AWS Tech Forum 패널 토의 – 인공 지능 활용에 대한 엔터프라이즈의 고민 그리고 모범 사례

최근 인공지능 관련 기술이 각광을 받음에 따라, 엔터프라이즈 기업의 혁신 아젠다로 AI/ML 도입과 활용은 빼 놓지 않고 등장하고 있습니다. 지난 15일 한화생명 드림플러스 이벤트홀에서 진행된 ‘AWS TechForum: 엔터프라이즈를 위한 머신러닝’ 행사에서는 ‘머신러닝 활용에 대한 엔터프라이즈의 고민과 베스트 프랙티스’라는 제목으로 패널 토의를 진행하였습니다.

AWS 코리아 김선수 사업 개발 매니저(이하 김)의 사회로 LG CNS 클라우드 사업담당 정우진 상무, KB은행 데이터분석부 구태훈 팀장 그리고 ELEMENT.AI 음병찬 대표의 패널 토의 에서 어떻게 효율적인 기계 학습 활용 방안에 대해 공유해 드립니다.

김: 현재 담당하고 계신 업무에 대해 간단히 소개를 부탁드린다.

정우진 상무 (이하 정) 는 LG CNS의 클라우드 사업을 담당하고 있으며, 과거 AWS에서 근무한 경력이 있다. 현재 LG CNS의 클라우드 관련 모든 부분을 총괄하고 있다.

구태훈 팀장 (이하 구)는 KB 은행의 데이터분석부에서 인공지능 관련 전략을 맡고 있다. 주로 은행 전반적으로 데이터 분석 관련 일을 하고 있다고 한다.

음병찬 대표 (이하 음) 는 캐나다에 기반을 둔 ELEMENT.AI의 한국 대표를 맡고있다. ELEMENT. AI는2016년도에 캐나다 몬트리올에 설립된 인공지능 솔루션 회사다. 지금은 북미, 유럽, 아시아 지역에 위치하고 있으며, 금융, 유통, 제조업 등 주요 산업에서 활동하고 있다.

김: 음병찬 대표가 느끼는 AI에 대한 해외 고객과 국내 고객분간 기대치에 편차가 있는지, 있다면 어떤 것이 있는지 여쭤보고 싶다.

음: AI/ML, 딥러닝에 대한 관심은 글로벌 현상이라 그 자체만 보면 지역별로는 딱히 편차가 있는 것은 아니다. 다만 머신러닝과 딥러닝을 어떻게 받아들이는지는 아무래도 차이가 있다. 유럽, 북미 등의 대기업들은AI/ML을 기술적으로 바라보기 보다는 이 기술을 어떻게 활용할지, 또 이 기술이 우리 회사에게 어떤 긍정적인 영향을 끼칠지, 이로 인해 우리 회사가 어떤 방향으로 갈지에 집중한다.

일본 같은 경우는 우리와 비슷하긴 하지만 기회주의적으로 AI/ML을 도입하려고 하기보다는 광범위하게 다양한 파트너들과 투자를 포함한 깊은 관계를 유지하여 장기적인 비즈니스를 구축하고 있다.

우리나라 같은 경우, 알파고 때문에 그런지 모르겠지만 기술적인 내용에 대한 관심과 시도 등은 많은 상태다. 그런 관점에서 AI/ML을 주로 테스트하는 것 같다.

김: 한국이 기술적으로 더 잘하고 있다는 것인가?

음: 초기 상태라 확답을 하기는 어렵지만, 경제규모나 기술 규모를 보면 일본이나 북미대륙보다는 앞서 있지는 않다. 그러나 우리나라에 AI를 적용할 수 있는 부분 및 산업이 많기 때문에 다양한 AI/ML 관련 프로젝트들을 진행하게 되면 적용 관점에서 많은 연구 및 사례들이 예상된다.

김: 정 상무께서는 대기업의 의사 결정자들이 인공 지능을 바로 보는 관점에 대해 설명해 달라.

정: 한국시장은 AI/ML을 바라보는 데 있어서 외국과는 다소 차이가 있다고 말씀 주셨는데, 실제로 경영진들이나 임원들은 인력 대체, 완전 자동화 등 기술에 대한 기대치가 높다. 문제는 IT가 계속 혁신하고 있는데 완성본을 원한다는 거다.

먼저 기존의 비지니스를 인공지능이 대체하는 것은 한계가 있다. AI/ML등 디지털 비지니스에는 맞는 분야는 따로 있다. 요약하자면 첫번째로는 기존에 있는 경영진들의 생각은 현재 비즈니스를 개선하고 혁신하는 쪽에 초점을 맞췄다면, 이제 AI/ML 은 오히려 새로운 비즈니스나 새로운 디지털 영역에서 추진을 해야 성공을 한다고 생각한다.

