3년후 AI 초격차 시대가 온다(책)

3년후 AI 초격차 시대가 온다(책)
제목	3년후 AI 초격차 시대가 온다 - 3000퍼센트 가치 창출의 시작
원제
저자	정두희
옮긴이
그린이
출판사	청림출판
출간일	2019.7.12
쪽수	308
ISBN13	9788935212859
ISBN	8935212857

3년후 AI 초격차 시대가 온다, 3000퍼센트 가치 창출의 시작

1 책소개

AI 에 대한 책

2 책 읽은 이유

이번 년도 목표 중 하나는 AI 를 더 잘 이해하는 것이다. 이 목표를 달성하고자 교양수준의 책을 읽게 되었다.

3 기억하고 싶은 글귀

3.1 AI 기술의 취약점

모든 신기술에는 양면성이 있다. 특장점이 있지만 실제 활용하는 현장에서는 기술 본연의 한계에 직면한다. 인공지능도 만능 시스템처럼 인식되곤 하지만 그 나름대로 취약성이 있다. 인공지능에 대해 충분히 이해하려면 이 기술의 취약점도 직시해야 한다.

첫 번째는 데이터 의존도가 크다는 점이다. 인공지능 기술을 실제로 활용하려면 알고리즘을 학습시킬 수 있을 만큼 큰 데이터세트를 작성하거나 확보해야 하는데 그러기가 어려울 수 있다. 의료 분야의 경우, 환자의 진단 결과를 정확하게 예측하려면 방대한 데이터가 필요하다. 앞서 언급한 대로 수만 개의 유전자 정보, 수백 개의 의학저널 등의 지식뿐 아니라 방대한 양의 임상시험 데이터도 필요하다. 이러한 데이터를 확보하거나 데이터에 접근할 수 없다면 인공지능의 수혜를 입기 어렵다는 한계가 있다.

IBM 왓슨이 암 치료 분야에서 활약하고 있지만 한편으로는 추가적인 발전에 대해 회의론이 일고 있는 것도 사실이다. 의학전문매체(STAT)는 왓슨이 정확하지 않고 위험한 진단을 내린다고 폭로했고, 〈월스트리트 저널>도 왓슨이 실제 환자에게 미치는 영향이 제한적이라고 평했다. 이러한 평가의 배경에는 환자의 데이터 수집에 존재하는 한계가 있다. 왓슨은 의학 논문과 교과서 등 방대한 의료정보를 학습하고 있으나, 문헌자료와 연결할 실제 환자 데이터가 부족하다. 암환자를 진료하려면 개인 병력과 치료 결과, 과거 유사 환자 사례 등 다양한 데이터를 학습해야 하는데, 방대한 관련 데이터를 모으는 데는 현실적으로 어려움이 있다. 특히 희귀암이나 재발암 등에 대해서는 데이터 부족 때문에 의료적 성과를 내지 못하고 있다.

두 번째는 데이터의 편향성이다. 인공지능의 학습이 데이터로 진행되다 보니, 데이터 자체가 편향되어 있으면 인공지능의 판단 또한 편향될 수 있다. 아마존에서는 머신러닝을 기반으로 500대 컴퓨터를 동원해 구직자 지원서를 5만여 개 키워드로 분석하는 방식을 적용했다. 그런데 학습을 시작한 지 1년여가 지나자 이 시스템이 경력 10년 이상의 남성 지원자만 후보로 고르기 시작했다. 여성이라는 단어가 들어가면 감점을 하기도 했다. 그동안에는 IT 기업에 남성 지원자가 압도적으로 많았기 때문에, 이런 데이터를 기반으로 한 인공지능이 남성 편
향적으로 서류를 분류한 것이다.

이 문제를 해결하기 위한 방법으로 IBM은 AI 오픈스케일을 내놓았다. 편향된 데이터에 근거한 치우친 결과를 검증하고 바로잡을 수 있는 개방형 기술 플랫폼이다. 이 플랫폼은 인공지능이 적용된 시스템이나 운용 환경에 관계없이 AI가 도출한 의사결정 과정을 설명하고 투명하게 관리하며 AI 편향성을 탐지한다. 어쨌거나 데이터의 편향성 이슈는 모든 분야에서 고려될 수 있다. 인공지능이 사람보다 객관적인 판단을 내릴 수 있는지에 대해서는 조금 더 증명이 필요한 시점이다. 사람의 생명과 직결되는 자율주행에도 인공지능이 적용될 수 있기 때문에 이는 결코 사소한 과제가 아니다.

세 번째는 인공지능의 취지와 달리 인간의 노동이 아직 많이 필요하다는 점이다. 현재 시장에 있는 인공지능 서비스의 90%는 지도학습방식이다. 지도모드의 인공지능에는 인간이 데이터를 주입해주고 지도를 해주어야 한다. 사람이 데이터를 일일이 분류하고, 가공 작업까지 해야 한다. 물론 조직 내 여러 부서의 가용 데이터를 추출해서 통합해주는 인공지능 알고리즘도 존재한다. 그러나 일반적으로 아직까지는 알고리즘 지도를 위해 사람의 손과 시간이 많이 필요한 단계이다.

