실질적 비즈니스 성과를 위한 AI 확장: 운영 성공을 위한 검증된 전략

인공지능(AI)은 산업 전반의 기업들에 새로운 표준을 주도하고 있습니다. 소매업체는 예를 들어 과거 재고 데이터로 구매 주문을 예측해 지능적인 재입고 결정을 내리는 데 AI를 사용할 수 있습니다. 고객 지원팀은 AI를 사용해 우선순위가 높은 고객 지원 티켓을 자동으로 응답하고 적절한 팀으로 라우팅할 수 있습니다. AI, 특히 ML을 사용해 실질적인 비즈니스 결과를 이끌어낼 수 있는 가능성의 세계가 있습니다.

딜로이트 인사이트(Deloitte Insights)에 따르면 엔터프라이즈 AI 초기 도입자의 83%가 프로덕션 프로젝트에서 긍정적인 투자 수익(ROI)을 보았습니다. 여기에는 AI를 사용하는 서드파티 엔터프라이즈 소프트웨어 구현, 챗봇과 가상 비서 사용, 이커머스 플랫폼 추천 엔진 등이 포함되었습니다. 설문조사 대상 기업의 83%가 2019년 AI 지출을 늘릴 계획이었습니다. AI에 투자하는 기업 중 63%가 ML을 도입했습니다.

비즈니스 목표를 달성하기 위해 AI와 ML을 실용적으로 활용하는 전략을 수립하는 것은 많은 기업의 최우선 과제입니다. 많은 기업에서 ML을 성공적으로 운영화하는 주요 과제는 전체적인 ML 배포를 조직 전반에서 이해, 계획, 실행하는 것입니다.

ML 운영화를 위한 최우선 고려사항

데이터 사이언스 라이프사이클을 다루는 '올바른' 방법은 조직마다 다릅니다. 데이터 사이언스 라이프사이클 절차를 성문화하고 표준화하려는 많은 시도가 있었습니다. 하지만 어떤 단일 접근법도 모든 기업의 니즈를 포괄하지 못합니다.

데이터와 데이터 사이언스를 위한 지속 가능하고 유지보수 가능한 전략을 수용하는 것은 각 기업 고유의 끊임없이 진화하는 연습입니다. 모든 회사의 니즈, 구조, 역량이 고유하기 때문에 전사적 이해관계자들을 협의해 유연하고 확장 가능한 ML 모델을 구축하고 전체적인 데이터 사이언스 전략을 실행해야 합니다.

각 기업이 해결해야 할 운영 과제와 인프라 및 개발 관행의 변화는 다를 것입니다.

귀사의 문화, 시스템, 니즈를 고려하면서 데이터 사이언스 라이프사이클을 정의하고 진화시키는 것이 중요합니다. 팀 전반에 기본 프레임워크를 제시하면 ML 운영화를 계속 개발하고 진화시키면서 커뮤니케이션의 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 두 가지 질문이 있습니다:

1. 어떤 문제를 해결하려 하는가?
2. 왜 ML과 데이터에 대한 더 나은 이해가 당면한 문제 해결에 도움이 된다고 믿는가?

이 질문에 대한 답은 회사가 전략을 어떻게 생각하고 비즈니스 문제를 어떻게 평가하느냐에 달려 있습니다.

1단계에서 주요 이해관계자들은 문제의 초기 범위와 요구사항을 정의하기 위해 함께 모여야 합니다.

2단계: 데이터 이해

데이터의 이야기는 무엇인가? 데이터는 어디에서 오며, 특정 비즈니스 문제 해결에 관련되는 데이터 소스는 몇 개인가?

