AI(인공지능)란 무엇인가?

[힘힘]

AI(인공지능)란 무엇인가?

2024년 4월 3일| 기사

공유하다

인쇄

다운로드

구하다

인공 지능은 우리가 일반적으로 인간의 마음과 연관시키는 일부 인지 기능을 수행하는 기계의 능력입니다.

3D 로봇 손

다운로드

기사(10페이지)

인간과 기계는 생산성의  천국 에서 이루어진 조화입니다 . 우리 종족은 기계화된 일꾼이 없었다면 그리 멀리 가지 못했을 것입니다. 농업에 혁명을 일으킨 바퀴부터 점점 더 복잡해지는 건설 프로젝트를 결합하는 나사, 오늘날의 로봇 지원 조립 라인에 이르기까지 기계는 우리가 알고 있는 삶을 가능하게 만들었습니다. 하지만 겉으로 보기에는 무한해 보이는 유용성에도 불구하고 인간은 오랫동안 기계를 두려워해 왔습니다. 더 구체적으로 말하면 기계가 언젠가 인간의 지능을 획득하여  스스로 공격 할 가능성을 두려워해 왔습니다 .

AI에 대한 McKinsey 선임 전문가를 알아보고 직접 참여해 보세요.

Sven Blumberg는 McKinsey 뒤셀도르프 사무소의 수석 파트너입니다. Michael Chui는 McKinsey Global Institute의 파트너이며 Lareina Yee가 수석 파트너로 있는 Bay Area 사무실에서 근무하고 있습니다. Kia Javanmardian 은 시카고 사무소의 수석 파트너이며,McKinsey의 AI QuantumBlack의 글로벌 리더인 Alex Singla 도 수석 파트너입니다. Kate Smaje 와 Alex Sukharevsky는 런던 사무소의 수석 파트너입니다.

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

그러나 우리는 감각이 있는 기계의 가능성을 매혹과 두려움으로 보는 경향이 있습니다. 이러한 호기심은 공상과학 소설을 실제 과학으로 바꾸는 데 도움이 되었습니다. 컴퓨터 과학자이자 수학자인 앨런 튜링(Alan Turing)과 같은 20세기 이론가들은 기계가 인간보다 더 빠르게 기능을 수행할 수 있는 미래를 상상했습니다. Turing과 다른 사람들의 연구는 곧 이것을 현실로 만들었습니다. 개인용 계산기는 1970년대에 널리 보급되었으며, 2016년까지 미국 인구조사에 따르면 미국 가구의 89%가 컴퓨터를 보유하고 있는 것으로 나타났습니다. 기계, 말하자면 스마트 기계는 이제 우리 삶과 문화의 평범한 부분일 뿐입니다.

이러한 스마트 기계는 점점 더 빨라지고 복잡해지고 있습니다. 일부 컴퓨터는 이제 엑사스케일 임계값을 넘었습니다 . 즉, 개인이 31,688,765,000년 동안 수행할 수 있는 만큼의 계산을 1초에 수행할 수 있습니다 . 그리고 기계가 오랫동안 우리보다 더 빠른 계산을 넘어서 컴퓨터와 기타 장치는 이제 한때 인간과 몇몇 다른 종에게만 고유했던 기술과 인식을 습득하고 있습니다.

공유하다

사이드바

McKinsey의 AI인 QuantumBlack 소개

AI는 지각, 추론, 학습, 환경과의 상호 작용, 문제 해결, 창의성 발휘 등 인간의 마음과 관련된 인지 기능을 수행하는 기계의 능력입니다. 인식하지 못하더라도 AI와 상호 작용한 적이 있을 것입니다. Siri 및 Alexa와 같은 음성 비서는 AI 기술을 기반으로 하며 웹 사이트 탐색을 돕기 위해 팝업으로 나타나는 일부 고객 서비스 챗봇도 마찬가지입니다.

