AI 능력은 폭넓은 영역에서 활용할 수 있지만, AI개발을 성공시키기 위해서는 목적의 명확화가 필요합니다. 애매한 상태로 Ai개발을 시작하면 효과가 나오지 않을뿐만 아니라, 투자비용의 손실로 이어집니다.

여기에서는 기업이 AI를 개발하는 목적과 개발에 중요한 3가지 요소를 설명합니다.

기업이 AI를 개발하는 주요 목적은 업무 효윯화를 통해 생산성을 햔상시키는 것입니다. 인력부족이 심각해지는 가운데 기업은 생산성을 높이고 적은 자원으로 사업 성장을 실현해야 합니다.

기존 소프트웨어에서는 복접한 업무를 자동화하기가 어렵습니다. AI는 방대한 데이터에서 패턴을 발견하고 복잡한 문제해결을 위한 최적의 방법을 안내합니다. 미래의 수요를 고정밀도로 예측하는 등 작업의 자동화도 할 수 있으므로, 업무효율도 향상됩니다.

AI 개발의 역사는 영국 수학자 앨런 튜링이 ‘튜링 테스트’의 개념을 제창한 1950년대부터 시작되었습니다.

1959년대 후반 제1차 AI붐이 도래합니다. 컴퓨터에 의한 추론이나 탐색이 가능하게 되어, 특정 문제를 풀 수 있게 되었습니다. 현실에 직면하는 문제를 해결하지 못하고 한번의 붐은 끝났지만 1980년대에 제2차 AI붐이 도래합니다.

컴퓨터가 이해할 수 있도록 처리한 데이터를 제공한 결과 AI가 실용적인 수준에 도달하여 다양한 전문가 시스템이 탄생했습니다. 그 후, 2000년대부터 현재까지 계속되고 있는 것이 제3차 AI붐입니다. 기계학습이나 딥러닝등의 기술이 등장했습니다.

빅데이터는 단순한 방대한 데이터 모음이 아니라, 3V의 특징을 가진 데이터그룹입니다. 3V는 엄청난 양(Volume: 볼륨), 높은 입출력 속도(Velocity: 벨로시티), 풍부한 종류(Variety: 버라이어티)의 의미입니다.

데이터는 표와 같은 정형화된 데이터에 그치지 않고 문서나 이미지, 로그인 기록 등의 비정형 데이터까지 다양한 형태로 존재합니다.

수집한 빅데이터는 분석 후 기업활동을 비롯한 다양한 분야에서 활용하고 있습니다. 빅데이터 분석기술을 활용하면 에상치 못한 곳에서 가치있는 정보를 얻을 수 있습니다.

인공지능은 인간과 같이 고도의 문제해결능력을 가지고 있으며, 인간이 이해할 수 없는 방대한 데이터를 기반으로 다양한 문제를 해결합니다. AI의 종류는 “특화형 AI”, “범용형 AI”, “ASI(인공초지능)”의 3종류로 목적이나 능력은 다양합니다. 여기에서는 각각의 특징을 설명합니다.

특화형 AI는 특정분야의 문제를 해결하기 위한 AI입니다. 자동운전 시스템이나 기상에측 시스템 등, 주어진 조건이나 역할이 정해져 있는 경우에 사용합니다. 스마트폰에서 이용가능한 음성인식 시스템 등 특화형 AI의 실용화가 진행되고 있습니다.

용도가 한정적이기 때문에, 범용형 AI에 비해 개발도 용이합니다. 제2차 AI붐으로 등장한 전문가 시스템도 한정적인 영역에서 이용하는 특화형 AI입니다.

범용형 AI는 특정 조건이 아니라, 인간처럼 모든 문제를 해결하는 AI입니다. 최근에는 AGI(Artifitial General Intelligence)라고도 합니다.

인간이 지원하지 않아도 자율적으로 학습하여 상황을 이해하고 문제에 대처할 수 있습니다. 과거의 경험과 다양한 정보를 결합한 자기학습으로 능력이 진화합니다. 영화등에 등장하는 자율형 로봇이 범용형 AI입니다.

관련 기술의 개발은 진행되고 있지만, 실용화에는 이르지 못하고 있습니다.

ASI(Artificial Super Intelligence, 인공초지능)는 범용형 AI가 더욱 진화한 것입니다. 인간보다 높은 수준의 지능을 가지고 인간보다 높은 과제 해결 능력을 가진 AI입니다.

맹렬한 속도로 학습을 반복하여 진화하고 인간이 다루지 못하는 복잡한 문제도 해를 발견할 수 있는 기대가 있습니다. 한편 ASI가 한번 탄생하면 인간에 의한 제어가 불가능해질 위험도 있습니다.

