AI는 마법이 아닙니다. 이제 AI를 제대로 이해하고 활용할 때입니다.

수세기 동안 전기는 마법사의 영역으로 여겨져 , 전기가 어디에서 어떻게 생성되는지 관중을 어리둥절하게 만들었습니다. 벤저민 프랭클린(Benjamin Franklin)과 그의 동시대 사람들은 1752년 전기와 번개 사이의 연관성을 증명했을 때 이러한 현상을 잘 알고 있었지만, 실용적인 사용법을 구상하는 데 어려움을 겪었습니다. 사실, 벤저민 프랭클린의 가장 소중한 발명품은 전기를 피하는 것과 더 관련이 있습니다. 바로 피뢰침이었습니다. 모든 새로운 혁신은 거부, 회피, 두려움, 그리고 마침내 수용이라는 비슷한 진화의 과정을 거칩니다.

오늘날 너무 많은 사람들이 인공 지능(AI)의 작동 원리를 거의 이해하지 못한 채 그저 마법처럼 작동하는 또 하나의 기술로 여깁니다. 사람들은 AI를 특별한 것으로 여기며, 우리를 현혹하는 전문가들의 전유물로 여깁니다. 이러한 환경에서 AI는 장엄함을 약속하는 신비주의적 분위기를 풍기며, 인간의 손에 닿지 않는 곳에 자리 잡았습니다.

물론 AI에는 마법이 존재하지 않습니다. 인공 지능이라는 용어는 1956년에 처음 만들어졌으며 그 이후로 이 기술은 발전하고, 실망하고, 다시 등장했습니다. 전기의 경우와 마찬가지로 AI의 획기적인 발전은 대규모 실험을 통해 이루어질 것입니다. 이러한 실험 중 상당수는 실패하겠지만, 성공적인 실험은 상당한 영향력을 발휘할 것입니다.

이것이 바로 오늘날 우리가 처한 상황입니다. 앤드류 응(Andrew Ng)과 같은 다른 사람들이 말했듯이 AI는 새로운 전기입니다. AI는 보편화되고 점점 더 접근성이 높아지는 것 외에도 전 세계적으로 비즈니스가 수행되는 방식을 개선하고 변화시키고 있습니다. AI는 최고의 정확도로 예측을 가능하게 하고 비즈니스 프로세스와 의사결정을 자동화하고 있습니다. 더 나은 고객 경험부터 지능형 제품과 더 효율적인 서비스에 이르기까지 그 영향은 방대합니다. 그리고 그 결과는 결국 기업, 국가, 사회에 경제적 효과로 이어집니다.

분명한 것은 AI의 대규모 실험을 주도하는 조직이 향후 10년간의 시장 기회를 선점하게 될 것입니다. AI를 분석하고 잘못된 오해를 해소하려면 카테고리의 두 가지 핵심 요소, 즉 구성 요소와 프로세스를 고려해야 합니다. 즉, 그 이면에 무엇이 있고 어떻게 도입할 수 있는지 파악해야 합니다.

전기가 저항, 캐패시터, 다이오드 등과 같은 기본 구성 요소에 의해 구동되는 것처럼, AI도 다음과 같은 최신 소프트웨어 구성 요소에 의해 구동되고 있습니다.

1. 통합된 최신 데이터 패브릭. AI는 데이터를 기반으로 작동하므로 AI를 위해 데이터를 준비해야 합니다. 데이터 패브릭은 모든 클라우드에서 모든 데이터 자산을 논리적으로 표현하는 역할을 합니다. 전사적으로 데이터를 사전 구성하고 레이블을 지정합니다. 방화벽에서 엣지까지 가상화를 통해 모든 데이터에 원활하게 액세스할 수 있습니다.
2. 개발 환경 및 엔진. AI 모델을 구축, 학습 및 실행할 수 있는 공간입니다. 이를 통해 입력부터 출력까지 엔드투엔드 딥 러닝이 가능합니다. 머신 러닝 모델은 명시적이지 않고 추론된 데이터에서 패턴과 구조를 찾는 데 도움을 줍니다. 이때부터 마법처럼 느껴지기 시작합니다.
3. 인간의 특징. 모델과 애플리케이션을 음성, 언어, 시각, 추론과 같은 인간의 특징에 연결하여 모델에 생명을 불어넣는 메커니즘입니다.
4. AI 관리 및 활용. 이를 통해 모든 애플리케이션이나 비즈니스 프로세스에 AI를 삽입하는 동시에 버전, 영향력 개선 방법, 변경된 사항, 편향성 및 편차를 파악할 수 있습니다. 여기에서 모델이 활용될 수 있으며 모든 AI의 라이프사이클을 관리할 수 있습니다. 마지막으로, AI가 내린 의사 결정에 대한 증거 및 설명 가능성을 제공합니다.

