한 권으로 끝내는 AI 비즈니스 모델

정두희 교수의 '한 권으로 끝내는 AI 비즈니스 모델'을 읽고 (2020. 08. 30)

​

 

https://book.naver.com/bookdb/book_detail.naver?bid=16383832 

한 권으로 끝내는 AI 비즈니스 모델

 

회사에서 신규사업 TF 관련 활동이 종료되며 TF 팀장님이 종료 시점에 선물로 주신 책이다. 이때 '빅데이터 비즈니스 이해와 활용'을 읽고 있었는데 빅데이터와 AI의 영역만 다를 뿐 전체적인 구성이나 설명하는 느낌은 동일한 느낌이었다. 전반적으로 AI 영역에 대해 소개하고 활용할 수 있는 것들을 사례위주로 풀어서 설명해주며 AI 서비스를 통찰하는 기획자가 될 수 있도록 가이드를 제시해준다. 요즘들어 전문 서적을 연달아 읽고 있어서 부담감이 없진 않았지만 생각과는 다르게 설명을 잘해줘서 재택근무하며 금방 읽을 수 있었다.

저자는 현재 한동대학교 ICT 창업학부에서 학생들을 가르치고 있는 정두희 교수다. 대표 저서로 '3년 후 AI 초격차 시대가 온다'가 있으며 내가 재직 중인 회사에도 강의를 해주러 오신 적이 있다. 당시에 나는 일을 하고 있어서 전체적인 강의를 다 들을 수는 없었지만 마지막 부분에 참여하여 끝 부분을 들었던 기억이 있다. 2020년 9월 '빅데이터 비즈니스' 관련하여 외부 강사로 강의를 해주시기로 하셨다는데 코로나 일정으로 진행할 수 있을지는 모르겠다. 기회가 된다면 이번에 처음으로 책에 사인을 받아볼까 한다.

​목차는 아래와 같은 순서로 구성되어 있다.

---

1. 혁신을 이뤄낼 공간은 어디에 있는가? - AI 혁신 이해, 문제 정의

2. 어떤 AI 기능을 사용할 것인가? - AI 기능선택, 적용방법채택

3. AI 기능을 어떻게 구현할 것인가? - 알고리즘선택, API소싱, 데이터확보,품질평가

4. 어떤 가치를 창출할 것인가? - 가치경로설계, 기능적가치 구체화, 경험적가치 구체화, 가치 선순환구조 구축, 가치의 확장

5. AI 역량을 어떻게 확보할 것인가? - 필수역량정의, 전담인력확보, 역량통합, AI협업모텔 구축

6. 수익을 어떻게 창출할 것인가? - ROI측정, 무형의 수익측정

7. 한 장으로 만드는 AI 비즈니스 모델 캔버스 - 한 장으로 정리

---

 

책은 AI와 관련된 아이디어 발상부터 AI 비즈니스 캔버스를 만들기 까지의 과정을 담은 책이다. 알고리즘 소개와 데이터를 어떻게 쌓아야 하는지 그리고 어떤 역량의 사람들이 있어야 하며 교육은 어떻게 해야 하는지에 대해 모든 과정을 사례 중심으로 설명하고 있다. 여기서 재밌는 부분은 '린스타트업 바이블' 이란 책에서 배웠던 비즈니스 캔버스 모델을 AI에 맞춰서 소개한다는 것이다. 뭔가 이전 책에서 읽었던 부분을 응용한 캔버스가 나와서 혼자 반가워했던 것 같다. 그럼 이 책에서도 소개하고 알파고로도 이미 유명한 A.I(Artificial Intelligence)는 무엇일까? 책 별첨 부분에 이러한 궁금증을 해결해 준다. 아쉬운 점은 아직 잘 모르는 사람들을 위해서 책 도입 부분에 자세하게 소개해주면 어땠을까라는 생각을 해본다. 인공지능, 머신러닝, 딥러닝 셋다 많이 들어 본 단어이다. 대부분의 사람들은 이 단어들을 동일한 단어라고 인식하고 사용하는 경우가 많다. 그러나 이 셋은 같지만 분명 다른 단어이다. 정확히는 인공지능안에 머신러닝이 있고 그 안에 딥러닝이 있는 구조이다.

​

인공지능

인공지능의 사전적 정의는 인간의 지각능력, 추론 능력, 학습능력, 이해능력 등을 컴퓨터 프로그램으로 실현한 기술이다.

​

머신러닝

인공지능의 하위 기술 중 하나로 가장 주목을 받고 있는 기술이다. 머신러닝은 기계가 방대한 데이터를 학습한 뒤 이를 기반으로 패턴을 찾아내, 변화를 예측하거나 추론하는 것이다.

​

딥러닝

머신러닝을 구현하는 기술 중 하나다. 딥러닝은 인간의 신경을 흉내 낸 인공신경망을 기반으로 하는 머신러닝의 일종이다.

