데이터와 인공지능 시대 스타트업은 어떻게 해야 할까?

미국 인공지능연구소 Open AI에서 개발한 ChatGPT의 놀라운 서비스가 최근 뜨겁게 조명되고 있다.

ChatGPT는 자연어에 반응할 수 있는 언어 인공지능 서비스 모델로 대화를 통해 정보를 제공해 주는 서비스이다.

일종의 한 차원 높은 검색엔진이나 인공지능 챗봇으로 이해해도 현재는 무리가 없다.

사람들의 질문에 대해 ChatGPT가 제공한 정보 수준이 생각보다 유용한 듯하다.

일례로 미국 미네소타 대학교 로스쿨에서 헌법 과세 및 불법 행위 등 다양한 주제에 대한 에세이로 ChatGPT는 로스쿨 시험을 통과했다.

인공지능, 빅데이터, 메타버스, 블록체인 등의 4차 산업혁명 기술발전에 대한 기대감이 시들어갈 때쯤 다시 관심을 높여주고 있다.

특히 많은 사람들이 다른 분야보다 데이터와 인공지능에 대해 매우 높은 기대감을 가지고 있는 것 같다.

이러한 기대감은 데이터와 인공지능에 대한 경험과 이해 없이 형성된 경우가 있어 오해를 불러일으키기도 한다.

마찬가지로 초기 사업을 시작하는 스타트업도 데이터와 인공지능에 대한 강한 환상을 가지고 있는 듯하다.

기업에 데이터 서비스를 적용하고 인공지능을 활용하면 위 사례의 ChatGPT 같이 최고 수준의 인공지능 서비스가 자동적으로 도입되어서 기업에 맞게 실행될 것으로 오해하기도 하는 것이다.

이러한 오해로 인해 막상 데이터와 인공지능 서비스를 도입하면서 실망하고 어려워하는 스타트업을 상당히 많이 보았다. 

그렇다면 데이터와 인공지능을 활용하고 도입하려는 스타트업은 어떤 마음가짐으로 이를 바라봐야 할까?

먼저 스타트업이 데이터와 인공지능을 활용하려는 목적이나 목표가 무엇인지 확인하고 설정해야 한다. 이를 위해 목표를 작게 좁혀야 한다.

목표를 작게 좁히면 구체적으로 이야기하고 다룰 수 있어 조직 내 구성원들이 그리고 회사와 서비스 제공자가 명확한 의사소통이 가능해진다.

이는 스타트업이 생각하는 막연한 데이터와 인공지능에 대한 기대감을 현실적인 목표로 바꿔주는 과정이다.

이러한 과정을 통해 스타트업 내부에서 데이터와 인공지능에 대해 생각하고 있는 청사진의 가능성을 파악할 수 있으며 조직 내 의견을 모을 수 있는 기회를 가지기도 한다.

하지만 대부분 스타트업은 이러한 과정을 매우 생소하게 여겨 학습에 대한 스트레스를 받기도 하고 어려운 의사결정이 요구되기에 빨리 넘어가기를 바라는 것 같다.

곧 치열하게 목표를 고민하기보단 막연하게 데이터와 인공지능 서비스를 적용하면 무엇인가 좋아질 것으로 기대하는 것 같다.

가능성 있는 목표인지 조직 구성원이 바람직하게 생각하는 목표인지 고민하는 과정이 없는 경우가 대부분이다.

목표에 대한 확인 과정 없이 이루어지는 데이터와 인공지능 서비스 도입은 조직의 인공지능 간접 경험 기회를 날려버리는 것이고

이는 조직의 인공지능 간접 경험 기회를 날려버리는 것이고 이는 조직의 인공지능 이해 수준을 낮추는 결과를 초래할 수 있다.

그러므로 서비스 도입 목표를 구체적으로 확인하는 과정을 거쳐 조직의 데이터와 인공지능에 대한 이해 수준을 높이길 바란다.

둘째로 정형 데이터를 수집하고 모아야 한다. 정형 데이터가 인공지능 모델에 대한 범용성이 높기 때문이다.

데이터의 종류를 정현 데이터, 반 정형 데이터, 비정형 데이터로 구분하는데 이는 데이터베이스나 빅데이터 분야에서 자주 나오는 내용이다.

정형 데이터는 구조화된 데이터, 즉 행과 열 구조로 이루어진 엑셀 형태 데이터로 쉽게 이해할 수 있다.