네 번째는 인공지능이 도출한 결과를 설명하기가 어렵다는 점이다. 딥러닝의 처리방식은 블랙박스다. 딥러닝이 수많은 데이터로 학습을 하고 정확하고 빠른 예측을 해내고 있지만, 어떠한 원리로 예측을 하는지는 과학자나 엔지니어도 알지 못한다. 과장해서 이야기하면, 그동안 보여준 성능을 믿고 맡기는 것이다. 가장 진보된 과학이지만, 상당히 과학적이지 않은 아이러니한 모습이다. 데이터 편향성이 나타나는 이유도 처리 과정이 이처럼 '깜깜이' 방식이기 때문이다. 개발자도 전후사정을 정확히 알지 못하기 때문에 잘못된 판단이나 윤리적인 문제에 봉착할 수도 있다.

다섯 번째는 간접학습의 어려움이다. 인공지능은 상당히 산업 특화적이다. 어느 특정 산업에서 성숙한 인공지능 머신은 다른 분야에서 똑같은 활약을 하지 못한다. 학습하는 배경과 데이터가 다르기 때문에 그대로 적용하지 못하는 것이다. IBM 왓슨이 진단 알고리즘을 개발해 헬스케어 시장을 개척하는 데 성공했지만, 같은 알고리즘을 금융시장에 활용하려면 데이터도 새로 확보해야 하고, 금융산업 전문가와 함께 학습을 새로 시작해야 한다. 알고리즘 적용방식이 거의 비슷하다 해도 환경이 바뀌면 재교육을 해야 한다는 점은 알고리즘의 확장성 측면에
서 한계점이라고 볼 수 있다.

간접학습의 어려움을 해결하기 위해 전이학습(Transfer Learning)이 연구되고 있다.

전이학습 관련하여 전이학습 쉽게 이해하기와 인공지능 전이학습과 응용 분야 동향 보고서를 읽으면 이해가 더 잘 된다.

3.2 인공지능 제품을 만든다는 것

인공지능 비즈니스의 3가지 요소

1. 알고리즘(Algorithm)
2. 데이터(Data)
3. 비즈니스 모델(Business Model)

인공지능 기반의 비즈니스를 개발하는 데는 세 가지 핵심요소가 필요하다. 알고리즘, 데이터, 비즈니스 모델. 데이터가 풍부해야 인공지능 머신이 학습을 하여 사용자에게 맞는 서비스를 제공할 수 있다. 알고리즘이 있어야 데이터를 통해 사용자에게 제공할 결과물을 창출할 수 있다. 비즈니스 모델은 데이터나 알고리즘과 같은 기술적 자원을 토대로 사용자에게는 가치를, 기업에는 수익을 가져다주는 역할을 한다.

인공지능 혁신은 이 세 가지 요소를 기반으로 창조적인 응용을 하는 것이라고 볼 수 있다. 앞으로 머신러닝 기반의 AI 알고리즘은 수없이 쏟아져나올 것이다. 데이터의 양과 질도 기하급수적으로 향상될 것이다. 인공지능을 통한 비즈니스 혁신은 이전에 없던 새로운 가치를 만들어내는 일인데, 이러한 기술적 기반을 어떻게 가꾸느냐에 달렸다. 기술을 가장 먼저 개발하는 것 못지않게 기술에서 가치를 먼저 끌어내는 것도 중요하다. 애플은 아이팟, 아이튠즈, 아이폰 등을 선도적으로 내놓아 시장의 절대 강자로 발돋움했지만 관련 기술을 최초로 개발한 업체는 아니다. 최초로 기술을 개발하진 않았지만 관련 기술을 최초로 개발한 업체는 아니다. 최초로 기술을 개발하진 않았지만 참신한 방식으로 신기술을 활용해 수익성 높은 비즈니스 모델을 완성시킨 덕분에, 이 기술 분야에서 최고 강자가 될 수 있었다. 인공지능 기반의 비즈니스 혁신은 결국 기술의 창조적 응용이다.

(중략)

창조적 융합을 가장 잘 실천하고 있는 기업은 스타벅스다. 커피전문점과 인공지능의 조합이 왠지 어울리지 않아 보이지만 스타벅스는 이를 아주 자연스럽게 수행하고 있다. 이 회사는 최근 음성명령이나 채팅창을 통해서 주문할 수 있는 마이 스타벅스 바리스타' 서비스를 시작했다. 인공지능 챗봇 기술을 이용, 음성이나 채팅을 통해 마치 스타벅스 내 점원과 대화하듯이 주문을 하는 서비스다. 아마존의 가상비서 알렉사를 통해서도 스타벅스 커피를 주문할 수 있도록 했다. 스타벅스의 핵심은 고객과의 정서적 유대감을 형성하는 것인데, 인공지능 기술이 이를 더욱 강화해주리라 보고 다양한 AI 기술을 적극적으로 결합한 것이다. 스타벅스 창업자인 하워드 슐츠(Howard Schultz)는 "기술혁신은 브랜드를 강화하고 매장관리의 효율성을 개선하며 수익성을 높여주고 경쟁우위를 확대해 고객에게 스타벅스에서의 경험의 질을 높이는 기회를 만들 것"이라고 주장한다.

