.jpg)
.jpg)
인공지능 전문가, 독립적인 연구 공간에 따로 배치하면 안 돼
데이터 과학 프로젝트는 빠른 주기로 일어나기 때문에 민첩함도 필수 요소
[보안뉴스 문가용 기자] 10년 전만 하더라도 인공지능을 제대로 이해하고 있는 사람은 세계 전체에서도 몇 명 되지 않았다. 그런데 오늘날의 사정은 어떨까? 인공지능이 다음의 산업혁명을 촉발시킬 것이라고 대부분의 사람들이 믿고 있다. 정말 가능한 이야기일까? 그 적은 수의 사람들이 그렇게까지 위대한 성과를 이뤄낸 것이 사실일까? ‘그렇다’라고 한다면, 우리 조직도 얼른 그러한 얼마 되지 않는 사람들을 영입해야 하지 않을까? 물론 당연하다. 모든 조직에서 데이터 과학자들이 필요한 날이 성큼성큼 다가오고 있다. 그러나 그것이 전부는 아니다.
현재 많은 대학들에서 데이터 과학이라는 과정이 만들어지고 있다. 사설 학원에서도 마찬가지다. 각종 소셜 광고를 통해서도 데이터 과학 코스가 소개되고 있다. 경영학으로 유명한 스탠포드 대학원에서조차 데이터 과학 코스가 마련됐을 정도니, 이제 데이터 과학 전문가들이 넘쳐날 것만 같은 상황이다. 물론 지금도 그렇지만 당분간은 필요한 만큼 인재들이 육성 되지야 않겠지만 말이다.
그래서 지금은 돈이 좀 넉넉한 기업들에서나 인공지능 전문가나 데이터 과학자들을 모셔두고 있는 상황이다. 하지만 거기서 모든 것이 종결된 것은 아니다. 그 다음 스텝이 꼬이고 있다. 뭘 어떻게 해야 할지 모르는 것이다. 인공지능 전문가와 기술로부터 어떤 가치를 끌어내야 하는가? 뭘 해야 그 마법과 같은 효과를 누릴 수 있을까? 그런 점에 대한 고민이 아직 한창 진행 중이다. 그렇기에 성과를 내고 있지 못한 데이터 과학자들과 인공지능이라는 분야 자체에 대한 불신도 조금씩 쌓여가고 있다고 한다.
그래서 필자는 조직 내에서 데이터 과학과 관련된 인사를 영입하고 프로젝트를 진행할 때 고려해야 할 것 다섯 가지를 정리해보았다.
1) 제일 먼저는 데이터 과학자들 사이에 조직력이 있어야 한다. 많은 기업들이 데이터 과학 팀을 구축하는 데에 있어 어느 정도 선입견을 가지고 시작한다. 그것은 바로 ‘이 귀한 인재들에게 독립적인 연구 공간과 아무도 침범할 수 없는 성역을 마련해줘야 한다’는 것이다. 그래서 이름도 멋지게 붙인다. ‘인공지능 전문가 조직’, ‘차세대 연구 센터’, ‘데이터 과학 전문 팀’ 등 말 그대로 ‘성역’을 만드는 데 여념이 없다.
그러면서 이 팀은 기업 내 다른 조직, 특히 사업 기획과 운영이라는 요소와 멀어진다. 그래서 데이터 과학자들은 실제 서비스나 제품과는 동떨어진 기술을 개발하고 연구하며 만들어낸다. 이러니 경영에서 인공지능의 마법을 경험할 수 없는 것이다.
또한 데이터 과학자라고 해서 모든 종류의 데이터를 쓱 보기만 해도 이해하는 게 아니다. 당연히 데이터를 이해하려면 공부해야 하고, 그 데이터와 관련된 다양한 맥락들을 경험해야 한다. 방금 영입된 인공지능 전문가가 사업적 행위로 발생된 데이터를 전문적으로 이해할 수 없다. 독립된 공간에 있으면 학습의 기회도 멀어진다. 데이터 과학자라도 데이터에 대한 이해도가 낮으면 인공지능 프로젝트를 성공으로 이끌지 못한다.
2) 데이터 과학자도 조직 내 일반 직원들과 똑같이 대해야 한다. 뛰어난 엔지니어나 제품 관리자, 생산직군에서 큰 효율성을 보이는 전문가를 영입하고 관리하는 것이나 데이터 과학자를 영입하고 관리하는 것이나 같아야 한다. 이들은 외계인도 아니고, 인간의 수준을 넘는 성스런 존재도 아니다. 또한 순수하게 ‘기능적인 측면’에서만 평가받아야 할 사람들도 아니다. 그렇게 한다면 더 뛰어난 전문가의 등장에 언제고 밖으로 내쳐질 수 있다는 위기감만 조성할 뿐이다.
