AI로 더 많은 자동화 가치 얻기:AI 플레이북(2부)

로보틱 프로세스 자동화(RPA)는 시작에 불과합니다. 이는 자동화 프로그램의 기초이지만 목적지가 아닙니다.

1부에서는 자동화 프로그램과 회사가 인공 지능(AI)을 사용할 준비가 되었는지 테스트하는 방법을 배웠습니다. 이 게시물에서는 핵심적인 내용인 귀하와 귀하의 자동화 팀이 기초 수준에서 AI를 구현하는 방법에 대해 알아보겠습니다.

AI 모델은 자동화 프로그램의 촉진제이자 승수입니다.

London School of Economics 경영학과의 기술, 작업 및 세계화 교수인 Leslie Willcocks가 수행한 사례 연구에 따르면 RPA 투자에 대한 ROI는 첫해에 30%에서 200% 사이입니다. UiPath 고객 중 우리는 기업이 1개월 이내에 ROI(DHL Global Forwarding, Freight)에 도달하고 2:1 ROI(Postbank)를 달성하는 등의 성과를 달성하는 것을 보았습니다.

그리고 수익은 시작에 불과합니다. 기업은 생산성 향상, 직원 참여 개선, 오류 감소라는 이점을 발견했습니다. 그렇다면 자동화 제품군에 인지 인텔리전스를 추가하면 무엇을 할 수 있는지 상상해 보십시오. 오류 처리? 예외? 고리 안에 갇힌 사람? AI가 도와드립니다.

AI 플레이북에 대한 웨비나(AI Summit 기간 동안 개최)에서 dentsu International의 미주 자동화 책임자인 Brian Klochkoff가 저와 함께 자동화 프로그램에 AI 모델을 추가하여 가치를 창출하고 창출할 수 있는 방법을 설명했습니다.

AI 실행 지원 계획 설계

이 기사 시리즈의 1부에서는 AI의 신비를 풀고 AI의 가능성에 사람들을 참여시키는 방법을 보여주었습니다. 또한 AI 투자 사례를 시연하는 방법에 대해서도 논의했습니다. 이해 관계자를 확보하고 나면 그 추진력을 낭비하고 싶지 않습니다. 다음 요소로 구성된 실행 계획을 실행할 준비가 되었는지 확인하세요.

AI 거버넌스 및 윤리

AI에 대한 거버넌스 및 윤리는 비교적 새로운 분야이므로 앞으로의 길은 잘 닦이지 않습니다. 많은 회사와 정부 기관은 특히 윤리적 고려 사항과 관련하여 거버넌스가 어떻게 생겼는지 계속 연구하고 있습니다.

그러나 대부분의 경우 일반적인 CoE(Center of Excellence) 거버넌스 모델은 RPA와 마찬가지로 AI에서도 잘 작동합니다. RPA CoE에서도 중요한 핵심은 책임성, 투명성 및 공정성을 위한 규칙을 구축하는 것입니다.

예를 들어, 모델과 데이터의 시스템적 편향을 어떻게 피합니까? 결정을 인간, 로봇 또는 이 둘의 혼합으로 역추적할 수 있는 제어 지점이 있어야 합니다. 실행 지원 계획의 이 부분에는 데이터 개인 정보 보호 및 사이버 보안에 대한 규칙도 포함됩니다.

거버넌스와 윤리는 AI를 실행하는 팀의 헌신적인 노력이 필요하기 때문에 거버넌스와 윤리를 최우선으로 합니다. 최우선 순위보다 낮은 것은 회사가 감수하고 싶지 않은 위험을 초래합니다.

운영 모델

다음을 포함하여 자동화 운영 모델에 대해 여러 번 작성했습니다.

• 디자인의 이점

• 팀을 구성할 때 고려해야 할 사항

• 완전한 자동화 잠재력을 위한 최적화

AI와 관련하여 운영 모델의 핵심은 다기능 팀이어야 합니다. 이 다기능 팀에는 비즈니스, 데이터 분석, RPA 및 지원 측면의 사람들이 포함됩니다. 사일로가 없도록 운영 모델을 설계하는 것이 중요합니다. 상호작용 채널은 효율적이어야 하고 협업을 위한 많은 기회가 있어야 합니다.

집에서 모델을 만들지 미리 만들어진 모델을 사용할지 조기에 결정하십시오. 이 결정은 인프라 요구 사항과 리소스에 영향을 미치며 다음 두 섹션에서 이에 대해 설명합니다.

