경영진을 위한 AI 및 머신러닝 이해하기

[힘힘]

경영진을 위한 AI 및 머신러닝 이해하기

2018년 9월 27일| 팟캐스트

공유하다

인쇄

다운로드

구하다

이 인터뷰에서 Tamim Saleh는 경영진을 위한 지침을 통해 비즈니스에서 AI를 활용하는 위치와 방법에 대해 인공 지능에 대한 과대평가를 차단했습니다.

다운로드

기사(PDF-2MB)

Inside the Strategy Room 팟캐스트 의 이번 에피소드에서 수석 파트너인 Tamim Saleh는 인공 지능(AI)에 대한 과대광고를 비판하고 비즈니스에서 AI를 어디에 어떻게 활용할 것인지에 대한 정확한 전략적 결정을 내리려는 경영진에게 명확한 지침을 제공합니다. Tamim은 머신 비전이 AI에 미치는 영향, 음성 인식의 미래, 고급 분석, 가상 비서 및 로봇 공학의 최신 개발에 대한 통찰력을 공유합니다. 그는 AI를 채택할 때 기업이 직면하는 과제와 CEO가 이를 극복하기 위해 취할 수 있는 단계를 간략하게 설명합니다. Apple Podcasts , Spotify 또는 Google Podcasts 에서 에피소드를 들을 수 있습니다 .

팟캐스트 내용

Sean Brown: McKinsey의 전략 및 기업 금융 실무팀의 Sean Brown입니다. Inside the Strategy Room에 오신 것을 환영합니다. 오늘은 Tamim Saleh가 합류했습니다. Tamim은 런던 사무소의 선임 파트너이며 나와 함께 글로벌 CFO 포럼에 참석하여 AI 와 기계 학습에 관해 강연하고 있습니다.

Tamim, 당신이 이야기한 것 중 하나는 AI의 다섯 가지 발전에 대한 개념입니다. 저는 먼저 머신 비전이 AI에 미치는 영향에 대한 논의에 집중하고 싶습니다.

Tamim Saleh: 기계 학습과 AI는 인간으로서 데이터를 입력할 때 우선 속도가 느리고 실수를 한다는 사실로 인해 제한됩니다. 가장 빠르게 성장하는 기술 중 하나는 이미지 분석과 카메라를 통해 데이터를 캡처하는 것입니다. 그리고 이것의 장점은 카메라가 우리와 같은 실수를 하지 않는다는 것입니다. 왜냐하면 카메라는 사물을 있는 그대로 포착하고 세상을 우리와 같은 방식으로 보지 않기 때문입니다. 실제로 스펙트럼은 우리가 보는 것보다 훨씬 넓습니다. 적외선 등이 포함됩니다.

그래서 이미지 기술이 도움이 될 수 있는 비즈니스 문제가 많습니다. 예를 들어, 전통적으로 사람들(지질학자)이 가서 광석을 보고, 시간을 보내고 보고서를 작성하는 광산을 생각해 보십시오.

그런 다음 그에 따라 굴착 각도를 조정하고 일주일에 한 번씩 이 작업을 수행하여 수확량을 최적화합니다. 이제 이 작업을 실시간으로 수행할 수 있습니다. 실제로 지질학을 모니터링하고 굴착 각도를 실시간으로 조정할 수 있는 카메라가 있습니다. 광산 회사의 경우 이는 수억 달러의 가치가 있을 수 있습니다.

이는 카메라가 사람들의 움직임을 모니터링하는 석유 및 가스 산업과 같은 안전 분야에도 적용될 수 있습니다. 그리고 타협 가능성이 있는 경우 알고리즘은 경고를 표시하고 조치를 취할 수 있습니다. 실제로 이미지로 해결될 수 있는 사용 사례나 실제 비즈니스 문제는 수백, 수백 가지에 이릅니다.

상상해 보세요. 이미지와 센서의 조합을 통해 얻는 정보의 양이나 수준은 기존 방법보다 최대 10억 배 더 많습니다. 그리고 기계 학습을 사용하면 입력이 너무 많아지면 기계 학습을 훨씬 더 빠르게 최대한 활용할 수 있습니다. 그리고 이 시대는 이제 막 시작되었습니다.

Inside the Strategy Room 팟캐스트를 구독하세요.

Google 팟캐스트애플 팟캐스트스포티 파이

Sean Brown: 게이팅 요소에는 어떤 것이 있나요? 기업이 머신 비전이라는 개념을 채택하지 못하게 만드는 이유는 무엇입니까?

Tamim Saleh: 아마도 두 가지가 있을 것입니다. 그리고 둘 다 기술이 아닙니다. 하나는 재능입니다. 비즈니스에서 이미지 분석을 유용한 방식으로 사용하는 방법을 아는 사람입니다. 이를 실행 가능하고 실질적인 결과로 전환할 수 있는 사람들입니다. 점차적으로 여러 회사에서 이러한 유형의 문제를 실행으로 옮기기 위해 사람들을 교육하고 기술을 갖추는 조용한 혁명이 세계에서 진행되고 있지만 시간이 걸립니다.