3.3 창조에 다가선다, 생성혁신

인공지능 생성기술은 다양한 영역에서 활용될 것이다. 정기적으로 나오는 잡지의 표지 디자인 영역에도 이 혁신기술이 적용될 수 있다. 스탠퍼드대학교 연구원인 로비 바렛(Robbie Barrat)은 머신러닝을 이용해 인공지능에 수천 점의 그림을 학습시켰다. 이후 생성적 적대 신경망(Generathe Adversarial Network, GAN) 기술을 적용해 직접 풍경화를 그리게 했다. GAN 기술은 인간의 개입이나 추가적인 학습 데이터 없이 인공지능 스스로 학습하게 하는 신경망 기법으로, 서로 대립되는 두 시스템이 상호경쟁을 통해 성능을 높이는 비지도학습법의 하나다. 가령 한 시스템은 위조지폐를 만드는 기능이고 다른 시스템은 지폐 위조 여부를 감지하는 기능일 경우, 두 시스템의 경쟁을 통해 성능을 향상시키는 것이다. 로비 바렛은 이 방식을 2주 정도에 걸쳐 적용해 완성도 높은 풍경화를 만들었고 이를 잡지 표지에 적용했다. 매주 새로운 디자인을 만들어내는 작업에는 이른바 창작의 고통이 따르고 만만치 않은 비용이 발생하지만, 인공지능을 통한 이러한 방식은 창작에 효율성을 가져다줄 것이다.

로고 디자인도 마찬가지다. 로고 디자인은 한 컷의 작은 이미지이지만 기업의 철학을 담아야하고 고객을 끌어들일 마케팅적 요소도 있어야 하기 때문에 고민도 많이 해야 하며, 따라서 수많은 재작업을 필요로 한다. 그런데 재작업의 상당수를 인공지능으로 해결할 수 있다면 로고 제작에 드는 시간과 노력을 단축할 수 있을 것이다. 인공지능을 이용해 자동으로 기업 로고를 디자인해주는 스타트업, 테일러 브랜드(Tailor Brands)는 이 부분을 공략했다. 고객이 웹사이트에 접속해서 회사에 대한 기본 정보를 입력하고 원하는 디자인 스타일을 선택하면 인공지능이 자동으로 다양한 브랜드 로고를 디자인해준다. 무료로 말이다. 2014년에 설립된 이 스타트업은 3년 동안 이미 4,500만 개의 로고를 만들어냈다.

3.4 AI 비즈니스의 목적은 고객경험 혁신이다

가령 커플 매칭 서비스는 오래전부터 존재했지만, 최근 인공지능 예측모델에 기반해 전방위적 상황을 고려한 매칭 분석을 추구하는 형태의 서비스가 등장했다. 데이팅 애플리케이션인 틴더(Tinder)는 DNA 분석업체인 페라모르(Pheramor)와 제휴해, 개개인이 선호하는 스타일이나 가정환경 같은 추구하는 삶의 방향뿐 아니라 DNA 테스트를 통한 생물학적 요소의 적정성까지, 다양한 맥락을 분석할 수 있게 되었다. 참고로 요즘 DNA 테스트는 매우 간소해졌다. DNA 키트를 구입해서 입속의 뺨에 살짝 긁으면 입 안의 세포가 묻어 나오는데 이를 업체에 보내면 3개월 이내에 DNA 분석을 해준다. 이 정보는 인공지능 예측모델과 결합되어 최적의 배우자를 보다 정확하게 찾을 수 있는 시너지를 창출한다.

(중략)

정리해보면, 기술에서 가치를 캐내는 일이 기술혁신의 본질이다. 엔지니어가 정교한 AI 알고리즘을 개발해도, 이를 토앻 수익 기회를 창출하는 비즈니스 모델을 만들어내지 못한다면 그저 빛 좋은 개살구일 뿐이다. 기술을 어떤 형태의 참신한 솔루션으로 만들어낼 것인가? 기술이 창출하는 기능을 누구에게 제공할 것인가? 경쟁사의 제품과 차별화가 되는 가치제안을 만들어낼 수 있는가? 이를 어떤 방식으로 고객들에게 전달할 것인가? 수익을 어떻게 낼 것인가? 우리는 인공지능 기술에 대한 이해를 바탕으로, 이러한 질문을 던지며 매력적이고 참신한 비즈니스 모델을 개발해야 한다.

3.5 AI 비즈니스의 실행지침, A.C.T.I.O.N

인공지능에 의한 변화는 선형적이지 않기 때문에 예측도 어렵다. 급변하는 환경에서 과거와 똑같은 길을 걷고 있다면 경쟁력을 잃기 쉽다. 실리콘밸리의 투자자인 피터 틸(Peter Thiel)은 "앞으로의 세상은 거듭제곱 법칙을 따를 것"이라고 말했다.

평균적인 성공을 거두는 기업들이 분포의 중앙에서 다수를 이루지 않는다. 오히려 한 분야에서 가장 성공한 소수의 기업이 그 분야 나머지 기업들의 성공을 모두 합친 것보다 더 큰 성공을 누리는 것이다. 시장에서 가장 큰 수익률은 언제나 희소한 자원을 가진 기업에 돌아간다. 인공지능은 기업에 무한한 성장의 기회를 가져다줄 중요한 기술자본이다.