응용 AI (간단히 말하면 실제 문제에 적용되는 인공 지능)는 비즈니스 세계에 심각한 영향을 미칩니다. 인공지능을 활용하면 기업은 비즈니스를 더욱 효율적이고 수익성 있게 만들 수 있는 잠재력을 갖게 됩니다. 그러나 궁극적으로 AI의 가치는 시스템 자체에 있지 않습니다. 오히려 기업이 인간을 돕기 위해 이러한 시스템을 사용하는 방법과 이러한 시스템이 수행하는 작업을 주주와 대중에게 설명 하는 능력에 따라 신뢰와 확신을 구축할 수 있습니다.

AI, AI의 역사, 미래, 비즈니스에 적용하는 방법에 대해 자세히 알아보려면 계속 읽어보세요.

McKinsey의 AI인 QuantumBlack 에 대해 자세히 알아보세요 .

McKinsey 설명자 소개 : 복잡한 질문에 대한 직접적인 답변

시리즈 살펴보기

머신러닝이란 무엇인가요?

기계 학습은 대규모 과거 데이터 세트, 합성 데이터 또는 인간 입력을 포함하여 광범위한 입력에 적응할 수 있는 인공 지능의 한 형태입니다. (일부 기계 학습 알고리즘은 패턴을 감지하기 위해 자체적으로 훈련하는 데 특화되어 있습니다. 이를 딥 러닝이라고 합니다. 그림 1을 참조하세요.) 이러한 알고리즘은 명시적인 프로그래밍 지침을 받는 대신 데이터를 처리하여 패턴을 감지하고 예측 및 권장 사항을 만드는 방법을 학습할 수 있습니다. 일부 알고리즘은 새로운 데이터와 경험에 대응하여 적응하여 시간이 지남에 따라 개선될 수도 있습니다.

전시 1

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

현재 생성되고 있는 데이터의 양과 복잡성은 인간이 효율적으로 처리하고 적용하기에는 너무 방대하여 기계 학습의 잠재력과 필요성이 증가했습니다. 1970년대에 시작된 광범위한 배포 이후 몇 년 동안 기계 학습은 의료 영상 분석  및 고해상도 일기 예보 분야 의 성과를 포함하여 다양한 산업에 영향을 미쳤습니다 .

현재 생성되고 있는 데이터의 양과 복잡성은 인간이 효율적으로 처리하고 적용하기에는 너무 방대하여 기계 학습의 잠재력과 필요성이 증가했습니다.

딥러닝이란 무엇인가요?

딥 러닝은 광범위한 데이터 리소스(텍스트 및 이미지를 포함한 비정형 데이터)를 처리하는 데 특히 능숙하고, 사람의 개입이 훨씬 덜 필요하며, 기존 기계 학습보다 더 정확한 결과를 생성할 수 있는 고급 버전의 기계 학습입니다. . 딥 러닝은 인간 두뇌에서 뉴런이 상호 작용하는 방식을 기반으로 하는 신경 네트워크를 사용하여 데이터를 수집하고 점점 더 복잡해지는 데이터의 특징을 인식하는 여러 뉴런 계층을 통해 처리합니다. 예를 들어, 초기 레이어는 무언가를 특정 모양으로 인식할 수 있습니다. 이 지식을 바탕으로 이후 레이어에서는 모양을 정지 신호로 식별할 수 있습니다. 기계 학습과 마찬가지로 딥 러닝은 반복을 사용하여 자체 수정하고 예측 기능을 향상시킵니다. 예를 들어 정지 신호가 어떻게 보이는지 "학습"하면 새로운 이미지에서 정지 신호를 인식할 수 있습니다.

자세히 알아보기QuantumBlack, McKinsey의 AI .

생성 AI란 무엇인가?

공유하다

사이드바

사례 연구: Vistra와 Martin Lake 발전소

Gen AI (Generative AI)는 프롬프트에 응답하여 콘텐츠를 생성하는 AI 모델입니다. ChatGPT 및 DALL-E(AI 생성 예술을 위한 도구)와 같은 생성 AI 도구가 다양한 작업  수행 방식을 변화시킬 수 있는 잠재력을 가지고 있다는 것은 분명합니다 . Gen AI의 잠재력에 대해서는 아직 많은 것이 알려져 있지 않지만 Gen AI 모델이 어떻게 구축되었는지, 어떤 종류의 문제가 해결하기에 가장 적합한지, 더 넓은 AI 및 기계 학습 범주에 어떻게 적합한지 등 우리가 답할 수 있는 몇 가지 질문이 있습니다. .

