Countly의 CEO 및 공동 창립자 Onur Alp Soner – 인터뷰 시리즈

Onur Alp Soner는 디지털 애널리틱스 및 앱 내 엔게이지먼트 플랫폼인 Countly의 공동 창립자이자 CEO입니다. 기술자이자 자기 주도적인 그는 Countly를 처음부터 부트스트랩하여 기업들이 사용자와 어떻게 상호 작용하는지 이해하고 상호 작용하는 방식을 더 제어할 수 있도록 했습니다. 그의 리더십 아래에서 Countly는 사용자 개인 정보를 성장 전략의 중심에 두고 빠르게 혁신하고자 하는 전 세계 기업들을 위한 신뢰할 수 있는 플랫폼으로 성장했습니다.

Countly를 설립하게 된 순간으로 돌아가 보세요. 당시 존재하는 애널리틱스 도구와의 문제점은 무엇이었나요? 데이터 소유권 모델이 근본적으로 고장 났다는 것을 어떻게 확信하게 되셨나요?

약 13년 전, 모바일 앱이 시작되던 시절, 당시 사용할 수 있었던 애널리틱스 도구는 특정 모델을 따랐습니다. 많은 도구가 무료 또는 비교적 저렴했지만, 그 대가로 플랫폼이 데이터를 수집하고 광고 생태계에 데이터를 제공하는 방식으로 작동했습니다. 당시에는 그것이 일반적인 작동 방식으로 받아들여졌습니다.

그러나 그것은 우리에게 올바르지 않았습니다. 작은 회사라고는 하지만, 제품의 성과를 이해하기 위해 모든 사용자 데이터를 넘겨주는 아이디어는 말이 되지 않았습니다.

Countly는 그에 대한 반응으로 시작되었습니다. 우리는 기업이 완전히 소유하고 제어할 수 있는 애널리틱스를 구축하고 싶었습니다. 그래서 우리는 그것을 오픈 소스, 자체 호스팅 플랫폼으로 출시했습니다. 아이디어는 간단했습니다. 조직은 데이터를 이해하고 작용할 수 있어야 하지만, 데이터를 넘겨주지 않아야 합니다. 그 원칙은 오늘날의 Countly의 핵심입니다.

Countly를 설립한 이후, AI는 데이터 소유권을 애널리틱스以外의 전략적 요구 사항으로 만들었습니다. 언제부터 데이터 소유권이 애널리틱스以外의 분야에서도 중요해진다고 생각하게 되셨나요?

초기에는 데이터 소유권에 대한 대부분의 대화가 개인 정보 보호 또는 규정 준수를 통해 이루어졌습니다. 그것은 주로 은행, 의료 제공자, 정부와 같은 기관들이 데이터가 어디에 저장되어 있는지,誰가 제어하는지에 대해 깊이关心하는 문제였습니다. 다른 많은 경우에는 애널리틱스가 단순히 보고 도구로 간주되어, 소유권 문제가 급하지 않다고 느껴졌습니다.

그러나 그 관점은 기업들이 데이터를 사용하여 제품을 운영하고, 측정하는 것에서 벗어나기 시작하면서 바뀌기 시작했습니다. 한旦 애널리틱스가 보고에서 의사 결정, 개인화, 제품 변경, 고객 참여로 이동하면, 데이터를 제어하는 것이 중요해졌습니다. 모든 디지털 중심 기업은, 모빌리티에서 호스피탈리티까지, 데이터를 기반으로 경쟁하기 시작했습니다.

AI는 그 실상을劇的に 가속화했습니다. AI 모델을 라이선스하거나 구축할 수 있지만, 제품과 상호 작용하는 고객의 행동 데이터는 구입할 수 없습니다. 그 데이터는 각 조직에 고유합니다.

많은 조직이大量의 데이터를 가지고 있기 때문에 AI에 준비가 되었다고 생각합니다. 그러나 실제로는 무엇이 부족한가요?

데이터의 부족은 일반적으로 문제가 아닙니다. 실제 문제는 사용 가능한 데이터의 부족입니다. 많은 조직은大量의 정보를 가지고 있지만, 그것은 다양한 도구, 팀, 시스템에 걸쳐 분산되어 있습니다. 예를 들어, 마케팅 팀은 하나의 데이터 세트를 가지고, 제품 팀은 다른 데이터 세트를 가지고, 엔지니어링 팀은自己的 텔레메트리를 가지고, 종종 다른 형식으로 저장되며, 공유 구조가 거의 없습니다.