또한 데이터 과학자들이 만들어낸 아이디어나 제품, 서비스들도 다른 모든 아이디어나 제품, 서비스와 마찬가지로 수정, 향상, 검토가 필요하다. 그들 자신이 개인적인 브랜드를 런칭하는 게 아닌 이상 회사 차원에서의 공정 및 개발 과정이 똑같이 적용되어야 한다. 그렇다는 건 데이터 과학자를 모셔올 때 소통 능력도 확인해야 한다는 뜻이다. 조직의 훌륭한 일원이 되는 데 필요한 건 그들의 전문성 80%와 융화력 20%다. 조직에 따라 전문성 20%, 융화력 80%가 더 필요할 수도 있다.
3) 전략, 제품, 엔지니어링, IT 구성 요소 전부 인공지능 및 데이터 과학에 통합할 준비를 시작해야 한다. 데이터 과학자 팀을 외딴 방에 모셔두는 것에 더해, 데이터 과학 전문가를 외로운 늑대로 만드는 현상도 지금 꽤나 많이 나타나고 있다. 누구는 박사 학위가 없기 때문에 인공지능 전문가랑 얘기할 수 없다고 생각하고, 누구는 문과를 나왔기 때문에 말을 걸 자격이 없다고 생각한다. 혹은 이제 저 비싼 몸을 모셨으니, 혼자서 모든 문제를 해결하고 수익을 창출해줄 것이라고 기대하면서 멀리서 지켜보기만 하는 사례도 있다. 그러나 이 모든 건 잘못된 개념이다. 그들도 그저 한 가지 분야에 특화된 전문가일 뿐이다.
인공지능과 데이터 과학이라는 기술을 사업 내로 들여왔을 땐, 시작이 미약할지라도 결국에는 전반적인 변화 혹은 체질 개선을 목표로 하는 것이 맞다. 그렇다는 건 기술적인 측면에서만이 아니라 인적인 부분에서도 변화가 있어야 한다는 뜻이다. 엔지니어링이나 IT 부서 혹은 전략기획실만 변신하는 것도 맞지 않다. 데이터 과학자가 이러한 측면에서 해야 할 가장 중요한 일은 체질 개선에 있어 가장 문제가 되는 부분을 파악하는 것이다. 그런데 이건 데이터 과학자 팀들끼리만 할 수 있는 일이 아니다.
조직 내 기술적, 인적 문제점을 잘 이해하고 있는 사람이 있다면 인공지능 과학자 팀에 붙여두는 것이 도움이 된다. 데이터 과학자는 문제 해결 능력을 갖췄고, 그 사람은 문제 파악 능력을 갖췄으니 시너지가 좋을 것이다. 데이터 과학자는 컨설턴트와 비슷한 역할을 하는 사람이라는 걸 기억해야 한다. 혼자 들쑤시고 다니면서 뭐든지 척척 해결할 사람이 아니다.
4) 가장 근본적인 건, 회사 고유의 데이터 관련 문제가 있는 건지, 혹은 인공지능 제품을 사면 해결될 수 있는 문제인 건지 견적을 내야 한다. 아무리 좋은 애플리케이션이라고 하더라도, 필요한 기업에서나 제 기능을 발휘하지 그렇지 않은 조직 내에서는 애물단지밖에 되지 않는다. 데이터 과학자도 그렇게 될 수 있다. 솔루션 하나로 해결할 수 있는 문제인데 데이터 과학자와 연봉 계약을 체결하면 그 사람은 조직 내 애물단지가 된다.
필자는 조직 내부에 데이터 과학자를 확보하는 데 성공한 기업들을 몇 군데 알고 있다. 그런데 그 조직들이 가지고 있는 문제란 것이 대부분은 인공지능 솔루션을 구매함으로써 해결 가능한 것이 많았다. 때로는 외부의 전문 기업들을 믿어보는 것이 현명할 때가 있다. 그들은 그 특정 분야만 파고들기 때문에 더 많은 자원을 보유하고 있을 수도 있기 때문이다. 정말로 데이터 과학자가 필요한가부터 판단해야 한다.
5) 데이터 과학자들은 일반적인 엔지니어들보다 좀 더 빠르고 민첩해야 한다. 왜냐하면 데이터 과학 분야 내의 프로젝트들은 일반 엔지니어링 분야의 그것보다 훨씬 빠른 주기로 진행되기 때문이다. 특히 전통적인 소프트웨어 관련 프로젝트는 속도라는 면에서 비교가 되지 않을 정도다. 데이터 과학에 대한 지식이 빽빽한 사람이라도 굼뜨면 별로 도움이 되지 않을 가능성이 높다.
