엔터프라이즈 시작점: 데이터 과학 및 인공 지능

빠르게 확장되고 있는 인공 지능 및 데이터 과학 분야는 잠재력을 활용하고자 하는 기업에게 엄청난 옵션 목록을 제공합니다. 기계 학습, 딥 러닝, 자연어 처리, 신경망, 로봇 프로세스 자동화 및 더 많은 난해한 변형이 헤드라인과 백서를 채우고 있습니다.

기적적인 계산 능력을 제공하기 직전에 이러한 기술은 경영진에게 이를 채택하거나 채택한 회사에 의해 곧 압도되는 회사를 찾을 것을 간청합니다. 전체 부서가 AI에 전념하는 일부 회사의 경우 이러한 기술을 사용 사례에 맞게 조정하는 것이 일상적인 업무입니다. 그러나 대다수의 경우 어디서부터 시작해야 하는지 아는 것이 덜 간단합니다.

이 기사에서 Toptal 경영진은 일반적인 비즈니스 요구 사항에 대한 인공 기술 관련 솔루션의 실제 적용에 대한 관점을 공유합니다.

머신 러닝 및 데이터 과학 전문가인 Pedro Nogueira는 신규 기업에 신선한 소식을 제공합니다. 첫 번째 솔루션은 종종 간단하고 상대적으로 저렴하며 재정적으로 수익을 창출할 수 있다는 것입니다. Nogueira의 관점을 보완하는 Toptal Enterprise 팀은 기업이 일상적인 워크플로를 간소화하는 데 도움이 되는 로봇 프로세스 자동화의 최근 동향을 강조합니다.

로봇 프로세스 자동화 및 AI: 다양한 작업을 위한 도구

Nogueira가 공유하는 조언을 구성하려면 로봇 프로세스 자동화(RPA)와 인공 지능(AI)의 차이점과 각 접근 방식이 처리하기에 가장 적합한 데이터 유형을 이해하는 것이 좋습니다.

RPA와 AI는 수행하는 작업에 따라 다릅니다. 소프트웨어 로봇인 RPA는 조립 라인 작업자나 기계가 수행하는 것과 유사한 반복 작업에 탁월합니다. 반대로 AI는 덜 구조화된 환경에 가장 적합하며 인간의 판단과 의사 결정에 기본이 되는 분석 능력을 복제합니다.

정의적으로 두 가지 접근 방식도 다릅니다. 업계 전문가로 구성된 국제 기구인 IEEE 표준 협회는 이를 다음과 같이 정의합니다.

RPA: 비즈니스 규칙과 사전 정의된 활동을 사용하여 프로세스, 활동, 트랜잭션 및 작업 조합의 자율 실행을 완료하는 사전 구성된 소프트웨어입니다.

AI: 인지 자동화, 머신 러닝(ML), 추론, 가설 생성 및 분석, 자연어 처리 및 인간의 능력 이상으로 통찰력 및 분석을 생성하는 의도적 알고리즘 돌연변이의 조합.

RPA는 일반적으로 AI의 하위 집합으로 간주되며 반복적인 루틴을 대상으로 합니다. 중요한 차이점은 RPA는 학습하지 않는 반면 AI는 자체 수정하여 다양한 환경 입력에 대한 응답으로 활동을 변경할 수 있다는 것입니다.

결과적으로 RPA는 고도로 구조화된 데이터에 가장 적합하고 AI는 구조화되지 않은 데이터 또는 반구조화된 데이터를 처리합니다. 아래에 요약된 두 가지 데이터 유형의 차이점은 스프레드시트 데이터베이스를 구축한 사람이라면 누구나 쉽게 이해할 수 있습니다.

고객 연락처 정보와 같은 스프레드시트에 딱 맞는 데이터가 구조화되어 있습니다. 자연어와 같이 적합하지 않은 데이터는 구조화되지 않습니다. 이러한 데이터 유형 간의 차이를 이해하는 것은 주어진 비즈니스 사례에 적합한 AI 형식을 이해하는 데 중요합니다.

비즈니스 프로세스 자동화를 통한 차단 및 대처

대부분의 기업에서 AI를 활용하는 가장 쉽고 덜 위험한 출발점은 비즈니스 프로세스 자동화입니다. 지능이 거의 필요하지 않고 인간의 노력이 필요하지 않은 일상적인 작업으로 구성된 이러한 프로세스는 인간의 개입을 제거하거나 크게 줄이는 기술에 대한 투자를 정당화합니다. 회사와 직원은 다음 세 가지 방식으로 혜택을 받습니다.