두 번째 문제는 이러한 유형의 제안을 그런 식으로 작동하지 않는 기존 비즈니스 모델에 어떻게 연결하는가입니다. 예를 들어 보험 회사인 경우 청구를 접수하려면 여전히 양식을 작성하고 콜센터에 전화해야 합니다. 일부 보험 회사에서는 실제로 제가 이미지를 찍어 알고리즘을 실행하면 누군가가 저에게 전화하는 것보다 훨씬 더 정확하다고 말하기 시작했습니다. 애초에 거짓말을 할 수도 있고 대리인을 통해 양식을 작성합니다. 하지만 시간이 좀 걸릴 거예요.

Sean Brown: 그럼 그들은 사고 현장, 사고가 발생한 곳의 이미지를 찍는 건가요?

타밈 살레: 맞습니다.

숀 브라운: 흥미롭네요. 당신은 기계 학습에 대해 조금 이야기했습니다. 이는 AI의 또 다른 큰 발전 중 하나입니다. 그것을 뒷받침하는 것들은 무엇입니까? 잠시 시간을 내어 머신러닝이 어떻게 작동하는지 설명해 주시겠어요?

Tamim Saleh: 머신러닝에 대한 과장된 이야기가 너무 많아 사람들은 겁을 먹습니다. 사실 정말 간단한 개념이다. 머신러닝은 순수한 통계입니다. 알고리즘이 문제를 해결하기 위해 작동할 때 질문에 대한 답을 예측합니다. 예를 들어, "누군가가 모기지 채무를 불이행할 가능성은 얼마나 됩니까?"라는 질문이 있을 수 있습니다. 그리고 기계 학습은 기본적으로 예측된 ​​것과 실제로 발생한 것을 테스트한 다음 더 나은 예측 수준을 얻기 위해 알고리즘을 조정하는 것입니다. 그리고 그것이 바로 그것입니다.

기계 학습은 이것을 인간의 판단과 결합하면 매우 유용해집니다. 왜냐하면 인간의 판단은 사라지지 않을 것이고 더 많은 데이터를 흡수할수록 정확성이 높아지기 때문입니다. 예를 들어 무인 자동차는 기계 학습을 통해 작동합니다. 실제 운전자가 운전하고 인간이 하는 일을 관찰하는 프로그램이 있어서 항상 실력이 향상됩니다.

Sean Brown: 따라서 인간이 교정한다면 그것은 학습의 일부가 됩니다.

타밈 살레: 맞습니다. 우리는 머신러닝을 단순한 기계가 아닌 인간과 기계로 생각해야 합니다.

Sean Brown: 가상 비서에 대해서도 조금 말씀하셨는데요. 가상 비서가 미용실 주인과 대화를 나누고 고객과 약속을 잡는 Google 비디오를 보셨는지 모르겠습니다. 가상 비서가 현재 어떻게 작동하는지, 그리고 미래에는 어떤 일이 일어날지 조금 말씀해 주시겠어요?

Tamim Saleh: 모든 과장된 광고에도 불구하고 현재 가상 비서는 여전히 매우 원시적입니다. 그러나 6~8년 후에는 컴퓨팅 능력이 계속해서 향상되고, 소프트웨어 기술이 계속해서 향상되고, 이를 지원하는 인프라가 계속해서 향상되면서 인간과 기계의 관계도 변화하게 될 것입니다.

우리 세대는 기계를 정보를 입력하는 대상으로 봅니다. 당신은 입력합니다. 다음 세대에서는 기계를 당신과 대화할 수 있는 진정한 비서로 보게 될 것입니다. 이미지와 음성을 통해 정보를 입력할 수 있으며 기계는 조언을 제공하고 응답하며 프로세스, 즉 지속적인 사고 반응을 시작합니다. 우리는 아직 거기에 이르지 못했지만 곧 올 것입니다. 그리고 그런 일이 발생하면 현장에서 덕트를 작업하고 수리하는 인력 이든, 공장에서 품질을 확인하는 사람이든, 재무 부서의 사무실에 앉아 보고서의 데이터를 이해하려고 하는 사람이든, 회사의 업무 방식이 극적으로 바뀔 것입니다. 더 많은 통찰력을 찾으려고 노력합니다. 그리고 그 혁명은 이제 막 시작되었습니다.

Sean Brown: 로봇공학은 어떻고, 그것이 어떻게 연관되어 있나요?

