예측 비용을 낮추는 AI
예측과는 우리가 가진 정보를 바탕으로 우리가 가지고 있지 않은 정보를 생성하는 것이다.
일반적으로 우리는 아직 모르는 미래를 예측할 때 과거에 장기간 축적된 정보를 활용한다.
기술 발전으로 예측의 양과 질이 높아지면 사람들은 자연스럽게 전망치를 더 많이 하게 된다.
그리고 AI의 부상으로 과거의 예측이 아니다고 생각하던 영역까지 예측의 문제로 바뀌고 있다.
예컨대 과거에 운전을 전망 문제라고는 몰랐지만 예상 문제로 접근하면 자동 운전이 가능하게 되어 있다.
카메라, 레이더, 라이더 센서 등을 통해서 자동차 주변의 데이터를 취득하고 인간의 행동을 예측한다.
아주 짧은 시간 단위를 연속적으로 예측하면 AI가 사람처럼 운전을 하게 된다.
운전하는 사람을 학습하고 신뢰 구간을 넓히고, 정확성을 높이면 운전자를 대체할 수도 있다.
중요한 것은 AI가 운전을 한다는 사실 자체가 아니라 과거에는 예측의 문제라고 생각하지 않은 영역이 예측의 문제로 바뀌었다는 점이다.
사람처럼 대화가 가능한 생성형 AI도 마찬가지다.
과거의 많은 연구에도 불구하고 언어 문제를 예측으로 해결할 줄은 몰랐다.
지금은 구글의 “지무 나이”나 오픈 AI의 “채팅 GPT” 같은 언어 모델이 통계를 가지고 예측을 하고 있다.
2020년 GPT-3이 등장하기 전까지 대다수 사람들은 언어 모델을 기대하지 않았다.
정교한 언어 예측을 위해서는 필요한 계산량이 비선형적으로 늘어났기 때문이다.
그런데 기술의 발전으로 GPT모델로 처리하는 파라미터 수가 2018년 1억개에서 2020년 1750억개로 폭발적인 성장을 이루면 성능이 특이점을 넘어 사람들의 눈이 달라졌다.
2023년에 등장한 채팅 GPT-4의 파라미터 수는 1조 7천억개에 이른다.
이제 언어의 문제를 예측의 영역임을 의심하는 사람은 없다.
and_machines, 출처 스플래시 해제
AI를 적용하는 방법입니다기업이 AI을 적용하는 접근법은 단기 전략과 장기 전략으로 나눌 수 있다.
단기 전략은 종래의 비즈니스 시스템에서 예측에 관련된 프로세스 1개를 AI로 대체하는 전략이다.
시스템은 그대로 남아 있고, 그 중 일부의 프로세스만 AI로 바꾸는 방식이다.
장기 전략은 시스템 전체를 모두 바꾸는 전략이다.
오늘까지 기업은 실현 가능성과 경제적 영향력을 비교하고 손익을 계산했고, 주로 단기 전략 방식을 도입하는 것이 일반적이었다.
AI역시 모두가 기술의 가능성은 알게 됐지만 실질적으로 어떻게 적용하는 확산시키느냐에 대해서 고민하고 있다.
예측 기술이 어떻게 비즈니스를 바꿀까, 답을 찾고 있기 때문이다.
그러나 향후 10년간 장기 전략 방식이 큰 진전을 보일 것으로 예상된다.
진정한 변화와 혁신은 장기 전략 방식을 통해서 가능하게 될 것이다.
전기의 사례를 보면 전기는 1880년대에 개발됐지만 20년이 지나도 3%이하의 공장만 전기로 가동했다.
전기가 도입된 초반에 사람들은 전기에서 등유 램프를 달지 않아도 좋으니 등유 가격을 절약하는 정도에 생각했다.
고작 오일 램프 비용을 줄이기로 기존 인프라를 바꾸는 이유가 될 수 없기 때문이다.
그런데 전기를 통해서 기계의 전원을 공급하는 방식을 개선하면 공장의 물리적 구조에서 운영 시스템까지 모두 효율화됐다.
이들 모든 변화를 미리 알것은 어려웠지만, 결국 전기는 공장을 획기적으로 바꾼 AI역시 지금은 단편적인 하나의 예측 문제만 해결하는 수단을 떠올린다.
그러나 AI가 실현하는 진정한 가치는 예측과 판단의 분리이다.
