비즈니스 세계의 인공지능 (4/6)
에릭 브린욜프슨 교수와 앤드류 맥아피 교수는 2017년 7월 하버드 비즈니스 리뷰에 '비즈니스 세계의 인공지능 (The Business of Artificial Intelligence)'이라는 글을 기고했습니다. 이 글은 데이터에 기반한 의사 결정을 위해 비즈니스 업계에서 AI를 어떻게 활용하는 지를 설명합니다. 두 교수는 '제2의 기계 시대'라는 책을 저술하였고, 인공지능과 관련된 많은 활동을 함께 하고 있습니다.
PUTTING MACHINE LEARNING TO WORK
머신 러닝을 업무에 투입하기
There are three pieces of good news for organizations looking to put ML to use today. First, AI skills are spreading quickly. The world still has not nearly enough data scientists and machine learning experts, but the demand for them is being met by online educational resources as well as by universities. The best of these, including Udacity, Coursera, and fast.ai, do much more than teach introductory concepts; they can actually get smart, motivated students to the point of being able to create industrial-grade ML deployments. In addition to training their own people, interested companies can use online talent platforms such as Upwork, Topcoder, and Kaggle to find ML experts with verifiable expertise.
오늘날 머신러닝을 사용하려는 기업을 위한 반가운 소식이 세 가지가 있습니다. 첫째, 인공지능 기술이 급속히 확산되고 있습니다. 세상은 여전히 데이터 사이언티스트와 머신 러닝 전문가가 충분하지 않지만, 온라인 교육과 대학이 수요를 충족시켜줍니다. 특히, 유다시티, 코세라, 패스트 닷 에이아이(Fast.ai)는 심화과정을 가르칩니다. 그들은 실제로 재능과 열정이 있는 학생들에게 산업용 머신러닝을 구축할 수 있는 수준까지 가르칩니다. 기업들은 직원을 직접 훈련시키는 것도 가능하고, 공인된 머신러닝 전문가를 구하기 위해 업워크, 톱코더, 캐글과 같은 온라인 재능 플랫폼을 사용할 수 있습니다.
The second welcome development is that the necessary algorithms and hardware for modern AI can be bought or rented as needed. Google, Amazon, Microsoft, Salesforce, and other companies are making powerful ML infrastructure available via the cloud. The cutthroat competition among these rivals means that companies that want to experiment with or deploy ML will see more and more capabilities available at ever-lower prices over time.
두 번째 환영할 발전은 현대 인공지능을 위한 필수적인 알고리즘과 하드웨어를 필요에 따라 구매하거나 임대할 수 있다는 것입니다. 구글, 아마존, 마이크로소프트, 세일즈포스 등과 같은 기업들은 클라우드를 통해 강력한 머신러닝 인프라를 제공하고 있습니다. 경쟁 기업들 간의 치열한 경쟁은 머신 러닝을 구축하거나 사용하고 싶은 기업들이 더욱더 낮은 가격에 더 강력한 성능을 활용하게 합니다.
The final piece of good news, and probably the most underappreciated, is that you may not need all that much data to start making productive use of ML. The performance of most machine learning systems improves as they’re given more data to work with, so it seems logical to conclude that the company with the most data will win. That might be the case if “win” means “dominate the global market for a single application such as ad targeting or speech recognition.” But if success is defined instead as significantly improving performance, then sufficient data is often surprisingly easy to obtain.
다소 흥미가 떨어질 수도 있는 마지막 뉴스는 머신 러닝의 생산적인 활용을 위해 그렇게 많은 데이터가 필요하지 않을 수 있다는 것입니다. 대부분의 머신 러닝 시스템의 성능은 입력하는 데이터가 많은 만큼 개선됩니다. 그래서 가장 많은 데이터를 가진 기업이 승리한다는 논리적 결론을 내리는 것 같습니다. 승리가 "타깃 광고나 음성 인식과 같은 특정 응용 분야의 세계 시장을 지배한다"는 것을 의미한다면 맞을 수도 있습니다. 그러나, 승리가 대폭 향상된 성능으로 정의한다면, 충분한 데이터는 놀랍게도 대개 얻기 쉽습니다.
For example, Udacity cofounder Sebastian Thrun noticed that some of his salespeople were much more effective than others when replying to inbound queries in a chat room. Thrun and his graduate student Zayd Enam realized that their chat room logs were essentially a set of labeled training data — exactly what a supervised learning system needs. Interactions that led to a sale were labeled successes, and all others were labeled failures. Zayd used the data to predict what answers successful salespeople were likely to give in response to certain very common inquiries and then shared those predictions with the other salespeople to nudge them toward better performance. After 1,000 training cycles, the salespeople had increased their effectiveness by 54% and were able to serve twice as many customers at a time.
