인공지능은 각광 받는 기술이 분명하지만, 제대로 실전에서 활용되지 않는 기술이기도 하다. 여러 가지 테스트와 프로젝트는 진행되고 있지만, 실제 생산과 서비스가 인공지능으로 원활히 이뤄지는 경우는 아직 찾기 힘들다. 몇 가지 극복해야 할 문제들이 있기 때문이다.
[보안뉴스 문정후 기자] 인공지능이 사용되는 곳이 점점 늘어나고 있다. 기업들에서부터 에지 컴퓨팅 기술까지 다양한 곳들에서 인공지능이 활용되는 중이다. 특히 팬데믹이라는 유례없는 사건 때문에 인공지능의 도입 속도는 예상을 아득히 뛰어넘게 되었다. 컨설팅 업체인 PwC가 인공지능 프로젝트 도입 비율에 대하여 조사한 결과 86%의 응답자가 현재 자신들의 회사에서 인공지능 프로젝트가 가장 중요한 취급을 받고 있다고 답했을 정도다.
왜 인공지능이 이렇게 각광을 받게 되었을까? 팬데믹 때문에 갑자기 새롭게 바뀐 환경에 기업들이 빨리 적응해야만 했기 때문이다. 기업들이 해결해야 할 문제는 복잡해지고 있어 인공지능이라는 기술이 떠오르고 있는 건데, 실상은 많은 기업들이 실험 단계에서부터 실제 비즈니스 환경에 도입하는 데에까지 좀처럼 나아가지 못하고 있다. 2022년 한 조사에 따르면 26%의 기업들만이 인공지능이 실제 생산 및 서비스 제공 단계에 도입하는 데 성공했다고 한다.
그렇다면 기업들은 어떻게 해야 인공지능을 실제로 ‘써먹을 수’ 있게 될까? 가장 중요한 건 먼저 인공지능의 생애주기라는 걸 이해해야 한다. 그리고 인공지능을 다룰 줄 아는 내부 인력들을 적극적으로 육성해야 한다. 그 다음은 인공지능 운영 프로세스와 규정을 수립해야 한다. 이 내용들을 하나하나 풀어보고자 한다.
1. 인공지능 생애주기 이해하기
인공지능의 생애주기를 이해한다는 건 인공지능을 실제 업무/생산/서비스 환경에 구축하는 데 있어 어쩌면 가장 기본적이고 필수적인 것일 수 있다. 인공지능 모델이 정확한 결과를 내도록 하기 위해 데이터를 모아서 정리 및 처리하고, 모델을 만들어 훈련시키고, 실제 환경에 구축하여 실행시키고, 제대로 작동하는지 모니터링을 해야 한다. 이 모든 과정이 톱니바퀴처럼 맞물려 돌아가야 제대로 된 결과가 나오는 것이지, 누구 한 사람의 손에 아름답고 완벽한 알고리즘이 나오고 끝나는 게 아니다.
사실 이건 IT 전문가들에게도 은근 낯선 개념이다. 우리가 여태까지 사용했던 여러 가지 솔루션들 - 데이터베이스, 스프레드시트, 이메일 등 - 은 구축하면 그걸로 끝이지, 구축과 함께 계속 진화하고 변해서 더 나은 결과를 계속해서 내는 게 아니기 때문이다. 따라서 구축 후 모니터링의 단계가 그다지 필요하지 않다. 인공지능을 기반으로 한 솔루션들은 사정이 다르다. 자주 모니터링을 하고, 업데이트를 공격적으로 할 필요가 있다. 예를 들어 영화나 음악을 추천하는 알고리즘이라면 최신 작품까지 섭렵해야 한다. 여기에 더해 추천을 받는 자(즉, 사용자)의 상태에 대한 업데이트도 주기적으로 이뤄져야 한다.
인공지능이 어떻게 시작되고, 개발되고, 향상되고, 도입되고, 관리되는지를 총체적으로 이해하지 않으면 담당자를 제대로 배정할 수 없게 된다. 누군가는 개발하고, 누군가는 관리하고, 누군가는 모니터링을 해야 하는데, 역할 분담이 뒤죽박죽이 되거나 소수의 인공지능 전문가(혹은 어쩌다 그 회사에 있던 IT 담당자)가 모든 것을 떠맡게 된다. 인공지능 개발자도 필요하고, 데이터 과학자도 필요하고, 머신러닝 엔지니어도 필요한데 말이다. 당연히 제대로 구축 및 활용이 될 리가 없다.
