|
인공지능(AI)이 기업 경쟁력을 높여주는 기술로 평가되고 있지만, 실제로 기업에서 AI를 활용하기에는 쉽지 않다. 무엇보다 이를 잘 다룰 수 있는 데이터과학자가 절대적으로 부족하며, 설령 있다 하더라도 분석 환경을 구성하는데 많은 노력을 기울이기 때문에 효율성을 높이기 어렵기 때문이다. ‘기업 AI 대중화’를 내세우며 애자일소다가 출시한 ‘스파클링소다 v2.2’는 기업 분석 전용 AI 데브옵스 포털로, 쉬운 UI 및 다양한 산업별 특성화 모델 제공을 통해 기업이 AI 능력을 내재화할 수 있도록 지원한다. <편집자>
인공지능(AI) 시장은 애플, 구글, 아마존 등 글로벌 IT 기업 중심의 경쟁 구도에 LG, 삼성과 같은 전자 기업들도 가세하면서, 그 발전 속도가 지금까지 체감해오던 수준을 넘어설 것으로 전망되고 있다.
이처럼 데이터를 기반으로 한 인공지능, 머신러닝은 실제 기업에서 매출과 수익을 올리고, 비용을 절감하는 새로운 기술로 활용되고 있다. 앞으로 사업 성공 여부는 얼마나 양질의 데이터를 기반으로 빠르게 의사결정을 할 수 있느냐에 달렸다고 해도 과언이 아니다. 따라서 빅데이터를 기반으로 머신러닝 등을 활용해 빠르게 분석할 수 있는 ‘분석환경 구축’과 이를 잘 활용할 수 있는 ‘분석가’를 육성하거나 확보하는 것이 기업의 중요한 핵심 경쟁력으로 자리매김하고 있다.
그러나 문제는 여기에서부터 시작된다. 관련 기술들이 짧은 기간 내 너무 많이 쏟아져 나오고 있기 때문이다. 기업은 최적화된 솔루션을 선택하기에도 어려움을 겪는데다 고심 끝에 선택한 오픈소스 제품들은 버전별 파편화가 심해 모델 개발 환경 구성조차 쉽지 않다. 또한 숙련된 분석가들이나 데이터과학자도 턱없이 부족한 상황에 개발된 모델, 알고리즘을 공유하고 재사용할 수 있는 회사의 자산화 기능과 협업 환경의 부족도 큰 숙제다. 개발된 모델이나 알고리즘을 실제 시스템에 적용하는 절차는 부서별로 단절돼 있어 빠르게 운영되는 기업 환경을 충분히 지원하지 못하고 있다.
기업 내 AI 내재화·자산화 필요
데이터 분석 전문가들은 기업의 AI 내재화를 강조한다. 과거에는 고급분석을 주로 외부 컨설턴트를 통해 수행해 왔지만, 이제는 임직원 스스로가 데이터를 기반으로 분석하고 의사결정을 할 수 있도록 준비해야 할 때이며, 이를 통해 급격하게 바뀌는 외부 환경과 고객 요구사항 등의 데이터를 실시간 수집·분석해 그에 기반에 의사 결정할 수 있는 역량을 내재화해야 한다는 입장이다.
또한 기업들이 현재 부족한 내부 머신러닝 전문가들을 빠르게 육성하기 위해서는 외부에 공개된 오픈소스나 알고리즘 샘플을 구동시켜 보는 수준에서 벗어나 기업이 당면한 해결과제를 선정하고 전략적으로 직접 답을 찾아 수행해보는 과정이 필요하며, 이때 내재화를 전제로 한 외부 전문가와 함께 하는 것도 하나의 방안이라고 덧붙인다.
실제로 업계에서도 이 같은 주장이 현실적이라는 반응이다. 실제 과거 몇몇 전문 분석가들만이 다루던 것을 이제는 보다 많은 임직원들이 스스로 분석을 하고자 흥미를 갖고 도전하고 있다는 것. 이는 ‘셀프서비스 분석가’, ‘인공지능의 민주화’ 등의 용어로 마이크로소프트, 구글, 아마존 등 글로벌 기업들 사이에서 활발히 회자되고 있으며 관련 기술과 서비스들이 꾸준히 개발되고 있는 추세다.
