전기전자/정보통신

Nikkei Computer_2017.12.21 특집 요약 (p24~39)

AI 도입의 성공 법칙
실험만을 반복하는 ‘AI 무한루프’의 함정

제3차 AI(인공지능) 붐이 일면서 모든 업종이 AI의 활용을 검토하게 되었다. 이미 일부 기업은 서비스 혁명 등의 성과를 내고 있다. 그러나 그 이면에는 많은 실패가 숨어 있다. 과잉 기대를 품고 특성을 모른 채 도입하게 되면 출구가 없는 ‘무한루프’에 빠지게 된다. AI 도입의 성공과 실패를 나눌 수 있는 경계선은 어디에 있을까? 선두 기업의 실제 사례를 통해 성공 조건을 파헤쳐 본다.

PART1. 실험만을 반복하는 ‘AI 무한루프’의 함정
AI 도입 실패의 4가지 요인

많은 기업이 AI의 실증실험에 나서는 가운데, 실용화에 도달하지 못하는 사례도 잇따르고 있다. AI도입의 실패사례를 파헤쳐보면 4가지 요인이 떠오른다. ‘목적 불명확’, ‘특성의 이해부족’, ‘개발에만 전력 투구’, ‘운용 경시’가 ‘무한루프’로 이어질 수 있다.

“무엇이라도 좋으니 일단 AI(인공지능)을 도입해 달라고 사장이 말하고 있다”---. AI 도입 및 개발을 수탁하는 벤처기업인 크로스 콤파스의 사토(佐藤) 사장은 “믿기 어렵겠지만, 이런 의뢰가 실제로 있다”라고 밝혔다. 이런 의뢰를 한 기업이 AI 도입으로 성공한 사례는 거의 없다.

인간 퀴즈왕을 이긴 미국 IBM의 질문응답 시스템인 ‘왓슨(Watson)’ 및 심층학습(딥러닝)의 등장을 계기로 2012년경에 제3차 AI붐이 시작된 지 5년. 지금은 많은 기업이 AI도입의 실증실험에 나서고 있다.

그러나 한편으로는, 실험으로부터 1년 이상이 경과한 지금까지도 실용화의 전망이 보이지 않고 있는 경우가 잇따르고 있다. 기술의 한계, AI에게 학습시키기 위한 정확한 데이터 수집의 어려움, 비용에 걸맞은 성과가 보이지 않는 등 이유는 여러 가지이다.

-- 도입 실패의 4가지 유형 --
물론 모든 도전이 성공한다는 것은 있을 수 없지만, 새로운 시도 자체는 환영할 만 하다. 우선, 시도한 수단으로 실현이 어렵다고 판단되면 다른 방법을 모색해 볼 수 있다. 향후 시험운용을 통해 AI의 실용화에 도달할 가능성도 있다.

그러나 AI의 실력을 오인하거나 기존 정보시스템과의 차이를 모른 채 도입할 경우에도 성공은 힘들 수 있다. 성과를 내지 못한 채, 실증실험만을 반복하여 어느새 출구가 없는 무한루프에 빠지게 될 수도 있다.

지금까지 AI도입 프로젝트를 다수 개발해 온 AI개발 벤처기업 등의 증언에 따르면, AI의 도입에 실패한 4가지 전형적인 유형이 보이기 시작했다. 그 첫 번째 유형은 AI도입에서 무엇을 목표로 하는지, 필요한 데이터는 있는지, 도입 대상의 업무가 AI에 적합한지를 충분히 검토하지 않고 기획하는 것이다.

기존의 정보시스템의 도입 프로젝트와 마찬가지로 목적이나 적합성을 검토하지 않으면 당연히 실패하게 된다. 그러나 전에 없던 AI붐에 이끌려 “AI라면 뭐든 가능하다” “무조건 AI를 사용해 보고 싶다”라는 기대를 앞세웠다가 실패하는 경우가 늘고 있다.

“AI의 이치에 맞지 않은 조건으로는 절대로 원만하게 진행될 수 없다” 라고 컨설팅 회사의 시그마크시스(SIGMAXYZ)에서 AI분야를 담당하는 미조하타(溝畑)디렉터는 단언한다. 당사는 AI도입에 있어 대상작업에 대해 ‘정답’을 제시하는 교사 라벨이 붙은 학습데이터가 불가결하다는 점을 경영층이 이해하도록 하는 것을 AI 도입을 지원하는 첫 단계로 정하고 있다.