생성적 AI와 이것이 비즈니스와 사회에 어떤 영향을 미치는지에 대한 자세한 내용은 설명자 “ 생성 AI란 무엇입니까?”를 확인하세요. ”

AI의 역사는 무엇인가?

"인공지능"이라는 용어는 1956년  컴퓨터 과학자 존 매카시(John McCarthy)가 다트머스 워크숍에서 만들어냈습니다. 그러나 그는 우리가 현재 AI라고 부르는 개념에 대해 처음으로 글을 쓴 사람이 아닙니다. 앨런 튜링(Alan Turing)은 1950년 논문에서 ' 모방 게임 ' 개념을 소개했습니다 . 이는 현재 "튜링 테스트"로 알려진 지능적인 동작을 나타내는 기계의 능력을 테스트하는 것입니다. 그는 연구자들이 게임이나 언어 번역과 같이 너무 많은 감지와 행동이 필요하지 않은 영역에 집중해야 한다고 믿었습니다. 컴퓨터 비전, 자연어 이해, 신경망과 같은 개념을 전담하는 연구 커뮤니티는 대부분 수십 년의 역사를 갖고 있습니다.

MIT 물리학자 로드니 브룩스(Rodney Brooks)는 AI의 이전 4단계에 대한 세부 정보를 공유했습니다 .

• 상징적 AI(1956). 기호형 AI는 클래식 AI 또는 GOFAI(Good Old-fashioned AI)라고도 합니다. 여기서 핵심 개념은 문제를 해결하기 위해 기호와 논리적 추론을 사용하는 것입니다. 예를 들어, 우리는 독일 셰퍼드가 개라는 것을 알고 있습니다 . 이는 포유류입니다. 모든 포유류는 온혈동물이다. 그러므로 독일 셰퍼드는 온혈 동물이어야 합니다.

  상징적 AI의 주요 문제점은 인간이 스스로 관계를 관찰하고 인코딩하도록 허용하기보다는 세계에 대한 지식을 상징적 AI 시스템에 수동으로 인코딩해야 한다는 것입니다. 결과적으로 상징적 AI 시스템은 실제 복잡성과 관련된 상황에서 어려움을 겪습니다. 또한 대량의 데이터로부터 학습하는 능력도 부족합니다.

  상징적 AI는 1980년대 후반까지 AI 연구의 지배적인 패러다임이었습니다.

• 신경망(1954, 1969, 1986, 2012). 신경망은 최근 Gen AI의 폭발적인 성장을 뒷받침하는 기술입니다. 인간의 뇌에서 뉴런이 상호 작용하는 방식을 느슨하게 모델링하는 신경망은 데이터를 수집하고 점점 더 복잡해지는 데이터의 특징을 학습하는 여러 반복을 통해 데이터를 처리합니다. 그런 다음 신경망은 데이터에 대한 결정을 내리고, 결정이 올바른지 여부를 학습하고, 학습한 내용을 사용하여 새로운 데이터에 대한 결정을 내릴 수 있습니다. 예를 들어, 물체가 어떻게 보이는지 "학습"하면 새로운 이미지에서 물체를 인식할 수 있습니다.

  신경망은 1943년 신경생리학자 Warren McCulloch와 논리학자 Walter Pitts의 학술 논문에서 처음 제안되었습니다. 수십 년 후인 1969년에 두 명의 MIT 연구원은 신경망이 매우 기본적인 작업만 수행할 수 있음을 수학적으로 입증했습니다. 1986년에는 컴퓨터 과학자이자 인지 심리학자인 Geoffrey Hinton과 동료들이 MIT 연구원들이 제시한 신경망 문제를 해결하면서 또 다른 반전이 있었습니다. 1990년대에 컴퓨터 과학자 Yann LeCun은 컴퓨터 비전에서 신경망을 사용하는 데 큰 발전을 이루었고, Jurgen Schmidhuber는 언어 처리에 사용되는 순환 신경망의 응용을 발전시켰습니다.

