현실 속 성공적인 AI팀이란?··· 현장의 여러 풍경

점차 많은 기업들이 AI 프로젝트를 확대하고 개념 증명을 비즈니스 전환의 동인으로 변모시키면서 실제 AI를 활용해 성공하기 위해서 필요한 것이 무엇인지가 명확해지고 있다.

AI팀의 경우 알려진 것보다 광범위한 스킬이 필요하며, 트랜슬레이터(Translator), 즉, 운영 및 AI 개념을 비즈니스 용어로 설명할 수 있는 능력을 가진 사람이 특히 요구된다. 즉, AI 성공은 데이터 사이언티스트 집단만으로는 달성하기 어렵다.

맥킨지(McKinsey&Co)의 파트너 루이스 헤링은 AI 프로젝트에서 성공하기 위해서는 팀을 융합해야 한다고 말했다. 그녀는 “기술적인 측면을 보면 점차 생산에 바로 투입할 수 있는 코드를 확보하고 조직 전반에 걸쳐 재사용이 가능한 요소를 보유하는 방법이 점차 강조되고 있다. 하지만 무엇보다도 비즈니스 측면과 기술 측면 사이를 연결해 줄 수 있는 사람들이 더욱 중요해지고 있다”라고 말했다.

앞선 기업들이 비즈니스 문제를 해결하기 위해 어떻게 AI팀을 구성하고 있는지, 또 AI 기술의 발전이 어떻게 성공을 위해 필요한 기초 스킬을 변화시키고 있는지 살펴본다. 

즉, AI 성공은 데이터 사이언티스트 집단만으로는 달성하기 어렵다.

성공적인 AI 팀이 수행하는 핵심 역할
성공적인 AI 프로젝트를 위해서는 데이터 사이언티스트, 데이터 엔지니어, 머신러닝 엔지니어, 생산 책임자, 변화 관리 전문가, 번역가 등 광범위한 스킬을 갖춘 팀원들이 필요하다고 헤링이 말했다.

개념 증명과 시범 프로젝트의 경우 데이터 문제는 다른 양상을 보인다. 생산 현장에 투입할 수 있는 AI 배치에는 여러 이질적인 소스로부터 빠른 속도로 얻은 많은 양의 데이터가 필요하다.

그녀는 “데이터 사이언티스트와 데이터 엔지니어가 숨은 영웅이다. 레거시 영역들이 있다. 데이터를 찾아서 추출하며 데이터 파이프라인이 설치되어 확장 준비가 완료되기가 그렇게 쉽지 않다”라고 말했다.

IBM&모닝 컨설트(IBM&Morning Consult)의 5월 보고서에 따르면, 응답한 IT 전문가의 약 90%가 데이터의 위치에 상관없이 AI 프로젝트를 운용할 수 있는 능력이 기술 도입의 열쇠라고 말했다. 또 데이터 복잡성과 사일로가 AI 도입의 두 번째 장벽으로 지목됐다. 

성공적인 AI팀은 또한 필요한 개입의 수준에 따라 제품 책임자와 변화 관리 전문가가 필요하다고 헤링이 말했다. 하지만 핵심 스킬은 트랜슬레이터의 ‘번역’ 역량이다. 그녀는 “많은 조직에서 여전히 이 부분이 누락되어 있다. 하지만 사용 사례의 가치를 극대화하기 위해서는 트랜슬레이터가 필요하다”라고 말했다.

이러한 트렌슬레이터는 비즈니스 사업부에서 근무한 경험이 있는 데이터 사이언티스트 등, AI 부서 인력인 경우도 있다. 그녀가 “하지만 일반적으로 비즈니스 부문에서 나온다. 그들은 비즈니스를 심층적으로 이해해야 하며, 어떤 점에서는 데이터 사이언스 원리를 배우기가 더 쉽다. 데이터 사이언티스트 및 엔지니어와 자신감 있게 소통할 수 있도록 데이터 사이언스 스킬을 가르치는 교육기관을 설립하는 조직도 있다”라고 말했다.

