AI 트랜스포메이션으로 비즈니스 개선 지원

---

챗GPT 덕분에 미래를 변화시킬 핵심 기술로 평가 받는 AI는 새로운 가능성을 열고 디지털 이니셔티브의 효율성을 개선해 디지털 혁신을 주도하는 데 있어 중요한 역할을 합니다. 월간 인사이트에서 AI 트랜스포메이션으로 디지털 혁신을 촉진하고 비즈니스를 개선할 방안을 확인하세요.

---

글쓴이: 오지연(Jiyeon Oh), 박범순(Adam Park)

이미 우리 곁에 와 있는 미래

안전한 핫윙을 만드는 품질 예지관리

초연결시대로 대변되는 인더스트리 4.0 시대에는 넘쳐나는 데이터를 활용해 통찰을 얻는 기업이 앞서갑니다. 기계학습(머신러닝)이 각광 받는 이유도 여기에 있죠. 정보기술(IT)과 운영기술(OT) 데이터를 디지털 제조 관리 클라우드 상에 모아 훈련을 시키면 보다 빨리 의미 있는 기계 학습과 패턴 파악을 통한 이해가 가능합니다.

실제로 핫윙을 만드는 회사에서 약 50장 가량의 닭 날개 사진과 핫윙 제품 사진을 이용해 품질 불량 유형을 학습 시켰습니다. 그 후 생산 현장에 투입해 기존에 육안 검사로 진행하던 품질 관리를 머신 비전과 머신러닝을 활용해 개선한 사례입니다. 닭 날개 크기와 색상, 관절과 절단면 주변에 노출된 혈관 등을 측정해 학습하고 불량이 발생할 지를 예측하는 품질 예지관리가 가능해진 것이죠.

채용 담당자의 생산성을 높이는 생성 AI

석세스팩터스 채용(SAP SuccessFactors Recruiting)의 새로운 생성 AI 기능을 통해 채용 관리자는 각 역할의 원하는 직무기술과 속성을 포착하는 강력하고 정확한 직무 기술서를 작성할 수 있습니다. 마이크로소프트 365 코파일럿(Microsoft 365 Copilot)과의 통합으로 내용을 더욱 정교하게 조정한 후에 석세스팩터스 소프트웨어에 신속하게 게시할 수 있습니다.

석세스팩터스 솔루션의 생성 AI 기능은 또한 특정 직무 설명과 후보자의 이력서에 맞는 인터뷰 질문을 생성해 포용적인 언어 사용을 보장하는 데 도움을 줍니다. 이러한 비즈니스 AI 기능의 결합 효과는 채용 관리자의 소중한 시간을 절약하고 인터뷰 품질을 향상시켜 채용 프로세스의 효과를 극대화합니다.

균형 잡힌 데이터로 성장하는 AI

성장기에 아이가 편식을 하면 건강하게 자라기 어렵습니다. 인공지능도 마찬가지죠. 머신러닝을 통해 세상을 배워가는 인공지능 입장에서는 디지털 데이터가 바로 아이가 먹는 밥이나 반찬과 같습니다. 처음 세상에 나와 세상을 배우고 그 안의 다양한 사람과 사물을 알아가는 인공지능 아이에게 균형 잡힌 식단을 제공해야 최대한 편견 없이 세상을 바라보게 되겠죠?

인공지능 학습을 위한 데이터 전처리는 필수

디지털 혁신을 위해서는 데이터를 결합하고 처리하는 과정이 자연스럽게 모든 면에서 가능해야 합니다. 데이터 분석을 기반으로 한 AI 모델은 데이터 소스에서 데이터 추출 및 분류, 데이터 정제, 분석 모델 저장, 모델 개발, 운영 환경 적용 등의 과정을 거칩니다.

