주요 컨텐츠로 이동

(번역: Youngkyong Ko) Original Post

인공지능(AI)은 기업이 생산하고 고객이 상호 작용하는 모든 제품과 서비스에 포함될 것입니다. 이제 생성형 AI를 통해 모든 기업의 경쟁 우위에 기여하는 데이터 및 AI 이니셔티브에 대한 기대치가 높아지는 시대에 접어들고 있습니다. 기업이 경쟁 우위를 창출하고 유지하는 데 성공하려면 데이터 거버넌스를 올바르게 수립하는 것이 절대적으로 중요합니다. 데이터 거버넌스의 중요성은 오늘날의 역동적인 맥락에서 간과할 수 없으며, AI 이니셔티브를 수행하기 위한 필수 요소입니다. 왜 그럴까요? 좋은 AI는 좋은 데이터에서 나오기 때문입니다. 적절한 거버넌스 없이는 좋은 데이터를 확보할 수 없습니다.

하지만 데이터 거버넌스에는 한 가지 큰 문제가 있습니다. 이를 가장 잘 설명하기 위해 유쾌하고 무서운 할리우드 캐릭터인 이니고 몬토야(프린세스 브라이드의 등장인물)의 대사를 인용해 보겠습니다."데이터 거버넌스.... 그 단어를 계속 사용하시네요. 당신이 생각하는 그런 뜻이 아닌 것 같아요!"라고 말입니다. 이 말은 이 용어가 너무 모호해져서 조직이 데이터 거버넌스가 무엇인지, 어떻게 비즈니스에 가치 증대 효과를 창출할 수 있는지, 규정 준수(compliance) 이니셔티브와 어떻게 구별되는지 정의하는 데 어려움을 겪는 현실을 재미있으면서도 정확하게 표현한 말이라고 할 수 있습니다.

Data Governance

데이터 거버넌스가 조직의 모든 측면에 미치는 영향과 주요 이해관계자(특히 AI 애플리케이션을 사용하는 이해관계자)에게 중요한 이유를 설명하기 위해 강력한 데이터 거버넌스 전략의 영향을 받는 제품, 프로세스 및 업무에 종사하는 사람들의 라이프사이클을 따라가 보겠습니다.

더 나은 데이터로 더 나은 고객 경험 제공

설치된 커넥티드 제품들이 중요한 상태와 사용자 상호작용 정보를 회사의 데이터 플랫폼으로 지속적으로 스트리밍한다고 상상해 보세요. 고객 지원팀은 서비스 상담원과 현장 엔지니어가 올바른 문제의 우선 순위를 정하고 올바른 솔루션을 추천할 수 있도록 LLM 모델과 챗봇을 구축하고자 합니다. 고객을 직접 대면하는 팀이 이 정보를 기반으로 내리는 의사 결정의 품질은 데이터의 품질, 특히 완전성과 적시성에 매우 민감합니다.

예를 들어, 서비스 팀은 차량의 어느 부분이 최신 구성으로 실행되고 있는지 파악하고, 성능 저하를 보이는 세그먼트를 식별하며, 가능한 복구 전략의 영향을 시뮬레이션할 수 있습니다. 또한 현장 엔지니어는 이 정보를 사용하여 신뢰성 추세와 고객에게 최고의 경제적 가치를 제공할 수 있는 최상의 솔루션을 파악합니다. 이러한 시나리오에서 데이터 품질 저하로 인한 비용은 최적이 아닌 결정으로 이어져, 고객 신뢰의 약화와 더불어 이벤트당 수백만 달러의 비용을 초래할 수 있습니다.

고객 중심 조직으로서 더 나은 의사 결정을 내리고 제품을 최상의 운영 상태로 유지하며 최상의 고객 경험을 제공하기 위해서는 모든 단계에서 엄격한 데이터 무결성 검사를 시행하는 것이 무엇보다 중요합니다.

이터 가치 사슬의 모든 단계에서 데이터 무결성 검사에 대한 가시성을 확보함으로써 기업은 더 나은 동기화, 더 빠른 근본 원인 분석, 최종 사용자가 소비하는 예측, 보고서, 대시보드, GenAI 앱과 같은 다운스트림 데이터 제품에 대한 더 정확한 평가를 달성할 수 있습니다.

