Upstage

View Original

DT의 시작, AI 기술 도입 시 풀어야 할 네 가지 숙제와 성공적인 해결 방안

2022/08/23

⏱ 4mins 
See this content in the original post

DT를 넘어 AI transformation으로

최근 AI가 여러 산업 군에서 화두로 떠오르고 있습니다. 팬데믹 이후 DT(Digital Transformation)를 추진하는 기업들이 더욱 늘어나면서 이에 활용되는 AI 기술 도입의 중요성이 대두되고 있기 때문입니다. 실제로 구글, 넷플릭스 등의 글로벌 기업은 딥러닝의 파워풀한 성능을 통해 서비스 경쟁력을 향상시키고 있으며, 기업 가치 또한 꾸준한 상승세를 보이고 있습니다.

지난해 1,000개사를 대상으로 시행된 KDI 기업 서베이 결과에 따르면 실제로 AI 기술 도입이 경영 및 성과에 도움이 되었다고 답변한 비율은 77.8%에 육박했습니다. 반면, 비즈니스에 AI 기술을 잘 적용하고 있냐는 질문에는 “아니다"라고 답변한 비율 역시 74%의 높은 수치로 나타나 AI 도입에 대한 현업의 혼란을 느낄 수 있었습니다.

과연 AI 기술 도입과 적용에는 어떤 요소가 필요하기에 많은 기업들이 어려움을 겪고 있는 걸까요?

AI 도입 방법 세 가지

기업이 AI를 도입하는 데에는 크게 세 가지 방법이 있습니다.

1. 내재화

: 기업 내부에 AI 기술자들을 모아서 필요한 AI 기술을 자체적으로 만드는 것

2. System Integration

: 흔히 SI라고 불리는 것으로, 타사의 기술적인 도움을 받아 내부에 AI 솔루션을 구축하는 것

3. 외부 솔루션

: 이미 잘 만들어진 클라우드 기반의 솔루션이나 소프트웨어 형태의 설치형 솔루션을 활용하는 경우

대개 기업은 위의 세 가지 중 자사의 상황에 따라 문제를 정의 내리고 도입 방법을 선택하곤 합니다. 하지만 AI가 가진 특징으로 인해 특정 도입 방법을 선택하더라도 이를 지속하는데 어려움이 발생하게 됩니다. 그 이유는 무엇일까요?


AI 도입의 어려움

업스테이지는 AI 솔루션을 개발하며 100여 개의 고객사를 만나, 기업이 AI를 도입하는 데 있어 어려운 점이 무엇인지 실무 관점에서의 생생한 이야기를 들어볼 수 있었습니다. 가장 많이 언급된 어려움은 크게 네 가지였는데요.

Pain Point 1. 비즈니스에 적용되는 AI 모델 개발 및 유지 보수

첫 번째 어려움은 유지 보수입니다. AI 모델 개발은 크게 “문제 정의 → 데이터 수집 → AI 모델 개발 → 실 서버 배포”의 4단계로 이뤄집니다. 이러한 단계를 거쳐 AI 모델을 완성하더라도 반드시 유지 보수가 수행되어야 서비스 품질을 유지할 수 있습니다.

하지만 AI 모델 개발 과정 중 어디에서 문제가 일어났는지 파악하기 어렵고, 또 원인을 알게 되더라도 이를 개선하기 위해 참고할 수 있는 사례가 많이 없기 때문에 시행착오를 겪는 것이 불가피한 상황입니다. 그렇다 보니 이 일련의 과정들을 정상적으로 수행하기 위해서는 고급 인력과 비용, 시간이 절대적으로 필요합니다.


Pain Point 2. 서비스에 적용 가능한 AI 기술 개발

두 번째는 서비스에 적용 가능한 수준의 AI 기술을 개발하기 어렵다는 점입니다. 기업에서는 AI 모델을 개발할 때 외부에서 제공하는 AI 솔루션이나 오픈소스를 종종 사용하기도 합니다. 이 경우 기본 이상의 성능을 보이긴 하지만, 고객이 사용하는 서비스를 개발하는 것이기 때문에 이를 훨씬 상회하는 성능을 구현해야 합니다.

기본을 넘어 월등한 성능을 만드는 데에는 많은 노력과 노하우가 필요하고, 그렇기 때문에 AI를 다루는 전문 인력 체제를 갖추는 것에서부터 어려움을 겪는 사례가 있습니다.