  2012년에 Hinton과 그의 두 학생은 딥 러닝의 힘을 강조했습니다. 그들은 일반적인 것보다 더 많은 계층을 가진 신경망에 Hinton의 알고리즘을 적용하여 심층 신경망에 대한 새로운 관심을 불러일으켰습니다. 이는 최근 몇 년간 주요 AI 접근 방식이었습니다.

• 전통적인 로봇공학(1968). AI의 처음 수십 년 동안 연구자들은 연구를 발전시키기 위해 로봇을 만들었습니다. 일부 로봇은 이동식으로 바퀴를 타고 돌아다니는 반면, 다른 로봇은 관절식 팔로 고정되어 있었습니다. 로봇은 환경을 식별하고 탐색하거나 물체의 기하학적 구조를 이해하고 조작하기 위해 컴퓨터 비전의 초기 시도를 사용했습니다. 여기에는 다양한 모양과 색상의 블록 주위를 움직이는 것이 포함될 수 있습니다. 수십 년 동안 공장에서 사용된 로봇과 마찬가지로 이러한 로봇의 대부분은 철저하게 스크립트된 동작을 반복적으로 수행하는 고도로 통제된 환경에 의존합니다. 그들은 AI 자체의 발전에 크게 기여하지 않았습니다.

  그러나 전통적인 로봇 공학은 "동시 위치 파악 및 매핑"(SLAM)이라는 프로세스를 통해 한 영역에서 상당한 영향을 미쳤습니다. SLAM 알고리즘은 자율 주행 자동차에 기여했으며 진공 청소 로봇 및 쿼드콥터 드론과 같은 소비자 제품에 사용됩니다. 오늘날 이 작업은 인간의 접촉에 반응하기 때문에 햅틱 기술이라고도 불리는 행동 기반 로봇공학으로 발전했습니다.

• 행동 기반 로봇공학(1985). 현실 세계에서는 탐색, 의사 결정 또는 문제 해결에 대한 명확한 지침이 항상 존재하는 것은 아닙니다. 연구자들은 곤충이 뉴런이 거의 없어도 매우 잘 탐색하며 진화론적으로 매우 성공적이라고 관찰했습니다. 행동 기반 로봇 공학 연구자들은 여기서 영감을 얻어 로봇이 부분적인 지식과 상충되는 지시로 문제를 해결할 수 있는 방법을 찾았습니다. 이러한 행동 기반 로봇에는 신경망이 내장되어 있습니다.

자세히 알아보기 QuantumBlack, McKinsey의 AI .

인공일반지능이란?

AGI(Artificial General Intelligence)라는 용어는 인간과 동등한 능력을 갖춘 AI 시스템을 설명하기 위해 만들어졌습니다 . 이론적으로 AGI는 언젠가 추론, 문제 해결, 지각, 학습, 언어 이해 등 인간과 유사한 인지 능력을 복제할 수 있습니다. 하지만 너무 앞서가지는 말자. 여기서 핵심 단어는 "언젠가"이다. 대부분의 연구자와 학자들은 AGI를 실현하려면 수십 년이 걸릴 것이라고 믿습니다. 어떤 사람들은 금세기에 AGI를 볼 수 없을 것이라고 예측하기도 합니다. MIT 로봇공학자이자 iRobot의 공동 창업자인 로드니 브룩스(Rodney Brooks)는 AGI가 2300년 까지 도착할 것이라고 믿지 않습니다 .

AGI의 출현 시기는 불확실할 수 있습니다. 그러나 그것이 실제로 나타나면(그리고 그렇게 될 가능성이 높음) 그것은 우리 삶의 모든 측면에서 매우 큰 문제가 될 것입니다. 경영진은 이제 기계가 인간 수준의 지능을 달성하고 보다 자동화된 세계로 전환하는 경로를 이해하기 위해 노력해야 합니다.