2. 기본적인 인공지능 관련 지식과 기술력을 전체 조직이 갖춰야 한다
인공지능을 도입하고 구축한다는 건 일상적인 업무 환경에서, 일반 임직원들이 인공지능을 사용하도록 한다는 뜻이다. 인공지능 담당 팀과 전문가들이 자기들끼리 가지고 놀라고 도입하는 게 아니다. 그렇다는 건 인공지능 전문가 및 담당자들이 일반 임직원들의 ‘스킬업’까지 아울러 인공지능 프로젝트를 진행해야 한다는 뜻이 된다. 한 마디로 교육을 해야 하는데, 이는 배우는 쪽과 가르치는 쪽 모두에게 커다란 도움이 된다. 일반 임직원은 인공지능과 활용에 대해 배우고, 인공지능 담당자들은 실제 도입과 구축이라는 측면에서 방해가 되는 것들을 파악할 수 있기 때문이다.
그런 의미에서 직접 인공지능을 경험해 볼 수 있는 실험소를 운영하는 것도 인공지능의 도입과 활용을 빠르게 할 수 있는 방법 중 하나가 될 수 있다. 여기서 인공지능의 다양한 용례를 배우고 경험할 수 있게 되며, 인공지능의 개발에 따른 비하인드 스토리나 상식 등을 익혀 인공지능을 보다 적절하게 활용할 수도 있게 된다. 자체적으로 인공지능 훈련을 제대로 진행할 수 없다면 서드파티 인공지능 소프트웨어를 활용하여 다 같이 알고리즘 훈련에 참여해 보게 하거나, 미리 훈련이 완료된 모델들의 라이브러리를 통해 인공지능 도입의 속도를 높일 수도 있다.
3. 인공지능 운영 혹은 ML옵스(MLOPs)
인공지능 모델을 도입하려면 개발과 훈련 과정을 지나 운영에 대한 꼼꼼한 고려가 반드시 선행되어야 한다. 머신러닝 기술을 운영하는 것을 줄여서 ML옵스라고도 하는데, 기존의 데브옵스(DevOps)라는 개념에서부터 출발하기 때문에 기업 내 개발 환경과 프로세스가 어떤 식으로 변했는지를 잘 이해하고 있다면 ML옵스 역시 그리 이해하는 데 까다롭지는 않을 것이다.
일종의 플랫폼으로서 제공되는 ML옵스는 프로세스이기도 하고 기술이기도 한데, 결국은 인공지능 기반 애플리케이션들이 현대 사무 환경에서 사용해 왔던 IT 기술처럼 안정적이고 보편적으로 활용될 수 있게 해 준다는 목적을 가진 개념 혹은 소프트웨어 플랫폼이라고 볼 수 있다. ML옵스를 통해 기업들은 인공지능의 생애주기 자체를 관리할 수 있게 되고, 생애주기를 구성하는 각 단계를 보다 꼼꼼하게 실험하고 보호할 수 있게 된다.
ML옵스는 현존하는 기업용 애플리케이션이나 소프트웨어와 마찬가지로 구매와 설치 전 라이선스 계약을 통해 제공되며, 구입 후 서비스가 원활히 이뤄져 사용자가 전문가의 도움을 늘 받을 수 있어야 한다. ML옵스를 구축하려는 기업이라면 라이선스 계약서를 반드시 여러 번 읽어 보는 과정을 거쳐야 한다. 비싼 돈을 주고 기껏 구매했더니 호환이 되지 않는 경우가 종종 있는데, 이럴 때 계약을 취소하거나 환불 받는 규정이 명시되어 있어야 한다.
모든 컴퓨터 관련 기술들은 커다란 패러다임의 변화를 불러오기 전 반드시 여러 가지 어려움들을 극복하는 과정을 필요로 했다. 예를 들어 마우스의 경우, 대다수 컴퓨터 전문가들은 아무도 사용하지 않을 불필요한 발명품으로 취급했었다. 하지만 지금은 마우스 없는 컴퓨터 활용을 상상하기가 힘들 정도다. 인공지능 역시 마찬가지다. 지금 좀처럼 도입되지 않는 데에는 이유가 있고, 그 이유들 하나하나가 전부 극복되기 전까지 인공지능이 대세로 자리를 잡을 일은 없을 것이다.
인공지능이 극복해야 할 어려움은 여러 가지이지만 위의 세 가지인 생애주기의 이해, 일반 임직원들의 인공지능 이해도 높이기, ML옵스의 구축을 통해 대부분 해결될 수 있을 것이라 예상된다. 그 세 가지가 정답이 아니더라도, 정답으로 가는 길을 닦아주는 역할 정도는 충분히 할 수 있다.