분석 전문가 육성 위한 협업 환경 구축 우선
셀프서비스 분석가들을 지원하기 위해서는 알고리즘 개발이 쉽고 성능이 빠른 분석 환경을 만들어 줘야 한다. ‘R’이나 ‘파이선’과 같은 분석가 손에 익숙한 분석도구를 제공하는 것은 물론, 말 그대로 ‘빅’데이터를 기반으로 빠르게 학습시키기 위해 속도와 직결되는 성능은 매우 중요한 이슈다. 이를 위해 인메모리(In-Memory) 기반의 기술이나 GPU 같은 기술을 융합해 활용하는 것이 요구되고 있다.
그리고 기업 내 부족한 머신러닝 분석가들을 빠르게 육성하기 위해서는 전문가와 초보 분석가들 그리고 부서 간 협업이 중요하다. 누군가 개발한 알고리즘을 제3자가 참조하거나 재현하고 재활용할 수 있어야 한다. 선 개발된 알고리즘이나 모형 등을 참조한 연구와 밑바닥부터의 시작이 서로 다른 성과를 내는 것은 당연하기 때문이다.
이를 위해 가장 우선돼야 할 숙제는 분석 알고리즘이나 분석 모형을 기업 차원에서 보호하고 자산화해 재사용, 개선, 공유하고 협업할 수 있는 환경이 마련돼야 한다는 점이다. 특히 최근처럼 공개소프트웨어가 활성화되고 집단지성의 가치에 대해 체감하고 있는 시대에는 다 같이 참여해 개선하고 발전시키는 문화 정립과 환경 구축이 기업에게는 매우 중요한 경쟁력이다.
| |
 |
|
| ▲ 스파클링소다 구성도 |
AI 데브옵스 포털 ‘스파클링소다’
국내외 IT 시장에서는 머신러닝을 기반으로 한 분석 솔루션 개발이 한창이다. 마케팅, 의료, 금융 등 전 산업 분야의 수요가 발생하면서 다양한 소프트웨어와 서비스들이 경쟁하고 있다.
애자일소다가 출시한 스파클링소다(SparklingSoDA)는 기업의 분석전용 AI 데브옵스 포털(DevOps Portal)을 표방하고 있다. ‘포털’의 의미처럼 AI·머신러닝을 기반으로 기업의 다양한 의사결정 최적화를 가능하게 하는 모델의 협업 개발, 관리, 시스템 적용까지 일원화된 서비스를 제공한다. 또한 기업의 다양한 업무에 특화된 사전 훈련된 데이터 및 모델 등을 선택적으로 탑재, 고객이 업무에 재활용 가능하도록 할 그릇이자 창구 역할을 기대할 수 있다.
분석 환경 구축·운영에 최적화
스파클링소다는 국내 분석 전문가와 소프트웨어 업계 리더들이 모여 설립한 머신러닝 기반의 분석 플랫폼 전문기업 애자일소다에서 3년 만에 출시한 제품이다. 다양한 산업 분야 기업들의 AI 도입과 확장 시 겪고 있는 애로사항을 수집하고 면밀히 분석한 결과로, 기업이 안고 있는 우선 과제인 AI 기반 분석 환경 구축과 운영에 가장 최적화돼 있다.
먼저 스파클링소다는 몇 번의 클릭만으로 기업 내부에 높은 성능의 분석 전용 환경 구축이 가능하다. 제품 자체에서 프로젝트관리, 사용자 설정 및 권한 관리 기능을 지원하며, 다양한 오픈소스 소프트웨어(R, Python, Tensorflow, H2O Library, H2O Driverless AI, Hue, Shiny 등) 중 목적별로 사전 패키징된 분석환경을 그룹별로 간단한 선택만으로 구축할 수 있다.
