단기 AI혁신을 주도하는 4가지 트렌드

"책임 있는 인공지능(Responsible AI), 작고 광범위한 데이터 접근 방식(Small and Wide Data), 인공지능 플랫폼의 운영화(Operationalization of AI Platforms), 모델 및 컴퓨팅 리소스의 효율적인 사용(Efficient Use of Resources). 이 네 가지 트렌드가 단기 인공지능 혁신을 주도하며, 빠른 속도로 인공지능 분야의 진화와 혁신이 진행되고 있다.

​

가트너가 '인공지능에 대한 하이프 사이클, 2021(Hype Cycle for Artificial Intelligence, 2021)'을 발표하고, 특히 눈여겨 보아아햘 네 가지 트렌드를 강조했다. 이번 보고서는 '2021 하이프 사이클: 신뢰, 성장, 변화를 통한 배달 혁신(2021 Hype Cycles: Innovating Delivery Through Trust, Growth, Change)'이라는 특별 보고서의 일부다.

​

 

가트너가 '인공지능에 대한 하이프 사이클, 2021'을 발표하고, 책임 있는 인공지능, 작고 광범위한 데이터 접근 방식, 인공지능 플랫폼의 운영, 모델 및 컴퓨팅 리소스의 효율적인 사용을 주목해야 할 네 가지 핵심 트렌드로 꼽았다. (자료 : Gartner)

​

​

첫 번째, 책임 있는 인공지능은 편향되거나 왜곡된 데이터가 반영되었을 때 발생할 수 있는 문제를 인지하고 해결하는 것이 갈수록 중요해지고 있다는 것을 나타낸다. 가트너는 2023년까지 AI 개발 및 교육 작업에 고용된 모든 직원이, 책임 있는 AI에 대한 전문성을 입증해야 할 것으로 예상했다.

​

가트너의 연구 부사장인 스베틀라나 시쿨라((Svetlana Sicular)는 "AI 기술의 향상된 신뢰, 투명성, 공정성 및 감사 가능성은 광범위한 이해 관계자에게 계속해서 중요해지고 있다 . 책임 있는 AI는 편견이 데이터에 반영되더라도 공정성을 달성하는 데 도움이 된다. 투명성과 설명 가능성 방법(explainability methods)이 진화하고 있다”고 밝혔다.

​

두 번째, 작고 광범위한 데이터 접근 방식이 중요한 이유는, 빅 데이터만이 능사가 아니라는 것을 보여준다. 데이터는 성공적인 AI 이니셔티브의 기초를 형성하는 핵심 요소인 만큼, 이러한 데이터에 관한 접근 및 활용 방법이 무엇보다 중요하다. 작은 규모의 데이터에 광범위하게 접근하는 것은, 더욱 강력한 분석과 인공지능 활용이 가능하게 한다.

​

가트너는 이러한 접근 방식은 빅 데이터에 대한 의존도를 줄이고, 더욱 향상된 상황 인식이 가능하도록 한다고 밝혔다. 그러면서 2025년까지 조직의 70%가 빅 데이터에서 작고 광범위한 데이터로 초점을 옮겨 분석에 더 많은 컨텍스트를 제공하고, 인공지능이 데이터 부족 현상을 겪지 않도록 해야 한다고 강조한다.

​

스베틀라나 시쿨라 부사장은 "작은 데이터(small data)는 더 적은 데이터(less data)가 필요하지만, 여전히 유용한 통찰력을 제공하는 분석 기법에 적용된다. 광범위한 데이터(wide data)는 다양한 데이터 소스의 분석을 통해 시너지를 얻을 수 있다. 이러한 접근 방식을 함께 사용하면 보다 강력한 분석이 가능하고 비즈니스 문제에 대한 보다 360도 관점을 얻을 수 있다"고 설명했다.

​

세 번째 AI 플랫폼 운영은 비즈니스 혁신을 위해 AI를 활용하는 것이 시급하고 중요해지면서, AI 플랫폼 운영이 필요하게 되었기 때문이다. 이것은 AI 프로젝트를 개념적인 접근이 아닌 생산 및 업무에 적용해, AI 솔루션을 전사적 문제 해결에 사용할 수 있다는 것을 의미한다. 그동안 개념 정립이나 적용 분야에 대한 연구와 탐색 단계를 넘어, 이제는 실질적인 업무용 솔루션으로 활용할 때가 된 것이다.

​

시쿨라 부사장은 "AI 프로젝트의 절반만이 파일럿에서 생산 단계에 이르고, 그렇게 하는 데 평균 9개월이 걸린다는 사실을 발견했다. AI 오케스트레이션 및 자동화 플랫폼(AIOAP) 및 모델 운영화( ModelOps )와 같은 혁신은 재사용성, 확장성 및 거버넌스를 가능하게 하여 AI 채택 및 성장을 가속화하고 있다"고 강조했다.

​

네 번째 자원의 효율적인 사용은 인공지능 모델부터 다양한 데이터까지 모든 자원을 말 그대로 '효율적으로' 사용해야 한다는 것을 의미한다. AI 배포와 관련된 데이터, 모델, 컴퓨팅 리소스 등의 복잡성과 규모를 고려할 때, 이러한 리소스를 최대한 효율적으로 사용할 수 있는 체계가 갖추어져야 AI 혁신이 가능하다는 것이다.

​

특히, 다중 경험(Multiexperience), 복합 AI(Composite AI), 제너레이티브 AI(Generative AI) 및 트랜스포머(Transformers)는, 광범위한 비즈니스 문제를 보다 효율적인 방식으로 해결할 수 있는 능력으로 AI 시장에서 가시성을 얻고 있다고 보고서는 밝혔다.

​

가트너의 수석 연구 애널리스트인 슈방기 바시스트는 "AI 혁신은 빠른 속도로 진행되고 있으며, 하이프 사이클의 평균 이상의 기술이 2~5년 이내에 주류 채택에 도달한다. 에지 AI, 컴퓨터 비전, 의사 결정 인텔리전스 및 기계 학습을 포함한 혁신은 모두 향후 몇 년 동안 시장에 혁신적인 영향을 미칠 태세다. 높은 비율의 AI 혁신이 상승하는 혁신 트리거에 나타나고 있다(그림 참조)"라고 밝혔다.