AI를 유용하게 사용하려면, 데이터는 깨끗하고, 일관적이며, 맥락을 제공해야 합니다. 단순히 이벤트 또는 로그를 수집하는 것만으로는 충분하지 않습니다. 실제로 무엇을 나타내는지 이해해야 합니다. 그 의미 있는 계층이 없으면, AI 시스템은 단순히 추측하는 것입니다.

또 다른 문제는 소유권입니다. удивительно 많은 회사들이 실제로 자신의 데이터를 제어하지 못합니다. 데이터가 제3자 플랫폼에 저장되어 있기 때문입니다. 그것은 데이터 세트를 결합하거나, 사용 방법을 관리하거나, 안전하게 AI 모델을 적용하는 것을 어렵게 만듭니다.

따라서 회사들이大量의 데이터를 가지고 있기 때문에 AI에 준비가 되었다고 말할 때, 실제로는 데이터 기초가 일관적이고 체계적인지 여부를 물어야 합니다.

첫 번째 파티 데이터는 AI 시스템에서 지속 가능한 경쟁 우위를 만드는 이유는 무엇인가요? 모델 자체는 점점 더 교환 가능해지고 있습니다.

지속 가능한 우위를 만드는 것은 모델 자체가 아니라, 첫 번째 파티 데이터에서 나오는 사용자 이해입니다. 그 데이터는 실제로 제품과 상호 작용하는 고객의 행동을 반영하며, 각 조직에 고유합니다. 모델은 점점 더 공산품이 되고 있습니다. 라이선스할 수 있습니다. 미세 조정할 수 있습니다. 제공자를 쉽게 전환할 수 있습니다. 그러나 사용자와 제품의 상호 작용에서 나오는 행동 데이터를 복제할 수는 없습니다.

그 데이터는 사용자가 실제로 어떻게 행동하는지에 대한 패턴, 맥락, 신호를 캡처합니다. 그것을 제대로 구조화하고 이해하면, 公司는 실제 사용에서 지속적으로 학습하는 시스템을 구축할 수 있습니다.

현대적인 애널리틱스 스택은_reporting, 대시보드, KPI와 같은 목적으로 사용할 때는 잘 작동하지만, AI 시스템으로 사용할 때는 어디에서 중단되는가요?

관찰에서 행동으로 데이터를 이동해야 하는 지점에서 중단됩니다. 전통적인 애널리틱스 스택은 주로 보고를 위해 설계되었습니다. 데이터를 수집하고 집계한 다음, 팀이 어제 또는 지난 주에 무슨 일이 발생했는지 이해할 수 있는 대시보드를 제공합니다.

AI 시스템은 다르게 작동합니다. 데이터가 구조화되어 있고, 맥락을 제공하며, 실시간으로 사용할 수 있어야 합니다. 그러면 시스템의 행동에 직접 영향을 줄 수 있습니다. 애널리틱스 파이프라인이 배치 처리와 지연된 보고를 중심으로 구축되어 있다면, 즉시 반응해야 하는 시스템을 지원하기 어렵습니다.

진짜 데이터 소유권이 부족한 경우, 팀이 실험에서 생산으로 AI를 이동하려고 할 때 어떻게 나타나나요?

그것은 일반적으로 제어 문제로 나타납니다. 궁극적으로, 데이터를 제어하지 못한다면, AI를 제어할 수 없습니다. 그것은 실험에서 생산으로 이동할 때 특히 명확해집니다. 실험에서 팀은 작은 데이터 세트 또는 임시 파이프라인으로 작업할 수 있지만, 생산 시스템은 조직 전체에 걸쳐 일관된 데이터에 대한 접근을 필요로 합니다.

그러나 많은 회사에서 기본 데이터는 다양한 제3자 플랫폼에 걸쳐 있습니다. 예를 들어, 애널리틱스 도구, 마케팅 시스템, 클라우드 서비스와 같은 경우입니다. 그것은 데이터 세트를 결합하거나, 관리 규칙을 적용하거나, 시스템 간에 데이터를 이동하는 것을 어렵게 만듭니다. 이것은 많은 AI 프로젝트가 파일럿 단계에 머무르는 이유 중 하나입니다. 구조화된, 조직 전체의 데이터 없이, AI를 안정적으로 생산에 배포하기 어렵습니다.