실제로 많은 인공지능 프로젝트가 실패로 끝난다. 데이터나 자원이 생각보다 부족해서일 수 있고, 일을 벌이고 보니 알맞은 데이터가 없어서 그럴 수도 있다. 혹은 애써 마련한 알고리즘과 인공지능 모델이 문제 해결에 어울리지 않을 수도 있다. 그러니 이런 일을 사전에 막으려면 인공지능 과학자들이 빠르게 움직이고 부지런히 실험을 하고 자료를 조사해야 한다. 그리고 실패를 하려면(실패가 없을 수 없다) 빠르게 하고, 다음 프로젝트로 넘어갈 수 있어야 한다. 첫 프로젝트의 결과는 못 해도 몇 주가 아니라 며칠 안에 나와야 한다.
그래서 데이터 과학자라면 실험을 동시에 수십~수백 가지는 진행할 수 있어야 한다. 그러려면 소프트웨어 엔지니어링과 데이터 엔지니어링에 대한 기본 스킬이 풍부해야 한다. 현재 시장에는 이러한 기초 과정 없이 데이터 과학부터 공부한 사람들이 적잖이 발견된다. 기본기를 갖춰 빠르게 움직일 수 있는 사람을 찾아야 한다.
속도감을 높이는 또 다른 요소는 열정이다. 문제를 해결하고자 하는 의지를 가진 사람은 소통을 적극적으로 하기 마련이다. 또한 문제 해결에 필요한 기술도 빠르게 습득한다. 인공지능이라는 말이 아무리 유행한다 하더라도, 그 뒤에 있는 사람을 제대로 보고 뽑아야 한다. 아무리 보기 좋은 떡이라도 그림으로만 있으면 소용이 없다. 그 그림을 보고 떡을 만들어 줄 기술과 마음이 있는 사람이 중요하다. 인공지능은 누군가의 특수한 전문분야이기도 하지만, 그걸 활용한다는 건 모두가 참여해야 할 일이다.
글 : 아만 나이맛(Aman Naimat), Demandbase
[국제부 문가용 기자(globoan@boannews.com)]
데이터 과학 프로젝트는 빠른 주기로 일어나기 때문에 민첩함도 필수 요소
[보안뉴스 문가용 기자] 10년 전만 하더라도 인공지능을 제대로 이해하고 있는 사람은 세계 전체에서도 몇 명 되지 않았다. 그런데 오늘날의 사정은 어떨까? 인공지능이 다음의 산업혁명을 촉발시킬 것이라고 대부분의 사람들이 믿고 있다. 정말 가능한 이야기일까? 그 적은 수의 사람들이 그렇게까지 위대한 성과를 이뤄낸 것이 사실일까? ‘그렇다’라고 한다면, 우리 조직도 얼른 그러한 얼마 되지 않는 사람들을 영입해야 하지 않을까? 물론 당연하다. 모든 조직에서 데이터 과학자들이 필요한 날이 성큼성큼 다가오고 있다. 그러나 그것이 전부는 아니다.
[이미지 = iclickart]
현재 많은 대학들에서 데이터 과학이라는 과정이 만들어지고 있다. 사설 학원에서도 마찬가지다. 각종 소셜 광고를 통해서도 데이터 과학 코스가 소개되고 있다. 경영학으로 유명한 스탠포드 대학원에서조차 데이터 과학 코스가 마련됐을 정도니, 이제 데이터 과학 전문가들이 넘쳐날 것만 같은 상황이다. 물론 지금도 그렇지만 당분간은 필요한 만큼 인재들이 육성 되지야 않겠지만 말이다.
그래서 지금은 돈이 좀 넉넉한 기업들에서나 인공지능 전문가나 데이터 과학자들을 모셔두고 있는 상황이다. 하지만 거기서 모든 것이 종결된 것은 아니다. 그 다음 스텝이 꼬이고 있다. 뭘 어떻게 해야 할지 모르는 것이다. 인공지능 전문가와 기술로부터 어떤 가치를 끌어내야 하는가? 뭘 해야 그 마법과 같은 효과를 누릴 수 있을까? 그런 점에 대한 고민이 아직 한창 진행 중이다. 그렇기에 성과를 내고 있지 못한 데이터 과학자들과 인공지능이라는 분야 자체에 대한 불신도 조금씩 쌓여가고 있다고 한다.
그래서 필자는 조직 내에서 데이터 과학과 관련된 인사를 영입하고 프로젝트를 진행할 때 고려해야 할 것 다섯 가지를 정리해보았다.
