엔드투엔트 AI 프로젝트 설계에서 부딪히는 장애물 극복

편집자 주: 이 글은 원래 Forbes에 실렸던 기사입니다.

S&P Global Market Intelligence의 451 Research에서 최근 시행한 조사에 따르면 "AI를 도입한 조직 가운데 90% 이상이 지난 5년 중에 첫 AI 프로젝트 개발을 시작했습니다." AI 기반 솔루션은 아직 초기 단계이긴 하지만, 우리 주변에서 늘어나고 있습니다. 그러나 이러한 계획 중 상당수가 기대에 못 미치고 있으며 배포 단계에 이르지도 못 하고 있습니다.

좋은 성과를 내려면 리더는 AI 프로젝트를 선택하고 관리하는 데 있어, 명확한 기대치가 있고 비즈니스 목표에 부합하고 반복이 가능한 면밀한 전략을 세워야 합니다. 조직이 성공적인 엔드투엔드 AI 프로젝트를 설계할 때 흔히 마주하는 장애물과 이를 극복하는 방법을 살펴보겠습니다.

AI 기반 솔루션에 대한 기대치 관리

오늘날 실패하는 AI 프로젝트 중 상당수를 보면 90년대의 엔터프라이즈 소프트웨어 프로젝트가 연상됩니다. 각 팀이 새 기술이 문제를 해결해 줄 것이라는 큰 희망을 품었지만, 개발 프로젝트는 궤도를 벗어나곤 했습니다. 그때든 지금이든 솔루션이 실제로 무엇을 해결할 수 있는지에 대한 지나친 기대는 큰 함정입니다.

데이터를 충분히 모으기만 하면 갑자기 모든 것이 투명해지고, 고객 행동을 예측하고 고객의 요구를 예상하는 데 필요한 완벽한 권장 사항을 제공할 수 있을 거라고 가정하는 일은 위험합니다. 아쉽게도 세상은 사람들이 바라는 것보다 훨씬 더 예측하기 어렵습니다. 유용한 패턴이 나타나긴 하지만, 모든 상황이 인과적인 것은 아니고 상호 연관되지도 않습니다. 잡음만 내는 일들이 많이 발생합니다.

그와 동시에 많은 조직은 AI 솔루션을 구현하는 동종 업계 타사의 모습을 보며 따라잡아야 한다는 압박감을 느낍니다. 타사의 성공 요인은 무엇이며 그 요인이 자신의 조직에도 효과가 있을지 제대로 파악하지 않은 채, 단지 '남에게 뒤지지 않기 위해' AI에 투자하는 행위는 역효과를 낳을 수 있습니다. AI 프로젝트에서 앞서가는 회사는 데이터 전략과 비즈니스 프로세스를 제대로 확립하여 AI를 위한 올바른 유형의 데이터를 수집하고 활용하는 경우가 많습니다.

궁극적으로 AI 프로젝트에 대한 기대치 관리는 기존 문제 중 어떤 것을 실제로 AI로 해결할 수 있는지 명확히 아는 것에서 시작합니다.

문제에 적합한 종류의 AI 프로젝트 선택

AI 전략이 비즈니스 목표와 일치합니까? 어떤 프로젝트를 선택하느냐는 아마도 조직이 AI 전략에서 맞닥뜨리는 하나의 가장 큰 문제일 것입니다. 해답을 찾으려는 질문을 실제로 이해하는 것이 중요합니다. 또 그 질문에 대한 해답이 비즈니스 성과를 개선하는지, 개선한다면 어떻게 개선하는지, 기존 리소스로 질문에 성공적이며 효율적으로 해답을 찾을 수 있는지도 파악해야 합니다.

일례로, 고객에게 언제 어떤 종류의 할인 혜택을 제공할지 결정하는 데 예측 모델을 사용한다고 가정해 보겠습니다. 먼저 데이터 과학 팀을 부릅니다. 그런데 이것이 사실상 예측 모델 문제로 접근하기 꽤 어려운 문제입니다. 제일 먼저, 고객이 할인 없이도 제품을 구매할지 알기 힘듭니다. 그리고 필요한 데이터를 모을 때 유용한 모델 구축에 유의미한 통계적 정확도가 있는 데이터를 모으려면 비즈니스에 불편하게 느껴지는 프로세스가 수반될 수 있습니다. 할인받을 고객이나 할인 혜택을 줄 영업 담당자를 무작위로 추출하는 것이 여기에 해당합니다. 그러면 상황이 훨씬 더 복잡해집니다.

