인공지능 붐이 일어나면서 혼란이 가중되고 있다. 어떻게 해야 맞는 도구와 정책, 방향성을 가져갈 수 있을지 아무도 답하지 못하고 있다. 그런 상황에서 오히려 더 중요해지고 있는 가치들이 있다.
[보안뉴스 문정후 기자] 디지털 전환을 위해 인공지능과 머신러닝 도구들을 회사에 도입할 때 데이터 책임자와 분석가들은 여러 가지 고민을 하게 된다. 기업마다 다루는 데이터가 다르고 디지털 전환의 목적이 다를 텐데, 그에 딱 맞는 인공지능/머신러닝 도구를 찾는 것부터가 큰일이다. 찾는다 해도 호환성에서 문제가 있을 수 있고, 그 도구를 내부적으로 잘 활용할 수 있을지도 불투명한 상황이다. 모든 것이 불확실하다.
하지만 인공지능과 머신러닝 도구를 알맞게 골라 잘만 활용한다면 얻어갈 것도 많다. 단순 반복 작업에서부터 많은 임직원들을 구해줄 수 있게 되고, 수작업으로는 감당할 수 없는 양의 데이터를 빠르게 분석할 수 있으며, 보다 정확한 예측을 통해 경쟁력을 강화할 수 있게 된다. 그러니 아무리 불확실하고 어려워도 도전을 할 수밖에 없게 된다.
데이터 책임자들에게도 자원이 필요하다
SAS의 데이터 과학자이자 분석가인 마리넬라 프로피(Marinela Profi)는 “복잡하기 짝이 없는 인공지능과 머신러닝 도구들을 파악하면서 기업의 사업적 목표를 충족시키려면 먼저 데이터 과학자와 데이터 최고 책임자(CDO)에게 필요한 자원을 쥐어줘야 한다”고 말한다. “CDO가 제대로 이 난국을 헤쳐가려면 유능한 데이터 과학자와 머신러닝 전문가가 필요합니다. 그래야 필요한 인공지능 모델이 무엇인지 파악하고, 설계하고, 유지할 수 있습니다. 그 다음에는 인공지능을 훈련시킬 안전하고 깨끗한 데이터 공급원이 필요하죠.”
그 다음은 머신러닝 알고리즘이 필요한 데이터를 수급 받아 처리하고 저장하고 계산하고 분석하기 좋은 IT 인프라가 필요하다고 프로피는 강조한다. “또 하나 중요한 건 인공지능/머신러닝 알고리즘을 혼자서 운영할 수 없다는 겁니다. 무조건 팀웍으로서 접근해야 합니다. 그러니 뭐가 필요하겠습니까? 담당자들 간 빠르고 효과적으로 협업할 수 있도록 해 주는 도구입니다. 서로가 이상 현상을 발견하거나 보안 문제점을 발견하거나 편향성을 알아챘을 때 재빨리 알리고 보완할 수 있어야 하지요.”
그럼에도 프로피는 “현재 기업들이 확보하기에 가장 많은 노력을 기울여야 하는 건 전문가”라고 강조한다. “인공지능이 말 그대로 붐이기 때문에 너도나도 사람들을 채가고 있고, 그래서 시장에서는 현재 인공지능과 데이터 전문가들으 씨가 마른 상황입니다. 지금은 그 무엇보다 사람부터 확보하고 다음을 생각해야 하는 때입니다. 보다 장기적으로는 로우코드나 노코드 플랫폼을 구축해 일반 직원들을 교육하고 양육하는 것도 좋은 방법입니다.”
생성형 인공지능과 딥러닝 구분하기
IT 훈련 서비스 전문 기업 오렐리미디어(O’Reilly Media)의 부회장인 마이크 루키즈(Mike Loukides)는 “인공지능 이니셔티브를 이야기할 때 챗GPT와 같은 생성형 도구를 말하는 것인지, 신경망과 같은 딥러닝 기술을 의미하는 것인지를 명확히 구분할 필요가 있다”고 지적한다.
“챗GPT와 같은 기술의 경우 지금 한창 유행이고, 모두의 정신을 쏙 빼놓고 있습니다. 그래서 어느 덧 챗GPT가 인공지능 기술의 대명사처럼 되어버렸습니다. 하지만 이는 절대로 사실이 아니죠. 즉 모든 문제의 해결책으로서 챗GPT를 사용할 수 없다는 겁니다. 어떤 문제는 또 다른 인공지능 기술로 다뤄야 하고, 어떤 문제는 챗GPT로 알맞게 다룰 수 있지요. 그것을 처음부터 구분하는 게 중요합니다.”