Tamim Saleh: 우리는 로봇공학에 대해 두 가지 다른 방식으로 생각해야 합니다. 하나는 소프트웨어 로봇공학이다. 그것은 이미 존재하며 매우 잘 작동합니다. 소프트웨어 로봇공학은 텍스트 마이닝, 이미지 인식, 자동화된 문자 쓰기 등의 조합과 같습니다. 이러한 유형의 보조자를 결합하면 인간이 수행하는 반복 작업을 획기적으로 개선하고 인간이 판단 부분을 수행하도록 할 수 있습니다. 판단은 우리가 점진적으로 이전할 곳이고, 반복적인 작업은 향후 10년 정도에 점차적으로 기계로 넘어갈 것이기 때문입니다. 이 소프트웨어 로봇 공학은 이미 존재하며 매우 잘 작동하고 항상 개선되고 있습니다. 예를 들어 앞으로 3~4년 안에 대부분의 콜센터에서 상담원이 이 기능을 사용할 것입니다. 그들은 전화로 얘기할 거예요. 누군가 그들에게 말을 걸고 있습니다. 기계는 실시간으로 조언을 제공합니다. 입력하지 않거나 데이터를 다시 추출하려고 하면 기계와 통신하여 데이터를 되찾게 되며 생산성이 크게 향상됩니다. 일부 조직에서는 이로 인해 효율성이 50% 또는 심지어 60% 향상될 것으로 기대하고 있습니다.

이제 물리적 세계의 로봇 공학은 오랫동안 존재해 왔지만 이를 기계 학습을 사용하는 로봇 공학과 혼합해서는 안 됩니다. 왜냐하면 자동차 산업에는 30년 동안 매우 반복적인 작업을 수행하는 로봇 공학이 있었기 때문입니다. 이는 수행하는 작업을 변경하지 않으며 이와 동일한 작업을 수행하도록 프로그래밍되어 있습니다. 하지만 미래의 로봇 공학은 현재 아주 훌륭하게 발전하고 있습니다. 로봇은 자신이 하는 일을 조정하고, 자신이 하는 일로부터 학습합니다. 기계 학습, 시각적 분석, 음성 분석 개념을 사용하고 사람들과 대화할 수 있는 기능을 사용하여 수행하는 작업을 점차적으로 변경하고 조정하고 항상 개선합니다. 그것도 큰 혁명이 될 것이다.

Sean Brown: 이제 음성 인식 및 분석에 대해 좀 더 말씀해 주시겠어요?

Tamim Saleh: 음성 분석도 매우 빠르게 성장하는 기술 중 하나입니다. 현재 미국과 유럽 등의 많은 콜센터에서는 전화가 오면 시스템이 귀하가 논의한 내용을 포착합니다. 실시간으로 텍스트로 변환됩니다. 해당 텍스트의 트리거와 패턴이 캡처됩니다. 어떤 경우에는 음성 지문을 통한 감정도 캡처되므로 감정도 캡처됩니다. 예를 들어 콜센터에 접속하여 "이 청구서가 마음에 들지 않습니다. 이번이 세 번째 전화입니다."라고 말하면 "불만족"이 다음과 같이 캡처됩니다. "요금 청구" 및 "세 번째 전화"를 할 것입니다. 즉시 뭔가를 해결할 수 있습니다. 귀하의 감정이 포착되며, 귀하가 소중한 고객이라면 콜센터가 전화를 통해 백오피스에 연결될 때 다른 모든 사람들보다 먼저 대기열의 선두에 서게 되어 프로세스가 훨씬 빨라질 수 있습니다.

Sean Brown: 예를 들어 관리자를 훨씬 더 빨리 확보할 수 있습니다.

Tamim Saleh: 이제 음성 분석에는 수천 개의 다양한 애플리케이션이 있으며 빠르게 성장하고 있습니다. 이미지 분석 및 센서 기술과 결합하여 이는 우리가 일상 생활에서 하는 일의 일부가 될 것입니다. 그리고 조직에 따라 해당 채널이 있거나 B2B든 B2C든 사람들과 직접 상호 작용하는 경우 음성 분석은 조직 내에서도 매우 관련성이 높을 것이 거의 확실합니다.

Sean Brown: 비디오 분석은 어떻습니까? 오디오와 사진을 결합했는데, 어떻게 결합되나요?

Tamim Saleh: 이제 시작되고 있어요. 음성 분석과 별개로 비디오 분석을 적용하는 방법이 많이 있지만 팀 성과와 같은 전체적인 과학도 있습니다. 팀 성과는 사람들이 함께 일하는 방식(팀 혼합), 의사소통 방식, 측정 방식, 물리적 위치를 최적화하는 것입니다. 그리고 이미지 분석과 음성은 물론 규제 요구 사항의 제약 조건 내에서 작업하는 R&D 팀이든 영업 팀이든 상관없이 이러한 팀을 최대한 활용하기 위해 수많은 변수에 대한 입력을 제공하는 데 사용됩니다.

