과대광고를 넘어서: 에너지와 재료 분야에서 Gen AI를 위한 새로운 기회

[힘힘]

과대광고를 넘어서: 에너지와 재료 분야에서 Gen AI를 위한 새로운 기회

2024년 2월 5일| 기사

공유하다

인쇄

다운로드

구하다

생성적 AI는 다른 형태의 AI 및 분석을 통해 추가적인 가치를 창출할 수 있으며, 에너지 및 재료 부문은 이러한 발전의 혜택을 누릴 수 있는 독보적인 위치에 있습니다.

다운로드

기사(7페이지)

인공 지능의 최신 개척지인 생성 AI(gen AI)에 대한 논평을 접하지 않고 일일 헤드라인을 스크롤하는 것은 거의 불가능합니다 . 실리콘 밸리의 모든 인물, 벤처 자본가 또는 일반 기술자가 수십 가지 다른 시스템 중에서 ChatGPT 또는 Bard에 대해 이야기하고 이러한 도구가 상상을 훨씬 뛰어넘는 가능성을 열어야 하는 잠재력에 대해 이야기하는 것 같습니다.

사이드바

저자 소개

리더들은 과대 광고에 얼마나 주의를 기울여야 합니까? 기술 전문가들이 최신 최고의 제품 뒤에 줄을 서는 것은 이번이 처음이 아닙니다. Gen AI를 유행으로 일축해야 할까요, 아니면 리더들이 기술적 문제에 대한 만병통치약으로 최신 도구를 두 배로 늘려야 할까요?

대답은 둘 다 아닐 것 같습니다. 우리의 연구에 따르면 혁신, 데이터 분석 및 프로세스 자동화에 의존하는 조직은 Gen AI로부터 가장 많은 혜택을 누릴 수 있는 것으로 나타났습니다. 농업, 화학, 에너지 및 재료 부문 내에서 많은 기업은 이제 단순한 사용 사례를 넘어 Gen AI 채택에 점점 더 혁신적인 접근 방식을 취하고 있으며, 추산에 따르면 향후 수년 내에 3,900억 달러에서 5,500억 달러의 추가 가치가 창출될 수 있습니다. 올 것이다.

Gen AI의 힘을 활용하다

성장을 가속화하고 비용을 절감할 수 있는 Gen AI의 잠재력은 무시할 수 없습니다(전시). 이는 혁신을 위해 데이터와 분석에 크게 의존하고 점점 더 미묘하고 복잡해지는 프로세스를 기반으로 구축된 부문으로 구성된 에너지 및 재료 분야에서 특히 그렇습니다. 간단히 말하면, Gen AI는 모든 데이터에 인텔리전스를 추가하여 의사 결정을 알리는 데 사용될 수 있으며, 잠재적으로 긴 프로세스를 단일 질문으로 줄여 작업자가 이전에 알려지지 않은 지식이나 기능을 얻을 수 있도록 합니다. 이를 염두에 두고 광업, 석유 및 가스, 화학, 농업, 전력 및 재료 분야에서 흥미롭고 사소하지 않은 잠재적 사용 사례가 늘어나는 것은 리더들이 Gen AI를 진지하게 고려해야 할 충분한 이유입니다(사이드바 "생성 AI란 무엇인가?" 참조). 그런데 왜 그렇게 흥분하는 걸까요?”).

전시하다

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 이 약속은 Gen AI의 힘을 활용하는 방법에 대한 명확한 비전이 있는 경우에만 실현될 수 있으며, 소음을 줄이는 방법을 이해하는 것은 어려울 수 있습니다. 업계 플레이어는 Gen AI가 현재 디지털 전략에 어떻게 부합하는지 면밀히 살펴봐야 합니다. 여기에는 조직이 이러한 기술을 활성화할 수 있는 디지털 역량을 갖추고 있는지, 상용화된 솔루션을 출시할 때 출시할지, 아니면 완전히 새롭고 매우 야심 찬 것을 설계할지 여부가 포함됩니다. 리더는 또한 Gen AI에 수반되는 위험과 조직을 보호하는 방식으로 이를 관리하는 방법을 이해해야 합니다.

