AI 채택 장벽: 주요 과제와 이를 극복하는 방법

인공지능(AI)이 어떻게 비즈니스를 혁신하고 효율성을 높이며 생산성을 향상시키고 있는지 확인하고 AI 채택 장벽에 대해 논의할 것입니다. 인공지능(AI)은 최근 몇 년 동안 비즈니스 성과를 높이기 위해 매우 중요해졌습니다.

다양한 산업에 걸친 기업들은 효율성과 생산성을 높이기 위해 AI를 채택하기 시작했습니다. 그러나 완전한 AI 채택을 향한 우리의 길에는 여러 가지 장애물이 있습니다.

완전한 AI 채택으로 가는 길에 놓여 있는 몇 가지 장애물 중 일부에 대해 논의할 것입니다.

 

 

AI 채택 장벽: 주요 과제와 이를 극복하는 방법

 

 

데이터 품질 및 가용성 

기업이 인공지능을 구현하는 동안 직면하는 가장 중요한 과제 중 하나는 데이터의 품질과 가용성입니다. 모델은 훈련되기 위해 많은 양의 데이터를 필요로 합니다. 그러나 데이터는 깨끗하고 정확해야 하며 당면한 문제와 관련이 있어야 합니다. 낮은 데이터 품질과 가용성은 인공지능 모델의 효과에 상당한 영향을 미칠 수 있습니다. 

예를 들어, 우리의 소비자 고객 중 한 명은 그들의 고객으로부터 들어오는 데이터를 처리하는 데 많은 어려움에 직면하고 있었습니다. 그들의 모든 고객은 약간 다르게 작동했습니다. 데이터를 스테이징하고, 데이터를 매핑한 다음 ETL을 실행하는 전통적인 접근 방식은 상당한 수작업입니다. 새로운 또는 업데이트된 데이터 피드를 탑재하는 데 종종 몇 주가 걸립니다.

그래서, 전통적인 접근 방식에 대한 보완으로, 우리는 이 문제에 대한 AI 기반 솔루션을 만들기로 결정했습니다. 우리는 긍정적인 초기 성공을 거두었지만, 빠르게 부딪친 문제 중 하나는 AI 모델을 훈련시키기 위한 충분한 데이터의 부족이었습니다. 우리는 또한 데이터를 감추기 위해 필요한 데이터 개인 정보 보호 및 보안 문제에 직면했는데, 이 문제는 여러 번의 반복을 필요로 하고 귀중한 시간을 소요했습니다. 둘째, 모델이 예외적인 시나리오를 적절하게 처리할 수 있는지 확인하기에 충분한 데이터가 없었습니다. 우리가 다른 더 운영되는 비즈니스 프로세스를 위해 합리적으로 고품질의 모의 데이터를 생성함으로써 이 시나리오를 처리할 수 있었지만, 그것은 최적의 해결책이 아닐 수도 있었습니다.

AI가 이상적인 해결책이라는 것은 분명했지만, 영향력 있는 AI 이니셔티브가 빛을 보지 못하는 이유도 분명했습니다. 이러한 문제를 완화하는 몇 가지 방법은 다음과 같습니다:

당장 필요한 것은 아니지만 데이터를 계속 사용할 수 있도록 AI를 최우선으로 고려해야 합니다. 여기에 고려해야 할 트레이드오프가 있습니다

높은 수준의 엔터프라이즈 데이터 모델을 유지하여 브레인스토밍을 통해 올바른 데이터 증강 기술을 신속하게 구현할 수 있습니다

깨끗하고 마스킹된 데이터 저장소를 유지하기 위해 파트너와 협력합니다. 이 경우 업계 컨소시엄이 많은 도움이 되었을 것입니다

 

 

과제 2: 이해 및 조정 부족 

기업이 직면한 또 다른 중요한 과제는 비즈니스 팀과 기술 팀 간의 이해와 조정 부족입니다. 

예를 들어, 구글이 보편적 분석을 일몰하고 6월에 GA4로 이전함에 따라 가장 큰 문제 중 하나는 분석의 연속성을 위해 새로운 GA4 대시보드에서 과거 데이터를 사용할 수 있도록 하는 것입니다. 이 문제가 발생하는 이유는 활동이 추적되는 방식의 기본적인 불일치 때문입니다. 구글은 다른 많은 사람들과 마찬가지로 세션 기반에서 이벤트 기반 추적으로 전환하고 있습니다.

이들이 얼리어답터가 아니었다면, 이제 기업들은 GA3 및 GA4 데이터에 대해 서로 다른 두 개의 대시보드를 유지해야 했을 것입니다. 그러나 마케팅 데이터를 자세히 이해했기 때문에 GA3 및 GA4 데이터를 하나의 대시보드에서 효과적으로 사용할 수 있는 솔루션을 고안할 수 있었습니다. 

