논문 리뷰 :빅 데이터 시대 의사 결정을 위한 인공지능
진화, 도전 과제 및 연구 의제
Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda
Duan, Yanqing et al. “Artificial intelligence for decision making in the era of Big Data - evolution, challenges and research agenda.” Int. J. Inf. Manag. 48 (2019): 63-71.
본 논문은 빅데이터 시대에서 인공지능(AI)이 의사결정 과정에 미치는 영향을 다루며, AI 기술의 발전과 이에 따른 도전 과제를 중심으로 연구 과제를 제시하고 있습니다. AI는 수십 년간 발전을 거듭해왔으며, 특히 최근 슈퍼컴퓨팅과 빅데이터 기술의 발달로 그 영향력이 다시 부각되고 있습니다.
본 논문은 의사결정을 지원하거나 인간 의사결정자를 대체하는 AI 시스템에 대한 주요 이슈를 검토하고, AI의 의사결정에서의 역할을 이론적으로 규명하며, 12가지 연구 제안을 통해 정보 시스템(IS) 연구자들에게 연구 방향을 제시하고 있습니다.
본 논문의 주요 시사점은 AI는 의사결정에서 단순한 자동화 도구 이상의 역할을 할 수 있으며, 인간과의 상호작용을 통해 의사결정을 더 효과적으로 지원할 수 있다는 점입니다. AI는 인간의 창의성과 결합하여 보다 나은 의사결정을 가능하게 할 수 있으며, 이를 통해 조직의 전략적 목표 달성에 기여할 수 있다는 점이 매우 인상적이었습니다.
ABSTRACT
Artificial intelligence (AI) has been in existence for over six decades and has experienced AI winters and springs.
인공지능(AI)은 60년 넘게 존재해 왔으며, AI의 겨울과 봄을 겪어왔다.
The rise of super computing power and Big Data technologies appear to have empowered AI in recent years.
최근 슈퍼 컴퓨팅 파워와 빅 데이터 기술의 발전이 AI를 강화시킨 것으로 보인다.
The new generation of AI is rapidly expanding and has again become an attractive topic for research.
새로운 세대의 AI는 빠르게 확장되고 있으며 다시 연구의 매력적인 주제가 되었다.
This paper aims to identify the challenges associated with the use and impact of revitalised AI based systems for decision making and offer a set of research propositions for information systems (IS) researchers.
이 논문은 의사 결정을 위한 활성화된 AI 기반 시스템의 사용 및 영향과 관련된 도전 과제를 파악하고 정보 시스템(IS) 연구자들을 위한 연구 제안을 제시하는 것을 목표로 한다.
1. Introduction
The rise of Artificial Intelligence in recent years has attracted numerous controversial remarks.
최근 몇 년간 인공지능의 발전은 여러 가지 논란을 불러일으켰다.
For example, CEO of IBM, Ginni Rometty, argues that AI technologies are “technologies to augment human intelligence…By and large we see a world where this is a partnership between man and machine and this is in fact going to make us better and allow us to do what the human condition is best able to do.”
예를 들어, IBM의 CEO인 지니 로메티는 AI 기술이 “인간의 지능을 보강하는 기술”이라고 주장하며, “대체로 우리는 이것이 인간과 기계 간의 파트너십이 될 세계를 보고 있으며, 이는 실제로 우리가 더 나아지게 하고 인간이 가장 잘 할 수 있는 일을 하도록 할 것”이라고 말했다.
Stephen Hawking, on the other hand, remarked that “the development of full artificial intelligence could spell the end of the human race” (Cellan-Jones, 2014), and Bill Gates has also said that humans should be worried about the threat posed by Artificial Intelligence (Rawlinson, 2015).
반면 스티븐 호킹은 “완전한 인공지능의 발전은 인류의 종말을 의미할 수 있다”고 언급했으며(Cellan-Jones, 2014), 빌 게이츠 또한 인공지능이 인류에 미치는 위협에 대해 걱정해야 한다고 말했다(Rawlinson, 2015).
These very different views from leading experts call for further investigation on how human beings can co-exist with AI and how to minimise the negative impact of the technology.
이러한 서로 다른 전문가들의 의견은 인간이 AI와 어떻게 공존할 수 있는지, 그리고 기술의 부정적인 영향을 최소화하는 방법에 대한 추가적인 조사가 필요함을 시사한다.
There is no commonly accepted definition of AI. It is normally referred to as the ability of a machine to learn from experience, adjust to new inputs and perform human-like tasks.
AI에 대한 일반적으로 수용된 정의는 없다. 일반적으로 기계가 경험에서 배우고, 새로운 입력에 적응하며, 인간과 유사한 작업을 수행할 수 있는 능력을 지칭한다.
The terms AI and AI systems were first introduced in the 1950s. Since then, AI has experienced its ups (“AI springs”) and downs (“AI winters”).
AI와 AI 시스템이라는 용어는 1950년대에 처음 소개되었다. 그 이후로 AI는 상승기(“AI 봄”)와 하강기(“AI 겨울”)를 겪었다.
With the rapid advancement of Big Data technologies, e.g. improved computing storage capability and super-fast speed of data processing machines, AI is being revitalised with the availability and power of Big Data.
컴퓨팅 저장 능력의 향상과 초고속 데이터 처리 기계의 발전과 같은 빅 데이터 기술의 급속한 발전으로 인해, AI는 빅 데이터의 가용성과 힘으로 재활성화되고 있다.
Overall, there are many white papers and reports from leading technology providers and articles in top management magazines, e.g. Harvard Business Review and MIT Sloan Management Review, that provide corporates with strategic and practical guidelines on how to benefit from AI.
전반적으로, 주요 기술 제공업체의 백서와 보고서, 그리고 하버드 비즈니스 리뷰와 MIT 슬론 매니지먼트 리뷰와 같은 주요 경영 잡지의 기사들이 기업들이 AI로부터 이익을 얻는 방법에 대한 전략적이고 실용적인 지침을 제공하고 있다.
However, it appears that there are very limited academic research papers focusing on understanding the use and impact of the new generation of AI from the technology application perspective with rigorous academic investigation and theorisation.
하지만 기술 응용 관점에서 새로운 세대의 AI의 사용과 영향에 대한 엄밀한 학술 조사 및 이론화를 다룬 학술 연구 논문은 매우 제한적인 것으로 보인다.
Moreover, much current academic writing seems ignorant of what happened from 1970 to 2000 despite the availability of extensive publications.
게다가, 현재의 많은 학술 저작은 방대한 출판물이 존재함에도 불구하고 1970년대부터 2000년대까지의 사건에 대해 무관심한 듯하다.
This research position paper aims to understand the challenges associated with the use and impact of the new generation of AI based systems for decision making and identify research opportunities for information systems (IS) researchers.
이 연구 위치 논문은 의사 결정을 위한 새로운 세대의 AI 기반 시스템의 사용 및 영향과 관련된 도전 과제를 이해하고 정보 시스템(IS) 연구자들을 위한 연구 기회를 파악하는 것을 목표로 한다.
The paper first provides a view of the history of AI through the relevant papers published in the International Journal of Information Management (IJIM).
논문은 먼저 국제 정보 관리 저널(IJIM)에 발표된 관련 논문을 통해 AI의 역사에 대한 관점을 제공한다.
It then discusses AI for decision making in general and the specific issues regarding the interaction and integration of AI techniques to support or replace human decision makers in particular.
그 후, 일반적인 의사 결정을 위한 AI와 인간 의사 결정자를 지원하거나 대체하기 위한 AI 기술의 상호작용 및 통합과 관련된 구체적인 문제에 대해 논의한다.
To advance research on the use of AI for decision making in the era of Big Data, the paper offers twelve research propositions for IS researchers in terms of conceptual and theoretical development, AI technology-human interaction, and AI implementation.
빅 데이터 시대의 의사 결정을 위한 AI 사용에 대한 연구를 발전시키기 위해, 이 논문은 개념적 및 이론적 발전, AI 기술-인간 상호작용, 그리고 AI 구현 측면에서 IS 연구자들을 위한 12개의 연구 제안을 제공한다.
2. A view of the history of AI through IJIM papers
In this section, we present a historical perspective on the history and development of AI based on a review of relevant papers published in the International Journal of Information Management (IJIM), including those under its former title of Social Science Information Studies (SSIS).
