Onur Alp Soner, Countly의 CEO 및 공동 창립자 – 인터뷰 시리즈

Onur Alp Soner는 Countly의 공동 창립자이자 CEO입니다. Countly는 디지털 분석 및 앱 내부 참여 플랫폼입니다. 기술자이자 자기 주도적인 그는 Countly를 처음부터 부트스트랩하여 기업들이 사용자와 어떻게 이해하고 상호 작용하는지에 대한 제어를 더 많이 가지도록 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. 기존 분석 도구에서 어떤 문제를 직면했나요? 데이터 소유권 모델이 근본적으로 고장 났다는 것을 어떻게 확신하게 되셨나요?

13년 전, 모바일 앱이 처음 등장하기 시작했을 때, 사용할 수 있는 분석 도구는 특정 모델을 따랐습니다. 많은 도구가 무료 또는 tương对 저렴했지만, 대가로 플랫폼이 데이터를 수집하고 광고 생태계에 데이터를 공급했습니다. 당시에는 그것이 정상적으로 작동하는 방식으로 널리 받아들여졌습니다.

그러나 그것은 우리에게 맞지 않았습니다. 작은 회사로서도, 제품의 성과를 이해하기 위해 모든 사용자 데이터를 넘겨주는 것은 의미가 없었습니다.

Countly는 그에 대한 반응으로 시작되었습니다. 우리는 기업이 완전히 소유하고 제어할 수 있는 분석을 구축하고 싶었습니다. 따라서 우리는 오픈 소스, 자체 호스팅 플랫폼으로 출시했습니다. 아이디어는 간단했습니다. 조직은 데이터를 양도하지 않고 이해하고 행동할 수 있어야 합니다. 그 원칙은 오늘날에도 Countly의 핵심입니다.

Countly를 설립한 이후, AI는 데이터 소유권을 니치 관심사에서 전략적 요구 사항으로 밀어 넣었습니다. 이 원칙이 분석을 넘어서 중요해질 것이라는 것을 언제 알게 되셨나요?

초기에는 데이터 소유권에 대한 대부분의 대화가 개인 정보 또는 규정 준수를 통해 프레임되었습니다. 그것은 주로 은행, 의료 제공업체, 정부가 깊이关心하는 문제였습니다. 다른 많은 사람들에게 분석은 단순한 보고 도구로 여겨졌기 때문에 소유권 문제는 긴급하지 않았습니다.

그 관점은 기업들이 제품을 측정하기만 하는 것이 아니라 실행하기 위해 데이터에 더 많이 의존하기 시작했을 때 변경되기 시작했습니다. 분석이 보고에서 의사 결정, 개인화, 제품 변경, 고객 참여를 지원하는 것으로 이동했을 때, 데이터를 제어하는 것이 중요해졌습니다. 모든 디지털 우선 기업, 이동성에서 호스피탈리티까지, 효과적으로 데이터에 대한 경쟁을 시작했습니다.

AI는 그 인식을 극적으로 가속화했습니다. AI 모델을 라이선스하거나 구축할 수 있지만, 제품과 상호 작용하는 고객의 행동 데이터를 구입할 수는 없습니다. 그 데이터는 각 조직에 고유합니다.

많은 조직은大量의 데이터를 가지고 있기 때문에 “AI-준비”라고 믿습니다. 실제 회사 내부에서 보이는 것과는 무엇이 다른가요?

데이터가 부족한 것이 문제는 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, 마케팅에는 하나의 데이터셋, 제품에는 다른 데이터셋, 엔지니어링에는 자신의 텔레메트리 데이터가 있으며, 종종 다른 형식으로 저장되고 공유 구조가 거의 없습니다.

AI가 유용하기 위해서는 데이터 아래에 깔린 데이터가 깨끗하고, 일관적이며, 상황에 맞게 구조화되어야 합니다. 이벤트 또는 로그를 수집하는 것만으로는 충분하지 않습니다. 실제로 그 신호가 무엇을 나타내는지 이해해야 합니다. 그 의미 있는 계층이 없으면 AI 시스템은 본质적으로 추측하는 것입니다.

