크리스탄토 수리야다르마(Christanto Suryadarma)
지브라테크놀로지스 동남아시아 및 APJeC 지역 세일즈 부사장
사람들이 ‘AI 거품론’에 대해 얘기할 때, 어떤 종류의 인공지능(AI)을 의미하는지 알아볼 필요가 있다. 생성형 AI(Gen AI)는 새롭게 등장했지만 다른 유형의 AI 는 수십 년 동안 존재해 왔다. 일부 유형의 AI는 친숙한 반면, 정의는 다르나 인간을 능가하는 광범위하고 일반화된 추상적 사고 및 상식의 지적 능력을 갖춘 AI 시스템인 인공일반지능(AGI) 등, 모호하거나 먼 미래에나 사용 가능할 것처럼 느껴지는 AI도 있다.
10년 전만 해도 특정 유형의 AI는 연구자와 기업이 인간을 상대로 게임을 진행하고 이기기 위해 사용하던 호기심을 자극하는 기술이었으며, 그 과정에서 중요한 진전 또한 이뤄냈다. 이에, 이제는 ChatGPT, 개발자를 위한 GitHub Copilot, Sora, Midjourney와 같은 새로운 세대의 Gen AI 기술로 인해 AI와 이러한 새로운 기능을 활용하는 기업이 모두의 화제가 되었다.
그러나, 일반 소비자와 기업의 AI 사용에는 상당한 차이가 존재한다. 기업의 측면에서 예산, 보안, 사용 사례, 투자 수익률 및 필수 전문 지식은 새로운 수준에 도달해야 하므로 AI 거품론에 휘둘릴 여유나 시간이 없다. 기업에게는 측정 가능한 생산성, 프로세스 효율성, 인력 최적화, 비용 절감, 그리고 매출 성장이 가장 중요하다.
보스턴 컨설팅 그룹(BCG)의 최신 보고서에 따르면, 기업 경영진은 2024년의 3대 기술 우선 순위로 AI와 Gen AI를 꼽았지만, 리더의 66%는 AI와 Gen AI의 진행 상황에 대해 양면적이거나 불만족을 나타냈으며 6%만이 의미 있는 방식으로 숙련도 향상 작업을 시작했다고 답했다. 하지만 리더의 54%는 2024년에 AI가 비용 절감 효과를 가져올 것으로 기대하는 것으로 나타났다. 이 중 약 절반은 주로 운영, 고객 서비스, IT 부문의 생산성 향상을 통해 10% 이상의 비용 절감을 예상한다고 밝혔다.
특정 산업에 대해서도 자세히 살펴볼 수 있다. 지브라의 2024년 제조 비전 연구 보고서에 따르면, 아태지역 제조업체의 68%는 2029년까지 AI가 성장을 주도할 것으로 전망했다. 또한, 제조업체들은 향후 5년 동안 제조업을 혁신하기 위해 AI 및 기타 기술을 통합하고 인력을 강화하여 성장 전략을 전환하고 있으며, 66%는 머신 비전을 도입할 계획이라고 답했다. 그러나, 아태지역 제조 생산 현장에서 머신 비전을 사용 중인 제조업계의 리더는 30%에 불과했다.
머신 비전의 발전은 다른 산업과 마찬가지로 제조업계가 AI를 통해 결과를 얻는 것에 있어 다양한 수준의 성숙도를 보여주는 예시다. 최신 머신 비전은 생산 공정에서 새로운 수준의 분석, 정확성, 규정 준수 및 품질을 실현하며, 엔지니어가 보다 효율적으로 작업할 수 있는 새로운 도구를 제공한다. 이는 AI 거품론을 차단하고 기술의 진정한 가치를 보여준다.
AI 및 사용자에게 필요한 교육
딥러닝 신경망은 인간의 뇌를 모방한 강력한 고급 AI 툴(머신 비전의 경우, 이미지를 처리하는 뇌의 시각 피질에서 영감을 얻은 CNN (Convolution Neural Network, 합성곱 신경망))이지만, 모든 것을 해결해주는 것은 아니다. 때로는 엔지니어링 팀에서 완벽한 성능을 기대하기도 한다. 따라서 이해관계자들에게 신경망의 기능 및 한계를 교육하는 것이 중요하다. 신경망을 통해 놀라운 결과를 얻을 수 있지만, 이는 학습된 방식으로 적용되어야 한다. 현실적인 기대치는 표면 결함 감지, 물체 감지 또는 개수 계산, 어려운 문자 판독, 이전에 판독했던 물체에서 예상치 못한 편차나 이상 징후 감지 등 신경망이 인간의 능력이나 기존의 룰 기반의 머신 비전 역량과 비교했을 때 보다 뛰어난 영역을 기준으로 설정되어야 한다.