앞으로 3~5년 사이, 산업은 인공지능 기술에 의해 커다란 지각변동을 겪을 것이다. 이 시기의 시장에서 기업은 혁신을 주도하는 기업과 혁신에 따르는 기업 두 종류로 나뉠 것이다. 전자는 시장의 파괴를 주도할 것이고 후자는 파괴의 희생양이 될 것이다. 앞장에서 살펴봤듯 이미 시장에는 독창적이고 진취적인 마인드로 비즈니스를 혁신하는 기업이 많다. 앞으로 3년 후 시장은 이들에 의해서 파괴될 가능성이 크다. 이들은 인공지능에 의해 증폭된 역량을 활용해 월등한 제품을 배포, 확산시켜 시장을 장악할 것이다. 월등한 인공지능 기술을 보유한 기업에 더 많은 소비자가 몰릴 것이며, 인공지능 머신은 더 많은 소비자의 사용 데이터를 기반으로 더욱 강력하게 고도화될 것이다. 역량이 증폭된 소수가 시장을 독식하게 된다. 파괴자와 희생자, 무엇이 이러한 운명을 가를까? 결국은 '실행'이다. 실행력이 강한 기업이 시장의 파괴적 혁신을 주도할 것이다. 이번 장에서는 인공지능 비즈니스 혁신을 위해 구체적으로 어떻게 실행해야 하는지에 대해 이야기할 것이다. 그 실행지침은 'A.C.T.I.O.N'이다.

3.6 Agility, AI는 선점 게임이다

인공지능은 속도전이다. 일찍 도입하는 기업이 선점효과를 누릴 가능성이 높다. 선점이 중요한 몇 가지 이유가 있다. 인공지능은 앞서 소개했듯이 학습하는 기계다. 인간이 성장하듯 인공지능 시스템도 시간이 지날수록 성능이 좋아진다. 그 말은 일찍 도입하면 학습량이 많아서 더 우월해질 수 있다는 뜻이다.

아마존의 인공지능 비서 알렉사를 보자. 알렉사가 시장에 등장한 초기 2016년 1월에는 수행하는 기능(skill)이 뉴스 읽기, 음악 재생 등 30가지 정도에 불과했다. 12개월이 지나자 수행 기능이 5,000가지로 늘어났고, 3개월이 더 지난 2017년 2월에는 1만 가지로 늘어났다. 학습을 먼저 시작할수록 학습량이 많아진다. 인공지능의 학습은 데이터를 기반으로 하는데 데이터의 축적도 먼저 시작한 기업이 유리하다. 더 긴 기간 축적할 수 있기 때문이다.

또한 축적된 데이터로 더 월등한 성능을 창출할 수 있기 때문에 더 많은 사용자를 모을 수 있고, 이는 더욱 방대한 데이터를 확보할 수 있는 기반이 된다. 특히 플랫폼 기반의 비즈니스를 하는 기업이라면 증가하는 사용자를 통해 획득하는 고객활동 데이터의 양이 기하급수적으로 늘어난다. 일찍부터 인공지능으로 특화된 기업은 월등한 제품을 먼저 만들어낼 수 있는 것이다.

그동안 자본주의 시장에서 기회는 대기업에 집중되었다. 새로운 기회가 생길 때, 대기업이 막대한 자본을 투자하여 진입하면 규모가 작은 기업은 먼저 시장에 뛰어들었다 하더라도 경쟁을 할 수가 없었다. 그러나 인공지능 시대에는 회사의 규모가 중요하지 않다. 고객긔 규모가 중요하다. 작은 스타트업이라도 혁신적인 아이디어와 민첩성을 갖추고 있다면 빠른 속도로 고객을 확보할 수 있다.

민첨성의 의미는 다른 데 있지 않다. 실패를 빨리 해보라는 뜻이다. AI에 관심 있는 경영자는 많다. 그러나 뭔가 시도를 해본 경영자는 적다. 관심은 있는데 아직 시도를 안 하는 이유는 뭘까? 많은 리더가 기술 도입에 대해 철저히 분석하고 계획을 완벽히 수립한 후 AI 프로젝트를 시작하려고 한다. 그동안의 비즈니스 패러다임에서는 맞는 이야기다. 그러나 인공지능은 그 종류가 전혀 다른 신기술이다. 매뉴얼이나 가이드라인이 존재하지 않는다. 런앤건(Run and Gun)이다. 공을 먼저 던져놓고 달려야 한다. 시장은 아직 인공지능 기술에 맞추어 정비되어 있지 않다. 인공지능을 어떤 방식으로 적용할지에 대한 모범답안이 시장에 나와 있지 않다. 경쟁사보다 먼저 도입하고, 시행착오를 하면서 정답을 찾아가야 하는 게임이다. 시간이 지나 시장에 모범답안이 나오기 시작하는 시점이면 시장의 재편이 어느 정도 마무리된 단계일 것이다. 그땐 늦는다. 지금은 정답을 기다릴 때가 아니다.

