조직에서 AI를 구현하는 방법: 최종 가이드

고객의 전화를 받는 것부터 장비가 이전보다 훨씬 더 많은 에너지를 소비하는 이유를 파악하는 것까지 AI는 많은 일을 할 수 있습니다.

그러나 알고리즘이 실패하여 작업자가 개입하여 성능을 미세 조정해야 하는 경우가 많습니다.

AI를 구현하고 그 혜택을 시작하려면 어떻게 해야 합니까? 미래 프로젝트에 대한 경영진의 지지를 얻을 수 있을 만큼 지속적이고 규모가 크며 빠릅니다.

문제는 대부분의 기업이 숙련된 AI 컨설턴트 없이 인공 지능의 잠재력을 최대한 발휘할 수 있는 적절한 경험, 인력 및 기술 스택이 여전히 부족하다는 것입니다.

Deloitte의 2020년 설문 조사에 따르면 디지털로 성숙한 기업은 출시 후 단 1.2년 만에 인공 지능 프로젝트에 대해 4.3%의 ROI를 달성했습니다. 한편, AI 후발 기업의 ROI는 0.2%를 초과하는 경우가 거의 없으며 중간 투자 회수 기간은 1.6년입니다.

Deloitte는 또한 인공 지능 투자에 대한 가시적이고 빠른 수익을 보고 있는 기업이 첫날부터 AI 이니셔티브를 위한 올바른 토대를 마련한다는 사실을 발견했습니다.

PwC는 AI 리더가 AI 개발 및 구현에 대한 전체적인 접근 방식을 취하고 비즈니스 혁신, 시스템 현대화 및 향상된 의사 결정과 같은 세 가지 비즈니스 결과를 한 번에 처리한다고 주장하면서 이러한 정서를 반영합니다.

그렇다면 조직에서 AI를 사용하고 인공 지능 리더 집단에 합류하는 방법은 무엇입니까?

이 질문에 답하기 위해 우리는 광범위한 연구를 수행하고 ITRex 전문가와 이야기를 나누며 우리 포트폴리오의 프로젝트를 조사했습니다. 여기에서 우리가 배운 것이 있습니다.

비즈니스에서 AI를 구현하는 방법: 지능형 혁신을 겪고 있는 기업을 위한 5단계 가이드

면책 조항: 혁신 자체를 위한 혁신은 회사에 도움이 되지 않습니다.

때로는 로봇 프로세스 자동화(RPA)와 같은 더 단순한 기술이 AI 알고리즘과 동등한 수준의 작업을 처리할 수 있으며 너무 복잡할 필요가 없습니다.

다른 경우(AI 기반 의료 영상 솔루션을 생각해 보세요)에서는 머신 러닝 모델이 CT 스캔에서 매우 정밀하게 악성 종양을 식별하기 위한 데이터가 충분하지 않을 수 있습니다.

그리고 때때로 데이터 센터 냉각 비용을 20%까지 줄이려면 다층 신경망과 몇 달 간의 무인 알고리즘 교육이 필요합니다.

인공 지능은 마술처럼 직원의 생산성을 높이고 수익을 향상시키는 일종의 은총알 솔루션이 아닙니다. 그러나 비즈니스를 혁신할 수 있는 확실한 잠재력이 있습니다.

더 이상 고민하지 않고 AI 구현에 대한 가이드가 있습니다.

1단계: AI의 기능과 한계에 익숙해지기

기업은 더 나은 고객 서비스를 위한 소셜 데이터 마이닝부터 공급망의 비효율 감지에 이르기까지 다양한 작업에 AI를 통합할 수 있습니다.

더 넓은 범위에서 비즈니스에서 인공 지능의 사용은 다음과 같습니다.

• 스케줄링
• 예측("if-else" 분석 포함)
• 프로세스 향상 및 자동화
• 자원 관리 및 할당
• 보고
• 사이버 보안 관리

하드웨어 설계 및 클라우드 컴퓨팅의 상당한 발전에 힘입어 인공 지능이 계속 발전함에 따라 이 목록은 완전하지 않습니다.

독립 실행형 작업과 전체 프로세스를 촉진하거나 인수하는 알고리즘은 데이터 소싱, 처리 및 해석 능력이 다르며 AI 채택 전략을 수행할 때 이를 염두에 두어야 합니다.

예를 들어 지도 머신 러닝을 살펴보겠습니다. AI 엔지니어는 고양이 친구의 주석이 달린 이미지를 제공하여 Instagram 게시물에서 고양이를 감지하는 알고리즘을 훈련할 수 있습니다. 익숙하지 않은 물체에 직면했을 때 이러한 알고리즘은 매우 부족합니다.

