제98회 Y 세미나는 '우리 삶에 한층 다가온 인공지능'이라는 주제로 각 인공지능 분야에서 각개전투 중이신 8명의 전문가들의 경험과 사례 공유를 통해 인공지능 핵심 기술과 주요 활용 방안에 대해 살펴보았습니다.
#1. 4차 산업혁명의 기반, ‘인공지능’ – 투이컨설팅 임진철 이사 챗봇 서비스를 통해 계좌조회, 계좌이체, 계좌 한도를 초과한 이체, 거래내역 조회, 재무담당자 승인을 통한 지급, 거래 내역 및 현금 유동성 관리 등에 이용할 수 있다. - 끝 - ※ 위 내용은 '투이톡' 모바일 앱을 통해서도 확인하실 수 있습니다.
4차 산업혁명 시대는 사이버물리시스템(Cyber Physical Systems(이하 CPS)의 도입과 초연결과 초지능, 자율화(Autonomy) 시대이다.
여기서 4차 산업혁명의 키워드라 할 수 있는 CPS는 온라인과 연결된 센싱과 제어 기술에 의해 구현된다. 기존의 단순제어기능과 비교해 IoT 기기에 의해 수집된 빅데이터를 인공지능의 학습을 통해 자율적인 제어가 가능해진다.
세계경제포럼(WEF)은 매년 세계에 영향을 미칠 주요 분야별 Risk를 선정하여 발표한다. 기술 분야도 포함되며, 유망 기술이 가져올 Benefit과 Risk를 제시해주는데, 이번 ‘Global Risks Report 2017’에서 12가지 Emerging Technology를 발표했다. 그중에서도 Artificial intelligence and robotics(46.3%)와 Biotechnologies(41.9%)가 가장 필요한 기술로 꼽혔다.
인공지능을 위해서는 컴퓨터 학습이 필요하며, 이를 머신러닝이라 부른다. 머신러닝을 위한 다양한 시도가 있었고, 현재 딥러닝 기법이 각광받고 있다.
인공지능은 1950년대와 1980년대 주목받았으나, 복잡한 현실 문제 해결 어려움으로 열기 식었으며, 2000년대 이후 딥러닝 기반 AI 유용성 증명으로 인해 주목받기 시작했다. 딥러닝은 대상체의 특징을 스스로 추출/학습하는 것으로 주요 알고리즘에는 CNN, RNN, LSTM 등이 있다.
인공지능 기술은 기반 기술 성격이 강하며 목적이 아닌 수단이다. 또한 AI 자체만으로는 가치 창출이 어렵고, 타 기술과 적절한 융합이 필요하다. 뿐만 아니라 한 업체/기관이 모든 것을 하기 어려우며. 중심 업체/기관을 기반을 둔 생태계 조성이 필요하다.
#2. 인공지능과 플랫폼 비즈니스 – 가천대 이강윤 교수
'산업 전문가' 또는 'DS' 역할이 AI 발전의 주요 방향 중 하나이다. AI 전문가는 의료영상분석, 금융자산관리, 법률자문, 영양학과 식문화, 패션산업과 의상디자인 등에 적용할 수 있다. 공통점은 인간 전문가가 물리적으로 소화하기 어려운 규모의 많은 정보를 더 빨리 참조, 종합해 더 정확한 판단을 유도할 수 있다는 점이다.
AI에 많은 영상 의료 데이터를 주고 어느 것이 정상이고 비정상인지 가르치면 지난해 국내 도입돼 올해 5개 이상 병원이 사용 중인 왓슨온콜로지처럼 AI가 차이를 분석해서 조언하는 형태의 영상 의료가 가능해진다. 이미 우리가 다 읽지도 못하는 논문 자료를 가르치고 있고 여기에 기존 전자의무기록(EMR)을 결합할 수 있게 되면, 앞으로 환자를 치료하는 방법 면에서도 왓슨의 결론을 바탕으로 치료를 더 잘하게 될 것이다.