이 섹션에서는 국제 정보 관리 저널(IJIM)과 그 전 신문 제목인 사회 과학 정보 연구(SSIS)에 발표된 관련 논문을 검토하여 AI의 역사와 발전에 대한 역사적 관점을 제시한다.
To achieve this, we carried out full-text searches on the SSIS/IJIM archive for the terms artificial intelligence and intelligent, plus the list of 25 more specific terms related to AI shown in Table 1.
이를 위해 SSIS/IJIM 아카이브에서 인공지능 및 지능이라는 용어와 표 1에 표시된 AI와 관련된 25개의 구체적인 용어에 대해 전문 검색을 수행했다.
Table 1 Terms used in the full-text search of the SSIS/IJIM archive.This gave a total of 123 SSIS/IJIM papers. We categorised these into those in which AI was a substantive part of the paper (52 in total) and those in which AI was mentioned only in passing (71).
총 123개의 SSIS/IJIM 논문이 발견되었다. 이 중 AI가 논문의 주요 부분인 논문(총 52편)과 AI가 간단히 언급된 논문(71편)으로 분류했다.
Fig. 1 shows the breakdown of the 52 substantive AI papers and the other 71 that mention AI in passing, in four-year periods from the first mention of AI in passing, by Seeger (1983) when discussing the future of information professions, up to the end of 2018.
그림 1은 AI가 주요 부분인 52편의 논문과 AI가 간단히 언급된 71편의 논문을 1983년 세거가 정보 직업의 미래를 논의할 때 처음으로 AI를 언급한 이후 2018년 말까지의 4년 단위로 나누어 보여준다.
Fig. 1. AI papers published in SSIS/IJIM by year.As may be seen, the number of papers published remained fairly constant from 1983 to 2010, at roughly two papers per year (57 papers in 28 years). Fewer than half of these were substantive AI papers.
보시다시피, 1983년부터 2010년까지 발표된 논문 수는 연평균 약 두 편(28년 동안 57편)으로 비교적 일정하게 유지되었다. 이 중 절반도 안 되는 수가 주요 AI 논문이었다.
However, the period 2011–2014 showed a considerable increase, to 24 papers against the previous average of 8.1, and the most recent period, 2015–2018, shows a larger increase still, to 42 papers.
하지만 2011–2014년 기간에는 이전 평균 8.1편에 비해 24편으로 상당한 증가가 있었고, 가장 최근인 2015–2018년 기간에는 42편으로 더 큰 증가를 보였다.
Even more significantly, 25 of those 42 were substantive AI papers, the same number as had appeared from 1983 to 2013 inclusive.
더욱 중요하게도, 42편 중 25편이 주요 AI 논문으로, 1983년부터 2013년까지 발표된 논문 수와 동일하다.
This is a very clear indication of the rapid recent growth in research in AI in the era of Big Data.
이는 빅 데이터 시대에 AI 연구가 급격히 성장하고 있음을 분명히 나타내는 지표다.
We will now look in more detail at the techniques that make the AI systems work, the domains to which they have been applied, and the changing terminology used to describe them.
이제 AI 시스템이 작동하는 기술, 적용된 분야, 그리고 이를 설명하기 위해 사용된 변화하는 용어에 대해 좀 더 자세히 살펴보겠다.
Table 2 categorizes these 52 according to the type of paper; note that six papers fitted into two categories.
표 2는 이 52편을 논문 유형에 따라 분류한다. 단, 여섯 편의 논문은 두 가지 범주에 해당한다.
Table 2 Substantive AI papers categorized by type.For techniques, we focus especially on the 22 of the 52 papers that concentrate on a specific example of an AI system (21 pilot studies and one fielded application), as these give the most precise evidence on the techniques actually in use.
기술 측면에서는 52편 중 특정 AI 시스템의 사례에 집중한 22편(21개의 파일럿 연구와 1개의 현장 적용)에 특히 주목하며, 이들이 실제로 사용되는 기술에 대한 가장 정확한 증거를 제공한다.
2.1. Techniques
In this section we consider the techniques that comprise the forms of knowledge representation and/or the algorithms used to build the AI systems described.
이 섹션에서는 기술 설명에 사용된 지식 표현의 형태와 알고리즘을 구성하는 기술을 다룬다.
We only include those techniques mentioned and discussed by name.
이 논문에서 언급되고 논의된 기술만 포함한다.
It is important to note that this does not necessarily measure how widely they are used, even in IJIM’s research domain, as some papers use terms like knowledge-based system or machine learning without describing the specific techniques employed.
이는 반드시 IJIM의 연구 분야 내에서 얼마나 널리 사용되는지를 측정하는 것은 아니라는 점에 유의해야 한다. 일부 논문에서는 사용된 특정 기술을 설명하지 않고 지식 기반 시스템이나 머신 러닝과 같은 용어를 사용한다.
2.1.1. Rule-based inference
Despite that caveat, the most common technique used in the AI systems reported is definitely rule-based inference.
이러한 주의점에도 불구하고, 보고된 AI 시스템에서 가장 일반적으로 사용되는 기술은 분명히 규칙 기반 추론이다.
Nearly all of the AI systems mentioned up to the year 2000 use rule-based inference, and this element of AI techniques remains with us today.
2000년까지 언급된 거의 모든 AI 시스템은 규칙 기반 추론을 사용하며, 이 AI 기술 요소는 오늘날에도 여전히 존재한다.
The main change over time is that originally the rules were usually elicited from human experts by a human knowledge engineer, whereas now they are more likely to have been developed using an automated method such as CART (Classification and Regression Trees) (Kao et al., 2017) or association rule mining (Rekik et al., 2018).
시간이 지나면서 주요 변화는 원래 규칙이 인간 지식 엔지니어에 의해 인간 전문가로부터 도출되었지만, 지금은 CART(분류 및 회귀 트리)(Kao et al., 2017) 또는 연관 규칙 마이닝(Rekik et al., 2018)과 같은 자동화된 방법을 사용하여 개발되었을 가능성이 더 높다는 것이다.
2.1.2. Semantic linguistic analysis
Almost as pervasive are the various methods of semantic linguistic analysis.
의미적 언어 분석의 다양한 방법도 거의 보편적으로 사용된다.
The use of maps to help understand natural language in documents for information retrieval was one of the techniques identified in a review by Wormell (1984).
문서에서 자연어를 이해하기 위해 지도를 사용하는 것은 Wormell(1984)의 리뷰에서 식별된 기술 중 하나였다.
More recent systems such as those by Tadeusiewicz, Ogiela, and Ogiela (2008) for medical diagnosis and Ogiela and Ogiela (2014) for analysing financial data use versions of this approach, sometimes with theoretical extensions such as the latent semantic analysis used by Ahmad and Laroche (2017).
타데우시비츠, 오겔리아, 그리고 오겔리아(2008)의 의료 진단 시스템과 오겔리아와 오겔리아(2014)의 재무 데이터 분석 시스템은 이 접근 방식의 변형을 사용하며, 때로는 아흐마드와 라로쉬(2017)가 사용한 잠재 의미 분석과 같은 이론적 확장을 포함한다.
2.1.3. Bayesian networks
Bayesian networks are based on probabilistic inference, with the conditional probabilities associated with each path between nodes in the network adapting in the light of new data, thus encompassing learning.
베이지안 네트워크는 확률적 추론에 기반하며, 네트워크의 노드 간 경로에 관련된 조건부 확률이 새로운 데이터에 따라 적응하여 학습을 포함한다.
Specific use of this term is relatively recent, with papers such as Zhao, Tang, Darlington, Austin, and Culley (2008) on evaluating information in engineering documents and Ramírez-Noriega, Juárez-Ramírez, and Martínez-Ramírez (2017) using a Bayesian network as the design for an intelligent tutoring system.
이 용어의 구체적인 사용은 비교적 최근으로, 엔지니어링 문서의 정보를 평가하는 Zhao, Tang, Darlington, Austin, and Culley (2008)와 지능형 튜터링 시스템의 설계로 베이지안 네트워크를 사용하는 Ramírez-Noriega, Juárez-Ramírez, and Martínez-Ramírez (2017)와 같은 논문이 있다.