1. 직원들은 더 높은 가치의 작업과 문제 해결에 노력을 집중합니다.
2. 기업은 최소한의 지속적인 운영 비용으로 긍정적인 ROI를 실현합니다.
3. 인적 오류가 없어 공정 품질이 향상됩니다.

RPA는 보험 업계에서 다양한 작업 흐름을 주도합니다.

비용 상환과 같은 단순한 내부 절차를 이미 간소화하고 있는 회사의 경우 더 복잡한 기회가 높은 ROI를 제공할 가능성이 있습니다. 예를 들어 보험 업계에서 보험 견적을 생성하고 보험 청구를 처리하는 것은 RPA의 완벽한 사용 사례를 제시합니다.

보험을 인수할 때 보험 회사는 위험과 보상의 균형을 맞춰야 합니다. 본질적으로, 평균적으로 보험료의 순 현재 가치는 보험금 청구액의 순 현재 가치를 초과해야 합니다. 보험 회사는 인수하는 동안 이 방정식의 위험 요소를 추정하여 미래 부채의 시기와 규모를 예측하는 데 도움을 줍니다.

언더라이팅은 역사적으로 보험계리사가 분석 요구 사항을 감독하는 수동 프로세스였습니다. 이제 이러한 작업은 위험을 더 잘 예측하기 위해 새로운 데이터 소스를 활용하는 데이터 과학자의 감독하에 점점 더 자동으로 수행됩니다. 예를 들어, 자동차 산업에서 보험사는 역사적으로 특정 운전자에 대한 과거 보험 청구 기록인 손실 이력을 평가했습니다. 보험사는 운전자 신용 점수를 위험 분석에 통합하기 시작했으며, 높은 점수는 안전 운전과 긍정적인 상관 관계가 있고 그에 상응하여 손실은 감소한다는 사실을 인식했습니다.

노게이라는 언더라이팅 사례를 회고하면서 "기업이 AI가 필요하다고 생각할 때 실제로는 데이터 과학자가 필요한 경우가 많다"고 지적합니다.

Nogueira의 경우 보험 견적 프로세스는 전문가 수준과 개인 수준 모두에서 매우 친숙합니다. 보험 업계에서 프로젝트 경험이 있는 데이터 과학자이자 최근에 포르투갈을 여행한 오토바이 애호가인 그는 운전자나 집주인이라면 누구나 공감할 수 있는 일화를 공유합니다. 여러 보험사에 온라인으로 접속하여 온라인 설문지를 통해 내 데이터를 공유하십시오."

일단 제출되면 데이터는 "백엔드 어딘가에 있는 모델에 입력되고 하나 또는 여러 모델에 따라 내 위험 프로필을 분석한 다음 견적을 제공합니다." 이러한 견적을 받는 데 몇 초 만에 모든 분석이 자동으로 이루어지며 데이터 이상값의 경우에만 사람의 개입으로 무시됩니다.

자동화는 또한 보험 고객 라이프사이클, 특히 청구 프로세스에서 다운스트림 워크플로를 구동합니다. 보험 고객이 클레임을 제기하면 보험 회사는 전액 지불, 부분 지불 또는 청구 거부 여부를 결정합니다. 이 프로세스에는 종종 보험 고객과 서비스 제공자를 포함한 여러 외부 당사자가 포함됩니다. 예를 들어 의료의 경우 병원, 자동차의 경우 수리점입니다.

자동차 산업에서 클레임 판단은 차량 손상 확인, 수리 비용 결정, 수리점 선택 및 수리 비용 지불에 따라 다릅니다. 수리 견적의 경우 사진은 청구 프로세스에서 중요한 역할을 합니다. 클레임 조정자는 수리가 이루어지기 전과 후에 작업장과 마찬가지로 난파된 차량의 사진을 찍습니다. 이 사진은 손상, 수리 및 배상의 근거를 제공합니다.

역사적으로 이 사진은 사람에 의해 독점적으로 해석되었지만 이제는 규칙 기반 자동화와 결합된 이미지 인식 소프트웨어가 청구 조정자에게 중요한 정보를 제공하여 더 빠른 수리 및 적용 범위를 가능하게 합니다.

데이터 과학은 원동력이고 데이터 과학자는 원동력입니다.

Nogueira에 따르면 기업은 "쉽게 자동화할 수 있는 것과 인간의 의사 결정자에게 에스컬레이션해야 하는 것을 정의"해야 합니다. 그는 자동화를 고려 중인 모든 프로세스에서 "먼저 데이터를 보고 규칙을 파악합니다."라고 말합니다.

그는 데이터 과학과 AI 분야가 병합되고 있음을 인정하지만 비즈니스 정착을 위해 Nogueira는 두 가지를 설명합니다.