공유하다

사이드바

생성적 AI란 무엇이며, 왜 그렇게 기대되는 걸까요?

이러한 역량을 조기에 확립하고 이제 AI 세대의 발판을 확보하면 기업은 미래에 보다 발전된 모델을 신속하게 채택할 수 있는 유리한 능력을 얻을 수 있습니다. LLM(대형 언어 모델)은 향후 2~3년 동안 크기와 성능이 기하급수적으로 증가할 것으로 예상됩니다. 실제로 최첨단 모델은 이미 2023년 첫 몇 달 동안의 모델에 비해 상당한 개선을 보여 기술적으로 실현 가능한 사용 사례의 범위를 확장하고 있습니다. 기존 분석 및 그 이전의 디지털 기술과 마찬가지로 조직은 Gen AI를 목적지가 아닌 조직의 잠재력을 최대한 발휘할 수 있는 강력한 새 도구로 보기로 선택할 가능성이 높습니다.1

에너지 및 소재 부문은 Gen AI를 활용할 수 있는 독보적인 위치에 있습니다.

정교한 중공업은 데이터와 분석에 의존하여 효율성의 다음 단계로 나아가게 되었습니다. 석유 및 가스, 농업, 전력, 화학, 재료 및 광업 부문은 Gen AI의 힘을 활용하여 백오피스, 다기능 사례 및 핵심 비즈니스 측면에서 비즈니스의 일부를 변화시킬 수 있는 독보적인 위치에 있습니다. 그리고 운영.

분석에 대한 이러한 의존은 엄청난 양의 데이터를 가져옵니다. 실제로 거의 모든 현대식 공장, 광산 또는 농장에는 센서 기록에 수년간의 데이터가 있을 뿐만 아니라 고장 모드 및 영향 분석을 위한 데이터베이스, 엔지니어링 보고서, 작업 주문, 일일 작업을 자세히 설명하는 유지 관리 로그가 있습니다. 자원 탐사 및 추출에는 테라바이트 규모의 전자기 및 지진 측정이 포함됩니다. 그리고 OEM 매뉴얼과 문제 해결 가이드가 보관실의 먼지 쌓인 선반을 가득 채웁니다.

가장 인기 있는 통찰력

1. 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
2. 2024년 1조 8천억 달러 규모의 글로벌 웰니스 시장을 정의하는 트렌드
3. 2024년 패션 현황: 불확실성이 지배하는 가운데 성장 기회 찾기
4. 여성 건강 격차 해소: 삶과 경제를 개선할 수 있는 1조 달러의 기회
5. 지정학과 세계 무역의 기하학

이러한 구조화된 데이터와 구조화되지 않은 데이터의 우세는 Gen AI를 통한 탐색 및 분석에 적합하며 이를 활용하려는 기업에 특정한 이점을 제공할 만큼 충분히 독점적입니다. 이러한 많은 산업에서는 자산 강도만 중요할 뿐만 아니라 자산 활용도를 최적화하고(데이터를 사용할 수 있다고 가정) 프로세스를 압축하며 시간 경과에 따른 결과를 예측하는 사용 사례도 중요합니다. 이를 염두에 두고 업계 내 대부분의 하위 부문에 적용할 수 있는 두 가지 사용 사례 범주가 있습니다. 하나는 더 간단한 범주이고 다른 하나는 "문샷"으로 간주되는 범주입니다.

간단한 사용 사례는 일반적으로 배포하는 데 많은 기술 전문 지식이나 전문성이 필요하지 않으며 빠르게 상품화될 가능성이 높습니다. 예를 들어 관리 기능을 자동화하는 가상 비서나 고객 대면 챗봇, 소프트웨어 개발자 및 데이터 과학자를 위한 "부조종사"와 같은 표준 백오피스 기능이 포함됩니다. 이러한 기능은 생산성을 크게 향상시킬 수 있지만 최근에야 오프라인에서 사용할 수 있게 되었습니다. 선반.