(중략)

IT 기업 시스코(Cisco Systems)의 존 챔버스(John Chambers) 전 회장은 "IT 산업은 변화가 빠른데 변화할 때마다 그에 필요한 역량을 모두 갖출 수는 없다. 따라서 해당 역량을 가진 기업을 인수하는 방식으로 역량을 확보하는 게 가장 적합한 전략이다"라고 했다. 인공지능도 마찬가지다. 디지털 기술로 무장한 선도기업이라 해도 새로운 인공지능 기술을 다 확보하지는 못하기 때문에 신생 스타트업을 눈여겨본다. 미국의 시장 조사기관인 CB인사이트(CB Insights)에 따르면, 2017년 한 해에만 약 120개의 인공지능 스타트업이 설립됐는데 그중 115개가 인수되었다.

3.7 AI 도입 속도를 결정하는 요인

어느 기업은 빠르게 도입을 하고 있고, 어느 기업은 그렇지 않다. 그 차이는 어디서 오는 것일까? 다시 말해, 기업의 인공지능 도입을 결정하는 요인은 무엇일까?

첫째는 의사결정을 하는 경영진의 인공지능에 대한 이해와 의지다. 많은 전문가와 학자는 인공지능 기술 도입에 있어서 기술에 대한 경영자들의 이해가 중요한 역할을 한다는 점을 강조한다. 아는 만큼 보이는 법이다. 인공지능 기술이 자사 비즈니스에 어떠한 기여를 할지에 대한 기대는 인공지능 기술이 어떤 가치를 창출하는지에 대한 심도 있는 지식에 의해 만들어진다. 생소한 영역에 다가가기 어려운 것은 누구에게든 마찬가지다. 잘 모르면 도입을 결정하기 어려운 법이다.

(중략)

기술도입에 대한 경영진의 의지 또한 아주 중요하다. 경영진의 의지는 범위와 강도 측면으로 고려해볼 수 있다. 범위는 인공지능 기술을 자사 비즈니스의 어느 범위까지 적용할 것인가에 대한 의지다. 인공지능 기술을 특정 기능에 국한해 적용할지, 사업 전반에 종합적으로 적용할지에 대한 의지다. 강도는 기술 도입을 얼마나 강하게 밀어붙일지에 대한 것이다.이는 우선순위와 직결된다. 기존 사업과 상충되는 경우 카니발라이제이션(cannibalization, 자기잠식 효과)을 감수해서라도 신기술을 도입할지, 기존 사업을 유지하는 범위 내에서 가볍게 도입할지에 대한 의지다. 신기술 도입은 경영진의 의지만큼만 된다고 봐도 과언이 아니다.

둘째는 조직의 흡수력이다. 경영진의 의지가 중요하지만 이것이 모든 것을 결정하지는 않는다. 조직이 이를 받아줄 여력이 있는지도 인공지능 도입에 영향을 준다. 조직 전반적으로 인공지능 기술의 핑요성과 활용방법에 대해 충분히 이해하고 있어야 한다. 인공지능 기술이 제대로 쓰이려면 궁극적으로는 기업문화와 업무 프로세스에 통합되어야 하는데 그 전제조건이 조직의 이해와 흡수력이기 때문이다. 쉽게 말하면, 인공지능 기반 비즈니스에서는 영업사원의 판매방식도 달라져야 한다.

(중략)

셋째는 조직의 디지털 체질이다. 조직의 디지털화 정도는 인공지능 도입의 속도를 결정짓는 중요한 요소다. 인공지능의 도입은 다시 말하면 디지털 혁명이다. 고도화된 디지털 기술을 도입하는 것이다. 디지털 기반이 잘 갖춰져 있는 조직일수록 인공지능 기술을 도입하는 데 유리할 수 밖에 없다. 인공지능의 탁월한 성능이 모든 기업에서 발휘되는 것은 아니다. 머신러닝을 포함한 대부분 인고지능 알고리즘은 빅데이터, 클라우드 시스템, 디지털 아키텍처를 필요로 한다.

(중략)

넷째는 외부적인 요인인 경쟁 환경이다. 파괴적 혁신 이론에 따르면 기술의 채택은 일반적으로 경쟁에 의해 주도된다. 조금 더 성능을 개량하기 위해 신기술을 경쟁적으로 도입할 때 기술의 발전 속도가 높아진다. 발전된 기술은 경쟁 환경에서 더욱 빠른 속도로 도입된다. 아마존, 애플, 구글, 페이스북, 마이크로소프트, IBM를 비롯한 디지털 기업들은 일찌감치 인공지능이 단지 기술적 진보만이 아니라 다양한 경제적 성장효과도 가져오리라 예상하고, 이 기술을 선점하기 위해 전투적으로 투자했다.

(중략)

앤드루 응 교수는 인고지능 기술을 도입할 때는 무리하지 말고 일단 소규모 프로젝트 팀으로 시작하라고 조언한다. 일단 조직이 AI에 익숙해져야 한다. 또한 초기에 작은 성공을 만들어내야 향후 AI 개발을 위한 모멘텀을 얻을 수 있다. 이를 위해 1년 이내의 단기간에 달성할 수 있는 명확한 목표를 수립하고 실질적인 아웃풋을 보일 수 있는 솔루션을 구축하라고 응 교수는 제안한다. 외부 전문가와 협업을 맺어 프로젝트를 추진할 필요도 있다. 프로젝트 그 자체에 매몰되지 않고 객관적인 시각에서 진행을 도와줄 수 있기 때문이다.

