AI를 단체 경기로 생각해야 하는 이유

데이터 과학자에게 과도한 업무 부담을 지우는 대신 분야 전문가를 활용해 비즈니스 전반에 AI 기반 솔루션을 확장하는 방법을 알아보십시오.

편집자 주: 이 글은 원래 Forbes에 실렸던 기사입니다.

AI를 일종의 '단체 경기'로 생각한다는 것은 어떤 의미일까요? 이제 AI 프로젝트가 과장된 이미지를 벗어나 실질적인 영향력을 보여주고 있습니다. 프로젝트에 올바른 역할이 참여하면서 이전에는 없었던 비즈니스 컨텍스트를 제공한 것이 주된 이유입니다. 여기서 분야 전문가가 열쇠입니다. 기계는 사람에게 있는 문맥상 깊이가 없고, 사람은 비즈니스와 데이터를 제대로 충분히 이해해야만 도출된 인사이트나 권장 사항에 따라 어떤 조치를 취할지 파악할 수 있기 때문입니다.

AI 확장을 놓고 많은 리더가 인력 문제 특히, 데이터 과학자의 부족을 고민합니다. 하지만 모든 비즈니스 문제가 데이터 과학 문제는 아닙니다. 적어도 모든 비즈니스 과제가 데이터 과학 팀에 배당되어서는 안 됩니다. 올바른 방식을 취한다면, 기존의 데이터 과학 주기에서 발생하는 어려움 없이 AI의 혜택을 온전히 누릴 수 있습니다.

AI 솔루션을 배포하고 확장하려면, 리더는 AI를 단체 경기로 생각하도록 조직의 사고방식을 바꿀 필요가 있습니다. AI 프로젝트에 따라 성공적인 결과를 얻는 데 필요한 인력과 도구, 기대치가 다를 수 있습니다. 그러한 기회를 어떻게 인지할지 알면 AI 프로젝트가 더 성공적이 되고 AI 사용자의 수준을 심화시키며 인력 전반의 의사 결정 속도와 역량을 강화하는 데 유리합니다. 그럼 그 이유와 방법은 무엇인지 살펴보겠습니다.

많은 조직에서 AI를 통해 고급 분석을 대중화함

AI를 사용해 비즈니스 문제를 해결하는 일은 대체로 데이터 과학자의 영역이었습니다. 많은 경우 데이터 과학 팀은 조직의 가장 큰 기회와 가장 복잡한 문제를 파악하고 해결하기 위해 존재합니다. 상당수 조직이 데이터 과학을 사기 감지, 개인화 같은 특정 사용 사례에 적용하여 성과를 봤습니다. 이러한 영역에서는 깊은 전문 기술력과 정교한 모델이 있으면 커다란 성과를 도출할 수 있기 때문입니다.

하지만 AI 솔루션을 데이터 과학 팀을 통해 확장하는 일은 많은 이유로 조직에 힘든 일입니다. 인재를 유치하고 보유하는 일은 많은 비용이 들며 경쟁이 치열한 시장에서 어려울 수 있습니다. 기존 데이터 과학 프로젝트의 경우 개발과 배포에 상당한 시간을 들여야만 비즈니스에 주는 가치를 볼 수 있습니다. 아주 노련하고 정통한 데이터 과학 팀이라도 해결 요청을 받은 문제의 미묘한 차이를 이해하는 데 필요한 데이터나 컨텍스트가 없다면 실패할 수 있습니다.

2021 Gartner®의 The State of Data Science and Machine Learning(DSML), 데이터 과학 및 기계 학습 현황 보고서에 따르면, "전문가가 아닌 사용자층은 DSML을 더 쉽게 적용하기를 원하고 전문가는 생산성 향상을 필요로 하며 기업은 투자 가치 실현 시간을 단축하기 원하는 등 고객의 요구가 변하고 있습니다". AI가 제공할 수 있는 분석의 속도나 철저함을 활용할 수 있는 비즈니스 문제가 많은 반면, 기존 데이터 과학의 접근 방식은 가치를 빠르게 실현할 최고의 공격 방안이 되지 못하는 경우가 있습니다. 실제로 이 Gartner 보고서에서는 "2025년이 되면 데이터 과학자의 부족이 더 이상 조직에 데이터 과학과 기계 학습 채택을 저해하는 요인이 되지 않을 것"이라고 예측합니다.

비즈니스에 AI를 확장하는 데 분야 전문가의 역할이 결정적

이미 AI는 데이터 과학 배경지식이 없는 사용자도 고급 분석 기능을 사용할 수 있게 돕고 있습니다. 기계는 최적의 예측 모델과 알고리즘 중에서 선택할 수 있습니다. 또한, 기초 모델을 공개하여 사용자가 원하는 모든 것에 맞도록 세부 조정하는 능력을 제공합니다.

