게시물 검색

ICT/정보통신 “AI를 통한 공장 자동화”가 실패하는 이유

  • 관리자 (irsglobal1)
  • 2020-03-19 19:19:00
  • hit521
  • 218.156.0.101

AI 붐이 일어난 후로 몇 년이 지났다. 처음부터 적극적으로 AI를 도입한 기업일수록 현재 혼란을 겪게 되는 패러독스가 일어나고 있다. 이러한 상황에서 벗어나려면 어떻게 해야 할까. BCG의 컨설턴트는 ‘사내에 산재한 유스케이스(활용 사례)를 통해 얼마나 전략적으로 중요한 것을 선정하는지가 핵심’이라고 말한다.

 

인터널 유니콘을 찾는다

 

AI 붐이 일어나고 몇 년이 지난 현재, 지금까지 적극적으로 AI를 도입해오던 기업일수록 사내에서 전부 수습하지 못하는 상황이 일어나고 있다.

 

첨단이긴 하지만 확대될 전망이 없는 안건, 모처럼 구축한 AI를 전혀 사용하지 못한 채 멈춰 버리고 만 안건, 다른 부문이 이미 시작하고 있어 유사성이 매우 높은 안건, 끝없이 데이터를 모아들이기만 하는 안건 등 충분한 성과를 낳지 못하는 유스케이스(활용 사례)가 많이 있다.

 

이러한 실패 경험은 사내의 AI 도입에 대한 의욕을 떨어뜨리게 된다. 하지만 실패 경험으로 인해 AI를 활용하지 않게 된 기업과 계속하여 경험을 쌓아가는 기업은 몇 년 후에는 큰 차이를 보일 것이다.

 

이러한 상황에서 벗어나려면, ‘인터널 유니콘’이라 부르는 전략적으로 중요하고 임팩트가 큰 유스케이스를 선정해야 한다. AI의 활용을 성과로 연결 짓는 기업들은 대부분 유스케이스를 추려내어 가능한 한 리소스를 집중 투하시키고 있다.

 

자사의 중요한 디지털 영역을 판가름할 때, 우리는 디지털 액셀러레이션 인덱스(Digital Acceleration Index=DAI)라는 BCG의 독자적인 측정 지표를 사용하는데, 그것을 인터널 유니콘을 발굴하는 데에도 활용할 수 있다.

 

<그림1> 디지털 액셀러레이션 인덱스의 7가지 영역

 

당장의 과제는 여러 AI를 협력시키는 것

 

현재 실용화되고 있는 AI는 특정한 용도, 즉 하나의 알고리즘(특정 문제를 해결하는 일련의 수식이나 순서)을 사용하여 문제를 해결하는 것이 중심을 이루고 있다. 앞으로는 각각의 AI가 개별적으로 진화하는 것뿐 아니라, 자율주행과 같이 문제를 해결하는 데 여러 AI가 협력할 수 있는 세계를 생각하며 전략을 짜야 한다.

 

그렇다고 해서, 예를 들어 ‘AI를 통해 공장을 자동화하겠다’는 식의 막연하고 커다란 문제를 무턱대고 내세워 해결하려 하는 ‘무책임한 안건’을 내걸게 되면, 프로젝트는 앞으로 나아갈 수 없다. 너무 크지도, 너무 작지도 않고, 충분히 실현할 수 있는 만큼만 설정하여 조금씩 실천하고, Agile(민첩한) 체제로서 시행착오를 거치면서 빠르게 개선하는 것이 중요하다.

 

애자일(Agile)이란 영어로 ‘기민한’, ‘재빠른’이라는 뜻이다. 파격적인 이노베이션이 잇따라 일어나고 있는 현대에는 면밀한 계획에 근거하여 차근차근 진행하는 기존의 방식으로는 시간이 오래 걸릴 뿐 아니라, 시간을 소비한 만큼 계속해서 변화하는 고객의 니즈를 쫓아가지 못한다.