1) 제일 먼저는 데이터 과학자들 사이에 조직력이 있어야 한다. 많은 기업들이 데이터 과학 팀을 구축하는 데에 있어 어느 정도 선입견을 가지고 시작한다. 그것은 바로 ‘이 귀한 인재들에게 독립적인 연구 공간과 아무도 침범할 수 없는 성역을 마련해줘야 한다’는 것이다. 그래서 이름도 멋지게 붙인다. ‘인공지능 전문가 조직’, ‘차세대 연구 센터’, ‘데이터 과학 전문 팀’ 등 말 그대로 ‘성역’을 만드는 데 여념이 없다.
그러면서 이 팀은 기업 내 다른 조직, 특히 사업 기획과 운영이라는 요소와 멀어진다. 그래서 데이터 과학자들은 실제 서비스나 제품과는 동떨어진 기술을 개발하고 연구하며 만들어낸다. 이러니 경영에서 인공지능의 마법을 경험할 수 없는 것이다.
또한 데이터 과학자라고 해서 모든 종류의 데이터를 쓱 보기만 해도 이해하는 게 아니다. 당연히 데이터를 이해하려면 공부해야 하고, 그 데이터와 관련된 다양한 맥락들을 경험해야 한다. 방금 영입된 인공지능 전문가가 사업적 행위로 발생된 데이터를 전문적으로 이해할 수 없다. 독립된 공간에 있으면 학습의 기회도 멀어진다. 데이터 과학자라도 데이터에 대한 이해도가 낮으면 인공지능 프로젝트를 성공으로 이끌지 못한다.
2) 데이터 과학자도 조직 내 일반 직원들과 똑같이 대해야 한다. 뛰어난 엔지니어나 제품 관리자, 생산직군에서 큰 효율성을 보이는 전문가를 영입하고 관리하는 것이나 데이터 과학자를 영입하고 관리하는 것이나 같아야 한다. 이들은 외계인도 아니고, 인간의 수준을 넘는 성스런 존재도 아니다. 또한 순수하게 ‘기능적인 측면’에서만 평가받아야 할 사람들도 아니다. 그렇게 한다면 더 뛰어난 전문가의 등장에 언제고 밖으로 내쳐질 수 있다는 위기감만 조성할 뿐이다.
또한 데이터 과학자들이 만들어낸 아이디어나 제품, 서비스들도 다른 모든 아이디어나 제품, 서비스와 마찬가지로 수정, 향상, 검토가 필요하다. 그들 자신이 개인적인 브랜드를 런칭하는 게 아닌 이상 회사 차원에서의 공정 및 개발 과정이 똑같이 적용되어야 한다. 그렇다는 건 데이터 과학자를 모셔올 때 소통 능력도 확인해야 한다는 뜻이다. 조직의 훌륭한 일원이 되는 데 필요한 건 그들의 전문성 80%와 융화력 20%다. 조직에 따라 전문성 20%, 융화력 80%가 더 필요할 수도 있다.
3) 전략, 제품, 엔지니어링, IT 구성 요소 전부 인공지능 및 데이터 과학에 통합할 준비를 시작해야 한다. 데이터 과학자 팀을 외딴 방에 모셔두는 것에 더해, 데이터 과학 전문가를 외로운 늑대로 만드는 현상도 지금 꽤나 많이 나타나고 있다. 누구는 박사 학위가 없기 때문에 인공지능 전문가랑 얘기할 수 없다고 생각하고, 누구는 문과를 나왔기 때문에 말을 걸 자격이 없다고 생각한다. 혹은 이제 저 비싼 몸을 모셨으니, 혼자서 모든 문제를 해결하고 수익을 창출해줄 것이라고 기대하면서 멀리서 지켜보기만 하는 사례도 있다. 그러나 이 모든 건 잘못된 개념이다. 그들도 그저 한 가지 분야에 특화된 전문가일 뿐이다.
인공지능과 데이터 과학이라는 기술을 사업 내로 들여왔을 땐, 시작이 미약할지라도 결국에는 전반적인 변화 혹은 체질 개선을 목표로 하는 것이 맞다. 그렇다는 건 기술적인 측면에서만이 아니라 인적인 부분에서도 변화가 있어야 한다는 뜻이다. 엔지니어링이나 IT 부서 혹은 전략기획실만 변신하는 것도 맞지 않다. 데이터 과학자가 이러한 측면에서 해야 할 가장 중요한 일은 체질 개선에 있어 가장 문제가 되는 부분을 파악하는 것이다. 그런데 이건 데이터 과학자 팀들끼리만 할 수 있는 일이 아니다.
