image_pdfimage_print

인공지능(AI)의 시대가 도래했습니다. 지난 2020년, Gartner가 AI ‘메가트렌드’로 꼽은 ‘하이퍼오토메이션(hyperautomation)’ 같은 다양한 사용사례를 통해, AI는 그 완전한 잠재력을 보여주고 있습니다. 그러나 우후죽순처럼 생겨난 프로토타입과 프로젝트에도 불구하고, 생산까지 도달한 프로토타입은 절반이 안됩니다. AI ROI를 측정할 수 있었던 경우는 이보다 훨씬 적습니다.

다행인 것은, 기업들이 이러한 초기 학습 곡선의 많은 부분을 넘어선 듯하다는 것입니다. 팀과 취약한 IT 인프라 간의 마찰부터, 파악하기 어려운 데이터 가용성과 지나치게 야심찬 사용사례에 이르기까지, 다양한 시행착오를 거치며 어떻게 해야 성공을 거둘 수 있는지가 더 명확해졌습니다. 머신러닝(ML)의 1라운드가 정확성에 관한 것이었다면, 머신러닝의 2라운드는 적용 가능성 (applicability)입니다.

그것이 바로 ‘실용적인 AI(practical AI)’입니다.

실용적인 AI는 조직 전체에서의 AI 구현에 대한 신중한 접근 방식이며, 거의 절반에 이르는 최고정보책임자(CIO)에게 향후 12개월 동안의 우선 과제입니다. 그러나 이러한 노력을 핵심 역량으로 만들기 위해서는, 우수한 관행과 올바른 기반이 필요합니다.

자세히 살펴보도록 하겠습니다.

1. 해결하려는 비즈니스 문제 또는 비효율성을 식별합니다.

이 첫 번째 단계가 아마도 가장 중요할 것입니다. 실용적인 AI에 대한 사용사례는 수천 가지가 있을 수 있지만, ROI 측면에서 모두가 성공하지는 못할 것입니다. 그 이유는 무엇일까요? 어떤 프로젝트에는 너무 다루기 힘들고 복잡한 데이터 세트가 필요해 AI가 비실용적인 솔루션이 되기 때문입니다.

모든 AI 프로젝트에는 명확한 목적, 즉 ‘이유’가 있어야 합니다. 다음과 같이 목적을 정의할 수 있어야 합니다.

  • 워크플로우 또는 프로세스를 간소화하여 효율성 창출
  • 프로세스 속도 향상 및 시장출시기간 단축
  • 역량 강화 또는 프로젝트 확장
  • 특정 작업 제거
  • 리스크 감소 또는 정확성 향상

자동화의 가장 보편적인 ‘이유’ 중 하나는 워크플로우에서 가치가 낮은 작업을 제거하여 작업자가 보다 전략적인 작업에 집중할 수 있도록 만들기 위함입니다. 예를 들어, 데이터 관리에서 데이터베이스관리자(DBA)는 AI를 사용해, 반복적이고 단조로운 작업을 수행하여 중요한 기술을 더 가치 있는 일에 사용하는 것입니다.

또 다른 예는 이미지 및 비디오 처리처럼 비정형 데이터의 복잡성을 해결하는 경우입니다. AI가 사용되기 전에는 이미지와 비디오의 데이터를 처리하고 분석하는 일은 수동 작업으로 수행되었으며 시간도 많이 걸렸습니다. 고급 신경망을 사용해 비정형 데이터를 분석하는 것이 AI의 주요 사용사례입니다.

2. 자동화할 대상과 AI 적용 방법을 결정합니다.

비즈니스 문제를 프레임화하는 방법에 따라, AI가 적합할 수도, 적합하지 않을 수도 있습니다. AI에 대한 과장된 기대감이 최고조에 달했을 때, 조직들은 뭐 하나라도 걸리겠지 하는 생각으로 수많은 AI 개념 증명을 수행했습니다. 요즘에는 AI의 실용적인 기회에 대해 더 잘 알고 있습니다.

‘이유’를 ‘결과’로 바꾸려면, AI가 어떤 면에서 뛰어난지 이해하는 것도 중요합니다. 그러기 위해서는 프로세스, 워크플로우 또는 작업을 가장 작은 구성 요소로 나누는 것이 좋습니다. AI 애플리케이션에 적합한 작업을 할당하고 나머지 작업들은 간소화된 수동 워크플로우로 재구성합니다.

모델을 생성하거나 구현하는 데이터 과학자는 AI와 머신러닝이 문제에 어떻게 가장 잘 적용될 수 있을지 판단할 수 있습니다. 또한 데이터 처리, 조작, 추출, 필터링 방법을 결정한 후, 서드파티 서비스와 딥 러닝 프레임워크를 적용하여 애플리케이션을 향상시킬 수 있습니다. 이는 매우 간단한 일일 수 있지만, 선택한 툴을 지원하는 데 필요한 인프라 활주로가 마련되어 있는지 확인해야 합니다.

3. 데이터 인프라를 마련합니다.

