AI를 팀 스포츠로 생각해야 하는 이유

AI를 팀 스포츠로 생각한다는 것은 무엇을 의미합니까? 우리는 AI 프로젝트가 과대 광고에서 영향력으로 바뀌는 것을 보고 있습니다. 주로 이전에 누락된 비즈니스 컨텍스트를 제공하기 위해 올바른 역할이 참여하기 때문입니다. 도메인 전문성이 핵심입니다. 기계에는 사람들이 가지고 있는 컨텍스트의 깊이가 없으며 사람들은 비즈니스와 데이터를 충분히 잘 알고 있어야 표면화된 통찰력이나 권장 사항을 기반으로 취해야 할 조치를 이해할 수 있습니다.

AI 확장과 관련하여 많은 리더는 인력 문제, 특히 데이터 과학자 부족 문제가 있다고 생각합니다. 그러나 모든 비즈니스 문제가 데이터 과학 문제인 것은 아닙니다. 또는 최소한 데이터 과학 팀에서 모든 비즈니스 과제를 해결해야 하는 것은 아닙니다. 올바른 접근 방식을 사용하면 기존 데이터 과학 주기에서 발생하는 문제 없이 AI의 이점을 얻을 수 있습니다.

AI 솔루션을 배포하고 확장하기 위해 리더는 AI를 팀 스포츠로 생각하도록 조직의 사고 방식을 전환해야 합니다. 일부 AI 프로젝트에는 성공적인 결과가 어떻게 보이는지에 대해 다른 사람, 도구 및 기대치가 필요합니다. 이러한 기회를 인식하는 방법을 알면 더 성공적인 AI 프로젝트에 접근하고 AI 사용자의 범위를 심화하여 인력 전체의 의사 결정에 속도와 힘을 추가하는 데 도움이 됩니다. 그 이유와 방법을 알아보겠습니다.

조직은 AI로 고급 분석을 민주화하고 있습니다.

AI를 사용하여 비즈니스 문제를 해결하는 것은 주로 데이터 과학자의 영역이었습니다. 종종 데이터 과학 팀은 조직의 가장 큰 기회와 가장 복잡한 과제를 위해 예약되어 있습니다. 많은 조직이 사기 탐지, 개인화 등과 같은 특정 사용 사례에 데이터 과학을 적용하는 데 성공했습니다. 이 사례에서는 심층적인 기술 전문 지식과 미세 조정된 모델이 큰 성공을 거두었습니다.

그러나 데이터 과학 팀을 통해 AI 솔루션을 확장하는 것은 여러 가지 이유로 조직에 어려운 일입니다. 인재를 유치하고 유지하는 것은 비용이 많이 들고 경쟁이 치열한 시장에서 어려울 수 있습니다. 기존 데이터 과학 프로젝트는 비즈니스에서 가치를 확인하기 전에 개발 및 배포하는 데 많은 시간이 소요될 수 있습니다. 그리고 가장 경험이 풍부하고 강력한 데이터 과학 팀이라도 해결해야 하는 문제의 미묘한 차이를 이해하는 데 필요한 데이터나 컨텍스트가 부족하면 실패할 수 있습니다.

2021년 Gartner® 데이터 과학 및 기계 학습의 현황 (DSML) 보고서에 따르면 "기술 수준이 낮은 청중은 DSML을 더 쉽게 적용하기를 원하고 전문가는 생산성을 개선해야 하며 기업은 투자 가치 실현 시간을 단축해야 합니다.¹.” AI가 제공할 수 있는 분석의 속도나 철저함의 이점을 얻을 수 있는 많은 비즈니스 문제가 있을 수 있지만 기존 데이터 과학 접근 방식이 항상 가치를 빠르게 확인하는 최선의 공격 계획은 아닐 수도 있습니다. 실제로 동일한 Gartner 보고서에서는 "2025년까지 데이터 과학자의 부족이 조직에서 데이터 과학 및 기계 학습의 채택을 더 이상 방해하지 않을 것"이라고 예측합니다.

도메인 전문 지식은 비즈니스 전반에 걸쳐 AI를 확장하는 데 중요합니다.

AI는 이미 데이터 과학에 대한 배경 지식이 없는 사용자에게 고급 분석 기능을 제공하는 데 도움을 주고 있습니다. 기계는 최고의 예측 모델 및 알고리즘 중에서 선택할 수 있으며 기본 모델을 노출할 수 있어 모델을 조정하고 모든 것이 사용자가 찾고 있는 것과 일치하는지 확인할 수 있습니다.