조직 내 기술적, 인적 문제점을 잘 이해하고 있는 사람이 있다면 인공지능 과학자 팀에 붙여두는 것이 도움이 된다. 데이터 과학자는 문제 해결 능력을 갖췄고, 그 사람은 문제 파악 능력을 갖췄으니 시너지가 좋을 것이다. 데이터 과학자는 컨설턴트와 비슷한 역할을 하는 사람이라는 걸 기억해야 한다. 혼자 들쑤시고 다니면서 뭐든지 척척 해결할 사람이 아니다.
4) 가장 근본적인 건, 회사 고유의 데이터 관련 문제가 있는 건지, 혹은 인공지능 제품을 사면 해결될 수 있는 문제인 건지 견적을 내야 한다. 아무리 좋은 애플리케이션이라고 하더라도, 필요한 기업에서나 제 기능을 발휘하지 그렇지 않은 조직 내에서는 애물단지밖에 되지 않는다. 데이터 과학자도 그렇게 될 수 있다. 솔루션 하나로 해결할 수 있는 문제인데 데이터 과학자와 연봉 계약을 체결하면 그 사람은 조직 내 애물단지가 된다.
필자는 조직 내부에 데이터 과학자를 확보하는 데 성공한 기업들을 몇 군데 알고 있다. 그런데 그 조직들이 가지고 있는 문제란 것이 대부분은 인공지능 솔루션을 구매함으로써 해결 가능한 것이 많았다. 때로는 외부의 전문 기업들을 믿어보는 것이 현명할 때가 있다. 그들은 그 특정 분야만 파고들기 때문에 더 많은 자원을 보유하고 있을 수도 있기 때문이다. 정말로 데이터 과학자가 필요한가부터 판단해야 한다.
5) 데이터 과학자들은 일반적인 엔지니어들보다 좀 더 빠르고 민첩해야 한다. 왜냐하면 데이터 과학 분야 내의 프로젝트들은 일반 엔지니어링 분야의 그것보다 훨씬 빠른 주기로 진행되기 때문이다. 특히 전통적인 소프트웨어 관련 프로젝트는 속도라는 면에서 비교가 되지 않을 정도다. 데이터 과학에 대한 지식이 빽빽한 사람이라도 굼뜨면 별로 도움이 되지 않을 가능성이 높다.
실제로 많은 인공지능 프로젝트가 실패로 끝난다. 데이터나 자원이 생각보다 부족해서일 수 있고, 일을 벌이고 보니 알맞은 데이터가 없어서 그럴 수도 있다. 혹은 애써 마련한 알고리즘과 인공지능 모델이 문제 해결에 어울리지 않을 수도 있다. 그러니 이런 일을 사전에 막으려면 인공지능 과학자들이 빠르게 움직이고 부지런히 실험을 하고 자료를 조사해야 한다. 그리고 실패를 하려면(실패가 없을 수 없다) 빠르게 하고, 다음 프로젝트로 넘어갈 수 있어야 한다. 첫 프로젝트의 결과는 못 해도 몇 주가 아니라 며칠 안에 나와야 한다.
그래서 데이터 과학자라면 실험을 동시에 수십~수백 가지는 진행할 수 있어야 한다. 그러려면 소프트웨어 엔지니어링과 데이터 엔지니어링에 대한 기본 스킬이 풍부해야 한다. 현재 시장에는 이러한 기초 과정 없이 데이터 과학부터 공부한 사람들이 적잖이 발견된다. 기본기를 갖춰 빠르게 움직일 수 있는 사람을 찾아야 한다.
속도감을 높이는 또 다른 요소는 열정이다. 문제를 해결하고자 하는 의지를 가진 사람은 소통을 적극적으로 하기 마련이다. 또한 문제 해결에 필요한 기술도 빠르게 습득한다. 인공지능이라는 말이 아무리 유행한다 하더라도, 그 뒤에 있는 사람을 제대로 보고 뽑아야 한다. 아무리 보기 좋은 떡이라도 그림으로만 있으면 소용이 없다. 그 그림을 보고 떡을 만들어 줄 기술과 마음이 있는 사람이 중요하다. 인공지능은 누군가의 특수한 전문분야이기도 하지만, 그걸 활용한다는 건 모두가 참여해야 할 일이다.
글 : 아만 나이맛(Aman Naimat), Demandbase
[국제부 문가용 기자(globoan@boannews.com)]
Copyrighted 2015. UBM-Tech. 117153:0515BC
<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>
문가용기자 기사보기
[2024-11-22] 
.jpg)
.jpg)
.jpg)
.jpg)
