인공 지능을 대규모로 운영하여 더 나은 비즈니스 결과

인공 지능(AI)은 다양한 산업 분야의 비즈니스에 새로운 표준을 제공하고 있습니다. 예를 들어 소매업체는 AI를 사용하여 과거 재고 데이터에 대한 구매 주문을 예측하여 지능형 재입고 결정을 내릴 수 있습니다. 고객 지원 팀은 AI를 사용하여 자동으로 응답하고 우선 순위가 높은 고객 지원 티켓을 적절한 팀에 전달할 수 있습니다. AI, 특히 ML을 사용하여 실용적인 비즈니스 결과를 이끌어낼 수 있는 가능성의 세계가 있습니다.

Deloitte Insights에 따르면 엔터프라이즈 AI 얼리 어답터의 83%가 프로덕션 프로젝트에서 긍정적인 투자 수익(ROI)을 보았습니다. 여기에는 AI를 사용한 타사 엔터프라이즈 소프트웨어 구현, 챗봇 및 가상 비서 사용, 전자 상거래 플랫폼용 추천 엔진 등이 포함됩니다. 설문에 응한 기업의 83%가 2019년에 AI에 대한 지출을 늘릴 계획입니다. AI에 투자하는 기업 중 63%는 ML을 채택했습니다.

AI 및 ML을 실용적으로 사용하여 비즈니스 목표를 달성하기 위한 전략을 구축하는 것은 많은 기업에서 최우선 과제입니다. 많은 사람들에게 ML을 성공적으로 운영하기 위한 주요 과제는 조직 전체에 걸친 전체적인 ML 배포 관리를 이해, 계획 및 실행하는 것입니다.

ML 운영을 위한 주요 고려사항

데이터 과학 수명 주기를 다루는 '올바른' 방법은 조직마다 다릅니다. 데이터 과학 수명 주기 절차를 체계화하고 표준화하려는 많은 시도가 있었습니다. 그러나 모든 기업의 요구 사항을 통합하는 단일 접근 방식은 없습니다.

데이터 및 데이터 과학을 위한 지속 가능하고 유지 가능한 전략을 수용하는 것은 각 기업마다 고유하게 진화하는 작업입니다. 모든 회사의 요구 사항, 구조 및 기능은 고유하기 때문에 유연하고 확장 가능한 ML 모델을 구축하고 전체적인 데이터 과학 전략을 실행하려면 기업 전체의 이해 관계자와 상의해야 합니다.

각 기업이 해결해야 하는 인프라 및 개발 관행에 대한 운영상의 문제와 변경 사항은 다릅니다.

조직에서 데이터 과학 수명 주기를 정의하고 발전시키면서 조직의 문화, 시스템 및 요구 사항을 고려하는 것이 중요합니다. 팀 간에 제공할 기본 프레임워크가 있으면 ML 운영을 지속적으로 개발하고 발전시키면서 커뮤니케이션을 위한 공통 기반을 개발하는 데 도움이 됩니다.

조직이 ML 여정을 시작하는 데 도움이 될 수 있는 표준 프레임워크를 살펴보겠습니다.

1단계:문제 정의

모든 ML 이니셔티브의 핵심에는 다음 두 가지 질문이 있습니다.

1. 어떤 문제를 해결하려고 합니까?

2. ML과 데이터에 대한 더 나은 이해가 당면한 문제를 해결하는 데 도움이 될 수 있다고 생각하는 이유는 무엇입니까?

이러한 질문에 대한 답은 회사가 전략에 대해 어떻게 생각하고 비즈니스 문제를 평가하는지에 따라 다릅니다.

1단계에서는 주요 이해 관계자가 함께 모여 문제의 초기 범위와 요구 사항을 정의해야 합니다.

2단계:데이터 이해

데이터의 스토리는 무엇입니까? 데이터의 출처는 어디이며 특정 비즈니스 문제를 해결하는 데 도움이 되는 관련 데이터 소스는 몇 개입니까?

이 단계에서 기업은 다음에 중점을 둡니다.

