요즘 머신러닝(ML), 인공지능(AI)만큼 뜨거운 관심을 받는 기술도 드물다. 일부 기업들이 이미 인간의 행동과 사고를 흉내 낼 줄 아는
또 인공지능이나 머신러닝이 지나치게 똑똑해져 인간 노동력을 대체하게 될 지도 모른다는 일부 두려움 또한 조금씩 해소되는 양상이다. PwC 설문조사에 응답한 비즈니스 리더들 중 67%는 AI가 인간과 기계의 협업에 긍정적인 영향을 미칠 것이라고 응답했다. CIO들 역시 이러한 기술이 기회가 될 수 있음을 빠르게 알아채고 AI나 ML 관련 신기술을 실험, 개발, 심지어 특허까지 내고 있다. 이들을 만나 머신러닝의 사용례에 대해 들어봤다.
증권사 리서치 강화하는 인공지능 기술
뮤츄얼 펀드, 401(k) 퇴직 연금, IRA를 비롯한 각종 퇴직 연금 서비스를 제공하는 퍼트넘 인베스트먼트(Putnam Investments)는 인공지능 및 머신러닝 기술이 금융 서비스 기업의 스톡 커버리지(stock coverage) 개선에 원동력이 되고 있다고 보고 있다.
이들 금융 서비스 기업의 애널리스트들은 퍼트넘의 데이터 과학자들과 협력해 방대한 분량의 데이터로부터 통찰력을 이끌어 낼 수 있도록 논제를 설정하고 이를 탐구한다고 퍼트넘의 수메드 메타 CIO는 말했다. 퍼트넘은 또 중요한 매출 전망(sales prospect)을 추천해 주는 알고리즘을 탐구 중이다.
“이 기술은 대단히 와해적, 혁신적이며, 효율성과 생산성의 증대로 비즈니스에 추진력을 부여하는 엔진이 되어줄 것이다”라고 메타는 기대했다.
소프트웨어 엔지니어와 데이터 과학, 애널리틱스, 그리고 여러 벤더의 조합으로 이뤄진 환경 속에서 메타는 데이터 과학 조직(data science center of excellence)을 구성했다. 비즈니스 이해관계자들을 지원하는 AI 및 ML 관련 활동의 기반이라 할 수 있는 조직이었다. 그는 퍼트님의 ‘깨어 있는’ 비즈니스 파트너들이 더 나은 자동화 결과를 달성하기 위해 이러한 방식을 수용했다고 전했다.
그러나 퍼트넘의 디지털 변혁 이니셔티브가 AI나 ML에만 국한된 것은 아니다. 이 외에도 퍼트넘은 클라우드 컴퓨팅을 통한 IT 인프라스트럭처의 현대화와 비즈니스 구동을 위한 단일 플랫폼 구축 사업 등을 추진하고 있다.
핵심 어드바이스: 기업들은 충분한 시간을 들여 이 문제에 대해 고민하고, 적절한 기대치를 설정해야 한다. 또한 처음 내놓게 되는 아이디어들은 문제에 대한 해답을 제시하기보다는 더 많은 의문들을 불러 일으킬 수 밖에 없음을 알아야 한다.
“AI 기술에 있어서는 유레카! 같은 한 순간의 깨달음에 의존할 수 없다. 어느 날 갑자기 알고리즘이 내가 고민하던 문제에 대한 해답을 내놓을 것이라 기대할 수는 없기 때문이다”라고 메타는 말했다.
인공지능으로 한층 쉬워진 금융
금융 소프트웨어 제조사 인튜이트(Intuit)는 지난 10월 아쇼크 스리바스타바를 데이터 최고 책임자(chief data officer)로 영입한 뒤 AI 및 ML 관련 프로젝트 진행을 가속화 하고 있다.
인튜이트 현재 아마존 웹 서비스를 통해 퀵북스 어시스턴트(QuickBooks Assistant) 챗봇의 자연어 처리 및 이해 능력을 개선하고자 노력 중이라고 스리바스타바는 전했다. 인튜이트에서 일하기 전 그는 버라이즌의 빅 데이터 플랫폼 증축에 참여했었다. 현재 그는 퀵북에 정보를 제공하는 수백 개의 범주화와 관련해 사용자들을 안내하는 데 초점을 맞추고 있다.
“우리는 퀵북에서 발생하는 10억 건 이상의 트랜잭션을 처리하고 있으며 이 과정에서 발생하는 범주화를 아주 정확하게 최적화 할 수 있다”라고 그는 덧붙였다.
인튜이트의 터보택스(TurboTax)는 AI 기술을 이용한 항목별 공제 프로세스를 통해 사용자들이 최대한 많은 세금을 환급 받을 수 있도록 하고 있다. 그 결과 사용자들은 세금 환급에 들어가는 시간과 관련 문서 회수에 들어가는 노력을 최대 40% 가까이 절약할 수 있게 되었다.