이런 AI를 실현하는 5가지 핵심기술로는 자연어 처리, 머신러닝, 패턴인식, 지식표현 및 추론, 일정 및 계획 수립 등이 있다. 이미 여러 요소 기술을 조합한 AI 서비스가 클라우드 플랫폼 기반으로 제공되고 있으며 대화문을 구성한다든지, 주어진 언어 기반 자료의 감정을 파악한다든지, 문서의 표현 형식을 바꾼다든지, 음성과 문자를 서로 변환한다든지, 이미지에서 정보를 추출하는 동작이 가능하다.
AI 발전의 연장에서 기업을 위한 DS 솔루션 수요도 커지고 있다. DS 솔루션은 기업의 자체 프로젝트 문서 및 협업 도구 등에 담긴 '내부 데이터'와, 산업 분석 보고서나 인터넷 웹사이트 및 커뮤니티와 소셜 서비스 등에 나오는 '외부 데이터'를 포괄적으로 검토할 수 있게 해준다. 이를 통해 기업은 의사결정 속도를 높이고 리스크를 줄일 수 있게 된다.
DS 분야 시장은 오는 2025년까지 2조 달러 규모에 달해, 2020년까지 1조 4천억 달러 수준이 될 것으로 전망되고 있다. 분야별 DS 시장 비중을 보면 인더스트리얼 프로덕트(24%), 헬스케어 및 생명과학(12%), 리테일 및 CPG(12%), 차량 및 우주항공 국방(12%), 금융 서비스(11%), 통신 미디어 엔터테인먼트(9%), 기타 업종(20%)으로 전방위 수요가 기대된다.
앞으로 소셜 서비스 비정형 데이터와 현업의 유지 보수 데이터에서 얻은 통찰을 기존 ERP와 CRM 정보와 통합하는 방식으로 새로운 정보가 의사결정 기반이 될 것이다. 과거 우리의 고민이 ERP와 CRM을 바라보며 우리가 생산한 물건을 어떻게 전달할 것인가라는 생산성에 관한 것이었다면, 앞으로는 이 고객이 지금 무엇에 관심을 보이고 있는지 살펴서 과연 이 물건을 살 것인지, 우리는 얼마에 팔지, 이런 걸 고려하는 의사결정 관련 시장이 크게 만들어질 것이다.
IT 시스템에 기반을 둔 DS 자체는 새로운 개념이 아니지만 현재 실현, 확산되고 있는 머신러닝과 AI 기술이 과거 기업들에게 제공되던 것 이상의 DS 시나리오를 열어 줄 것이다. 이에 따라 AI를 활용하는 기업의 비즈니스 모델도 과거의 순차적 의사결정(파이프라인) 모델에서, 기업과 고객을 둘러싼 생태계와 연속적으로 상호작용하는 '플랫폼 비즈니스' 모델로 변화할 전망이다.
‘플랫폼 비즈니스’ 모델은 활동에 필요한 데이터와 정보의 공급을 파이프라인의 앞 단에 의존하지 않고 전방위로 나선다. 시장 전체를 '생태계'로 두고 그 안에서 조직 바깥의 고객과 파트너로부터 데이터를 얻고 상호작용하면서 기업 스스로 플랫폼 역할을 하는 모델이다. 플랫폼화를 거쳐 파트너를 맞이해 새로운 생태계를 지향하면 파트너의 고객을 자신의 고객으로 끌어안고 다른 생산 주체와의 네트워크 효과를 얻어 시장을 키울 수 있다.
'AI 플랫폼 시대'를 준비하려면 미래기술 융합에 대한 관점을 바꾸고 강력한 혁신 리더십을 갖춰야 한다. 그리고 시장 전략 차원에서 생태계와 플랫폼 기반의 빠른 의사결정을 추구해야 하며, AI 비즈니스를 시작할 수 있는 데이터셋을 갖춰야 한다. 데이터와 서비스의 확대, 융합을 위한 시스템 혁신과 학습을 지속해야 한다.