또 다른 문제는 소유권입니다.驚くほど 많은 회사들이 실제로 자신의 데이터를 제어하지 못합니다. 왜냐하면 그것이 제3자 플랫폼에 있기 때문입니다. 그것은 데이터셋을 결합하거나, 사용 방법을 관리하거나, 안전하게 AI 모델을 적용하는 것을 어렵게 만듭니다.

따라서 회사들이大量의 데이터를 가지고 있기 때문에 “AI-준비”라고 말할 때, 실제 질문은 그들이 일관된 데이터基础를 가지고 있는지 여부입니다.

첫 번째 파티 데이터는 어떻게 AI 시스템에서 지속 가능한 경쟁 우위를 창출하는 반면 모델 자체는 점점 더 교환 가능해지고 있습니까?

지속 가능한 우위를 창출하는 것은 모델 자체가 아니라, 첫 번째 파티 데이터에서 비롯되는 사용자에 대한 이해입니다. 그 데이터는 실제로 제품과 상호 작용하는 사용자를 반영하며, 각 조직에 고유합니다. 모델은 점점 더 상품화되고 있습니다. 라이선스할 수 있거나, 미세 조정할 수 있거나, 제공업체를 쉽게 전환할 수 있습니다. 하지만 사용자와의 상호 작용으로 시간이 지남에 따라 생성되는 행동 데이터를 복제할 수는 없습니다.

그 데이터는 패턴, 상황, 신호를 캡처하며, 실제로 고객이 어떻게 행동하는지 반영합니다. 그것을 제대로 구조화하고 이해하면, 회사는 실제 사용에서 지속적으로 학습하는 시스템을 구축할 수 있습니다.

현대적인 분석 스택은 어떻게 AI 시스템을 위해 재사용될 때 보고, 대시보드, KPI와 같은 경우보다 조용히 중단되나요?

그들은 데이터가 관찰에서 행동으로 이동해야 하는 지점에서 중단됩니다. 전통적인 분석 스택은 주로 보고를 위해 설계되었습니다. 데이터를 수집하고 집계한 다음,昨일 또는 지난 주에 발생한 일을 이해하는 데 도움이 되는 대시보드에 표시합니다.

AI 시스템은 다르게 작동합니다. 데이터가 구조화되고, 상황에 맞게 구조화되고, 실시간으로 사용할 수 있도록 하여 시스템이 어떻게 행동하는지 직접적으로 영향을 미칠 수 있습니다. 분석 파이프라인이 배치 처리와 지연된 보고를 중심으로 구축된 경우, 실시간으로 반응해야 하는 시스템을 지원하기가 어렵습니다.

진짜 데이터 소유권이 없는 것은 어떻게 실제로 운영에 나타나나요? 팀이 실험에서 생산으로 AI를 이동하려고 할 때?

그것은 통제 문제로 나타납니다. 궁극적으로, 데이터를 제어하지 못하면 AI를 제어할 수 없습니다. 그것은 특히 팀이 실험에서 생산으로 이동할 때 명확해집니다. 실험 중에 팀은 작은 데이터셋 또는 임시 파이프라인으로 작업할 수 있지만, 생산 시스템은 조직 전체에 걸쳐 일관된 데이터에 대한 안정적인 액세스를 필요로 합니다.

그런 다음 많은 회사에서 기본 데이터가 분석 도구, 마케팅 시스템 또는 클라우드 서비스와 같은 제3자 플랫폼에 걸쳐 분산되어 있습니다. 그것은 데이터셋을 결합하거나, 거버넌스 규칙을 적용하거나, 제어된 방식으로 시스템 간에 데이터를 이동하는 것을 어렵게 만듭니다. 이것은 많은 AI 프로젝트가 파일럿 단계에 고립된 이유 중 하나입니다. 구조화된, 조직 전체의 데이터 без, AI를 생산에서 신뢰성 있게 배포하는 것이 어렵습니다.

