산업환경: 새로운 산업과 생태계의 등장
새로운 생태계의 등장
블록체인 기술의 등장 후,
블록체인 기술을 기반으로 하는 암호 화폐가 생겼습니다.
블록체인을 유지하기 위해 컴퓨팅 파워가 필요하며,
그 파워를 제공하는 사람(노드)에게 보상으로
암호화폐를 주었기 때문에 한 때
비트코인 등의 채굴 Business Model이 등장했고 성행했습니다.
그 밖에 가상 화폐라 부르는 새로운 금융 거래 질서와
거래소 등이 이어서 등장하며 다양한 시장과
그 시장 내 상품과 서비스들이 등장했습니다.
즉, 하나의 신 기술이 새로운 산업을 만들게 된다면
그 산업을 구성하며, 지원하는 다양한 시장이 등장하며
산업 생태계 안에서, 시장 내 작은 생태계가 형성되며
유기적으로 연결되고 순환하게 됩니다.
예컨대, 자동차 산업 내 중고차 시장을 살펴보자면,
중고차 판매 사업자가 중고차를 매입한 후,
정비(중고 부품으로의 교체), 세차, 광택 등의
상품화 과정을 거쳐, 사진 촬영 후 마케팅 글과 함께
특정 온오프라인 플랫폼에 올려 판매하는 Cycle을 가지게 됩니다.
판매 시 구매자의 구매 접근성을 높이기 위해
탁송 서비스와 할부 및 보험 등의 금융 서비스도 이에 더해졌고,
급기야 이러한 일련의 과정을 하나로 모아
효율성을 높인 Auto-complex 단지까지 등장하며
중고차 시장을 완성하게 되었습니다.
AI가 기반이 되는 새로운 생태계
가까이는 최근 형성되고 있는
AI Robotics 생태계가 있습니다.
가장 해당 생태계가 잘 갖춰진 중국을 사례로 참고하자면,
AI 모델 개발 및 고도화하는 기업이 있는 한편,
로봇 외장과 부품 등의 하드웨어, 내부 전기 설계 및 배터리,
작동과 관제/관리를 담당하는 소프트웨어 프로그래밍,
제품의 조립과 만들어진 제품의 마케팅과 판매,
로봇을 구매 접근성을 높인 금융(렌탈) 상품,
판매 후 설치와 상시 관제, 고장 시 정비 및 CS 대응,
중고 로봇 거래 시장까지 이 모든 것이 어우러지며 하나의
생태계를 이루게 되었습니다.
AI 산업에 가장 주목할, 필수적인 시장
Chat GPT와 구글 Gemini를 필두로 하는 생성형 AI의 경우,
Text to Text, Text to Image, Text to Video,
Text to Code, Sth to Sth 에 이르기 까지
다양한 산업과 시장에 점차 사용성을 찾아가고 있습니다.
이러한 상황에서 AI 기업의 수익성(효율성) 이슈와
고품질 데이터의 지속적인 공급 이슈가 새롭게 대두되고 였습니다.
사실상 2가지 이슈를 해결하는 관건은 한 가지로 귀결되는데,
결국 학습 시 고품질의 데이터를 학습하는 것이 필요하다는 것입니다.
오픈 AI 등을 필두로 하는 생성형 AI의 선도 기업들은
성능 좋은 AI Model 개발에 중점을 둔
Model Centric AI 기조를 가지고 있었습니다.
석·박사 급들의 비싼 AI 개발자들을
대거 고용하여 모델을 개발을 하다보니
막대한 투자 비용과 시간이 필요했고,
데이터 역시 많은 양이 필요했기 때문에
흑자 경영 구조를 만들기가 매우 어려웠습니다.
심지어 저품질의 데이터를 학습할 경우
모델의 추론력을 떨어뜨리는 현상까지 겪게 되었습니다.
이러한 상황들을 모든 생성형 AI 기업들이 봉착하게 되며,
AI Model 보다 Data Labeling 과정을 통해
품질을 높여 보다 효율적으로 학습하여 고도화하는
Data Centric AI가 대두되게 되었습니다.
고품질 데이터가 관건이 되었기 때문에
추론에 최적화된 적합 데이터의 품질로 가공하는 Labeling 과정을
처음에는 사람이, 반복될수록 점차 자동화하도록 하는
Data Auto labeling Pipeline을 활용하여
보다 효율적이며, 효과적으로 데이터 품질을 높이는
일종의 데이터 생산 및 가공 컨베이어벨트가 주목받게 되었습니다.
한편, 생성형 AI의 고도화를 위한 학습 데이터가
2년 후인 2027년에 고갈된다는 ‘AI 데이터 절벽’을
전 세게 전문가들은 경고하고 있습니다.
또한, 게임, 패션, 문화(영화, 엔터, 굿즈 등), 콘텐츠,
퍼스널 브랜딩(SNS 기반 마케팅 및 세일즈), 메타버스 등의
고부가 가치 시장의 경우, 3D Human data를 기반으로
고도화할 수밖에 없음에도 3D Human data는
의도적이며 인위적으로 생산/가공하지 않으면
학습에 필요한 데이터를 확보할 수 없는 상황입니다.
의료용 AI의 경우에도 Medical data의 확보 자체도 어렵지만
그 자체만으로는 학습에 활용할 수 없어, 고품질 데이터화를 위한
반드시 Labeling 과정을 통해 가공이 불가피한 상황입니다.
즉, 종합해보자면 AI를 고도화할 학습 데이터는
2년 후에 고갈될 것이고, 특정 영역은 고품질 데이터
자체가 부족하다는 결론에 도달하게 됩니다.
이미 막대한 자금이 AI 산업이 투자된 상황으로
이를 지속하여 고부가 가치의 결실을 얻기 위해서는
결국 고도화를 위한 학습 ‘Data’ 확보 이슈가
가장 중요한 화두로 떠오를 수밖에 없게 될 것입니다.
새로운 제조 개념의 등장, 데이터 제조사
우리가 신선 식품을 가공하여
가공식품을 통해 보다 높은 부가가치를 창출했듯이,
AI의 효율적인 연산을 위해 엔비디아의 칩이 필요했듯이,
이제는 AI model의 고도화를 위해,
AI의 산업 전반의 확산을 위해,
AI 학습에 필요한 데이터를 생산하고,
고품질 데이터화를 위해 가공하는
데이터 제조(Data manufacture) 기업과
가공된 고품질 데이터를 수요 시장에 맞게
맞춤형 가공을 해주는 데이터 솔루션(Data Solution) 기업이
새로운 AI 산업의 중요한 먹거리로 대두되게 될 것입니다.
AI 모델의 고도화가 지속적으로 필요한 만큼,
지속적인 Data의 수요를 기반으로 하는
Potential Market(Blue Ocean)이 될 것으로 기대 되지만
아직, 필요를 느낀 수요만큼 기업들이
등장하지 않은 상황으로
“어떤 Data를 누구에게 판매하는가?”
“Data의 품질 개선을 위한 자동화를 갖췄는가?”
“고품질 데이터를 멀마나, 얼마 만에 생산할 수 있는가?”에 대한
답을 먼저 생각하고 준비하여 움직이는 만큼
큰 기회를 잡을 수 있을 것으로 기대합니다.