#3. Inside Amazon AI & AI Case study – AWS 정우진 이사
인공지능의 단계는 크게 4단계로 나눌 수 있다. 1단계는 단순 제어 프로그램, 탑재된 디바이스/장비, 제어공학/시스템 공학, IoT와 머신러닝 결합, 자동 작동/원격 관리, 사전 예측/진단에 해당한다. 2단계는 퍼즐/진단 프로그램, 행동 패턴 인식/실행, 다양한 경우•입출력 경우의 수가 많은 경우, 적절한 판단, 추론/탐색, 기존 지식 기반 판단에 해당한다. 3단계는 자동적 판단, 검색/빅데이터 기반, 추론 구조/지식 베이스 데이터 기반 학습, 기계학습•표본 데이터 규칙/지식을 스스로 학습, 패턴 인식 등이다. 4단계는 딥러닝 적용 (DNN), 이미지/음성인식, 자연어 처리, 질의/응답/서비스 실행, 지속적인 학습으로 진화하는 러닝 모델 등이 해당된다.
PC 컴퓨터에서 스마트폰, 이제는 Mobile First에서 Next Computing 시대로 가고 있다. 머신러닝으로 모든 것이 재조명되고 있는 상황으로 스마트폰 이후에 다음 세대의 디바이스 서비스로 예상이 된다.
아마존에서는 전사적으로 수 천명의 임직원들이 AI를 연구하고 업무에 적용 및 실행하고 있다. 아마존닷컴에서는 빅데이터 및 머신러닝 기반 Advertising Platform 서비스를 제공하고 있으며, 주문 배송 센터에서는 물류 처리 혁신을 위한 AI 기반의 로봇을 도입해 활용하고 있다.
일반적 주문 배송 센터의 프로세스와 방식을 배송 상품 중심으로 재해석 및 전면 개편하여 물류의 흐름을 Inventory Station, Piker at Packing, Robot으로 분리하여 처리한다. 또한 상품이 최초 입고해서 출고까지 모든 것이 데이터로 관리되고 위치와 처리 상태, 그리고 이동까지 3개의 Agent 시스템으로 통합 관리되고 있다.
아마존 프레시의 경우 이미지 인식을 통해 필터링을 하고 패턴을 찾아 맛에 대한 예측, 유효기간을 예측할 수 있다. 아마존 프레시의 경우 비즈니스가 점차 확대되고 있다.
#4. 4차 산업혁명 시대와 딥러닝 스마트팩토리 – 수아랩 이동희 이사
PCB 사업은 전체의 반이 생산인력, 반이 검사인력이란 말이 있을 정도로 검사 인력 비중이 높다. 이로 인해 검사원 인건비 부담이 매우 높고, 검사원 간 숙련도도 천차만별이라 일관적인 품질관리 체계를 확립하기 어렵다. 그래서 필요한 것이 스마트팩토리이다.
인공지능으로 인한 스마트팩토리 분야의 지각 변동 영역은 크게 센서와 설비 부문으로 구분할 수 있다. 먼저 센서 영역에서는 과거에 해석 불가하던 복잡한 데이터에 대한 해석이 가능해지고, 장님 로봇에서 눈 뜬 로봇으로(Robot Vision Guide) 다품종 소량 생산에 대한 자동화가 가능해졌다.
기존의 생산라인은 정해진 좌표에 대해 로봇이 움직이는 단순 비전이라면 이제는 스마트비전이 됐다.
설비 부분에 있어서는 강화 학습을 통해 다양한 환경에 금방 적응하여 행동하는 로보틱스로 발달했다. 기존 수치/계측 Data보다 더 많은 Feature를 보유한 이미지 Data를 활용하여, 다양한 Parameter 추출이 가능하고 수치/계측 Data가 비선형성을 지닐 경우 딥러닝은 데이터의 분포가 복잡할 경우에 일반적인 비선형 회귀 모델보다 특히 정교한 모델링이 가능하다.
이뿐만 아니라 일정 정도의 Batch size에 해당하는 Data가 누적되면, 딥러닝 모델의 재학습을 수행하여 새로운 공정 Data에 최적화된 parameters를 도출하고, 이를 사용하여 딥러닝 모델에 대한 업데이트를 수행한다.
