์ฌ์ ๋ฆฌ๋
AI ์ฃผ๋ํ ์ํฐํ๋ผ์ด์ฆ ์๋ฃจ์ ์ ๊ณํ, PoC, ๋ฐ ์์ฐ
엔터프라이즈는 인공 지능(AI) 이니셔티브를 빠른 속도로 가속화하고 있다. Algorithmia의 연구에 따르면 76%의 CIO가 AI와 머신 러닝(ML) 솔루션에 더 많은 초점을 둔 IT 예산을 늘리며 우선순위를 정하고 있다. 조직은 또한 데이터의 중요성을 인식하고 있으며, 대부분의 엔터프라이즈 데이터는 비정형화된 성격을 가지고 있다는 사실을 받아들이고 있다.
비정형 데이터는 엔터프라이즈 스택에서 경보적인 속도로 생산되고 성장하고 있다. 측정 단위는 테라바이트에서 페타바이트로 이동했다. 결과적으로 IT 전문가, CDO, CIO는 사용 가능한 데이터와 실행 가능한 통찰력을 위한 증가하는 수요를 충족하기 위해 새로운 도전 과정을 처리해야 한다. AI의巨대한 산업 변혁 가능성에도 불구하고, 2022년 말까지 배포된 AI 솔루션의 15%만이 성공적일 것이며, 그 중 더少數는 양性的 ROI를 생성할 것이다.
가장 큰 문제는 대부분의 엔터프라이즈 AI 솔루션이 기대치의 불일치로 인해 빛을 보지 못한다는 것이다. AI의 가능성에 대한 오해가 계속되고 있으며, 프로젝트는 여전히 호재 주도형 모델에 의해 구상된다. 대부분의 제품 또는 모델은 실제 일일 엔터프라이즈 운영의 현실에서 멀리 떨어져 있다. 낮은 성공률의 다른 주된 요인에는 비용 초과, AI 센터의 부족, 경험이 없는 인재, 데이터의 부재, 구식 정책 등이 있다.
계획은 엔터프라이즈 AI 성공을 위한 길을 열다
비정형 데이터는 미리 정의된 데이터 모델이 없는 데이터이며, 문서, 웹사이트, 이미지, 비디오 파일, 챗봇, 오디오 스트림, 소셜 미디어 게시글 등 모든 것을 포함한다. 엔터프라이즈 아키텍처에서 비정형 데이터의 증가하는 양으로 인해, 모든 기업 이해관계자의 목표와 일치하는 효율적이고 증분적인 계획을 갖는 것이 중요하다. 조직 수준의 일반적인 목표에는 프로세스 자동화, 사기 탐지, 고객 경험 개선, 안전성 개선, 판매 증가 등이 있다. 이러한 목표 중 일부는 데이터의 구조화된 성격으로 인해 비교적 효과적으로 달성될 수 있다. 그러나 비정형 데이터를 중심으로 계획을 세우는 것은 도전적일 수 있다.
일반적으로 계획은 조직 내의 기회 영역을 식별하는 것으로 시작된다. 최고 경영진 수준에서 거대한 AI 비전이 있을 수 있지만, 높은 영향, 낮은 위험, 데이터의 지속적인 성장을 가진 영역을 식별하는 것이 중요하다. 은행 및 금융 산업의 대출 처리 기능과 같은 사용 사례가 좋은 예이다. 대출 발급에서 서비스 제공까지 수동 프로세스로 정보가 반복적으로 시스템에 입력된다. 대출申请의 신중한 검토에는 문서 제출이 많이 포함되며, 이는 여러 위험을 수반한다. 그러나 AI는 문서 처리 및 사기 탐지와 같은 워크플로의 여러 영역에 적용될 수 있다. 이것은 또한 지속적인 연간 데이터 성장이 있는 영역이다.
계획 단계에서 고려해야 할 다른 중요한 단계로는 측정 가능한 성공 기준을 정의하는 것, 일관된 데이터 전략을 수립하는 것, 지속적인 교육 및 피드백, 사용자 경험, 확장성, 인프라를 측정하는 것이 있다.
측정 가능한 성공 기준 정의(말 앞에 가는 수레를 피하기!)
구글의 초기 성공은 목적 키 결과(OKR)를 도입한 것으로 알려져 있다. 이 접근 방식은 비즈니스 또는 개인 목표의 모든 측면에 적용될 수 있지만, AI 전략에 이 접근 방식을 적용하면 약속된 결과가 나타날 수 있다. 그러나 비정형 데이터의 경우, 이는 산업 전체가 해결하려고 하는 발전하는 문제이다. 이러한 도전 과제가 주어졌을 때, 비즈니스 리더는 ‘무엇’과 ‘왜’를 결정하기 위해 다양한 질문을 해야 한다. 예를 들어, 생산성을提高하는 것이 주요 목표라면, 두 가지 질문이 있을 수 있다.