However, it is likely that some of the unspecified inference methods in earlier expert systems or knowledge-based systems papers used this approach.
하지만 이전의 전문가 시스템이나 지식 기반 시스템 논문에서 명시되지 않은 일부 추론 방법이 이 접근 방식을 사용했을 가능성이 있다.
2.1.4. Similarity measures
The concept of identifying examples that are similar or close to a new observation is at the heart of case-based reasoning, which has been an active area for most of the period (Tseng, Chen, Hu, & Lin, 2017; Zantout & Marir, 1999).
유사하거나 새로운 관찰과 가까운 사례를 식별하는 개념은 사례 기반 추론의 핵심이며, 이는 대부분의 기간 동안 활발한 분야였다(Tseng, Chen, Hu, & Lin, 2017; Zantout & Marir, 1999).
2.1.5. Neural networks
Neural networks, more precisely artificial neural networks (ANN), are intended to mimic the way the human brain works, and are at the forefront of the current expansion in AI even though applications can be found as far back as the 1980s (Ford, 1989).
신경망, 더 정확히 말하자면 인공 신경망(ANN)은 인간의 두뇌 작동 방식을 모방하기 위해 설계되었으며, 1980년대까지 거슬러 올라가는 응용 프로그램이 존재함에도 불구하고 현재 AI의 확장에서 최전선에 있다(Ford, 1989).
2.1.6. Other techniques
Techniques discussed in IJIM that have also been commonly used elsewhere include frame-based representation (Dugdale, 1996), and genetic algorithms (Lebib, Mellah, & Drias, 2017).
IJIM에서 논의된 다른 기술로는 프레임 기반 표현(Dugdale, 1996)과 유전 알고리즘(Lebib, Mellah, & Drias, 2017) 등이 있으며, 이들 또한 다른 곳에서 일반적으로 사용된다.
2.2. Domains
Some of the domains in which AI systems were being applied, or at least considered, have featured throughout the period.
AI 시스템이 적용되었거나 적어도 고려된 분야는 이 기간 동안 지속적으로 나타났다.
This is likely because of the potential economic rewards from a successful system.
이는 성공적인 시스템으로부터의 잠재적인 경제적 보상 때문일 가능성이 있다.
These include: manufacturing, such as the 1992 Nippon Steel example discussed above and clothes manufacturing (Ying, Pee, & Jia, 2018); health care, from Thornett (2001) looking at computer support for general practice to Kao et al. (2017) on risk factors for cardiac arrest survival; and legal practice (du Plessis & Toit, 2006).
여기에는 1992년 일본 철강(Nippon Steel) 사례와 의류 제조(Ying, Pee, & Jia, 2018)와 같은 제조업, 일반 진료를 위한 컴퓨터 지원을 다룬 Thornett (2001)에서부터 심정지 생존을 위한 위험 요소를 다룬 Kao et al. (2017), 그리고 법률 실무(du Plessis & Toit, 2006)가 포함된다.
Recommender/recommendation systems have also been common throughout the period, but with a change in emphasis.
추천 시스템은 이 기간 동안에도 일반적이었지만, 강조점이 변화하였다.
Earlier systems tended to tackle major investments such as property (Lu & Mooney, 1989) or stocks and shares (Dugdale, 1996), but their practical use was limited.
이전 시스템은 부동산(Lu & Mooney, 1989)이나 주식(Dugdale, 1996)과 같은 대규모 투자를 다루는 경향이 있었으나, 그 실용성은 제한적이었다.
As is fitting given the scope of SSIS/IJIM, intelligent information retrieval has been a concern since the earliest days (Wormell, 1984).
SSIS/IJIM의 범위를 고려할 때, 지능형 정보 검색은 초기부터 concern의 대상이었다(Wormell, 1984).
Improvements in natural language understanding have facilitated progress here, which continues with articles such as those by Chung (2014) and Bouakkaz et al. (2017).
자연어 이해의 발전은 이 분야의 진행을 촉진하였으며, Chung(2014) 및 Bouakkaz et al.(2017)와 같은 논문이 이를 계속해서 발전시키고 있다.
Some domains reflect changes in the wider world and its technology, such as the appearance of papers on website quality (Heradio, Cabrerizo, Fernández-Amorós, Herrera, & Herrera-Viedma, 2013; Rekik et al., 2018).
일부 분야는 웹사이트 품질에 관한 논문이 등장하는 등, 더 넓은 세계와 그 기술의 변화를 반영한다(Heradio, Cabrerizo, Fernández-Amorós, Herrera, & Herrera-Viedma, 2013; Rekik et al., 2018).
Other domains reflect the technology finally reaching the tipping point for practical usefulness, such as the work of Araujo and Pestana (2017) on employee health and well-being, and of Ragini et al. (2018) on disaster response and recovery.
다른 분야는 기술이 실용적인 유용성에 도달하는 임계점을 마침내 넘어섰음을 반영한다. 예를 들어 Araujo와 Pestana(2017)의 직원 건강 및 웰빙에 관한 연구와 Ragini et al.(2018)의 재난 대응 및 복구에 관한 연구가 있다.
2.3. Terminology
We can identify three overlapping eras in the IJIM literature. Broadly speaking, the central terms in each era are respectively expert systems, knowledge-based systems, and a combination of artificial intelligence/machine learning/data mining.
IJIM 문헌에서 세 가지 중첩되는 시대를 구분할 수 있다. 각 시대의 중심 용어는 각각 전문가 시스템, 지식 기반 시스템, 그리고 인공지능/기계 학습/데이터 마이닝의 조합이다.
2.3.1. Expert systems rule! (Up to 2000)
The three systems described in IJIM in detail up to 2000 (Dhaliwal & Tung, 2000; Dugdale, 1996; Lu & Mooney, 1989) were all expert systems. Examining the other SSIS/IJIM papers over that period confirms that AI was more or less synonymous with expert systems.
2000년까지 IJIM에서 자세히 설명된 세 가지 시스템(Dhaliwal & Tung, 2000; Dugdale, 1996; Lu & Mooney, 1989)은 모두 전문가 시스템이었다. 해당 기간 동안 다른 SSIS/IJIM 논문을 살펴보면 AI는 거의 전문가 시스템과 동의어였다는 것을 확인할 수 있다.
2.3.2. Knowledge is power - but only in business and management? (1983 onwards)
This era overlaps both of the others. The term knowledge-based system (KBS) began to become popular with the launch of the UK Government’s Alvey Programme of IT research in 1982/3, and was used in early SSIS papers (Ingwersen, 1984a, 1984b; Nicholas & Harman, 1985). Some saw expert systems as a subset of KBS; others regarded the two terms as equivalent.
이 시기는 다른 두 시기와 중첩된다. 지식 기반 시스템(KBS)이라는 용어는 1982/3년 영국 정부의 알비 프로그램(Alvey Programme)의 IT 연구 시작과 함께 인기를 얻기 시작했으며 초기 SSIS 논문(Ingwersen, 1984a, 1984b; Nicholas & Harman, 1985)에서 사용되었다. 일부는 전문가 시스템을 KBS의 하위 집합으로 보았고, 다른 사람들은 두 용어를 동등하다고 여겼다.
The start of the 21st century saw the term expert systems decline in popularity in business and management in favour of knowledge-based systems. There were three reasons for this:
21세기 초, 전문가 시스템이라는 용어는 지식 기반 시스템에 밀려 비즈니스 및 관리 분야에서 인기가 감소했다. 이에 대한 이유는 세 가지다:
1. The bad reputation that some expert systems projects achieved, meaning that “expert system” was not an attractive label.
일부 전문가 시스템 프로젝트가 얻은 나쁜 평판으로 인해 “전문가 시스템”이라는 레이블이 매력적이지 않았다.
2. An increasing realization that the system often served to assist or support a human decision-maker, rather than as an expert telling the human what to do.
시스템이 인간에게 무엇을 하라고 말하는 전문가의 역할을 하기보다는 인간 의사결정자를 돕거나 지원하는 역할을 한다는 인식이 점차 증가했다.
3. A shift in emphasis from “the expert” to “the knowledge,” with the growth in popularity of knowledge management in the late 1990s.
