Gartner:AI의 미래와 과제

머신 러닝과 인공 지능은 과장된 사이클에서 기대치가 최고조에 달하는 단계에 가까워지고 있습니다.

웨비나에서 Gartner 이사 분석가인 Peter Krensky는 기계 학습 및 인공 지능의 현재 상태, 향후 5년, 그리고 채택, 개발 및 배포에 영향을 미칠 수 있는 몇 가지 과제에 대해 설명했습니다.

Krensky에 따르면 ML과 AI는 과대 광고 사이클에서 기대치의 정점에 가까워지고 있습니다. 증강현실과 가상현실은 이미 정점을 뒤따르는 '환멸의 저점'에 이르렀고, 자율주행차와 드론은 정점을 지났지만 아직 사이클의 바닥에 도달하지 못했다.

하지만 AI와 머신러닝은 아직 미개척 산업이 많다. 크렌스키는 “최고 성과를 내는 기업의 40%만이 인공 지능을 게임 체인저로 생각합니다. "따라서 다양한 유형의 조직, 심지어 기계 학습의 가능성에 발을 담그고 있는 전체 산업에도 많은 녹지 공간이 있습니다."

AI와 ML의 지속적인 발전을 지지하는 요인 중 하나는 학문적, 과학적, 기업 핵심 개념 간의 정렬입니다. 업계의 90% 이상이 Python으로 AI 및 ML 알고리즘과 플랫폼을 작성하고 많은 사람들이 동일한 오픈 소스 라이브러리(Apache, TensorFlow)와 동일한 클라우드 인프라(AWS, Azure)를 사용합니다.

이러한 조정은 업계 전반에 걸쳐 더 큰 시너지 효과로 이어지며, 이는 미래에 인재를 채용할 때 가치가 있을 수 있습니다.

업계 전반에 걸쳐 클라우드로의 꾸준한 마이그레이션이 있으며, 약 30~45%는 온프레미스에서 AI 또는 ML을 계속 실행합니다. 많은 경우에 Krensky는 조직이 AI 또는 ML 프로그램을 구축하는 데 너무 많은 비용을 지출하고 있으며 결과가 비슷할 때 사전 훈련된 모델 및 클라우드 인프라와 같은 저렴한 대안을 피하고 있다고 생각합니다.

Krensky는 "클라우드에 있는 기계 학습 인프라와 끊임없이 진화하는 독점 및 오픈 소스 구성 요소에 익숙해져야 합니다."라고 말했습니다. "매년 우리가 이야기하지 않은 새로운 오픈 소스 프레임워크가 있습니다. 약 2년 전과 지금 우리는 항상 그것에 대해 이야기하고 있습니다.”

AI 구현 방식을 살펴보면 Gartner에는 다음과 같은 4가지 모델이 있습니다.

• 배턴 전달 – 지루한 작업은 AI가 처리하고 나머지는 인간 오퍼레이터가 완료합니다.
• 공생 – AI는 예를 들어 몇 초 만에 방대한 양의 데이터를 처리하여 인간의 약점을 보완할 수 있습니다.
• 증강 분석 – AI는 작업자를 위한 트레이너 또는 가이드로 사용되어 데이터에서 분석 또는 통찰력을 제공합니다. 이에 대한 예는 고대 그리스 판화에서 누락된 단어나 문장을 제안한 최근 AI 프로젝트일 수 있습니다.
• 온전성 검사 – AI가 대부분의 기능을 수행하지만 실수를 감시하기 위해 대기 중인 사람이 있습니다. 예를 들어 어려운 케이스를 사람에게 전달하는 고객 지원 봇이 있습니다.

Gartner의 설문 조사에서 대부분의 비즈니스 리더는 직원의 기술이 AI 및 ML 채택의 주요 과제(56%)라고 말했습니다. Krensky는 웨비나에서 대부분의 ML 개발자가 젊고 경력이 5년 미만이며 근무한 지 2년 미만이라고 언급했습니다.

게다가 Gartner는 프로젝트의 성공을 다양한 전문 지식을 가진 여러 직원이 있는 것으로 보고 있습니다. 데이터 과학자, 데이터 엔지니어, ML 전문가 및 도메인 전문가는 모두 AI 또는 ML 프로젝트 개발에서 고유한 역할을 수행하지만 조직은 종종 광범위한 지식을 갖춘 데이터 엔지니어에게 의존합니다.

두 번째로 큰 도전은 AI의 이점과 활용을 이해하는 것이었습니다. 웹 세미나에서 Krensky는 조직이 AI 프로젝트를 올바르게 관리하고 모든 영역에 투자하지 말고 재정적으로 합리적인 몇 가지 핵심 영역에 집중해야 한다고 권장했습니다.

데이터 범위와 품질은 세 번째로 큰 과제이며 Krensky는 목록의 맨 위에 있어야 한다고 생각합니다. 적절한 데이터 관리, 품질 확인 및 데이터 거버넌스가 없으면 AI 또는 ML 프로젝트가 실패할 가능성이 훨씬 더 높습니다.