Sean Brown: 데이터에 대해 조금 이야기해 보겠습니다. 많은 예에는 엄청난 양의 데이터가 포함됩니다. 기업에서는 해당 데이터를 어떻게 보호 하고 부정적인 방식으로 사용되지 않도록 방지하고 있습니까?

Tamim Saleh: 이러한 개발이 매우 빠르게 진행되고 있기 때문에 기업은 이를 수행하는 방법을 배우고 있습니다. 예를 들어, 영국의 한 회사는 사람들의 이미지, 즉 사람들이 광고판을 보고 거리를 걷는 모습을 실시간으로 캡처해 왔습니다. 예를 들어 충격적인 이미지가 있을 때 사람들이 어떻게 느끼는지 포착하고 제품이나 이미지를 본 다음 이러한 기술을 사용하여 광고 이미지 등을 조정합니다.

그런 다음 질문이 생겼습니다. 누가 이 데이터를 가지고 있습니까? 그들은 그것으로 무엇을 하고 있나요? 물론 이 규정은 아직 이러한 질문 중 일부에 완전히 답하지 못하고 있습니다. 그것은 함께오고있다. 따라서 기업이 하고 있는 일은 GDPR (유럽 연합의 일반 데이터 보호 규정)과 같은 규정에 대응할 수 있는 역량을 개발하는 것입니다.

그리고 본질적으로 기업이 잘하려고 노력하는 네 가지가 있습니다. 하나는 왜 이 데이터를 가지고 있고, 그 데이터로 무엇을 하고 있는지에 대한 질문을 받을 경우 이를 정당화할 수 있어야 한다는 것입니다. 둘째, 해당 데이터를 추적하고 해당 데이터가 어디서 왔는지, 누구의 데이터인지 맥락을 이해할 수 있어야 합니다. 셋째, 고객이든 규제 기관이든 질문이 있을 경우 신속하게 투명성을 확보할 수 있어야 합니다. 넷째, 문제가 발생하기 전에 개입할 수 있어야 합니다. 제가 말한 이 네 가지 사항은 항상 간단하지는 않습니다. 특히 이미지 분석과 정서 등 모든 것이 있을 때는 더욱 그렇습니다. 그러나 향후 5년 동안 이 분야에서 많은 발전이 일어날 것입니다.

Sean Brown: 현재 이 중 어떤 것도 사용하지 않는 회사의 CEO이고 비전, 가상 비서, 기계 학습에 대해 이야기했다면 B2B, 산업 회사에 가깝다고 가정해 보겠습니다. 기업이 현명해지고 실제로 이러한 도구를 활용하려는 경우 취해야 할 첫 번째 단계는 무엇입니까?

Tamim Saleh: 제가 CEO라면 가장 먼저 할 일은 경영진을 구해 하루에서 이틀 정도 시간을 들여 진정한 고급 분석이 무엇인지, 이러한 기술이 무엇인지 실제로 배우는 것입니다. 이를 이해하는 것이 매우 중요하며, 저는 개인적으로 고객과 함께 최고 수준에서 고객이 이를 이해할 수 있도록 많은 시간을 보냅니다.

두 번째로 할 일은 가치가 어디에 있는지 매우 정확하게 확인하는 것입니다. 예를 들어 B2B 비즈니스에 종사하고 있다면 영업 인력의 효율성을 최적화하는 고급 분석을 통해 어떤 기회를 얻을 수 있습니까? 수요 예측과 전체 공급망은 어떻습니까? 가치는 무엇입니까? 운영에 대한 가치는 무엇입니까? 가격 책정의 가치는 무엇입니까? 그것을 이해하는 것이 중요합니다. 그것이 나의 두 번째 단계가 될 것입니다.

그런 다음 제가 할 세 번째 단계는 문제를 사람의 관점에서 생각하는 것입니다. 이것은 기술적인 문제도 아니고 수학적인 문제도 아닙니다. 가장 큰 장벽은 사고방식과 이를 수행할 만큼 조직 내에 충분한 인재가 없다는 것입니다. 그리고 그 대답은 거의 확실하게 외부에서 사람을 고용하지 않을 것입니다. 양도 많지 않고 가격도 비쌉니다. 대답은 비즈니스 문제부터 시작하여 사용 사례에서 이러한 문제에 대한 답변을 배포할 순서의 우선 순위를 정하고 이해한 다음 교육 프로그램 인증을 받고 데이터 과학자, 엔지니어, 번역가를 위한 명확한 경력 경로를 확보하는 것입니다. , 등등. 그런 다음 이러한 사용 사례를 점진적으로 개발하면서(각각에는 비즈니스 사례가 포함되어 있으며 자체적으로 비용을 지불하는 등) 조직 내 역량을 구축하게 됩니다. 일반적으로 운동량이 되돌릴 수 없다는 것을 알 수 있을 만큼 충분한 임계 질량을 갖기 시작하는 데는 18개월 정도 걸립니다. 하지만 CEO로서 자신을 교육하는 것부터 시작하세요.