이 문제를 AI로 접근하는 더 나은 방법은 다양한 할인 제도를 시행할 때 예상되는 고객 행동을 시뮬레이션 모델로 살펴보는 것이 될 수 있습니다. 정확한 예측에 이르기 위해 시스템을 혹사하는 대신, 시뮬레이션과 시나리오 계획을 행하면 비즈니스 의사 결정 시 어떤 변수가 서로 민감하게 작용하는지 알 수 있습니다. '이 할인이 의미가 있으려면 어떤 고객 반응이 필요한가', 자문해 보십시오. 이렇게 잠재적 결과를 탐색하는 일종의 연습이 복잡한 데이터 과학 실험을 구축하는 것보다 훨씬 더 효과적이며 확실히 더 쉽습니다. 

팀이 성공에 이르도록 지원

어떤 데이터가 수집되고 선별되었고 그러한 데이터가 과거에는 어떻게 사용되었으며 미래에는 어떻게 사용될지 파악하는 일은 AI를 사용하는 모든 데이터 작업의 핵심입니다. 사람이 간섭하는 시점에 실제 세계에 있는 것을 나타내는 완전한 데이터를 기반으로 모델을 훈련해야 합니다. 예를 들어 거래 파이프라인이 여러 단계로 구성되어 있고, 5단계에서 거래가 체결될 가능성을 예측하고자 한다면, 3단계나 4단계에 있는 거래를 바탕으로 모델을 실행하면서 유용한 결과를 기대해서는 안 됩니다.

종종 데이터 과학자는 데이터가 나타내는 것과 데이터가 어떻게 생성되는지 간의 미묘한 차이를 다르게 이해할 수 있습니다. 데이터 생성에 영향을 미치는 인적 프로세스와 기술적 프로세스는 무엇이고, 그 데이터가 비즈니스 컨텍스트에서 정확히 어떤 의미를 가집니까? 바로 여기서 데이터와 데이터로 해결하려는 문제에 가까이 있는 분석가와 비즈니스 사용자가 대단히 귀중한 존재가 됩니다. AI 프로젝트에 성공하려면 기본적인 데이터 및 모델 리터러시 외에도 비즈니스 컨텍스트가 필요하기 때문에 우리는 AI를 단체 경기라고 생각하고 싶습니다.

마지막으로, 조직이 데이터나 기술에 너무 치중한 나머지, 프로젝트 성공에서 인간 중심적 측면을 간과할 수 있습니다. AI가 예측을 내놓을 수는 있지만, 그것을 어떻게 권장 조치로 변환할지 결정하는 일은 사람에게 달린 경우가 많습니다. 그 제안이 명확한 조치를 제시하는 데 유용하고 사람들이 기꺼이 따를 만한 것입니까? 그러한 제안을 효과적으로 받아들일 수 있는 환경을 조성하고 있습니까?

무언가에 대한 예측은 경우에 따라서만 유용합니다. 가격이나 제품 물량, 직원 배치를 기꺼이 조정할 의향이 있습니까? 제품군을 바꿀 수도 있나요? 사람들이 새 솔루션을 받아들이고 이미 확립된 행동과 프로세스를 바꾸려면 어떤 수준의 변화 관리가 필요할까요? 신뢰는 일관된 행동 패턴과 지속적으로 비즈니스 부서를 교육하려는 의지가 보일 때 생겨납니다. 직원의 업무 방식에 근본적으로 영향을 주려면 그들도 참여할 수 있게 교육을 제공해야 합니다.

작게 시작하여 반복하기

이제 우리가 고객과 협력하며 알게 된 내용을 토대로 만든 지침을 살펴보겠습니다.

첫 번째 AI 프로젝트로 가장 좋은 것은 운용과 구현이 가장 쉽고 변화 관리가 가장 덜 복잡한 프로젝트인 경우가 많습니다. 가치 실현이 가능한 한 신속하게 이뤄지는 무언가를 구축해 보십시오. 아주 미미한 점진적 개선이더라도 괜찮습니다. 그리고 개발 프로세스에 가능한 한 고객과 비즈니스 사용자, 이해 관계자가 관여하게 하십시오. 모델을 반복적으로 개선하기 위해 더 많은 데이터를 수집한다는 의미와 프로젝트와 그 결과 개선을 위해 이해 관계자의 의견을 모은다는 의미 모두에서, 유용한 피드백이 있는 환경을 만드는 것을 목표로 하십시오.

AI를 사용할 때, 솔루션이 잘못되는 극단적인 경우가 있기 마련입니다. 그렇더라도 특정 사용 사례에만 효과가 있는 정말 화려한 개념 증명을 개발하기보다는, 고객이나 직원 대다수에게 효과적인 솔루션을 찾는 것이 더 낫습니다. 결국 가장 중요한 것은 AI가 마찰을 줄이고, 사람들이 더 쉽게 업무를 수행하고 정보에 기반한 의사 결정을 내릴 수 있게 해야 한다는 점입니다.

좀 더 알아보시겠습니까? LinkedIn에서 AI 프로젝트에 대한 대화를 확인해 보거나, Tableau AI 분석을 자세히 알아보십시오.