데이터 분석기업 ALBERT(알베르트)의 우에무라(上村) 사장은 “프로젝트가 시작되면 일단 AI의 실용성을 평가하는 지표를 고객기업과 공동으로 검토하여 합의를 이끌어 낸다. 그것이 안 되는 안건은 진행하지 않도록 한다”라고 말한다. 평가지표에 대한 합의가 이뤄지지 않아 언제까지나 본격적인 실제 운용의 논의에 들어가지 못하는 경우가 많았기 때문이다. 합의를 필수로 정하자, 실용화에 도달하는 경우가 눈에 띄게 늘어났다고 한다.

-- 심층학습은 판단 근거를 알기 힘들다 --
실패로 이어지기 쉬운 두 번째부터 네 번째 유형은 기존의 정보 시스템과는 다른 AI의 특성에 의한 것이다.

AI의 설계에 있어서 요건에 맞지 않은 기술을 선택하는 것이 두 번째 유형이다. “무조건 심층학습을 사용하고 싶다” 등, 기술의 특성을 무시하고 AI를 구축하려고 하면 실용화를 검토하는 단계에서 벽에 부딪히기 쉽다.

“AI의 판단이 틀릴 경우에는 곤란하다. 무엇을 보고 판단했는지의 근거를 명확히 할 필요가 있다”. 자율주행 및 의료화상 진단 등 사람의 목숨과 관련된 용도에서 이와 같은 요건이 요구되는 경우가 있다. 심층학습의 컨설팅이나 시스템 개발에 강한 Ridge-i의 야나기바라(柳原) 사장은 “꼭 근거가 필요한 경우, 심층학습에 구애되지 않고 디시젼·트리 분석법(결정수분석) 등을 사용하도록 권장하고 있다”라고 말한다. 심층학습은 대량의 파라미터를 복잡하게 조합하여 판단을 내리는 것으로써 인간이 판단의 근거를 파악하는 것은 쉽지 않다.

AI의 도입이 실패하는 세 번째 유형은 IT밴드에게 데이터만을 제공하여 AI 구축에만 전력투구하는 패턴이다. AI개발의 Preferred Networks(PFN)의 나가타니(長谷) 최고집행책임자(COO)는 “데이터가 어떤 의미를 가지고 있는지, 이용부문으로부터 데이터를 상세히 설명 들을 수 있게 협력을 얻지 못한다면 좋은 학습 모델을 만들 수 없다”라고 말한다.

PFN은 기업의 현장에 AI를 도입할 경우, AI에 저장시킬 데이터의 의미 및 관련성, 영향범위에 대해 고객기업에게 설명 받는 프로세스를 필수로 넣고 있다. 뛰어난 AI구축에 있어서 AI 구축의 프로와 현장 업무의 프로가 밀접하게 협력하는 것이 반드시 필요하다고 생각했기 때문이다.

-- 가동 후의 개선을 게을리하면 금방 진부화 --
실패하기 쉬운 네 번째 유형은 AI의 구축과 도입에 만족하여 운용에 수고나 충분한 비용을 들이지 않는 경우이다. AI는 일반적인 업무 시스템 이상으로 운용의 중요성이 높다. 잘 알려져 있지 않지만, AI는 부단한 개선 없이는 순식간에 진부화되어 쓸모 없게 되고 만다.

AI개발을 하고 있는 PKSHA(팍샤) 테크놀로지의 자회사로, 대화 AI 소프트웨어를 개발하고 있는 BEDORE(비도어)의 야스노(安野) 사장은 “도입 시에는 열심히 데이터를 학습시키는 고객이 많지만, 정말 중요한 것은 운용단계이다. 운용 단계에서 학습을 계속할 수 있을 지가 성과에 큰 영향을 미친다”라고 지적한다.

당사는 엔드 유저로부터의 문의에 대응하는 AI를 구축한 후, 대응이 적절했는지를 엔드 유저에게 물어보는 시스템을 제공하고 있다. 그러나 “이용자로부터의 피드백으로서 자동학습에 사용할 수 있는 것은 절반 정도에 불가하다”라고 한다.

-- 미쓰비시UFJ는 AI의 도입 순서를 정식화 --

PART2. 선행 8개사를 통해서 알아보는 성공의 자세
AI 시스템 도입 4단계; 기획, 설계, 구축, 운용

시마즈(島津) 제작소, 북오프, 시오노기(塩野義) 제약, 미쓰비시중공, 아사히, 세븐은행, KDDI, 르네사스의 8개사는 AI 도입의 기획, 설계, 구축, 운용에서 적절한 판단을 내려 큰 성과를 올렸다. 선행기업의 도전 사례를 통해 AO도입을 성공시키는 핵심 포인트를 짚어 보겠다.