글 : 저스틴 보이타노(Justin Boitano), 부회장, NVIDIA
[국제부 문정후 기자(globoan@boannews.com)]
[보안뉴스 문정후 기자] 인공지능이 사용되는 곳이 점점 늘어나고 있다. 기업들에서부터 에지 컴퓨팅 기술까지 다양한 곳들에서 인공지능이 활용되는 중이다. 특히 팬데믹이라는 유례없는 사건 때문에 인공지능의 도입 속도는 예상을 아득히 뛰어넘게 되었다. 컨설팅 업체인 PwC가 인공지능 프로젝트 도입 비율에 대하여 조사한 결과 86%의 응답자가 현재 자신들의 회사에서 인공지능 프로젝트가 가장 중요한 취급을 받고 있다고 답했을 정도다.
[이미지 = utoimage]
왜 인공지능이 이렇게 각광을 받게 되었을까? 팬데믹 때문에 갑자기 새롭게 바뀐 환경에 기업들이 빨리 적응해야만 했기 때문이다. 기업들이 해결해야 할 문제는 복잡해지고 있어 인공지능이라는 기술이 떠오르고 있는 건데, 실상은 많은 기업들이 실험 단계에서부터 실제 비즈니스 환경에 도입하는 데에까지 좀처럼 나아가지 못하고 있다. 2022년 한 조사에 따르면 26%의 기업들만이 인공지능이 실제 생산 및 서비스 제공 단계에 도입하는 데 성공했다고 한다.
그렇다면 기업들은 어떻게 해야 인공지능을 실제로 ‘써먹을 수’ 있게 될까? 가장 중요한 건 먼저 인공지능의 생애주기라는 걸 이해해야 한다. 그리고 인공지능을 다룰 줄 아는 내부 인력들을 적극적으로 육성해야 한다. 그 다음은 인공지능 운영 프로세스와 규정을 수립해야 한다. 이 내용들을 하나하나 풀어보고자 한다.
1. 인공지능 생애주기 이해하기
인공지능의 생애주기를 이해한다는 건 인공지능을 실제 업무/생산/서비스 환경에 구축하는 데 있어 어쩌면 가장 기본적이고 필수적인 것일 수 있다. 인공지능 모델이 정확한 결과를 내도록 하기 위해 데이터를 모아서 정리 및 처리하고, 모델을 만들어 훈련시키고, 실제 환경에 구축하여 실행시키고, 제대로 작동하는지 모니터링을 해야 한다. 이 모든 과정이 톱니바퀴처럼 맞물려 돌아가야 제대로 된 결과가 나오는 것이지, 누구 한 사람의 손에 아름답고 완벽한 알고리즘이 나오고 끝나는 게 아니다.
사실 이건 IT 전문가들에게도 은근 낯선 개념이다. 우리가 여태까지 사용했던 여러 가지 솔루션들 - 데이터베이스, 스프레드시트, 이메일 등 - 은 구축하면 그걸로 끝이지, 구축과 함께 계속 진화하고 변해서 더 나은 결과를 계속해서 내는 게 아니기 때문이다. 따라서 구축 후 모니터링의 단계가 그다지 필요하지 않다. 인공지능을 기반으로 한 솔루션들은 사정이 다르다. 자주 모니터링을 하고, 업데이트를 공격적으로 할 필요가 있다. 예를 들어 영화나 음악을 추천하는 알고리즘이라면 최신 작품까지 섭렵해야 한다. 여기에 더해 추천을 받는 자(즉, 사용자)의 상태에 대한 업데이트도 주기적으로 이뤄져야 한다.
인공지능이 어떻게 시작되고, 개발되고, 향상되고, 도입되고, 관리되는지를 총체적으로 이해하지 않으면 담당자를 제대로 배정할 수 없게 된다. 누군가는 개발하고, 누군가는 관리하고, 누군가는 모니터링을 해야 하는데, 역할 분담이 뒤죽박죽이 되거나 소수의 인공지능 전문가(혹은 어쩌다 그 회사에 있던 IT 담당자)가 모든 것을 떠맡게 된다. 인공지능 개발자도 필요하고, 데이터 과학자도 필요하고, 머신러닝 엔지니어도 필요한데 말이다. 당연히 제대로 구축 및 활용이 될 리가 없다.