숀 브라운: 감사합니다. 소비자에게 돌아가서, 기업이 AI에 대한 이러한 개발을 활용하는 데 점점 더 능숙해짐에 따라 어떤 면에서 그 분야가 뒤로 기울고 있다고 보십니까? 현재 디지털화는 많은 소비자 잉여를 창출합니다. AI가 어떻게 익숙해지고 있다고 보시나요? 소비자 잉여의 반대라고 부르지는 않겠습니다. 하지만 기업이 AI를 사용하여 반드시 "매장을 포기"하지 않고도 가치 제안을 개선하거나 더 많은 소비자 충성도를 창출할 수 있는 방법은 무엇입니까? 그렇다면 고급 분석은 기업의 수익성을 높이는 데 어떻게 도움이 될까요?

타밈 살레: 여러 가지 면에서요. 시간이 지남에 따라 기업은 고객을 훨씬 더 잘 알게 될 것입니다. 오늘날 문제 중 하나는 단일 고객 뷰가 없고 우리가 보유한 데이터가 신뢰할 수 없기 때문에 외부 데이터를 추출하여 고객과 일치시킬 수 있는 좋은 방법이 실제로 없다는 것입니다. 구조화되지 않은 데이터에 대한 분석을 실행할 수 있는 고급 분석 및 새로운 기술(개방형 아키텍처 등)을 사용하면 이러한 모든 장벽을 상당 부분 극복할 수 있습니다.

예를 들어 상대적으로 일반적인 8개의 고객 세그먼트를 갖는 대신 15,000개의 마이크로 세그먼트를 가질 수 있습니다. 그보다 더 극단적으로 나아가 단일 고객 DNA를 가질 수도 있습니다. 고객의 행동, 구매 대상, 사회 경제적 그룹, 거주지 등을 기반으로 고객당 수백만 개의 상관 관계를 실행하고 예를 들어 구매 성향이나 구매 성향과의 패턴 및 상관 관계를 찾을 수 있습니다. 메시지에 반응하거나 고객을 행복하게 만드는 요소에 반응한 다음 고객을 위해 올바른 일을 하는지 확인하십시오.

분석의 윤리적인 부분은 매우 중요합니다. 아주 미세한 세분화를 기반으로 고객을 위해 올바른 일을 해야 합니다. 이를 예를 들어 매우 정확한 수준으로 실시간으로 반경 300미터 내의 교통 흐름을 볼 수 있는 것과 같은 개발과 결합하고, 개별 고객을 알고, 이전에는 가질 수 없었던 옵션을 갖게 됩니다. 가격 및 프로모션 등. 실제로 디지털 채널을 사용하여 고객을 더 잘 알고 고객에게 무엇을 제공할 수 있는지 매우 정확하게 파악하는 것은 매우 흥미로운 시간입니다.

Sean Brown: 어느 시점에서 이것이 공급자에게 블랙박스가 됩니까? 즉, 15,000개의 고객 마이크로 세그먼트가 있는 경우 그들이 올바른 세그먼트인지, 각 세그먼트에 대해 올바른 작업을 수행하고 있는지 어떻게 알 수 있습니까? 기계 학습 및 인간 참여 세그먼트에 대한 개념에 대해 말씀하셨습니다. 방금 공유한 마이크로 세그먼트 예에서는 이것이 어떻게 작동합니까?

Tamim Saleh: 분석은 실제로 일어난 일을 기반으로 한 사실을 기반으로 한 통계 및 상관 관계입니다.

숀 브라운: 관찰 가능한 사실.

타밈 살레: 맞습니다. 따라서 15,000개의 마이크로 세그먼트가 있는 경우 무언가 구매 성향이나 메시지에 대한 반응과 관련이 있는지 여부는 이러한 마이크로 세그먼트가 과거에 어떻게 반응했는지와 앞으로 무엇을 할 것인지에 대한 예측을 기반으로 합니다. 올바른 방식으로 알고리즘을 구축하고 머신러닝을 사용하여 지속적으로 테스트하고 있다면 고객이 원하는 것이 무엇인지 파악하는 측면에서 합리적인 수준의 확신을 가져야 합니다.