AI는 방대한 정보의 학습으로 고도의 처리가 가능합니다. 도입하면 다양한 작업의 인력 절감과 효율화에 도움이 됩니다. 자사의 과제 해결에 적합한 AI를 개발하기 위해서는 어떤 준비가 필요할까요?

여기에서는 AI개발에 필요한 환경과 시간, 비용을 소개합니다.

AI의 핵심요소인 AI모델은 학습과정에서 방대한 연산처리를 합니다. 고속연산에는 GPU(Graphical Processor Unit)가 필요하므로 GPU가 있는 워크스테이션을 준비합니다.

AI개발에서는 프로그래밍 언어로 Python을 사용하는 경우가 많습니다. 다른 언어에 비해 적은 코드로 작업이 가능하고, 컴파일이 불필요합니다.

프레임워크를 사용하면 개발이 효율적으로 진행됩니다. 프레임워크는 코드를 간편하게 작성할 수 있는 라이브러리를 모은 것입니다. 대표적인 것으로 TensorFlow나 PyTorch가 있습니다.

AI 개발에서는 준비부터 완성까지 시간이 걸립니다. 기술과 환경에 따라 다르지만, 소규모 AI시스템에서도 몇 달에서 6개월정도가 필요합니다.

대규모 프로젝트에서는 몇년이 걸리는 경우도 있습니다. 새롭게 사내에서 AI개발환경을 시작하는 경우, 개발실적이나 지식 부족으로 더욱 시간이 걸릴 것입니다.

AI개발이 완료해도 현장에서 성과를 내기까지는 AI의 튜닝이나 현장에서의 훈련등도 필요합니다.

AI 개발에는 많은 비용이 드는 것이 일반적입니다. AI개발의 주요 프로세스는 ‘구성’, ‘PoC’, ‘실장’, ‘운용’의 4가지로 기업 규모에 따라 금액이 달라집니다. 다음은 프로세스별 비용의 기준입니다.

• 구성: 500만원 ~ 2000만원 사이
• PoC: 1000만원 ~ 수천만원 사이
• 구현: (월 800만원 ~ 2500만원) x 인당/월
• 운용: (월 600만원 ~ 2000만원) x 인당/월

이 금액은 개발비만 해당되며, 별도의 도입비용이 필요합니다.

AI개발에는 다음과 같은 기술을 가진 인재가 필요합니다.

• 고품질의 다양한 데이터 수집 가능
• 데이터를 적합한 형태로 전처리할 수 있어야 함
• Python등 프로그래밍 지식
• 수학이나 통계학에 대한 지식
• 머신러닝 알고리즘 및 모델훈련, 평가방법에 대한 지식
• 높은 디지털 리터러시 보유

이러한 지식과 기술을 보유한 인재가 바로 데이터 과학자, 데이터 엔지니어라고 불리는 인재들입니다. 최근 인재 부족과 AI유행으로 인재채용이 어려워지고 인건비도 높은 상태가 지속되고 있습니다.

AI 개발은 ‘구상’, ‘개발전 검증’, ‘데이터 처리’, ‘머신러닝 시작’, ‘구현부터 운영’, ‘유지보수 및 개선’의 6단계로 진행됩니다.

이러한 프로세스는 일방통행이 아니라 여러번 이전 프로세스로 돌아가서 계획, 사양등을 수정하는 과정을 반복해야 합니다. 각각의 절차를 설명합니다.

우선 어떤 AI를 개발할 것인지를 계획합니다.

성공적인 개발을 위해서는 개발 목적을 명확히 하는 것이 특히 중요합니다. AI로 해결할 수 있는 과제를 도출하고, AI로 해결할 과제를 정했다면, 어느 정도의 효과를 기대할 수 있는지 확인하고 구체적인 계획을 수립하고 팀을 구성합니다.

개발에는 많은 비용이 들기 때문에 비용 대비 효과를 검토할 때는 가급적 구체적인 수치를 사용해야 합니다.

구상이 끝나면, 다음 단계는 개발 전 검증입니다. 이 과정에서는 구상 과정에서 계획한 내용을 실현할 수 있는지를 검증하는 과정입니다.

준비된 데이터의 품질이 충분한지, 기대하는 성과를 낼 수 있는지 등을 확인하기 위해 AI프로토타입을 제작하고, 간단한 훈련 데이터를 이용해 모델을 학습시킵니다.

검증 결과 AI로 해결이 불가능하다고 판단되면 구상 프로세스로 돌아가 재검토가 필요합니다.

그 다음에는 실제로 PoC(개념검증)를 통해, 기술적으로 실현가능한 AI인지 아닌지를 검증합니다. 수집된 데이터는 머신러닝에서 정확도를 높일 수 있도록 노이즈, 입력오류, 누락된 데이터에 대한 클렌징 작업을 수행합니다.

