AI 도입을 시작하는 기업을 위한 산업 지능화 추진 가이드

AI 도입을 시작하는 기업을 위한 산업 지능화 추진 가이드

ChatGPT가 등장한 이후로 AI 관련 뉴스들이 쏟아져 나오고 있습니다. ChatGPT는 많은 사람들이 AI를 바라보는 관점 자체를 완전히 바꾸게 했고, 예전에는 AI가 해결하지 못할 거라고 생각했던 많은 영역이 이제 가능하다고 믿게 했죠. 모두가 AI를 말하고 있는 상황 속에서 AI 도입 속도를 내지 못하고 있는 기업 내 AX담당자는 조바심이 날 수밖에 없습니다.

AI 패러다임을 바꾼 Chat GPT의 등장

AI 패러다임을 바꾼 Chat GPT의 등장

AI는 전문가를 채용하거나 솔루션을 도입한다고 해서 바로 생기는 기술은 아닙니다. 기업이 특정 영역에서 AI를 접목해서 잘 활용하고 있다면 데이터 기반 혁신의 연장선에서 특정한 수준에 도달했다고 볼 수 있습니다. 그렇다면 지금 막 AI 도입을 준비해 산업의 지능화를 추진하려는 기업은 어떻게 AI를 시작해야 할까요? 성공적으로 AI 도입을 끝마친 기업들은 어떤 공통점이 있을까요? 제조, 반도체, 에너지, 유통, 공공 등 다양한 산업 도메인과 협업해 본 마키나락스의 경험을 바탕으로 만든 산업 지능화 추진 가이드를 공유합니다.

 

AI 성공 사례를 보는 관점을 정립하세요

디지털 트랜스포메이션(Digital Transformation, DT)은 기업이 필요한 정보나 데이터를 디지털 형태로 수집하고 분석 및 활용한 결과로 비즈니스 가치를 창출했습니다. 결과적으로 지능화하는 단계로 이어지고 마지막은 AI와 만나게 되는데요. 그렇기 때문에 AI Readiness(준비도)는 데이터 활용 수준과 비례합니다. 기업이 가지고 있는 문제를 해결하기 위해서 필요한 데이터를 모아보는 노력이나 분석해 보는 시도를 해보지 않았고, 데이터 자체보다는 인간의 경험이나 직관을 더 맹신하고 있다면 AI가 주는 장점들에 공감하거나 이해하기는 쉽지 않습니다.

AI Readiness(준비도) ∝ 데이터 활용 수준

AI Readiness(준비도) ∝ 데이터 활용 수준

예를 들어 A기업에서 글로벌 기업이 AI를 도입해서 코스트를 절감했던 사례를 알게 되어 벤치마킹하기 위해서 동일한 AI솔루션을 도입합니다. 그런데 A사에서는 같은 솔루션이 잘 적용되지 않거나 성능을 발휘하지 못하는 상황을 확인하게 됩니다. 원인을 분석해 보니 A사가 보유한 데이터가 충분히 정리되지 않았다는 사실을 발견합니다. A사는 현장 엔지니어들을 수집해서 몇 년 간의 데이터를 레이블링하고 정제하는 작업을 하게 됩니다. 그 결과 AI 모델의 성능을 높이게 되고 현장에 적용할 수 있게 되죠. 다른 라인에 적용해 보면 처음 겪었던 문제가 또 발생합니다. 이번에는 보다 빨리 데이터 문제라는 걸 알게 돼요. 하지만 그 시간과 비용을 다시 투자할 엄두가 나지 않습니다. ‘AI 해봤는데, 쇼윈도 기술이더라.’ 이런 결론을 내리고 이전으로 돌아가게 됩니다. 사실 산업 현장에서는 빈번하게 발생하는 사례입니다.