김: 새로운 비즈니스에 AI/ML를 적용하는 노력을 하고 있는가?

정: 기존에 있는 비즈니스 프로세스를 바꾸는 것은 불가능하다. LG CNS 도 Amazon Go와 비슷한 스토어를 최근에 오픈하였다. 이 프로세스를 보면서 느낀 것 중에 하나가, AI/ML을 통해서 기존 방식을 대체하다 보니까 완성도가 떨어질 수 밖에 없다.

오히려 AI/ML은 새로운 것에서는 기대효과나 가치가 제대로 전달 됐던 것이다. AI/ML에 대한 기대치와 눈높이도 비즈니스 관점으로 현재와는 조금 다르게 봐야하지 않을까 생각이 든다.

김: 엔터프라이즈의 고민은 주로 데이터, 인프라, 사람인데 금융권에서 디지털 업무 쪽으로 대규모 인원을 채용한다고 한다. 사람을 뽑는게 쉽지 않은데, 혹시 이에 관련해서 따로 노력하고 있는 것이 있는가?

구: 현대 카드는 지난 11월1일 진행된 Digital Transformation 선포식을 시작으로 2018년까지 디지털 인재에 4,000명을 투입하고 2조원을 투자하는 계획을 발표했다. 이러한 전문 인력을 양성하는 것이 쉽지 않아 다양한 프로그램을 현재 운영 하고 있다. 첫번째로는 대학교와 진행하고 있는 프로그램이 있다.

KAIST, 서울대학교, 연세대학교 등의 대학교가 은행과 함께 위탁 교육 프로그램을 진행하고 있고, 이를 최적화한 상태로 활용하여 미래의 은행직원들을 양육하고 있다. 두번째로 데이터분석부의 우수한 데이터 분석 인력들이 비즈니스 현업들과 함께 프로젝트를 진행하는 프로그램이 있는데, 내부에서는 ACE 팀이라고 불리고 있다. 아직 시작 단계라 인공지능 활용 및 모형 개발까지는 못하고 있고 우선 데이터 랩을 통한 시각화를 주로 하고 있다. 어떻게 보면 단순한 교육 프로그램을 운영하는 것보다는 실질적인 랩을 통한 도제식 프로그램이 더 효과적이라고 생각한다.

김: 음 대표께서는 카카오에서 AI 비지니스 경험에 비춰 Data-Native IT 기업과, 그러지 않은 기업들이 겪는 어려움이 차이가 있나?

음: 자체 플랫폼을 가진 회사들, 즉 Data-Native한 회사들과, 그렇지 않은 대형 엔터프라이즈가 AI/ML을 어떻게 가지고 가는지 근본적인 고민을 해봐야 한다. 아마존, 페이스북, 구글 등을 예시로 들 수 있다. Data-Native한 회사는 AI/ML 기술에 대한 투자를 통해 ROI를 도출할 수 있는 사업 영역이 얼마든지 있다.

예를 들어, AWS은 AI/ML과 연계해서 자사 클라우드 사업을 더욱 활성화 시킬 수 있기 때문에 중/단기적인 ROI를 생각하지 않고 대규모의 자원을 AI/ML에 투자해도, 충분히 버틸 수 있는 사업적인 구조가 이미 형성 되어 있다. 자산 자체도 유동성이 높고, 소프트해서 본연적인 어드밴티지가 있는 기업들이다. 반면, 대부분의 엔터프라이즈 기업들은 물리적인 자산이 많아 움직이기 힘들고, AI/ML 기술을 직접 개발하려는 회사들은 구조적으로 돈 벌기가 힘들 수 밖에 없다. 이러한 차이들을 받아들이고서 Data-native 회사와 대형 엔터프라이즈들이 어떻게 접근 해야 하는지 알아야 한다.

앞서 두 분께서 말씀하셨다시피, 비즈니스적 접근과 기술적 접근은 차이가 있고 요즘은 기술에 대한 관심이 더 큰 상황이다. 그러나 이렇게 미시적으로 기술만 보는 것이 아니라, 자사의 입장에서 전략적으로 이 AI 기술을 접목해서 사업 요소, 프로세스를 만들어가는게 전략적인 방향인지, 아니면 오히려 역효과를 낳는지 살펴보는 것이 필요하다.

김: ML을 도입하기 위해 필요한 세가지 중 하나가 인프라 부분이다. 클라우드 인프라 옵션이 반드시 필요한가?

