AI 시대가 도래했습니다. 과거 유행했던 IT 기술들은 모두 패키지, 소프트웨어, 플랫폼이 존재했습니다. 예를 들면 ERP를 도입한다는 것은 결국 ERP 패키지를 도입한다는 것이고, 빅데이터를 도입하는 것은 빅데이터 소프트웨어에 데이터를 넣어서 활용하는 것이었습니다. 클라우드를 도입한다는 것은 당연히 돈을 내고 클라우드 플랫폼을 활용하는 것을 말했습니다.
그런데 AI를 도입에 있어서는 도입할 만한 패키지도 소프트웨어 플랫폼 인프라도 없는 상황입니다. 텐서플로우(tensorflow)나 파이토치(pythorch)는 AI를 개발하는 툴일 뿐입니다. 물론 대량의 데이터를 학습하기 위해서는 GPU 인프라가 필요하나, GPU 인프라를 도입한다고 해서 AI를 도입하는 것이라 할 수 없습니다.
AI 도입은 사람에게 달려있습니다. 이 점이 다른 IT 기술과 AI가 다른 점입니다. AI 도입은 AI를 이해하고, 데이터를 전처리하고, 모델을 만들고, 활용할 수 있는 능력을 가진 사람들에게 달려있습니다. 다시 말해서 그 회사의 AI 수준은 AI를 하는 사람에게 달린 것입니다. 하지만, 기업 경영에서 가장 어려운 것이 바로 사람입니다. AI가 사람에게 달려 있다면 기업에서 AI를 도입하는 길이 매우 어렵고 힘든 과정이라는 것을 암시합니다.
또 한 가지 AI만이 가지고 있는 특성이 있습니다. 바로 ‘AI에 대해서 잘 모르더라도 누구나 AI에 대해서 말할 수 있다는 것’입니다.
그 이유는 누가 AI에 대해서 말도 안 되는 이야기를 해도 그것을 반박할 수 없기 때문인데요. 우리 사회는 알파고로 인해서 AI에 대해서 처음 배웠습니다. 따라서 AI는 사람보다 뛰어난 것, 또는 최소한 사람처럼 뭔가를 할 수 있는 것으로 생각하고 있었습니다.
하지만 이러한 생각은 AI를 도입해야 하는 기업에 있어서는 비극입니다. 기업에서 AI를 도입하게 됐을 때 가장 문제가 되는 부분이 담당 임원의 기대치입니다. 그들이 AI에 거는 기대는 알파고 수준이기 때문입니다. 당연히 현대 AI 기술은 알파고 수준이 아닙니다. 따라서 AI 프로젝트는 실패하기 쉽습니다.
근본적인 문제는 AI라는 단어에 있습니다. AI는 Artificial intelligence 인공지능 즉, 문자 그대로 해석하면 ‘사람이 만든 지능이 있는 그 무엇’으로 말할 수밖에 없고, 또 그렇게 모든 사람이 믿고 있기 때문인데요. 여기에서 ‘지능’이라는 말에 대한 생각도 모두 다릅니다. 따라서 AI는 개념과 그 단어의 의미 때문에 사람들이 서로 다른 생각을 갖게 됩니다. 이러한 AI의 개념과 기대에 대한 광범위한 차이로 인해 기업은 AI를 도입하면서 엄청난 시행착오를 겪어왔고, 앞으로 겪을 것으로 보입니다.
그렇다면 기업에서 AI를 제대로 활용하기 위해서는 어떻게 해야 할까요?
- AI를 도입할 분야를 제안하는 단계
- 필요한 데이터를 정의하고 확보하는 단계
- 확보된 데이터를 검증하고 레이블링을 포함한 전처리 하는 단계
- AI 모델을 만드는 단계
- 만든 모델에 데이터를 입력해서 학습하는 단계
- 학습된 결과를 평가하고 모델을 업그레이드하기 위해서 모델을 재구성하는 단계
- 최선의 결과가 나올 때까지 4~6단계의 수없는 반복
- 최종 모델을 테스트하는 단계
- 최종 테스트에서 합격한 모델을 기존 시스템이나 앱을 활용해서 현장에 구현하는 단계
- 결과를 평가하는 단계
기업은 이렇게 길고 긴 과정을 거쳐야 비로소 업무에 AI를 도입하게 됩니다. 여기의 핵심은 거의 모든 부서가 같이 일해야 하는 ‘협업’입니다.