 

처음부터 완성하려 하지 말고 필요한 최소한의 프로덕트를 만들고, 일단은 빠르게 시장에 투입한다. 투입한 후에 고객으로부터 피드백을 받아 개선하고, 다시 한 번 시장에 묻는다. 이러한 방식을 빠르게 반복함으로써 변화하는 시장의 니즈에 대처하면서 최종적으로 원하는 프로덕트 및 서비스를 빠르게 개발할 수 있다. AI를 사용하는 비즈니스에서는 모아들인 데이터의 양이 정밀도에 직결되기 때문에, 속도는 특히 중요하다.

 

AI 활용을 선도하는 기업은 위와 같은 애자일한 체제를 통해 특정한 AI에 의한 성과를 이미 구현해 내고 있다. 당장의 과제는 여러 AI를 협력시키는 것이다.

 

아마존을 통해 보는 여러 AI의 협력 사례

 

여러 AI를 투입하여, 여러 가지 과제를 지원하는 구조로서 아마존이 좋은 예를 갖고 있어 간단히 설명하고자 한다. 아마존은 판매 예측 시스템, 재고 예측 시스템, 공급체인 최적화, 추천 엔진, 수익 최적화 시스템 등 20개 이상의 데이터 분석 시스템을 갖고 있다. 이러한 시스템들은 시스템끼리 상호간에, 또한 전략적으로 관련을 맺는 인재와 연결되어, 전체적으로 통합된 원활한 구조를 형성한다.

 

예를 들어 판매 예측 시스템이 있는 상품의 인기가 높아지는 것을 감지하게 되면, 다음과 같은 변화를 일으킨다. 재고 예측이 갱신되고, 그로 인해 공급체인 시스템이 창고 전체에 걸쳐 재고를 최적화한다. 추천 엔진이 그 상품을 더욱 많이 푸시하고, 수익 최적화 시스템이 가격을 최적화한다. 이러한 변화로 인해 판매 예측이 갱신된다.

 

2030년까지는 여러 AI가 협력하는 구조를 더욱 많은 기업이 구축함으로써, 고도의 응용이 가능해질 것으로 보인다.

 

과제 설정을 잘못하지 않는 체제 만들기

 

다음으로 AI를 활용할 때 매니지먼트 층이 염두에 두어야 하는 점에 대해 생각해 본다.

 

AI를 사용하여 비즈니스 임팩트를 창출하려면 ‘과제를 정의하고’ ‘실천적인 가설을 세우고’ ‘분석하고’ ‘개선 사이클을 가동시키는’ 프로세스를 끊임없이 반복하여 진화시켜야 한다. 그런데 애초에 ‘과제를 잘못 정의’한 경우가 의외로 많다.

 

예를 들어, ‘AI가 자율주행을 하게 할’ 경우, 주요 과제를 안전성으로 설정할지, 쾌적함으로 설정할지, 목적지까지의 소요시간으로 설정할지에 따라 실천 내용이 달라진다. ‘AI를 사용하여 고객의 재구매율을 높이고 싶다’면, 구체적으로 어떤 고객을 설정하고, 누가 행동하게 할 것인지까지 과제로 설정해야 실마리가 보이고 길을 잃지 않을 수 있다.

 

과제 설정을 잘못하면, 팀 리더 등의 의사 결정권자가 AI에 대한 이해를 깊이 해야 한다. 의사 결정권자의 이해가 충분하지 않아 목표를 잘못 설정하게 되면, 잘못된 목표를 향해 나아가, 데이터 사이언티스트가 아무런 의문도 가지지 않은 채 잘못된 퍼즐을 열심히 맞추려 하는 경우가 생긴다.

 

또한 ‘AI 기술을 아는 인재’와 ‘비즈니스에 숙련된 인재’를 모두 가진 팀을 편성하는 것도 중요하다.

 

<그림2> ‘AI 기술을 잘 아는 인재’와 ‘비즈니스에 숙련된 인재’를 모두 팀 내에 편성

 

AI 전문가를 고용했지만 아무것도 나아진 것이 없다며 고민하는 기업도 있다. AI를 잘 아는 인재는 비즈니스에 관심이 없어, 적절한 과제 설정을 하지 못하는 경우가 많기 때문이다. 반대로, 비즈니스를 잘 아는 인재는 AI를 이해하려 하지 않는다. 실제로 변혁을 지원할 때에도, 비즈니스 현장에서는 거의 반드시 ‘AI 같은 것보다는 우리가 더 잘 안다’라는 말을 많이 한다.