그러면서 루키즈는 “CDO나 데이터 분석가들이라면 보다 전통적인 개념의 머신러닝 도구들을 통해 얻는 것이 더 많을 것”이라고 말한다. “요즘은 대부분 클라우드 서비스 업체들이 자동 머신러닝 서비스를 제공합니다. 데이터셋을 가져다가 모델을 구축하고, 그 모델을 구축하기까지의 전 과정이 클릭 몇 번으로 해결되죠. 챗GPT를 검토하면서 괜히 먼 길을 돌아가지 않아도 되는 경우들이 있을 겁니다.”
또한 데이터브릭스(Databricks), 도미노데이터랩(DominoDataLab), 데이터이쿠(Dataiku), 데이터로봇(DataRobot) 등 머신러닝과 자동화에 집중한 도구들도 많다고 귀띔한다. “이 도구들의 공통점은 데이터를 집어넣으면 필요한 모델들을 알아서 만들어낸다는 것입니다. 하지만 진짜 중요한 건 여러 가지 실험을 통해서만 올바른 답을 찾아낼 수 있다는 것입니다. 머신러닝 도구들도 적용되는 말입니다. 여러 모델들을 실험하고 또 실험해 잘 맞는 걸 찾아내야 합니다.”
그렇다는 건 입력하는 데이터를 실험적으로 달리할 필요가 있다는 뜻이다. 때마다 매개변수를 변경하고 그에 따른 결과 값을 비교해 가면서 실험을 꾸준히 이어가야 한다. “한 번 데이터를 넣었을 때 나오는 게 진리가 아닙니다. 인공지능을 가지고 올바른 모델과 인프라를 찾는다는 것도 사실 계속 넣고 계속 비교하는, 고되고 반복적인 작업으로 이뤄져 있습니다. 위에서 언급한 도구들은 이 반복적인 작업을 빠르게 진행하여 지루함을 덜 느끼게 해 준다는 것에 강점이 있습니다.”
지식을 쌓아가며, 안전을 도모해가며
IT 업체 콤프로마이즈(Kompromise)의 COO인 크리슈나 서브라마니안(Krishna Subramanian)는 “인공지능이나 머신러닝으로 디지털 전환을 한다고 했을 때 정말 집중해야 할 건 도구가 아니라 데이터”라고 지적한다. “아무리 모델이 훌륭해도 입력되는 데이터가 엉망이면 결과값도 엉망이 됩니다. 기업이 인공지능 이니셔티브를 준비할 때 제일 먼저 평가해야 하는 건 안전한 데이터의 확보와 수급 체계이죠. 모델에 대한 조사는 그 다음에 해도 충분합니다.”
또한 서브라마니안은 “도구나 알고리즘에 집중할 이유가 없는 건, 아직 인공지능과 머신러닝이라는 분야 자체가 유아기 단계이기 때문에 진정한 의미에서 전문가라고 할 만한 사람도 없고 제대로 된 도구가 없기 때문”이라고 주장한다. “인공지능과 관련된 질문들이 어느 조직에나 있을 겁니다. 무수히 많겠죠. 그런데 지금 세상에는 그 질문들에 다 대답해줄 사람이 없습니다. 모든 조직이 스스로 답을 찾아야 한다는 똑같은 입장에 놓여 있죠. 다만 데이터 확보는 그렇지 않습니다. 정답이 있고, 올바른 길이 있어요. 그것을 반드시 찾아내고 확보해야 다음 단계인 인공지능 도입을 완수할 수 있습니다.”
프로피는 경영진들과 강력한 신뢰 관계를 구축하는 것도 중요한 사전 작업이라고 강조한다. “IT나 데이터 과학 분야 전문가들은 사업 전체를 운영하는 것에 대한 시야가 좁을 수 있습니다. 아무래도 전문 분야에 국한되어 있기가 쉽죠. 하지만 인공지능 이니셔티브나 디지털 전환은 단순히 IT 최첨단화를 위해 진행하는 게 아니지요. 사업 확장이나 고효율화를 위해 하는 것이죠. 그러니 사업 전체를 조망할 수 있는 사람들의 피드백이 반드시 필요합니다. 게다가 그런 사람들은 예산에 대한 결정권도 쥐고 있을 때가 많고요.”