그런데 대부분의 데이터는 각 시스템 사일로에 분산 저장된 채로 관리합니다. 그래서 비즈니스 트랜잭션의 중심이 되는 ERP 시스템 내의 트랜잭션 데이터를 기준으로 주변의 사일로에 각기 다른 형태로 분산되어 있는 데이터를 분석에 필요한 데이터 세트의 구조로 연결하는 작업이 필요합니다. 분산된 데이터 소스를 연결, 정제하는 데이터 전처리 과정이 분석 업무의 대부분을 차지하게 되죠.

좋은 머신러닝 모델이 좋은 결과를 이끄는 만큼 좋은 학습 데이터가 좋은 결과를 냅니다. 과거에 기업의 비즈니스 문제를 머신러닝과 AI로 해결하기 어려웠던 이유도 좋은 학습 데이터가 충분치 않았기 때문입니다.

합성 데이터로 AI 서비스 개발 촉진

오픈AI 재단의 챗GPT가 각광을 받으면서 케냐가 세간의 주목을 받았습니다. 거대언어모델(LLM)을 학습시키기 위해 필요한 자료를 사전에 준비하는 작업을 영어가 되는 케냐 인력이 지원했기 때문이죠. 테슬라의 자율주행차가 사람과 사물을 분간하는 일에도 케냐 사람들의 도움이 컸습니다. 이처럼 인공지능이 학습을 하려면 제대로 라벨을 붙여 분류한 데이터가 필요합니다.

문제는 개별 단위로 구분할 수 있는 라벨(레이블)로 분류되어 있는 데이터가 터무니 없이 부족하다는 점이죠. MIT테크놀로지리뷰는 합성데이터(Synthetic Data)를 2022년 10대 혁신 기술 중 하나로 선정한 바 있습니다. 합성데이터는 현실의 데이터가 아니지만 그와 유사하게 개별 단위로 구분이 가능하도록 라벨을 붙여 분류해 인공지능이 실제 세계에 가까운 상세 데이터로 학습하도록 돕습니다.

개인정보 보호와 맞물려 민감한 금융 데이터나 의료 데이터 등을 기계학습에 직접 활용할 수는 없습니다. 인공지능이 제대로 세상을 학습하려면 라벨로 분류된 데이터 세트가 필요하다는 점에서 합성데이터가 균형잡힌 데이터의 대안으로 각광받고 있습니다. 시장 분석기관 가트너(Gartner)에서는 오는 2030년까지 합성 데이터가 실제 데이터를 넘어설 것으로 전망합니다.

기업의 AI 활용 전략: AI 트랜스포메이션(AX)

인공지능 전문기업 오픈AI가 챗GPT를 선보인 뒤 분위기는 달라졌고, AI는 이제 앞서 제시한 3대 카테코리의 예측과 분류를 넘어 생성을 가능하게 합니다.  이러한 변화에 가장 민감한 국내 외 주요 기업들이 챗GPT 적용 현황을 분석하고 활용 가능성과 부작용, 더 나은 대응 방안 마련에 나서고 있습니다. 그런 점에서 지금이야말로 발빠르게 구체적인 적용시점과 구현 방안, 구현 속도를 논의할 때라고 하겠습니다.

이제는 AI 기반의 디지털 혁신, 즉 AI 트랜스포메이션(AX)을 추진하지 않는다면 뒤쳐질지도 모른다는 걱정과 우려가 더 커지고 있습니다. AI와 빅데이터 분석 같은 디지털 기술의 급속한 발전과 더불어 디지털 기술을 비즈니스에 적용함으로써 디지털 혁신을 추진한 혁신 기업은 전통적인 기업과 성장 속도, 규모, 매출 등 성과 측면에서 경쟁우위를 확보하고 기업 가치도 높은 평가를 받습니다.

플랫폼 비즈니스 모델을 도입하고, 기존의 관성에서 벗어나 온오프라인을 통합하고 AI 기반의 고객경혐을 개선할 수 있는 데이터 기반 의사결정, 궁극적으로 새로운 고부가가치 창출은 모든 기업이 원하는 궁극적인 방향입니다. 이런 측면에서 볼 때 이제는 ‘AI 트랜스포메이션(AX)’의 기회를 놓칠 경우 변화하는 기업과 변화하지 않는 기업 사이의 격차는 훨씬 더 커질 것이 분명합니다.