AI의 핵심요소는 모델입니다. 머신러닝 모델에는 다양한 종류가 있으며, 목적에 맞는 모델을 선택합니다. 예를 들어, 분류문제를 다룰 때는 ‘서포트 벡터머신’이나 ‘로지스틱 회귀’, 회귀문제를 다룰 때는 ‘랜덤 포레스트’등이 있습니다.

모델마다 특징이 다르고, 문제에 따라 장단점이 있습니다. 모델을 잘못 선택하면, 기대하는 결과를 얻지 못하므로 주의해야 합니다.

모델이 준비되면 다음 단계는 구현으로 넘어가는데, AI를 실제 현장에서 운영하기 위한 요구사항을 정의하고 이를 충족하는 시스템을 완성하는 것입니다. 실제 환경에서 시험 운영을 실시하여 기대한 대로 결과가 나오는지, 현장 담당자의 운영상 문제가 발생하지 않는지 등을 검증합니다.

모든 확인이 끝나면, 운영이 시작됩니다. 운영 시작 전 작업자에게 주의사항을 공지하고, 문제 발생시 대응 방안등을 공유합니다.

AI개발은 자체 개발 외에도 외부 업체에 개발을 의뢰하는 방법도 있습니다. 외부 업체에 의뢰하는 것은 자체 개발에는 없는 장점과 단점이 있으므로 이를 고려하여 결정해야 합니다.

여기서는 AI 개발 외주화의 장점과 단점, 그리고 외부업체를 선택하는 방법에 대해 설명합니다.

AI 개발 아웃소싱의 주요 장점은 다음과 같은 3가지가 있습니다.

• 개발경험이 없어도 자사 맞춤형 AI를 만들 수 있습니다.
• 개발상황에 따라 손절매가 가능합니다.
• 개발지연이 없습니다.

개발경험이 없는 기업이라도 자사 과제에 최적화된 AI시스템을 개발할 수 있다면, 상업적 도구를 사용하는 것보다 업뮤효율성 향상에 큰 효과를 기대할 수 있습니다.

자체 개발은 프로젝트가 실패한 경우, 그 여파가 매우 큽니다. 한번 채용한 인력을 쉽게 내보낼 수 없고, 프로젝트 중단 후에도 인건비 부담은 계속됩니다.

외주 개발은 개발경험이 풍부하기 때문에 일정한 정확도가 높고, 자체 개발보다 지연위험이 낮다는 장점이 있습니다.

AI 개발 아웃소싱의 단점은 다음 2가지입니다.

• 기업마다 품질에 차이가 있습니다.
• 비용이 비쌉니다.

AI 개발을 의뢰하는 기업은 많지만, 기업마다 개발수준은 천차만별입니다. 기술이나 개발 프로세스도 다르기 때문에 품질뿐만 아니라 비용도 차이가 납니다.

또한, 외주개발의 경우, 자체 개발보다 비용이 더 많이 든다는 점도 주의해야 합니다. 비용을 절감하기 위해서는 견적과 시세 비교, 과거 실적을 확인해야 합니다.

아웃소싱 업체를 선택할 때 데이터과학에 대한 지식과 노후우가 있는지, 폭넓은 제안이 있는지 등에 주목합니다.

AI는 시스템 자체만으로는 작동하지 않습니다. 사내 데이터베이스등에서 정보를 수집하고, 모델이 학습한 내용을 바탕으로 예측등을 수행합니다. 데이터 전처리와 모델튜닝등에는 전문지식을 갖춘 데이터 과학자등 인력이 필요합니다.

또한, PoC까지가 아닌 제품화까지의 지원과 폭넓은 지원 체계가 있는 것도 중요한 포인트입니다.

자사에 맞는 AI도구를 만들고 싶은 기업에게 추천하는 것은 ZeR0사가 Dify기반으로 제공하는 솔루션입니다.

전문지식이 없어도 풍부한 AI기능을 활용할 수 있습니다. 프로그래밍이 필요없고, 코드없이 데이터 전처리, 모델 선택등이 가능하며, AI도입을 위해 새로운 인력을 채용할 필요도 없습니다.

또한, 경험이 풍부한 멤버들이 PoC개념증명에 대한 지원도 제공하고 있습니다.

AI를 자체 개발하기 위해서는 인력확보와 개발환경 구축은 물론 많은 비용이 소요됩니다. 또한, 개발기간도 수개월부터 몇년이라는 시간이 소요됩니다. 경험이 없는 기업의 경우 AI도입까지 많은 시간이 소요될 것입니다.

전문업체에 아웃소싱하는 것도 가능하지만, 품질편차가 심하고 비용이 많이 든다는 단점이 있습니다.

ZeR0는 전문인력이나 고가의 개발환경없이도 AI를 활용할 수 있으며, AI개발로 업무효율을 향상시키고자 하는 기업은 언제든 문의주시기 바랍니다.