 

이 둘 사이의 간극을 줄이기 위해서도, 애자일한 체제 속에서 긴밀하게 연계하여 상호간의 이해를 깊이 해야 한다. AI를 사용하는 데이터 사이언티스트는 AI란 무엇인가, AI를 통해 무엇을 할 수 있는가에 대해, 비즈니스 담당자는 비즈니스적 과제에 대해, 서로 이해할 수 있도록 일찍부터 협의해 나가야 한다.

 

AI의 알고리즘을 구축하는 데 걸리는 시간은 전체의 10%

 

그럼 적절한 과제를 설정했다면, 실제적인 작업을 하는 데에는 어느 정도의 시간을 들여야 할까?

 

사실 AI의 알고리즘을 구축하는 데 걸리는 시간 자체는 그리 길지 않다. 이미 Commodity화가 진행된 영역이기도 하기 때문에, 시간을 비율로 따지자면 프로젝트 전체에서 약 10%밖에 되지 않는다. 20%는 시스템 구성에 대한 검토, 70%는 AI 알고리즘을 실제 비즈니스에 도입하기 위해 비즈니스 프로세스를 검토하거나 현장과 커뮤니케이션을 취하는 데 사용한다.

 

비즈니스 프로세스에 사람이 개입하지 않는 경우, 예를 들어 인터넷상에 ‘추천 기사ㆍ상품’을 표시하는 추천 시스템을 구축하는 경우에는, 현장과의 커뮤니케이션을 많이 취할 필요가 없다.

 

하지만, AI의 아웃풋에 근거하여, 실제로 비즈니스 현장에서 일하는 사람들을 움직여야 하는 프로젝트에서는, 비즈니스 프로세스를 정밀하게 재검토하거나 현장과의 커뮤니케이션을 긴밀하게 유지해야 한다. 그것이 부족하면, 구축한 AI를 활용하지 못하고 방치되는 경우가 생길 수 있다.

 

또한 비즈니스 프로세스를 검토할 때 중요한 것은 데이터가 자연적으로 축적되는 구조를 미리 만들어 두어야 한다는 것이다. 그렇게 하면 진입 장벽이 만들어져, 지속적으로 우위성을 구축할 수 있다.

 

실패하지 않으면 불완전할 수 있다

 

AI 구축 프로세스는, 먼저 학습용 데이터를 만들고, 그것을 통해 알고리즘을 구축한 다음, 검증 데이터를 통해 답을 맞춰보면서 정밀도를 평가한다. 하지만 답을 맞춰보는 것은 한 번으로 끝나지 않는다. 다양한 데이터 세트, 기계학습 방법을 시험하면서 테스트를 거듭한 결과 가장 정밀도가 높은 조합을 찾는, 매우 실험적인 프로세스이다.

 

따라서 경험 있는 데이터 사이언티스트라 하더라도 새로운 주제로, 새로운 데이터를 사용하여, 얼마나 정밀도 높은 AI 알고리즘을 구축할 수 있는지를 미리 예측하는 것은 어려운 일이다. AI는 본질적으로, 실제로 해보지 않으면 알 수 없다.

 

복잡하고 어려운 과제이기 때문에 AI라는 도구가 요구되는 것이며, 시스템 투자가 아니라 R&D 투자라 생각하고서, 이제까지 방치해 두었던 큰 과제에 도전한다는 점에 AI 활용의 의의가 있다 하겠다.

 

단번에 성공하지 못하는 것은 당연한 일이며, 오히려 실패하지 않으면 그만큼 불완전하다고 할 수 있다.

 

 

 

관련도서 1. : 4차산업혁명 시대의 제조 혁신, 스마트제조스마트공장의 시장ㆍ기술ㆍ표준화 분석과 대응전략

http://www.irsglobal.com/shop_goods/goods_view.htm?category=02000000&goods_idx=83583&goods_bu_id=

 

 

관련도서 2. : 인공지능(AI) 기술개발 현황과 주요 응용 분야별 사업 전략

http://www.irsglobal.com/shop_goods/goods_view.htm?category=02000000&goods_idx=83582&goods_bu_id=

 

게시글 공유 URL복사