AI와 분석 엔지니어링의 만남: AI 성숙도에 대한 프로세스

모든 종류의 산업과 전문 분야에서 기업들은 AI 세계에 뛰어들어야 하는 필요성을 느끼고 있으며, 분석 엔지니어링도 예외는 아닙니다. 기회는 실재하며, 흥미롭지만, 이러한 기회를 최대한 활용하려는 조직들은 현명하고 현실적인 방식으로 프로세스 구조를 구현해야 하며, 이는 그들의 AI 성숙도에 기반하여야 합니다. 분석 엔지니어링에서 AI를 사용하는 두 가지 일반적인 프로세스를 살펴보겠습니다.

AI 성숙도 레벨

AI 성숙도 레벨은 사용하는 AI의 복잡성을 설명할 때 도움이 됩니다.

레벨 1: 지원 인텔리전스(자동화): 반복적인 작업과 워크플로우의 기본 자동화. 예: 고정된 응답을 가진 채팅봇, 웹사이트 크롤러, 내부 검색 도구.

레벨 2: 강화 인텔리전스(가이드 분석): AI에게 메서드/모델과 분석할 항목을 지정하면 나머지는 AI가 처리합니다. 예: 광고 입찰 알고리즘, 콘텐츠 요약기.

레벨 3: 자율 인텔리전스(자체 학습 AI): AI가 메서드를 선택하고 패턴을 찾고 추천을 제공합니다. 예: 자율 주행 자동차, 자율 주식 거래 로봇.

AI로 가기 위한 압력

물론, 현재는 “레벨 3″에 도달하기 위한 압력이 있습니다. 그러나 이는 회사 자원의 크기, 자산, 핵심 능력, 지식 및 인력에 따라 다르며, 시작하는 데 가장 좋은 방법은 의미 있는 곳에서 시작하는 것입니다.

현재, 온라인에는 아이디어로 가득 찬 수백만 개의 기사가 있습니다. 그러나 아이디어는 결과를 가져오지 않습니다. 어도비에 따르면, 12%의 회사만이 명확한 ROI를 보여주는 작동하는 AI 솔루션을 보유하고 있습니다. 대부분의 이러한 솔루션은 아직 시험 단계에 있으며, 효과를 평가하거나 AI 이니셔티브를 확대하는 데 어려움을 겪고 있습니다. 많은 팀은 워크플로우에서 AI를 의미 있게 통합할 수 있는 위치를 식별하는 데 어려움을 겪으며, 사용 사례가 식별되면 많은 조직은 사용자 정의 AI 도구를 구축하거나 신뢰할 수 있는 외부 솔루션을 찾는 데 필요한 내부 능력을 缺하고 있습니다.

현실적인 적용에 집중해 보겠습니다. 책임감 있게 확장할 준비가 된 리더를 위한 작업의 현실적인 요소로渐進的に AI 사용을 개발하는 훌륭한 방법이 있습니다.

이커머스/SaaS 제품을 위한 분석을 구축할 때 자동화할 수 있는 것은 무엇입니까?

私の見解では, 成功적인 분석 엔지니어링 팀에서 AI 성숙도를 구축하기 좋은 두 가지 일반적인 프로세스가 있습니다:

1. 지식 관리 및 온보딩을 위한 AI
2. QA 및 감사 자동화를 위한 AI

1. 지식 관리 및 온보딩을 위한 AI

문서화는 복잡한 시스템을 추적하는 데 중요한 도구입니다. 프로세스 프레임워크에 따르면, SDR(솔루션 디자인 레퍼런스)은 다섯 단계 중 하나를 문서화해야 합니다.

• 프로세스 #1: 예상 결과를 문서화합니다.
• 프로세스 #2: 정기적으로 확인되는 주요 데이터 수집 스토리를 추적합니다.
• 프로세스 #3: 3자 기술 스테이크홀더의 데이터 요구 사항 기록을 기록합니다.
• 프로세스 #4: 모든 앱 및 표면에 대한 데이터 레이어를 자세히 설명합니다.
• 프로세스 #5: 다이어그램, 계층 및 요구 사항과 함께 엔지니어링 아키텍처를 설명하고 자세히 설명합니다.

이제 이에 일부 AI를 추가해 보겠습니다.

레벨 1

레벨 1에서는 문서 검색을 위한 내부 AI 채팅봇을 사용할 수 있습니다.

많은 회사에서 이미 내부 채팅봇을 보유하고 있으며, 이 채팅봇을 사내 문서에 훈련시킬 수 있습니다. 내부 채팅봇이 없다면, 익명 모드 또는 문서를 봇에 제공하기 전에 문서를 편집하여 사용할 수 있습니다.

봇에 SDR, QA 매뉴얼, 명명 규칙 및 구현 표준을 제공합니다.