생성 AI 중점 투자 부문에 관한 가트너 조사 결과

경영진의 68%는 생성 AI의 이점이 위험보다 크다고 생각하는 것으로 나타났으며, 이익보다 위험이 크다고 응답한 비율은 5%에 그쳤습니다.

AI에 대한 이해를 토대로 비즈니스 개선 방안 모색해야

과거 디지털 트랜스포메이션에 실패하는 기업들은 일반적으로 AI, 빅데이터, 클라우드 같은 디지털 기술 도입을 ‘디지털 트랜스포메이션(DX)’의 완성이라고 착각하거나, AI 솔루션, 머신러닝 모델을 도입만 하면 저절로 비즈니스 혁신을 가져온다고 오해했습니다. 수많은 형태의 다양한 데이터를 쌓아놓기만 하면 분석할 수 있고 골치 아픈 과제도 해결할 수 있으리라는 기대가 있었죠.

하지만 처음부터 사람이 풀지 못하는 어려운 과제는 기계 입장에서도 어려운 일입니다. AI가 기업에서 벌어지는 많은 난제, 획기적인 문제의 일회성 해결 방안일 수도 있지만, 무엇보다 실질적인 개선 방안이 될 수 있어야 합니다.

비즈니스 프로세스에 내장된 AI 모델이 필요한 이유

비즈니스 AI는 비즈니스의 코어 시스템과 하나로 연결되어야 비즈니스 활동과 의사결정을 즉각 지원하는  AI 모델이 될 수 있습니다. 그렇지 않으면 AI 모델이 비즈니스 연속성과 민첩성을 보장하기 어렵습니다.

SAP는 이미 비즈니스 프로세스에 내장된 머신러닝과 분석형 AI를 제공합니다. 여기에 생성 AI 기술이 더해짐으로써 혁신적인 고객경험, 능동적인 전략적 의사결정, 몰입도 높은 직원경험과 고객경험을 제공할 수 있고 더 나은 비즈니스 성과로 이어집니다.

AI 트랜스포메이션의 성공 여부는 여러분이 가장 잘 이해하고 있는 비즈니스 위에 AI에 대한 이해와 준비, 적용 노력에 달려 있다고 할 수 있겠습니다.

AI 도입 후 운영 환경에서의 역할과 대안 준비해야

기업이 불확실성을 헤쳐 나가면서 급변하는 비즈니스 요구에 대응하고 효율적으로 가치를 실현하려면 AI 트랜스포메이션을 가속화할 도구와 이를 다룰 수 있는 인력이 중요합니다. AI가 핵심 기술로 등극하면서 많은 기업이 전담 조직과 인력 역량 확보를 위해 발빠르게 움직이고 있습니다.

AI 분석 모델을 만들기 위한 인프라와 애플리케이션 등을 갖추고 유지보수 인력과 운영시스템 적용을 위한 리소스를 별도 산정하고 있습니다. 모든 역량과 준비를 다 갖춘 상태에서 AI 분석 모델을 자동으로 찍어내고 놀랄만한 비즈니스 성과를 즉시 누릴 수 있으리라 기대하지만 실제로는 그렇지 못한 경우를 이미 많이 경험했습니다.

AI 트랜스포메이션 과정에서 과거 회사의 비즈니스 프로세스와 ERP 시스템을 내재화하고 기업 본연의 프로세스를 담기 위한 수많은 시간과 노력을 들여왔던 것과 동일한 방식을 재현하고 있는 모습도 볼 수 있습니다. AI 기술을 토대로 자체 개발을 통한 각자도생의 길을 걷다보면 이미 AI 기술은 더 빠른 속도로 발전을 거듭해 한참 앞서 있는 경우도 많습니다.