정: 인공지능은 아직 실험하고, 학습하고 테스트하는 단계다. 전통적으로 인프라 투자는 예산을 갖고 ROI, TCO, 기대 효과 기반으로 투자를 했는데 사실 AI/ML은 아직 불확실한 분야다. 머신러닝 활용에 대해 클라우드 인프라의 가장 중요한 강점은 시간당 비용만 지불하면 된다는 것도 있지만, AI/ML의 불확실성에 대한 리스크를 줄여 준다는 데 있다.

또, 하나의 포인트로는 GPU가 있는데, 딥러닝 머신러닝의 기본적인 인프라가 바로 GPU다. 현재 GPU엄청난 속도로 발전하고 있고, 1~2년 단위로 새로운 GPU가 쏟아지고 있을 정도다. 그러나 한번 인프라를 투자해 버리면 그 GPU를 최소 4~5년을 써야 되는 상황이 된다. 그러나 클라우드 인프라를 활용한다면, 새로운 GPU가 나왔을 때 해당 GPU 인스턴스만 변경하면 된다.

이런 유동성이 클라우드 인프라 활용의 최대 장점이라고 볼 수 있다. 그러나 내재화라는 이유로 아이러니하게도 기업에서는 딥러닝 프레임워크를 직접 만들고 싶거나 매니지먼트하는 툴을 계속 만들려고 한다. 그러나, 우리는 지금 기존 이미 있는 것들을 잘 활용해야 한다.

김: 금융권에서 머신러닝 활용과 관련하여 공유 가능한 효과적인 모범 사례가 있었나?

구: 최근 금융감독원과 진행한 스미싱 방지 프로젝트가 있다. 스미싱이라고 하는 금융사기를 특정 알고리즘으로 적발하는 것이다. 스미싱은 SMS 문자로 URL 같은 것이 문자와 같이 올 때, 이를 잘못 누르면 개인 정보가 유출되고 심각한 영향을 끼치게 된다. 이런 스미싱 메세지 자체를 AI/ML 기반으로 분류하는 작업을 AWS 플랫폼에서 진행 하고 있다. 이러한 시도들은 공공 금융 소비자를 위한 노력의 일환이다. 아직 시작 단계이기는 하지만 잘 만들어지면 다양한 비즈니스 케이스들이 만들어지지 않을까 싶다.

김: 얼마전에 대한항공이 앞으로 3년동안 AWS로  모두 이전하겠다고 발표했다. 지금 LG CNS 에서는 AI/ML 프로젝트를 추진 한다면 그 계획은 무엇인가?

정: LG CNS의AI사업부는 데이터 사이언티스트들이 AI나 빅데이터 솔루션을 개발하여 제공하고 있고, 클라우드 사업부는 고객들이 클라우드 기반의 AI/ML서비스 및 자사 솔루션을 잘 활용할 있게끔 도와주고 있다. 최근에는 인식/판단 분야에 집중을 하고 있다. 우리는 Prediction이 판매 뿐만이 아니라, 재고, 상태 등 제조업에서도 사용될 수 있다고 생각하고 있어, 제조업이 비전 있는 분야라고 생각한다. 특히, 이미지 인식 같은 기능은 품질 검증 뿐만 아니라 공장 관리 등의 분야에서도 앞서가고 있다.

대한항공도 클라우드SI사업을 하면서, 3년 내 95%의 데이터를 클라우드를 이전할 계획을 갖고 있다. 이러한 방향을 택하는 가장 큰 이유가 빅데이터에 있다고 본다. 결국은 통합된 플랫폼 환경이 있어야 머신러닝, 딥러닝 등을 활용 할 수 있는 새로운 체계가 만들어지는 것이다. 어떻게 보면, 플랫폼 전환은 AI/ML이 성공하기 위한 필수적 요소다. 통합된 플랫폼과 빅데이터 환경이 우선 구비되어야 그 안에서 새로운 다양한 베스트 프랙티스가 나올 수 있을 것이라고 기대하고 있다.

김: 마지막으로  AI/ML을 막 시작하는 기업들이 위한 조언은?

음: 아마 ELEMENT AI는 대기업들이 쓸 수 있는 솔루션을 공급하는 입장이고, LG CNS 는 현장에서 일하고 계신 상황이니 드리는 말씀이 조금 다를 수 밖에 없을 것 같다. 우리 회사는 AI 그 중에서도 딥러닝에 집중하기 때문에 우리 회사 입장에서는 전체 시장을 봤을 때, 순수하게 AI/ML기반한 솔루션 관련해서는 아직 모범 사례는 만들어지는 과정에 있다고 본다.

