AI로 자동화 ROI 극대화: 플레이북 (2부)

로봇 프로세스 자동화(RPA)는 시작일 뿐입니다. 자동화 프로그램의 기초이지만 목적지는 아닙니다.

1부에서는 자동화 프로그램과 회사가 인공지능(AI) 준비가 되었는지 테스트하는 방법을 배웠습니다. 이 글에서는 현장 수준에서 귀사와 자동화 팀이 AI를 어떻게 구현할 수 있는지 구체적으로 다룹니다.

AI 모델은 자동화 프로그램의 촉진제이자 승수입니다.

런던 정경대 경영학과 레슬리 윌콕스(Leslie Willcocks) 교수의 사례 연구에 따르면 RPA 투자 ROI는 첫 해 30%~200% 범위입니다. UiPath 고객 중에서는 DHL 글로벌 포워딩, 프레이트가 1개월 만에 ROI 달성, 포스트뱅크(Postbank)가 2:1 ROI 달성 등 더 빠른 결과를 보았습니다.

수익은 시작일 뿐입니다. 기업들은 생산성 증가, 직원 몰입도 향상, 오류 감소 등의 혜택을 발견했습니다. 그렇다면 인지 지능을 자동화 스위트에 추가하면 무엇을 할 수 있을지 상상해 보세요. 오류 처리? 예외? 인간 개입? AI가 도울 수 있습니다.

AI 플레이북 웨비나(AI 서밋 개최)에서 dentsu international 아메리카 자동화 책임자 브라이언 클로치코프(Brian Klochkoff)가 저와 함께 자동화 프로그램에 AI 모델 추가가 어떻게 가치를 발굴하고 창출하는지 설명했습니다.

AI 실행 지원 계획 설계하기

이 시리즈 1부에서는 AI를 신비화하지 않고 사람들에게 AI 가능성을 알리는 방법, AI 투자 타당성을 입증하는 방법을 다뤘습니다. 이해관계자를 설득한 후에는 그 모멘텀을 낭비하지 마세요. 다음 요소로 구성된 실행 계획으로 준비하세요.

AI 거버넌스와 윤리

AI 거버넌스와 윤리는 비교적 새로운 분야라 앞길이 잘 닦여 있지 않습니다. 많은 기업과 정부 기관이 특히 윤리적 고려사항과 관련해 거버넌스가 어떤 모습인지 여전히 고민 중입니다.

대부분의 경우, 일반적인 CoE(CoE: Center of Excellence) 거버넌스 모델이 RPA에 잘 작동하듯 AI에도 잘 작동합니다. 핵심은 RPA CoE에도 중요한 책임성, 투명성, 공정성에 대한 규칙을 구축하는 것입니다.

예를 들어 모델과 데이터에서 체계적 편향을 어떻게 피할까요? 결정을 인간, 로봇, 또는 둘의 혼합으로 거슬러 올라갈 수 있는 통제 지점이 필요합니다. 이 실행 지원 계획 부분에는 데이터 프라이버시와 사이버보안에 대한 규칙도 포함됩니다.

거버넌스와 윤리를 최우선에 둔 이유는 AI를 실행하는 팀의 전념된 노력이 필요하기 때문입니다. 그보다 낮은 우선순위는 회사가 감당하고 싶지 않은 위험을 만듭니다.

운영 모델

자동화 운영 모델에 대해 여러 번 썼습니다, 포함:

• 설계의 이점
• 팀 구축 시 고려사항
• 전체 자동화 잠재력 최적화

AI에 관해서는 운영 모델의 핵심이 교차 기능 팀이어야 합니다. 이 교차 기능 팀에는 비즈니스, 데이터 분석, RPA, 지원 측 사람들이 포함됩니다. 사일로가 없도록 운영 모델을 설계하는 것이 중요합니다. 상호작용 채널은 효율적이어야 하며 협업 기회가 풍부해야 합니다.

모델을 내부에서 구축할지 사전 구축된 모델을 사용할지 초기에 결정하세요. 이 결정은 인프라 요구사항과 리소스에 영향을 미치며, 다음 두 섹션에서 다룰 것입니다.

이상적으로 운영 모델은 새로운 기술이 등장하고 채택할 수 있게 될 때 통합할 수 있는 구조를 가져야 합니다. 통합과 채택은 소프트웨어 개발 라이프사이클(SDLC) 현실과 거버넌스 요구 내에서 작동해야 합니다.