또한 모델이 결정에 도달한 방법을 추적하거나, 결정 뒤에 있는 정확한 데이터 상태를 재구성하는 것이 더 어려워집니다.那种 수준의 제어 없이, 오류를 수정하거나 결정 사항을 되돌리기가 매우 어렵습니다.

데이터 구조, 의미, 맥락이 부족한 경우, 가장 강력한 AI 모델조차 왜 부실해지나요?

가장 강력한 AI 모델도 받는 데이터만큼 좋은 것입니다. 기본 데이터가 구조화되지 않거나, 맥락이 부족하다면, 모델은 실제로 무엇을 나타내는지 거의 이해하지 못합니다.

많은 시스템에서 데이터는 의미가 없는 이벤트 또는 로그로 수집됩니다. 모델은 수천 개의 상호 작용을 볼 수 있지만, 적절한 구조와 의미가 없으면, 중요한 것과 단순한 노이즈를 구분할 수 없습니다.

맥락도 중요합니다. AI 시스템은 서로 다른 데이터 조각이 시간에 따라 어떻게 관련되어 있는지 이해해야 합니다.那种 맥락 없이, 모델은 출력을 생성할 수 있지만, 시스템이 불완전한 정보로 작동하기 때문에, 출력은 신뢰할 수 없습니다.

일반적인 AI 결과를 향한 경고 신호는 무엇인가요? 고객이 일반적인 경험을 느낄 때까지 기다리지 않고, 미리 알 수 있나요?

가장 기본적인 경고 신호는 회사들이 외부 AI 모델과 도구를 사용하지만, 자신의 데이터 기초를 개발하는 데 거의 노력을 하지 않는 경우입니다. 조직이 동일한 모델을 사용하지만, 자신의 사용자 및 맥락 데이터를 제공하지 않는 경우, 시스템은 본질적으로 동일한 제네릭 입력에서 작동합니다.那种 상황에서, AI는 고급 또는 제네릭 결과만을 생성할 수 있습니다. 시간이 지남에 따라, 그것은 제품이 점점 더 유사하게 느껴지도록 만듭니다. 왜냐하면 지능은 동일한 제한된 정보를 기반으로 구축되기 때문입니다.

또 다른 경고 신호는 조직이 AI 모델을 채택하는 데 집중하지만, 데이터의 구조와 품질에 대해 거의 관심을 두지 않는 경우입니다. AI는 받는 것을 증폭합니다. 기본 데이터가 어지럽거나, 분산되거나, 구조화되지 않았다면, 시스템은 단순히 동일한 문제의 더 정교한 버전을 생성할 것입니다.

Countly는 전통적인 애널리틱스와 데이터 플랫폼이 제공하지 않는 것을 무엇을 제공합니까?

주된 차이점은 플랫폼에 내장된 제어입니다. 많은 애널리틱스 제품에서 데이터 소유권은 옵션 또는 기능으로 나타납니다. Countly에서는 그것이 시스템의 핵심입니다. 플랫폼은 기업들이 데이터를 제어하지 못하는 대가로 고급 기능을 얻을 필요가 없도록 설계되었습니다.

실제로, 公司는 Countly를 자신의 환경에서 실행하고, 데이터 스택을 완전히 제어하고, 여전히 대규모로 애널리틱스, 참여, 자동화 기능에 접근할 수 있습니다. 그것은 특히 公司가 자신의 데이터 위에 AI를 구축하고자 할 때 중요합니다. 많은 전통적인 애널리틱스 도구는 보고를 위해 주로 구축되었기 때문에, 수집한 데이터는 종종 제3자 대시보드 내에 머무르게 됩니다. Countly는 애널리틱스를 기본 데이터 인프라의 일부로 다루는 다른 접근 방식을 취합니다.

AI 시스템이 일상적인 의사 결정에 내장됨에 따라, 데이터 소유권이 핵심 설계 원칙으로 다루어질 때, 윤리적인 AI의 정의는 어떻게 발전해야 합니까?

데이터 소유권이 설계 원칙이 되면, 윤리적인 AI는 모델을事後에 감사하는 것이 아니라, 사용자가 데이터를 제어할 수 있는 시스템을 설계하는 것입니다. 윤리는 인프라가 됩니다.

그레이트한 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Countly를 방문하시기 바랍니다.