기업에서 부서와 부서끼리 함께 일하려면 협업 프로세스를 정의하고, 거기서 KPI를 도출하고 성과평가 기준 만들어야 합니다. 이것을 관리하는 방안도 만들어야 하죠. 과거 ERP를 도입할 때 컨설팅 회사에서 이런 일을 PI (Process Innovation)이라는 이름으로 진행했습니다. 이 PI는 ERP패키지가 있으니까 그에 준해서 하면 됩니다.
그러나 AI를 도입하면서 AI 협업 프로세스를 만들어야 한다고 이야기한 사람은 거의 없습니다. 필자가 처음이 아닌가 싶은데요. AI 협업 프로세스를 그리는 것은 회사마다 다르고 KPI 설계도 다를 수밖에 없습니다. 그러나 이러한 협업 프로세스를 만들지 않고 AI를 도입한다면, 위에서 이야기한 것처럼 실패할 수밖에 없습니다.
협업 프로세스를 만들면 문제는 끝날까요? 절대 아닙니다. AI는 패키지가 아니고 AI의 핵심은 사람이라고 했습니다.
다시 말해서 전체 부서에 AI 교육을 해야 합니다. AI를 알아야 어떤 분야에 AI를 도입할지 아이디어를 낼 수 있지 않을까요? 혹자는 그게 무슨 교육할 것까지 있는가? 상식적이지 않는가? 라고 이야기할 수 있습니다. 이렇게 이야기하는 것이 자체가 AI에 대한 피상적인 이해 때문에 생기는 일입니다.
현실적으로 구현할 수 있는 AI 아이디어를 내는 것은 매우 어려운 일입니다. 여기서 필자는 ‘AI를 어떤 분야에 적용해야 하는지를 제안하는 아이디어’를 ‘AI 테마’라고 정의하겠습니다. AI의 성공 여부는 ‘AI 테마’에 달려있습니다. ‘AI 테마’는 업무를 잘 알고 그에 따른 데이터를 이해하며, AI가 할 수 있는 것과 할 수 없는 것을 구분할 줄 알아야 만들 수 있습니다.
그렇다면 AI 교육의 핵심은 무엇일까요? 강의식으로 AI의 개념, 이론과 사례를 교육하면 될까요?
절대 아닙니다. AI는 그 자체가 추상적이고 오도될 수 있기 때문에 AI 코딩 교육을 해야 합니다. 데이터를 가지고 전처리, 라벨링, 학습을 직접 해 봐야 합니다. 실제로 모델의 성능 높이기 위해서 하이퍼파라미터(hyperparameter) 튜닝을 해봐야 AI가 무엇인지 이해할 수 있습니다. 이론과 사례만으로는 부족합니다.
그러면 직원들만 AI 코딩교육을 하면 되는 걸까요?
역시 이에 대한 답도 ‘아니다’ 입니다. 기업 임원들까지 확장된 교육이 진행돼야 합니다. AI 시대에 AI 도입과 활용을 위해서 AI 코딩을 할 줄 알아야 합니다. AI는 말로써 이해할 수 없기 때문입니다. 실제로 코딩을 해봐야 AI에 대해서 바닥부터 이해를 할 수 있게 됩니다.
모든 업무의 핵심은 미래를 예측해 물자를 배분하고 효율적으로 관리해 최적화하는 것입니다. 많은 업무가 분류의 업무라고 볼 수 있습니다. 고객이 이탈할지 말지, 대출해야 할지 말지, 생산된 제품이 불량일지 아닐지 분류하는 작업입니다. 우수고객 집단을 분류하고, 고객의 긍정적인 댓글을 분류하는 업무도 AI를 통해서 혁신적으로 개선될 수 있다는 것을 알 수 있습니다. AI를 적용할 수 있는 업무를 미리 선정해 업무마다 필요한 데이터 형태를 가공하라고 지시할 수 있습니다.
글 ㅣ LG CNS ㅣ 장동인 KAIST AI 대학원 책임교수, AIBB LAB 대표