이제 고위 임원들의 지지를 얻고 예산과 팀들을 정렬해야 합니다. 그렇다면 인프라는 어떨까요?

훌륭한 AI 아이디어를 운영 환경에 적용하려면 기본 인프라가 방대한 양의 데이터를 처리할 수 있어야 합니다. 그러한 역량이 없으면, 팀은 ROI를 확보하는 데 필요한 양과 품질의 데이터를 앱에 제공하지 못할 수 있습니다.

게시물(영문자료)에서 스토리지, 컴퓨팅 성능 ‘MLOps 접근 방식이 AI 통해 많은 성공과 ROI 보장하는 방법에 대해 자세히 알아보세요. 

구체적으로, 데이터 스토리지는 비정형 데이터의 간소화 및 통합을 지원할 수 있어야 합니다. 비정형 데이터는 고객, 직원 및 공급업체와의 디지털 상호 작용에서 발생한 직접적인 부산물이라고 할 수 있습니다. 퓨어스토리지의 플래시블레이드(FlashBlade)는 현대의 데이터 요구 사항을 충족하도록 설계된 초고속 통합 파일 및 오브젝트(UFFO) 스토리지 플랫폼입니다. 플래시블레이드는 다음과 같은 혜택을 제공합니다.

  • 비정형 데이터 통합. 이커머스 채널에 관련 상품을 표시하는 것처럼 분석 및 AI 기반 애플리케이션을 위해 텍스트와 이미지를 활용하는 경우, 통제가 잘 되지 않는 비정형 데이터를 원활하게 처리할 수 있는 스토리지가 필요합니다.
  • 성능 요구 사항. 성능은 전체 AI 및 분석 스펙트럼에서 매우 중요합니다. ML 및 소프트웨어 개발 워크플로우에는 빠른 스토리지가 필요합니다. 처리량이 많은 애플리케이션은 더 많은 것을 요구하며, 플래시블레이드의 대규모 병렬 아키텍처는 이러한 애플리케이션의 요구사항을 완벽하게 해결해줍니다.
  • 데이터 재사용. 분석과 AI가 연속적으로 이루어지는 상황에서는 모든 애플리케이션의 데이터를 재사용할 필요가 있습니다. 플래시블레이드는 이러한 경우에서 중앙 저장소 역할을 하여, 모든 잠재적 애플리케이션에 데이터를 복사할 필요성을 제거합니다.

기업은 AI 프로젝트를 위해 특별히 설계된 하나의 시스템으로 스토리지와 컴퓨팅을 모두 확보할 수 있습니다. 에이리(AIRI)와 AI를 위한 플래시스택(FlashStack, 영문자료) 등의 솔루션들은 기존 데이터센터 내에서 조화롭게 실행할 수 있는 높은 성능의 아키텍처 최적화 솔루션을 제공합니다. 언제든지 모든 노드에 있는 모든 워크로드를 관리할 수 있는 AI 데이터센터를 위한 하나의 보편적인 빌딩 블록이라고 생각하면 됩니다.

4. 팀의 역할과 기술을 명확하게 합니다.

데이터 과학자를 고용하는 것이 핵심 단계인 것처럼 보일 수 있지만, AI 이니셔티브를 실행하는 인재는 성공을 위한 공식의 일부 요소에 불과합니다. 물론, 적합한 인력이 필요합니다. 그러나 적절한 사람들의 혼합이 필요합니다.

AI를 비즈니스 전략의 필수 부분으로 만드는 데 가장 효과적인 조직은 다양한 역할이 혼합된 AI 팀을 모든 AI 이니셔티브에 활용합니다. 이러한 조직은 AI를 비즈니스 이니셔티브에 정렬시키는 것이 가치를 제공하는 방법이라고 굳게 믿습니다. 팀의 다양성과 그들의 관점, 인사이트가 프로젝트에 어떻게 활용되는지도 중요합니다.

5. 처음부터 가시성을 확보하고 책임 소재를 정해 ‘섀도우 IT’를 회피합니다.

이 단계는 실용적인 AI를 시작하는 데 도움이 되지만, ROI를 확보하는 데도 도움이 됩니다.

대규모로 AI의 성공을 가능하게 하는 올바른 기반은 무엇일까요? 섀도우 IT를 만들지 않는 것입니다. 섀도우 IT는 프로젝트를 단독적으로 추진하는 팀이 있다는 걸 의미합니다. 또한 보다 광범위한 IT 조직과의 별다른 협의 없이 프로젝트를 진행합니다. 이해는 할 만합니다. IT가 항상 데이터 과학의 중심에 있는 것도 아니고, IT의 중심이 데이터 과학도 아니기 때문입니다. AI가 필요로 하는 GPU 컴퓨팅이나 인프라 또는 생산성을 높이는 데 도움을 주는 워크플로우가 항상 존재했던 것은 아닙니다. 그래서 IT 팀이 모르게 자체적으로 필요한 것을 구축해 사용해 온 것입니다.

