성공적인 AI 기반 엔터프라이즈 솔루션의 계획, PoC, 및 생산

기업은 빠른 속도로 인공 지능(AI) 프로젝트를 진행하고 있습니다. Algorithmia의 연구에 따르면 76%의 CIO가 AI와 머신 러닝(ML) 솔루션에 대한 비중을 높이고 IT 예산을 늘리고 있습니다. 또한, 기업은 데이터의 중요성을 인식하고 있으며, 대부분의 기업 데이터는 비정형 데이터입니다.

비정형 데이터는 기업에서 빠르게 증가하고 있으며, 이는 새로운 도전을 가져옵니다. IT 전문가, CDO, CIO는 사용 가능한 데이터와 행동 가능한 통찰력을 제공하기 위해 새로운 도전을 극복해야 합니다. AI는 모든 산업을 변革할 수 있는巨大的 잠재력을 가지고 있지만, 2022년까지 배포된 AI 솔루션 중 15%만이 성공적이며, 그 중 일부만이 긍정적인 ROI를 생성할 것입니다.

가장 큰 문제는 대부분의 기업 AI 솔루션이 기대와의 불일치로 인해 빛을 보지 못한다는 것입니다. AI의 가능성에 대한 오해가 계속되고 있으며, 프로젝트는 허구적인 모델에 기반하여 설계됩니다. 대부분의 제품이나 모델은 실제 기업 운영과 다릅니다. 다른 낮은 성공률의 원인에는 비용 초과, AI 센터의 부족, 경험이 없는 인재, 데이터의 부족, 구식 정책 등이 있습니다.

계획은 기업 AI 성공의 길을 열어줍니다

비정형 데이터는 미리 정의된 데이터 모델이 없는 데이터를 말하며, 문서, 이미지, 비디오, 채팅봇, 오디오 스트림, 소셜 미디어 게시물 등 모든 것을 포함합니다. 기업에서 비정형 데이터가 증가함에 따라, 모든 이해관계자의 목표와 일치하는 효율적이고 점진적인 계획이 중요합니다. 일반적인 목표에는 프로세스 자동화, 사기 탐지, 고객 경험 개선, 안전성 개선, 판매 증가 등이 있습니다. 이러한 목표 중 일부는 구조화된 데이터의 특성으로 인해 효과적으로 달성할 수 있지만, 비정형 데이터를 중심으로 계획하는 것은 어려울 수 있습니다.

일반적으로 계획은 기회 영역을 식별하는 것으로 시작합니다. 최고 경영진 수준에서 거대한 AI 비전이 있을 수 있지만, 높은 영향, 낮은 위험, 지속적인 성장의 데이터를 가진 영역을 식별하는 것이 중요합니다. 이러한 사용 사례의 좋은 예는 은행과 금융 산업의 대출 처리 기능입니다. 대출 기초부터 서비스까지 수동 프로세스가 반복적으로 수행되며, 문서 제출이 여러 가지 위험을 초래합니다. 그러나 AI는 문서 처리와 사기 탐지 등 워크플로의 여러 영역에서 적용될 수 있습니다. 또한,这是 연간 데이터 성장률이 지속적으로 증가하는 영역입니다.

계획 단계에서 고려해야 할 다른 중요한 단계로는 측정 가능한 성공 기준을 정의하는 것, 데이터 전략을 수립하는 것, 지속적인 교육과 피드백, 사용자 경험, 확장성, 인프라를 평가하는 것이 있습니다.

측정 가능한 성공 기준 정의

구글의 초기 성공은 목표 키 결과(Objective Key Results, OKR)를 도입한 것으로 알려져 있습니다. 이 접근 방식은 비즈니스 또는 개인 목표의 모든 측면에서 적용할 수 있으며, AI 전략에 적용하면 약속된 결과를 얻을 수 있습니다. 그러나 비정형 데이터의 경우, 이는 산업 전체가 해결하려고 하는 발전하는 문제입니다. 비즈니스 리더는 ‘무엇’과 ‘왜’를 결정하기 위해 여러 질문을 해야 합니다. 예를 들어, 생산성을提高하는 것이 주요 목표라면, 두 가지 질문이 있을 수 있습니다.

• 자동화를 통해 처리량을 향상시키는 계획을 세울 것인가?
• 제출된 모든 경우에 대해 80%의 문제를 해결하는 계획을 세울 것인가?