AGI에 대한 이전의 네 가지 시도를 포함하여 AGI에 대한 자세한 내용을 보려면 설명을 읽어보세요 .

좁은 AI란 무엇인가?

Narrow AI는 ChatGPT와 같은 챗봇, 신용카드 거래에서 사기를 찾아내는 알고리즘, 수천 건의 법률 문서를 신속하게 처리하는 자연어 처리 엔진 등 구체적이고 잘 정의된 문제에 AI 기술을 적용한 것입니다. 현재 대부분의 AI 애플리케이션은 좁은 AI 범주에 속합니다. 이와 대조적으로 AGI는 광범위한 작업을 수행할 수 있을 만큼 지능적인 AI입니다.

자세히 알아보기QuantumBlack, McKinsey의 AI .

AI 활용은 어떻게 확대되고 있나요?

AI는 모든 종류의 비즈니스에 있어 중요한 이야기이지만 일부 회사는 확실히 앞서 나가고 있습니다 . 2022년 설문 조사에 따르면 AI 상태는 2017년 이후 AI 모델 채택이 두 배 이상 증가했으며 투자도 빠르게 증가한 것으로 나타났습니다. 게다가 기업이 AI의 가치를 인식하는 특정 영역은 제조 및 위험에서 다음과 같이 발전했습니다.

• 마케팅과 판매
• 제품 및 서비스 개발
• 전략 및 기업 금융

한 그룹의 회사가 경쟁사보다 앞서 나가고 있습니다. 이러한 조직의 리더는 지속적으로 AI에 더 많은 투자를 하고, 더 빠르게 확장할 수 있도록 실무 수준을 높이고, 최고의 AI 인재를 고용하고 기술을 향상시킵니다. 보다 구체적으로, 새로운 애플리케이션을 신속하게 수용할 수 있는 모듈형 데이터 아키텍처를 설계하여 AI 전략을 비즈니스 결과에 연결하고 AI 운영을 " 산업화 "합니다.

AI 모델의 한계는 무엇입니까? 잠재적으로 이러한 문제를 어떻게 극복할 수 있습니까?

우리는 아직 Gen AI 모델의 롱테일 효과를 보지 못했습니다. 이는 알려진 위험과 알려지지 않은 위험을 모두 사용하는 데 내재된 위험이 있음을 의미합니다.

AI 모델이 생성하는 출력은 종종 매우 설득력 있게 들릴 수 있습니다. 이것은 의도적으로 설계된 것입니다. 그러나 때로는 그들이 생성하는 정보가 완전히 잘못된 경우도 있습니다. 더 나쁜 것은 때로는 편견이 있다는 것입니다(더 일반적으로 인터넷과 사회의 성별, 인종 및 기타 편견을 기반으로 하기 때문입니다).

또한 비윤리적이거나 범죄적인 활동을 가능하게 하기 위해 조작될 수도 있습니다. Gen AI 모델이 등장한 이후 조직에서는 모델을 "탈옥"하려는 사용자를 알게 되었습니다. 즉, 사용자가 자신의 규칙을 어기고 편향되거나 유해하거나 오해의 소지가 있거나 심지어 불법적인 콘텐츠를 전달하도록 하려는 것입니다. Gen AI 조직은 두 가지 방법으로 이 위협에 대응하고 있습니다. 첫째, 부적절한 콘텐츠에 대한 사용자 피드백을 수집하는 것입니다. 또한 데이터베이스를 샅샅이 뒤져 부적절한 콘텐츠로 이어지는 프롬프트를 식별하고 이러한 유형의 세대에 대해 모델을 교육하고 있습니다.

그러나 인식하고 조치를 취한다고 해서 유해한 콘텐츠가 저인망에서 빠져나오지 않을 것이라는 보장은 없습니다. Gen AI 모델을 사용하는 조직은 의도치 않게 편견이 있거나 모욕적이거나 저작권이 있는 콘텐츠를 게시하는 것과 관련된 평판 및 법적 위험을 인식해야 합니다.