의사 결정을 할 때 인간은 예측과 판단을 해야 하지만 AI가 예측 부분을 맡아 준다면 인간은 판단만 하면 된다.
예상 문제로 해결 가능한 영역이 넓어지만큼 AI가 가져올 혁신도 커진다.
markusspiske, 출처 UnsplashAI 시대의 생존 전략입니다보통 신기술이 등장하면 기업은 관망을 하거나 주도하는 것 중에서 선택을 한다.
그동안 가장 먼저 참가하고 주도보다는 다른 기업이 리더가 되게 방치하고 모든 시행 착오 후 뭔가가 검증되면 따라간다는 눈치 작전 전략이 유효했다.
신기술을 비즈니스로서 개척하는 과정에서 시행 착오의 비용이 너무 크기 때문이다.
그러나 AI는 과거의 기술과는 달리, 모습을 보면 위험할 수 있다.
AI는 쓰면 쓸수록 학습을 통해서 진화하는 기술이기 때문이다.
데이터가 많을수록 정확한 예측을 하고 예측이 정확해야 더 많은 사람이 AI을 사용한다.
그리고 더 많은 사람이 사용해야 더 많은 데이터가 나온다.
이런 피드백 선순환의 바퀴가 일단 다니기 시작하면 경쟁사들이 따라가지 못하는 점이다.
그러므로 일단 한 업체가 승기를 잡게 되면 다른 업체는 간과할 수 없게 될 것이다.
AI시대를 장기 전략으로 접근했다고 처음부터 잘하는 것은 아니다.
예측 정밀도가 높아질수록 무엇을 없애고 기존의 시스템을 어떻게 재설계하는지, 지속적으로 고민하고 바꾸어 가야 한다.
경영진의 의지도 중요하다 회사의 미션에 맞추어 AI도입 계획과 결과를 설명해야 한다.
AI에 대해서 기술적으로 전문적 지식과 실무 역량을 갖출 필요는 없다.
AI을 가지고 뭘 할지 어떤 한계가 있는지 짐작이 가면 충분하다.
대신 AI을 가지고 도달하려는 사절단, 그리고 조직에 어떻게 미션을 전달할지를 자세히 알 필요가 있다.
bradencollum, 출처 앤스플래시[DBR] AI는 선발주자에게 모든 권한을 집중시켜 고객의 ‘피드백 선순환’을 빼앗기면 추격하기 어렵습니다[DBR] AI는 선발주자에게 모든 권한을 집중시켜 고객의 ‘피드백 선순환’을 빼앗기면 추격이 어렵고, 아티클 라타 글랜스 AI의 발전으로 ‘예측’ 비용이 급감하면서 운전, 질병 진단 등 그동안 예측의 문제가 아닌 것까지 모두 예측의 문제로 바뀌고 있다.
예측 정확도가 나날이 높아지는 상황에서 먼저 사용자 데이터를 선점하고 데이터를 통해 학습해 정확도를 높이고 더 많은 사용자 데이터를 확보하는 기업만이 AI 시대에… dbr.donga.com[DBR] AI는 선발주자에게 모든 권한을 집중시켜 고객의 ‘피드백 선순환’을 빼앗기면 추격이 어렵고, 아티클 라타 글랜스 AI의 발전으로 ‘예측’ 비용이 급감하면서 운전, 질병 진단 등 그동안 예측의 문제가 아닌 것까지 모두 예측의 문제로 바뀌고 있다.
예측 정확도가 나날이 높아지는 상황에서 먼저 사용자 데이터를 선점하고 데이터를 통해 학습해 정확도를 높이고 더 많은 사용자 데이터를 확보하는 기업만이 AI 시대에… dbr.donga.com[DBR] AI는 선발주자에게 모든 권한을 집중시켜 고객의 ‘피드백 선순환’을 빼앗기면 추격이 어렵고, 아티클 라타 글랜스 AI의 발전으로 ‘예측’ 비용이 급감하면서 운전, 질병 진단 등 그동안 예측의 문제가 아닌 것까지 모두 예측의 문제로 바뀌고 있다.
예측 정확도가 나날이 높아지는 상황에서 먼저 사용자 데이터를 선점하고 데이터를 통해 학습해 정확도를 높이고 더 많은 사용자 데이터를 확보하는 기업만이 AI 시대에… dbr.donga.com