이러한 기능을 통해 분석가와 숙련된 비즈니스 도메인 전문가는 자체 AI 애플리케이션을 설계하고 활용할 수 있습니다. 이러한 사용자는 데이터에 더 가깝기 때문에 많은 데이터 과학자에 비해 이점이 있습니다. 도메인 전문 지식이 있는 사람에게 이 권한을 부여하면 기존 데이터 과학 주기와 관련된 긴 개발 시간, 리소스 부담 및 숨겨진 비용을 피할 수 있습니다. 또한 AI 예측이나 제안이 도움이 되는지 여부는 도메인 전문 지식을 가진 사람들이 결정해야 합니다.

보다 반복적인 수정 및 재배포 모델 구축 프로세스를 통해 비즈니스 컨텍스트가 있는 사람들은 AI의 가치를 더 빨리 얻을 수 있습니다. 심지어 몇 주에서 몇 달이 아닌 며칠에서 몇 주 만에 수천 명의 사용자에게 새 모델을 배포할 수도 있습니다. 이는 고유한 과제가 데이터 과학 팀의 우선 순위가 아닐 수 있지만 AI 분석의 속도와 철저함의 이점을 얻을 수 있는 팀에 특히 강력합니다.

그러나 이러한 솔루션이 분석가와 데이터 과학자 간의 기술 격차를 해결하는 데 도움이 될 수는 있지만 후자를 대체할 수는 없습니다. 데이터 과학자는 AI 지원 솔루션에서 사용되는 데이터를 검증하기 위해 비즈니스 전문가와 중요한 파트너로 남아 있습니다. 이러한 협업 외에도 교육 및 데이터 기술은 이러한 종류의 도구를 대규모로 성공적으로 사용하는 데 중요합니다.

데이터 활용 능력을 통해 더 많은 사람들이 AI를 활용할 수 있습니다.

기본 데이터 전략은 조직이 AI로 성공할 수 있도록 설정하는 데 큰 역할을 하지만 AI 솔루션을 비즈니스 전반에 걸쳐 더 많은 사람들에게 제공하려면 데이터 활용 능력의 기준선이 필요합니다. 비즈니스 문제에 적용하기에 적절한 데이터와 AI 권장 사항의 데이터 및 결과를 해석하는 방법을 이해하면 사람들이 의사 결정의 일부로 AI를 성공적으로 신뢰하고 채택하는 데 도움이 됩니다. 조직 내 공유된 데이터 언어는 또한 전문가와의 성공적인 협업을 위한 더 많은 문을 열어줍니다.

McKinsey의 AI에 대한 최신 글로벌 설문 조사에 따르면 고성과 조직의 34% 내에서 "전담 교육 센터가 실습 학습을 통해 비기술 인력의 AI 기술을 개발"하는 반면 설문에 참여한 다른 조직의 14%에 불과합니다. 또한, 고성과 조직의 39%에서 "AI 사용자와 조직의 데이터 과학 팀 사이에 지정된 통신 채널 및 접점이 있습니다."

리더는 교육 및 훈련, 멘토링 프로그램, 커뮤니티 구축 데이터 경연 대회 등 데이터 활용 능력을 구축하기 위해 다양한 접근 방식을 취할 수 있습니다. 데이터 액세스 및 공유를 정상화하고 데이터를 사용한 성공, 학습 및 의사 결정을 축하하고 촉진하는 방법에 대해 생각해 보십시오.

Tableau Research의 책임자인 Vidya Setlur는 "시각화 및 데이터 과학에 대한 데이터 활용 능력과 교육이 더 널리 보급되어야 하고 더 빨리 가르쳐야 합니다."라고 말했습니다. “데이터 사용에 대한 의존에는 일종의 사회적, 조직적 책임이 있습니다. AI는 더욱 정교해질 것이고 우리는 게임보다 몇 발 앞서야 하기 때문에 사람들은 데이터를 이해하고 해석하고 최대한 활용할 수 있는 장비를 더 잘 갖추어야 합니다.”

조직의 데이터 문화를 지속적으로 구축하면 비즈니스 전반에 걸쳐 기술을 육성하고 새로운 솔루션을 육성할 수 있는 강력한 기회가 생깁니다. 디지털 혁신이 가속화됨에 따라 많은 조직이 최근 몇 년 동안 이미 데이터 및 분석에 대한 투자를 늘렸습니다. 데이터를 팀 스포츠로 생각할 수 있는 범위가 아닙니다. 이제 우리는 그 사고 방식을 AI로 확장할 수 있는 수단을 갖게 되었습니다.