글 : 네이선 에디(Nathan Eddy), IT 칼럼니스트
[국제부 문정후 기자(globoan@boannews.com)]
[보안뉴스 문정후 기자] 디지털 전환을 위해 인공지능과 머신러닝 도구들을 회사에 도입할 때 데이터 책임자와 분석가들은 여러 가지 고민을 하게 된다. 기업마다 다루는 데이터가 다르고 디지털 전환의 목적이 다를 텐데, 그에 딱 맞는 인공지능/머신러닝 도구를 찾는 것부터가 큰일이다. 찾는다 해도 호환성에서 문제가 있을 수 있고, 그 도구를 내부적으로 잘 활용할 수 있을지도 불투명한 상황이다. 모든 것이 불확실하다.
[이미지 = gettyimagesbank]
하지만 인공지능과 머신러닝 도구를 알맞게 골라 잘만 활용한다면 얻어갈 것도 많다. 단순 반복 작업에서부터 많은 임직원들을 구해줄 수 있게 되고, 수작업으로는 감당할 수 없는 양의 데이터를 빠르게 분석할 수 있으며, 보다 정확한 예측을 통해 경쟁력을 강화할 수 있게 된다. 그러니 아무리 불확실하고 어려워도 도전을 할 수밖에 없게 된다.
데이터 책임자들에게도 자원이 필요하다
SAS의 데이터 과학자이자 분석가인 마리넬라 프로피(Marinela Profi)는 “복잡하기 짝이 없는 인공지능과 머신러닝 도구들을 파악하면서 기업의 사업적 목표를 충족시키려면 먼저 데이터 과학자와 데이터 최고 책임자(CDO)에게 필요한 자원을 쥐어줘야 한다”고 말한다. “CDO가 제대로 이 난국을 헤쳐가려면 유능한 데이터 과학자와 머신러닝 전문가가 필요합니다. 그래야 필요한 인공지능 모델이 무엇인지 파악하고, 설계하고, 유지할 수 있습니다. 그 다음에는 인공지능을 훈련시킬 안전하고 깨끗한 데이터 공급원이 필요하죠.”
그 다음은 머신러닝 알고리즘이 필요한 데이터를 수급 받아 처리하고 저장하고 계산하고 분석하기 좋은 IT 인프라가 필요하다고 프로피는 강조한다. “또 하나 중요한 건 인공지능/머신러닝 알고리즘을 혼자서 운영할 수 없다는 겁니다. 무조건 팀웍으로서 접근해야 합니다. 그러니 뭐가 필요하겠습니까? 담당자들 간 빠르고 효과적으로 협업할 수 있도록 해 주는 도구입니다. 서로가 이상 현상을 발견하거나 보안 문제점을 발견하거나 편향성을 알아챘을 때 재빨리 알리고 보완할 수 있어야 하지요.”
그럼에도 프로피는 “현재 기업들이 확보하기에 가장 많은 노력을 기울여야 하는 건 전문가”라고 강조한다. “인공지능이 말 그대로 붐이기 때문에 너도나도 사람들을 채가고 있고, 그래서 시장에서는 현재 인공지능과 데이터 전문가들으 씨가 마른 상황입니다. 지금은 그 무엇보다 사람부터 확보하고 다음을 생각해야 하는 때입니다. 보다 장기적으로는 로우코드나 노코드 플랫폼을 구축해 일반 직원들을 교육하고 양육하는 것도 좋은 방법입니다.”
생성형 인공지능과 딥러닝 구분하기
IT 훈련 서비스 전문 기업 오렐리미디어(O’Reilly Media)의 부회장인 마이크 루키즈(Mike Loukides)는 “인공지능 이니셔티브를 이야기할 때 챗GPT와 같은 생성형 도구를 말하는 것인지, 신경망과 같은 딥러닝 기술을 의미하는 것인지를 명확히 구분할 필요가 있다”고 지적한다.
“챗GPT와 같은 기술의 경우 지금 한창 유행이고, 모두의 정신을 쏙 빼놓고 있습니다. 그래서 어느 덧 챗GPT가 인공지능 기술의 대명사처럼 되어버렸습니다. 하지만 이는 절대로 사실이 아니죠. 즉 모든 문제의 해결책으로서 챗GPT를 사용할 수 없다는 겁니다. 어떤 문제는 또 다른 인공지능 기술로 다뤄야 하고, 어떤 문제는 챗GPT로 알맞게 다룰 수 있지요. 그것을 처음부터 구분하는 게 중요합니다.”