이러한 질문에 대한 답은 두 가지 다른 구현 여정을 의미하며, 어느 것이 기업에 적합한지 결정하는 것이 중요합니다.

비정형 데이터의 경우, 다른 모호한 측정 영역은 정확도입니다. 대출 처리의 경우, 고객이 제출한 문서의 가변성이 너무 크기 때문에, 비즈니스와 기술 리더는 AI 솔루션의 정확도를 측정하는 방법에 대한 합의를 해야 합니다. 생산성이 목표 중 하나라면, 생산성에 영향을 미치는 다른 영역을 식별해야 합니다. 이를 위해 현재의 프로세스를 면밀히 살펴보고 AI 자동화를 통해 프로세스를 재구성하는 것이 필요합니다. 이러한 단계를 통해 정확도를 측정하는 방법을 결정하는 것이 더 쉬울 것입니다.

데이터는 모든 기업의 생명줄입니다

비정형 데이터는 정보가 구조화되고 표현되는 방식에 대한 높은 가변성을 가지고 있습니다. 기업은 문서, 채팅봇, 소셜 미디어 데이터, 뉴스, 이미지, 비디오 등 다양한 비정형 데이터에 투자하고 있습니다.

대부분의 기업은 손에 닿는 데이터의 양과 접근성을 과소평가합니다. 종종 데이터를 공유하고 규제 제한을 극복하는 것이 도전이 될 수 있습니다. 그러나 깨끗하고 높은 가변性的 데이터를 갖는 것은 문제를 평가하고 최적의 솔루션을 설계하는 데 더 좋습니다.

또한, 이 비정형 데이터에서 기대하는 결과를 고려하는 것이 중요합니다. 이는 정확한 양의 그라운드 트루스, 교육, 및 테스트 데이터를 보장합니다. 대출 처리의 경우, AI 솔루션의 결과가 평균 일일 잔액을 결정하는 것이라면, 그라운드 트루스와 교육 데이터는 은행 잔고에 초점을 맞출 수 있습니다. 그러나, 제출된 은행 잔고를 통해 사기적인申请자를 결정하는 경우, 필요한 그라운드 트루스와 교육 데이터를 얻기 위해 더广泛한 문서에 접근해야 합니다.

PoC에서 생산까지의 확장

측정 가능한 Proof of Concept(PoC)를 시작하는 것은 모든 이해관계자가 도전, 결과, 및 가치 제안을 이해하는 것을 보장합니다. 그러나 PoC는 생산 준비 솔루션과 다릅니다. PoC는 기업이 격차를 식별하고, 생산 솔루션을 위한 설계적 사고를 자극하며, 달성해야 할 주요 결과를 스트림 라인하는 데 도움이 됩니다. PoC에서 확장 가능한 솔루션으로 가기 위해, 기업은 복잡한 데이터 시나리오를 계획해야 합니다. 이는不断한 데이터 변경, 레이블된 데이터의 부족, 및 형식과 형태의 높은 가변성을 포함합니다. 또한, 워크플로의 재구성, 인력의 재교육, 및 적절한 인프라, 비용, 성능, 데이터 아키텍처, 정보 보안, 및 서비스 수준 협定的 결정이 중요합니다.

AI 솔루션에서 최상의 결과를 얻으려면, 전체 워크플로와 비즈니스 프로세스를 평가하는 것이 중요합니다. 행동 경제학에서 참고할 수 있는대로, 기존의 참조 점과 비교하여 더好的 효율성을 예상할 수 있습니다.

이 시나리오는 비즈니스와 기술 리더가 PoC를 기반으로 MI 또는 딥 러닝 접근 방식을 동의한 것으로 가정합니다. 일부 문제 문은 결정론적이며, 통계적 접근 방식을 통해 해결할 수 있습니다. 그러나 다른 도전은 원하는 결과를 얻기 위해 MI와 신경망 기반 접근 방식을 결합해야 합니다.

일부 AI 솔루션은 자연어 처리(NLP)를 포함해야 합니다. 일반 언어 모델은 기초 단계로 служ할 수 있지만, 대부분의 모델은 모든 기업 문제의 고유한 요구 사항을 충족하기에는 설계되지 않았으며, 세부적으로 조정해야 합니다. 동시에, 대부분의 경영진은 거대한 모델인 GPT3에 대해 열광할 수 있지만, 이는 상당한 컴퓨팅 파워를 필요로 하며, 직접적으로 회사의 ROI에 영향을 미칠 수 있습니다. 이러한 모델은 귀하의 회사에 적합하지 않을 수 있습니다.