그러나 ML 모델 교육 프로세스에서 레이블이 지정된 데이터를 가져오면 방대한 양의 정보를 처리하는 비지도 머신 러닝 알고리즘을 얻게 됩니다. 그러나 감독되지 않은 ML 모델은 여전히 ​​약간의 초기 교육이 필요합니다. 예를 들어 특정 데이터베이스에 고양이와 개의 이미지만 포함되어 있다고 알고리즘에 알리고 계산은 AI에 맡길 수 있습니다.

강화 학습도 있습니다. 알고리즘을 느슨하게 풀어 비즈니스 문제에 대한 솔루션을 제안하고 자신의 실수로부터 배울 수 있도록 하는 기술입니다. 이러한 유형의 AI는 긴 텍스트를 요약하거나 주식 시장 동향을 예측하는 데 도움이 될 수 있습니다.

마지막으로 다양한 매개변수에 대해 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 분석하여 지능적으로 예측하는 심층 신경망이 있습니다. 딥 러닝은 음성 비서 및 얼굴 인식 기능이 있는 소프트웨어와 같은 최신 자연어 처리(NLP) 및 컴퓨터 비전(CV) 솔루션에 적용되었습니다.

인공 지능 솔루션의 예측이 아무리 정확하더라도 경우에 따라 AI 구현 프로세스를 감독하고 올바른 방향으로 알고리즘을 교반하는 인간 전문가가 있어야 합니다.

예를 들어 AI는 코로나바이러스 관련 폐렴 환자를 식별하여 호흡기 전문의에게 많은 시간을 절약할 수 있지만 진단을 확인하거나 배제하기 위해 스캔을 검토하는 것은 결국 인간 의사입니다.

효율적인 모니터링 없이 AI를 구현하는 것이 거의 의미가 없는 몇 가지 영역이 있습니다.

• 의견 기사, 전환 최적화 카피 등 창의적인 콘텐츠 생성
• 복잡한 소프트웨어 시스템 코딩(참고로 GitHub Copilot 및 Tabnine과 같은 도구는 실제로 편집기 내부의 코드 줄을 예측하고 제안할 수 있지만 이를 사용하는 선임 소프트웨어 엔지니어가 아닌 한 사용하지 않는 것이 좋습니다)
• 독립적인 판단과 윤리적 결정
• 실제 문제에 대한 혁신적인 즉시 사용 가능한 솔루션 제공

사내 IT 팀이 스스로 역동적인 인공 지능 환경을 탐색하는 데 어려움을 겪고 있다면 기술 컨설팅 서비스를 제공하는 외부 회사의 도움을 받을 수 있습니다.

2단계: AI 구현 목표 정의

비즈니스에서 AI를 사용하기 시작하려면 인공 지능으로 해결하려는 문제를 정확히 찾아내고 이니셔티브를 가시적인 결과와 연결하십시오.

이를 위해서는 AI 구현의 혜택을 받을 수 있는 조직 단위와 회의를 진행해야 합니다. 귀사의 C-Suite는 이러한 논의의 일부이자 원동력이 되어야 합니다.

또한 프로세스와 데이터는 물론 조직에 영향을 미치는 외부 및 내부 요인을 감사합니다. 의사 결정을 지원하는 많은 기술과 프레임워크가 있습니다. 여기에는 TEMPLES 미시 및 거시 환경 분석, 중요한 자산을 평가하기 위한 VRIO 프레임워크, 회사의 강점과 약점을 요약하기 위한 SWOT이 포함됩니다. AI 채택의 동인과 장벽을 평가하는 또 다른 훌륭한 도구는 Kurt Lewin의 Force Field Analysis입니다. 이 목록은 완전하지 않습니다. 여전히 AI 구현 여정의 출발점이 될 수 있습니다.

조직에서 AI 구현의 장단점을 평가하는 한 가지 방법은 Force Field Analysis를 수행하는 것입니다. 그렇게 할 때 모든 기여 요인에 점수를 할당하십시오. 합산 점수가 양수이면 AI 채택의 이점이 잠재적인 문제를 능가합니다.

전문가들은 AI 사용 사례의 우선 순위를 단기 가시성과 회사에 가져올 수 있는 재정적 가치를 기반으로 해야 한다고 생각합니다. 그렇기 때문에 구체적인 목표와 측정 방법이 필요합니다.

인공 지능 투자에 대한 회수 문제로 돌아가서 하드 ROI와 소프트 ROI를 구별하는 것이 중요합니다.

회사가 인공 지능을 구현하여 달성할 수 있는 하드 ROI는 다음과 같습니다.