- 자동화를 통해 처리량을 개선해야 하는가?
- 제출된 모든 경우에 대해 80%의 문제를 해결해야 하는가?
이 질문에 대한 답변은 두 가지 다른 구현 여정을 의미하며, 어느 것이 귀하의 엔터프라이즈에 적합한지 결정하는 것이 중요하다.
비정형 데이터의 경우, 다른 모호한 측정 영역은 정확성이다. 대출 처리의 경우, 고객이 제출한 문서의 가변성이 많기 때문에, 비즈니스 및 기술 리더가 AI 솔루션의 정확성이 어떻게 측정되는지에 대한 합의에 도달하는 것이 중요하다. 생산성이 목표 중 하나라면, 생산성에 영향을 미치는 다른 영역을 식별해야 한다. 이것은 현재의 상태를 면밀히 조사하고 AI 자동화를 통해 프로세스를 재구상함으로써 달성될 수 있다. 새로운 자동화는 종종 프로세스의 새로운 단계를 수반한다. 예를 들어, 수동 예외 관리, 주석, 교육 등이 있다. 이러한 단계가 있으면 정확성을 측정하는 방법을 결정하기가 더 쉽다.
데이터는 모든 엔터프라이즈의 생명줄이다
비정형 데이터는 정보가 구조화되고 표현되는 방식에 높은 정도의 가변성을 가지고 있다. 엔터프라이즈는 문서, 챗봇, 소셜 미디어 데이터, 이미지, 비디오 등 정보가 포함된 다양한 형태의 비정형 데이터로 가득 차 있다.
대부분의 조직은 손에 닿는 데이터의 양과 가용성을 과소평가한다. 종종 도전은 단순히 규제 제한을 극복하고 조직 내에서 데이터를 공유하는 것이다. 그러나 깨끗하고 높은 가변성의 데이터를 갖는 것은 문제를 더 잘 평가하고 최적의 솔루션을 설계하는 데 도움이 된다.
또한 이 데이터에서 기대하는 결과를 고려하는 것이 중요하다. 이것은 지면 진실, 교육, 테스트 데이터의 정확한 양을 보장할 것이다. 다시 대출 처리 예를 들어보면, 이 AI 솔루션의 결과가 대출申请者の 평균 일일 잔액을 결정하는 경우, 지면 진실 및 교육 데이터는 은행 잔고에 초점을 맞출 수 있다. 그러나 제출된 은행 잔고를 통해 사기성 신청자를 결정하는 경우, 필요한 지면 진실 및 교육 데이터를 얻기 위해 더广泛한 문서에 접근해야 한다.
PoC에서 생산까지 확장
측정 가능한 Proof of Concept(PoC)를 시작하면 모든 이해관계자가 AI 솔루션의 도전 과제, 결과, 가치 제안을 이해할 수 있다. 그러나 PoC는 생산 준비 솔루션과 다르다. PoC는 조직이 격차를 식별하고, 생산 솔루션을 위한 설계적 사고를 자극하며, 달성해야 할 주요 결과를 정의한다. PoC에서 확장 가능한 솔루션으로 이동하기 위해, 조직은 복잡한 데이터 시나리오를 계획해야 한다. 이는不断적인 데이터 변경, 레이블이 지정된 데이터의 부재, 형식 및 형식의 높은 가변성을 포함한다. 또한 워크플로의 재구상, 인력의 재교육, 적절한 인프라, 비용, 성능, 데이터 아키텍처, 정보 보안, 서비스 수준 협약(SLA) 등을 결정하는 것이 중요하다.
AI 솔루션에서 최상의 결과를 얻으려면 전체 워크플로와 비즈니스 프로세스를 평가하는 것이 절대적으로 중요하다. 행동 경제학에서 배운 바와 같이, 결과를 기존 참조점(참조 의존성이라고도 함)과 비교하여, 생산 이전에 설계적 사고와 프로세스 재매핑을 통해 더好的 효율성을 예상할 수 있다.
이 시나리오는 비즈니스 및 기술 리더가 PoC를 기반으로 MI 또는 딥 러닝 접근 방식을 동의했다고 가정한다. 일부 문제 문은 결정론적일 수 있으며, 통계적 접근 방식을 사용하여 문제를 해결할 수 있다. 다른 도전 과제는 원하는 결과를 얻으려면 MI와 신경망 기반 접근 방식을 결합해야 할 수 있다.