그러나 이러한 위험은 몇 가지 방법으로 완화될 수 있습니다. McKinsey 파트너인 Marie El Hoyek은 "모델을 사용할 때마다 편견에 맞서고  부적절하거나 결함이 있는 소스 또는 신뢰하지 않는 것을 사용하지 않도록 지시할 수 있어야 합니다"라고 말합니다 . 어떻게? 우선, 독성이 있거나 편향된 콘텐츠가 포함되지 않도록 이러한 모델을 훈련하는 데 사용되는 초기 데이터를 신중하게 선택하는 것이 중요합니다. 다음으로, 기성 AI 모델을 사용하는 대신 조직은 더 작고 전문화된 모델을 사용하는 것을 고려할 수 있습니다. 더 많은 리소스를 보유한 조직은 자체 데이터를 기반으로 일반 모델을 사용자 정의하여 필요에 맞게 편향을 최소화할 수도 있습니다.

또한 인간을 루프에 유지하고(즉, Gen AI 모델이 게시되거나 사용되기 전에 실제 인간이 출력을 확인하는지 확인) 중요한 결정과 같은 중요한 결정에 Gen AI 모델을 사용하지 않는 것도 중요합니다. 자원이나 인간 복지.

이것이 새로운 분야라는 점은 아무리 강조해도 지나치지 않습니다. 위험과 기회의 환경은 앞으로도 계속 빠르게 변할 것입니다. Gen AI가 비즈니스, 사회 및 개인 생활에 점점 더 많이 통합됨에 따라 새로운 규제 환경이 형성될 것으로 예상할 수도 있습니다. 조직이 이러한 도구를 사용하여 실험하고 가치를 창출할 때 리더는 규제와 위험의 흐름을 계속 파악하는 것이 좋습니다.

자세히 알아보기QuantumBlack, McKinsey의 AI .

AI 권리장전이란 무엇입니까?

2022년 미국 정부가 준비한 AI 권리장전에 대한 청사진은 정부, 기술 기업, 시민이 공동으로 더 책임감 있는 AI를 보장할 수 있는 방법에 대한 프레임워크를 제공합니다. AI가 더욱 보편화됨에 따라  Gen AI 시스템의 기능, 이를 훈련하는 데 사용되는 데이터, 편견 및 공정성 문제, 잠재적인 지적 재산권 침해, 개인정보 침해 등을 둘러싼 잠재적인 투명성 부족에 대한 우려가 표면화되었습니다 . 청사진은 백악관이 "인공지능 시대에 [사용자]를 보호하기 위해 자동화된 시스템의 설계, 사용 및 배포를 안내"해야 한다고 말하는 5가지 원칙으로 구성됩니다 . 그것들은 다음과 같습니다:

• 안전하고 효과적인 시스템에 대한 권리. 시스템은 배포 전 테스트, 위험 식별 및 완화, 지속적인 모니터링을 거쳐 의도된 용도를 준수하고 있음을 입증해야 합니다.
• 알고리즘에 의한 차별로부터 보호합니다. 알고리즘 차별은 자동화 시스템이 인종, 피부색, 민족, 성별, 종교, 연령 등에 따라 사람들을 부당하게 다르게 대우하는 데 기여하는 경우입니다.
• 내장된 보호 장치를 통해 악의적인 데이터 관행으로부터 보호합니다 . 또한 사용자는 자신의 데이터가 사용되는 방식에 대한 선택권을 가져야 합니다.
• 자동화된 시스템이 사용되고 있다는 사실을 알 권리 와 그것이 사용자에게 영향을 미치는 결과에 어떻게, 왜 기여하는지에 대한 명확한 설명.
• 탈퇴할 수 있는 권리 와 문제를 신속하게 고려하고 해결할 수 있는 사람에게 접근할 수 있는 권리입니다.