또한 모델이 결정에 도달한 방법을 추적하거나, 정확한 데이터 상태를 재구성하는 것이 더 어려워집니다. 그 수준의 제어 없이, 오류를 수정하거나 결정을 되돌리는 것이 매우 어렵습니다.

데이터 구조, 의미, 상황이 부족한 것은 어떻게 가장 능력 있는 AI 모델조차도 약화시킵니까?

가장 능력 있는 AI 모델조차도 받은 데이터만큼 좋은 것입니다. 기본 데이터가 구조화되지 않거나 상황이 없으면, 모델은 실제로 그 신호가 무엇을 나타내는지 이해할 수 없습니다.

많은 시스템에서 데이터는 의미를 부여하지 않은 분리된 이벤트 또는 로그로 수집됩니다. 모델은 수천 개의 상호 작용을 볼 수 있지만, 적절한 구조와 의미 없이, 중요한 것과 단순한 노이즈를 구별할 수 없습니다.

상황은 동일하게 중요합니다. AI 시스템은 다른 데이터 조각이 시간이 지남에 따라 어떻게 관련되어 있는지 이해해야 합니다. 그 상황이 없으면, 모델은 출력을 생성할 수 있지만, 시스템이 불완전한 정보로 작동하기 때문에 신뢰할 수 없습니다.

회사가 AI 경험을 일반화하는 경향이 있는지 여부를 결정하는 경고 신호는 무엇인가요?

가장 기본적인 경고 신호는 회사가 동일한 외부 AI 모델과 도구를 사용하지만, 자신의 데이터基础를 개발하기 위해 거의 노력하지 않는 경우입니다. 회사가 동일한 모델을 사용하지만, 자신의 사용자 및 상황 데이터를 공급하지 않으면, 시스템은 본质적으로 동일한 일반 입력에서 작동합니다.那种 상황에서, AI는 고급 또는 일반적인 결과만 생성할 수 있습니다. 시간이 지남에 따라, 이것은 모델 뒤에 있는 지능이 동일한 제한된 정보로 구축되기 때문에, 제품이 점점 더 유사하게 느껴지게 만듭니다.

또 다른 경고 신호는 회사가 AI 모델을 채택하는 데 중점을 두지만, 데이터의 구조와 품질에 거의 주의를 기울이지 않는 경우입니다. AI는 받은 것을 증폭합니다. 기본 데이터가 어지럽거나, 분산되거나, 구조화되지 않으면, 시스템은 같은 문제의 더 정교한 버전을 생성할 것입니다.

Countly는 전통적인 분석 및 데이터 플랫폼과는 달리, 조직이 자신의 데이터 위에 AI를 구축하도록 실제로 무엇을 가능하게 합니까?

핵심적인 차이점은 제어가 플랫폼에 어떻게 구축되어 있는지에 있습니다. 많은 분석 제품에서 데이터 소유권은 옵션 또는 기능으로 나타납니다. Countly에서, 그것은 시스템의 핵심에 있습니다. 플랫폼은 제어를 유지하면서 고급 기능에 액세스할 수 있도록 설계되었습니다.

실제로, 회사는 Countly를 자체 환경에서 실행하고, 데이터 스택에 대한 전체 제어를 유지하고, 여전히 대규모 분석, 참여, 자동화 기능에 액세스할 수 있습니다. 이것은 회사가 자신의 데이터 위에 AI를 구축하고자 할 때 특히 중요합니다. 많은 전통적인 분석 도구는 보고를 위해 주로 구축되므로, 수집된 데이터는 종종 제3자 대시보드 내부에 남아 있지 않고, 다른 시스템을 위한 사용 가능한基础가 됩니다. Countly는 분석을 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?

한번 데이터 소유권이 설계 원칙이 되면, 윤리적인 AI는 모델을事後에 감사하는 것이 아니라, 사용자가 시스템을 교육하는 데이터에 대한 통제를 유지하는 시스템을 설계하는 것입니다. 윤리는 인프라가 됩니다.

멋진 인터뷰 감사합니다. 더 많은 정보를 원하는 독자는 Countly를 방문할 수 있습니다.