이상적으로는 운영 모델이 새로운 기술이 등장하고 채택할 수 있을 때 이를 통합할 수 있는 구조를 가지고 있습니다. 통합 및 채택은 소프트웨어 개발 수명 주기(SDLC)의 현실과 거버넌스 요구 사항 내에서 작동해야 합니다.

Klochkoff에 따르면 dentsu에서는 "운영 모델이 이 모든 것을 감싸는 래퍼라고 생각합니다." 따라서 dentsu는 포괄적인 문서를 작성하고 회사의 인트라넷에서 투명하게 작업을 게시하는 데 중점을 둡니다. "사람들은 우리가 무엇인지, 어떻게 참여할 수 있는지 이해할 수 있습니다."

인프라 및 지원

거버넌스와 운영을 결정하고 나면 인프라에 대해 생각하고 싶을 것입니다. AI 플랫폼을 온프레미스, 에어갭 또는 클라우드에서 호스팅할 예정입니까? 기계를 어디에 세우려고 합니까? 이러한 AI 모델에 동력을 제공하는 데이터를 어떻게 호스팅할 예정입니까? 여기서도 훈련에 사용할 방법을 결정하고 싶을 것입니다.

이러한 결정에 따라 리드 타임, 소요 노력 및 예산이 모두 변경되므로 신중하게 결정하십시오.

자원 기술

인프라가 정착되면 현재 리소스의 숙련도와 기술 격차를 평가하고 싶을 것입니다. 핵심 리소스는 RPA에 AI를 적용하는 방법을 배우고 배울 수 있는 RPA 개발자입니다. 데이터 과학자는 RPA 개발자와 데이터 과학자가 긴밀하게 협력하는 팀과 관련된 이상적인 시나리오인 핵심 역할도 수행할 것입니다.

이전 결정에 따라 현재 직원의 기술을 향상시킬 수 있지만 외부 고용에 대해서도 신중하게 생각하십시오. 원하는 결과를 얻으려면 다양한 리소스가 필요합니다.

dentsu는 팀에서 누가 CoE에 참여하고 있는지, 어떤 기술을 가지고 있으며, 무엇을 위해 노력하고 있으며, 어떤 인증을 가지고 있는지를 중심으로 페르소나를 구축했습니다. Klochkoff는 그들의 작업이 "교차 기능 커뮤니티"에서 절정에 달한다고 봅니다. dentsu는 직원들이 현재 기술을 강화할 수 있도록 거버넌스로 관리되는 학습 경로를 만들고자 합니다.

Klochkoff는 "기술은 때때로 [자신의] 지식을 따라잡기가 어려울 정도로 발전하고 있다"고 강조했습니다. 그는 팀이 릴리스 정보, 웨비나 및 백서를 따라잡을 시간을 주기 위해 적어도 일주일에 한 번은 일시 중지할 것을 권장합니다. Klochkoff는 "항상 그렇게 하는 것은 아니어서 솔루션에 포함할 수 있는 일부 기능을 놓쳤음을 의미했습니다."라고 경고했습니다.

AI를 기존 RPA 프로그램에 통합

실행 지원 계획을 세우고 실행하면 통합을 시작할 준비가 된 것입니다. AI 통합의 핵심은 두 가지입니다. RPA와 데이터 분석 CoE가 함께 작동하도록 하고 AI를 포함하도록 소프트웨어 개발 주기를 조정하는 것입니다.

두 CoE가 공동 작업하도록 권장

CoE는 각각 다른 협업 전략이 필요한 두 가지 모델 중 하나로 분류되는 경향이 있습니다.

개별 CoE 모델에서 개별 RPA 및 데이터 분석 CoE는 서로 다른 부서에 보고합니다. 일반적으로 CoE는 개별적으로 독립적으로 작동합니다.

더 큰 협업을 달성하기 위해 RPA CoE는 데이터 및 분석 CoE에 사전에 접근할 수 있습니다. 함께 시너지 효과를 얻을 수 있는 비즈니스 사용 사례를 찾을 수 있습니다. 이를 위해서는 데이터 분석 팀에 RPA를 설명해야 할 수도 있지만 상호 이해의 이점은 엄청납니다.

단일 CoE 모델에서 단일 CoE는 모든 자동화 기술을 통합하고 한 리드(일반적으로 최고 디지털 책임자 또는 최고 자동화 책임자)에게 보고합니다. CoE 리더는 이 통합을 활용하여 CoE를 자동화 의무에 집중할 수 있습니다.

모든 조직에 하나의 올바른 모델이 있는 것은 아닙니다. 조직에 가장 적합한 모델을 결정하려면 목표 및 자동화 여정의 현재 위치와 함께 각 모델의 장단점을 비교해야 합니다.