#5. 인공지능과 머신러닝의 허와 실 – 투이컨설팅 현종열 선임
챗봇의 작동 원리는 룰(rule) 기반과 머신러닝 기반이 있다. 룰 기반 챗봇은 키워드 매칭으로 질문의 키워드를 캐치하여 사전에 미리 정해진 답변을 제시하는 것이다. 가장 간단한 방법이면서 가장 많이 쓰이는 방법으로 많은 시간과 노력이 필요하다. 머신러닝 기반의 챗봇으로 룰 기반의 챗봇의 한계점을 보완해 줄 수 있다. 머신러닝 챗봇은 머신러닝으로 앞/뒤 문맥을 이해(의도 파악)하고 가장 적절한 답변을 추론하는 것이다.
국내에서는 인공지능의 핵심에는 딥러닝이 있다고 생각하고 딥러닝에 열광하고 있다. 그러나 모든 케이스에 딥러닝이 해답은 아니다. 실제로 캐슬(Kaggle)이 개최하는 머신러닝 경진대회 수상자 중 절반 이상이 XGBoost를 적용하였다. 분야별로 특화된 머신러닝 알고리즘이 존재한다.
딥러닝이 실제 현실세계에서 성적이 부진한 이유는, 허구적인 데이터와 실제 데이터를 바탕으로 딥러닝을 학습하기 때문이다.
최신 머신러닝 트렌드는 다양한 알고리즘을 결합하는 것이다. 여러 가지 알고리즘의 장단점을 한데 모아서 하나의 모형을 만드는 것이다.
#6. 인공지능으로 변화될 미래 금융의 모습 – 한국IBM 박세영 실장
핀테크 발전 모델은 1.0에서 시작해 현재의 4.0에 이르렀다. 핀테크 1.0은 IT에 의한 금융의 효율화 단계로 금융 기관에 IT 업체가 기술을 제공함으로써 기존의 서비스보다 편리하게 활용하게 됐다. 핀테크 2.0은 은행이 제공하는 금융 서비스가 이미 핀테크 기업에 의해 제공되는 단계로 기존 통합되어 있던 금융 서비스가 분해된 것을 말한다. 즉 금융 서비스의 혁신적 파괴가 이루어진다. 핀테크 3.0은 은행이 제공하는 서비스 및 데이터를 API로 공개하여 핀테크 업체들과 상호 협력하고 고객 참여 시스템 강화하는 것을 말한다. 핀테크 4.0은 부품화된 금융 서비스의 재결합 단계로 인터넷 등장과 다양한 서비스들이 등장 이후, 서비스들을 통합하는 제공자들이 등장함으로써 스마트폰 및 클라우드에 의해 움직임은 더욱 가속화되고 비금융 업체들이 금융 서비스를 제공하게 되는 것을 말한다.
4차 산업혁명의 혁신 아이콘이라 할 수 있는 인공지능 특히 IBM 왓슨은 종합적 코그니티브 컴퓨팅(Cognitive Computing) 기술을 갖춘, 다양한 산업에 실제 적용된, 기업 특화 AI 솔루션이라고 할 수 있다.
코그니티브 컴퓨팅은 머신러닝에 의한 지식화에 그치지 않고, 사람의 인지/소통 방식을 최대한 지원하고 그리하여 더욱 폭넓게 수집한 비정형 데이터를 기반으로 지식을 고도화하고자 한다.인간처럼 자연어를 이해하고, 논리적인 판단을 통해 아이디어와 콘셉트를 파악한다. 가설을 세우고 추론하며 결과를 도출한다. 시간이 지날수록 보다 많은 것을 학습하게 되고 새로운 정보를 얻고 상호작용의 결과물을 통해 발전하며, 학습을 통해 전문성을 개발한다.
오늘날 왓슨의 기초가 된 Deep Q&A 구조는 3초 만에 질문 분석, 가설 생성, 가설 및 근거 평가를 완료하고 신뢰도와 함께 답변을 도출한다.