그러면서 루키즈는 “CDO나 데이터 분석가들이라면 보다 전통적인 개념의 머신러닝 도구들을 통해 얻는 것이 더 많을 것”이라고 말한다. “요즘은 대부분 클라우드 서비스 업체들이 자동 머신러닝 서비스를 제공합니다. 데이터셋을 가져다가 모델을 구축하고, 그 모델을 구축하기까지의 전 과정이 클릭 몇 번으로 해결되죠. 챗GPT를 검토하면서 괜히 먼 길을 돌아가지 않아도 되는 경우들이 있을 겁니다.”
또한 데이터브릭스(Databricks), 도미노데이터랩(DominoDataLab), 데이터이쿠(Dataiku), 데이터로봇(DataRobot) 등 머신러닝과 자동화에 집중한 도구들도 많다고 귀띔한다. “이 도구들의 공통점은 데이터를 집어넣으면 필요한 모델들을 알아서 만들어낸다는 것입니다. 하지만 진짜 중요한 건 여러 가지 실험을 통해서만 올바른 답을 찾아낼 수 있다는 것입니다. 머신러닝 도구들도 적용되는 말입니다. 여러 모델들을 실험하고 또 실험해 잘 맞는 걸 찾아내야 합니다.”
그렇다는 건 입력하는 데이터를 실험적으로 달리할 필요가 있다는 뜻이다. 때마다 매개변수를 변경하고 그에 따른 결과 값을 비교해 가면서 실험을 꾸준히 이어가야 한다. “한 번 데이터를 넣었을 때 나오는 게 진리가 아닙니다. 인공지능을 가지고 올바른 모델과 인프라를 찾는다는 것도 사실 계속 넣고 계속 비교하는, 고되고 반복적인 작업으로 이뤄져 있습니다. 위에서 언급한 도구들은 이 반복적인 작업을 빠르게 진행하여 지루함을 덜 느끼게 해 준다는 것에 강점이 있습니다.”
지식을 쌓아가며, 안전을 도모해가며
IT 업체 콤프로마이즈(Kompromise)의 COO인 크리슈나 서브라마니안(Krishna Subramanian)는 “인공지능이나 머신러닝으로 디지털 전환을 한다고 했을 때 정말 집중해야 할 건 도구가 아니라 데이터”라고 지적한다. “아무리 모델이 훌륭해도 입력되는 데이터가 엉망이면 결과값도 엉망이 됩니다. 기업이 인공지능 이니셔티브를 준비할 때 제일 먼저 평가해야 하는 건 안전한 데이터의 확보와 수급 체계이죠. 모델에 대한 조사는 그 다음에 해도 충분합니다.”
또한 서브라마니안은 “도구나 알고리즘에 집중할 이유가 없는 건, 아직 인공지능과 머신러닝이라는 분야 자체가 유아기 단계이기 때문에 진정한 의미에서 전문가라고 할 만한 사람도 없고 제대로 된 도구가 없기 때문”이라고 주장한다. “인공지능과 관련된 질문들이 어느 조직에나 있을 겁니다. 무수히 많겠죠. 그런데 지금 세상에는 그 질문들에 다 대답해줄 사람이 없습니다. 모든 조직이 스스로 답을 찾아야 한다는 똑같은 입장에 놓여 있죠. 다만 데이터 확보는 그렇지 않습니다. 정답이 있고, 올바른 길이 있어요. 그것을 반드시 찾아내고 확보해야 다음 단계인 인공지능 도입을 완수할 수 있습니다.”
프로피는 경영진들과 강력한 신뢰 관계를 구축하는 것도 중요한 사전 작업이라고 강조한다. “IT나 데이터 과학 분야 전문가들은 사업 전체를 운영하는 것에 대한 시야가 좁을 수 있습니다. 아무래도 전문 분야에 국한되어 있기가 쉽죠. 하지만 인공지능 이니셔티브나 디지털 전환은 단순히 IT 최첨단화를 위해 진행하는 게 아니지요. 사업 확장이나 고효율화를 위해 하는 것이죠. 그러니 사업 전체를 조망할 수 있는 사람들의 피드백이 반드시 필요합니다. 게다가 그런 사람들은 예산에 대한 결정권도 쥐고 있을 때가 많고요.”
글 : 네이선 에디(Nathan Eddy), IT 칼럼니스트
[국제부 문정후 기자(globoan@boannews.com)]
<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>
문가용기자 기사보기
[2024-12-19] 