또한 빅데이터 분석에 필요한 메모리 등 ‘리소스 한계 할당 가이드’를 제공해 초보자도 쉽게 리소스 할당 및 최적화를 수행할 수 있으며, 빈번한 패치에 따른 오픈소스 소프트웨어의 버전 충돌 관리 등 관리 효율성도 높였다.
또한 분산 환경의 빠른 학습과 분석 시스템을 지원한다. 스파클링소다는 고성능 분석용 프로세스 분산/병렬 및 노드 간 클러스터링 서버 환경을 지원하는 아키텍처로 구성돼 있다. 따라서 개발초기 CPU, GPU를 선택적으로 세팅할 수 있으며, 이를 통해 딥 러닝 학습 등을 보다 빠르게 수행할 수 있다. 그뿐만 아니라 온프레미스(On-Premise) 분석 및 클라우드 분석 환경도 모두 지원해 기업별 상황에 따라 적용 범위가 넓다.
개발·시스템 적용·운영 일원화
스파클링소다는 데이터과학자, 비즈니스 분석가들의 리포트, UI 링크 등 작업 결과를 공유하고, 자원 모니터링 및 커뮤니케이션 관리를 통해 원활한 협업 환경을 제공한다. 또한 분석가부터 애플리케이션 개발자, 시스템 운영자까지 일원화된 서비스 구축을 지원하며, 애플리케이션용 API를 제공함으로써 개발 혹은 수정한 모델을 빠르게 애플리케이션 및 시스템에 적용할 수 있다.
학습된 모델의 형상관리, 성능비교, 배포관리, 유효성관리 등도 통합 지원한다. 개발 결과인 코드, 데이터, 개발보고서와 같은 다양한 산출물이 하나로 관리되므로 제3자 공유, 재사용 및 재현을 통해 학습 모델의 표준화 및 자산화가 가능하다.
또한 최고 수준의 분석 전용 사용자 경험(UX)을 제공한다. 스파클링소다의 가장 큰 특징 중 하나는 자판기(Vending Machine) 형태의 통합 웹 UI를 제공한다는 점이며, 이에 따라 다양한 분석도구에 하나의 계정으로 해당 프로젝트에 손쉽게 접근할 수 있다. 프로젝트별, 사용자 계정/권한별 UI가 자동 구성되며, 화면 사이즈별로 반응형 웹과 같이 레이아웃이 최적화돼 제공된다.
| |
 |
|
| ▲ 스파클링소다 이용화면 예시 |
참조 가능한 산업특성화 모델 제공
스파클링소다는 애자일소다의 연구진이 개발한 AI 분석을 위한 산업에 특성화된 참조 모델을 제공한다. 현재 모델 리포지토리 모듈(Model Repository Module)을 통해 샤이니(Shiny) 기반의 애플리케이션화 돼 있는 CPC(Customer-Product-Channel) 분석 모델을 제공하고 있으며 지속적으로 확장해 나갈 계획이다.
또한 스파클링소다를 기반으로 축적되는 빅데이터를 근간으로 자가 진화해 최적화가 가능한 강화학습 기반 패키지 베이킹소다(BakingSoA), 시뮬레이션 데이터를 생산할 수 있는 데이터 정제 관련 패키지 에스테틱소다(AesthecticSoDA) 산업특성화 이미지 인식 패키지 네이키드소다(NakedSoDA) 등 산업에 특성화된 모델과 알고리즘 패키지를 탑재하고 있다.
김영현 애자일소다 전략기획본부 부사장은 “스파클링소다는 애자일소다가 보여줄 기업용 머신러닝 기반 분석의 시작 단계”라며 “향후 머신러닝의 자동화(AutoML), 해석 가능한 머신러닝(XAI:eXplainable AI)과 비즈니스 최적화를 위한 강화학습 연구에 집중해 기업용 AI 기술을 완성할 것을 목표로 하고 있다”고 밝혔다. |
webmaster@datanet.co.kr
KT, ‘28GHz 기업전용 5G 네트워크’ 개발 성공