인튜이트는 머신러닝과 AWS의 클라우드 테크놀로지를 이용하여 보다 빠른 확장성을 갖출 수 있었다고 스리바스타바는 밝혔다.
핵심 어드바이스: 견실한 알고리즘 제작을 위해서는 이에 적합한 엔지니어링 인재를 채용하여 실제적인 비즈니스 문제를 해결하도록 해야 한다. 나사(NASA)의 아메스 연구 센터(Ames Research Center)에서 근무한 바 있는 스리바스타바는 현재 ML과 AI 테크놀로지를 이용하여 기업의 구체적 목표 달성에 기여할 수 있는 엔지니어 인재를 채용 중에 있다.
과거 데이터를 활용한 미래 예측
리치 힐브렉트(Rich Hillebrecht)는 광역 네트워크의 퍼포먼스 개선 목적의 소프트웨어를 제작하는 리버베드 테크놀로지(Riverbed Technology)의 CIO로서 독특한 과제에 직면해 있다. 그는 머신러닝 기술을 활용해 기업 공급망 전반의 데이터 소스로부터 추출해 낸 데이터를 처리하고 이를 통해 비즈니스 통찰력을 이끌어 낼 방법을 테스트 중이라고 말한다.
“우리는 머신러닝 기술을 적용하여 원래보다 훨씬 많은 분량의 데이터를 처리할 방법을 찾는 중이다”라고 그는 설명했다.
예를 들어 다른 오더 매니지먼트 및 ERP 데이터와 날씨에 대한 과거 데이터(historical data) 등을 조합하여 패턴을 찾아내고, 이를 통해 향후 비즈니스 퍼포먼스에 관한 예측을 하고자 하는 것이다. “우리는 주문 이행 역량 측면에서 하류 리스크(downstream risk)를 보다 더 잘 이해하고 예측할 수 있게 되기를 바라고 있다”라고 힐브렉트는 말한다.
리버베드는 이 밖에도 퍼포먼스 설정을 자동으로 튜닝하고, 사이버 보안 위협을 탐지하는 데 ML 테크놀로지를 활용하고 있다. 힐브렉트는 또한 비즈니스 통찰력을 얻기 위한 단일 데이터 레이크 생성도 구상하고 있다고 밝혔다.
핵심 어드바이스: 인공지능, 머신러닝 전략에는 조심스러운 접근이 요구된다. 힐브렉트 역시 IBM의 왓슨을 포함하여 다양한 툴과 테크놀로지 사용 가능성을 열어 두고 주의 깊게 접근하고 있다고 말했다.
한 발 앞서 나가는 고객 친화적 금융
대규모 은행들이 으레 그렇듯, U.S. 뱅크(U.S. Bank) 역시 상당한 분량의 고객 데이터를 수집하고 있으며, 또 대부분 은행들과 마찬가지로 이들 데이터를 어떻게 활용할 것인가를 놓고 애를 먹고 있다. 유에스 뱅크의 애널리틱스 최고 책임자 빌 호프먼이 해결하고자 하는 문제도 이런 것이다. 지난 몇 달간 그는 세일즈포스 닷컴의 아인슈타인 AI/ML 테크놀로지를 이용하여 유에스 뱅크의 중소기업, 도매업, 상업 유닛 전반에 걸친 금융 서비스의 개별화와 커스터마이징을 추진해 왔다.
예를 들어 어느 고객이 유에스 뱅크 웹사이트에서 모기지론에 대한 정보를 검색할 경우, 다음 번 해당 고객이 근처 은행을 방문했을 때 고객 서비스 직원이 이 내용을 참조하여 서비스를 제공할 수 있다.
또 인간의 눈으로는 발견하기 힘든 패턴을 찾아내는 데에도 도움을 줄 수 있다. 예를 들어 특정 산업에 종사하는 잠재적 고객에게 목요일 오전 10시부터 정오 사이에 전화를 걸면 전화를 받을 확률이 더 높다는 것을 알아낸 소프트웨어가 이 사실을 직원에게 전달해 주는 것이다. 아인슈타인은 직원의 캘린더에 목요일에 전화 거는 일정을 자동으로 추가해 주기도 한다.
이러한 서비스는 실제로 많은 금융 기관들이 하고자 하는 일의 핵심과 닿아 있기도 하다. 바로 고객을 360도로 낱낱이 분석하여 매 순간 순간에 고객의 마음을 읽는 듯한 서비스를 제공하고자 하는 것이다.
“과거에 일어난 일, 혹은 현재 일어나고 있는 일을 단순히 파악하여 대처하는 것에서 한발 더 나아가 앞으로 일어날 일, 혹은 일어났으면 하는 일을 예측하고 실현해 나가는 단계로 가고자 한다. 우리의 핵심 가치는 한 발 더 앞선 금융, 고객의 니즈를 미리 예측하는 금융이며, 고객이 우리와 어떤 경로를 통해 상호작용 하기를 원하는가를 항상 촉각을 곤두세우고 파악하려 한다”라고 호프먼은 말했다.