두뇌의 정보처리 과정을 모방하여 기계가 스스로 데이터를 분석하고 답을 낸다. 기존의 머신러닝 방법이 주로 전문가가 데이터 속에 존재하는 특징을 추출한 후 머신러닝을 통해 분류나 판단을 하는 식이었다면, 딥러닝에서는 데이터만 넣어주면 깊은 망을 통해 스스로 데이터의 특징을 찾아낸 후 분류나 판단까지 수행한다.

​​

그렇다면 이러한 기술들은 어디에 적용할 수 있을까? 초일류 바둑기사를 상대하는 데 사용하는 기술인가? AI의 기능은 인식, 예측, 자동화, 소통, 생성이다. 즉 사진 인식, 수요량 예측, 공장 자동화, 챗봇 서비스 등에 활용할 수 있다.

 

예를 들어 도미노 피자는 고객 광고의 적중률을 높이기 위해 아마존 퍼스널라이즈(개인화 추천)를 활용한다. 고객의 거주지, 주문 패턴, 이전에 적용받았던 할인 가격 등을 학습하여 개별로 소비자에게 시기적절하게상품 소개와 할인정보 등을 제공해서 구매전환율을 높였다. 가장 AI와 박 데이터를 활용할 수 있는 기본적인 기능은 바로 추천화 시스템이다. 이제는 이런 추천화 시스템이 없으면 이상한 플랫폼이 되어 가고 있을 정도로 기본 구성으로 자리매김해 가고 있다.

 

또한, 키논 로보틱스는 싱가포르에 바이러스 감염자들이 격리된 병원에 16대의 로봇을 투입하여 이들의 건강 상태를 체크하고 안전한 치료를 도왔다. 요즘 같이 코로나 상황에 적절한 사용처인 것 같다. 모두들 감염이 되기 두려워하여 비대면 서비스를 이용하려 하는데 이러한 치료 로봇이 있다면 의료진의 부담을 덜 수 있지 않을까 싶다.

 

그리고 모두들 잘알고 있는 챗봇 서비스에서도 활용 가능하다. 단순한 Q&A를 뛰어넘어 사용자 응대 전반에 걸친 기능을 전담할 수 있다. 이러한 응대 서비스에서 나오는 중요한 경험은 데이터 소스가 되어 준다.

 

고객의 성향과 선호를 학습하고 서비스를 개선하는 원료가 되는 중요한 경험 데이터가 된다. 최근 사내에  타 팀에서 챗봇 솔루션 관련 문의가 와서 네이버의 챗봇 솔루션을 알게 됐다. 비즈니스 레벨에서는 무료로 제공해 주는데 이미 검증된 네이버의 챗봇솔루션을 무료로 사용할 수 있기에 튜토리얼 삼아서 여러 가지 만들어서 테스트해봤는데 정말 손쉽게 비개발자도 이용할 수 있도록 잘 만들어 놨다.

 

요즘 같은 시대에는 좋은 정보가 넘쳐나기 때문에 필요한 솔루션이나 알고리즘 등이 어디에 있는 찾아내어 적절하게 사용하는 것이 중요하다. 책에서는 메이킹보다는 파인딩이라는 표현으로 설명한다. 아마존과 네이버 같이 선진기업이 만들어 놓은 API를 사용하기만 하면 되기 때문이다. 그러나 도입하려는 서비스에 핵심 기능을 담당하는 부분이라면, 외부에 의존하는 것은 경쟁사와 차별성이 없어지는 것이기 때문에 신중하게 판단하여 도입해야 한다.

 

위의 기술들을 활용하기에 앞서 필요한 데이터를 정의하고 수집하는 것이 가장 중요하다. 데이터는 AI가 활용할 수 있는  좋은 재료가 되기 때문이다. 요즘에는 오픈 API, 크롤링, 공공 데이터 등 활용활 수 있는 데이터들이 많기에 이러한 것들을 통합적으로 관리하고 시너지를 낼 수 있도록 데이터 거버넌스 체계를 구축하는 것이 중요하다고 한다. 잠깐이지만 TF 활동으로 인해 빅데이터를 공부했을 때 필요한 데이터를 라벨링 하여관리하고 분류하는 것이 어렵다는 것을 느꼈다. AI관련해서는 요즘 라이브러리가 너무 많이 나와서 활용하기 쉽다. 그러나 쓸모 있는 데이터를 모으고 분류하고 관리해 나가는 것이 어렵다고 느낀다.

 

가치 없는 데이터를 다른 데이터와 같이 활용했을 떄 그 가치를 만들어 내는 것이 앞으로 내가 해야 할 일이라고 생각한다.