일부 AI 솔루션은 자연어 처리(NLP)를 통합해야 한다. 일반 언어 모델은 기초 단계로 служ할 수 있지만, 대부분의 모델은 모든 엔터프라이즈 문제 문을 충족하기 위해 설계되지 않았으며, 세부적으로 조정해야 한다. 동시에 대부분의 경영자는 GPT3와 같은 거대한 모델에 대해 열광할 가능성이 있지만, 이는 상당한 계산 능력을 요구하며, 회사의 ROI에 직접적인 영향을 미칠 수 있다. 이러한 모델은 귀하의 회사에 적합한 선택이 아닐 수 있다.
귀하의 AI 주도형 PoC는 긴 과정의 시작에 불과하므로, 다음을 염두에 두어야 한다:
- PoC 단계에서 복잡한 문제를 해결하기 위해 선택하지 마십시오
- 설계적 사고를 적용하고, 종단 간 프로세스를 검토하여, 위험을 예측하고 초기에 관리하십시오
- 정확성은 유일한 측정 기준이 아닙니다. 가치 주도형 솔루션을 구축하고, 100%의 정확성을 달성하기 위한 계획을 설계하십시오
- AI 접근 방식을 평가하고, 호재 주도형 모델에 계획하지 말고, 모듈식인 최적의 접근 방식을 선택하십시오
- 모든 이해관계자에 대한 기대를 관리하여, 가장 성공적인 결과를 보장하십시오
- 데이터의 성장과 함께 확장하는 솔루션 및 아키텍처를 설계하여, 가장 최적의 ROI를 달성하십시오
AI 주도형 솔루션을 위한 최선의 관행
오늘날 대부분의 비즈니스들은 하나 이상의 AI 프로젝트를 수행하고 있다. 뛰어난 의도와 열심히 노력에도 불구하고, 많은 엔터프라이즈 AI 프로그램은 기대에 못 미치거나, 확장되지 않거나, 원하는 ROI를 생성하지 않는다. 인공 지능을 핵심 비즈니스 구성 요소로 통합하는 데 시간이 걸릴 수 있지만, 성공적인 조직이 따르는 일부 최선의 관행은 다음과 같다:
- AI CoE에서 시작하십시오: 많은 대기업, 비기술 회사 포함, AI 센터를 설정하여 성공의 기회를 최대화했습니다. AI CoE는 AI 기반 변革 이니셔티브를 허용하기 위해 필요한 전문 지식, 자원, 사람들을 하나로 모으는 역할을 합니다. 주요 이점은 다음과 같습니다.
- AI 학습, 자원, 인재를 하나의 장소에서 통합
- 통일된 AI 비전 및 비즈니스 전략 개발
- AI 접근 방식, 플랫폼, 프로세스의 표준화
- 새로운 수익 기회 및 혁신을 위한 AI 식별
- 모든 비즈니스 기능에 AI를 제공하여 데이터 과학 노력을 확대
- 경영진의 승인: AI 전략은 상위에서 하위로의 접근 방식으로 가장 성공적입니다. 조직 전체에 파일럿을 확장하려면 경영진의 승인, 필요한 기술 및 데이터, 모델이 시간이 지남에 따라 정확하게 유지되도록 보장하는 조직 구조를 설정해야 합니다.
- 데이터의 가용성: 대부분의 조직은 다양한 규제 이유로 데이터가 분리되어 있습니다. 그러나 데이터는 모든 AI 솔루션의 생명줄입니다. 데이터의 제공은 중요하지만, 데이터의 분류 및 정화도 필수입니다. 정확한 지면 진실 및 교육 데이터를 개발하는 것은 AI 솔루션을 만들거나 망칠 수 있습니다.
- 아키텍처: AI를 활용하는 것은 모든 조직에게 새로운 사고 및 계획 방식을 필요로 하는 패러다임의 전환입니다. 최적의 기술 및 운영 아키텍처를 설계하면 성공의 기회를 증가시킵니다. 이는 ML 옵스, 데이터 옵스, 반복적 교육, 주석 등과 같은 새로운 기능을 포함합니다.
- 모듈성 및 유연성: AI 주도형 솔루션은 특히 조직이 많은 비정형 데이터를 다룰 때, 여전히 초기 단계에 있습니다. 비즈니스 및 도전 과제의 성장과 함께 확장할 수 있는 모듈식 및 유연한 솔루션을 설계하고 구축하는 것이 중요합니다.
AI 전략을 수립하고 시작하는 것은 대부분의 조직에 대해巨大的 잠재력을 가지고 있습니다. 사용 사례는 끝이 없습니다. 머신 러닝 및 딥 러닝 솔루션은 판매 및 마케팅에서 일일 운영까지 조직의 모든 측면에 영향을 미칩니다. 그러나 로켓을 제작하거나 새로운 장치를 발명하는 것과 마찬가지로, 성공은 한 번에 달성되지 않을 것입니다. AI 주도형 솔루션은 시간의 경과에 따른 작은 승리 위에 구축되어야 합니다.