(중략)

응 교수는 2019년 2월에 쓴 <하버드 비즈니스 리뷰> 기고문에서 첫 프로젝트를 선정할 때에는 다음 다섯 가지 질문을 고려해야 한다고 제시했다.

1. 조기 성공을 가져다줄 수 있는 프로젝트인가?
2. 프로젝트가 지나치게 거대하거나 작지 않은가?
3. 프로젝트가 나의 비즈니스에 맞는가?
4. 신뢰할 수 있는 파트너와 함께 파일럿 프로젝트를 가속화할 수 있는가?
5. 프로젝트가 실질적 가치를 창출하는가?

프로젝트를 진행하면서 AI에 대한 이해도는 더욱 높아질 것이다. 이 기술이 자사 비즈니스의 어느 영역에서 가장 큰 가치를 창출할지에 대해 파악하게 될 것이다. AI 기능을 통해 산업 내에서 경쟁우위를 확보할 수 있는 지점을 찾는 것은 매우 중요한 전략이다. AI 혁신의 성공은 이러한 최적 지점을 찾아내어 자원을 집중시키는 데 달렸다.

3.8 Collaboration, 인간-머신 협업체계를 구축하라

2014년 체스 선수권 대회가 열렸다. 인간뿐 아니라 인공지능, 그리고 인간과 인공지능이 팀을 이루어 참여할 수 있는 프리스타일 대회였다. 이 대회에서 인공지능만으로 구성된 팀은 42경기에서 승리했지만 인간과 인공지능이 한 팀을 이루는 켄타우로스(Centaur, 그리스 신화의 반인반마 종족)팀은 53경기를 승리했다. 오늘날 지구상 최고의 체스 선수는 인간도 인공지능도 아니다. 인간과 인공지능이 협업하는 켄타우로스팀이다. 켄타우로스팀은 인공지능 기술이 아무리 발전한다 해도 가장 똑똑한 건 인공지능도 인간도 아닌 둘의 조합이라는 것을 상징적으로 보여준다. 인간과 기계의 지능은 그 종류가 서로 다르고 상호보완적 관계가 될 것이다. 따라서 미래 조직의 가치창출 역량은 인간과 인공지능 머신 사이에 협력관계를 얼마나 잘 구축하느냐에 달렸다.

3.9 Talents, 인재확보가 우선이다

3.10 Integration, 기능통합이 AI 흡수를 촉진한다

인공지능 혁신은 단순히 비즈니스 프로세스나 제품의 일부에 인공지능 기술을 추가하는 것만이 아니다. 인공지능은 턴키(turnkey, 수정 없이 바로 가동되는 완성된 시스템)방식으로 들여와서 바로 쓸 수 있는 종류가 아니다. 인공지능 기술의 조직 내 도입을 물리적 결합 방식으로 추구해서는 안 된다. 평범한 축구팀에 최고 수준의 스트라이커를 영입한다고 해서 팀 전력이 그 즉시 획기적으로 상승할까? 그렇지 않다. 이탈리아 축구구단 유벤투스는 크리스티아누 호날두를 영입한 이후, 전력을 극대화하기 위해 진영에 변화를 주고 선수들 포지션도 재배치했다. 호날두가 팀에 적응해야 하고, 팀 역시 호날두에 적응해야 하기 때문이다. 심지어 유벤투스는 '호날두 효과'를 위해 노조나 스폰서 등 팀 외부영역의 조정작업도 진행했다.

3.11 On tap data, 데이터 경쟁력이 AI 경쟁력이다

많은 사람이 인공지능을 떠올릴 때 입건이 같은 알고리즘을 생각한다. 정교한 알고리즘을 도입하면 좋은 비즈니스 솔루션이 나올 것으로 기대하지만 이는 큰 오해다. 마이크로소프트의 기술책임자인 제이콥 스포엘스ㅡ라(Jacob Spoelstra)는 ‘’’“흔히 나타나는 실수는 정교한 예측 알고리즘을 개발해놓고도 거기에 필요한 데이터는 가지고 있지 않다는 점이다”’’’라고 이야기했다. 알고리즘의 정교한지 데이터의 부재를 구제해주지는 못한다. 알고리즘이 동작하려면 데이터가 필요하다.머신러닝은 라벨화되어 있는 데이터가 필요하고, 패턴이니 알고리즘이 작동하려고 다양한 이미지, 음성, 텍스트, 지문 등이 필요하다. AI 혁신은 데이터 확보 능력과 더불어 데이터에 대한 활용 및 관리 능력을 요구한다.