지금 진행중인 AI/ML 프로젝트들이 대부분 곁가지 프로젝트나 소규모 프로젝트, 즉 POC들이 많다. 실제로 프로덕션으로 돌아가는 시스템이 극히 소수고, 특히 대기업 환경에서는 더욱 그러하다. 아직 초기 단계이기 때문에 베스트 프랙티스를 말씀드리기 이전에, 이 시장이 지금 우리가 모범 사례를 논할 수 있는 곳인지, 따라갈 실력이 되는지에 대해서 고민을 해봐야한다고 생각한다. 우리도 일본이나 유럽 등 선진국에 있는 기업들과 마찬가지로 새로운 솔루션을 충분하 만들 수 있는 시장이고, 그런 관점으로 접근하는게 굉장히 중요하다고 생각한다.

다른 관점에서는, AI/ML기반의 일을 진행하는데 다양한 조언과 가이드라인을 주는 아키텍쳐가 존재한다. 이러한 것들을 참고해서 나쁠 것은 없지만, 딥러닝은 아직 준비 및 도입이 미숙한 기술이라 어떤 것도 정답이라고 보기에는 힘들다. 아키텍쳐를 어떻게 활용하면 되는지, 그것이 시작하려는 프로젝트에 적합한지 등의 정보를 얻기 위해서는 지속적인 노력을 해야하고, 이런 대답을 줄 수 있는 솔루션 회사와 협업하는 것도 좋지 않나 생각이 든다.

구: 기술에 매몰되면 안된다는 생각이 든다. 머신러닝, 딥러닝은 이미 나와 있는 기술이기 때문에, 새로운 기술을 바닥부터 만들 필요가 없다. 즉 우리는 무엇을 사용할까, 이를 어디에 적용할까, 어떤 효과를 낼까 등에 초점을 맞춰야 한다. 우리도 내년도 사업기회를 잡으면서 다양한 영역의 비즈니스에서 작은 것부터 큰 것까지 가리지 않고 실험을 추진해보려고 한다. 즉 Tech-first가 아니라 Business-first형태로 전략을 수립하는게 중요한 것이다.

그리고 무엇보다 협업이 중요하다. 특히 같이 일하기 어려운 비즈니스 업무를 진행하는 분들과 IT 분들 그리고 데이터 사이언티스트들이 협업을 할 수 있는 체계를 만드는게 매우 중요하다. 우리는 프로젝트를 하는 것이 아니라 서비스를 만들어 가기 때문이다.

AI/ML 또한 그런 관점으로 도입해야 하지 않을까라는 생각이 든다. 그래서 단발성인 프로젝트로 끝내는 것이 아니라 지속적인 서비스를 개발해야 한다. 가장 중요한 것은 현업에 다양한 적용 시도를 해야하고, 실패하더라도 그런 케이스 들을 많이 만들어야 한다고 생각한다.

정: 첫번째로, 혁신은 Negativity와의 싸움이다. AI/ML의 부정적인 측면으로 기술 경쟁과 매출에 대한 압박, 그리고 역량 확보에 대한 준비 등등이 있는데, 과연 이런 것들을 해결 할 수 있을지는 미지수다. 아마존 창업자 Jeff Bezos는 “미래를 싸우지 말고 받아들여라”라고 말한 바 있는데, 우리는 이를 새겨들어야 한다. 우리가 이런 AI/ML을 제약요소를 다 만족할 수는 없기 때문에 부정적인 요소를 먼저 생각해서 부정적으로 흘러가게 하는 것이 아니라 긍정적으로 대처를 하는 것이 제일 중요하다.

두번째로, 우리 뿐만 아니라 다른 회사들도 AI 전담 조직을 만들어야 하냐 아니면 모두를 위한 AI를 해야하나 라는 고민이 있다. AI조직을 별도로 만들려는 순간 AI를 내재화 해야 하고 또 무언가를 만들어야 하는 압박이 있을 것이다. AWS에 근무 할 때 놀랐던 것은, 회사 내에 Machine Learning University가 있다는 것 이었다.

모범 사례를 함께 고민하고, 본인들이 개발한 AI/ML 관련된 것들이 모두와 공유된다. 모두를 위한 AI를 위해, 내부적으로 이와 같은 접근이 필요하다고 생각한다. 이를 위해, 굳이 완벽한 형태가 아니더라도 AI전담 조직은 필요하지 않을까 생각을 한다.

—

본 행사에 대한 더 자세한 것은 AWS TechForum: 엔터프라이즈를 위한 머신러닝 행사의 발표 자료를 참고하시기 바랍니다.

– 김규연, 한승찬, AWS 파트너사업개발팀