Pain Point 3. AI의 유지 보수는 미지의 영역

앞서 언급된 어려움을 모두 극복하더라도 배포한 AI 모델을 유지 보수하는데 있어 원인 파악이나 해결책에 대한 사례 공유가 전무해 결국 맨땅에 헤딩으로 해결하는 경우가 많다는 점이 세 번째 어려움입니다.

AI 기술을 유지 보수하기 위해서는 모델 모니터링이나 재학습, AB 테스트 등을 수행해야 합니다. 이러한 과정은 보통 수동으로 작업하다 보니 적지 않은 비용이 들기 마련이며, 때문에 기업은 여러 시행착오를 겪게 됩니다.

Pain Point 4. AI 기술의 급격한 발전

AI 도입이 어려운 마지막 이유는 기술의 급격한 발전 때문입니다. 하루에 출간되는 AI 논문의 수는 800여 편에 이를 정도로 기술 발전 속도가 빠릅니다. 매번 이렇게 방대한 양의 논문을 모두 들여다보고 실제 데이터로 구현, 검증하는 과정을 거치기는 쉽지 않습니다.

간혹 이렇게 많은 시간과 노력을 들여가면서까지 왜 최신 AI 기술을 따라가야 하는지에 대한 의문을 가질 수도 있을 것 같습니다. 그 이유는 바로 AI가 기술 퀀텀 점프가 빈번한 분야이기 때문입니다.

이는 곧 AI 기술을 도입하려는 기업에게는 리스크로 다가오기도 합니다. 예를 들어 한 기업이 OCR 기술을 통해 문서 손글씨 인식률을 60%까지 구현했다고 가정해 봅시다. 이러한 수치로는 비즈니스에 기술을 적용하기 어렵다고 판단하여 서비스에서 제외했지만, 그 후 1개월 만에 인식률을 90%까지 끌어올릴 수 있는 기술이 새롭게 등장하여 비즈니스 요구사항을 충족시킬 수도 있는 것이죠.

이처럼 빠르게 발전하는 AI 기술을 따라가지 못한다면 서비스 고도화는 여전히 미지수로 남아있을 것입니다.

올바른 문제 정의 및 도입 방법 선택

그렇다면 이러한 어려움에도 불구하고 기업에서 AI를 성공적으로 도입하려면 어떻게 해야 할까요?

먼저 AI로 풀어가고자 하는 문제를 올바르게 정의하고, 이에 적합한 도입 방법을 선택하는 것이 중요합니다. 모호하거나 Task 단위로 구체화되지 않은 문제를 풀기 위해 AI를 적용하고자 한다면 실패할 가능성이 높아지기 마련입니다.

따라서 앞서 언급된 3가지 AI 도입 방법(내재화, System Integration, 외부 솔루션)의 각 특징을 살펴보고 상황에 맞는 것을 선택하는 것이 좋습니다. 리소스가 많이 들더라도 자사만의 역량을 갖추고 싶다면 내재화 방식을 선택하고, 구체적인 Task는 외부 솔루션을 활용하는 것이 좋습니다. 또한 AI에서 찾아보기 힘든 케이스이긴 하지만, 한 번 설치한 이후 유지 보수나 업데이트가 필요 없는 문제가 있다면 SI를 활용하는 것도 방법입니다.

외부 솔루션 혹은 SI를 통해 AI 기술을 도입할 경우 발생할 수 있는 단점

효과적인 AI 도입 방향성

이처럼 도입 방법별로 각기 다른 장단점이 존재하기에, 가장 효과적인 AI 기술 도입을 위해서는 사실 아래와 같은 조건들을 모두 충족하는 대안을 찾거나 AI를 전문으로 다루는 파트너사를 잘 선정하는 것도 중요합니다.

  • 올바른 문제 정의

  • 최신 AI 기술을 반영한 지속적인 모델 업데이트

  • AI 전문 인재 확보

  • 학습을 위한 인프라 GPU 설비

현재 자사의 상황에 적합한 AI 도입 방법은 무엇일지, 또 OCR 기술 적용에 앞서 해결하고 싶었던 궁금증이 있었다면 업스테이지의 웨비나에서 그 실마리를 함께 찾아보세요. 업스테이지는 수많은 사례들을 통해 획득한 AI 기술 도입의 필수적인 요소들을 모두 녹여낸 Document AI를 개발하며 이에 관한 노하우를 보유하고 있습니다.

업스테이지가 100여 개의 고객사와 만나며 알 수 있었던 기업이 AI 도입 과정에 공통적으로 겪는 시행착오와 이에 대한 명쾌한 솔루션을 오는 8월 31일, “AI OCR 도입 성공 방정식" 토크에서 공유합니다!