AI를 사용한 시스템 도입은 총 4단계로 이루어진다. AI 적용 대상을 정하는 ‘기획’, AI를 사용한 업무 프로세스 및 AI와 인간의 분담을 정하는 ‘설계’, 정밀도가 높고 사용하기 편한 AI를 개발하는 ‘구축’, AI를 사용하면서 성능을 계속적으로 높여가는 ‘운용’이다.

■ 기획 -- 시마즈 제작소
도입효과가 높은 ‘사용 대상’을 찾아 낸다

사내의 업무 및 제품∙서비스 중 어디에 AI를 적용하면 높은 효율을 얻을 수 있을까? 기획의 단계에서 판단을 잘못하게 되면 성공은 불가능하다. AI에 적합한 영역을 정확하게 선별하여 자사제품의 경쟁력 향상으로 연결시킨 곳이 시마즈 제작소이다.

물체에 포함된 분자의 질량을 측정하는 당사의 제품 ‘질량 분석계’가 출력한 검출강도의 파형 피크가 어디부터 어디까지인지를 판정하는 AI를 구축했다. 학습에 필요한 과거의 분석 데이터를 대량 보유하고 있어 AI도입에 최적한 영역이라고 판단했다. 실제로 구축한 AI는 정답률 93%라는 기대 이상의 정확도를 발휘했다.

“사람 손으로 판정기준을 정한 자동화 프로그램은 항상 20~30%의 오류가 있었다. AI기술로 그 오류의 벽을 타파할 수 있을 것이라고 기대하고 있었다” 당사의 분석∙설계 사업부의 라이프 사이언스 사업총괄부의 이이다(飯田) 매니저는 질량분석계의 데이터 처리를 위한 AI적용을 제안하게 된 경위에 대해 떠올렸다.

-- 적용할 곳을 좁혀 성과를 내기 쉽게 --

■ 설계 -- 시오노기 제약
완벽을 요구할 순 없다, 사람과의 협동을 전제로 해야

인간이 담당하고 있던 업무 전체를 AI에게 떠맡기려고 하는 것은 실패의 원인. AI와 인간의 역할분담을 명확하게 한 설계로 성과를 낸 곳이 시오노기 제약이다.

“안될 경우에는 ‘안됩니다’라고 답하게 했다. 자신 있는 부분만 결과를 출력하고 자신이 없는 부분은 출력하지 않고 인간에게 맡긴다”. 의약개발본부 해석센터의 기타니시(北西) Data Science 그룹장은 AI설계 시에 고안한 것을 이렇게 말한다. “50%정도를 AI에게 맡길 수 있다면 그것으로도 충분하다”라고 단정짓고 2018년 중에 실용화한다는 목표를 세웠다.

당사가 구축한 것은 임상실험의 해석에 필요한 전용 프로그램(스크립트)을 자동으로 생성하는 AI이다. 신약 개발 시에 효과 및 부작용을 검증하는 임상실험에서는 사전에 해석내용을 명확히 한 후에 환자의 체온 및 증상 등의 시험 결과를 입력하면 자동적으로 표나 그래프 등의 해석 결과를 출력할 수 있는 프로그램을 준비할 필요가 있다. 임상실험 결과와 해석 결과에 있어서 사람의 조작을 개재하지 않기 때문이다.

1회의 임상실험마다 100~300개 정도의 해석 프로그램을 작성하며, 1개 작성하는데 1~2시간 걸리는 프로그램도 있어 AI로 부담을 경감하는 것을 목표로 했다.

-- 복수의 예측 모델을 상황에 맞게 사용 --

■ 구축 -- 아사히 그룹 홀딩스, 세븐은행
AI 구축을 떠맡기는 것은 금물, 고객 참여로 성공을

외부 밴더에게 데이터를 전달하여 AI개발을 통째로 맡기게 되면 실무에서는 사용할 수 없는 AI를 구축하게 될 수 있다. 유저 기업이 구축에 합류함으로써 유용한 AI를 구축한 곳이 아사히 그룹 홀딩스이다.

