지능을 필요로 하지 않는다는 것을 깨달았습니다.

따라서 인공지능으로 해결하고자 하는 문제를 명확히 정의하는 것이 중요합니다. 이는 가능한 한 자세하게 설명되어야 합니다.

예를 들어, 인공지능의 일반적인 응용 분야는 고객 지원입니다. 이 경우 인공지능을 구현할 수 있습니다. 예를 들어, 평균적으로 고객 문의를 해결하는 시간을 X분 단축하거나, 월별 콜 센터 비용을 X金额으로 줄이는 것과 같은 구체적인 결과를 얻을 수 있습니다. 이러한 접근 방식으로 우리는 돈이나 시간과 같은 측정 가능한 지표를 얻을 수 있습니다. 우리는 인공지능을 구현하여 이 지표에 영향을 미치는지 여부를 확인할 수 있습니다.

이렇게 할 수 있는 방법은 여러 가지가 있습니다. 예를 들어, 채팅봇을 개발하는 대신, 고객의 질의가 FAQ 페이지에서 대답할 수 있는지 판단하는 서비스를 개발하거나 구매할 수 있습니다. 이 모델은 다음과 같이 작동합니다. 고객이 메시지를 작성하면, 이 모델을 실행하여 대화가 에이전트에게 전달되어야 하는지 또는 관련된 페이지에 답변을 표시하는지 결정합니다. 이 모델을 개발하는 것은 채팅봇을 처음부터 개발하는 것보다 빠르고 저렴합니다. 이 구현이 성공하면, 우리는 비용을 줄이고 인공지능 관련 자본 지출을 최적화하는 목표를 달성할 수 있습니다.

이 접근 방식을 선도한 것은 Matten Law라는 회사입니다. 캘리포니아에 기반을 둔 이 법률 회사에서는 인공지능 기반 어시스턴트를 통합하여 많은 작업을 자동화했습니다. 이렇게 하면 변호사들이 고객을 더 잘 듣고, 각 케이스의 가장 관련이 있는 측면을 더 잘 연구할 수 있게 되었습니다. 이것은 가장 엄격한 산업 분야에서도 인공지능을 통해 사용자 경험을 강화할 수 있음을 보여줍니다.

추가적인 일반적인 문제는 인공지능의 도움으로 해결할 수 있습니다. 예를 들어, 데이터 분석과 맞춤형 제품 개발이 있습니다. Spotify는 인공지능을 성공적으로 활용하여 음악 추천 시스템을 개발한 회사입니다. 이는 음악을 듣는 시간까지 고려하여 음악을 추천합니다.

이 두 가지 시나리오 모두에서 인공지능은 고객에게 더 나은 경험을 제공하는 데 도움이 됩니다. 그러나 이러한 회사들이 인공지능을 성공적으로 사용한 이유는 인공지능을 위임해야 하는 측면을 매우 명확하게 정의했기 때문입니다.

2. 분석할 데이터를 결정하십시오

주된 문제가 잘 정의되면, 시스템에 공급할 데이터를 고려해야 합니다. 인공지능은 알고리즘으로, 우리가 제공하는 데이터를 분석하고 조정합니다. 데이터 수집의 기본 시나리오는 다음과 같습니다:

1. 인공지능을 구현하기 위해 필요한 데이터를 이해합니다.

2. 우리 비즈니스에 필요한 데이터가 있는지 확인합니다.

   1. 데이터가 있다면 좋습니다.

   2. 데이터가 없다면, 우리가 필요한 데이터 수집 프로세스를 시작할 수 있는지 확인합니다. 또 다른 가능성은 개발자가 필요한 데이터를 저장하도록 요청하는 것입니다. 아직这样하지 않는다면, 데이터 수집을 시작할 수 있습니다.