반 정형 데이터는 정형 데이터에 비해 복잡한 구조로 젖아된 데이터로 HTML, XML, JSON, 로그 데이터를 제외하면 대부분 비정형 데이터이며  비정형 데이터는 가장 많은 비중을 차지하고 있다. 

그래서 기업 내부에서 관리되는 데이터 형태도 대부분 비정형 데이터이며 이는 인공지능 모델에 적용할 수 없거나 그 난이도가 매우 높다.

일반적으로 인공지능 모델은 비정형 데이터를 인식하지 못하고 정형 데이터를 받아들일 수 없다.

그리고 인공지능 모델은 매우 방대한 정형 데이터 간의 관계를 파악하여 타깃 변수를 예측하거나 분류하는 지도학습부터 적용하기 쉽다.

비지도 학습이나 강화 학습, 이미지 처리, 언어 처리 등 다양한 서비스 또한 정형 데이터를 적용하기 쉬우나 다른 종류 데이터는 각각 높은 수준의 처리가 필요하다.

일부 스타트업에서 데이터에 대한 경험이 부족하다 보니 회사 내 비정현 데이터로 인공지능 서비스에 적용하고자 하는 경우도 있었다.

이렇게 하려면 대부분 사람이 하나하나 정형 데이터로 변환시켜 적용하거나 어려운 데이터 처리 기술이 활용되므로 비용이 매우 높아진다.

그러므로 스타트업에서 애초에 인공지능 서비스를 적용하려는 의도가 있다면 꼭 회사 내 데이터를 정형 데이터로 저장하고 관리하는 업무 플로우를 가지길 바란다.

마지막으로 데이터와 인공지능에 대한 한계를 인지해야 한다.

데이터와 인공지능이라는 단어가 가지는 이미지는 실로 막강한 듯하다. 

도깨비방망이처럼 자동적으로 편하게 성과를 만들어줄 것 같은 느낌이 있다. 하지만 자동으로 되는 것은 아무것도 없고 모두 누군가의 손을 거쳐야 한다.

데이터 수집부터 전처리, 후처리, 병합 후 이루어지는 모델 학습, 테스트, 성능 측정, 서비스화 과정까지 무엇 하나 만만한 것이 없고 편하게 되는 것은 없다.

모든 과정을 사람이 계획하고 관리하여 만들어낸다. 내가 하는 사업과 같이 사람이 하는 것이다.

그리고 도입 목표에 따라 적용한 서비스 분야갸 데이터와 인공지능에 최적화하기 어려운 환경일 수 있다.

또한 데이터와 인공지능을 적용하기 좋은 환경이었다고 하더라도 적용 후 성능이 낮아지는 경우도 많이 발생한다.

도입 기대만큼 성과가 안 나올 수도 있다는 것이다. 

이에 데이터와 인공지능 적용에 따른 성과 창출 영역을 먼저 파악하여 회사는 어떤 부분에 도입하면 좋을지 고민하는 것도 좋은 방법인 듯하다.

데이터와 인공지능 서비스를 적용하는 것은 스타트업의 디지털 트랜스 포메이션으로 바라볼 수 있으며 생각보다 시간, 비용, 에너지가 많이 들어가는 과정이다.

막연한 기대감으로 자칫 잘못하여 도입 프로젝트가 실패하면 회사에 엄청난 손실을 미칠 수 있다.

데이터와 인공지능에 대한 부족한 이해로 도입 목표가 세워진다면 회사의 손실 확률은 커질 것이다.

뚜렷하지 않은 목표로 데이터와 인공지능 서비스를 도입하면 적용 시점에는 무엇인가 이루어진 것처럼 보일 수 있다.

적용 후 서비스 공급자가 빠져나간 시점에는 변화된 상황에 적응하지 못해 성과를 유지하지 못하는 경우가 허다하다.

이러한 실패를 피할 수 있는 방법은 현실적은 목표를 구체적으로 세우고 정형 데이터를 모아 성과 창출할 수 있는 영역을  파악한 후 도입하는 것이다.

위의 과정 하나하나 경험과 노하우가 필요한 부분이다.

결국 끝없이 발전하는 데이터와 인공지능을 성공적으로 도입하기 위해 우리도 끝없이 공부하고 경험해야 한다.

필요성을 느껴서 시작하면 늦을 수 있다. 지금부터 준비하여 실패를 성공을 바꾸길 바란다.

김용선

이드로경영파트너스 이사