1990년대 후반 지식 관리의 인기가 증가함에 따라 초점이 “전문가”에서 “지식”으로 이동했다.
KBS was the most common term in use for an AI system in IJIM during the 2000s, and many business/management academics and practitioners still regard it as the most appropriate term to use.
2000년대 IJIM에서 AI 시스템을 지칭하는 가장 흔한 용어는 KBS였으며, 많은 비즈니스 및 관리 학자와 실무자들은 여전히 이 용어가 가장 적절하다고 여긴다.
As Bimba et al. (2016, p.857) put it, “A system which represents knowledge is normally referred to as a knowledge-based system.” Interestingly, this only seems to be true in business and management. In other domains, especially science and engineering, expert system is still the more common term.
Bimba 외(2016, p.857)가 말했듯이 지식을 나타내는 시스템은 일반적으로 지식 기반 시스템으로 불린다.” 흥미롭게도, 이는 비즈니스 및 관리 분야에만 해당하는 것 같다. 다른 분야, 특히 과학 및 공학에서는 여전히 전문가 시스템이 더 일반적인 용어다.
Web Of Science lists more than 10,000 publications since the year 2000 that include the term expert system(s), as opposed to fewer than 2000 including knowledge-based system(s).
Web Of Science에 따르면 2000년 이후 “전문가 시스템”을 포함하는 출판물은 10,000편 이상인 반면, “지식 기반 시스템”을 포함하는 출판물은 2,000편 이하에 불과하다.
2.3.3. The rise of the intelligent machine - and data mining (during the 2010s)
During the 2010s, the term AI has come back into popularity as the overall label. This may in part be the result of the fact that deep learning systems such as multi-layer neural networks do not produce explanations that humans can understand easily, or indeed at all.
2010년대에 인공지능(AI)이라는 용어가 다시 전체 레이블로 인기를 얻었다. 이는 다층 신경망과 같은 딥러닝 시스템이 인간이 쉽게 이해할 수 있는 설명을 제공하지 못한다는 사실과 일부 관련이 있을 수 있다.
Arguably, therefore, these systems do not represent knowledge as in the definition in the previous subsection. They certainly do not represent human knowledge.
따라서 이 시스템들은 앞서 정의한 것처럼 지식을 나타내지 않으며, 분명히 인간의 지식을 나타내지 않는다.
Machine learning used to be seen as highly-technical jargon, but the success of machine learning systems widely reported in news stories such as the AlphaGo system defeating one of the best human players of the game Go (Koch, 2016) and IBM’s Watson system beating the human champions on the US TV quiz show “Jeopardy” (Gabbatt, 2011) has done much to improve its image.
기계 학습은 과거에 매우 기술적인 전문 용어로 여겨졌지만, 알파고 시스템이 바둑의 최고 인간 플레이어 중 한 명을 이긴 사례(Koch, 2016)나 IBM의 왓슨 시스템이 미국 퀴즈쇼 ‘제퍼디’에서 인간 챔피언을 이긴 사례(Gabbatt, 2011)가 뉴스에서 널리 보도되면서 그 이미지가 크게 개선되었다.
Data mining is a newer term than any of the others. Its original meaning in the field of economics was trying various models to see which fitted the data best.
데이터 마이닝은 다른 용어들보다 더 새로운 용어다. 경제학 분야에서의 원래 의미는 데이터를 가장 잘 맞추는 다양한 모델을 시도하는 것이었다.
It can be argued that there are subtle differences between expert systems, knowledge-based systems and AI systems, but some of the changes in terminology are surely no more than simply “fashion”.
전문가 시스템, 지식 기반 시스템, AI 시스템 간에 미묘한 차이가 있을 수 있지만, 용어의 변화 중 일부는 단순히 “유행”일 뿐이다.
For example, what were often referred to in the 1980s or 1990s as production rules are now called business rules or just rules.
예를 들어, 1980년대나 1990년대에 종종 생산 규칙이라고 불리던 것이 이제는 비즈니스 규칙 또는 단순히 규칙이라고 불린다.
Similarly, Kao et al. (2017) refer to the CART decision tree approach used to develop their rules as a data mining technique, whereas in the 1990s it would have been referred to as a rule induction algorithm.
마찬가지로, Kao 등(2017)은 그들이 규칙을 개발하는 데 사용한 CART 의사결정 나무 접근 방식을 데이터 마이닝 기술로 언급했지만, 1990년대에는 이것을 규칙 유도 알고리즘으로 불렀을 것이다.
3. An overview of using AI for decision making
The promises made to develop machines capable of outperforming humans in several tasks in a few years and the real accomplishments achieved have been reported widely (McCorduck, 2004).
인간보다 더 뛰어난 성능을 발휘할 수 있는 기계를 개발하겠다는 약속과 실제 성과가 널리 보도되었다 (McCorduck, 2004).
Despite what can now be thought of as excessively optimistic promises for AI outcomes during the 1950s and 1960s, steady progress has been sustained over the last four decades in the main areas of AI (Cantu-Ortiz, 2014).
1950년대와 1960년대에 AI 결과에 대한 지나치게 낙관적인 약속으로 생각될 수 있는 것에도 불구하고, 지난 40년 동안 AI의 주요 분야에서 지속적인 발전이 이루어졌다 (Cantu-Ortiz, 2014).
Using AI for decision making has been one of the most important applications in AI history. The roles of AI have been classified in various ways. Broadly speaking, AI systems can be used either to support/assist the human decision makers, or to replace them (Edwards, Duan, & Robins, 2000).
결정을 내리기 위해 AI를 사용하는 것은 AI 역사에서 가장 중요한 응용 프로그램 중 하나였다. AI의 역할은 여러 방식으로 분류될 수 있다. 대체로 AI 시스템은 인간 의사 결정자를 지원하거나 대체하는 데 사용될 수 있다 (Edwards, Duan, & Robins, 2000).
More specifically, the early publication by Bader, Edwards, Harris-Jones, and Hannaford (1988) identified six roles for knowledge-based systems: Assistant, critic, second opinion, expert consultant, tutor, and automaton.
더 구체적으로, Bader, Edwards, Harris-Jones, 그리고 Hannaford(1988)의 초기 출판물은 지식 기반 시스템의 여섯 가지 역할을 정의했다: 보조자, 비평가, 제2의 의견, 전문가 상담가, 튜터, 그리고 자동화 시스템.
Edwards et al. (2000) conducted an analysis of expert systems for business decision making at different levels and in different roles based on experiments carried out two decades ago. The roles of AI (e.g., expert systems) are examined using the three organisational decision making levels, i.e., strategic, tactical and operational decisions. Their findings show that:
Edwards 외(2000)는 20년 전 수행된 실험을 기반으로 다양한 수준과 역할에서 비즈니스 의사 결정을 위한 전문가 시스템을 분석했다. AI(예: 전문가 시스템)의 역할은 전략적, 전술적 및 운영적 결정이라는 세 가지 조직적 의사 결정 수준을 사용하여 조사되었다. 그들의 발견은 다음과 같다:
Expert systems in a replacement role are effective at the operational and tactical decision levels, but have limitations at the strategic level.
전문가 시스템이 대체 역할을 할 경우 운영 및 전술적 결정 수준에서 효과적이지만, 전략적 수준에서는 한계가 있다.
Expert systems in a support role can help users make better decisions at all three decision making levels, but their effectiveness can only be fulfilled through their users.
지원 역할을 하는 전문가 시스템은 세 가지 결정 수준 모두에서 사용자들이 더 나은 결정을 내리도록 도울 수 있지만, 그 효과는 사용자에 의해 실현될 수 있다.
An expert system acting in a support role does not necessarily save a user’s time, but an expert system in a replacement role does improve the efficiency of decision making.
지원 역할을 하는 전문가 시스템은 사용자의 시간을 반드시 절약하지 않지만, 대체 역할을 하는 전문가 시스템은 의사 결정의 효율성을 향상시킨다.
The users of expert systems in a support role did not believe that they had learned from using the system.
지원 역할의 전문가 시스템 사용자들은 시스템 사용을 통해 학습했다고 믿지 않았다.
The role of AI systems, e.g., expert systems, for decision making is also discussed based on the structure of decisions that is named by Simon (1987) as structured, semi-structured and unstructured decisions.