예를 들면, 유다시티의 공동 창업자 세바스티앙 쓰런은 어떤 직원들은 채팅방에서 고객의 질문에 응대할 때 다른 사람들보다 더욱 효과적이라는 것을 알아챘습니다. 쓰런과 그의 졸업생 제이드 에남은 채팅방 로그가 라벨링 된 트레이닝 데이터라는 것을 깨달았습니다. 정확히 지도 학습 시스템을 활용할 수 있습니다. 판매로 이어지는 상호작용은 성공으로 라벨링 되었고, 다른 것들은 실패로 라벨링 되었습니다. 제이드는 고객들이 자주 묻는 질문에 성공적인 영업 사원들이 어떻게 응답할지를 예측하기 위해 데이터를 사용했습니다. 그러고 나서 더 나은 성과를 만들려는 다른 영업사원들과 이 예측들을 공유했습니다. 약 천 번 정도의 트레이닝을 거친 후 시스템을 업무에 적용하자, 영업사원들은 54% 까지 효율을 개선했고, 두 배의 고객들을 응대할 수 있었습니다.
The AI startup WorkFusion takes a similar approach. It works with companies to bring higher levels of automation to back-office processes such as paying international invoices and settling large trades between financial institutions. The reason these processes haven’t been automated yet is that they’re complicated; relevant information isn’t always presented the same way every time (“How do we know what currency they’re talking about?”), and some interpretation and judgment are necessary. WorkFusion’s software watches in the background as people do their work and uses their actions as training data for the cognitive task of classification (“This invoice is in dollars. This one is in yen. This one is in euros...”). Once the system is confident enough in its classifications, it takes over the process.
인공지능 스타트업 워크퓨전은 비슷한 접근법을 구사했습니다. 해외 청구서 결제, 금융기관 간 대규모 거래 결제와 같은 백오피스 프로세스를 더 높은 수준의 자동화로 이끌려는 기업과 함께 일했습니다. 백오피스가 자동화되지 못한 이유는 일이 복잡하고 연관 정보가 매번 같은 방법으로 표시되지 않았기 때문입니다. (그들이 말하는 화폐가 무엇인지 우리가 어떻게 알 수가 있을까요?) 따라서 약간의 해석과 판단이 필수적입니다. 워크퓨전의 소프트웨어는 인지적 분류를 위해 사람들의 행동과 업무를 관찰했습니다. (이것은 달러다. 이것은 엔이다. 이것은 유로다) 시스템의 분류 정확도가 믿을 수 있는 수준이 되었을 때 업무를 자동화합니다.
Machine learning is driving changes at three levels: tasks and occupations, business processes, and business models. An example of task-and-occupation redesign is the use of machine vision systems to identify potential cancer cells — freeing up radiologists to focus on truly critical cases, to communicate with patients, and to coordinate with other physicians. An example of process redesign is the reinvention of the workflow and layout of Amazon fulfillment centers after the introduction of robots and optimization algorithms based on machine learning. Similarly, business models need to be rethought to take advantage of ML systems that can intelligently recommend music or movies in a personalized way. Instead of selling songs à la carte on the basis of consumer choices, a better model might offer a subscription to a personalized station that predicted and played music a particular customer would like, even if the person had never heard it before.
머신러닝은 세 단계의 변화를 주도하고 있습니다. 세 가지 변화는 작업과 직업, 비즈니스 프로세스, 그리고 비즈니스 모델입니다. 작업과 직업 재설계의 사례는 잠재적인 암세포를 식별하기 위한 비전 시스템의 사용입니다. 방사선 전문의는 실제 위험한 케이스에 집중하고, 환자와 커뮤니케이션하고, 그리고 다른 외과 의사들과 협력할 수 있게 됩니다. 비즈니스 프로세스 재설계의 사례는 아마존이 머신러닝에 기초한 로봇과 최적화 알고리즘을 도입해 아마존 주문 처리 센터의 작업흐름과 레이아웃을 재창조한 것입니다. 비슷하게 개인화된 방법으로 음악이나 영화를 추천할 수 있는 머신러닝 시스템을 활용하기 위해서는 비즈니스 모델이 재설계되어야 합니다. 고객의 선택한 곡을 개별 판매하는 방식 대신에 더 나은 비즈니스 모델은 고객이 들어본 적이 없을지라도 고객이 좋아할 만한 곡을 예측해서 들려주는 개인 맞춤형 방송에 맞는 정기 구독 방식일지도 모릅니다.