왓슨은 특히 일본 금융 기관에서 확대되고 있으며, 챗봇이나 콜센터 영역에서 활용되고 있다. 해외에서는 대화형 챗봇 서비스가 많이 활용되고 있다. 국내에서는 현대카드에서 왓슨의 자연어 처리 기술을 활용한 챗봇 서비스를 활용하고 있다.
#7. 국내 챗봇 시장의 흐름과 현실적인 구축/운영 방안 – 와이즈넛 장주연 이사
챗봇이 탑재된 AI 채팅 서비스는 글로벌 시장은 2024년, 1조 원 시장이 될 것으로 예상되고 있다.
챗봇의 기반 기술은 현재 3세대까지 진화했다. 1세대가 통합검색 화면 예시, 맞춤 세정 정보 검색, 자동완성 개선, 가중치 조절을 통한 검색 결과 반영, 정보 활용을 통한 가치 검색 결과 제공, 다양한 사전 정보 축적, 사용자 검색 질의 확보 등의 검색 고도화를 말한다면 2세대는 온톨로지 기반의 QA 검색이라고 할 수 있다. 3세대는 지능형 자연어 처리, 기존 정보 활용을 통한 정답 제시, 딥러닝 기반 유사 문서 추천, 사용자 참여형 결과 품질 개선, 활용 가능 꾸러미 제시 등을 통해 세분화된 정보 활용 전략 경험 설계를 통해 고객의 신뢰도를 향상시킬 수 있다.
3세대까지 왔다고 해서 3세대 기술만 사용하는 것은 아니다. 어떠한 목적에 따라 챗봇이 활용되느냐에 따라서 1세대부터 3세대까지의 기술을 고루 사용하게 된다.
국내에서는 금융 분야/쇼핑•프랜차이즈 분야/공공 분야 등의 26개 정도에서 챗봇을 도입해 활용하고 있다.
챗봇을 구축할 때 대응 업무의 종류를 보면 일상 대화와 상황 대화로 구분할 수 있다. 일상 대화는 상황 대화 DB형, 외부 API 연계형 등이 있으며 상황 대화는 상담형, 개인화 정보 제공형, 업무처리 지원형 등 총 5가지 형태로 구분할 수 있다.
사전 고려 사항으로는 크게 3가지로 나눌 수 있다. 기획/컨설팅 요소와 기술적 요소, 인력 구성적 요소로 구분된다. 기획/컨설팅 요소로는 적용 범위에 대한 세부(카테고리) 정의, 적용 매체와 그 매체의 한계, 서비스 제공 방식에 대한 기획, 이후 관리 방안에 대한 기획 등이 있다. 기술적 요소로는 매체 적용에 대한 기술적 고려를 해야 하고, 서비스 제공 방식에 대한 적용 기술을 선정해야 하며, 타 시스템과의 연동도 고려해야 한다. 인력 구성적 요소도 중요하다. 챗봇 지식에 대한 제공을 할 수 있는 사람, 챗봇에 대한 검증을 해줄 수 있는 사람, 오픈 후 관리 운영은 누가 어떻게 할 것인지에 대해 고려해야 한다.
또한 현실적인 챗봇 구축 및 운영을 위한 인력 구성으로는 TF 구성이 필요하며, 콜센터 QA 및 지식 담당자, 전문상담원의 참여가 필요하고, 개인화 및 처리 지원형 서비스를 위해 유관 부서 담당자가 필요하다.
챗봇 대상 고객이 누구이고, 챗봇에서 적용 가능한 지식은 무엇인지, 챗봇에서 필요한 지식을 어느 시스템에서 확보가 가능한지, 상담원 대응 방식을 챗봇에 어떻게 적용할 것인지 등에 대한 고객의 의사 결정을 통해 최적의 챗봇 기술이 결정되고, 챗봇 지식을 확보할 수 있다. 그다음에 선정된 챗봇 기술에 따른 지식을 정제하고 세분화하며 그다음에 챗봇을 구축하여 내외부 시스템과 연동이 가능하다.
