์ฌ์ ๋ฆฌ๋
How ๋ฐ When ํด๊ฒฐ: ๋น์ฆ๋์ค ์ ๋ต์ AI ๋์ ์ ์ฃผ์ ํ๊ธฐ
인공 지능(AI)이 비즈니스 전략에 대한 논의에서 효능에 대한 논의에서 도입을 가속화하는 지점에 도달했습니다. 특히 변화의 속도가 다시는 이만큼 느리지 않을 것이라는 것을 고려하면 매우 흥미로운 시기입니다. BCG에 따르면, 글로벌 경제 불확실성에도 불구하고, 2023년에 혁신은 상위 기업의 우선 순위 중 하나로 부상했으며, 79%의 기업이 이를 상위 3개 목표 중 하나로 순위했습니다.
그러나 혁신 자체를 목적으로 하는 것은健全한 비즈니스 전략이 아니며, AI 열기에 빠진 기업은 장기적인 가치를 창출하는 솔루션에 투자하는 대신 허위 정보에 투자할 위험이 있습니다. 이러한 차이를 이해하려면 현재의 능력에 대한 신중한 고려와 지속 가능한 성장을 단기적인 추세보다 우선하는耐心이 필요합니다.
골드릴락스 존
비즈니스 역사에는 중요한 순간에 전략적 결정이 기업의 존재에 영향을 미친 많은 예가 있습니다. 예를 들어, 아마존은 도트컴 버블을 살아남으로서 회계 전략의 중요성을 인식하고 다른 기업이 현금을 소진하는 동안 예비금을 늘렸습니다. 중요한 점은 대량의 열광하는 동안健全한 비즈니스 결정이 더 중요하다는 것입니다. 그리고 내일을 계획하려면 모든 잠재적인 시나리오를 생각하는 능력이 필요합니다.
전반적으로, 리더십 팀을 침투한 AI에 대한 공통된 느낌인 “미스 아웃 공포”(“fear of missing out”)가 존재하며, 아무 것도 하지 않는다는 것이(즉, “분석 마비”에 빠지는 것) 또한 실제적인 위협입니다. (단, 코닥을 묻습니다.) 여기서 3가지 고려 사항이 있습니다. 기업들이 “골드릴락스 존”을 찾고자 할 때, 즉 너무 빠르거나 너무 느리게 투자하지 않고 지속 가능한 혁신의 달콤한 지점을 찾을 때:
1. 데이터 성장에 초점을 맞추기
어떤 기계와 마찬가지로, 가치가 어디에서 나오는지 이해하기 위해 내부 작동 방식을 이해하는 것이 중요합니다. 즉, AI는 완전한 제품이 아닌, 대규모 언어 모델(LLM)이 패턴, 컨텍스트, 언어적 뉴앙스를 학습하기 위해 다양한 데이터 포인트에 의존합니다. LLM의 크기와 복잡성은 다양한 도메인과 작업에서 효과적으로 작동하기 위해 광범위한 훈련 데이터가 필요합니다. 이 데이터의 품질과 양은 LLM의 성능과, 확장으로서의 기업의 AI 도구 세트에 큰 영향을 미칠 것입니다.
보다 강력한 데이터 생태계를 생성하는 것은 따라서 AI 변화를 계획하는 모든 기업에 대한 현명한 첫 번째 투자이며, 이 데이터는 LLM이 성장하고 진화함에 따라 기초가 될 것입니다. 이것이 진화하는 과정에서 높은 품질의 데이터가 더욱 중요해집니다. 연구에 따르면 LLM이 최소한의 데이터로도 유능할 수 있지만, 전문가들은 “데이터 품질과 다양성이 LLM 훈련의 다른 경로(예: 사전 훈련, 세부 조정, 제어 가능성 등)에 미치는 영향은 절대적으로巨大하다”고 말합니다.
