PDTG 모델 - 목적(P), 데이터(D), 도구(T), 일반화(G)
영화 "에일리언:로물루스" 보셨나요?
미래 인류가 우주에서 외계생명체와 맞서 싸우며 생존하는 영화로 8월 14일 엊그제 개봉작입니다. 이번 에일리언 7 뿐만 아니라, 에일리언 시리즈에서는 사람과 함께 등장하는 존재가 있습니다.
바로 "합성인간(Synthetic Humanoid)”입니다.
합성인간은 금속과 전선으로 만들어진 "로봇" 인간이 아니라, 합성 유기체를 이용해 제작되고, 인공지능(AI)이 탑재된 인조인간입니다. 사람과 같이 생겼고 사람과 같이 행동하지만, 두려움과 연민 같은 감정이 없고, 오로지 데이터와 알고리즘에 의해서 상황을 계산하고, 인식하고, 판단하고 행동합니다.
영화 중에서 주인공 "레인"의 남동생으로 가족같이 가까운 합성인간 "앤디"가 등장하는데요. 인간과 인공지능이 함께 도움을 주고받는 조력자가 되기 위한 착안점이 있어, 이 부분에 대해 쉽게 알아보기로 하겠습니다.
첫째, 데이터 분석, 알고리즘, 인공지능에는 분명한 목적이 존재해야 합니다.
To help Lane
VS.
To benefit Weyland-Yutani
영화에서 합성인간 앤디는 주인공 레인의 이익을 최우선해서 행동하라는 목적을 가지고 영화에 등장합니다. 하지만 같은 로봇이라도 중간에 웨일랜드 유타니 회사의 이익을 최우선으로 한다는 목적으로 변경되자마자 전혀 다른 행동을 합니다. 같은 상황에서 같은 데이터, 알고리즘, 인공지능이 목적에 따라 다른 행동과 결과를 만들어 냅니다.
더 많은 사람을 살리기 위한 목적이 있다면, 인공지능은 3명보다는 10명을 살리는 방향으로 의사결정을 하고 행동합니다. 또는 사람보다는 회사의 이익을 위해 행동하는 상황에서 주인공들이 당황하고 좌절하는 장면이 잘 묘사되고 있습니다.
마찬가지로 실제 비즈니스에서 데이터, 알고리즘, 인공지능의 활용에 있어서, 그 시작점은 바로 명확한 “목적”이 되어야 합니다.
예를 들어, 데이터 분석을 통해 투자나 사업의 의사결정을 할 때도, 말하고자 하는 바를 분명히 설정하고 데이터의 선택과 분석이 진행되어져야 합니다.
또한 공정과 품질의 개선, 생산성의 향상이나 원가절감과 같이 이루고자 하는 바를 수립해야지만 목적에 맞는 공정자동화 로봇과 인공지능 도입이 가능합니다. 그리고 안전을 목표로 위험작업의 무인화를 비즈니스 문제해결의 목적으로 설정할 수도 있습니다.
목적이 불명확하면, 아무리 많은 양의 데이터와 뛰어난 최신 기술을 동원하더라도 그 결과는 의미가 없을 수 있습니다. 이것은 마치 여행에서 목적지를 정하지 않고 길을 나서는 것과 같습니다.
보다 구체적인 예로, 고객 이탈을 방지하기 위한 데이터 분석은 기존 고객의 행동 패턴을 분석하고 이탈 가능성을 예측하는 모델을 설계합니다. 반대로 고객 유입이 목적이라면, 기존 고객보다는 신규고객유입에 더 많은 데이터 수집과 연산이 집중됩니다.
이처럼 목적을 설정하고 그에 맞는 데이터와 알고리즘을 선택하는 것이 성공적인 데이터 활용의 첫걸음입니다.
두 번째로, 데이터의 중요성을 강조하고 싶습니다.
인간은 감정과 직관에 따라 결정을 내리기도 하지만, 인공지능은 철저히 데이터에 기반하여 결정을 내립니다. 인공지능의 강점은 방대한 데이터를 빠르게 분석하고, 그 결과를 바탕으로 최적의 결정을 내릴 수 있다는 점에 있습니다.
인간은 합리적 선택을 할 때
수많은 감정을 거쳐야 해서 우리가 도와야 한다.
영화 속 합성인간이 말한 "인간은 합리적 선택을 할 때 수많은 감정을 거쳐야 해서 시간이 오래 걸린다"라는 대사는 이 점을 잘 드러냅니다. 인간은 종종 감정에 휘둘려 비합리적인 결정을 내릴 수 있지만, 인공지능은 감정에 휘둘리지 않고 오직 데이터를 기반으로 판단을 내립니다. 이는 인공지능이 의사결정에서 강력한 도구로 작용할 수 있는 이유 중 하나입니다.