2. 기본적인 인공지능 관련 지식과 기술력을 전체 조직이 갖춰야 한다
인공지능을 도입하고 구축한다는 건 일상적인 업무 환경에서, 일반 임직원들이 인공지능을 사용하도록 한다는 뜻이다. 인공지능 담당 팀과 전문가들이 자기들끼리 가지고 놀라고 도입하는 게 아니다. 그렇다는 건 인공지능 전문가 및 담당자들이 일반 임직원들의 ‘스킬업’까지 아울러 인공지능 프로젝트를 진행해야 한다는 뜻이 된다. 한 마디로 교육을 해야 하는데, 이는 배우는 쪽과 가르치는 쪽 모두에게 커다란 도움이 된다. 일반 임직원은 인공지능과 활용에 대해 배우고, 인공지능 담당자들은 실제 도입과 구축이라는 측면에서 방해가 되는 것들을 파악할 수 있기 때문이다.
그런 의미에서 직접 인공지능을 경험해 볼 수 있는 실험소를 운영하는 것도 인공지능의 도입과 활용을 빠르게 할 수 있는 방법 중 하나가 될 수 있다. 여기서 인공지능의 다양한 용례를 배우고 경험할 수 있게 되며, 인공지능의 개발에 따른 비하인드 스토리나 상식 등을 익혀 인공지능을 보다 적절하게 활용할 수도 있게 된다. 자체적으로 인공지능 훈련을 제대로 진행할 수 없다면 서드파티 인공지능 소프트웨어를 활용하여 다 같이 알고리즘 훈련에 참여해 보게 하거나, 미리 훈련이 완료된 모델들의 라이브러리를 통해 인공지능 도입의 속도를 높일 수도 있다.
3. 인공지능 운영 혹은 ML옵스(MLOPs)
인공지능 모델을 도입하려면 개발과 훈련 과정을 지나 운영에 대한 꼼꼼한 고려가 반드시 선행되어야 한다. 머신러닝 기술을 운영하는 것을 줄여서 ML옵스라고도 하는데, 기존의 데브옵스(DevOps)라는 개념에서부터 출발하기 때문에 기업 내 개발 환경과 프로세스가 어떤 식으로 변했는지를 잘 이해하고 있다면 ML옵스 역시 그리 이해하는 데 까다롭지는 않을 것이다.
일종의 플랫폼으로서 제공되는 ML옵스는 프로세스이기도 하고 기술이기도 한데, 결국은 인공지능 기반 애플리케이션들이 현대 사무 환경에서 사용해 왔던 IT 기술처럼 안정적이고 보편적으로 활용될 수 있게 해 준다는 목적을 가진 개념 혹은 소프트웨어 플랫폼이라고 볼 수 있다. ML옵스를 통해 기업들은 인공지능의 생애주기 자체를 관리할 수 있게 되고, 생애주기를 구성하는 각 단계를 보다 꼼꼼하게 실험하고 보호할 수 있게 된다.
ML옵스는 현존하는 기업용 애플리케이션이나 소프트웨어와 마찬가지로 구매와 설치 전 라이선스 계약을 통해 제공되며, 구입 후 서비스가 원활히 이뤄져 사용자가 전문가의 도움을 늘 받을 수 있어야 한다. ML옵스를 구축하려는 기업이라면 라이선스 계약서를 반드시 여러 번 읽어 보는 과정을 거쳐야 한다. 비싼 돈을 주고 기껏 구매했더니 호환이 되지 않는 경우가 종종 있는데, 이럴 때 계약을 취소하거나 환불 받는 규정이 명시되어 있어야 한다.
모든 컴퓨터 관련 기술들은 커다란 패러다임의 변화를 불러오기 전 반드시 여러 가지 어려움들을 극복하는 과정을 필요로 했다. 예를 들어 마우스의 경우, 대다수 컴퓨터 전문가들은 아무도 사용하지 않을 불필요한 발명품으로 취급했었다. 하지만 지금은 마우스 없는 컴퓨터 활용을 상상하기가 힘들 정도다. 인공지능 역시 마찬가지다. 지금 좀처럼 도입되지 않는 데에는 이유가 있고, 그 이유들 하나하나가 전부 극복되기 전까지 인공지능이 대세로 자리를 잡을 일은 없을 것이다.
인공지능이 극복해야 할 어려움은 여러 가지이지만 위의 세 가지인 생애주기의 이해, 일반 임직원들의 인공지능 이해도 높이기, ML옵스의 구축을 통해 대부분 해결될 수 있을 것이라 예상된다. 그 세 가지가 정답이 아니더라도, 정답으로 가는 길을 닦아주는 역할 정도는 충분히 할 수 있다.
글 : 저스틴 보이타노(Justin Boitano), 부회장, NVIDIA
[국제부 문정후 기자(globoan@boannews.com)]
<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>
문가용기자 기사보기
[2024-04-18] 
.jpg)
.jpg)
.jpg)