이 단계에서 기업은 다음에 집중합니다:

• 관련 데이터 소스와 그들이 존재하는 환경 매핑(온프레미스, 클라우드, 데이터 웨어하우스, 데이터 레이크, 스트리밍 데이터 플랫폼 등)
• 현재 존재하는 데이터 파이프라인과 검증, 정리, 탐색을 위해 구축해야 할 데이터 파이프라인 정의
• 데이터 업데이트 빈도 이해
• 데이터 신뢰성 이해
• 데이터 프라이버시 고려사항 및 요구사항 평가
• 시각화, 원시 및 변환된 데이터의 통계적 속성 등을 통한 데이터 탐색 활성화

데이터 이해는 작은 작업이 아닙니다. 이 단계에 반복적으로 접근하는 것이 중요합니다. 데이터에 대해 더 많이 발견할수록 문제 해결 능력에 영향을 미치는 이슈를 발견할 수 있으며, 이는 1단계에서 문제를 재정의하거나 범위를 재설정해야 할 수도 있습니다.

3단계: ML 모델 구축

데이터가 준비되면 데이터 사이언티스트가 ML 모델을 구축할 차례입니다. 견고한 ML 모델을 구축하기 위한 일반적인 단계는 다음과 같습니다:

• 피처 추출 및 엔지니어링(빈닝, 데이터 화이트닝, 통계적 변환 적용 포함)
• 피처 선택
• 모델 훈련(데이터를 훈련, 교차 검증, 검증 데이터 세트로 분할 포함)
• 하이퍼파라미터 튜닝
• 모델 평가
• 통계적 유의성 검증

모델 개발에는 비즈니스 이해관계자의 지속적인 피드백이 필요합니다. 예를 들어 비즈니스 문제는 민감도 대 특이도에 대한 친화성을 요구할 수 있습니다. 모델 운영 성능(더 빠른 예측)이나 모델 설명성을 위해 예측 성능(F1 점수 등)을 약간 희생할 수도 있습니다.

데이터 사이언티스트의 목표는 비즈니스 문제와 관련된 명확한 이야기를 데이터로 말하는 모델을 구축하는 것입니다. 문제와 요구사항이 진화함에 따라 모델링 접근법도 현재 맥락에 맞게 진화해야 합니다.

4단계: 진화하는 모델 배포

초기 모델 구축은 ML 여정의 시작일 뿐입니다. 진화하는 모델을 배포하는 것은 조직의 장기적 가치 창출을 위한 중요한 단계입니다.

진화하는 모델 배포에는 다음이 필요합니다:

• 모델 서빙(모델을 고가용성 및 수평 확장 가능하게 만들기)
• 모델 버전 관리(롤백 및 카나리/챌린저 배포 포함)
• 모델 재훈련(새로운 데이터가 시스템에 들어올 때 모델 수정 또는 새로 구축)
• 모델 모니터링(서빙 및 훈련 시점의 운영 및 사용자 경험 메트릭 추적)

데이터 및 모델 드리프트 모니터링, 조직 내 타겟 사용 사례를 위한 모델 특수화, 데이터 파이프라인 유지보수(기타 유지보수 항목 포함)는 모델의 지속적인 성공에 필수적입니다.

전사적 및 업계 전반의 요구사항은 빠르게 진화해 데이터 소스와 입력에 영향을 미칠 수 있습니다. 예를 들어 대규모 거버넌스와 컴플라이언스는 전체 데이터 사이언스 라이프사이클에 걸친 고려사항입니다.

유럽연합(EU) 일반 데이터 보호 규정(GDPR) 같은 규정 준수는 데이터 버저닝, 모델 버저닝, 모델 입력 레이어에서 더 깊은 수준의 추적성을 요구합니다. 데이터에 대응해 이러한 업계 변화와 요구사항에 대응하는 전략을 구축하면 기업이 ML을 지속적으로 활용해 수익 성장, 비용 절감, 위험 감소 같은 더 나은 비즈니스 결과를 이끌어낼 수 있습니다.

다음 단계는?

유연하고 유지보수 가능하며 확장 가능한 방식으로 ML을 운영화하려면 이 블로그에서 개괄한 높은 수준의 범위를 넘어 많은 단계와 고려사항이 필요합니다. 디테일에 악마가 숨어 있습니다.

다음 블로그에서는 기술적 고려사항, 대규모 ML 시스템의 임시 구현에서 발생할 수 있는 과제, UiPath가 엔터프라이즈 고객의 일반적인 과제를 해결하는 방법을 더 깊이 파고들 것입니다.