과대광고를 넘어서: 비즈니스 결과를 위한 AI와 ML의 구체화

디지털 분석 회사 LatentView Analytics의 Krishnan Venkata, Chief Client Officer입니다.

10년 이상 동안, 작은 스타트업부터 대기업에 이르기까지 다양한 비즈니스에서 인공 지능(AI)와 기계 학습(ML)의 약속에 대해 논의해 왔습니다. 이러한 예언에 따르면, AI와 ML은 현대의 작업을 변革하고, 일상적인 프로세스를 자동화하며, 인간 직원을 더 높은 수준의 작업에 집중할 수 있도록 할 것입니다.

10년 후, 많은 기업들에게서 AI의 약속은 단순한 약속으로 남아 있습니다. 많은 조직이 디지털 변환 노력을 가속화하는 데 걸음했지만, 몇 가지 공통된 함정들이 souvent AI/ML의梦을 실현하지 못하도록 합니다.

AI와 ML의 변革적 잠재력을 가로막은 가장 큰 요인들은 무엇입니까?

• 조직의 부족: 성공적인 AI 전략의 첫 번째 단계는 데이터 수집입니다. 그러나 데이터를 수집한 후에 그 데이터를 어떻게 조직하고 분석하여 활용할 것인지 계획하는 것이同样 중요합니다. 데이터를 수집하지만 조직화, 분석, 활용할 계획이 없는 비즈니스는 실제로 사용할 수 없는 자원을 갖게 됩니다.石油을 발견했지만 어떻게 채굴하고 정제하여 사용할 수 있을지 모르는 경우에 그 가치는 무엇입니까?
• 부분적인 채택: 디지털 변환은 장기적으로 비용을 절감할 수 있습니다. 그러나 새로운 기술을 채택하는 초기 비용은 높을 수 있습니다. 이러한 비용으로 인해 일부 기업은 더 큰 로드맵을 고려하지 않고 AI 도구를 부분적으로 채택합니다.
• 과정/규율의 부족: AI와 ML 솔루션은 특정 리더에 의해 주장되고 도입되지만, 그 성공은 조직 전체의 지지에 달려 있습니다. 초기 채택자는 더广泛한 채택을 준비해야 하며, 새로운 도구를 통합하기 위한 규율과 루틴을 정립해야 합니다.

지난 1년은 디지털 변환과 AI 및 ML을 통해 루틴을 자동화하는 데 시간을 낭비할 수 없음을 보여주었습니다. Fortune Business Insights에 따르면,全球의 인공 지능 시장은 2027년까지 2670억 달러에 달할 것으로 예상되며, 2019年的 270억 달러에서 거의 10배로 성장할 것입니다. COVID-19 팬데믹으로 인한 원격 작업의 장기적인 전환으로 기업들은 새로운 솔루션을 채택하게 되었습니다. Twilio의 COVID-19 디지털 엔게이지먼트 리포트에 따르면, 97%의 경영자가 팬데믹이 디지털 변환을 가속화했다고 말했습니다.

그렇다면 AI와 ML의 과대광고를 넘어서서 실제로 구체화하기 위해 무엇이 필요한가요? 몇 가지 기술과 전략이 성공과 실패를 결정할 수 있습니다:

1. AIOps, MLOps, DataOps

기술이나 애플리케이션에 -Ops를 붙이는 것은 새로운 버즈워드를 만들기 위한 확실한 방법입니다. 그러나 AIOps, MLOps, DataOps와 같은 전략은 실제로 데이터를 조직화하는 데 도움이 될 수 있습니다. 이러한 도구는 애자일 관리의 원칙을 AI, 기계 학습, 데이터 관리에 적용하여 새로운 솔루션에서 가치를 얻는 데 필요한 지식과 노력을 크게 단순화합니다. 비즈니스가 처음으로 AI/ML을 시작하고 속도를 높이려는 경우, 이러한 전략은 필수입니다.

2. Low Code/No Code

가장 복잡하고 세련된 ML 모델은 항상 전문 개발자와 데이터 과학자가 성공을 보장하기 위해 필요합니다. 그러나 많은 기업들이 직면하는 도전은 그렇게 복잡하지 않으며, 더 прост한 AI 솔루션으로 해결할 수 있습니다. Low-code와 no-code 플랫폼은 소프트웨어 개발 배경이 없는 직원들에게도 진입 장벽을 낮춥니다. No-code 도구를 사용하면 직원들이 추천 엔진과 같은 솔루션을 직관적인 드래그 앤 드롭 플랫폼을 통해 구축할 수 있습니다. Low-code 플랫폼은 몇 줄의 코드로 복잡한 작업을 수행할 수 있습니다.

3. AutoAI와 AutoML

인공 지능과 기계 학습이 비즈니스 프로세스를 자동화한다면, 왜 그 자체가 자동화되어야 할까요? AI와 ML의 성공에 중요한 측면은 정련입니다. 이러한 도구가 작업을 배우고 더 많은 데이터를 통합함에 따라, 그들은 지속적으로 성능을 개선하고 더好的 결과를 제공할 수 있습니다. AutoAI와 AutoML은 인간의 입력 없이 이 정련 과정을 수행하여 인간이 모델의 성능을 확인하고 편향이 없는지 확인할 수 있도록 합니다.

반도체 제조업체와 소프트웨어 회사들이 자연어 처리에서 새로운 지평을 열면서, AI/ML 분야는 새로운 사용 사례의 폭발을 보일_turning point에 도달하고 있습니다. 기업들은 이러한 새로운 기술에 대응하기 위해 준비해야 합니다. 그렇지 않으면, 준비가 된 경쟁사에 의해 뒤처질 것입니다.