핵심 어드바이스: AI및 ML 기술의 적용에 있어서는 시행 착오를 각오해야 하며, 인내심을 가져야 한다. 그러나 직접 시도해 증명된 기술에 대해서는 과감하게 이를 확장 적용할 준비도 되어 있어야 한다. “언제나 고객을 중심에 놓고 생각해야 한다. 이 기술이 어떻게 고객에게 이득이 될 것인가를 먼저 고민해야 한다”라고 호프먼은 전했다.
‘잡무’는 ML에게 맡기고, 생산성은 높인다
마스터카드의 영업부 및 테크놀로지 대표 에드 맥러플린은 머신러닝 기술이 “우리 사업 곳곳에 영향을 미치지 않는 곳이 없다”라고 강조했다. 마스터카드는 머신러닝을 이용하여 반복적인 수작업을 자동화 하고 있다. 이를 통해 귀중한 인력을 보다 더 큰 가치를 창출하는 일에 투입하여 생산성을 증가시킬 수 있기 때문이다. “우리는 최첨단 기술에 투자하여 일터에서의 단순 노동을 자동화 하고 있다”라고 맥러플린은 설명했다.
마스터카드는 또한 ML 툴을 활용하여 전체 제품 및 서비스 생태계에 걸친 변화 매니지먼트를 증대시키고 있다. 예를 들어 ML 툴을 활용하면 어떤 변화가 가장 리스크가 적은지, 어떤 것에는 부가적인 검증이 필요한지를 보다 쉽게 판단할 수 있다.
마지막으로, 마스터카드는 머신러닝 기술을 이용하여 해커의 액세스 시도를 의미할 수도 있는 시스템 상의 변칙점을 찾아내고 있다. 맥러플린은 또한 네트워크에 ‘안전망’을 설치하여 네트워크 상의 수상한 활동이 탐지될 경우 네트워크를 보호하는 서킷 브레이커가 활성화 되도록 했다. “우리의 이상행동 탐지 시스템은 지속적으로 결제 처리 상황을 모니터링 하고 업데이트 하며 다음 결제 건의 건전성을 평가한다”라고 그는 말했다.
핵심 어드바이스: 맥러플린에게 있어서 AI나 ML 같은 테크놀로지는 보다 넓은 범주의 지불 프로세서 툴킷 상에 속한 하나의 툴일 뿐이다. 오늘날 시장에는 그럴 듯한 툴이 아주 많이 나와 있지만, 그렇다고 이들이 저절로 비즈니스 문제를 해결해 주리라는 환상을 가져서는 안 된다고 그는 경고했다.
제품 및 비즈니스 강화하는 인공지능 기술
소프트웨어 제조사 어도비 시스템(Adobe Systems)의 CIO 신시아 스토다드는 ‘데이터 주도형 오퍼레이팅 모델’을 통해 자신의 부서를 새롭게 개혁하고자 한다. 데이터 주도형 오퍼레이팅 모델이란 하둡 기반 애널리틱스를 활용하여 IT와 비즈니스 운용을 개선하고자 하는 이니셔티브다.
이러한 데이터 주도형 전략의 일환으로써 스토다드는 머신러닝 기술을 활용해 헬프 데스크 소프트웨어의 티켓을 분석하고 시스템 실패와 관련한 트렌드를 찾아내는 실험을 하는 중이라고 밝혔다. 예컨대, 시스템 정지(outage)가 발생할 가능성이 높아 보이는 이벤트를 탐지할 경우 시스템은 선제적으로 이러한 이벤트를 제거하거나, 축소시켜 문제 발생을 사전에 차단할 수 있게 된다.
IT 서비스 실패의 패턴을 찾아냄으로써 어도비는 현재 IT 직원들이 맡고 있는 업무 중 일부를 흡수하여 ‘셀프 힐링’ 시스템을 구축할 수 있게 될 것이라고 그녀는 기대하고 있다.
그녀는 또한 챗봇 기술을 적용하여 직원들의 IT부서 지원 요청을 처리하는 방안도 검토 중이다. 어도비의 기업 비즈니스 부문 역시 인공지능 기술을 수용했다. 작년 11월 어도비는 센세이(Sensei)를 도입했는데, 어도비는 이 기술을 자사의 제품에 적용하여 도큐먼트를 생성하고, 웹 및 모바일 어플리케이션 퍼포먼스를 분석, 추적하는 데 이용하고 있다.
핵심 어드바이스: ‘셀프 힐링’ 시스템의 핵심은 머신러닝을 이용한 패턴 파악 역량이다. “문제를 어떻게 해결하였는지 만 알면 이를 셀프 힐링 요소에 적용하여 추후 문제 해결 과정에서 인간 노동력에 의존할 필요가 없게 된다”라고 스토다드는 말했다. dl-ciokorea@foundryco.com