예를 들어, 커피숍을 운영한다고 가정해 보겠습니다. 우리는 고객이 얼마나 많이 방문하는지에 대한 데이터가 필요합니다. 우리는 개인화된 로열티 카드를 구현하여 고객이 구매할 때마다 이를 표시할 수 있습니다. 이렇게 하면, 고객이 언제 방문했는지, 무엇을 샀는지, 얼마나 샀는지에 대한 데이터를 얻을 수 있습니다. 한 번 데이터를 얻으면, 이를 사용하여 인공지능을 구현할 수 있습니다. 그러나 이러한 데이터를 수집하는 것이 매우 비용이 많이 들 수 있습니다. 이때 인공지능이 우리를 도와줄 수 있습니다. 예를 들어, 커피숍에 카메라를 설치했다면(보안 목적으로 설치한 경우), 이를 사용하여 고객 데이터를 수집할 수 있습니다. 그러나 이러한 접근 방식은 모든 국가에서 허용되는 것은 아닙니다. 따라서 먼저 개인 데이터 법률, 즉 GDPR와 같은 법률을 확인해야 합니다. 허용되는 국가에서는 이는 데이터를 수집하고 인공지능을 사용하여 분석하고 처리하는 데 도움이 될 수 있습니다.

당신이 궁금하다면, 이러한 개인화된 로열티 프로그램은 스타벅스가 한 것과 같습니다. 스타벅스의 보상 프로그램은 고객이 선호하는 위치나 음료를 주문할 때 개인화된 인센티브를 제공하는 것으로까지 발전했습니다.

3. 가설을 정의하십시오

어떤 경우에는 인공지능을 사용하여 최적화할 수 있는 프로세스를 결정하는 데 불확실성이 있을 수 있습니다.

이 경우, 전체 프로세스를 단계로 나누고, 비즈니스에서 성과가 낮은 단계를 식별할 수 있습니다. 어떤 영역에서 너무 많은 돈을 쓰고 있나요? 무엇이 예상보다 더 오래 걸리고 있나요? 이러한 질문에 답하면, 개선이 필요한 중요한 영역을 식별할 수 있습니다. 또한 인공지능이 도움이 될 수 있는지 결정할 수 있습니다.

인공지능을 테스트하기 전에 먼저 가설을 세우는 것이 중요합니다. 그렇지 않으면 행동의 범위가 너무模糊하여 시간과 돈을 낭비할 수 있습니다.

4. 기존 솔루션을 활용하십시오

많은 회사들이 바로 자신의 기계 학습 알고리즘을 설계하려고 합니다. 그러나大量의 데이터 세트로 오랜 기간 동안 훈련시키지 않는다면, 그렇게 하지 마십시오. 매우 비용이 많이 들고 시간이 많이 걸릴 것입니다.

대신, 이미 उपलब한 솔루션에 집중하십시오. 아마존, 구글, 마이크로소프트 등 많은 회사들이 인공지능 기반 도구를 제공하여 많은 목표를 달성할 수 있습니다. 그런 다음, 점진적으로 이러한 도구 중 하나와 계약을 체결하고, 필요한 API 요청을 구성할 수 있는 내부 개발자를 고용할 수 있습니다.

기본적인 아이디어는 이러한 도구가 비즈니스 개발자(기계 학습 전문가가 아닌)로 통합될 수 있으며, 이는 인공지능이 기대하는 효과를 가져올 수 있는지 여부를 빠르게 테스트하는 데 도움이 됩니다. 만약 실패한다면, 이러한 도구를 비활성화할 수 있으며, 가설을 테스트하는 데 드는 비용은 개발자가 이러한 서비스와 통합하는 데 소요한 시간과 도구 사용료만큼입니다. 만약 모델을 개발한다면, 기계 학습 전문家的 급여와 모델 개발에 소요한 시간, 그리고 인프라 비용을 모두 지불해야 합니다. 그리고 만약 기대하는 효과가 없다면, 개발자와 모델을 어떻게 처리할지 불분명합니다.

