당신은 AI를 개발하게 된다,개발자가 아니더라도
"당신이 무슨 일을 하든지 인공지능, 딥러닝, 머신러닝을 이해하지 못한다면 반드시 배워야 한다. 그렇지 않으면 3년 안에 화석이 되어 있을 것이다."
- 마크 큐번 (미국 기업가, NBA 댈러스 매버릭스 구단주)
나는 오프라인에서 주로 이벤트 업무를 진행하고 있지만 인공지능(AI) 관련 책을 관심 있게 보는 이유다. AI는 우리 곁에 공기처럼 존재한다.
여기서 잠깐 이 책에서 조금 다르게 설명하는 AI의 정의에 대해서 짚고 넘어가자. 인공지능은 한 가지 기술이 아니라 진화하는 기술의 집합을 가르킨다. 기술이 변화함에 따라 AI 의 정의도 계속 달라진다고 한다. AI 는 '인간의 지능이 필요한 작업을 수행하는 기계' 를 광범위하게 지칭한다. 머신러닝은 AI 의 하위분야로 어떤 일을 하도록 구체적으로 프로그래밍하지 않더라도 그 일을 잘 할 수 있게 하는 알고리즘을 가리킨다. 딥러닝은 인간의 신경계 구조와 비슷한 신경망을 이용해 데이터로 학습하는 머신러닝의 하위분야이다.
사람들은 AI 기반 시스템을 활용하며 살고 있고 기술의 혜택을 누리고 있다. 하지만 스스로 AI 를 개발하는 일은 매우 복잡하고, 빅테크 기업만 할 수 있는 거대한 일처럼 느껴져서 시작할 엄두가 나지 않는다. 하지만 이 책은 꼭 그렇게 어려운 것은 아니라고 말한다. AI 를 어떻게 생각해야 하는지, AI 개발을 시작할 때 필요한 실행 계획은 무엇인지 알려준다. 여러 기업들의 AI 성공과 실패담을 살펴봄으로써 당신의 비즈니스 활동에 AI 를 접목했을 때 성공에 더 빨리 도달할 수 있는 방법을 전해준다.
개인적으로 책을 읽으며 성공 사례보다는 실패 사례 정리 부분이 더 좋았다. AI 를 도입한 기업들이 초창기에 겪은 문제들을 사례를 통해서 친절하게 알려주 때문에 읽는 독자들이 같은 문제를 겪지 않도록 도와줄 수 있다고 생각한다. 나는 프로젝트를 완료하고 lesson learned 를 작성하는데 시간을 많이 투자하고 정성드려 작성한다. 그래야 다음 프로젝트 개선에 도움이 된다. 그래서 이 책에서도 lesson learned 를 잘 정리해놔서 반가웠다. 예전에는 경영 공부를 할 때는 기업들의 마케팅 사례를 연구했지만 이제 기업들의 AI 사례를 공부해야 한다고 생각한다.
나는 번역 일도 하는 사람으로 그 중에서 눈에 띄는 사례는 구글의 성 편향 번역이었다. 언어마다 남성형과 여성형 단어를 처리하는 방법이 다른데 이것이 구글 자사 번역 소프트웨어에 반영이 되었다. '강한' 또는 '의사' 같은 단어를 입력하면 남성으로 번역하고 '간호사' 또는 '아름다운' 같은 단어를 입력하면 여성으로 번역하도록 학습되었다. 성 중립적인 대명사를 사용하는 터키어로 '그 사람은 의사이다' 라는 문장을 입력하면 영어로 ' 그는 의사이다' 라고 자동으로 번역되었다. 구글은 입력을 변경할 수 없다면 출력을 수정해야 했다. 이제는 성 중립적인 단어가 입력될때마다 영어 번역 결과는 '그는__________이다' 와 '그녀는 ______________이다' 처럼 두 가지 형태를 모두 나타난다.
AI 를 통해 달성하려는 사업 목표와 이유를 구체적으로 세우는 과정에서 AI 자체가 목표가 아니라는 점을 잊지 말아야 한다고 저자는 말한다. AI 는 매우 강력한 도구이고 혁신적이지만 우리가 세우는 전략은 비즈니스 목표를 추구해야 한다. AI 를 마치 마법의 가루처럼 생각하는 것은 어리석다고 한다.
기존 사업에 AI 를 적용할 때 어떤 일이 벌어질까? 책에는 유서 깊은 패션 기업, 월마트의 재고 정리, 마르케사의 AI 드레스 제작기, 농업에 머신러닝이 가져온 경제성과 효율성, 이베이의 AI 에 대한 사례들을 설명한다.