원활한 데이터 협업을 통한 민첩한 공급망 오케스트레이션

공급망 팀이 데이터 과학 기술을 사용하여 제품에 대한 시장 수요를 보다 정확하게 예측함으로써 재고 수준을 최적화하고 보다 정확한 보충 및 생산 계획을 수립하고자 한다고 상상해 보세요. 또한 물류 및 창고 운영을 더 많이 자동화하여 오류를 줄이고 정시 배송 실적을 높이며 더 현명한 자본 배분 결정을 내릴 수 있는 능력을 구상하고 있다고 생각해 봅시다. 보다 정확하고 완전하며 시기적절한 예측은 공급망, 조달, 재무 및 운영, 사업부, 심지어 공급업체, 유통업체 및 물류 파트너와 같은 외부 기관의 다양한 부서 간의 협업에 달려 있습니다.

좋은 데이터 거버넌스 관행은 협업을 방해하는 것이 아니라 촉진합니다. 모든 사람이 더 나은 의사 결정을 내릴 수 있도록 올바른 데이터를 확보할 수 있습니다. 내부 및 외부 이해관계자 간의 강력하고 신뢰할 수 있는 데이터 공유는 보다 정확하고 의미 있는 분석을 제공합니다. 이런 공유가 없으면 각 부서에서 운영 상황을 정확히 파악할 수 없고 각자 다른 버전의 상황 인식을 하게 될 것입니다. 견고하고 지속 가능한 공급망을 구축하기 위해 기업은 전체 비즈니스와 에코시스템에 걸쳐 원활하게 연동되는 데이터 거버넌스에 더욱 집중해야 합니다.

제조 기업은 조직 내부(여러 부서 및 사업부)와 외부(공급업체, 거래 파트너, 딜러/유통업체)에서 데이터를 공유하기 위해 관리되는 접근 방식이 필요합니다. 이는 운영 및 공급망 성과에 영향을 미칠 수 있는 요인을 보다 포괄적이고 실시간으로 파악하기 위해 필요합니다.

거버넌스 강화된 AI로 더욱 스마트한 제조

배출 규제가 강화되고 고객의 기대치가 높아짐에 따라 거의 모든 산업 분야에서 품질 요구 사항이 증가하고 있습니다. 품질 관리 전문가가 생산 공정 초기에 잠재적 결함이 있는 제품을 식별하고 폐기하여 귀중한 제조 자원이 낭비되지 않고, 더 중요하게는 결함이 있는 제품이 고객에게 전달되는 것을 방지하는 컴퓨터 비전 기반 결함 감지 모델을 상상해 보세요.

의사 결정을 위한 산업용 AI 시스템은 주로 센서, 이미지, 동영상, 텍스트, 문서, 복잡한 시스템의 비정형 데이터로 학습됩니다. 안전, 품질, 생산성에 영향을 미치는 미션 크리티컬 사용 사례의 경우 잘못된 예측으로 인해 수백만 달러의 비용이 발생할 수 있습니다. 산업 AI에 대한 이해관계가 매우 높은 상황에서 잘못된 데이터로는 성공에 이를 수 없습니다. 거버넌스의 단축으로는 AI의 약속을 실현할 수 없습니다. 업계에는 데이터 관리에서 시작하여 AI의 엔드투엔드 개발로 확장되는 거버넌스에 대한 포괄적인 접근 방식이 필요합니다.

제조 업계에서 AI로 해결해야 하는 문제의 중요성이 커짐에 따라, 업계는 모든 데이터 유형, 기능 및 모델에 걸쳐 전체 AI 워크플로우를 관리하여 이러한 데이터 및 AI 자산의 수명 주기 동안 설명 가능성, 추적 가능성 및 재현성을 개선하기 위한 보다 포괄적인 접근 방식을 필요로 합니다.

포괄적인 데이터 검색 및 계보로 더 나은 제품 설계

업계의 제품 주기는 기하급수적으로 짧아지고 있습니다. 핵심 제품에 소프트웨어와 AI를 도입하려면 설계, 제조, 서비스, 최적화에 이르는 제품 수명 주기의 여러 부분에 걸쳐 데이터 세트를 통합할 수 있는 다른 접근 방식이 필요합니다. 그러나 도메인 전문가가 이 중요한 정보를 보유한 데이터 플랫폼과 상호 작용하기에는 여전히 큰 기술 장벽이 존재합니다.