그러나, 데이터 기반 결정이 항상 옳다고만 할 수는 없습니다. 데이터는 과거의 정보를 바탕으로 예측을 하기 때문에, 새로운 변수나 예기치 않은 상황에서는 한계가 있을 수 있습니다. 따라서, 데이터를 기반으로 결정을 내릴 때는 항상 데이터의 출처와 품질을 고려해야 하며, 데이터에 내포된 편향성을 인지하고 수정하는 과정이 필요합니다. 이러한 내용에 대해서는 데이터 편향 오류 10가지에 대해서는 아래 책에서 자세히 소개합니다.
https://product.kyobobook.co.kr/detail/S000201438382
예를 들어, 한 기업이 마케팅 캠페인을 진행할 때, 과거의 판매 데이터를 분석해 고객의 구매 패턴을 파악하고, 이를 기반으로 타깃 마케팅을 수행할 수 있습니다. 그러나, 만약 이 데이터가 특정 연령대나 지역에 편중되어 있다면, 잘못된 결론을 도출할 수 있습니다. 이처럼 데이터 기반 결정이 성공적으로 이루어지기 위해서는 데이터의 신뢰성을 항상 점검해야 합니다.
셋째, 데이터를 활용하여 문제를 해결하는 과정에서 도구(즉, 디지털 기술)의 선택은 매우 중요합니다.
그러나 도구의 선택은 단순히 최신 기술이나 트렌드를 따르는 것이 아니라, 문제와 목적에 적합한 방법을 선택하는 것이 핵심입니다. 이 섹션에서는 데이터와 목적을 연결하는 도구의 중요성에 대해 자세히 살펴보겠습니다.
아마도 연구성과물이 치료를 해줄 수 있을지 몰라
에일리언: 로물루스에서 웨이랜드 유타니사에서 개발한 물질은 치료를 위한 도구로 등장합니다.(스포방지를 위해 여기까지만 말씀드립니다.)
도구의 본질은 문제를 해결하기 위한 수단입니다.
이것은 마치 건강을 유지하기 위해 다양한 치료 방법을 사용하는 것과 같습니다. 예를 들어, 침술은 동양의학에서 몸의 균형을 맞추기 위한 하나의 방법론입니다. 하지만 모든 병을 침술로 치료할 수 있는 것은 아닙니다. 때로는 외과적 수술이나 약물이 필요한 경우도 있습니다. 마찬가지로, 인공지능의 활용도 특정한기술이나 도구가 모든 문제를 해결할 수 있는 만능열쇠는 아닙니다.
도구의 선택은 문제의 본질과 목적을 정확히 이해한후에 이루어져야 합니다. 예를 들어, 비즈니스 문제를 해결하기 위해서는 먼저 그 문제의 본질을 파악해야 합니다. 문제의 본질이 명확하지 않다면, 아무리 좋은 도구를 사용하더라도 적절한 해결책을 도출하기 어렵습니다. 기술은 문제를 해결하기 위한 수단일 뿐이며, 툴 자체에 집착해서는 안 됩니다.
데이터 분석과 인공지능 활용에 사용되는 도구들은 시간이 지남에 따라 계속해서 변화하고 발전합니다.
예로 들어, 과거에 주로 사용되던 프로그래밍 언어인 포트란(Fortran)이나 C언어 대신, Python과 같은 새로운 언어가 널리 사용되고 있습니다. 그러나 이 역시 영원하지는 않을 것입니다. 이러한 변화 속에서 중요한 것은 도구 자체에 대한 집착을 버리고, 문제를 해결하는 데 필요한 데이터 기반 사고력을 기르는 것입니다.
단순히 Python이나 R, POWER BI나 Tableau, Power Automate과 LLM과 같은 특정 도구나 기술을 잘 다루는 것이 아니라, 데이터를 통해 문제를 어떻게 해결할 것인가에 대한 논리적 사고가 필요합니다
도구와 기술은 발전하고 언제든지 변화할 수 있지만, 문제 해결을 위한 사고력은 변하지 않습니다.
마지막으로, 데이터와 인공지능 활용에는 일반화 과정이 필요합니다.
특정 상황에서 얻은 성과를 조직 내 다른 분야나 프로젝트에도 적용할 수 있어야 합니다. 일반화는 데이터 활용의 확장성을 높이고, 더 큰 성과를 창출할 수 있게 합니다. 일반화는 다음과 같이 쉽게 설명할 수 있습니다.
① 가장 먼저 여러분들의 업무를 단위로 분할하고, 단계로 연결하여 프로세스 Process를 그립니다.
② 그중에서 디지털(Digital)화를 할 수 있는 단위를 찾아 수행하고, 결과물인 데이터를 쌓습니다.