현재 60개 이상의 국가 또는 블록이 AI의 책임 있는 사용을 관리하는 국가 전략을 가지고 있습니다(자료 2). 여기에는 브라질, 중국, 유럽 연합, 싱가포르, 한국, 미국이 포함됩니다. 취해지는 접근 방식은 미국의 AI 권리 장전에 대한 청사진과 같은 지침 기반 접근 방식부터 2024년에 예정된 EU의 AI 법과 같은 기존 데이터 보호 및 사이버 보안 규정에 부합하는 포괄적인 AI 규정에 이르기까지 다양합니다.

전시 2

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

AI 사용에 대한 표준을 설정하기 위한 국가 간 공동 노력도 있습니다. 미국-EU 무역 및 기술 협의회는 유럽과 미국 간의 더 큰 협력을 위해 노력하고 있습니다. 2020년 결성된 인공지능 글로벌 파트너십(Global Partnership on Artificial Intelligence)은 브라질, 캐나다, 일본, 미국, 유럽 여러 국가 등 29개 회원사로 구성됐다.

AI 규정은 여전히 ​​개발 중이지만 조직은 법적, 평판, 조직적, 재정적 위험을 피하기 위해 지금 조치를 취해야 합니다. 공공의 우려가 있는 환경에서는 실수로 인해 큰 대가를 치르게 될 수 있습니다. 다음은 오늘날 조직이 구현할 수 있는 후회 없는 선제적 조치 4가지입니다.

• 투명도. 모델 목록을 작성하고 규정에 따라 분류하고, 조직 내부 및 외부 사람들이 명확히 알 수 있는 조직 전체의 모든 사용을 기록합니다.
• 통치. 조직 내에서, 제3자 및 규제 기관 모두에 대한 충분한 감독, 권한 및 책임을 보장하는 AI 및 Gen AI에 대한 거버넌스 구조를 구현합니다.
• 데이터, 모델 및 기술 관리.
  • 데이터 관리. 적절한 데이터 관리에는 데이터 소스에 대한 인식, 데이터 분류, 데이터 품질 및 계보, 지적 재산, 개인 정보 보호 관리가 포함됩니다.
  • 모델 관리. 조직은 AI 개발을 위한 원칙과 가드레일을 확립하고 이를 사용하여 모든 AI 모델이 공정성과 편견 제어를 유지하도록 해야 합니다.
  • 사이버 보안 및 기술 관리. 무단 액세스나 오용이 방지되는 안전한 환경을 보장하기 위해 강력한 사이버 보안 및 기술을 구축합니다.
• 개인의 권리. 사용자가 AI 시스템과 상호작용할 때 이를 인식하고 명확한 사용 지침을 제공하세요.

조직은 임시 프로젝트에서 전체 통합으로 AI 노력을 어떻게 확장할 수 있습니까?

대부분의 조직은 대포알처럼 AI 풀에 발을 담그고 있습니다. 문화적, 조직적 장벽으로 인해 광범위한 채택이 더디게 진행될 가능성이 높습니다. 그러나 이러한 장벽을 효과적으로 허무는 리더는 AI 시대의 기회를 포착하는 데 가장 적합한 위치에 있을 것입니다. 그리고 결정적으로 AI를 최대한 활용할 수 없는 기업은 자동차 제조, 금융 서비스와 같은 산업에서 AI를 활용할 수 있는 기업에 의해 이미 배제 되고 있습니다.

AI를 확장하기 위해 조직은 세 가지 주요 변화를 만들 수 있습니다 .

1. 사일로 작업에서 학제간 협업으로 전환하세요. AI 프로젝트는 특정 조직의 특정 집단에만 국한되어서는 안 됩니다. 오히려 AI는 기술과 관점이 혼합된 다기능 팀에 의해 채택되어 AI가 광범위한 비즈니스 우선순위를 해결할 때 가장 큰 영향을 미칩니다.
2. 일선의 데이터 기반 의사 결정을 강화합니다 . AI는 조직의 모든 수준에서 더 빠르고 더 나은 결정을 내릴 수 있는 잠재력을 가지고 있습니다. 그러나 이것이 작동하려면 모든 수준의 사람들이 알고리즘의 제안을 신뢰하고 결정을 내릴 수 있는 권한이 있다고 느껴야 합니다. (마찬가지로 사람들은 필요할 때 알고리즘을 무시하거나 개선을 위한 제안을 할 수 있어야 합니다.)
3. 민첩한 사고방식을 채택하고 강화하세요 . 민첩한 테스트 및 학습 사고방식은 실수를 발견의 원천으로 재구성하여 실패에 대한 두려움을 완화하고 개발 속도를 높이는 데 도움이 됩니다.