생성형 AI의 가장 즉각적인 적용 분야는 회사의 고유한 조직 구조, 특정 약어 및 제품 용어에 맞게 데이터 구조를 지속적으로 학습하여 기술 수준에 관계없이 사용자에게 적합한 데이터 세트를 발견하고 비즈니스에 특화된 인사이트를 제공할 수 있는 자연어 인터페이스를 제공하는 것입니다. AI 모델을 활용하여 실제 환경의 데이터를 활용하고, 설계 프로세스에서 반복적인 작업을 간소화하며, 여러 분야 팀 간의 데이터 협업을 강화할 수 있는 엔지니어링 시뮬레이션 및 워크플로우가 이 기능을 통해 혜택을 받을 수 있는 분야 중 하나입니다.

데이터 계보에 대한 포괄적인 접근 방식은 데이터 생성부터 사용까지 전체 라이프사이클을 아우르며, 엔지니어링 생산성의 새로운 물결을 여는 데 필요한 신뢰, 추적성, 감사 기능을 제공합니다. 이를 통해 궁극적으로 조직은 이전보다 더 빠르고 저렴하게 더 나은 설계를 반복할 수 있습니다.

미래를 내다보세요: 보다 효과적인 거버넌스로 데이터 및 AI 민주화 실현

궁극적으로 기업의 데이터 및 AI 전략은 더 나은 의사결정을 내리는 것입니다. 데이터와 AI의 효과적인 거버넌스는 가치 사슬의 모든 단계와 조직 구석구석에서 더 나은 의사결정을 내릴 수 있는 통로입니다. 거버넌스에 대해 보다 포괄적인 접근 방식을 취하는 기업이 데이터로 강력한 경쟁 우위를 창출하는 데 가장 유리할 것입니다. AI의 황금기를 맞아 모든 경영진이 거버넌스에 대한 다음 단계를 결정하기 위해 질문해야 할 다섯 가지 질문이 있습니다.

  • 데이터 품질: 우리 업계의 데이터는 점점 더 비정형화되고 다양해지고 있습니다(애플리케이션, IoT 기기, 원격 측정, 이미지/비디오 등). 이러한 복잡성 증가 속에서 데이터 큐레이션 프로세스를 확장하고 더 많은 사용자에게 고품질의 데이터 제품을 제공하는 방법은 무엇일까요?
  • Governance of AI: Most AI work takes place in the realm of unstructured data. Does the company's strategy address the governance of artifacts in the end-to-end development of AI (e.g. features, models, unstructured data)? AI 거버넌스: 대부분의 AI 작업은 비정형 데이터 영역에서 이루어집니다. 회사의 전략이 AI를 개발하는 전체 과정에서 산출물 (예: 기능, 모델, 비정형 데이터)의 거버넌스를 다루고 있나요?
  • 협업: 마케팅, 애프터서비스, 운영, 제조, R&D, 심지어 외부 비즈니스 및 공급망 파트너 등 여러 부서에 정보를 민주화해야 할 필요성이 끊임없이 제기되고 있습니다. 거버넌스에 대한 회사의 접근 방식은 어떻게 내부 및 외부 이해관계자들과 이러한 수준의 협업을 가능하게 하나요?
  • 보안: AI와 관련된 계약, 법률, 규제 및 업계 관행의 환경은 점점 더 복잡해지고 있습니다. 회사 내 데이터 및 AI 사용이 시장과 업계의 기대에 부합한다는 것을 보다 확실하게 입증하기 위해 어떤 조치를 마련하고 있나요?
  • 재현 가능성: AI는 안전, 신뢰성, 효율성 및 생산성에서 가시적인 실제 결과를 이끌어내는 시간에 민감한 의사결정에 힘을 실어주고 있습니다. 혁신의 속도와 모델의 복잡성이 증가함에 따라 기업은 어떻게 전체 과정의 데이터 계보를 보다 포괄적으로 파악하여 시간이 지남에 따라 AI 시스템의 설명 가능성과 재현 가능성을 개선하고 있을까요?

 

거버넌스, 생성형 AI, 데이터브릭스 데이터 인텔리전스 플랫폼에 대해 자세히 알아보려면 다음 리소스를 활용하세요:
(ebook) Data, Analytics and AI Governance

Databricks 무료로 시작하기

관련 포스트

모든 산업 포스트 보기