AI 사용 압력에 휩쓸리다

대규모 조직이 혁신적인 기술의 연구 및 개발에 수십억 달러를 투자할 때 기술이 본격적으로 사용할 준비가 된다. 기술 거물들은 기술의 대규모 글로벌 수용을 보장하기 위해 최선을 다한다. 기술 애호가들에게는 흥미로운 시기이며 대세에 뒤처지지 않고 트렌드에 동참하고 싶은 욕구를 느끼는 것은 자연스럽다.
기술 애호가들

조직의 모든 계층에서 인공지능 기반 솔루션을 사용하여 비즈니스 문제를 해결하는 압박을 느끼고 있다. 압박을 받는 동안 어떻게 해야 하며 비즈니스 문제에 대한 올바른 결정을 내릴 수 있을까? 문제를 분석하고 언제 인공지능을 사용해야 하고 언제 사용하지 말아야 하는지 명확히 파악해보자.

답해야 할 기본적인 질문

특정 비즈니스 문제 및 사용 사례에 대한 솔루션을 설계하는 복잡한 단계에 들어가기 전에, 자신에게 물을 수 있는 몇 가지 매우 기본적인 질문이 있다. 이러한 질문에 대답하면 인공지능 솔루션을 구축하는 데 시간과 에너지를 투자해야 하는지에 대한 강력한 힌트를 얻을 수 있다.

• AI 기반 솔루션에 투자하는 것이 우리 산업의 현 상황을 깨트릴 수 있는가?
• 제품 또는 제품 기능 중 어떤 것에 대해 산업 후발주자에서 산업 선도주자로 도약할 수 있게 하는가?
• 제품 개발 또는 제품 운영 프로세스 중 어떤 부분에 AI를 사용할 수 있을까? 우리 제품의 장기적인 운영 비용을 크게 줄일 수 있는가?

이러한 종류의 질문들은 종종 경영진 회의실에서 제기되고 대답되지만, 강력한 제품 문화를 갖춘 좋은 기업에서는 의사 결정이 민주화되어 개별 팀이 제품 로드맵과 제품 기능에 대한 주요 결정을 내릴 수 있도록 권한이 부여됩니다.

따라서 기술 제품 관리자와 그들의 팀이 AI 기반 솔루션을 사용할지 결정할 때 CEO처럼 생각하고 이러한 근본적인 질문에 대해 숙고해야 하는 중요성이 있습니다.

층을 벗기다

이제, 근본적인 질문 아래에 있는 층을 의심하고 분석하는 과정을 살펴보고 솔루션 설계에 AI를 사용할지 결정하는 데 도움이 될 프레임워크를 사용해 보겠습니다.

예측형 AI

예측형 AI와 생성형 AI 간의 차이에 대한 많은 콘텐츠가 공개 도메인에 있지만, 저는 여전히 두 가지 간의 차이를 강조하고 싶습니다. 생성형 AI (GenAI)는 지난 몇 달 동안 많은 관심을 받아 왔기 때문에 사람들이 종종 다른 유형의 AI의 힘을 간과하며 그러한 기술에 대한 투자와 혁신이 많은 기관에서 둔화되고 있습니다.

사용자/고객의 문제에 대한 창의적인 솔루션에 대해 개발 팀이 멈추어 생각해야 하는 것이 중요합니다.

과거 이벤트의 역사적 데이터를 수집하여 패턴을 찾아 미래 이벤트의 결과를 예측하는 문제를 해결하려고 하는 것과 관련이 있습니까? 이러한 문제에 대해, 예측 AI가 솔루션을 찾아가야 할 곳입니다.

이러한 문제에 대해 Gen AI를 고려 중이라면 잘못된 길을 걷고 있습니다. 예측 AI 솔루션을 사용하여 해결할 수 있는 일반적인 문제 예시로는 재정 예측, 최적 인프라 활용, 사기 탐지 등이 있습니다.

문제 해결에 예측 AI 기반 솔루션이 필요하다는 것을 명확히 한 후, 어떤 종류의 머신러닝 알고리즘이 문제를 해결할 것인지를 결정하는 것이 솔루션을 설계하는 데 다음 논리적 단계여야 합니다.

• 분류. 데이터 포인트를 미리 정의된 클래스에 할당하는 것은 분류 문제입니다. 예를 들어, 소셜 미디어 플랫폼에서 콘텐츠를 부적절하다고 표시하여 적절한 대 부적절한 콘텐츠의 머신 지식을 지속적으로 정제하는 것은 분류 문제입니다.
• 회귀. 피처와 대상 변수 간의 상관 관계를 정의하여 미래 문제를 예측하는 것이 회귀 문제입니다. 예를 들어, 서비스의 미래 트래픽을 예측하여 팟 수를 증가시킬 때를 결정하는 것은 회귀 문제입니다.
• 클러스터링. 올바른 버킷을 정의하여 결정을 돕는 클러스터링 문제로 데이터를 다른 그룹으로 그룹화하는 것입니다. 예를 들어, 고객 행동과 사용 사례를 분석하여 조직이 올바른 고객 세그먼트를 정의하는 데 도움이 되는 것은 클러스터링 문제입니다.

예측 AI의 영역 내에서 운전할 수 있는 혁신과 창의성이 많다는 것이 상당히 놀라운 일이 아닌가요? 이 기사에서는 아직 최근에 큰 화제가 되고 있는 생성적 AI의 영역에 들어가지 않았습니다.

생성적 AI

반면에, 당신이 해결하려는 문제가 회사의 원시 데이터를 기반으로 AI 모델을 훈련시키고, 사용자의 프롬프트를 받아들여 새로운 출력물을 생성할 수 있도록 하는 경우, 그것이 바로 GenAI가 등장하는 곳입니다. 문제는 사용자 프롬프트와 생성된 출력물의 다양한 순열과 조합을 가질 수 있습니다. 사용자 프롬프트는 음성, 텍스트 또는 비구조화된 데이터가 될 수 있고, 생성된 출력물은 자연어 텍스트, 음성, 이미지 또는 비디오가 될 수 있습니다.

GenAI를 사용하여 해결할 수 있는 일반적인 문제들로는 고객 지원, 제품 개발 비용 절감을 위한 코드 생성, 연구 및 테스트를 위한 데이터 합성, 필요 시 마케팅 콘텐츠 작성 등이 있습니다.

GenAI 기반 솔루션에 관한 경우, 문제가 GenAI 기반 솔루션을 필요로 한다고 확실히 판단하면, 가장 영향력 있는 솔루션을 구축하는 데 도움이 되는 중요한 솔루션 설계 결정 사항이 추가로 필요합니다.

• 어떤 LLM 기본 모델을 사용해야 할까요?
• 저는 어떤 최신 아키텍처 프레임워크와 디자인 패턴을 활용해야 할까요. RAG, RLHF, langflow를 사용한 multi-agent react agent 등을 고려해보세요.
• 어떻게 보안과 데이터 프라이버시의 올바른 가드레일을 보장할 수 있을까요?

결론

기술 현대화의 부족은 기업의 비즈니스 모델을 언젠가는 구식으로 만들 수 있지만, 조직의 AI 투자를 올바른 문제와 올바른 장소에 사용하는 것이 중요합니다. AI 기반 솔루션이 필요하지 않은 문제에 대해 강요하는 것은 제품을 잘못된 방향으로 이끌 수 있습니다. 차분하게 유지하고 AI 투자를 현명하게 활용하세요.