클로치코프에 따르면 dentsu에서 "운영 모델이 이 모든 것을 감싸는 래퍼라고 봅니다." 따라서 dentsu는 포괄적인 문서화를 만들고 회사 인트라넷에 투명하게 게시하는 데 집중합니다. "사람들이 우리가 무엇인지, 어떻게 참여할 수 있는지 이해할 수 있습니다."

인프라와 지원

거버넌스와 운영을 결정하면 인프라에 대해 생각해야 합니다. AI 플랫폼을 온프레미스, 에어갭, 클라우드 중 어디에 호스팅할까요? 머신을 어디에 세울까요? AI 모델을 구동할 데이터를 어떻게 호스팅할까요? 여기서도 훈련에 사용할 방법을 결정해야 합니다.

이 결정들에 따라 리드 타임, 필요한 노력, 예산이 모두 달라지므로 신중히 결정하세요.

리소스 기술

인프라가 정해지면 현재 리소스가 얼마나 숙련되었는지, 어떤 기술 격차가 있는지 평가해야 합니다. 핵심 리소스는 RPA 개발자로, 이들이 업스킬해 AI를 RPA에 적용할 수 있게 해야 합니다. 데이터 과학자도 핵심 역할을 합니다. 이상적인 시나리오는 RPA 개발자와 데이터 과학자가 긴밀히 협업하는 팀입니다.

이전 결정에 따라 기존 직원을 업스킬할 수 있을지 몰라도 외부 채용도 신중히 고려하세요. 원하는 결과를 얻으려면 리소스 조합이 필요합니다.

dentsu는 CoE에 누가 관여하는지, 어떤 기술이 있는지, 무엇을 향해 일하는지, 어떤 자격증이 있는지 등을 중심으로 페르소나를 구축했습니다. 클로치코프는 이들의 작업이 "교차 기능 커뮤니티"로 정점에 달하는 것을 봅니다. dentsu는 거버넌스가 관리하는 학습 경로를 만들어 직원이 현재 기술 세트를 증강할 수 있게 하고 싶습니다.

클로치코프는 "기술이 너무 빠르게 진화해 [자신의] 지식을 따라잡기 어려울 때가 있다."고 강조했습니다. 그는 최소 주 1회 팀이 릴리스 노트, 웨비나, 백서를 따라잡을 시간을 갖도록 권장합니다. "우리가 항상 그렇게 한 건 아니었고, 그 때문에 우리 솔루션에 임베드할 수 있었던 일부 기능을 놓쳤다."고 클로치코프는 경고했습니다.

기존 RPA 프로그램에 AI 통합하기

실행 지원 계획이 가동되면 통합을 시작할 준비가 된 것입니다. AI 통합의 열쇠는 두 가지: RPA와 데이터 분석 CoE가 협력하게 하고, 소프트웨어 개발 주기에 AI를 포함하도록 조정하는 것입니다.

두 CoE 간 협업 장려하기

CoE는 대개 두 가지 모델 중 하나로, 각각 다른 협업 전략이 필요합니다.

개별 CoE 모델에서 개별 RPA와 데이터 분석 CoE는 다른 부서에 보고합니다. 일반적으로 CoE는 별도로 독립적으로 작동합니다.

더 큰 협업을 위해 RPA CoE가 데이터 분석 CoE에 적극적으로 다가갈 수 있습니다. 함께 시너지 혜택을 받을 비즈니스 유스케이스를 찾을 수 있습니다. 데이터 분석 팀에 RPA를 설명해야 할 수도 있지만, 그 상호 이해의 혜택은 거대합니다.

단일 CoE 모델에서 단일 CoE가 모든 자동화 기술을 통합하고 한 리더(보통 최고 디지털 책임자 또는 최고 자동화 책임자)에게 보고합니다. CoE 리더는 이 통합을 활용해 자동화에 집중하는 CoE 권한을 부여할 수 있습니다.

모든 조직에 하나의 올바른 모델은 없습니다. 각 모델의 장단점과 목표, 자동화 여정에서의 위치를 저울질해 조직에 가장 적합한 모델을 결정해야 합니다.