우리는 AI 비즈니스의 차별성이 어디서 나오는지를 정확히 이해해야 한다. 점점 인공지능 소프트웨어에 자유롭게 접근할 수 잇는 시대가 되고 있다.이러한 시대에 알고리즘 자체는 차별성을 만들어내지 못할 것이다. ‘’’솔루션의 성능을 더욱 고도화할 ‘데이터’가 중요해지는 것이다.’’’ 아마존이 애써 개발한 알렉사의 알고리즘을 개방한 이유는 무엇일까? 이는 인공지능의 진정한 가치는 정교한 알고리즘보다 데이터에 있다는 것을 시사한다. 수많은 디지털기기를 통해 수많은 사람이 알렉사를 이용한다면 고객 데이터가 기하급수적으로 쌓인다.데이터가 방대해질수록 아마존의 예측능력은 더욱 월등합니다.아마존은 인공지능 엔진은 공개했지만 데이터는 공개하지 않았다. 인공지능의 미래가 결국 데이터에 달려 있기 때문이다.

(중략)

모든 조직은 비즈니스에 가장 적합한 데이터를 확보하기 위해 다각적인 접근을 취할 필요가 있다. 전략적으로 데이터 확보 채널을 마련해야 한다. 커피숍 같은 서비스 업체는 디지털 데이터가 만들어지지 않는 비즈니스이지요, 스타벅스는 디지털 플라이휠(Digital Flywheel)이라는 새로운 디지털 서비스를 선보이면서 데이터 확보를 위한 활로를 열었다. 스타벅스의 디지털 플라이휠은 리워드, 개인 맞춤, 결제, 주문 등의 서비스를 모바일 앱으로 간편하게 제공함으로써 스타벅스 이용률과 편리성을 키우는 전략이다. 사이렌 오더(Siren Order)은밀히 모바일로 주문할 수 있는 서비스다. 매장에서 줄을 서서 기다릴 필요 없이, 가는 도중에 앱으로 커피를 주문하고 매장에 도착하면 커피를 바로 찾아갈 수 있다. 게다가 앱으로 주문 승인, 커피 제조, 제조 완료 등 진행 상태를 확인할 수 있고, 음료가 완성되면 진동벨처럼 알림 메시지를 받을 수 있다.또 모바일 오더 & 페이는 초간편 결제 시스템이다. 앱에서 주문한 커피는 신용카드나 현금이 아닌 스타벅스 카드로 결제하면 된다.

이러한 디지털 세계에서의 고객행동은 데이터로 수집된다.사람들이 어느 스타벅스에서 어떤 커피를 몇 잔 마셨는지, 결제는 어떤 방식으로 하는지 등의 정보가 인공지능을 학습시킬 귀중한 데이터라는 것이다. 고객에게 감성적인 경험을 선사하는 스타벅스는 이렇게 디지털 기술을 융합해 서비스 역량을 높이고 데이터 기반의 고도화된 인공지능 서비스를 통해 커다란 시너지를 만들어내고 있다.

데이터는 AI 시스템의 핵심 자신이기 때문에 데이터를 어떻게 확보할지에 대한 전략이 수립되어야 한다. 데이터는 하나의 채널을 통해 수집할 수도, 다양한 채널을 통해 전방위적으로 수집할 수도 있다. 구글은 검색포털뿐 아니라 음성에서, 네스트(Nest, 실내 온도 조절장치를 제조하는 스타트업으로 구글이 2014년 인수함) 같은 기기 등을 통해 전방위적으로 사용자 데이터를 수집한다. 양질의 데이터를 얻기 위해서는 정교한 전략을 수립해야 한다. 또한 이를 통합 데이터 웨어하우스(data warehouse)를 통해 집중화하여 관리해야 한다.

‘’’중요한 점은 데이터 확보가 IT 부서 등 조직 내 특정 부서의 전유 업무가 아니라는 점이다.’’’ 모든 조직에서 데이터 확보에 관여하지 않는다면 AI 경쟁력은 극대화하기 어렵다. ‘’’데이터 확보 업무를 IT 부서등 기존의 관련 부서의 일로만 여긴다면 AI 기술의강점을 키우는 데 한계를 지닐 수밖에 없다.’’’ 의식하든 그렇지 않든, 마케팅, 회계, 운영, 영업 등 거의 모든 부서가 각종 데이터를 접하고 있다. 협력 및 제휴 회사의 채널과 합치면 데이터 소스는 무궁무진합니다. 이를 회사의 AI 경쟁력을 위해 얼마나 유연하고 효과적으로 활용하는가 중요하다.

(중략)

이 모든 것이 고객경험을 높이는 데 중요한 일이지만, 큰 조직에서는 여러 부서에서 서로 다른 데이터를 사용하다 보니 데이터가 단편화되는 경향이 있다. 이는 인공지능 알고리즘의 성능을 향상시키는 데 커다란 걸림돌잇다. 그때그때 필요할 때마다 데이터를 단편적으로 확보하는 게 아니라, 인공지능 솔루션에 대한 커다란 방향을 그린 후 그에 맞추어 일관된 데이터 확보 전략을 취해야 하고, 서로 다른 출처의 데이터를 어떻게 일관된 세트로 결합할지에 대한 분명한 전략을 세워야 한다.

데이터가 특정 영역에 격리되거나 여러 부서의 데이터가 분산되어 통합을 이루지 못하면 인공지능은 제대로 활용될 수 없다.