“데이터 과학은 실제 시나리오와 일반적인 비즈니스 요구 사항에 적용된 AI입니다. 데이터를 이해하고, 관리하고, 쉽게 사용할 수 있도록 하고, 처리하기 쉽게 만들고, 궁극적으로 회사 이해 관계자의 의사 결정을 위한 지침과 더 관련이 있습니다."

이러한 작업은 종종 이질적인 데이터 세트를 정리하고 대조하는 것과 같습니다. 쉬운 작업은 아닙니다. 그런 다음 더 나은 예측과 결정을 내리기 위해 로지스틱 회귀와 같은 통계 분석을 적용합니다.

대조적으로 AI는 훨씬 더 연구 지향적이며 비정형 데이터 분석에 적합합니다. "예를 들어 걷는 패턴, CCTV 비디오 및 감각 데이터를 기반으로 슈퍼마켓에 올 수 있는 사람의 수를 결정하는 모델을 구축하는 것과 같이 불확실성이 많은 매우 복잡한 프로젝트를 상상해 보세요."

궁극적으로 이 모델은 사람들이 쇼핑하는 방법, 찾는 대상, 제품을 서로 상대적으로 배치하는 방법을 예측하여 평면도를 최적화하여 이익을 극대화할 수 있습니다. 그러한 "푸른 하늘" 프로젝트가 성공한다면 의심할 여지 없이 소매업체에 가치가 있지만 여러 전문가로 구성된 팀이 필요하고 데이터 과학 기반 이니셔티브의 여러 비용이 쉽게 들 수 있습니다. 소매업의 경우 회사는 예측 모델의 가장 중요한 구성 요소 중 하나 또는 몇 가지에 집중할 수 있습니다(예: 유동인구 및 운영 비용 대비 매장 시간 최적화).

데이터 과학 역량 구축의 중요한 출발점은 적절한 유형과 수의 인재를 영입하는 것입니다. 다행스럽게도 Nogueira에 따르면 대부분의 회사는 "특히 사용 가능한 API 및 SDK의 수를 고려하는 경우 많은 일반 자동화를 수행하기 위해 대규모 전문 개발자 팀이 필요하지 않습니다."

이러한 기성 기술은 강력한 도구를 제공하지만, 이를 오른손으로 휘두르는 것이 중요합니다. 여기서 Nogueira는 “이러한 도구는 실제로 문제가 될 수 있습니다. 많은 사람들이 이해하지 못하기 때문에 해서는 안 되는 방식으로 도구를 사용하고 있기 때문입니다.”라고 말했습니다.

그는 위험이 모든 가능성을 설명하지 못하는 방식으로 데이터에 모델을 적용함으로써 발생하는 "데이터 모델 과적합"에 있다고 지적합니다. 그는 이렇게 경고합니다. “과도한 교육은 비즈니스에 막대한 비용이 소요될 수 있습니다. 이전에 본 적이 없는 상황에서 모델이 제대로 일반화되지 않아 데이터에 대한 잘못된 결정을 내릴 수 있기 때문입니다.”

이러한 함정을 피하기 위해 Nogueira는 기업이 숙련된 데이터 과학자를 고용할 것을 권장합니다. 고객 또는 운영 데이터의 가치를 실현하고자 하는 모든 회사에는 "통계에 대한 이해도가 높고 사용 사례와 비즈니스에서 가치가 존재하는 위치를 이해할 수 있는 충분한 비즈니스 통찰력이 있는 사람"이 필요합니다. 자격 증명의 관점에서 견실한 데이터 과학자는 일반적으로 수학 또는 통계학 학사 이상, 코딩 능력이 뛰어나고 비즈니스 사용 사례를 분석하여 데이터 과학이 가장 큰 영향을 미칠 수 있는 곳을 결정할 수 있습니다.

이별의 생각

데이터 과학은 위험/보상 관점에서 설득력 있는 출발점을 제시하지만 AI 기술의 더 넓은 범위도 탐색할 가치가 있습니다. 기업 경영진은 데이터 과학을 AI에 대한 내부 대화를 시작하기 위한 랠리 포인트로 고려해야 합니다.

비즈니스 프로세스 자동화로 성공 사례를 실현할 때 대체 AI 기술에 더 적합한 더 까다로운 사용 사례를 포함하도록 범위를 확장하는 것을 고려해야 합니다. 후속 기사에서 Insights는 더 광범위한 AI 환경을 탐색하여 경영진이 의심할 여지 없이 강력한 수익을 제공할 분야를 탐색할 수 있도록 지원할 것입니다.