#8. 로봇을 활용한 비즈니스 자동화(RPA) 적용 현황 – 투이컨설팅 변성욱 전무
RPA(Robotic Process Automation)는 사람이 수행하는 반복적이고, 표준화 가능하며, 규칙적인 일을 기계가 자동으로 수행할 수 있도록 프로세스를 변경하는 것을 말한다.
RPA를 통해 정량적, 정성적 기대효과가 발생한다. 먼저 자동화가 이루어지기 때문에 비용이 절감되며, 업무 정확도가 향상되고 리드타임이 단축되며, 24시간 365일 언제든 쓸 수 있다는 정량적인 효과를 가져다주며, 고객 만족도의 향상 및 직원 생산성/만족도 가 증대하는 것은 물론 규제 대응력이 증가하고, 데이터 분석 역량이 강화된다는 정성적인 효과도 얻게 된다. 이러한 RPA 솔루션을 우리 비즈니스에 어떻게 활용할지가 중요하다. 다수의 금융회사들이 이미 도입해 운영하고 있거나 파일럿을 진행 중에 있다.
RPA를 구현하기 위해서는 자동화 대상 업무를 식별하고 그다음에 RPA를 구현하고 성과를 모니터링하고 최적화 시켜야 한다. 업무가 다수의 인력에 의한 데이터가 입력되고, 반복적 키보드/ 마우스 조작, 화면 탐색이 이루어지거나 또는 다수 S/W 또는 애플리케이션 사용, 정형화된 비즈니스 규칙 적용, 정보의 검색/조합/갱신, 업무량의 계절적 변동성이 높은 업무는 RPA 적용 대상 업무로 판단할 수 있다.
RPA 기술은 비즈니스 영향도와 디지털 기술의 진화에 따라 RPA-> Cognitive RPA -> Intelligent RPA로 단순 업무 자동화에서 인공지능(AI) 기반의 프로세스 자동화로 진화 중에 있다. 머신러닝, 자연어 처리 등 AI 기술과 접목을 통해 사람의 판단에 의존했던 일까지 점진적으로 로봇이 대체하면서 RPA가 확장되고 있다.
RPA를 활용하는 데 제약 요인들로는 수기로 작성된 종이 문서 또는 스캔 문서는 기입된 데이터에 대해 로봇이 인지할 수 있는 품질 확보가 어렵다. 또한 음성, 이메일, 이미지/영상, 메신저 등의 비정형 데이터는 로봇이 문맥에 대한 이해나 동의어/축약어 인지가 어려우며, 마지막으로 모호한 상황하에서의 인지적 판단은 개개인의 성향과 경험에 기반을 두므로 ‘규칙적 업무 수행’이 어렵다.
향후에는 머신러닝, 자연어 처리 등 AI 기술과 접목을 통해 사람의 판단에 의존했던 일까지 점진적으로 로봇이 대체하게 될 것이다.
RPA를 성공하기 위해서는 최고 경영진의 관심과 지원이 필요하고 조직 구성원의 동의 및 참여, 성공사례 기반의 확산/전파, 효과적 거버넌스 체계 수립, 포괄적 디지털 혁신 연계 및 명확한 목표 설정 및 피드백이 필요하다.
성공적 RPA 수행을 위해서는 사내 유사 프로세스들에 확산 및 전파를 통한 누적 효과 창출해야 하고, 프로세스 단위가 아닌 부서 단위에서 대상 업무 선정 및 적용을 해야 한다. 또한 단순 업무 후선집중화 등 업무 프로세스 혁신과 연계해야 한다.
모든 일은 ‘시작’이 어렵고 시작에 가장 중요한 요소는 의사결정자와 조직 구성원의 ‘태도’이다. 앞으로는 금융기관의 80프로가 RPA를 활용하게 될 것이다.
하루 5분, 스마트해지는 시간~투이톡!!
저작권자 © 투이컨설팅 무단전재 및 재배포 금지