자세히 알아보기McKinsey의 AI인 QuantumBlack을 확인 하고 McKinsey에서 일하는 데 관심이 있다면 AI 관련 채용 기회를 확인해 보세요

참조된 기사:

• " 세대 AI가 발전함에 따라 규제 기관과 위험 부서도 속도를 맞추기 위해 서두르고 있습니다 ." 2023년 12월 21일, Andreas Kremer, Angela Luget , Daniel Mikkelsen , Henning Soller , Malin Strandell-Jansson 및 Sheila Zingg
• “ 생성 AI란 무엇인가요? ,” 2023년 1월 19일
• " 2022년 기술 하이라이트 - 8개 차트로 구성 ," 2022년 12월 22일
• " 생성적 AI의 등장: ChatGPT와 같은 도구가 비즈니스를 어떻게 변화시킬 수 있는지 ", 2022년 12월 20일, Michael Chui , Roger Roberts , Lareina Yee 
• " 2022년 AI 현황 - 그리고 5년 간의 검토 ", 2022년 12월 6일, Michael Chui , Bryce Hall , Helen Mayhew , Alex Singla 및 Alex Sukharevsky 
• " 기업에 설명 가능한 AI가 필요한 이유와 이를 제공하는 방법 ", 2022년 9월 29일, Liz Grennan , Andreas Kremer, Alex Singla 및 Peter Zipparo
• " 디지털 신뢰가 정말로 중요한 이유 ", 2022년 9월 12일, Jim Boehm , Liz Grennan , Alex Singla , Kate Smaje
• " 2023년 McKinsey 기술 동향 전망 ", 2023년 7월 20일, Michael Chui , Mena Issler, Roger Roberts 및 Lareina Yee 
• " AI 파워 플레이: 에너지 부문의 차세대 혁신 물결 촉진 " 2022년 5월 12일, Barry Boswell, Sean Buckley, Ben Elliott, Matias Melero 및 Micah Smith 
• " 기술 전문가처럼 AI 확장: CEO의 역할 " 2021년 10월 13일, Jacomo Corbo, David Harvey, Nicolas Hohn, Kia Javanmardian 및 Nayur Khan
• " 유럽 연합 AI 규정 초안이 비즈니스에 미치는 영향 ", 2021년 8월 10일, Misha Benjamin, Kevin Buehler , Rachel Dooley 및 Peter Zipparo
• " AI로 승리하는 것은 마음의 상태입니다 ." 2021년 4월 30일, Thomas Meakin , Jeremy Palmer, Valentina Sartori 및 Jamie Vickers
• " AI 확장을 위한 데이터 아키텍처 정체 극복 " 2021년 1월 26일, Sven Blumberg , Jorge Machado , Henning Soller 및 Asin Tavakoli 
• " AI에 대한 경영진 가이드 ", 2020년 11월 17일, Michael Chui , Brian McCarthy 및 Vishnu Kamalnath
• “ 대규모 AI 개발을 위한 경영진 가이드 ,” 2020년 10월 28일, Nayur Khan , Brian McCarthy 및 Adi Pradhan
• " 일반 인공 지능에 대한 실무 입문서 " 2020년 4월 29일, Federico Berruti , Pieter Nel 및 Rob Whiteman
• " 분석 아카데미: 인간과 인공 지능 간의 격차 해소 " McKinsey Quarterly , 2019년 9월 25일, Solly Brown, Darshit Gandhi, Louise Herring 및 Ankur Puri 

이 문서는 2024년 4월에 업데이트되었습니다. 원래 2023년 4월에 출판되었습니다.