시간이 지나면서 기업이 더 많은 자동화 기술을 추가하면 개별 CoE 모델이 단일 CoE 모델로 진화하는 경향이 있습니다.

그들이 가치를 입증하고 리더와 운영 리더에게 명확히 함으로써, AI가 인간 개입 과제를 어떻게 완화하고 자동화가 '더 복잡한 문제'를 맡을 수 있게 확장하는지 설명할 수 있었습니다.

기업이 AI와 자동화 기술 포트폴리오를 갖게 되면, 그것들을 조화롭게 만드는 방법을 생각하기 자연스럽습니다.

소프트웨어 개발 라이프사이클 조정하기

개별 CoE 모델을 사용하는 경우, SDLC가 최고 효과로 작동하려면 두 CoE의 오케스트레이션이 필요합니다. 일반적으로 두 기술은 같은 SDLC를 따르지만, 미묘한 뉘앙스 차이가 어떻게 최적으로 오케스트레이션할 수 있는지 바꿉니다. AI를 수용할 구조를 도입하기 위해 다음 여섯 구성요소에 집중하세요.

• 식별(Identify): 기술 솔루션이 아닌 비즈니스 문제에서 시작하세요. RPA, 데이터 과학자, 비즈니스 사용자를 한데 모으세요(이상적으로 같은 방에서) - AI 솔루션에 적합한 문제를 식별하기 위해. 다른 어떤 것보다 먼저 RPA와 UiPath AI 센터 사용이 당면 문제를 해결할지 결정하세요. AI 센터가 적합하다고 판단되면 ML 모델이 무엇을 해결해야 할지 파악하세요.
• 설계(Design): AI 레이어링에는 설계 고려가 필요합니다. 설계를 시작할 때 RPA 개발자가 ML 추가로 RPA 솔루션을 다르게 설계해야 할지 결정하세요. 또한 데이터 팀이 ML 모델링에 어떤 데이터 준비가 필요한지 물어보세요.
• 개발(Develop): 이 단계에서 RPA와 데이터 과학자 팀이 각자 DevOps 정책과 절차를 따르는 한 개별 구성요소를 만들 수 있게 허용하세요. 데이터 분석 CoE와 RPA CoE 간 필요한 오케스트레이션 수준을 결정하세요. 엔드투엔드 워크플로에서 한 기술의 입력이 어떻게 다음 기술의 출력을 생성하는지 아세요.
• 테스트(Test): 사용자 수용 테스터와 CoE가 SDLC 각 단계에서 무엇을 기대해야 할지 알게 하세요. RPA는 직관적이어서 테스트가 명확합니다. 통과하거나 아니거나. ML은 점진적 개선에 관한 것이어서 모델에 시간이 지남에 따라 개선될 신뢰 임계값이 포함됩니다.
• 배포(Deploy): 현대 자동화 기술 발전으로 AI Ops가 과거보다 쉬워졌습니다. RPA CoE가 AI 모델을 AI 센터에 배포하는지 결정하세요. 배포 체크리스트를 업데이트해 체크가 마련되게 하세요. 실제 배포 행위는 이제 꽤 간단합니다.
• 유지보수(Maintain): 팀이 외부 변화 영향을 어떻게 완화하고 관리하는지, 배포 후 AI 모델을 어느 팀이 유지보수하는지 결정하세요. RPA에서는 로봇이 실행 중인지 모두 알지만, ML 모델이 '잘못된' 결정을 내리는지 판단하기는 어렵습니다. 신뢰도 추적하고 임계값 이하로 떨어지면 알림을 트리거하는 대시보드 생성이 필요할 수 있습니다.

RPA와 AI SDLC가 많은 유사점을 공유하지만, 차이점이 차이를 만듭니다.

AI 통합으로 자동화 전략을 다음 단계로 끌어올리기

AI는 자동화 전략을 다음 단계로 끌어올립니다. AI 통합에는 조직적 기술과 기술적 기술이 모두 필요하지만, 그 통합의 혜택은 거대할 것입니다. 귀사의 SDLC, RPA와 데이터 분석 CoE, 자동화 프로그램 - 모두 AI 도입 전에 명확하고 신중한 재평가가 필요합니다.

AI 모델과 AI 및 자동화 모범 사례에 대해 더 알고 싶으시면 전체 AI 플레이북 웨비나 녹화를 확인하세요.