인공 지능: 모두가 원하지만 모든 사람이 준비되어 있는 것은 아닙니다.

비즈니스는 AI에 대해 낙관적이지만, 가시적인 비즈니스 이점을 제공하기 위해서는 잘 발달된 이해가 필요합니다.

인공 지능 기술은 인상적인 채택 수준에 도달했으며 경쟁력 있는 차별화 요소로 간주됩니다. 그러나 기술이 너무 보편화되어 더 이상 경쟁 차별화 요소가 아닌 클라우드를 생각해 보십시오. 앞으로 AI로 성공하는 조직은 인간의 혁신과 비즈니스 감각을 AI 기반에 적용하는 조직이 될 것입니다. 

RELX가 발표한 연구에서 확인된 과제는 적어도 미국에서 AI 기술 사용이 기업의 81%에 도달했으며, 이는 2018년 이전 RELX 설문조사 이후 48%에서 33% 포인트 증가한 수치입니다. 또한 AI가 상품을 제공하는 것에 대해서도 낙관적이며, 93%는 AI가 비즈니스 경쟁력을 높인다고 응답했습니다. 이러한 편재성은 95%가 AI 시스템을 구축하기 위한 기술을 찾는 것이 어렵다고 보고하는 이유일 수 있습니다. 75%는 AI 시스템이 직장에서 편향의 위험을 초래할 수 있다고 우려하고, 65%는 시스템이 편향되어 있다고 인정했습니다.  

따라서 아직 해야 할 일이 많습니다.  AI를 실현할 수 있는 사람, 그리고 가능한 한 공정하고 정확하게 만들 수 있는 사람이 중요합니다. 

데이터트론의 CEO인 하리쉬 도디(Harish Doddi)는 "많은 AI 및 머신 러닝 배포가 실패하지만, 대부분의 경우 실제 기술의 문제라기보다는 주변 환경에 대한 문제가 더 크다"고 말합니다. AI로 전환하려면 "적절한 기술, 리소스 및 시스템이 필요합니다." 

AI와 ML에 대한 잘 발달된 이해가 있어야 비즈니스에 가시적인 이점을 제공할 수 있습니다. AI와 ML은 수년 동안 사용되어 왔지만 "우리는 여전히 그들의 진정한 기능을 발견하는 데 있어 겨우 수박 겉핥기에 불과합니다"라고 Honeywell의 커넥티드 빌딩 총괄 관리자인 Usman Shuja는 말합니다. "그렇긴 하지만, 다른 사람들의 실수에서 얻을 수 있는 귀중한 교훈이 많이 있습니다. AI가 모든 비즈니스의 거의 모든 부서에 상당한 가치를 더할 수 있다는 것은 틀림없는 사실이지만, 기업이 저지를 수 있는 가장 큰 실수 중 하나는 달성하고자 하는 비즈니스 가치에 대한 명확한 이해 없이 AI를 구현하기 위해 AI를 구현하는 것입니다."

또한 AI는 영리한 변화 관리가 필요하다고 Shuja는 덧붙입니다. "사용 가능한 가장 최첨단 AI 솔루션을 설치할 수 있지만 직원들이 새로운 업무 방식에 적응하기 위해 행동을 바꿀 수 없거나 바꾸지 않는다면 가치가 없습니다."

또 다른 문제는 RELX 설문조사에서 많은 경영진이 표현한 편향입니다. Shuja는 "알고리즘은 알고리즘을 작성하는 사람과 알고리즘이 제공하는 데이터에 따라 쉽게 편향될 수 있으며, 기본 코드에 구축될 수 있으므로 ML에서 편향이 더 많이 발생할 수 있습니다"라고 말합니다. "많은 양의 데이터로 정확성을 보장할 수 있지만 실제 사용 사례를 모방하기에 충분한 데이터를 확보하는 것은 사실상 불가능합니다."

예를 들어, 그는 "만약 제가 프로 라크로스 팀을 위해 대학 운동선수를 모집하려고 할 때, 제가 듣는 대부분의 선수들이 텍사스 롱혼 출신이라는 것을 알게 된다면, 최고의 라크로스 선수들은 텍사스 대학교에 다닌다는 결론을 내릴 수 있습니다. 그러나 이는 알고리즘이 한 대학에서 너무 많은 데이터를 수신하여 편향을 생성했기 때문일 수 있습니다."

데이터가 설정되는 방식과 데이터를 설정하는 사람은 "의도치 않게 알고리즘에 편향을 심어줄 수 있다"고 Shuja는 말합니다. "아직 이러한 함의를 충분히 고려하지 않은 기업은 AI 및 ML 기술 노력의 최전선에 이를 적용하여 솔루션의 무결성을 구축해야 합니다."

또 다른 문제는 많은 기업이 알게 된 것처럼 AI 및 ML 모델이 너무 빨리 구식이 되고 Covid 및 공급망 문제의 결과로 계속 발견된다는 것입니다. Doddi는 "모델 수명 주기를 보여주는 좋은 문서가 있으면 도움이 되지만 모델을 신뢰할 수 없게 되면 여전히 충분하지 않습니다"라며 "AI 모델 거버넌스는 실무자가 '이전 버전은 어땠습니까?', '모델에 어떤 입력 변수가 들어오나요?'와 같은 질문을 하도록 함으로써 기계 학습 모델에 책임과 추적성을 부여하는 데 도움이 됩니다"라고 말합니다. 
  
거버넌스가 핵심입니다. 개발 과정에서 Doddi는 "ML 모델은 특정 가정, 규칙 및 기대치에 묶여 있습니다. 프로덕션에 배포되면 개발 환경에서의 결과와 결과가 크게 다를 수 있습니다. 이 경우 모델이 운영되면 거버넌스가 매우 중요합니다.  다양한 모델과 버전을 추적할 수 있는 방법이 필요합니다."

AI의 경우 "적을수록 좋다"고 Shuja는 말합니다. "AI는 완성도가 높고 형식이 잘 지정된 데이터와 짝을 이룰 때 가장 성공적인 경향이 있습니다. 이는 대부분 CRM, ERP 및 마케팅과 같은 IT/엔터프라이즈 데이터 영역 내에 있습니다. 그러나 운영 기술 데이터와 같이 데이터의 응집력이 떨어지는 영역으로 이동하면 AI 성공을 달성하는 것이 조금 더 어려워집니다. 예를 들어, AI를 사용하여 건물이나 산업 플랜트에서 에너지 소비를 줄이는 것과 같이 산업 환경에서 확장 가능한 AI에 대한 엄청난 요구가 있습니다. 머지않아 공장 현장에서 회의실에 이르기까지 모든 비즈니스가 연결될 것입니다. 처리 중인 데이터로부터 지속적으로 학습하고 개선합니다. 이는 기업에서 AI를 위한 다음 주요 이정표가 될 것입니다."