장문의 답변을 드렸지만 추측이 아닙니다. 사실은 사실에 근거한 통계이고, 그에 따른 예측이다. 여전히 15,000개의 마이크로세그먼트를 가질 수 있지만 15,000개에 도달한 방법은 수억 개의 상관 관계와 데이터를 사용하여 해당 세분성 수준에 도달했으며, 그 세부적인 수준에서도 그들이 원하는 것이 무엇인지 매우 정확하게 알 수 있다는 것입니다. , 어떤 메시지를 수행해야 하는지, 그리고 이를 항상 테스트합니다. 이 질문의 중요한 부분은 기존 채널(예: 콜센터, 지점 또는 대면 상호 작용)에서는 미시적 수준에서 작업하기가 매우 어렵지만 디지털 채널이 매우 중요해진다는 것입니다. 메시지는 맞춤화될 수 있으며 알고리즘 등에서 나올 수 있습니다.

Sean Brown: 이제 실제 세계로 들어가 보면, 기업이 실제 생활에서 직접 마이크로 세분화 기술을 제공하거나 실행하는 방법에는 어떤 것이 있습니까?

Tamim Saleh: 일본, 한국, 미국과 같은 곳에서 테스트를 진행하는 소비자 회사가 있습니다. 예를 들어, 고객이 TV를 구매하러 오면 고객에게는 두 가지 옵션이 있습니다. 그들은 기계나 사람과 대화할 수 있습니다. 흥미롭게도 한국 고객의 55%가 이 기계를 선호합니다. 그들은 기계에게 제품에 대해 물어보고 심지어 기계를 더 신뢰합니다. 목소리와 느낌을 포함하여 항상 데이터를 캡처하고 있습니다. 이는 물리적 세계입니다. 고객은 실제로 제품을 구매하고 제품을 보고 보유하지만 상호 작용에는 로봇이나 기계를 사용합니다. 또는 인간과 함께 일하기로 결정하면 인간도 모든 데이터를 가질 수 있고 기계의 도움을 받을 수 있습니다. 그래서 시간이 지나면 기본적으로 현실 세계에서는 AI, 기계, 인간의 전환, 즉 흐릿한 효과가 나타날 것입니다. 당신은 인간과 대화하게 될 것이지만, 그 사람은 당신에게 훨씬 더 유용할 수 있는 데이터에 접근할 수 있을 것입니다.

Sean Brown: 매장에 가상 도우미가 있어 도움을 주는 것과 같습니다.

타밈 살레: 맞습니다. CRM [고객 관계 관리] 시스템에 연결되었습니다. 그리고 이 모든 것들이 실험되고 있습니다. 때로는 평소와 다름없지만, 우리는 아직 이러한 일이 시작되는 단계에 있습니다.

Sean Brown: AI의 5가지 개발 중 어느 하나가 첫 번째 단계입니까, 아니면 상호 작용 측면에서 모든 것이 동시에 발생하는 경향이 있습니까? 머신러닝과 비전 사이의 상호작용에 대해 말씀하셨기 때문에 두 가지가 밀접하게 연관되어 있는 것 같습니다. 다른 것보다 먼저 오는 것이 있습니까?

Tamim Saleh: 네, 어떤 상황에서는 그렇습니다. 머신러닝과 AI가 비즈니스를 위해 어떻게 3가지 물결로 발전하고 있는지 생각해 볼 수 있습니다. 하나는 통찰력을 얻기 위해 보유하고 있는 기존 데이터를 사용하는 것입니다. 그리고 그것은 거의 순수한 분석입니다. 분석을 실행하고 있습니다. 그리고 오늘날 대부분의 고급 분석 적용이 이 범주에 속합니다.

그리고 두 번째 물결은 비전, 이미지 분석, 음성 분석을 기계 학습과 결합하여 기계가 에이전트처럼 되어 에이전트로서 기계와 상호 작용하기 시작하는 것입니다. 우리가 적극적으로 데이터를 입력하고 프로그램을 실행하는 것과는 달리 귀하는 지속적인 상호 작용 프로세스를 갖고 있습니다. 그 파도가 일어나기 시작했습니다.

세 번째 물결은 이것을 물리적 세계로 가져갈 때, 이 기술을 사용하는 로봇이 있을 때입니다. 예를 들어, 당신이 가게에 가면 당신을 위한 샌드위치와 커피가 만들어지고 상자와 그 모든 것을 가지고 다닐 것입니다. 이러한 파도 각각은 오늘날 세상에 존재하지만 현재 우리는 훨씬 더 파도 1에 있습니다.

Sean Brown: 현재 기술적인 제약이 있나요? 무어의 법칙 측면에서 한계에 도달하고 있나요? 아니면 기술이 이 모든 것보다 앞서 나가고 있습니까?

Tamim Saleh: 문제는 재능과 사고방식, 일하는 방식의 변화입니다. 그게 문제의 70%, 80%입니다. 우리는 설문조사를 통해 문제의 75%가 제가 방금 언급한 재능, 조직, 사고방식이라는 범주에 있음을 보여주었습니다.

우리의 전략 및 기업 재무 업무 에 대해 더 자세히 알고 싶으십니까 ?