AI 프로젝트의 ROI 측면에서 이는 어떤 문제가 있을까요? 먼저 이렇게 구축된 시스템은 확장이 가능하지 않습니다. 격리된 여러 ‘혁신 사일로’들을 짜집기해서 조직 전체에 AI를 성공적으로 확장할 수 없습니다. 성공은 최적화되고 연결된 기술을 통해 쉽게 공유, 복제 및 반복할 수 있어야 합니다.

그렇지 않으면, 이러한 비효율성으로 인해, AI의 ROI가 사라질 수 있습니다.

게시물(영문자료) 통해, 어떻게 데브옵스 원칙을 데이터 과학에 적용해 AI 같은 혁신적인 프로젝트로부터 많은 성공을 거둘 있는지 알아보세요.

6. 피드백 루프를 확실하게 합니다.

“AI 프로젝트에 대한 재정적 또는 위험 영향을 측정하는 조직은 그렇지 않은 조직보다 성공할 가능성이 더 큽니다.” –인공지능에 대한 CIO 가이드라인(영문자료)

AI는 큰 결과나 수익 손실 없이 스스로 학습하여 개선할 수 있는 경우에 가장 효과적입니다. 최신 측정 및 보고 정보를 확보하면 지속적인 개선에 도움이 됩니다. 개선 기회를 식별하면, 투자가 보호될 뿐만 아니라 성공도 배가됩니다.

ROI를 어떻게 수치화할 수 있을까요? 조직의 ‘이유’가 KPI를 결정합니다. 시간 절약, 실수 방지, 또는 추가 수익, 어떤 것이 이유인가요?

Gartner는 또한 AI의 성장 및 확장에 대한 기회를 식별하는 측면에서 측정의 또 다른 이점을 언급합니다. “메트릭스를 수용함으로써 조직은 특정 영역에서 AI의 이점과 위험을 강조하여 기업 전체에서 어떻게 AI를 사용할 수 있는지를 보여줄 수 있습니다. 예를 들어, 비디오나 이미지를 분석하는 기능은 보안 영역에서 시작될 수 있지만, 어느 정도 성숙하면 조직의 브랜드 입지도를 분석하거나 고객이 어떻게 제품에 반응하는지를 이해하는 데 사용할 수 있습니다.”

7. 인내심을 가져야 합니다.

많은 조직의 경우, 프로토타입에서 운영 단계에 이르기까지 평균 8.6개월이 걸립니다. 운영 단계에 도달한다는 보장이 있는 것도 아닙니다. 실제로, 운영 단계에 도달하는 프로토타입은 절반도 되지 않습니다. 현실적인 일정을 설정하고 다음 단계를 순차적으로 따르는 것이 도움이 될 수는 있지만, AI에서 실질적인 성공을 거두는 데는 지름길이 없다는 점을 명심해야 합니다.

핵심은 바로! 비정형 데이터의 복잡성 해결

우리는 이미 레거시 IT 솔루션들이 많은 AI 이니셔티브를 지원하기에는 너무 취약하다는 것을 알고 있습니다. 이 솔루션들은 필요한 속도와 규모를 지원할 수 없습니다. 그 뿐만이 아닙니다. 방대한 양의 비정형 데이터는 실용적인 AI 프로젝트의 성공에 기여할 것이기 때문에, 스토리지 솔루션은 이에 보조를 맞출 수 있어야 합니다.

AI를 사용하지 않는 많은 기업들에게 문서와 이미지 내에 존재하는 비정형 데이터를 관리하는 것은 어려운 일이며, 앞으로도 이는 마찬가지일 것입니다. 청구서에서 데이터를 추출하는 것이든 이미지와 비디오를 분석하는 것이든, 데이터를 수동으로 처리하는 것은 시간이 많이 걸리는 일입니다. 실용적인 AI 솔루션은 이러한 요구를 해결할 수 있지만, 모든 데이터를 간소화하고 통합할 수 있는 고성능 데이터 스토리지가 뒷받침되어야 합니다.

UFFO 스토리지는 다음이 필요한 AI 애플리케이션의 스마트한 기반이 될 수 있습니다.

  • 전체 인프라에서 분산되고 쉽게 확장 가능
  • IT 직원이 아니라 API를 통해 오케스트레이션
  • 실시간으로 데이터를 처리 및 사용할 수 있도록 설계

퓨어스토리지의 플래시블레이드는 업계 최고의 통합 고속 파일 및 오프젝트 스토리지 플랫폼입니다. 또한 에이리 인프라 솔루션은 2021년 AI 혁신 어워드에서 ‘빅데이터를 위한 최고의 AI 솔루션’으로 선정되었습니다. 지금 바로 에이리에 대해 자세한 정보를 확인하시고, 플래시블레이드를 테스트 해보세요.

 

  1. https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/
  2. https://www.gartner.com/smarterwithgartner/5-habits-of-organizations-with-successful-ai/
  3. https://www.gartner.com/smarterwithgartner/5-habits-of-organizations-with-successful-ai/
  4. https://www.gartner.com/en/documents/3987202/survey-analysis-moving-ai-projects-from-prototype-to-pro