• 시간 절약은 힘든 작업의 ​​자동화로 이루어집니다.
• AI 지원 의사 결정으로 인한 생산성 향상
• 자동화 및 직원 생산성 향상으로 인한 노동 및 운영 비용 절감
• 고객 기반 성장 및 제공되는 서비스의 높은 가치로 인해 수익 증가

소프트 ROI 인공 지능 채택은 다음과 같은 범위를 제공할 수 있습니다.

• 고객 만족도와 충성도에 긍정적인 영향을 미치는 개인화된 고객 경험
• 새로운 AI 구현 개념의 지속적인 연구 및 검증을 중심으로 하고 사내 인공 지능 기술 개발에 기여하는 기술 보유
• 직원이 새로운 도전과 기회에 대응하여 기술 시스템과 전체 워크플로를 개선할 수 있는 조직 및 디지털 민첩성

AI 파일럿을 구현하기 위한 모든 목표는 구체적이고 측정 가능하며 달성 가능하고 관련성 있고 시간 제한적(SMART)이어야 합니다. 예를 들어 회사는 2023년 1분기까지 보험 청구 처리 시간을 20초에서 3초로 줄이는 동시에 청구 관리 비용을 30% 절감하고자 할 수 있습니다.

현실적인 목표를 설정하기 위해 시장 조사, 경쟁업체에 대한 벤치마킹, 외부 데이터 과학 및 기계 학습 전문가와의 상담을 포함한 여러 기술을 활용할 수 있습니다.

3단계: AI 준비 상태 평가

인공 지능 준비 상태라는 용어는 AI를 구현하고 비즈니스 결과를 위해 기술을 활용하는 조직의 능력을 나타냅니다(2단계 참조).

AI의 이점을 얻을 수 있는 비즈니스 측면을 식별했으면 AI 구현 계획을 실행하는 데 필요한 도구를 평가해야 합니다.

ITRex CEO 겸 공동 설립자인 Vitali Likhadzed에 따르면 AI 구현 전략은 5가지 주요 빌딩 블록에 의존합니다.

AI 개발 인재. 이전 단계에서 지정한 기간 내에 기술 및 비즈니스 측면 모두에서 AI를 구현하는 방법을 알고 있는 사내 IT 전문가 및 주제 전문가(SME)가 있습니까? 그렇지 않다면 AI 개발을 제3자에게 아웃소싱하거나 SaaS 솔루션을 구매 및 배포할 예산이 있습니까? 그러나 후자의 옵션을 사용하면 소프트웨어를 구성하고 사용자 지정하기 위해 여전히 AI 개발자를 고용해야 합니다.

소프트웨어 개발, 조달 및 유지 관리 비용. 비즈니스 목표에 따라 SaaS 기반 인공 지능 도구를 선택하거나 맞춤형 소프트웨어 엔지니어링 경로를 선택할 수 있습니다. 두 접근 방식 모두 더 긴 AI 구현 주기와 제한된 사용자 지정 옵션 간의 절충점과 같은 장점과 단점이 있습니다. 맞춤형 또는 SaaS 기반 AI 시스템의 총 소유 비용(TCO)에는 공급업체 및 유지 관리 비용과 클라우드 인프라 설정 및 운영 비용(자세한 내용은 나중에 설명)도 포함됩니다. 예를 들어, SaaS 기반 데이터 분석 플랫폼의 비용은 연간 $10,000에서 $25,000 사이일 수 있으며 라이선스 비용은 최종 추정치의 작은 부분을 차지합니다.

데이터. AI 알고리즘은 당신이 그들에게 제공하는 데이터만큼만 좋습니다. 이미지, 비디오, 오디오 파일, PDF 문서, 센서 판독값 및 해석 및 수정이 어려운 기타 데이터(즉, 비정형 데이터)는 회사 IT 인프라에 저장된 전체 정보의 최대 90%를 구성합니다. 알고리즘 교육을 위해 이를 찾고 집계하고 준비하는 것은 정확하고 고성능의 AI 솔루션을 만들기 위한 필수 단계입니다.

컴퓨팅 및 스토리지 리소스. Microsoft Azure, Amazon Web Services, Google Cloud 및 기타 저명한 클라우드 컴퓨팅 공급업체는 클라우드에서 기계 학습 모델을 교육, 배포 및 실행할 수 있는 리소스를 제공합니다. 데이터는 깔끔하게 정리된 데이터 웨어하우스, 데이터 레이크 또는 데이터 레이크하우스로 알려진 하이브리드 데이터 스토리지 솔루션과 같은 클라우드에도 존재합니다. 따라서 클라우드 컴퓨팅 서비스를 활용하는 것은 AI 구현의 핵심입니다. 그리고 클라우드 인프라를 적절하게 구성해야 합니다. 그렇지 않으면 AI 구현 비용이 잠재적 수익을 초과할 수 있습니다.