아사히 그룹의 안내 데스크에는 1만 5,000명이상의 사원으로부터 사내 시스템에 대해 연간 약 7만2,000건의 문의가 쇄도한다. 이에 따라 문의에 자동 응답하는 쳇봇(Chatbot)을 그룹기업의 아사히 비즈니스 솔루션즈와 IT밴더의 NEC 네트에스아이(NEC Networks & System Integration)가 공동으로 구축했다.

2017년 7월에 도입하여 3개월 간, 쳇봇이 24시간 대응하여 응답의 일부를 대행한 결과, 문의에 즉시 응답할 수 있는 응답률은 기존의 50~70% 가까이 상승했다. 지금까지 성수기에는 즉시 응답할 수 없었으나, 간단한 질문을 AI에게 맡김으로써 응답률이 20%정도 개선되었다.

구축에 있어서는 미국 마이크로소프트의 클라우드 서비스 ’Microsoft Azure’이 제공하는
자연언어처리기능(LUIS)을 활용. 아사히 측과 NEC 네트에스아이가 각각 5명씩 합동 팀을 꾸려 사원들이 사용하기 편한 대화화면 등을 구축했다.  

-- AI 기술자가 현장과 하나가 되어 만들어 간다 --
세븐은행은 IT밴더의 기술자와 현장의 사원이 일체가 되어 AI 예측정밀도를 향상시켰다.  부정입출금 감지 및 업무용 쳇봇 등 4종류의 AI도입 안건에 임하고 있다. 이 중 가장 성과를 보이고 있는 것이 ATM(현금자동지급기) 내에 있는 지폐잔고를 예측하는 AI이다.

당사는 경비회사와 예약하여 경비원이 ATM을 정기 순회하여 지폐를 회수∙보충하고 있다. 장래의 지폐잔고를 예측할 수 있다면 ATM의 순회를 보다 효율적으로 계획할 수 있어 위탁비용을 줄일 수 있다.

-- 정답률이 15%에서 93%로 --

■ 운용 -- KDDI, 르네사스
AI는 의지할 수 있는 동료, 단련할수록 스마트해져

AI의 도입효과를 끌어내기 위해서는 구축 후의 운용 프로세스가 가장 중요하다. 이렇게 생각하여 고객 만족도 향상으로 연결시킨 곳이 KDD 자회사인 ‘au WALLET 크레딧카드’를 발행하는 KDDI 파이낸셜 서비스이다. AI는 단련시킬수록 똑똑해져 의지할 수 있는 동료로 성장한다.

크레딧카드 서비스에 관한 이용자로부터의 문의를 쳇봇으로 회답할 수 있게 했다. 2017년 4월부터 도입한 직후에는 약 60%였던 만족도가 약 4개월 후에는 75%로 향상되었다. 후지이(藤井) CS추진그룹 매니저는 “문의에 대한 회답의 정밀도를 지속적으로 높여, 회답할 수 있는 질문을 늘린 것이 만족도 향상으로 이어졌다”라고 설명한다.

구축을 담당한 콜센터 운영의 KDDI 에볼바와 KDDI 파이낸셜 서비스가 연대하여 운용한다. PKSHA Technology 자회사인 BEDORE가 개발한 쳇봇 툴을 도입했다. 운영 단계에 들어가면서부터 유저기업이 AI를 개선하기 위한 기능이 충실하다라고 평가했다.

-- AI활용에는 끝이 없다 --
반도체 제조공정의 수율 향상에 AI를 도입한 르네사스 일렉트로닉스. 제조자회사 르네사스 세미컨덕터 메뉴팩처링의 미야모토(宮本) 사장은 “AI활용에는 끝이 없다”라고 말한다. 현재는 일부의 품종에 적용하고 있는 바, 향후의 제품 및 가공조건이 바뀌면 다시 한번 학습시킬 필요가 있다.

자동차용 마이크컨트롤러를 주력 제품으로 하는 르네사스의 나하공장(이바라기 현)에서는 반도체의 박막을 깎아내는 에칭 장치의 옆에서 공정에 이상이 없는지를 AI가 감시하기 시작했다. 가스와 실리콘 웨이퍼를 반응시키는 플라즈마의 발광량을 센서가 매초마다 1,000회씩 검출. 그 발광량을 시계열로 나열한 파형으로부터 이상이 있는지를 AI가 찾아낸다.

● 진화하는 IBM Watson(왓슨), 잇따른 개변(改變)에 당혹감

-- API와 분석 툴(Tool)을 골고루 상품화 --
-- API의 통폐합에 휘둘려 --

 -- 끝 --