대조적으로, 문샷 사용 사례는 더 혁신적이며 결과적으로 더 많은 사용자 정의가 필요합니다. 때로는 처음부터 훈련된 LLM도 필요합니다. 그리고 문샷 사용 사례는 훨씬 더 많은 가치를 제공할 수 있는 잠재력을 갖고 있지만 기능과 인프라에 대한 상당한 사전 투자도 필요합니다. 결과적으로, 이러한 사용 사례에 대한 Gen AI의 적용은 가치 사슬의 각 부분뿐만 아니라 각 하위 부문의 특별한 뉘앙스에 따라 달라질 수 있습니다.

업계에서 문샷 사용 사례의 예는 다음과 같습니다.

• 유용. 수천 마일에 달하는 송전선, 파이프라인, 기타 원격 및 때로는 접근이 불가능한 인프라를 보유한 조직은 자산 무결성을 위해 수백만 달러를 지출하는 경우가 많습니다. 부식 및 예측 유지 관리 모델은 이전에는 사용할 수 없었던 비정형 검사 기록으로 재교육되어 성능을 향상시킬 수 있습니다. 여기에는 과거 손상, 육안 검사, 자산 자체 센서의 데이터 등 기존 기록을 포함한 다양한 데이터 소스의 통합이 포함됩니다. 여기서 Gen AI는 운영 연속성과 공공 안전 모두에 필요한 핵심 비즈니스 기능의 효율성을 크게 향상시킬 수 있습니다. 드론, 항공, 위성 기반 이미지 등 기타 데이터 소스는 AI 기반 컴퓨터 비전을 통해 크게 향상될 수 있습니다.
• 석유 및 가스 회사. 이미지 처리 애플리케이션에서 확장된 특수 모델은 값비싼 지진 데이터를 처리, 보간 및 해석하여 주요 속성(예: 지평선 추적, 결함 위치 또는 직접적인 탄화수소 분류)을 식별할 수 있습니다. 결과적으로, 고해상도 탐색에 필요한 데이터의 양을 줄이는 동시에 결과의 품질을 높일 수 있습니다.
• 광산 회사. 현장에 복잡하고 널리 분산된 기계가 있는 광산은 유지 관리 매뉴얼, 작업 지시 내역, 절차, 도구 재고 및 부품 데이터베이스 라이브러리를 갖춘 모델을 구동할 수 있습니다. 이를 통해 유지 관리 기술자를 위한 강력한 AI 보조자가 활성화되어 작업을 간소화하고 신뢰성을 높일 수 있습니다. 기성 모델을 간단하게 적용하는 것처럼 보일 수 있지만 제시된 조언이 숙련된 기술자에게 정확하고 유용하도록 특별한 주의를 기울여야 하며, 완전한 가치를 달성하려면 기존 시스템과의 통합이 필요합니다.
• 화학 회사. 방대한 화학 데이터베이스를 활용하여 새로운 화학 물질의 특성을 예측할 수 있는 모델을 생성함으로써 물리적 실험실의 검색 공간을 크게 줄이고 분자 발견 속도를 높일 수 있습니다. 마찬가지로, 새로운 합성 경로를 디지털 방식으로 프로토타입화하여 저비용, 저에너지 또는 저탄소 배출 문제를 해결하는 데 도움을 줄 수 있습니다.
• 농업 회사. 날씨, 토양 상태, 해충 압력 등에 대한 데이터를 마이닝함으로써 농업 경제학 회사는 Gen AI를 기반으로 하는 가상 조언자를 구축할 수 있습니다. 이러한 조언자는 재배자, 농장 관리자 및 농장 운영자를 위한 맞춤형 위험과 기회를 식별할 수 있으며 저렴한 비용으로 연중무휴 24시간 액세스할 수 있습니다. Gen AI는 또한 다양한 데이터 포인트를 합성하여 분석 프로그램을 위한 테스트 시나리오를 생성할 수 있으며, 이를 통해 농업 경제학 회사는 다양한 이벤트를 시뮬레이션하고 보다 정확한 결과를 제공할 수 있습니다.