③ 이제 알고리즘이나 AI로 대체할 수 있는 단계를 엮어서 "AI 프로세스"로 만듭니다.
④ 이제 자동화 영역을 점차 확대해 나아갑니다.
업무 프로세스의 자동화와 AI의 일반화는 단순히 특정 작업을 자동화하는 것을 넘어, 전체 비즈니스 프로세스에서 데이터 활용과 AI 도입을 통해 지속적으로 개선하고 확장해 나가는 과정입니다.
이를 성공적으로 구현하기 위해서는 단순한 AI 모델 개발을 넘어, 데이터의 안정적인 공급과 전문가의 데이터 분석, 시각화 도구, AI 모델의 유지관리 측면에서 폭넓은 접근이 필요합니다. 이를 위해 다음과 같은 4단계를 이해하고, 역량을 갖추어야 합니다.
1단계: 비즈니스 케이스 발굴
업무 프로세스 자동화의 첫 단계는 자동화할 수 있는 비즈니스 케이스를 발굴하는 것입니다. 이 단계에서 중요한 것은 비즈니스 목표를 명확히 정의하고, 자동화가 비즈니스 성과에 미칠 수 있는 영향을 평가하는 것입니다. 이는 분야별 전문가들의 융합적 협력이 필요합니다.
비즈니스 도메인 지식 전문가, AI 기술 전문가, 데이터 및 시스템 엔지니어 간의 원활한 소통과 협업이 필수적이며, 이를 위해 데이터 리터러시 역량이 중요합니다. 또한, 이 과정에서 필요한 부분에 대해서는 외부 전문가의 도움을 받는 것도 좋은 전략입니다.
2단계: 데이터 수집 및 전처리
데이터는 AI 프로세스 자동화의 핵심 자원입니다. 하지만 데이터 수집과 전처리 과정에서 많은 어려움이 발생할 수 있습니다. 데이터 거버넌스는 이 단계에서 중요한 역할을 합니다. 데이터 수집부터 적재, 전처리, 권한 관리까지의 과정에서 데이터의 품질을 보장하는 것이 중요합니다.
데이터 활용을 염두에 두지 않으면, 수집된 데이터가 제대로 활용되지 못하고 적재의 문제가 발생할 수 있습니다. 기존의 업무 부서와 조직 간에 역할 충돌이 발생할 수 있으며, 시스템 운영도 목적에 따라 달라질 수 있음을 이해해야 합니다. 따라서 이 단계에서는 데이터 거버넌스를 철저히 관리하며, 데이터가 비즈니스 목표에 맞게 준비되도록 해야 합니다.
3단계: 인공지능 모델 개발
AI 모델 개발 단계에서는 수집된 데이터를 기반으로 AI 모델을 구축하고 학습시킵니다. 이 과정에서 중요한 것은 AI 기술과 비즈니스 도메인 지식의 통합입니다. AI 모델은 단순히 높은 정확도를 목표로 하는 것이 아니라, 실제 비즈니스 환경에서 효과적으로 활용될 수 있는지에 중점을 두어야 합니다.
이때, 데이터를 분석하고 시각화할 수 있는 도구를 활용하여, 모델의 성능을 이해하고 최적화할 수 있어야 합니다. 또한, AI 모델 개발 이후에도 모델의 유지관리가 중요합니다. AI 모델은 시간이 지나면서 성능이 저하될 수 있으므로, 지속적인 모니터링과 업데이트가 필요합니다.
4단계: 인공지능 및 프로세스 운영
AI 모델이 개발된 후에는 이를 실제 업무 프로세스에 통합하고 운영하는 단계로 넘어갑니다. 이 과정에서 AI 모델이 일관되게 작동할 수 있도록 데이터 공급의 안정성이 보장되어야 합니다. 또한, 운영 과정에서 발생하는 새로운 데이터를 지속적으로 AI 모델에 반영하고, 이를 통해 프로세스를 개선해 나가야 합니다. AI 모델의 운영이 단발성으로 끝나는 것이 아니라, 지속적으로 비즈니스 프로세스와 함께 성장할 수 있도록 하는 것이 중요합니다.
지금까지 알아본 내용을 정리하면 다음의 다이어그램으로 나타낼 수 있습니다. 우리는 이것을 AI를 성공적으로 활용하기 위한 "PDTG 모델"이라고 부르기로 합니다.
이상 에일리언 영화를 보고 인공지능 활용에 필요한 PDTG 모델 - 목적(P), 데이터(D), 도구(T), 일반화(G)에 대해 알아보았습니다.
데이터와 인공지능의 성공적인 활용은
단순한 기술적 능력이 아니라, 전략적 사고와 실행력에 달려있다.
다음 메시지를 끝으로 이상 마무리 하겠습니다.
감사합니다.