AI 기반 PoC는 긴 프로세스의 시작에 불과하므로, 다음을 염두에 두어야 합니다:

• PoC 단계에서 복잡한 문제를 해결하려고 하지 마십시오
• 디자인적 사고를 적용하고, 전체 프로세스를 검토하여, 위험을 예측하고, 초기에 관리하십시오
• 정확도는 유일한 측정 기준이 아닙니다. 가치 중심의 솔루션을 구축하기 위한 설계와 계획을 마련하여, 100%의 정확도를 달성하는 것보다
• AI 접근 방식을 평가하고, 허구적인 모델에 기반한 접근 방식이 아닌, 최적의 접근 방식을 선택하십시오
• 모든 이해관계자에게 기대치를 관리하여, 가장 성공적인 결과를 보장하십시오
• 데이터의 성장과 함께 확장할 수 있는 솔루션과 아키텍처를 설계하여, 최적의 ROI를 달성하십시오

AI 기반 솔루션의 최선의 방법

오늘날, 대부분의 비즈니스에서 하나 이상의 AI 프로젝트를 진행하고 있습니다. 훌륭한 의도와 노력에도 불구하고, 많은 기업 AI 프로그램은 기대에 못 미치고, 확장되지 않으며, 원하는 ROI를 생성하지 못합니다. AI를 핵심 비즈니스 구성 요소로 통합하는 데 시간이 걸릴 수 있지만, 성공적인 조직에서 따르는 일부 최선의 방법에는 다음이 포함됩니다:

• AI 센터에서 시작하십시오: 많은 대기업, 비 기술 기업을 포함하여, AI 센터를 설립하여 성공의 기회를 최대화했습니다. AI 센터는 AI 기반 변환 프로젝트에 필요한 전문 지식, 자원, 및 인력을 제공합니다. 주요 이점에는 다음이 포함됩니다:
  • AI 학습, 자원, 및 인력을 한 곳에 통합합니다
  • 통일된 AI 비전과 비즈니스 전략을 개발합니다
  • AI 접근 방식, 플랫폼, 및 프로세스를 표준화합니다
  • AI 및 혁신을 위한 새로운 수익 기회를 식별합니다
  • 모든 비즈니스 기능에 AI를 제공하여 데이터 과학 노력을 확장합니다
• 경영진의 승인: AI 전략은 상위에서 하위로 접근 방식으로 가장 성공적입니다. 조직 전체에서 파일럿을 성공적으로 확장하려면, 리더십의 승인, 필요한 기술 및 데이터, 및 모델이 시간이 지남에 따라 정확하게 유지되는 것을 보장하는 조직 구조가 필요합니다.
• 데이터의 가용성: 대부분의 기업은 다양한 규제 이유로 데이터가 분리되어 있습니다. 그러나 데이터는 모든 AI 솔루션의 생명줄입니다. 데이터의 가용성과 함께, 분류 및 정리는 필수입니다. 정확한 그라운드 트루스와 교육 데이터를 개발하는 것은 AI 솔루션의 성공을 결정할 수 있습니다.
• 아키텍처: AI를 활용하는 것은 모든 조직에게 새로운 사고와 계획의 패러다임 시프트입니다. 최적의 기술 및 운영 아키텍처를 설계하면 성공의 기회를 높일 수 있습니다. 이는 ML 옵스, 데이터 옵스, 반복적 교육, 및 주석 등 새로운 기능을 포함합니다.
• 모듈성 및 유연성: AI 기반 솔루션은 특히 기업이 많은 비정형 데이터를 다룰 때, 여전히 초기 단계에 있습니다. 비즈니스와 그 도전이 성장함에 따라 확장할 수 있는 모듈적이고 유연한 솔루션을 설계하고 구축하는 것이 중요합니다.

AI 전략을 수립하고 시작하는 것은 대부분의 조직에서巨大的 잠재력을 가지고 있습니다. 사용 사례는 끝이 없습니다. 기계 및 딥 러닝 솔루션은 판매, 마케팅, 일상적인 운영 등 모든 측면의 조직에 영향을 미칩니다. 그러나, 로켓을 제작하거나 새로운 장치를 발명하는 것과 마찬가지로, 성공은 한 번에 달성되지 않습니다. AI 기반 솔루션은 단계적으로 접근하고, 시간이 지남에 따라 작은 승리 위에 구축되어야 합니다.