Note that machine learning systems hardly ever replace the entire job, process, or business model. Most often they complement human activities, which can make their work ever more valuable. The most effective rule for the new division of labor is rarely, if ever, “give all tasks to the machine.” Instead, if the successful completion of a process requires 10 steps, one or two of them may become automated while the rest become more valuable for humans to do. For instance, the chat room sales support system at Udacity didn’t try to build a bot that could take over all the conversations; rather, it advised human salespeople about how to improve their performance. The humans remained in charge but became vastly more effective and efficient. This approach is usually much more feasible than trying to design machines that can do everything humans can do. It often leads to better, more satisfying work for the people involved and ultimately to a better outcome for customers.
머신 러닝 시스템이 모든 작업, 프로세스, 비즈니스 모델을 대체하는 것은 거의 어렵다는 것에 주목해야 합니다. 종종 그들은 인간의 활동을 보완하여 더 가치 있게 만들어줍니다. 노동의 분업화를 위한 가장 효율적인 규칙이 "모든 작업을 기계에 맡기는 것"이게 될 수 없습니다. 대신에 한 프로세스를 완료하는 데 10단계가 필요하다면, 그중 한 두 단계는 자동화할 수 있을지도 모릅니다. 나머지는 인간이 하는 것이 더 가치가 있을 것입니다. 한 예로 유다시티는 모든 대화를 전담하는 챗봇인 채팅방 영업 지원 시스템을 만들지 않고, 챗봇 시스템이 인간 영업사업에게 그들의 성과를 개선하는 방법을 조언하게 했습니다. 업무는 인간이 전담하지만 기계 덕분에 전보다 훨씬 효과적이고 효율적으로 일할 수 있게 되었습니다. 이런 접근법은 이간이 할 수 있는 모든 것을 할 수 있는 기계를 설계하는 것보다 훨씬 더 현실적입니다. 이렇게 인간 활동의 효율과 업무 만족도가 높아질수록 고객에게 더 많은 도움을 줄 수 있습니다.
Designing and implementing new combinations of technologies, human skills, and capital assets to meet customers’ needs requires large-scale creativity and planning. It is a task that machines are not very good at. That makes being an entrepreneur or a business manager one of society’s most rewarding jobs in the age of ML.
고객의 니즈를 충족하기 위해 기술, 인간의 스킬, 그리고 자본의 새로운 조합을 설계하고 구현하는 것은 대규모의 창의력과 계획을 요구합니다. 기계는 익숙하지 않은 일입니다. 머신러닝의 시대에 비즈니스 관리자나 기업가가 되는 것은 사회로부터 보상을 받는 직업 중 하나일 것입니다.
정리
이번 주제는 인공지능을 현실에 어떻게 적용할 것인지를 다룹니다. 단순하게 모든 작업을 인공지능이 처리가 사람은 더 이상 할 일이 없는 세상이 오지는 않을 것입니다. 성공적으로 인공 지능을 도입한 기업의 사례에서 방법을 찾을 수 있습니다. 우선, 비즈니스 업계에 인공지능이 활발하게 적용될 수 있는 환경이 조성된 이유는 세 가지입니다.
인공지능 기술이 급속히 확산으로 데이터 사이언티스 배출 가속화
알고리즘과 하드웨어를 필요에 따라 저가에 구매하거나 임대할 수 있음
생산적인 머신 러닝의 운용을 위한 방대한 데이터가 필요하지 않을 수 있음
인공지능 시스템의 정확도가 사람과 비슷하거나 높은 수준이 되었을 때 업무에 적용할 수 있습니다. 인공지능으로 비즈니스 업계에 주요 세 가지 변화가 일어나고 있습니다.
작업과 직업 재설계
잠재적인 암세포를 식별하기 위한 비전 시스템 (인공지능은 분석하고, 방사선 전문의는 치료에 집중)
비즈니스 프로세스 재설계
아마존 주문 처리 센터의 작업흐름과 레이아웃을 재창조
비즈니스 모델 재설계
개인화된 음악 또는 영화를 추천 서비스의 가격 구조 ( 개별 판매에서 정기 구독 방식 전환)
인공지능은 만능이 아닙니다. 모든 작업을 기계가 전담하게 만들 수는 없습니다. 한 프로세스를 완료하는 데 10단계가 필요하다면, 그중 한 두 단계는 자동화할 수 있을지도 모릅니다. 나머지는 인간이 하는 것이 더 가치가 있을 것입니다. 한 예로 유다시티는 모든 대화를 전담하는 챗봇인 채팅방 영업 지원 시스템을 만들지 않고, 챗봇 시스템이 인간 영업사업에게 그들의 성과를 개선하는 방법을 조언하게 했습니다. 업무는 인간이 전담하지만 기계 덕분에 전보다 훨씬 효과적이고 효율적으로 일할 수 있게 되었습니다. 이런 접근법은 이간이 할 수 있는 모든 것을 할 수 있는 기계를 설계하는 것보다 훨씬 더 현실적입니다.