디지털 전략 페이지를 방문하세요

가상비서나 이미지를 활용한 물리로봇 등 좀 더 정교한 기술에 대해서는 지속적으로 개발이 필요한 분야가 있다. 처리 능력 – 아직 더 많은 것이 필요합니다. 예를 들어, 특히 실시간 데이터를 사용할 때 지연 시간과 같은 문제를 처리합니다. 보안 문제들. 그리고 실제 로봇 공학 자체, 예를 들어 핸들링 등 로봇이 작동하는 방식은 매우 복잡하며, 우리가 사용하는 현재 기술은 이러한 유형의 로봇을 개발하는 가장 효율적인 방법이 아닙니다. 우리는 여전히 더 많은 개발이 필요하지만 우리가 가고 있는 속도는 믿기지 않습니다. 매 2~3년마다 우리는 이전보다 훨씬 더 나은 성과를 내고 있습니다.

Sean Brown: 조직 내에서 AI 구현을 고려하고 있다면 다양한 핵심 요소에 대해 이야기하셨습니다. 가장 먼저 논의한 것은 비전과 전략이었습니다. 앞서 CEO로 취임한다면 가장 먼저 해야 할 일은 팀을 하나로 모으는 것이라고 말씀하셨습니다. 고급 분석에 대해 현명해지고 가치가 어디에 있으며 비전이 무엇인지에 대해 동의할 때도 마찬가지입니까?

Tamim Saleh: 이것이 그 과정의 시작입니다. 과장된 광고의 진실을 이해하여 CEO로서 겁먹지 않으면 고급 분석이 실제로 어떤 의미인지 전략적으로 논의하기 시작하는 것이 훨씬 더 편안해집니다. 산업이 무엇이든 거의 모든 가치 사슬에는 핵심 사업을 개선할 뿐만 아니라 새로운 비즈니스 모델이나 신제품 등을 확보할 수 있는 기회가 있습니다. 교육부터 시작해서 오랜 시간이 걸리지 않는 다음 단계는 정밀하게 생각하고 '이것이 내 사업에 어떤 의미가 있을까?'라고 생각하는 것입니다. 구체적인 기회는 무엇입니까? 가치는 무엇입니까? 사용 사례는 무엇입니까 ?”

Sean Brown: AI를 더 잘 지원하기 위한 조직 모델을 설계할 때 기업이 피해야 할 특정 함정이나 실제로 속도를 높이는 데 도움이 되는 조직 모델을 다시 생각하는 특정 단계가 있습니까?

타밈 살레: 네. 아프리카든, 북미든, 아시아든 우리 인간은 매우 유사합니다. 우리는 같은 실수를 반복합니다. 아마도 중요한 것은 3~4개가 있을 것입니다.

첫째, 분석 기능을 중앙 집중화하지 말고 조직이 이를 채택할 것이라고 기대하지 마십시오. 그런 식으로 작동하지 않습니다. 데이터 과학자 등으로 구성된 중앙 팀이 있고 30년 경력의 누군가에게 여기 모델이 있다고 말하면 어떨까요? 그 사람이 그것을 받아들일 가능성은 거의 없습니다. 동시에, 다른 극단으로 가지 마십시오. 수학적 모델링 등을 위한 공통 언어, 공통 방법, 프로토콜 및 방법론 없이 모든 곳의 모든 사람이 분석을 실험할 수 있는 완전한 혼란을 겪지 마십시오. 그러면 새로운 복잡성이 발생하고 결코 확장할 수 없게 됩니다. 표준 및 적용 방법의 공통성 측면에서 사업부 내 고유성과 자유도, 중앙 집중화 사이에서 올바른 균형을 유지해야 합니다. 그리고 실제로 그런 추세가 일어나고 있습니다. 일반적으로 조직에는 접근 방식, 방법, 도구 등을 정의하는 소규모 계층, 우수 센터가 있으며 더 넓은 조직을 위한 교육을 수행합니다. 그러나 분석 사용 사례 등을 제공하는 민첩한 연구소는 기업 내부에 있습니다. 이것이 하나의 학습입니다.

두 번째 학습은 역할에 대해 매우 정확해야 한다는 것입니다. 데이터 과학자란 무엇인가? 데이터 엔지니어란 무엇인가요? 데이터 아키텍트란 무엇인가요? 번역가 란 무엇입니까 ? 그리고 이를 기존 조직에 포함시키세요. 데이터 과학자에 대한 명확한 정의가 없다면 그들은 좌절감을 느끼고 다른 사람들이 스스로를 데이터 과학자라고 부를 것이기 때문에 조직에 머물 가능성이 없습니다. 그들이 동기를 부여받을 수 있도록 진로와 훈련, 인증을 갖추는 것이 필요합니다. 많은 조직에서는 그렇게 하지 않습니다.