AI 시스템(예: 전문가 시스템)의 의사 결정 역할은 Simon(1987)이 명명한 구조적, 반구조적, 비구조적 결정의 구조를 기반으로 논의된다.
The findings by Edwards et al. (2000) suggest that AI (e.g., expert systems) can be used to replace human decision makers for structured or semi-structured decisions, but it would be better to be used as a decision support tool for dealing with unstructured decisions at the strategic level in organisations.
Edwards 외(2000)의 연구 결과는 AI(예: 전문가 시스템)가 구조적 또는 반구조적 결정에 대해 인간 의사 결정자를 대체하는 데 사용될 수 있지만, 조직의 전략적 수준에서 비구조적 결정을 다루는 데 의사 지원 도구로 사용하는 것이 더 좋다고 제안한다.
In a relevant assessment on the potential use of AI in organisations in 1985, Lee (1985 (p.8)) commented “Because mechanical inference relies on a stable, fixed semantics, the utility of an idealized, fully integrated, knowledge-based inference system will be limited to organizations in completely stable environments.” and “integrated information systems will only be of use for those aspects of the organization’s activities where semantic stability can be maintained. This conclusion corresponds to the empirical observations made by Gorry and Scott-Morton (1971).”
1985년 조직에서 AI의 잠재적 사용에 대한 관련 평가에서 Lee(1985, p.8)는 “기계적 추론은 안정적이고 고정된 의미에 의존하기 때문에 이상화된 완전 통합 지식 기반 추론 시스템의 유용성은 완전히 안정적인 환경의 조직으로 제한될 것이다.”라고 언급했다. 그리고 “통합 정보 시스템은 의미의 안정성을 유지할 수 있는 조직 활동의 측면에서만 유용할 것이다. 이 결론은 Gorry와 Scott-Morton(1971)이 한 경험적 관찰과 일치한다.”고 말했다.
This indicates that with the limitations of early AI technologies in dealing with dynamic environments, AI for organisational decision making was more effective in working in stable and familiar conditions.
이것은 초기 AI 기술이 동적 환경을 다루는 데 한계가 있었음을 나타내며, 조직의 의사 결정에서 AI는 안정적이고 익숙한 조건에서 더 효과적이었다.
In a recent joint research with Deloitte, Davenport and Ronanki (2018) examined 152 AI deployment projects that are making use of AI-based systems across a wide range of business functions and processes. Based on the survey results, Davenport categorises AI system applications into three categories:
최근 Deloitte와의 공동 연구에서 Davenport와 Ronanki(2018)는 다양한 비즈니스 기능 및 프로세스 전반에 걸쳐 AI 기반 시스템을 활용하는 152개의 AI 배포 프로젝트를 조사했다. 설문 결과를 바탕으로 Davenport는 AI 시스템 응용 프로그램을 세 가지 범주로 분류했다:
Cognitive Process Automation: Automation of back office administrative and financial activities using ‘Robotic Process Automation’.
인지적 프로세스 자동화: ‘로보틱 프로세스 자동화’를 사용하여 백오피스 관리 및 재무 활동 자동화.
Cognitive Insights: Detecting patterns in data and interpreting their meaning using statistically-based machine learning algorithms.
인지적 통찰력: 데이터에서 패턴을 감지하고 통계 기반 기계 학습 알고리즘을 사용하여 그 의미를 해석하는 것.
Cognitive Engagement: Engaging employees and/or customers using natural language processing chatbots, intelligent agents and machine learning.
인지적 참여: 자연어 처리 챗봇, 지능형 에이전트 및 기계 학습을 사용하여 직원 및/또는 고객과의 상호작용.
There are many reports on the benefits of AI for decision making because AI is believed to be able to help organisational employees to reach better decisions, to boost our analytic and decision-making abilities and heighten creativity (Wilson & Daugherty, 2018).
AI가 조직의 직원들이 더 나은 결정을 내리도록 도와주고, 우리의 분석 및 의사 결정 능력을 향상시키며 창의성을 높일 수 있다고 믿기 때문에 AI의 의사 결정 이점에 대한 보고가 많다 (Wilson & Daugherty, 2018).
However, “with the resurgence of AI, a new human-machine symbiosis is on the horizon and a question remains: How can humans and new artificial intelligences be complementary in organizational decision making?” (Jarrahi, 2018 p. 579).
그러나 “AI의 부활과 함께 새로운 인간-기계 공생이 다가오고 있으며, 질문이 남는다: 인간과 새로운 인공지능이 조직의 의사 결정에서 어떻게 상호 보완적일 수 있는가?” (Jarrahi, 2018, p. 579).
4. Research Propositions for addressing challenges and opportunities
This section discusses the challenges and research opportunities of AI-based systems for decision making in the era of Big Data from the use and impact perspective.
이 섹션에서는 사용 및 영향 관점에서 빅 데이터 시대의 의사 결정을 위한 AI 기반 시스템의 도전과 연구 기회에 대해 논의한다.
As AI development and applications cover a wide range of areas, future research directions can be diverse. To help IS researchers in their endeavor to advance our knowledge and understanding on how to maximize the benefit of the new generation AI systems for decision making, twelve research propositions are offered, based on three areas: conceptual and theoretical development, AI technology-human interaction, and AI implementation.
AI 개발과 응용이 다양한 분야를 포괄하므로, 향후 연구 방향은 다양할 수 있다. IS 연구자들이 의사 결정을 위한 새로운 세대 AI 시스템의 이점을 극대화하는 방법에 대한 지식과 이해를 발전시키기 위한 노력을 지원하기 위해, 세 가지 영역(개념 및 이론 개발, AI 기술-인간 상호작용, AI 구현)을 기반으로 12개의 연구 제안이 제시된다.
4.1. Conceptual and theoretical development
4.1.1. Defining the key concepts and terms
AI has been applied in many different domains and numerous terms are used to describe AI-based systems for decision making, such as: expert systems, knowledge-based systems, intelligent decision support systems, intelligent software agent systems, intelligent executive systems, etc.
AI는 다양한 도메인에 적용되었으며, 의사 결정을 위한 AI 기반 시스템을 설명하기 위해 여러 용어가 사용된다: 전문가 시스템, 지식 기반 시스템, 지능형 의사 결정 지원 시스템, 지능형 소프트웨어 에이전트 시스템, 지능형 경영 시스템 등.
However, as AI is constantly evolving and advancing, names of AI-based systems for decision making have changed over the years as shown in our review of IJIM papers in Section 2. Many names for AI-based decision systems have disappeared or have been replaced with new names. It can be argued that defining AI and its related terms has become a moving target.
하지만 AI가 지속적으로 진화하고 발전함에 따라, 의사 결정을 위한 AI 기반 시스템의 이름은 IJIM 논문 검토에서 보여준 것처럼 수년 동안 변화해왔다. 많은 AI 기반 의사 결정 시스템의 이름이 사라지거나 새로운 이름으로 대체되었다. AI와 관련 용어를 정의하는 것이 이동하는 목표가 되었다고 주장할 수 있다.
To clarify any conceptual confusion and controversy, there is a need to have a systematic review of AI-related definitions and terms and to re-define them to reflect the new generation of AI in the era of Big Data. We make the following proposition:
개념적 혼란과 논란을 명확히 하기 위해, AI 관련 정의와 용어에 대한 체계적인 검토가 필요하며, 빅 데이터 시대의 새로운 세대 AI를 반영하도록 재정의할 필요가 있다. 다음과 같은 제안을 한다:
Proposition 1. Defining AI can be difficult, so it is necessary and beneficial to re-define the concept of AI and related terms to reflect the changing nature of AI development and applications in the era of Big Data.
제안 1. AI를 정의하는 것은 어려울 수 있으므로, 빅 데이터 시대의 AI 개발과 응용의 변화하는 본질을 반영하도록 AI 및 관련 용어를 재정의하는 것이 필요하고 유익하다.
4.1.2. Understanding, theorizing and measuring AI use and impact
With the rapid increase in AI applications, many claims are made by AI developers and large corporates about its substantial benefits and impact.
AI 응용 프로그램의 급격한 증가로 인해, AI 개발자와 대기업들은 그 상당한 이점과 영향에 대한 많은 주장을 한다.