직원 교육. 숙련된 AI 개발자와 파트너 관계를 맺는 경우에도 직원에게 새로운 기술에 대해 교육해야 현재와 미래에 전사적 AI 채택이 가까워질 때 직원이 효과적으로 업무를 수행할 수 있습니다.

인텔의 분류에 따르면 5가지 AI 빌딩 블록을 모두 갖춘 회사는 기본 및 운영 인공 지능 준비 상태에 도달했습니다. 이러한 기업은 AI 구현 계획을 계속 진행할 수 있으며 강력한 데이터 거버넌스 및 사이버 보안 전략을 갖추고 DevOps 및 Agile 제공 모범 사례를 따를 경우 성공할 가능성이 더 큽니다.

조직이 이러한 기준을 충족하지 못하는 경우 디지털 혁신 서비스 회사와 협력하여 IT 인프라를 업그레이드하고 AI 구현 옵션을 고려할 수 있습니다.

4단계: AI를 선별된 프로세스에 통합하고 규모를 계획하는 동안 시작

ITRex에서는 "작게 시작하고 빠르게 배포하고 실수로부터 배우십시오"라는 원칙에 따라 생활합니다. 그리고 우리는 고객이 특히 비즈니스에서 인공 지능을 구현할 때 동일한 주문을 따를 것을 제안합니다.

Gartner는 AI 프로젝트의 53%만이 프로토타입에서 생산에 이르는 것으로 보고합니다. 그 이유 중 하나는 AI 알고리즘이 여러 소스의 데이터를 사용하고 서로 다른 프로세스를 향상시키는 무균 테스트 환경에서 POC로 달성한 결과를 실제 생활에서 복제하지 못했기 때문일 수 있습니다.

AI 채택에 대한 실용적인 접근 방식은 선택한 사용 사례에 대해 고립된 개념 증명(POC)에 초점을 맞추는 대신 마음 속 깊은 곳에 더 큰 그림을 두는 것입니다. 문샷 이니셔티브.

회사 전체의 AI 채택 전략을 위한 청사진을 조기에 생성하면 대규모 AI 구현 방법을 모르는 2025년까지 사업을 중단할 수 있는 AI 개척자의 75%의 운명을 피할 수 있습니다.

또한 인공지능 POC의 합리적인 타임라인은 3개월을 넘지 않아야 합니다. 이 프레임 내에서 예상한 결과를 얻지 못하면 중지하고 다른 사용 시나리오로 이동하는 것이 좋습니다.

5단계: AI 우수성 달성

파일럿을 시작하고 알고리즘 성능을 모니터링하고 초기 피드백을 수집한 후에는 지식을 활용하여 회사 프로세스 및 IT 인프라 전반에 걸쳐 계층별로 AI를 통합할 수 있습니다.

이를 위해 다음을 설정해야 합니다.

• 회사 전체에서 안전하고 효율적인 데이터 관리를 보장하는 강력한 데이터 거버넌스 프레임워크
• 알고리즘 훈련을 위한 정보 수집, 저장, 정리를 위한 통합 데이터 생태계
• 사내 팀이 타사 전문가와 협력하여 새로운 기술을 습득하고 AI 성능을 지속적으로 개선하고 새로운 개념을 테스트하는 AI 우수 센터
• 민첩한 의사 결정 및 지속적인 비즈니스 프로세스 재설계를 용이하게 하는 기반: AI가 조직 내에서 더 많은 프로세스를 향상 또는 자동화함에 따라 인간과 기계가 서로의 작업을 보강하고 보완하는지 검증해야 합니다.

AI 구현에 대한 점진적 접근 방식은 ROI를 더 빨리 달성하고 C-Suite의 동의를 얻으며 다른 부서에서 새로운 기술을 시도하도록 장려하는 데 도움이 될 수 있습니다.

인공 지능을 이해하는 것은 회사의 성장과 번영을 위해 이 기술을 활용하는 첫 번째 단계입니다.

시작하는 데 도움이 되도록 인공 지능에 대한 비즈니스 가이드(여기에서 다운로드)를 작성했습니다. 유형 및 응용 프로그램에서 전사적 AI 채택을 위한 실용적인 팁에 이르기까지 기술에 대해 가질 수 있는 모든 질문을 다루는 전자책입니다.

2022년 9월 1일 https://itrexgroup.com에 원래 게시되었습니다.