이런 실수를 반복하지 않기 위해서는 AI 성공 사례를 바라보는 관점이 중요합니다. 성공 사례 자체에 집중하기보다는 AI 성공 사례를 만든 기업의 데이터 준비도와 성공으로 이끈 요인들을 이해하는 과정이 필요합니다. AI 성공 사례를 벤치마킹해서 같은 AI 솔루션을 도입해도 각 기업이 처한 상황에 따라서 해야 할 일의 범위와 양은 천차만별일 수밖에 없기 때문입니다. 만약 우리 기업의 데이터 활용 수준이 AI 성공 사례 기업보다 낮다면, 그것을 파악하고 준비를 시작하는 것만으로도 성공했다고 평가할 수 있습니다.

 

AI 도입 목표와 내재화 수준을 정의하세요

 

적절한 AI 도입 영역은?

적절한 AI 도입 영역은?

AI 성공 사례를 보는 관점을 정리했고, 우리 기업의 데이터 활용 수준이 어느 정도 올라왔다고 판단한다면 비즈니스 임팩트와 실현 가능성을 고려해서 적절한 AI를 도입과 활용 전략을 수립해야 합니다. 그래프를 보면 기업에서 실질적으로 실행할 수 있는 선택지는 A와 B임을 알 수 있습니다. 실제로 실현 가능성이 높으면서 비즈니스 가치가 높은 과제는 거의 존재하지 않고, 실현 가능성이 작고 비즈니스 임팩트가 낮다면 고려할 필요가 없습니다. 결과적으로 실현 가능성이 작지만 구현이 됐었을 때 가치가 굉장히 높은 A와 실현 가능성 임팩트는 작지만, 실현 가능성이 높은 B 영역이 적합합니다.

A영역은 보통 굉장히 도메인 특화된 AI입니다. 예를 들어 연구소의 핵심 업무 설계 효율성을 높일 수 있는 AI, 구매 부서의 중요한 원재료 가격을 예측하는 AI 등이 있습니다. A영역은 기업의 핵심 경쟁력으로 이어질 수 있어 기업은 일정 부분 내재화를 고려해야 합니다. 더불어 다른 기업과 다른 방식으로 구현해서 차별화하고 자사의 경쟁력으로 만드는 전략이 필요합니다. 당연히 A영역의 AI 시도들은 투자 관점 봐야 합니다.

B영역은 cross-functional한 성격을 갖습니다. 기업 내 결재 프로세스 단순화, 문서화 자동화, 용이한 정보 탐색 등이 있습니다. B영역의 AI 효과를 높이려면 기업에서 직접 개발하기보다 외부 AI 솔루션이나 AI 서비스를 도입하는 방향이 좋습니다. 다만 이때 기업의 프로세스나 레거시 정책과 딱 들어맞지 않아도 가능한 범위 내에서 수정해서 빠르게 적용하는 편이 좋습니다. 외부 AI 솔루션을 추가로 개발하거나 수정한다면 비효율이 발생하기 때문입니다. 종합적으로 살펴보면 기업은 A영역에 해당하는 AI를 찾고 도입 전략을 확보하는 일이 가장 중요합니다.

 

실행력과 추진력을 보장해야 합니다

AI를 잘하는 기업들이 마지막으로 하는 고민은 실행력을 담보할 수 있는 체계입니다. 결국 일은 사람이 합니다. AI 도입 실행 주체를 세우는 데 있어서 개개인이 갖고 있는 역량이나 열정보다는 조직과 KPI 관점에서 접근하는 것이 굉장히 중요합니다. 담당자가 누군지 교통 정리가 제대로 되지 않는다면 불필요한 내부 경쟁이 발생해 비효율로 이어질 수 있습니다. 추진 능력을 잘 만드는 회사들은 이런 부분들을 KPI 관점에서 잘 설계하는 접근을 선택했습니다.