As most similar claims are not substantiated by measurable empirical evidence and rigorous academic research, it is difficult to know how, why and to what extent AI systems are being used and impacting on individual and organisational decision making and transforming organisations. This raises a challenge on how to measure the benefits and impact of AI for decision making from short to long term, and from social, economic and political perspectives. What would be the implications for future business executives in making strategic decisions? Therefore, the following proposition is offered:
대부분의 유사한 주장이 측정 가능한 경험적 증거와 철저한 학술 연구로 뒷받침되지 않기 때문에, AI 시스템이 어떻게, 왜, 어느 정도 사용되고 개인 및 조직의 의사 결정에 영향을 미치고 조직을 변화시키고 있는지 아는 것은 어렵다. 이는 단기와 장기, 그리고 사회적, 경제적, 정치적 관점에서 AI의 의사 결정에 대한 이점과 영향을 측정하는 방법에 대한 도전을 제기한다. 미래의 비즈니스 임원들이 전략적 결정을 내리는 데 어떤 의미가 있을까? 따라서 다음과 같은 제안을 한다:
Proposition 2. Measuring the benefit of AI and its impact is very difficult, but possible. Therefore, there is a need to develop and test theoretically sound and practically feasible AI impact indicators to measure its benefits.
제안 2. AI의 이점과 영향을 측정하는 것은 매우 어렵지만 가능하다. 따라서 AI의 이점을 측정하기 위한 이론적으로 타당하고 실용적으로 실행 가능한 AI 영향 지표를 개발하고 테스트할 필요가 있다.
Overall, to have a systematic understanding on how and why AI-based systems are being used and affecting individual and organisational performance, an appropriate theoretical framework should be developed.
전반적으로 AI 기반 시스템이 어떻게 그리고 왜 사용되고 개인 및 조직 성과에 영향을 미치는지를 체계적으로 이해하기 위해서는 적절한 이론적 프레임워크를 개발해야 한다.
Proposition 3. It is necessary to theorize the use of AI and its impact on decision making, therefore an integrated conceptual framework is needed to provide a systematic understanding of AI for decision making.
제안 3. AI의 사용과 의사 결정에 미치는 영향을 이론화하는 것이 필요하므로, 의사 결정을 위한 AI에 대한 체계적인 이해를 제공하기 위한 통합 개념 프레임워크가 필요하다.
4.2. Technology-human interaction
4.2.1. The role of AI for decision making
For the early applications of AI in the business and management field, Edwards (1992) points out that the spread of expert systems (representing and applying expert knowledge using AI) into management and administrative applications from the scientific/technical domains of the early systems was very slow.
비즈니스 및 관리 분야에서 AI의 초기 응용 프로그램에 대해 Edwards(1992)는 과학/기술 도메인의 초기 시스템에서 관리 및 행정 응용 프로그램으로의 전문가 시스템(전문가 지식을 나타내고 적용하는 AI)의 확산이 매우 느렸다고 지적한다.
There has been an increased interest in examining the role of AI in recent years, i.e., automation or augmentation. Some AI practitioners and researchers argue that AI should be used to augment human judgment rather than automation (Miller, 2018a; Wilson & Daugherty, 2018) and “AI systems should be designed with the intention of augmenting, not replacing, human contributions” (Jarrahi, 2018 p. 584), but this assertion should be further supported with rigorous research and investigation with empirical evidence on how and why AI is best at providing augmentation in supporting human judgment rather than decision automation.
최근 몇 년 동안 AI의 역할(예: 자동화 또는 보강)을 검토하는 데 대한 관심이 높아졌다. 일부 AI 전문가 및 연구자들은 AI가 자동화가 아니라 인간 판단을 보강하는 데 사용되어야 한다고 주장하며(Miller, 2018a; Wilson & Daugherty, 2018), “AI 시스템은 인간의 기여를 대체하기보다는 보강하기 위해 설계되어야 한다” (Jarrahi, 2018, p. 584)고 말하지만, 이러한 주장은 AI가 인간 판단을 지원하는 데 있어 최상의 보강을 제공하는 방법과 이유에 대한 경험적 증거로 뒷받침되어야 한다.
Wilson and Daugherty (2018) argue that companies that deploy AI mainly to displace employees will see only short-term productivity gains. What is the evidence for this claim? If this is true, why and how will using AI for replacing employees not deliver the long-term gains and how can this shortcoming be overcome?
Wilson과 Daugherty(2018)는 AI를 주로 직원 대체를 위해 배포하는 기업은 단기적인 생산성 증가만을 경험할 것이라고 주장한다. 이 주장의 근거는 무엇인가? 만약 이것이 사실이라면, 직원 대체를 위해 AI를 사용함으로써 왜 그리고 어떻게 장기적인 이익을 얻지 못하며 이러한 단점을 어떻게 극복할 수 있을까?
Wilson and Daugherty (2018) also claim that companies can benefit from optimizing “collaboration between humans and artificial intelligence” and develop employees’ “fusion skills” that enable them to work effectively at the human-machine interface.
Wilson과 Daugherty(2018)는 또한 기업이 “인간과 인공지능 간의 협업 최적화”를 통해 이익을 얻을 수 있으며, 직원들이 인간-기계 인터페이스에서 효과적으로 작업할 수 있는 “융합 기술”을 개발할 수 있다고 주장한다.
However, some AI systems don’t have the capability to explain the reasoning process of decision making, how to solve the Blackbox issue, i.e., knowing why decisions are made in a certain way (Davenport & Ronanki, 2018) and provide explanations to AI users? To address this issue, Miller (2018b) observes that there has been a recent resurgence in the area of explainable AI because researchers and practitioners seek to make AI algorithms more understandable.
그러나 일부 AI 시스템은 의사 결정의 이유 과정을 설명할 수 있는 능력이 없으며, 블랙박스 문제를 해결하는 방법, 즉 특정 방식으로 결정이 내려지는 이유를 아는 것이 어렵다 (Davenport & Ronanki, 2018). 이 문제를 해결하기 위해 Miller(2018b)는 최근 설명 가능한 AI 분야의 부활이 있었음을 언급하며, 연구자와 실무자들이 AI 알고리즘을 더 이해하기 쉽게 만들고자 한다고 지적한다.
Many previous studies have examined the roles of AI before the era of Big Data. However, considering the super power of the new generation AI and the overwhelmingly mixed views and debate on the role of AI in decision making, it is imperative that the role of AI should be revisited and redefined, therefore we make the following proposition:
많은 이전 연구들이 빅 데이터 시대 이전의 AI 역할을 조사해왔다. 그러나 새로운 세대 AI의 강력함과 의사 결정에서 AI의 역할에 대한 복잡한 의견과 논쟁을 고려할 때, AI의 역할을 재검토하고 재정의하는 것이 필수적이다. 따라서 다음과 같은 제안을 한다:
Proposition 4. AI can play multiple roles in decision making, but AI will be mostly accepted by human decision makers as a decision support/augmentation tool rather than as the automation of decision making to replace them.
제안 4. AI는 의사 결정에서 여러 역할을 수행할 수 있지만, AI는 주로 인간 의사 결정자들에게 결정을 대체하기 위한 자동화가 아니라 지원/보강 도구로 받아들여질 것이다.
4.2.2. System design criteria for supporting decision making
As the effectiveness of AI systems for decision making can only be realized through its acceptance and use by the end users (Edwards et al., 2000), the system design criteria for AI-based systems has been an issue since the early applications of AI.
AI 시스템이 의사 결정에서 효과를 발휘하기 위해서는 최종 사용자의 수용과 사용을 통해서만 실현될 수 있으므로 (Edwards et al., 2000), AI 기반 시스템의 설계 기준은 초기 AI 응용 프로그램 이후로 중요한 문제가 되어왔다.
Based on our understanding of the roles of AI, whether for supporting, augmenting, replacing, or automating decision making, IS researchers need to propose the design criteria from technology-human interaction perspective for system developers to create ideal AI systems for human decision makers.
AI의 역할에 대한 이해를 바탕으로, 지원, 보강, 대체 또는 자동화의 목적으로 의사 결정을 위해 IS 연구자들은 시스템 개발자들이 인간 의사 결정자를 위한 이상적인 AI 시스템을 만들 수 있도록 기술-인간 상호작용 관점에서 설계 기준을 제안해야 한다.
