인텔리전트 엔터프라이즈를 위한 선행 과제

인텔리전트 엔터프라이즈를 위한 선행 과제

고객의 경험을 강화하고, 생산성을 향상하고, 디지털 사업으로 전환하기 위한 방안으로써 디지털 기술을 기반으로 한 인텔리전트 엔터프라이즈(Intelligent Enterprise)에 대해 전 세계적으로 관심이 커지고 있습니다. 많은 기업이 자동화, 인사이트, 프로세스 혁신을 도모하기 위해 새롭고 흥미로운 방식으로 AI, IoT, 5G 같은 디지털 기술과 결합을 시도합니다.

Key AI Technologies는 SW: Deep Learning Algorithm / HW: AI chip, Quantum Computing / NW: 5G, Internet of Everything과 Industry 4.0과 Disruptive Technologies: Cloud, Blockchain 등으로 구성합니다. 이는 Manufacturing: Digital Twin / Finance: Intelligent Contact Center / Retail: Hyper-Personalization / Healthcare: AI-enhanced EKG / Enterprise: Robotics Process Automation에 디지털 트랜스포메이션하는 근간이 됩니다.

디지털 기술 가운데에서 인공지능은 인텔리전트 엔터프라이즈를 활성화하는 가장 중추적인 역할을 담당합니다. 데이터 처리 능력, 네트워크 연결, 딥러닝 알고리즘이 발달하면서 많은 기업이 지속적으로 증가하는 데이터를 분석하고 이를 기반으로 더욱 혁신적인 솔루션을 개발하기 위해 인공지능을 적용합니다.

예를 들면, 판매수요를 더 정확하게 예측하고 재고관리를 최적화하는 데 인공지능을 활용합니다. A 제조회사는 과거 판매 데이터와 직감에 주로 의존했을 때에 55% 수준에서 판매 예측이 가능했었습니다. 하지만, 인공지능을 통해서 누적 프로모션 데이터, 연휴 일정, 날씨, 인구밀도 등 좀 더 다양한 데이터와 결합, 분석함으로써 최대 80% 수준의 정확도로 판매 예측을 할 수 있게 되었습니다.

인공지능은 산업 전반에 걸쳐 기업의 비즈니스 모델을 혁신하고 있습니다. 하지만, 많은 기업이 다음의 이유로 인공지능을 도입하는 데 어려움을 겪고 있습니다.

첫째, 인공지능 기반 개발 프로세스에는 데이터 수집/분석, 고급 분석모델 활용 등에 상당히 많은 리소스가 필요합니다.
둘째, 기업 내 인공지능 전문가와 데이터 사이언티스트가 현저히 부족합니다.

이러한 문제를 해결하기 위해서는 인공지능 개발 과정에서 가장 많은 시간이 걸리는 단계를 최대한 자동화하고, 기업 내에 시티즌 데이터 사이언티스트를 적극적으로 양성하고 활용해야 합니다.

인공지능 개발 프로세스의 자동화

인공지능은 많은 양의 데이터를 수집/처리하고, 적합한 인공지능 모델을 선정-훈련-평가하기까지 상당히 오랜 시간과 비용을 투자하여 개발합니다. 개발은 6개월에서 9개월 정도 걸리는데, 데이터 처리와 모델 훈련에 시간이 가장 많이 소요됩니다. 따라서 데이터 전처리, 모델 선정/훈련과 같이 가장 많은 시간이 걸리는 단계에서 인공지능 기반 분석 플랫폼을 활용하면 타임라인을 단축할 수 있습니다.

AI Development Stages는 Data Gathering, Data Pre-Processing, Data Labeling, Model Selection, Model Training, Model Evaluation, Inference의 과정을 거치며, 대용량 데이터를 처리하고 분석하기 위해 High-Speed Data Processing Engine을 활용합니다.

여전히 많은 기업이 데이터 전처리 단계에서 이미지 등 데이터를 라벨링하고 인공지능 모델 훈련에 필요한 데이터를 구성하는 일련의 과정을 수동으로 진행합니다. 하지만, 분석 플랫폼을 사용한다면, 데이터 라벨링을 자동화하고, 과정을 완료하기까지 최대 80%까지 시간을 줄일 수 있으며, 초기 모델을 선정하는 것도 재빠르게 진행할 수 있습니다. 인공지능 전문가가 시행착오를 거쳐 가면서 딥러닝 모델을 선정하는 것에 비해, 플랫폼에서 제공하는 씨드 모델을 활용하면 작업 시간을 절반으로 단축할 수 있습니다.