2. 비즈니스 사용 사례 식별
AI는 분명히 광범위한 외부 적용 가능성을 가지고 있지만, 대부분의 기업은 내부 프로세스를 최적화하기 위해 기술을 사용하는 데 더 관심이 있습니다. “최적화”라는 단어가 여기서 핵심 단어입니다. 즉, 기업이 AI 소프트웨어를 단순히 플러그 앤 플레이하여 출력을 자동으로 개선할 수 있을 것으로 기대해서는 안 됩니다. 오히려, 가장 성공적인 AI 사용 사례 중 일부는 고객 행동, 시장 동향, 잠재적인 위험에 대한 귀중한 통찰력을 제공하기 위해 데이터를 분석하는 것을 포함합니다. 또한 수동 작업을 자동화하여 직원의 시간을 더 높은 수준의 활동에 할당하는 것과 같은 내부 활동을 스트림라이닝하는 데 효과적임이 입증되었습니다.
간단히 말해, AI 모델을 사용하는 방법을 결정하는 데 시간을 낭비하는 대신, 조직은 자신의 AI가 해결해야 할 특정 문제에 초점을 맞춰야 합니다. (즉, 이동하고자 하는 바늘을 시작으로, 영향을 미치고자 하는 KPI를 설정한 다음, 그 목표를 달성할 AI 도구로 작업을 역방향으로 진행합니다.) MIT의 글로벌 임원 AI 설문조사에 따르면, KPI를 생성하기 위해 AI를 사용하는 사람들의 90%는 KPI가 개선된다고 말합니다. “이러한 AI 기반 KPI는 비즈니스 이점을 제공하고 새로운 기능을 보여주며, 일반적으로 효율성이 더 높고 재정적 이익이 더 크며, 조직의 목표와 더 잘 일치합니다.”
3. 오픈 소스 LLM을 사용하여 맞춤형 AI 도구 구축
구축하거나 구매할 것인가, 그것이 문제입니다. 맞춤형 AI 솔루션을 구축하는 것은 어려울 수 있으며, 많은 기업은 외부 벤더의 특허 LLM 라이센스를 구매하여 그 길을 피합니다. 그러나 라이센스는 LLM을 사용하는 방법을 제한할 수 있으며, 라이센스 비용은 시간이 지남에 따라 매우 비싸질 수 있습니다. 반면에, 오픈 소스 LLM은 무료이며, 개발자가 특정 회사 요구 사항에 따라 액세스, 구축 및 수정할 수 있는 기본 아키텍처가 있습니다.
이 오픈 소스 모델 생태계는 기업들이 민감한 정보를 네트워크에 유지하고 데이터에 대한 제어를 더 많이 유지하려고 함에 따라 인기를 얻었습니다. 오픈 소스 LLM은 기업에게 이 투명성과 유연성을 제공하며, 지연 문제가 줄어들고 성능이 향상되는 추가적인 이점이 있습니다. IBM과 NASA는 최근에 기후 변화와 싸우기 위해 지구공간 데이터로 훈련된 오픈 소스 LLM을 개발하기 위해 협력했습니다. 이는 NASA의 10년간의 오픈 소스 과학 이니셔티브의 일부입니다. 더 접근하기 쉬운, 포용적이며, 협력적인 과학 커뮤니티를 구축하기 위해.
오픈 소스 기술과 마찬가지로, 오픈 소스 LLM에는 보안 누출/침해, 부정확하거나 잘못된 정보에 기초한 환상/편향, 데이터를 의도적으로 조작하는 악의적인 행위자와 같은 위험이 있습니다. 그러나 오픈 소스 모델은 시간이 지남에 따라 더智能하고 더 안전해지며, 일부 전문가들은 오픈 소스 LLM이 곧 최고의 폐쇄형 LLM 수준에 도달할 것으로 믿고, 초기 채택과 팀 업스킬링에 대한 투자를 정당화합니다.
AI 도입은 마라톤에서 여러 번의 짧은 스프린트
최근의 통계에 따르면, 미국에는 약 15,000개의 AI 기업이 있으며, 이는 2017년의 두 배 이상입니다. 전 세계적으로 이 숫자는 거의 4배로 증가합니다. 이렇게 많은 벤더와 새로운 스타트업이 서비스를 홍보하는 데, 기업이 시간과 돈을 어디에 투자할지 결정하는 것이 어려울 수 있습니다. 그러나 필요와 혁신이 제시하는 위험/보상을 신중하게 평가함으로써, 리더들은 자신의 기업을 지속 가능한 성장의 미래로 추진할 AI의 올바른 혼합을 찾을 것입니다.