또한 예측 분석 및 What-if 시나리오 모델링을 고객용 Google 대시보드에 통합할 수 있었습니다.  

그러나 오늘날 기술 팀과 비즈니스 팀 사이에는 충분한 격차가 존재하기 때문에 대부분의 기업은 우리에게 자연스럽게 나타나는 솔루션을 구현하지 못할 것입니다. 

이 문제를 해결하는 몇 가지 방법은 다음과 같습니다:

특히 비즈니스에서 사용하는 외부 SaaS 애플리케이션이 있는 경우 비즈니스 운영 방식에 대한 교육 및 교육을 기술 팀에 제공합니다. 

AI 및 기타 기술이 비즈니스에 무엇을 의미하는지에 대한 간단한 이해를 제공합니다

프로젝트를 위한 디자인 사고 주도의 브레인스토밍을 수행하여 프로세스와 요구사항을 기술 및 비즈니스 전문용어에 의해 혼란을 겪지 않고 이해할 수 있습니다. 

 

 

도전 3: AI 인사이트의 운영화(라스트 마일 문제)

AI 모델은 기업에 유용한 통찰력을 제공하지만, 비즈니스 프로세스와 기술 애플리케이션에 이러한 통찰력을 운영하는 것은 어렵습니다. 

이 문제는 종종 AI의 마지막 마일 문제로 알려져 있습니다.

결과적으로 AI를 구현하는 비용이 상당할 수 있기 때문에 기업은 ROI를 생성하는 명확한 경로 없이 투자를 정당화하는 데 어려움을 겪을 수 있습니다.

예를 들어 고객에게 CDP(Customer Data Platforms) 구축 관련 솔루션을 제공할 때 문제가 자주 발생합니다. CDP를 구축하는 것은 쉬운 일이 아닙니다. 엔터프라이즈 데이터 저장소와의 통합이 필요하며, 엔터프라이즈 저장소가 불완전한 경우가 많기 때문에 더욱 보완적인 데이터 통합을 구축해야 합니다. 올바른 비즈니스 보고 및 대시보드를 구축하는 데에도 시간이 걸립니다. 이러한 노력은 자체적으로 매우 쉽게 복잡한 프로그램으로 확장될 수 있습니다. 

이 문제를 해결하기 위해 우리가 일반적으로 취하는 접근 방식은 기술과 밀접하게 연결된 AI 우선 접근 방식입니다. 우리는 우리를 전통적인 비즈니스 인텔리전스 대시보드에 국한시키지 않고 AI 시나리오에서 시작하여 즉시 고객의 비즈니스 프로세스에 대한 통찰력을 API로 통합합니다. 예를 들어, 소매 고객을 위해 최근 가격 분석을 온라인 제안 관리 시스템과 통합하는 것을 하나의 프로그램으로 제안했습니다. 이를 즉시 수행하면 모두가 AI 프로그램을 수행하지 않음으로써 테이블에 남겨둘 가치를 알 수 있습니다.

이러한 과제를 해결하기 위해 기업이 취할 수 있는 몇 가지 접근 방식은 다음과 같습니다:

AI가 단순히 데이터 이니셔티브로 간주되지 않도록 하십시오. 통찰력이 비즈니스 프로세스에 도달할 수 있는 경로를 제공하기 위해 기술 구현과 긴밀하게 통합되어야 합니다. 

API 게이트웨이를 개발 중인 AI 모델과 통합하십시오. 이를 통해 개발자는 애플리케이션에 통찰력을 더 쉽게 통합할 수 있습니다.

기술 격차를 메우기 위해 로봇 프로세스 자동화를 사용하는 것을 주저하지 마십시오. 때로는 기술이 최적의 또는 실현 가능한 솔루션이 아닙니다. 

AI를 거버넌스 프로세스의 일부로 만들어 모든 기술 및 운영 프로젝트의 필수 조건이 되게 합니다

다양한 업무 및 비즈니스 팀을 하나로 묶어서 브레인스토밍 캔버스가 전체 비즈니스 프로세스에 걸쳐 포괄적인 입력을 받을 수 있도록 합니다.

 

 

결론

요약하자면, AI의 채택은 성능을 크게 향상시킬 수 있지만 완전한 채택에는 몇 가지 도전 과제가 있습니다. 이러한 과제에는 데이터 품질 및 가용성, 이해 및 조정 부족, 라스트 마일 문제로도 알려진 비즈니스 프로세스에 대한 AI 통찰력 운영화 등이 포함됩니다. 

이러한 문제를 완화하기 위해 기업은 깨끗한 데이터 저장소 유지, 기술 및 비즈니스 팀 조정 및 교차 교육, AI 프로그램과 기술 구현을 긴밀하게 통합하는 등의 접근 방식을 고려할 수 있습니다. 

이러한 단계를 수행하면 일반적인 AI 채택 장애물을 해결하고 ROI에 대한 명확한 경로를 제공하는 데 도움이 될 것입니다.