이러한 문샷 애플리케이션은 열망을 갖도록 설계되었습니다. 그러나 미래 지향적인 기업들은 이미 핵심 비즈니스 활동에서 상당한 가치 잠재력을 인식하고 이러한 사용 사례 중 일부를 개발하기 시작했습니다.

업계 리더들이 Gen AI의 우선순위를 정하고 구현하는 것에 대해 어떻게 생각해야 할까요?

앞으로의 과제는 조직에 의미 있는 가치를 창출하는 사용 사례를 구현하는 것입니다. 이 점에서 신기술을 사용하는 기업의 일반적인 함정은 포괄적인 디지털 전략을 먼저 설계하지 않고 조직의 여러 영역에서 여러 파일럿을 시작하는 것입니다. 대신 리더는 영향력이 크고 실행 가능한 사용 사례에 필요한 시간과 자원을 투자하는 데 집중해야 합니다. 이러한 베팅은 실제 결과를 낳을 가능성이 높으며 채택률이 높아지고 이해관계자의 지원이 높아집니다.

기업은 Gen AI가 주어진 문제를 해결하는 데 도움이 되는 올바른 선택인지 신중하게 고려해야 합니다. Gen AI에 의해 정보를 얻은 모델은 많은 기능에서 새로운 이점을 제공하고 다른 기능의 현 상태를 확실히 향상시켰지만, 이 모델이 해결하는 데 도움이 될 수 있는 문제는 이전에 항상 다루기 힘든 것은 아니었고 "전통적인 AI" 솔루션(예: 단순한 예측, 시스템) 모델링 또는 최적화 애플리케이션)은 종종 적합 이상이었고 앞으로는 더 적합할 수도 있습니다. 예를 들어, Gen AI가 적절한 선택이 되기 전의 일반적인 프로세스 최적화 사용 사례에서 더 간단하게 포착할 수 있는 많은 산업 분야의 표에는 여전히 영향이 있습니다.

기성 모델은 개발 및 배포가 쉽지만 조직이 시장에서 차별화하는 능력이 제한될 수 있습니다. 일반적으로 핵심 운영 사용 사례에는 산업 부문에서 대대적인 맞춤화가 필요할 수 있습니다. 이는 부분적으로 산업 공정의 매우 복잡하고 기술적 특성 때문입니다. 예를 들어, 화학 공식을 인식하고 개발하려면 모델이 정확한 결과를 제공하도록 보장하기 위해 맞춤형 모델 인프라와 독점 데이터로 구성된 특정 데이터베이스가 필요합니다. 마찬가지로, 거의 모든 애플리케이션에는 유용할 만큼 정확한 추가 심층적인 운영 및 수직적 산업 지식이 필요하며, 사용 사례가 기존 프로세스의 실제 문제점을 해결할 수 있는지 확인하기 위해 주요 최종 사용자의 참여도 필요합니다.

즉, Gen AI의 우선순위를 정하고 구현하는 것에 대해 생각하는 업계 리더는 디지털 전략을 성공으로 이끄는 핵심 요소를 정의하고 잠재적인 위험을 이해할 수 있습니다.

디지털 전략을 성공시키기 위한 핵심 요소

LLM이 기업이 새로운 기회를 추구하는 데 사용할 수 있는 많은 모델 중 하나일 뿐인 것처럼 Gen AI는 조직의 광범위한 디지털 전략의 한 측면일 뿐입니다. Gen AI의 잠재적 가치를 조직에 완전히 추출하기 위해 리더는 다음 사항을 고려할 수 있습니다.