이 중에서 월마트의 사례를 보자. 월마트는 재고 데이터 수집을 자동화하기로 했다. 매장 통로를 천천히 이동하며 진열대를 거대한 파노라마 이미지로 촬영하는 로봇을 개발했다. 머신러닝 모델은 이 이미지를 분석하고 진열대에 있는 제품을 식별해 부족한 물건을 파악한다. 그러면 시스템이 창고 직원에게 알려 몇 분 안에 진열대를 채울 수 있도록 한다.
AI 를 개발할 때 AI 모델보다 AI 모델 학습에 사용되는 데이터가 훨씬 중요하다. 데이터 전문가들은 새로운 AI 모델을 개발하는 데 온갖 노력을 쏟는다. 하지만 연구소에서 모델을 학습시키는 데 사용하는 데이터는 모델의 기능을 증명할 뿐 실제로 문제를 해결하지 못한다. 모델을 실제 현장에 투입해 비즈니스 목표를 달성하려면 제대로 된 데이터로 학습해야 한다.
필요한 데이터가 파악되면 남은 문제는 데이터를 확보하는 일이다. 이미 회사가 데이터를 보유하고 있다면 정확한지 여부와 데이터에 정리된 주석을 검토해야 한다. 그런 다음 필요한 나머지 데이터가 어디에 있는지 찾아야 한다. 고품질의 주석 처리된 데이터를 안정적으로 확보하는 것은 프로젝트의 기본 전제 조건이다. 올바른 데이터가 없으면 무슨 수를 써도 프로젝트는 실패할 것이다.
파일럿을 올바르게 설정하면 프로젝트를 성공적으로 달성할 가능성이 매우 높아진다. 훌륭한 파일럿은 정확한 목표를 설정해 계획되고 세심하게 확장된다. 매개변수들은 명확하게 정의된다. 파일럿은 시간과 규모, 범위가 제한되고 통제된 환경에서 실행된다. 책에서 소개하는 파일럿 제작 전 검토해야할 전략 목표를 꼭 읽어보자.
기업의 문제를 파악하고 데이터를 준비해 AI 모델을 배포했으면 이제 철학적인 문제에 직면한다. 배포하는 모델이 비즈니스 우선순위와 일치하는 방식으로 문제를 해결한다고 어떻게 확신할 수 있을까? 이 질문에 대답하는 것이 데이터 거버넌스다. 이를 위해 모델에 입력하는 데이터의 품질이 높은지, AI 모델이 사업 목표와 경영 윤리를 계속 지켜나가는지 확인하는 가이드라인과 정책을 세워야 한다.
데이터는 새로운 지식 재산이다. 회사의 매우 중요한 자산이므로 그에 따라 사용 관리를 철저히 해야한다. 그렇지 않으면 데이터 불일치와 오용으로 심각한 문제가 발생할 수 있다. 거버넌스를 효과적으로 운영하는 기업은 데이터를 수집, 변형, 사용하는 방법 등에 관한 내부 정책을 세워 신뢰할 수 있는 데이터를 보유하며 사용 방법을 명확하게 규정해놓았다.
저자는 또한, AI 에서 발생하는 편향이 사회에 유해한 영향을 미칠 수 있기에 책임 있는 AI 개발이 중요하다고 말한다. 책임감 있는 AI 개발은 막연히 더 나은 세상을 위한 추상적인 가치가 아니다. 개발자의 성과는 물론 비즈니스 매출에도 긍정적인 영향을 미치는 AI 개발의 핵심 가치이므로 개발 과정 전반에 걸쳐 사명감을 갖고 데이터를 명확히 관리하는 것이 중요하다고 강조한다.
사견으로는, AI를 우리의 비즈니스에 적용하려면 우선 팀을 구성하는 게 중요할 것 같다. 책에서 소개하는 AI 팀을 조직하는 방법에 대해서도 읽어보길 추천한다. AI 도입 시기나, AI 준비 상태, 팀의 수준, 인력의 수, 비즈니스 목표, 성공 측정 방식에 따라 다른 구조를 제안한다. 이 책을 실천에 옮기면 파일럿 프로젝트를 현장에서 구현하고, 실제 비즈니스 문제를 해결하며 조직 전체에 AI 가 무엇을 할 수 있는지 보여줄 가능성이 훨씬 커질 것이다. AI 를 통한 성공은 생각보다 훨씬 가까운 곳에 있는 것 같다.