정책, 프로세스, 템플릿 등 시스템적인 접근 필요

정책, 프로세스, 템플릿 등 시스템적인 접근 필요

AI를 도입하는 시도는 실패 가능성을 배제하기 굉장히 어렵습니다. 그러나 성공과 실패 여부와 무관하게 AI 도입 과정에서 얻게 되는 경험이나 노하우들을 잘 축적할 수 있는 기반이나 체계를 마련하는 일이 필요합니다. 보통 AI 모델로 문제를 해결한 활동을 했다면 학습된 AI 모델과 AI 모델 관련 코드를 얻게 됩니다. 이 결과물을 새로운 담당자나 타 팀에서 실행이나 재연했을 때 대부분의 경우 에러를 겪게 됩니다. 그러면 재활용이 어렵다고 판단하고 새롭게 다시 연구를 시작하는 일들이 반복됩니다. 사용 모델의 종류, 파라미터 설정, 데이터 기간 설정, 전처리 방식 등이 종합적으로 어떤 실험을 통해서 만들어졌는지 정확하게 추적이 되고 재현이 돼야지 동일한 결과를 얻게 됩니다. 중간에서 이런 요소들이 누락되면 실험 결과들을 재현하기가 굉장히 어렵게 되는 거죠. 이런 비효율을 없애려면 일하는 과정에서 정책, 프로세스, 템플릿 등 시스템적인 접근이 필요합니다.

 

AX가 실현된 미래 산업의 모습은?

 

AX 전개 방향, 최종 모습(End-Image)

AX 전개 방향, 최종 모습(End-Image)

AI는 거스를 수 없는 시대의 흐름이 됐습니다. 최근에는 산업 전반에 AI를 적용하는 AX(AI Transformation)도 떠오르고 있는데요. AX가 실현된 산업의 미래 모습은 어떨까요? AI 모델들은 현장에 있는 모든 설비와 장비에 적용되어서 인사이트를 도출하는 형태가 될 겁니다. 많은 AI 모델이 운영은 지금보다 훨씬 더 비용 효율적인 체계가 갖춰지게 됩니다. 분석 및 모델 개발 단계에서는 지금처럼 AI 전문가들이 아니라 현장을 잘 알고 있고 도메인 지식을 갖고 있는 엔지니어들이 쉽고 편하게 데이터를 분석하고 AI 모델을 만들 수 있는 모습을 갖추게 될 겁니다.

마키나락스 AI 플랫폼 Runway

마키나락스 AI 플랫폼 Runway

마키나락스는 현재 AI 준비도가 낮은 기업도 언젠가는 모두 AI를 쓸 수밖에 없을 거라고 예상합니다. 그래서 기업이 AI 시스템 체계를 지원해 주는 엔터프라이즈 AI 플랫폼 Runway를 제공하고 있습니다. AI 플랫폼 위에서는 AI를 전문가들이 자유도 높게 AI 모델을 만들 수도 있고, AI 관련 지식은 부족하지만 데이터를 잘 해석할 수 있는 현장 전문가들이 블록을 연결하는 방식으로 AI 모델을 만들 수도 있습니다. 이렇게 만들어진 AI 모델들을 클릭 몇번으로 재학습을 하고 파라미터를 바꾸는 등 효율적으로 AI 모델을 운영할 수 있는 기반들을 제공하고 있습니다.

지금 AI 도입을 시작하려는 기업들을 위한 가이드를 요약하자면 지금 우리 기업이 가능한 범위에서 개선할 수 있는 영역과 수준을 잡고, 빠르게 추진할 수 있는 체계를 만드는 과정이 필요합니다. 시스템적 체계는 기업이 내재화하는 방향보다 마키나락스의 Runway와 같은 엔터프라이즈 AI 플랫폼을 통해 다른 기업과 다른 방식으로 AI를 구현해서 차별화하고 자사의 경쟁력으로 만드는 전략을 실행하시길 바랍니다. 마키나락스의 엔터프라이즈 AI 플랫폼 Runway를 활용해 보고 싶다거나 고민이 있으신 분들은 마키나락스와 상의해 주세요. 마키나락스가 여러 산업 현장에서 얻은 실질적인 AI 성공 사례와 경험을 바탕으로 함께 고민하고 방법을 제안해 드리겠습니다.

 

*이 포스팅은 2024 스마트 제조 대전망 온라인 컨퍼런스에서 마키나락스 허영신 CBO가 발표한 'AI in Action : 제조 지능화 추진 가이드'를 정리했습니다. 영상에서 보다 자세한 내용을 확인할 수 있습니다.

YouTube video

MakinaRocks
2024-05-07