이러한 기능을 통해 분석가와 노련한 비즈니스 분야 전문가는 자신에게 필요한 AI 응용 프로그램을 설계하고 활용할 수 있습니다. 해당 데이터에 더 친숙하기 때문에 이러한 사용자는 같은 상황의 많은 데이터 과학자보다 유리합니다. 이러한 힘을 분야 전문 지식이 있는 사람의 손에 제공함으로써, 기존 데이터 과학 주기에서 발생하는 개발 기간 장기화와 리소스 부담, 숨은 비용 같은 문제를 피할 수 있습니다. 더욱이, AI 예측이나 제안이 유용하기는 한지 아닌지 결정하는 것도 분야 전문 지식이 있는 사람이 해야 합니다.

더 반복할 수 있고 수정 후 재배포가 가능한 모델 빌드 프로세스를 확립하면, 비즈니스 컨텍스트를 아는 인력이 AI를 통해 더 빠르게 가치를 실현할 수 있습니다. 심지어는 몇 주에서 몇 달이 아닌 며칠에서 몇 주 내로 수천 명의 사용자에게 새 모델을 배포할 수 있습니다. 이는 팀의 문제가 데이터 과학 팀에는 시급하지 않은 문제이나 AI 분석의 속도와 철저함을 이용할 수 있는 경우에 특히 효과적입니다.

하지만 이러한 솔루션이 분석가와 데이터 과학자 사이의 기술 격차 해소에 도움이 된다고 하더라도, 데이터 과학자를 대체할 수는 없다는 점을 유념해야 합니다. 데이터 과학자는 여전히 비즈니스 전문가의 핵심 파트너로서 AI 기반 솔루션에 사용되는 데이터를 검증하는 역할을 합니다. 이러한 협업 외에도 교육과 데이터 기술이 이러한 도구를 규모에 맞게 제대로 사용하는 데 필수입니다.

더 많은 사람이 AI를 활용할 수 있게 해 주는 데이터 리터러시

조직의 근본적인 데이터 전략이 조직의 AI 성공을 준비하는 데 상당한 역할을 하지만, 비즈니스 전반에서 더 많은 사람이 AI 솔루션을 사용하게 하려면 기본적인 데이터 리터러시가 필요합니다. AI 권장 사항의 결과와 데이터를 해석하는 방법과 어떤 데이터를 비즈니스 문제에 적용하는 게 적합한지 이해한다면 사람들은 AI를 신뢰하고 의사 결정 과정의 일부로 수용할 수 있을 것입니다. 또한 조직 내에서 공통된 데이터 언어를 사용한다면 전문가와 성공적으로 협업할 더 많은 문이 열립니다.

McKinsey의 AI에 대한 최신 글로벌 설문조사에 따르면, 고성장하는 조직 중 34% 이내에서 '전용 교육 센터에서 실습 교육을 통해 비기술 인력의 AI 역량을 계발'하고 있는 것으로 나타났습니다. 나머지 설문 대상 조직에서는 단 14%로 나타난 것과 대비되는 모습입니다. 그뿐만 아니라 고성장하는 조직 가운데 39%에서는 "조직의 데이터 과학 팀과 AI 사용자의 소통을 위해 전용 채널과 접점을 마련한 것"으로 나타났습니다. 그 외의 조직에서는 단 20%만 그렇게 하고 있습니다.

리더는 교육과 훈련부터 멘토십 프로그램, 커뮤니티 주최 데이터 경진 대회까지 다양한 방식으로 데이터 리터러시를 구축할 수 있습니다. 성공적인 사례, 학습, 데이터에 기반한 의사 결정을 포상하고 장려하는 방법과 함께 데이터 액세스와 공유를 표준화하는 방법도 고려해 보십시오.

"데이터 리터러시와 비주얼리제이션, 데이터 과학에 대한 교육이 더 많이 확산되고 더 빨리 시행되어야 합니다." Tableau Research의 이사인 Vidya Setlur의 말입니다. "데이터 사용에 의존하는 데 따르는 일종의 사회적, 조직적 책임이 있습니다. AI는 갈수록 더 정교해지기만 할 것이므로, 인간은 데이터를 이해하고 해석하고 최대한 활용할 준비를 더 잘 갖춰야 하며, 우리는 이 경쟁에서 몇 걸음 앞서 나가야 합니다."

조직의 데이터 문화를 계속해서 구축하면 전사적으로 기술을 육성하고 새 솔루션을 개발할 유력한 기회가 생깁니다. 디지털 전환이 가속화됨에 따라 최근 몇 년 사이에 이미 많은 조직이 데이터와 분석에 투자를 늘려왔습니다. 데이터를 단체 경기로 생각하는 것은 억측이 아닙니다. 우리에게는 이제 그 사고방식을 AI로 확장하는 수단이 있습니다.

좀 더 알아보시겠습니까?