지난해 딜로이트(Deloitte)가 공개한 설문조사에 따르면 수요가 높은 AI 스킬 중 절반이 AI 프로젝트와 비즈니스 요구를 연결시키는 것과 관련성이 있었다. 이런 ‘트랜슬레이터’로는 AI에 관해 잘 알고 있는 비즈니스 리더, 변화 관리 전문가, 사용자 경험 디자이너, 주제 사안 전문가 등이 있다.

딜로이트에 따르면 AI 측면에서 가장 수요가 높은 스킬은 AI 연구원, 소프트웨어 개발자, 데이터 사이언티스트, 프로젝트 관리자였다. 

융합된 팀의 힘
온라인 마케팅 기업 어반 에어쉽(Urban Airship)은 성공적인 조직이 AI에 접근하는 방식에 대한 교과서적인 예시를 제시했다. 해당 기업은 10년 전 AI 활용에 관해 생각하기 시작했을 때, 박사 학위자를 고용했다.

어반 에어쉽의 제품 및 엔지니어링 수석 부사장 마이크 헤릭은 “우리가 처음 도입한 머신러닝 모델은 파급에 관한 것이었다”라고 말했다. 어떤 사람이 이메일에서 링크를 클릭하는지 여부를 쉽게 추적할 수 있도록 하는데 초점을 맞췄다. 하지만 나중에 사이트를 방문하는지 그리고 다른 채널을 이용하는지 여부를 추적하는 것이 훨씬 어렵다는 사실이 발견됐으며, 여기에 머신러닝을 본격 적용하고자 했다고 그는 설명했다.

그리고 해당 기업은 특정 고객에게 연락을 취할 최적의 시간과 고객에게 얼마나 자주 연락해야 하는지를 파악하기 위해 예측 지능성을 추가했다. 어반 에어쉽의 플랫폼에 최근 추가된 것은 AI를 활용해 다단계 고객 여정을 시작하고 관리하는 것과 관련되어 있다.

헤릭은 현재, 회사의 신규 비즈니스 거래 중 최소 40%가 해당 도구를 통해 이루어지고 있다고 말했다. “엄청났다. 경쟁자들과 차별화된 고유한 능력을 얻었다. 그리고 가치를 제공함으로써 고객을 유지하는 데 도움이 된다”라고 그는 강조했다.

해당 기업의 AI 프로젝트를 위해 필요한 스킬로는 데이터 사이언스 스킬뿐 아니라 제품 관리, 사용자 환경 디자인, 소프트웨어 엔지니어링, 제품 마케팅 등이 있다. 그는 “AI와 머신러닝 프로젝트에는 이런 유형의 역량을 제공하기 위해 교차 기능팀이 필요하다. 우리의 경험에서 입증됐다”라고 말했다.

한편 그에 따르면 다양한 전문가로 구성된 AI팀을 구성한다는 전략에는 확장성이 필요하다. 그는 “모든 스킬을 가진 사람은 거의 없다. 설령 모든 역량을 보유한 인물이라도 모든 일을 할 수는 없다”라고 말했다.

그는 비즈니스 사례를 잘 이해하는 팀원이 지속적으로 확충한 것이 고객들이 필요한 방식으로 분석을 제공하는 데 도움이 되었다고 전했다. 

트랜슬레이터의 출현
20년 동안 컴패니 너스(Company Nurse)는 기업 및 교육 기관들이 전화 한 통으로 의료 전문가의 도움을 받아 직장 내 부상을 처리하는 서비스를 제공해왔다. 해당 기업은 현재 주당 10만 건의 건강 관련 트랜잭션(Transaction)을 처리하고 있다. 팬데믹으로 인해 컴패니 너스는 디지털 선별 검사 솔루션을 제공하기 시작했다.

컴패니 너스의 CTO 헨리 스벤드블라드는 “우리는 실제로 매일 건강 증상을 선별 검사하고 있다. 그리고 많은 학교들이 ‘안전한 학교 복귀’ 프로그램의 일환으로 교사뿐 아니라 학생들을 위해 우리 서비스를 이용하고 있다”라고 말했다.

지난해, 해당 기업은 AI를 자사의 비즈니스 문제 중 일부에 적용하기 시작했다. AI 프로젝트에는 콜센터를 위한 민감한 의료 문서를 분류하는 시스템과 스피치-텍스트 변환 시스템이 포함됐다.