 

​저자는 딜로이드의 보고서에 따른 내용을 기반으로 AI의 수혜를 받을 수 있는 시간이 2 ~3년 정도밖에 남지 않을 것이라 말한다. 인터넷, 스마트폰, iot, 빅데이터 그리고 AI 앞으로는 또 어떤 새로운 기술이 나타날지 모른다. 항상 준비된 자세로 기회가 왔을 때 기회를 잡을 수 있는 것이 경쟁력을 갖추고 살아남을 수 있는 방법이라 생각한다. 최근 읽은 전문서적들을 통해서 자기 발전을 게을리하면 안 되고시대의 흐름에 맞춰서 나아가야 한다는 생각을 해봤다. 회사에 다니며 회사에 맞춰진 일상을 보내는 것보다 토이 프로젝트라던지 책을 읽던지 사람을 만나던지 의미있는 시간들을 보내야겠다.

​

​

AI혁신의 속성

1. 테크놀로지 푸쉬 

Ai혁신은 전형적인 테크놀로지 푸시 방식을 취한다. 혁신을 추구하는 방식은 그 출발점이 어디냐에 따라 두 종류로 나뉜다. 테크놀로지 푸시와 마켓 풀 방식이다. 전자는 기술의 월등한 기능을 실현해 제품을 개발하는 방식이다. 후자는 시장에서 출발한다. 사람들의 니즈, 해결되지 않은 불편함 등을 포착해서 이를 해결해줄 수 있는 제품을 만드는 방식이다.

AI 기술은 사람들에게 여전히 생소하다. 이기술이 무엇을 할 수 있는지 알지 못한다. AI가 우리 일상에 가져올 변화를 잘 모른다. AI 기술에 대한 지식을 충분히 갖추고, AI가 제공하는 기능을 기반으로 사람들이 필요로 할 것 같은 제품 및 서비스를 고안해 내는 일종의 기술적 통찰력이 필요하다.

스티븐 잡스가 이런 말을 한 적이 있다. "핸리포드가 당시 사람들에게 어떤 교통수단을 원하는지 물었다면 더 빠른 말이라는 답이 돌아왔을 것이다." 사람들은 당시 자동차가 뭔지 몰랐으니 당연하다.

지금 이와 같은 상황이다. 이 뛰어난 알고리즘이 우리 삶에 어떻게 들어와 주기를 바라는지에 대해서는 여전히 아무도 말할 수 없다.

​

2. 인공지능 기반의 제품 및 서비스의 성장

인공지능 기반의 제품 및 서비스가 성장한다는 점이다. 일반 제품은 아무리 많이 사용해도 성능이 좋아질 수가 없다. 제품의 1년 후 성능은 지금과 같거나 아니면 고장 등으로 저하된다. 하지만 AI는 학습을 통해 성장한다. 많이 사용할수록 학습량이 늘어나 성능이 고도화된다. 사용자가 많아질 수록, 사용시간이 길어질수록 학습에 활용되는 데이터가 더 많이 축적되고 이는 제품의 성능을 성장시키는 기반이 된다.

​

3.무제한적 응용

AI 혁신에 있어서 고려해야 하는 또 다른 속성은 AI는 용도가 정해져서 나오지 않다는 점이다. 하나의 AI 알고리즘은 다양한 애플리케이션 분야에 응용된다. 이세돌 기사와 바둑 대국을 한 알파고에 적용된 딥러닝 알고리즘은 바둑뿐만 아니라 구글 번역에도 활용됐고, 공장 전기료 절감 시스템, 농업용 자동화 로봇에도 적용된다. 물론 분야에 맞춰 구현 기능이 달라질 수 있고, 학습 데이터도 다르기 때문에 애플리케이션은 분야에 따라 그 종류가 전혀 달라진다. 하지만 그 기저에는 동일한 알고리즘이 있고 거기서 애플리케이션이 파생되는 경우가 많다.

 

​

​

생성적 적대 신경망

진짜 같은 가짜를 생성하는 알고리즘

​

추천 알고리즘

아마존에서 판매되는 제품의 40%는 추천을 통해 팔린다. 넷플릭스 사용자의 75%는 추천으로 콘텐츠를 선택한다. 추천은 서비스를 고도화하여 사용자 효용을 높이는 중요한 기능이다. 협업 필터링, 내용기반 필터링, 하이브리드 필터링 이렇게 3가지를 활용한다.

나이브 베이즈 분로

어떤 특징을 가진 대상을 구분해낼 때 많이 활용된다. 이메일에서 스팸메일인지 아닌지를 분류하는데 쓰이고, 사용자가 좋아하는 스포츠 뉴스를 따로 구분해줄 수도 있다. 문장이 긍정적인 내용인지 부정적인 내용인지를 구분하기도 한다.

 

K-평균

데이터를 군집화하는 데 쓰이는 비지도 학습 알고리즘이다. 군집화는 동일한 그룹(클러스터)의 개체가 다른 그룹의 개체보다 서로 비슷하도록 개체 집합을 그룹화하는 작업이다. 이 중 가장 흔히 쓰는 기본적인 알고리즘이다. 지정된 클러스터 개수만큼 데이터를 그룹핑한다.