Proposition 5. The ergonomic design of AI systems is important for their success, but the ergonomic issues are different between supporting, augmenting, replacing, or automating systems.
제안 5. AI 시스템의 인체 공학적 설계는 성공에 중요하지만, 지원, 보강, 대체 또는 자동화 시스템 간의 인체 공학적 문제는 다르다.
4.2.3. Refining and improving AI system performance while in use by decision makers
The unique strength of human intelligence is its ability to learn and adapt to new environment and challenges. Refining and improving performance through continuing learning has been a challenge for advancing AI until the recent advances in deep learning and Big Data.
인간 지능의 독특한 강점은 새로운 환경과 도전에 적응하고 학습하는 능력이다. 지속적인 학습을 통해 성능을 개선하는 것은 최근의 딥 러닝 및 빅 데이터 발전 이전까지 AI 발전의 도전 과제였다.
Deep learning, as a subset of machine learning, has been one of the essential enablers for the renewed AI success. Can AI systems be refined and improved by deep learning while they are in use by decision makers? This question needs to be addressed by further research.
딥 러닝은 기계 학습의 하위 집합으로서, AI의 성공 재창출을 위한 필수적인 요소 중 하나였다. AI 시스템은 의사 결정자가 사용하는 동안 딥 러닝에 의해 개선되고 발전될 수 있는가? 이 질문은 추가 연구를 통해 다루어져야 한다.
Proposition 6. AI systems performance for decision making can be refined and improved by deep learning while the systems are in use by decision makers.
제안 6. 의사 결정을 위한 AI 시스템의 성능은 의사 결정자가 사용하는 동안 딥 러닝에 의해 개선되고 발전될 수 있다.
4.2.4. AI users’ behaviour issues
Why do human decision makers accept/reject using AI for decision making? Previous research shows when people use AI as a supporting tool for decision making, different people may take different attitudes and actions on implementing the decisions recommended by the AI system.
인간 의사 결정자는 왜 AI를 의사 결정에 사용하는 것을 수용하거나 거부하는가? 이전 연구에 따르면 사람들이 AI를 의사 결정의 지원 도구로 사용할 때, 서로 다른 사람들은 AI 시스템이 추천하는 결정을 시행하는 데 있어 서로 다른 태도와 행동을 취할 수 있다.
For example, Davenport and Ronanki (2018) and Miller (2018a) identify the need for employees to adapt to the smart machines being used to partially or fully automate cognitive work. Davenport and Kirby (2016) introduce a model of ‘Five Ways of Stepping’ to help people renegotiate their relationship to machines and to co-exist with machines by aligning their contributions in the age of AI.
예를 들어, Davenport와 Ronanki(2018) 및 Miller(2018a)는 직원들이 인지 작업을 부분적으로 또는 완전히 자동화하는 데 사용되는 스마트 기계에 적응해야 할 필요성을 지적한다. Davenport와 Kirby(2016)는 사람들이 기계와의 관계를 재협상하고 AI 시대에 그들의 기여를 조화시켜 기계와 공존할 수 있도록 돕는 ‘다섯 가지 단계’ 모델을 소개한다.
For example, senior managers’ attitudes towards using AI can be critical as Ransbotham, Gerbert, Reeves, Kiron, and Spira (2018) suggest that scaling AI in the enterprise demands new ways to engage business experts with technology. Considering the importance of users’ behaviour towards using AI, we make the following proposition:
예를 들어, 고위 관리자들의 AI 사용에 대한 태도는 중요할 수 있으며, Ransbotham, Gerbert, Reeves, Kiron, 및 Spira(2018)는 기업에서 AI를 확장하는 데 있어 비즈니스 전문가와 기술 간의 새로운 참여 방식을 요구한다고 제안한다. AI 사용에 대한 사용자 행동의 중요성을 고려할 때, 다음과 같은 제안을 한다:
Proposition 7. AI users’ personal traits and knowledge and understanding of AI will significantly affect the use and success of AI.
제안 7. AI 사용자의 개인적 특성과 AI에 대한 지식 및 이해는 AI의 사용과 성공에 중요한 영향을 미칠 것이다.
4.3. AI systems implementation
4.3.1. Understanding the critical success factors
AI has been revitalized with Big Data and is becoming ever more powerful than before. However, while technology advancement may have no limit, its applications may encounter bottlenecks and unprecedented barriers.
AI는 빅 데이터와 함께 부활하였고 이전보다 더욱 강력해지고 있다. 하지만 기술 발전에는 한계가 없을지라도, 그 응용 프로그램은 병목 현상과 전례 없는 장벽에 직면할 수 있다.
Although there may be many factors affecting the success of AI applications, it is important to identify what are the most critical success factors based on the empirical evidence collected from the real-world AI applications.
AI 응용 프로그램의 성공에 영향을 미치는 많은 요인이 있을 수 있지만, 실제 AI 응용 프로그램에서 수집된 경험적 증거를 바탕으로 가장 중요한 성공 요인을 식별하는 것이 중요하다.
These critical success factors will help organizations to be more focused by addressing the most critical issues. The critical success factors can also offer valuable guidelines for AI designers and developers in their effort to overcome challenges in order to provide the most effective and acceptable systems for decision makers.
이러한 중요한 성공 요인은 조직이 가장 중요한 문제를 해결하는 데 더 집중할 수 있도록 도와줄 것이다. 또한 이들은 AI 디자이너와 개발자가 의사 결정자를 위해 가장 효과적이고 수용 가능한 시스템을 제공하기 위한 도전 과제를 극복하는 데 유용한 지침을 제공할 수 있다.
Based on the work by Duan, Ong, Xu, and Mathews (2012) before the era of Big Data, the technical challenges related to supporting executive decision making using AI (intelligent software agents in this case) are the agents’ capability to understand a business executive as an individual user with specific domain of work and information, and to fit the intelligence activities into the right content and context.
빅 데이터 시대 이전의 Duan, Ong, Xu, 및 Mathews(2012)의 연구에 따르면, AI(이 경우 지능형 소프트웨어 에이전트)를 사용하여 경영진 의사 결정을 지원하는 것과 관련된 기술적 도전은 에이전트가 특정 업무 및 정보 영역을 가진 개별 사용자로서 비즈니스 경영진을 이해할 수 있는 능력과 지능적 활동을 적절한 내용과 맥락에 맞추는 것이다.
They call for alleviating the limitations and bottlenecks of AI applications in terms of representing human intuition and judgement.
그들은 인간의 직관과 판단을 표현하는 데 있어 AI 응용 프로그램의 한계와 병목 현상을 완화할 필요가 있다고 주장한다.
For example, understanding the technology can be critical for adoption success. Davenport and Ronanki (2018) argue that before embarking on an AI initiative, companies must understand which technologies perform what types of tasks, and the strengths and limitations of each.
예를 들어, 기술을 이해하는 것은 채택 성공에 매우 중요할 수 있다. Davenport와 Ronanki(2018)는 AI 이니셔티브를 시작하기 전에 기업은 어떤 기술이 어떤 종류의 작업을 수행하는지, 그리고 각 기술의 강점과 한계를 이해해야 한다고 주장한다.
Proposition 8. There are a set of critical factors that will significantly affect AI’s success for decision making.
제안 8. 의사 결정에 있어 AI의 성공에 중대한 영향을 미칠 중요한 요인들이 존재한다.
4.3.2. Understanding the synergy of AI and Big Data
It can be argued that it is Big Data that has empowered AI for its current boom and the domain of cognitive computing will be incomplete without harnessing the benefits of Big Data analytics (Gupta, Kar, Baabdullah, & Al-Khowaiter, 2018).
빅 데이터가 현재의 AI 붐을 가능하게 하였고, 인지 컴퓨팅의 영역은 빅 데이터 분석의 이점을 활용하지 않고서는 불완전하다고 주장할 수 있다 (Gupta, Kar, Baabdullah, & Al-Khowaiter, 2018).
The Big Data era has added types of data that were not previously used in analysis, such as that from social media (Martínez-Rojas, Pardo-Ferreira, & Rubio-Romero, 2018; Ragini et al., 2018).