해당 기업은 AI를 사용하면서 수백만 건의 문서를 분류했으며, 이는 컴패니 너스가 더 나은 사이버 보안 조치를 구현하는 데 도움이 될 전망이다. 그리고 콜센터에서 평균 처리 시간이 10% 이상 감소했다. 추후에는 정보를 사용하여 건강 결과와 초기에 통화를 통해 제공된 정보를 비교하여 잠재적인 사기를 식별하고 신입 직원의 생산성을 높일 수 있도록 돕는다는 계획이다.

컴패니 너스는 이와 관련해 콘센트릭(Concentric), 제네시스(Genesys), 세일즈포스(Salesforce)의 아인슈타인(Einstein) 플랫폼 등 외부 제공업체를 활용하고 있다. 또한 해당 기업에는 데이터를 AI 시스템에 적용하기 위한 데이터팀과 주제 사안 전문가도 있다.

하지만 AI 기술과 비즈니스 사례 사이의 공백을 메우는 역할이 매우 중요하다고 스벤드블라드는 강조했다. 그는 “CTO로서 나의 직무가 이것이다. 나는 ‘이것이 비즈니스에 어떤 영향을 미치는가?’와 ‘이 기술이 실제로 성과를 낼까?’를 연계시키려 노력한다”라고 말했다.

한편 스벤드블라드는 내부와 외부 리소스, 데이터 세트, 서드파티 도구를 결합하여 새롭게 등장한 AI 역할인 솔루션 설계자 역할도 수행하고 있다. 

캡제미니(Capgemini)의 AI 및 분석 부사장 댄 시미언은 “솔루션 설계자는 문제를 해결하기 위해 필요한 머신러닝과 AI 기술에 관해 검토하는 인물이다. 현재 많은 솔루션과 기술이 존재한다”라고 말했다. 이어 솔루션 설계자는 단순히 사용할 기술뿐 아니라 “기술들이 서로 어떻게 융합되는지를 파악한다. 그들이 퍼즐을 완성한다”라고 그는 말했다.

변화 관리와 민첩한 비즈니스
사람들이 범하는 특히 큰 실수는 AI가 기술 프로젝트라고 생각하는 것이라고 맥킨지의 타밈 살레 사장이 말했다.

그는 “IT 프로젝트로 취급하곤 한다. 작은 기술전문가 및 수학자 그룹을 만들면 마법 같은 일이 일어날 것이라고 생각한다. 블랙박스를 얻어서 비즈니스 부문에 주면 좋은 일이 일어날 것이라는 생각이다”라고 말했다.

하지만 그렇게 되지 않는다. “AI 프로젝트에 투입되는 노력의 중 약 50%는 사람과 관련된 것이다. 변화 관리와 교육이 대표적이다”라고 그가 말했다.

예를 들어, 최근의 한 프로젝트에서 철강 산업 부문의 한 고객사는 수요 전망 개선을 원했다. 그는 현업 직원들을 모델을 만드는 과정에 참여시켰다. 그들을 대체하지 않을 것이라는 사실을 깨달을 수 있도록 하기 위해서였다. 살레는 “이를 통해 그들이 나아졌다. 나아가 더 큰 목적을 달성하기 위해서는 그들이 프로젝트 설계와 실행에도 참여해야 했다”라고 말했다.

그에 따르면 모델이 사용자가 알고리즘 이면의 로직을 이해하지 못하는 블랙박스라면 도입이 어렵다. “그리고 결국 시범 운영으로 돈만 쓰고 솔루션을 확장하지 못하게 된다”라고 그는 지적했다.

한 뱅킹 고객은 1,800명을 트랜슬레이터로 교육하기도 했다는 설명이다. 살레는 “CEO가 비전을 가지고 추진했다. 그 결과, 해당 은행에서 AI 도입이 극적으로 가속화되었다”라고 말했다.