모델의 성능을 정확하게 평가하기 위해서는 적절한 평가 지표를 선택하는 것이 필수적이다. 가장 기본적인 지표는 정확도이지만, 이는 불균형한 데이터 세트에서는 적합하지 않을 수 있다. 분류 작업에서는 F1 점수를, 탐지 작업의 경우 평균 정밀도(AUPRC)와 같은 지표를 사용할 수 있다. 특히 진음성(true negative)이 매우 높을 경우, 생성되는 수치가 오해의 소지가 있을 수 있으므로 진음성에 의존하는 AUROC과 같은 지표는 지양해야 한다.
나아가, 기업이 AI의 이점을 누리기 위해 해결해야 할 데이터 문제도 많이 존재한다. 딥러닝 솔루션이 제대로 작동하려면 학습 및 테스트 데이터 세트의 혼합, 부적절하고 불균형한 크기, 모호하고 일관성 없는 데이터 주석, 환경적 요인 등을 고려해야 한다.
계획적으로 AI에 접근하기
유럽 연합(EU)의 AI법안 통과에 따라 기업들은 AI 거품론에 현혹되지 않고 AI 기반 가치를 확보하기 위한 지침이 필요하다. EU의 AI 법은 위험 기반 접근 방식에 따라 다양한 요구 사항과 의무를 가진 AI 시스템을 분류하는 것과 함께 EU에서 AI 시스템의 사용 및 공급에 대한 공통 프레임워크를 제시한다.
이 법안은 제조업체가 디지털 공장과 스마트 제조 운영을 실현하는 데 필요한 파트너십과 기술에 투자할 수 있는 새로운 촉매제를 제공한다. 더욱 자동화되고 자율적인 워크플로우, 더 나은 작업자 지원, 예측 및 처방적 분석은 AI와 방대한 양의 귀중한 제조 데이터를 통해 활용될 수 있다.
그렇다면 자동화가 필요하고 AI를 활용하면 도움이 될 만한 제조 공정은 어디일까? 또한, 어떤 유형의 AI가 가장 적합할까? 법규 준수는 어떻게 보장되고 기록되며, 이를 위해 필요한 직원과 파트너는 누구일까? 이러한 질문은 AI 거품론이 답해주지 않지만 반드시 해결해야 하는 질문이다.
거품론 없는 발전
많은 언론에서 보도되고 있듯이, 현재 AI는 단순히 일자리를 창출하고 없애는 데 그치지 않는다. 자동차, 전화, 인터넷과 마찬가지로 AI의 성장에 힘입어 수많은 새로운 직업과 산업이 생겨날 것이다. 현재 제조업체들은 엔지니어, 프로그래머, 데이터 과학자에게 AI가 탑재된 새롭고 더 나은 도구를 제공하여 보다 빠르고 효율적으로 작업을 수행하고 특정 작업을 AI 기반 자동화에 배치하고 있다.
다른 산업과 마찬가지로, 제조업체 또한 인력 채용, 교육 및 유지에 어려움을 겪을 수 있다. 이러한 경우 기업 리더들은 인력 공백을 메우고 작업자를 더욱 신속하게 교육하며, 현재 보유한 인력을 지원하기 위해 자동화에 주목하고 있다. AI 역량을 갖춘 작업자는 제조업체가 요구하는 고유한 지식과 전문성 보유하고 있을 수 있으므로 차별화될 수 있다.
기업은 AI와 머신 러닝의 보편화를 전략적 우선순위로 삼아야 한다. 엔지니어, 데이터 과학자, 개발자 등 모든 인력은 숙련도를 높이고 학습 자원을 제공받아야 하며, 기성품으로 이미 존재하는 그리고 사용이 용이한 AI 툴을 통해 일부 작업을 수행하고, 서로 다른 영역의 작업자를 또한 지원할 수 있어야 한다. 딥러닝 OCR과 같은 일부 도구는 코드가 적거나 없어 즉시 사용할 수 있으며, 전문 교육이 필요하지 않다. 한편, 프로그래머와 데이터 과학자들을 위해 플랫폼, 도구 및 라이브러리를 사용하여 솔루션을 구축하고 기존 환경처럼 작동하는 고사양 기능을 탑재한 하이엔드 도구도 존재한다.
결국, 이러한 접근 방식은 인재 확보, 인력 숙련, 새로운 업무 방식으로 생산 현장을 최적화하는 데 있어 경쟁에서 차별화 요소가 아닌 표준이 될 것이다. 오늘날 AI 거품론에 현혹되지 않고 새로운 AI 툴을 도입해 사용할 수 있는 기업은 곧 비즈니스와 고객에게서 유리한 고지를 선점하게 될 것이다.
지브라의 머신 비전 전문성과 솔루션에 대한 자세한 내용은 여기에서 확인할 수 있다.