만약 가설이 증명되고, 인공지능 기반 도구가 기대하는 효과를 가져온다면, 우리는 기쁘게 생각합니다. 그리고 새로운 가설을 세우게 됩니다. 미래에, 도구의 비용이 크게 증가한다면, 모델을 직접 개발하여 비용을 더 줄일 수 있습니다. 그러나 먼저 도구를 사용하는 비용이 다른 회사의 도구를 사용하는 비용보다 적은지 여부를 평가해야 합니다.

제안은 기존 도구를 사용하여 좋은 결과를 얻은 후, 그리고 인공지능이 장기적으로 문제를 해결하는 데 적합한 도구인지 확인한 후에야 기계 학습 제품을 개발하는 것입니다. 그렇지 않으면, 기계 학습 프로젝트는 기대하는 가치를 제공하지 못할 것입니다. 그리고 최근 하버드 비즈니스 리뷰의 훌륭한 기사에서 언급한 대로, 인공지능의 과한 기대는 당신의 임무에서 당신을 분散시킬 것입니다. 이는 인공지능이 필요 없는 곳입니다.

5. 인공지능 전문가와 상담하십시오

또 다른 일반적인 실수는 창업자와 비즈니스 소유자가 모든 것을 직접 처리하려고 하는 것입니다. 인공지능 책임자 또는 연구원을 고용하고, 팀을 구성하여 최첨단 제품을 개발합니다. 그러나 이러한 기술은 인공지능 구현 전략이 제대로 정의되지 않은 경우에는 회사 목적에 아무런 가치가 없습니다. 또한, 비용을 절약하기 위해 경험이 없는 인공지능 엔지니어를 고용하는 경우도 있습니다. 그러나 이는 위험할 수 있습니다. 경험 없는 사람은 기계 학습 시스템 개발 및 설계의 세부 사항을 모를 수 있으며, “신입의 실수”를 범할 수 있습니다. 이러한 실수에 대한 대가는 회사에 너무 높은 비용을 초래할 수 있습니다.

따라서, 제안은 먼저 인공지능 전문가, 즉 컨설턴트를 고용하여 인공지능 채택 과정을 안내하고 평가하는 것입니다. 이러한 전문가의 전문 지식을 활용하여, 해결하고자 하는 문제가 인공지능을 필요로 하는지, 그리고 기술이 가설을 증명하기 위해 효과적으로 확장될 수 있는지 확인합니다.

만약 초기 스타트업이라면, 자금에 관해 걱정한다면, 링크드인에 있는 인공지능 엔지니어에게 특정 질문을 하는 것이 하나의 해법입니다. 믿기 어려울 수 있지만, 많은 기계 학습 및 인공지능 전문가들이 도와주기를 좋아합니다. 왜냐하면 주제에真正 관심이 있기 때문입니다. 또한, 당신을 도와주면, 그들은 이를 자신의 컨설팅 포트폴리오에 좋은 사례로 사용할 수 있습니다.

최종 생각

인공지능에 대한 모든 화제로 인해, 비즈니스에 인공지능을 통합하여 다음 단계로 발전시키고 싶을 수 있습니다. 그러나, 모든 사람이 인공지능에 대해 말한다고 해서, 당신의 비즈니스에 인공지능이 필요하다는 것은 아닙니다. 많은 비즈니스가 명확한 목표 없이 인공지능을 통합하려고沖し, 엄청난 금액의 돈과 시간을 낭비합니다. 초기 스타트업의 경우, 이는 그들의 종말을 의미할 수 있습니다. 문제를 명확하게 정의하고, 관련 데이터를 수집하고, 가설을 테스트하고, 이미 उपलब한 도구를 사용하며, 전문가의 도움을 받으면, 인공지능을 비용 부담 없이 비즈니스에 통합할 수 있습니다. 그리고 만약 솔루션이 효과가 있다면, 점진적으로 확장하여 비즈니스에서 효율성이나 수익성을 높이는 영역에 인공지능을 통합할 수 있습니다.