성공적인 AI 프로젝트는 또한 기업이 운영활동 중 일부를 재구성해야 할 수도 있다. 예를 들어, 한 유틸리티 고객은 한 시간에 500개의 캠페인을 수행할 수 있는 환상적인 마케팅 모델을 만들었다. 그러나 해당 비즈니스가 별도의 캠페인 관리 및 마케팅 팀들을 중심으로 구성되어 있어 AI가 가능하게 한 속도를 제대로 활용할 수 없었다.

살레는 “비즈니스 자체가 일부 바뀌어야 했다. 정말로 신속하게 의사를 결정하기 위해 그들 스스로 민첩해져야 했다”라고 말했다.

그에 따르면 기업들이 AI 애플리케이션을 출시할 때, 스스로 기술을 제대로 활용할 수 있는 방식으로 조직화되어 있는지 자문해야 하는 경우가 많다. 살레는 “대부분 새롭게 조직화될 수 있으며, 좀더 빠르게 의사를 결정할 수 있다는 결론에 도달하곤 한다”라고 말했다.

외부 전문성을 포함시키라
융합된 팀은 AI를 운영하고 싶어하는 기업에게 필수적이라고 옴디아(Omdia)의 AI 및 NLP 수석 분석가 마크 베큐가 말했다. 하지만 많은 스킬은 찾기가 어려운 것이 현실이다.

그는 “특히, 숙련된 데이터 사이언티스트는 드물고 한동안 그럴 것이다. 따라서 몇몇 역량 세트를 갖춘 구축팀이 있더라도 AI를 아웃소싱하는 추세이다”라고 말했다.

그 결과, 컴패니 너스 같은 조직은 도구, 플랫폼, 전문성을 제공하는 외부 제공업체를 찾고 있다. 그리고 도구는 계속 개선되고 있다. 예를 들어, 데이터 태깅과 정제를 아웃소싱할 수 있을 뿐 아니라 DIY 클라우드 기반 AI 플랫폼과 도구 그리고 노코드(No-code) 옵션이 AI 보급에 도움이 되고 있다.

SaaS와 E2E(End to End) 솔루션 제공업체들도 AI 기능을 기업에 제공하고 있다고 그가 진단했다. 세일즈포스, 어도비(Adobe), 오라클(Oracle) 등은 예측 분석과 가상 비서를 포함하여 AI 기능을 자사의 도구에 내장하고 있다. 그리고 뉘앙스(Nuance), 인터렉션(Interactions), IP소프트(IPSoft) 등의 기업들이 자체 데이터 사이언스 전문성이 필요 없는 가상 비서를 제공하고 있다.

그는 “많은 AI 사례에서 당분간은 이 접근방식이 유효할 것이다”라고 말했다.

일부 기업들은 외부 제공업체의 제품과 구성품을 사용함으로써 큰 이익을 얻게 될 것이라고 PC(PricewaterhouseCoopers)의 신기술 책임자 스콧 라이켄스가 말했다. 그는 “비용 절감, 신속한 의사결정에 도움이 될 뿐 아니라 이전에는 불가능했던 의사 결정도 가능해질 수 있다”라고 말했다.

현재 AI 및 머신러닝 인재 시장 상황으로 인해 내부 AI팀 구축에 많은 비용이 소요되기 마련이다. 하지만 이런 투자는 기업이 시장에서 차별화하고 특정 비즈니스 요구에 맞게 AI 사용을 최적화하는 데 도움이 될 수 있다.

이 밖에 조직은 덜 숙련된 사람들을 참여시킴으로써 AI팀 구축을 가속화할 수 있다고 컨설팅 기업 인사이트(Insight)의 최고 데이터 및 AI 설계자 켄 세이어가 말했다.

그의 기업이 현재 그렇게 하고 있다. 세이어는 “내부적으로 자체 조직에서 점차 많은 신입 리소스를 사용하는 방법을 파악해가고 있다”라고 말했다. 이러한 방법 중 하나는 멘토십 모델을 도입하는 것이다.

그는 “내가 프로젝트를 운영하면 다른 데이터 사이언티스트가 이를 추적하도록 하는 식이다. 이렇듯 내부 멘토링 모델이 활성화되면서 팀원들이 가능한 빠르게 성장하게 된다. 각 단계마다 지원이 제공되기도 한다”라고 말했다.

dl-ciokorea@foundryco.com