빅 데이터 시대는 소셜 미디어와 같은 이전에는 분석에 사용되지 않았던 데이터 유형을 추가했다 (Martínez-Rojas, Pardo-Ferreira, & Rubio-Romero, 2018; Ragini et al., 2018).
On the other hand, AI makes Big Data meaningful through cognitive computing because analysis of Big Data by humans can be extremely time-consuming and thus the utilization of AI techniques help to make sense of Big Data (Gupta et al., 2018).
반면, AI는 인지 컴퓨팅을 통해 빅 데이터의 의미를 부여한다. 인간이 빅 데이터를 분석하는 것은 매우 시간이 많이 걸릴 수 있으므로, AI 기법을 활용하면 빅 데이터를 이해하는 데 도움이 된다 (Gupta et al., 2018).
Yet AI is only one of many ways in which Big Data can be used (Yaqoob et al., 2016).
그러나 AI는 빅 데이터를 사용할 수 있는 많은 방법 중 하나일 뿐이다 (Yaqoob et al., 2016).
More research is needed to establish the unique advantages obtained by the combination of these technologies and understand how AI can be further improved with the increasing availability of Big Data with its volume, variety, and velocity.
이러한 기술들의 조합으로 얻어지는 독특한 이점을 확립하고, AI가 빅 데이터의 양, 다양성 및 속도의 증가에 따라 어떻게 더 개선될 수 있는지를 이해하기 위한 연구가 필요하다.
Proposition 9. There is a necessity to fully understand the synergy of AI and Big Data and its implications for AI research and practice.
제안 9. AI와 빅 데이터의 시너지 효과와 그것이 AI 연구 및 실천에 미치는 의미를 완전히 이해할 필요가 있다.
4.3.3. Culture and AI applications
Culture has been recognized as an important influential factor in technology acceptance by many studies in the past.
문화는 과거 많은 연구에서 기술 수용의 중요한 영향을 미치는 요소로 인식되어 왔다.
Does culture, such as national or organizational culture, and personal and religious values, also play a critical role in acceptance/adoption and use of AI applications?
국가 또는 조직 문화와 개인적 및 종교적 가치와 같은 문화가 AI 응용 프로그램의 수용/채택 및 사용에서 중요한 역할을 하는가?
For example, Gerbert, Reeves, Ransbotham, Kiron, and Spira (2018) examine “Why Chinese companies approach AI differently.” Liu, Chan, Zhao, and Liu (published online 2018) also find a significant influence of both organizational and Chinese national culture on knowledge management.
예를 들어, Gerbert, Reeves, Ransbotham, Kiron, 및 Spira(2018)는 “왜 중국 기업들이 AI에 다르게 접근하는가?”를 조사한다. Liu, Chan, Zhao, 및 Liu(2018년 온라인 발표) 또한 조직 문화와 중국 국가 문화가 지식 관리에 미치는 중요한 영향을 발견했다.
If culture does play a role, how, why, and to what extent does it affect AI success?
만약 문화가 역할을 한다면, 그것이 AI의 성공에 어떻게, 왜, 어느 정도 영향을 미치는가?
Proposition 10. The acceptance of AI for decision making can be affected by different cultures and personal values.
제안 10. 의사 결정을 위한 AI의 수용은 서로 다른 문화와 개인적 가치에 의해 영향을 받을 수 있다.
On the other hand, will the wide use of AI for supporting and automating human decision making change culture? This is an area that has not been well explored so far, thus requiring further investigation with the following research proposition:
반면, 인간 의사 결정을 지원하고 자동화하기 위한 AI의 광범위한 사용이 문화를 변화시킬 것인가? 이는 지금까지 잘 탐구되지 않은 분야로, 다음의 연구 제안에 따라 추가 조사가 필요하다:
Proposition 11. The acceptance and successful application of AI for decision making may result in a change of culture in organizations and in individual behavior.
제안 11. 의사 결정을 위한 AI의 수용 및 성공적인 적용은 조직의 문화와 개인 행동의 변화를 초래할 수 있다.
4.3.4. Ethical and legal issues
Ethical and legal concerns surrounding the applications of AI have become a major challenge.
AI 응용 프로그램과 관련된 윤리적 및 법적 우려는 주요한 도전 과제가 되었다.
However, as the role of government is critical for addressing the ethical concerns and legal challenges, particularly around responsibility for and explainability of decisions made by an automaton AI system, it is imperative that more research must be carried out on the role of the government in shaping the future of AI (Galston, 2018).
하지만 정부의 역할이 윤리적 우려와 법적 문제, 특히 자동화된 AI 시스템이 내린 결정에 대한 책임과 설명 가능성 문제를 해결하는 데 중요하므로, AI의 미래를 형성하는 정부의 역할에 대한 추가 연구가 필요하다 (Galston, 2018).
How can the government develop adequate policy, regulations, ethical guidance, and legal framework to prevent misuses of AI and their potential disastrous consequences on both individual and societal levels?
정부는 AI의 오용과 개인 및 사회 수준에서의 잠재적 재앙적 결과를 방지하기 위해 적절한 정책, 규제, 윤리적 지침 및 법적 프레임워크를 어떻게 개발할 수 있는가?
Proposition 12. Government plays a critical role in safeguarding the impact of AI on society.
제안 12. 정부는 AI가 사회에 미치는 영향을 보호하는 데 중요한 역할을 한다.
5. Conclusion
As AI has become more popular today due to Big Data, advanced algorithms, and improved computing power and storage, AI systems are becoming an embedded element of digital systems, and more specifically, are making a profound impact on human decision making.
AI는 빅 데이터, 고급 알고리즘, 개선된 컴퓨팅 파워와 저장 덕분에 오늘날 더욱 대중화되고 있으며, AI 시스템은 디지털 시스템의 필수 요소로 자리 잡고 있으며, 특히 인간의 의사 결정에 깊은 영향을 미치고 있다.
As a result, there is an increasing demand for information systems researchers to investigate and understand the implications of AI for decision making and to contribute to the theoretical advancement and practical success of AI applications.
이로 인해 정보 시스템 연구자들은 의사 결정에 대한 AI의 의미를 조사하고 이해하며 AI 응용 프로그램의 이론적 발전과 실제 성공에 기여할 필요성이 커지고 있다.
This paper aims to address this need by analyzing and highlighting the critical challenges and opportunities for IS researchers. Twelve research propositions are provided focusing on the use and impact of AI for decision making in terms of: theoretical development, technology-human interaction, and AI implementation.
이 논문은 IS 연구자들에게 중요한 도전과 기회를 분석하고 강조함으로써 이러한 필요를 충족시키고자 한다. 의사 결정에서 AI의 사용과 영향을 다룬 12개의 연구 제안이 제공되며, 이들은 이론적 발전, 기술-인간 상호작용 및 AI 구현 측면에서 논의된다.
Table 3 provides a summary of the research propositions. Although the propositions are specifically for research in AI for decision making, most of them can also provide relevant directions for research on the use and impact of AI in general.
표 3은 연구 제안의 요약을 제공한다. 이 제안들은 의사 결정에서 AI 연구를 위한 것이지만, 대부분은 일반적으로 AI의 사용과 영향에 대한 연구 방향을 제공할 수 있다.
Table 3 A summary of research propositions.Like any publication, this opinion paper has certain limitations.
모든 출판물과 마찬가지로, 이 의견 논문은 특정한 한계를 가진다.
First, it only reviews and discusses the history of AI through IJIM papers, and so our findings may not be comprehensive and representative.
첫째, IJIM 논문을 통해 AI의 역사를 검토하고 논의하기 때문에 우리의 발견이 포괄적이지 않거나 대표적이지 않을 수 있다.
Second, the paper only focuses on identifying the challenges and opportunities from the applications of AI for decision making; it does not cover issues related to advancing AI techniques and systems.
둘째, 이 논문은 의사 결정을 위한 AI 응용 프로그램에서의 도전과 기회를 식별하는 데만 초점을 맞추고 있으며, AI 기술 및 시스템 발전과 관련된 문제는 다루지 않는다.
Third, as an opinion paper, no primary data was collected or used to support the development of the research propositions.
셋째, 의견 논문으로서 연구 제안의 개발을 지원하기 위해 수집된 기본 데이터는 없다.