AI에 대한 높은 기대와 시장 요구사항 변화애 부응하려면 도입 후에도 AI 모델 훈련과 추론에 필요한 데이터를 지속적으로 업데이트해야 합니다. 이는 기존 비즈니스 로직과 결합하고 내부 시스템과 연결하는 등 AI 운영 시스템으로서의 역할을 생각할 때 현실적으로 비즈니스에 효용성 있는 대안이 될 수 있습니다.

비즈니스를 위해 구축된 AI 모델의 현실적인 대안

SAP는 지난 20년동안  AI, 빅데이터, 클라우드 같은 새로운 기술과 컨텍스트를 통해 솔루션에 AI를 내장하고 예측가능한 비즈니스를 준비하면서 변화를 이끌어 왔습니다. 솔루션에 AI를 내장하고 대화형 AI 및 지능형 로봇 프로세스 자동화 등 비즈니스 플랫폼으로 기존 SAP 환경을 확장하는 AI 기반 모듈을 생성함으로써 경쟁력을 갖추고 새로운 변화를 만들어 왔습니다.

여기에 챗GPT로 대표되는 생성 AI의 획기적인 발전이 가속화되고 응용 범위가 확대된다는 점을 고려할 때 생성 AI 기능을 비즈니스 데이터 및 프로세스의 컨텍스트와 결합하고 대규모로 미세조정(fine-tuning) 및 프롬프트 엔지니어링을 적용한 아키텍처를 고려해야 합니다. 이로써 기업의 독립성을 보장하고 비즈니스에 적합한 결과를 창출할 수 있습니다. 이러한 AI 의 결과는 별도의 저장공간이 아닌 현업 사용자가 매일 사용하는 애플리케이션에 내장됩니다.

SAP 시스템의 SaaS 모델 및 클라우드 배포는 SAP AI 코어, 론치패드, SAP AI 비즈니스 서비스 같은 AI 서비스를 위한 새로운 기능이 분기별로 출시되면서 AI 서비스 개발 속도를 높이고 지속적으로 업데이트 된다는 사실에 주목하세요.

AI는 관리부터 개발까지 오픈소스 중심으로 혁신이 일어나며 이러한 플랫폼을 직접 구축하려면 다양한 오픈 소스 기술을 잘 알아야 하고 변화의 속도에 뒤쳐져서는 안된다는 것도 중요한 부분입니다. 상용 솔루션으로 구축했다 할지라도 도입, 검토, 구현, 안정화를 하고 나면 이미 새로운 기술 트렌드가 나온다는 사실도 잊지 마세요.

기존 SI의 관성에서 벗어난 AI

AI 트랜스포메이션을 단순히 AI 엔진 기반의 SI(시스템통합) 프로젝트로 바라보는 기존의 관성에서 벗어나야 합니다. 내재화하면 할수록 더 고립되는 플랫폼은 효용성이 떨어질 수 있습니다. AI는 이제 생성 AI를 넘어 끊임없이 발전될 전망입니다. 그 가운데 파생되는 기술은 꾸준히 발전하고 최신 기술을 적용할 수 있는 유연한 아키텍처야말로 필수 고려 대상입니다.

디지털 트랜스포메이션이 처음 시장에 나왔을 때 비즈니스 또는 조직의 모든 측면에 디지털 기술을 통합해 운영 방식과 고객에게 가치를 제공하는 방식을 근본적으로 변화시킬 것으로 얘기한 바 있습니다. 이제 AI 트랜스포메이션은 우리가 가진 도구를 가장 최신의 진보적인 형태로 업그레이드된 상태라고 할 수 있습니다. 하지만 잊지 마세요. 모든 변화와 트렌드의 핵심은 바로 비즈니스를 잘하는 데 있습니다.

예측, 분류, 생성 등의 역량을 두루 갖춘 AI에 대한 이해를 토대로 여러분 기업의 비즈니스를 어떻게 개선할 수 있을지 고민하는 데서 AI 트랜스포메이션을 시작하시기 바랍니다. 고맙습니다.