이러한 구성 요소를 통해 더 많은 조직이 데이터의 가치를 실현하고 있습니다. 하지만 AI를 완전히 활용하려면 기술을 채택하고 구현하는 방법도 이해해야 합니다. 도입을 계획하고 있다면 다음과 같은 기본적인 단계를 먼저 고려하세요.

1. AI에 적합한 비즈니스 기회를 파악하세요. 고객 서비스, 직원/회사 생산성, 제조 결함, 공급망 지출 등 도입할 수 있는 잠재적 영역은 매우 광범위합니다. 쉽게 설명할 수 있는 것은 무엇이든 프로그래밍할 수 있습니다. 일단 프로그래밍하면 AI가 이를 개선할 수 있습니다. 기회는 무궁무진합니다.
2. AI를 위한 조직을 준비하세요. 조직은 데이터 과학에 대한 더 큰 역량과 전문성을 필요로 하게 될 것입니다. 오늘날의 반복적이고 수동적인 업무 중 상당수가 자동화될 것이며, 이로 인해 많은 직원의 역할이 변화할 것입니다. AI가 모든 역할을 수행할 수 있는 경우는 거의 없습니다. 하지만 AI가 그 역할을 향상시킬 수 없는 경우도 드물죠. 모든 기술은 이를 활용할 인재가 없으면 쓸모가 없습니다. 따라서 다른 사람들에게 영감을 주고 교육할 전문가 팀을 구성하세요.
3. 기술 및 파트너를 선택하세요 CEO가 직접 기술을 선택할 가능성은 낮지만, 여기에는 문화적인 의미가 더 많이 담겨 있습니다. 조직은 다양한 기술을 도입하고 그 과정을 통해 비교, 대조, 학습해야 합니다. 또한 조직은 AI를 제공할 수 있는 능력과 기술을 모두 갖춘 소수의 파트너를 선택해야 합니다.
4. 실패를 받아들이세요. 100개의 AI 프로젝트를 시도하면, 아마 그중 50개는 실패할 것입니다. 하지만 성공하는 50개는 실패를 보상하는 것 이상일 것입니다. 실패를 기꺼이 받아들이고, 실패를 통해 배우고, 다음 단계로 나아갈 준비가 되어 있는 문화가 조성되어야 합니다. 실패를 빠르게 받아들여야 합니다.

AI는 전기, 인터넷, 모바일 만큼이나 주류로 자리 잡고 있습니다. 2019년에 AI 전략이 없는 것은 2010년에 모바일 전략이 없거나 2000년에 인터넷 전략이 없는 것과 같습니다.

역사의 이 순간을 되돌아볼 때 데이터는 새로운 자원으로, AI는 활용하는 유틸리티로 받아들인 사람으로서 이 순간을 흐뭇하게 바라볼 수 있기를 바랍니다.

______________________________________________

이 이야기의 버전은 Informationweek에 처음 게재되었습니다.

• 어디에나 있는 watson(Watson Anywhere), Rob Thomas
• 고객의 AI 활용을 위한 새로운 IBM 기술 교육(New IBM Skills Training to Get Clients Up and Running on AI), Ana Echeverri
• AI 계획을 가속화하는 새로운 방법(A New Way to Accelerate Your AI Plans), Inderpal Bhandari
• AI 사다리 확장하기(Scaling the AI Ladder), Rob Thomas