(중략)

데이터의 개인정보 보호는 조직 내 강력한 데이터 거버넌스 제도가 명확히 자리잡혀 있는지 여부가 결정한다. 2019년 <MIT 슬론매니지먼트리뷰>에 따르면 실제 데이터에 익숙한 조직은 데이터 거버넌스에 대한 정책이 잘 수립되어 있다고 한다. 데이터 기반의 인공지능 비즈니스를 일찍 도입한 혁신기업은 데이터 관리방식도 우수할 확률이 높다. 뒤늦게 서둘러 기술을 도입하는 기업은 조직의 데이터 관리 시스템을 제대로 정비해놓지 못할 가능성이 크다. 이렇듯 AI도입에뒤쳐진 기업에서 데이터 관리 수준의 격차가 또 하나의 진입장벽으로 작용할 것이다.

‘’’정리하면 인공지능 솔루션에 데이터는 가장 중요한 원동력이다. 사업에 최적화된 기능을 발휘하려면, 관련 데이터가 충분히 뒷받침되어야 한다.’’’ 이에 앞으로는 데이터의 중요성이 더욱 커질 것이다. ‘’’누구나 인공지능 소프트웨어를 사용할 수 있는 시대가 될 것이고, 결국 양질의 데이터에서 차별성이 창출된다.’’’ 조직 내 데이터 접근 및 활용 능력을 잘 갖추고, 개인정보 등 데이터 관리에 대한 견고한 체계를 마련하는 것이 중요하다. 또한 데이터를 활용해 플랫폼 및 제휴기업과 시너지를 내는 것 또한 정교한 검토를 통해 접근해야 한다. 데이터의 확보, 사용, 관리 면에서 성숙한 조직이다.

3.12 Network, 네트워크 효과로 역량을 증폭하라

인공지능 서비스에서 플랫폼이 중요한 이유는 뭘까? 인공지능이 플랫폼화되면 인공지능의 고차원적인 기능을 일반 사람도 클라우드 같은 플랫폼을 통해 쉽게 이용할 수 있다. 마이크로소프트가 PC 운영체제 시장을 90% 넘게 독점했던 것처럼, 인공지능 시대에도 플랫폼을 장악하는 기업이 많은 이점을 거머쥐게 될 것이다.

‘’’플랫폼의 가장 큰 장점은 독보적 성벽을 쌓을 수 있다는 것이다.’’’ 왜냐하면 플랫폼 내에서는 경쟁자가 따라오기 어려운 선순환 구조가 생기기 때문이다. ‘’’플랫폼 기업은 방대한 데이터를 축적함으로써 제품및 서비스의 AI 기능을 향상시킬 수 있다.’’’ 제품과 서비스가 질적으로 향상되면 더 많은 사람이 모이게 된다. 더 많은 사람이 모이면 수집되는 데이터의 양이 더 늘어나고 이는 또다시 제품과 서비스의 질적 향상으로 이어진다. 플랫폼 구축은 이러한 선순환 고리를 설계하는 것이라고 볼 수 있다.

그럼 어떻게 해야 플랫폼을 장악할 수 있을까? MIT의 마이클 쿠수마노 교수는 플랫폼을 구축하는 세 가지 원칙을 제시했다. ‘’’첫 번째 원칙은 개방성이다. 개방형 정책을 통해 타 기업이나 전문가가 자사 제품과 서비스에 이를 접목할 수 있게 해야 한다.’’’ 구글은 2016년 8월 데이터 분석과 머신러닝이 적용된 서비스인 ‘구글 클라우드 플랫폼(Google Cloud Platform, GCP)’을 내놨다. 기업용 클라우드 서비스 시장을 공략하기 위해서다. 구글은 과거에도 안드로이드를 모두에게 개방해 누구나 좋은 애플리케이션을 개발해 안드로이드 기반 스마트폰에서 구동할 수 있게 했다. 이를 더 잘할수 있도록 아예 IT 기업 입장에서는 영업 비밀에 해당할 법한 안드로이드 알고리즘 자체를 공개했다. 구글은 이에 그치지 않고 딥러닝이나 자율주행차에 적용된 머신러닝과 딥러닝 알고리즘도 오픈소스로 공개하는 정책을 펼치고 있다. 개발자들은 이제 구글의 인공지능 알고리즘을 접할 수 있게 됐다. 이러한 정책은 전 세계적으로 구글 플랫폼에 맞는 다양한 인공지능 애플리케이션이 개발되는 데 기폭제 역할을 할 것이다.

이미 알고 있겠지만, 아마존은 2016년부터 인공지능 비서 알고리즘 알렉사를 외부 기업이 이용할 수 있도록 ‘알렉사 파트너 프로그램’을 펼치고 있다. AWS 파트너 기업들이 알렉사를 자사 제품에 탑재하거나 혹은 응용개발을 할 수 있게 한 것이다. 알렉사가 수행할 수 있는 일은 3만 개에 육박한다. 이 알렉사 알고리즘을 일반 기업이 자사 제품과 서비스에 녹여내는 것을 아마존이 허용한 것이다.

(아래 사진으로 대체)

섬네일을 만드는 중 오류 발생: /app/wiki/includes/shell/limit.sh: line 101: 19621 Aborted /usr/bin/timeout $MW_WALL_CLOCK_LIMIT /bin/bash -c "$1" 3>&- Error code: 134