성공적인 릴리즈 후에, AI 프로젝트 노트 또는 구현 계획을 제공하여 문서에 추가하십시오. 그런 다음 AI에게 다음 질문을 하십시오:

• “Y와 동일한 논리를 사용하여 X를 구현하는 데 가장 좋은 방법은 무엇입니까?”
• “구매를 추적하기 위해 수집해야 하는 데이터는 무엇입니까?”
• “이 새로운 제품 페이지에서 누락된 태그는 무엇입니까?”

이 프로세스의 결과는 문서를 훑거나 동료에게 메시지를 보내는 데 덜 시간을 보내고, 새로운 팀원은 자체적으로 답변을 찾을 수 있으며, 부족한 지식이 확장 가능해집니다.

여기에는 몇 가지 주의할 점이 있습니다. 이 방법은 문서를 잘 유지관리할 때 잘 작동하며, 사람이 이 도구를 사용하도록 훈련시키고 요구할 때만 확장 가능해집니다.

레벨 2

이 방법이 부서에서 작동한다면, 기술과 직접 연결된 채팅봇을 사용하여 자동화를 자동화하는 것을 고려해 보십시오.

레벨 3

저는 이 방향으로 진행할 것입니다. 일관성이 없는 항목을 표시하고 개선 사항을 제안하는 프로액티브 AI를 구축하는 것입니다. 현실은 몇몇 회사만이 이 수준에 도달하고 있으며, 이 기사를 쓰는 대부분의 사람들은 아직 초보 단계에 있기 때문에, 이 기사를 쓰고 있습니다.

2. QA 및 감사 자동화를 위한 AI

데이터 수집 방법을 정기적으로 감사하는 것은 프로세스 프레임워크의 모범 사례 중 하나입니다. 감사가 자주 QA 팀이거나 감사 도구를 사용할 수 있습니다. 예를 들어, ObservePoint는 고도로 사용자 정의 가능한 도구로, 복잡한 감사 흐름을 구축할 수 있습니다. 로봇 감사 도구에서 기술적인 작업을 자동화하여 작업을 더 쉽게 만들 수 있습니다.

레벨 1

기술적인 작업을 자동화하여 시작해 보겠습니다. 로봇 감사 도구에서 작업을 구축하는 것은 기술적이며 많은 지원이 필요합니다. 이러한 반복적인 기술 작업을 자동화하기 위해 다시 한 번 AI 채팅봇의 도움을 요청할 수 있습니다. AI에게 다음 질문을 하십시오:

“다음 단계” 버튼의 CSS 선택자를 제공하십시오.

자동으로 모든 쿠키에 동의하는 사용자 정의 코드를 작성하십시오.

이 결과는 로봇 감사 도구와 함께 작업할 때 사용이 더 쉬워지고, 트라이어지와 문제 해결이 더 빠르고, 지원 및 프론트엔드 개발자에 대한 의존도가 줄어듭니다.

여기에는 몇 가지 주의할 점이 있습니다. 로봇 크롤러를 사용하지 않고 QA 팀을 사용하는 경우, QA 팀은 일반적인 단계에 대한 자동화를 채택할 수 있습니다. 작게 시작하여 준비가 되면 확대합니다. 다음 단계는 첫 번째 단계를 밟은 후에야 더 분명해집니다.

레벨 2

레벨 2 AI 사용을 위해 채팅봇을 직접 도구와 통합하여 수동으로 채팅봇을 프롬프트하지 않도록 하십시오.

레벨 3

마지막으로, 레벨 3 사용을 위해 자동화가 개선 사항을 더 잘 발견하고 추천하는 방법을 발견하는 것입니다. 레벨 2를 편안하게 탐색할 수 있을 때만 이 경로를 따르십시오.

자동화하지 말아야 할 것 (아직)

제3의 기술 스테이크홀더와의 협력을 고려해 보겠습니다. 이것은 인간이 아직도 가장 잘하는 것입니다. AI를 사용하여 벤더 호출을 준비하거나, 계약을 요약하거나, 통합 개요를 초안으로 작성할 수 있습니다. 그러나 관계 구축은 아직 인간의 몫입니다.

최종 생각

사용자 정의 AI 개발에 대한 예산이 없더라도, 이미 보유한 도구에서 시작할 수 있습니다. 良好的 프로세스와 良好的 채팅봇은 멀리 갑니다.

단순하게 시작하여, 레벨 1 또는 레벨 2에서 팀이 편안해지도록 하십시오. AI가 시간을 절약하고 일관성을 높이는 곳을 보게 되면, 더 고급 도구에 투자할 곳을 알게 될 것입니다. AI를 도입하는 가장 어려운 부분은 종종 어디에 사용해야 하는지 찾는 것입니다. 일단 기준을 설정하면, 팀과 함께 다음 단계로 이동하여, AI 기반 분석 엔지니어링이 얼마나 더 매끄럽게 진행될 수 있는지 보십시오.

분석 엔지니어링에서 AI 및 깨끗한 데이터 수집을 위한 모범 사례에 대해 더 알고 싶으신가요? 깨끗한 이커머스 데이터 프레임워크를 만드는 방법에 대한 내 기사를 확인하십시오.