그리고 조직적으로 세 번째 요소는 이것이 단지 수학과 데이터 과학에 관한 것이 아니라는 것을 CEO로서 이해해야 한다는 것입니다. 실제로 대부분의 가치는 자신의 지식을 데이터 과학자가 모델링하고 사용할 수 있는 정보로 변환할 수 있는 비즈니스 내 기존 인력에게 있습니다. 전체 인구의 10~15%를 뽑아 그들이 일을 하는 동안 훈련시켜야 합니다. 번역가로서의 추가적인 기술을 갖도록 훈련하십시오. 그렇게 하지 않으면 거의 확실하게 비즈니스에서 분석을 확장할 수 없습니다.

Sean Brown: 아주 간단히 이야기를 바꿔서 말씀드리자면, 귀하가 CFO 역할을 맡았다면, 고급 분석의 출현과 함께 CFO가 고려해야 할 가장 일반적인 사항은 무엇이며, 이것이 CFO가 조직을 실제로 추진하는 데 어떻게 도움이 될 수 있다고 생각하십니까? 성공?

Tamim Saleh: CFO는 미래에 고급 분석의 가장 큰 수혜자가 될 것입니다. 왜 그런 겁니까? 현재 CFO가 얻는 정보는 대부분 실시간이 아니며 항상 정확하지도 않고 정보를 수신하는 측에 있기 때문입니다. 이제 실시간 이미지 분석, 콜센터의 음성 분석, 수요 예측 및 재고 관리를 사용하는 조직에 있다고 상상해 보십시오. 조직이 수행하는 작업에 고급 분석을 사용하는 경우 CFO는 조직에서 사용 사례를 개발할 때마다 도움이 될 KPI(핵심 성과 지표)와 측정값을 확인해야 합니다. 이것이 첫 번째 조치입니다. 비즈니스의 재무 기능은 이 프로세스의 일부로 설계되었습니다.

시간이 지남에 따라 훨씬 더 적극적으로 대처할 수 있는 정보 센터를 구축하기 시작합니다. 비용 계산에 대한 요구가 알고리즘을 사용하여 수행되는 경우 동일한 정보가 CFO에게 전달되어야 하며, 예를 들어 전체 그림에 어떻게 연결되는지와 같은 맥락을 이해해야 합니다. 이제 시간이 지남에 따라 이것을 수백 개의 다른 지점에 추가하면 예를 들어 정보 센터 리더인 CFO가 장부 담당자가 되는 것보다 훨씬 더 적극적이고 전략적이라는 것을 알게 될 것입니다 . 완전히 다릅니다.

또한 CFO는 재무 기능 내에서 비용, 미수금, 지급 계정, 위험 관리 등 모든 업무에 대한 분석을 사용할 수 있는 자체 역량을 보유해야 합니다. 그러나 기회는 재무 기능보다 훨씬 더 큽니다.

Sean Brown: 이에 대해 현명하게 대처하는 데 관심이 있는 CFO라면 고급 분석에 대한 최신 정보를 빠르게 얻고자 하는 CFO에게 추천하고 싶은 특정 책이나 물건이 있습니까?

Tamim Saleh: CFO는 다른 임원들과 마찬가지로 과대광고로부터 진실을 배워야 합니다. 일반적으로 하루나 이틀의 훈련은 훌륭합니다. 이것을 할 수 있는 곳이 많이 있습니다. 책을 읽는 거죠, 그렇죠. 그러나 많은 책에는 과대광고가 포함되어 있으므로 주의하세요.

Sean Brown: 그리고 그것들은 또한 구식일 수도 있습니다.

Tamim Saleh: 맞습니다. 하지만 통계의 기본과 고급 분석의 작동 방식, 전달 방식을 이해하는 것이 중요합니다. 애자일 팀 , 즉 실험실 의 개념은 정말 중요합니다. 왜냐하면 그곳에서는 수학과는 달리 실패가 발생하기 쉬운 곳이기 때문입니다. 그러다가 "좋아, 내 팀에서 어떻게 그런 역량을 구축할 수 있고, 어떻게 더 넓은 조직의 일원이 될 수 있을까?"라고 생각하기 시작했습니다. 이것은 정말 정말 중요합니다. CFO로서 초기에 개입하여 조직이 사용 사례를 개발할 때마다 다양한 부분에 손을 대기 시작한다면 정보 센터로서 정말 앞서 나갈 수 있을 것입니다.

Sean Brown: Tamim 씨, 오늘 시간을 내주셔서 정말 감사드립니다.

타밈 살레: 반갑습니다.

숀 브라운: 감사합니다.

저자 소개

Sean Brown은 McKinsey의 전략 및 기업 재무 커뮤니케이션 담당 글로벌 이사이며 McKinsey 보스턴 사무소에서 근무하고 있습니다. Tamim Saleh 는 런던 사무소의 수석 파트너입니다.

우리에게 이야기하세요