• 관련 데이터 소스 및 그들이 살고 있는 환경 매핑(이러한 환경은 온프레미스 또는 클라우드에 있을 수 있으며 데이터 웨어하우스, 데이터 레이크 또는 스트리밍 데이터 플랫폼으로 설정될 수 있음)

• 현재 존재하는 데이터 파이프라인과 데이터 유효성 검사, 정리 및 탐색을 위해 구축해야 하는 데이터 파이프라인 정의

• 데이터 업데이트 빈도 이해

• 데이터의 신뢰성 이해

• 데이터 개인 정보 보호 고려 사항 및 요구 사항 평가

• 시각화, 원시 및 변환된 데이터의 통계적 속성 등을 통해 데이터 탐색 가능

데이터를 이해하는 것은 쉬운 일이 아닙니다. 이 단계에 반복적으로 접근하는 것이 중요합니다. 데이터에 대해 더 많이 알게 되면 문제 해결 능력에 영향을 미치는 문제를 발견할 수 있으며, 이는 1단계에서 문제를 재정의하거나 범위를 다시 지정해야 할 수도 있습니다.

3단계:ML 모델 구축

데이터가 준비되면 데이터 과학자가 ML 모델을 구축할 차례입니다. 강력한 ML 모델을 구축하는 일반적인 단계는 다음과 같습니다.

• 기능 추출 및 엔지니어링(비닝, 데이터 화이트닝 및 통계 변환 적용 포함)

• 기능 선택

• 모델 훈련(데이터를 원하는 수의 훈련, 교차 검증 및 검증 데이터 세트로 분할 포함)

• 초매개변수 조정

• 모델 평가

• 통계적 유의성 검증

모델을 개발하려면 비즈니스 이해 관계자의 지속적인 피드백이 필요합니다. 예를 들어, 비즈니스 문제는 특이성 대비 민감도에 대한 친화성을 요구할 수 있습니다. 마찬가지로 모델 운영 성능(예:더 빠른 예측) 또는 모델 설명 가능성에 대해 약간의 예측 성능(예:F1 점수)을 절충할 수 있습니다.

데이터 과학자의 목표는 데이터를 사용하여 비즈니스 문제와 관련된 명확한 이야기를 전달하는 모델을 구축하는 것입니다. 문제가 발전하고 요구 사항이 변경됨에 따라 모델링에 대한 접근 방식도 현재 컨텍스트에 맞게 발전해야 합니다.

4단계:진화하는 모델 배포

초기 모델을 구축하는 것은 ML 여정의 시작일 뿐입니다. 진화하는 모델을 배포하는 것은 조직의 장기적인 가치 창출을 위한 중요한 단계입니다.

진화하는 모델을 배포하려면 다음이 필요합니다.

• 모델 제공(모델을 고가용성 및 수평 확장 가능하게 만들기)

• 모델 버전 관리(롤백 및 카나리아/챌린저 배포 포함)

• 모델 재교육(새 데이터가 시스템에 들어올 때 새 모델 수정 또는 구축)

• 모델 모니터링(제공 및 교육 시간에 운영 및 사용자 경험 메트릭 모두 추적)

데이터 및 모델 드리프트 모니터링, 대상 조직 내 사용 사례에 대한 모델의 전문화 요구, 데이터 파이프라인 유지 관리(다른 유지 항목 중에서)는 모델의 지속적인 성공에 매우 중요합니다.

전사적 및 산업적 요구 사항은 빠르게 진화하고 데이터 소스와 입력에 영향을 줄 수 있습니다. 예를 들어 대규모 거버넌스 및 규정 준수는 전체 데이터 과학 수명 주기에 걸쳐 고려되는 사항입니다.

유럽 ​​연합(EU) GDPR(일반 데이터 보호 규정)과 같은 규정을 준수하려면 데이터 버전 관리, 모델 버전 관리 및 모델 입력 계층에서 더 깊은 수준의 추적 가능성이 필요합니다. 데이터를 통해 이러한 산업 변화와 요구 사항에 대응하는 전략을 구축하면 기업이 ML을 계속 활용하여 수익 성장, 비용 절감, 위험 감소와 같은 더 나은 비즈니스 결과를 이끌어내는 데 도움이 될 수 있습니다.

다음은 무엇입니까?

유연하고 유지 관리 가능하며 확장 가능한 방식으로 ML을 운영하려면 이 블로그에서 설명한 상위 수준 범위를 넘어서는 많은 단계와 고려 사항이 필요합니다. 악마는 디테일에 있습니다.

다음 블로그에서는 기술적 고려 사항, 대규모 ML 시스템의 임시 구현에서 발생할 수 있는 문제, UiPath가 기업 고객의 일반적인 문제를 해결하는 데 어떻게 도움이 되는지 자세히 알아볼 것입니다.