그러나 시간이 지나면서 기업이 자동화 기술을 추가함에 따라 개별 CoE 모델은 단일 CoE 모델로 진화하는 경향이 있습니다.

가치를 입증하고 이를 리더와 운영 책임자에게 명확히 설명하면서 AI가 어떻게 인간 루프(human-in-loop) 문제를 완화하고 자동화 능력을 확장하여 "더 복잡한 문제"를 해결할 수 있는지 설명할 수 있었습니다.

기업이 AI 및 자동화 기술 포트폴리오를 갖추면 이를 어떻게 조화롭게 만들 수 있을지 생각하기 시작하는 것이 당연합니다.

소프트웨어 개발 수명 주기 조정

개별 CoE 모델을 사용하는 경우 SDLC가 최대 효율성으로 작동하려면 두 CoE의 오케스트레이션이 필요합니다. 일반적으로 두 기술은 동일한 SDLC를 따르지만 미묘한 차이로 인해 가장 잘 조정하는 방법이 바뀝니다. AI를 수용할 수 있는 구조를 도입하려면 다음 6가지 구성 요소에 중점을 둡니다.

• 식별: 기술 솔루션이 아닌 비즈니스 문제에서 시작하십시오. RPA, 데이터 과학자 및 비즈니스 사용자를 한 자리에 모아 AI 솔루션에 적합한 문제를 식별하는 것이 이상적입니다. 다른 작업을 수행하기 전에 RPA 및 UiPath AI Center를 사용하여 당면한 문제를 해결할 수 있는지 확인하십시오. 그리고 AI Center가 적합하다고 판단되면 머신 러닝(ML) 모델이 해결해야 할 사항을 파악하세요.

• 디자인: AI의 계층화에는 설계 고려가 필요합니다. 설계를 시작할 때 RPA 개발자가 ML을 추가하여 RPA 솔루션을 다르게 설계해야 하는지 여부를 결정합니다. 또한 데이터 팀에 ML 모델링에 필요한 데이터 준비 사항을 물어보고 싶을 것입니다.

• 개발 :이 단계에서 RPA 및 데이터 과학자 팀이 각자의 DevOps 정책 및 절차를 따르는 한 분기하여 개별 구성 요소를 만들도록 허용할 수 있습니다. 데이터 및 분석 CoE와 RPA CoE 간에 필요한 오케스트레이션 수준을 결정합니다. 엔드 투 엔드 워크플로에서 한 기술의 입력이 어떻게 다음 기술의 출력을 생성하는지 알 수 있습니다.

• 테스트 :사용자 승인 테스터와 CoE가 SDLC의 각 단계에서 무엇을 기대해야 하는지 알도록 합니다. RPA는 간단한 경향이 있으므로 테스트가 명확합니다. 당신은 통과하거나하지 않습니다. ML은 점진적 개선에 관한 것이므로 모델에는 시간이 지남에 따라 개선되는 신뢰도 임계값이 포함됩니다.

• 배포 :현대 자동화 기술의 발전으로 AI Ops는 과거보다 훨씬 쉬워졌습니다. RPA CoE가 AI Center에 대한 AI 모델 배포를 처리하는지 확인합니다. 검사가 제자리에 있는지 확인하기 위해 배포 검사 목록을 업데이트합니다. 실제 배포 작업은 이제 매우 간단합니다.

• 유지 :팀이 외부 변경의 영향을 완화 및 관리하는 방법을 결정하고 배포 후 AI 모델을 유지 관리하는 팀을 결정합니다. RPA에서는 모든 사람이 로봇이 실행 중인지 여부를 압니다. ML 모델이 "잘못된" 결정을 내리고 있는지 판단하는 것은 어렵습니다. 신뢰도가 특정 임계값 아래로 떨어지면 신뢰도를 추적하고 경고를 트리거하는 대시보드를 만들어야 할 수 있습니다.

RPA와 AI SDLC는 많은 유사점을 공유하지만 차이점이 차이를 만듭니다.

AI를 통합하여 자동화 전략을 한 단계 더 높이십시오.

AI는 자동화 전략을 한 단계 끌어올릴 것입니다. AI를 통합하려면 조직적 기술과 기술적 기술이 필요하지만 통합의 이점은 엄청날 것입니다. SDLC, RPA 및 데이터 분석 CoE, 자동화 프로그램은 모두 AI를 도입하기 전에 명확하고 신중한 재평가가 필요합니다.

AI 모델과 AI 및 자동화 모범 사례에 대해 자세히 알아보려면 전체 AI 플레이북 웨비나 녹화를 확인하세요.