다른 한편으로, 모델 훈련에서는 막대한 양의 데이터가 필요할 수 있기 때문에 데이터를 신속하게 처리하는 능력을 요구합니다. 이때도 인공지능 플랫폼을 활용한다면, 멀티 GPU를 통해서 많은 양의 데이터를 동시에 처리할 수 있는 분산 컴퓨팅 기술을 통해 각 단계에서 데이터를 처리하는 시간을 효과적으로 줄일 수 있습니다. 이는 인공지능 개발 전 과정에 적용되어 예상 소요시간을 앞당길 수 있습니다.

시티즌 데이터 사이언티스트의 양성 확대

인공지능 관련 인력의 부족은 인텔리전트 엔터프라이즈를 지향하는 기업에는 큰 난제 중 하나입니다. 대부분의 기업은 인공지능 전문가 없이 현업 자체적으로 업무에 적합한 데이터 분석 모델을 만들 수 있기를 기대합니다. 사실 데이터 사이언티스트는 분석만큼은 매우 높은 수준을 갖고 있지만, 특정 분야에서 인사이트를 발견해내는 전문성은 현업에 비해 부족한 경우가 많기 때문입니다. 그래서 많은 기업이 외부에서 인공지능 전문가를 찾으려 하기보다는 조직 내에서 시티즌 데이터 사이언티스트를 양성하려고 시도합니다. Gartner에 의하면, 시티즌 데이터 사이언티스트는 분석 자체가 본업은 아니지만, 고급 분석을 다루거나 예측 역량을 통해서 모델을 직접 만들어내는 사람으로 정의합니다.

더욱더 많은 도메인 전문가를 스스로 데이터를 분석하고 의사 결정할 수 있는 시티즌 데이터 사이언티스트로 만들기 위한 방안을 기업 차원에서 강구하고 있습니다. 하지만, 이들은 현업담당자로서 데이터 사이언티스트 같은 전문적인 지식과 기술이 부족하기 때문에 데이터 분석에 분명 한계가 있습니다. 이에 현업담당자에게 시티즌 데이터 사이언티스트 역할을 부여하기 위해서는 충분한 교육과 적합한 인공지능 분석 플랫폼을 함께 제공해야 합니다. 분석 플랫폼을 통해서 기업 내에 인공지능을 활성화하는데 가장 큰 걸림돌인 시간과 전문지식 부재를 해결할 수 있으며, 나아가 합리적인 의사결정과 더 나은 고객 서비스를 위해 인공지능을 제대로 활용할 수 있습니다. 돈이 많이 들고 시간에 쫓겨 바쁘게 일하는 인공지능 전문가의 도움 없이도 인공지능 모델을 만들 수 있을 것입니다.

예를 들어, 재고 예측이나 심장 부정맥 판독과 같은 다소 복잡하고 어려운 분석을 해야 하는 상황이라고 가정해 봅니다. 일반인이라면 데이터를 가공하고 분석하는 것 자체가 쉽지 않을 것입니다. 이때 분석 플랫폼을 활용한다면, 기술을 잘 모르는 사용자라도 직접적으로 데이터 사이언티스트에 의존하지 않고 쉽게 데이터를 해석하고 다룰 수 있습니다. 또한 분석 플랫폼은 현장 담당자부터 C 레벨 의사결정자까지 자유롭게 데이터를 기반으로 서로 협업할 수 있는 단일 플랫폼으로도 활용할 수 있습니다. 이렇게 시티즌 데이터 사이언티스트를 확보한 기업이라면, 사업에 대한 이해와 분석을 통해 본격적으로 인공지능 기반 인텔리전트 엔터프라이즈로의 전환을 모색할 수 있습니다.

"이 글은 Forbes의 Samsung SDS BrandVoice에 게재한 아티클을 역번역하여 작성하였습니다."

# References
[1] https://www.forbes.com/sites/samsungsds/2020/01/06/bringing-ai-to-the-masses-the-key-to-enable-an-intelligent-enterprise/#6ca4baff562d
[2] https://hbr.org/webinar/2019/10/leading-transformation-to-the-intelligent-enterprise



▶  해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶  해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.


공유하기
최성철 프로
최성철 프로 IT트렌드 전문가

삼성SDS 전략마케팅팀

Digital Enterprise Insights Lead