• 비즈니스 주도의 전략적 로드맵. 조직은 가치가 어디에 있는지, 무엇을 달성할 수 있는지, 그리고 실제 가치를 신속하고 점진적으로 달성하기 위해 논리적으로 순서를 지정할 수 있는 것이 무엇인지 이해함으로써 전략적 로드맵을 구축할 수 있습니다. 고위 팀은 로드맵과 리소스가 목표와 일치하도록 조정되어야 합니다. 그리고 실질적인 경쟁 우위를 창출하는 경로는 명확해야 합니다.
• 재능 . 내부 기술 및 역량에 대한 로드맵은 전략적 로드맵과 동기화되어야 합니다. Gen AI는 기존 분석의 확장이며, 기존 인재를 전환하거나 기술을 향상시켜 다양한 사용 사례를 구현할 수 있습니다. 즉, 맞춤형 LLM이 필요한 애플리케이션과 같이 특히 정교하거나 복잡한 애플리케이션의 경우 특정 새로운 기술을 채용해야 할 수도 있습니다. 데이터 과학자, 기계 학습 엔지니어, 클라우드 설계자는 새로운 전문 분야가 등장함에 따라 계속 수요가 높아질 것입니다.
• 민첩한 배송. Gen AI 사용 사례는 다른 디지털 프로젝트와 마찬가지로 취급되어야 합니다. 즉, 기업은 최소한의 실행 가능한 제품을 점진적으로 신속하게 구축하고, 조기에 교훈을 얻고, 변화에 따라 적응해야 합니다. 제품 또는 서비스의 출시 속도와 조직의 위험 선호도는 일반적으로 설정되며 법률, 재무 또는 위험과 같은 필수 "통제 기능"도 민첩한 방식으로 작동할 수 있습니다.
• 기술 및 툴링. Gen AI에는 아직 설정되지 않은 새로운 자산과 새로운 도구에 대한 액세스가 필요할 수 있습니다. 클라우드 기능이 필요할 것입니다. 조직은 안전하고 안정적인 방식으로 AI를 확장할 수 있는 MLOps(머신러닝 운영) 접근 방식을 갖춰야 합니다.
• 데이터 관리. Gen AI는 먼저 데이터를 기반으로 구축되며, 이런 방식으로 데이터는 산업 기업의 경쟁 독창성의 진정한 원천입니다. Gen AI는 데이터를 훨씬 더 유용하게 만들 수 있는 힘을 가지고 있지만, 이러한 데이터는 먼저 사용 가능하고 신뢰할 수 있어야 합니다. 많은 에너지 및 재료 회사는 이미 기존 분석 애플리케이션을 지원하기 위해 데이터를 중앙 집중화하고 분리하기 시작했으며, 이러한 노력은 Gen AI 사용 사례를 활성화하기 위해 강화되어야 합니다. 따라서 조직은 중앙에서 데이터를 관리하는 것과 외부 세계의 데이터를 균형있게 관리해야 합니다. 회사의 디지털 제품에 대한 신뢰는 고객으로부터 얻어지기 때문에 그렇게 하는 것이 중요합니다.
• 채택 및 운영 모델 변경. 최종 사용자는 작업의 일부를 가속화, 강화 또는 자동화하는 제품 개발을 돕기 위해 참여합니다. 비즈니스 리더는 기술 채택에 대한 책임을 져야 합니다.

조직은 가능한 한 빨리 이러한 질문에 답하기 시작해야 하지만, Gen AI를 테스트하고 학습하기 위한 실험을 서두르기 전에 위의 사항을 고려하고 실제 가치를 제공할 몇 가지 사용 사례에 집중하는 것이 더 나은 접근 방식입니다.

산업 내 Gen AI의 잠재적 위험

Gen AI의 잠재적 위험은 중요하고 광범위합니다. 다음 위험은 업계에 구애받지 않으며 Gen AI를 사용하기 전에 신중하게 고려해야 합니다.

• 정확성. Gen AI 모델은 신뢰할 수 있는 것처럼 보이거나(때때로 "환각"이라고도 함) 추상적인 추론이 부족한 답변을 "구성"할 수 있습니다. 경영진에게는 고품질로 보일 수 있는 응답이 실제로 최종 사용자에게는 별 가치가 없을 수도 있습니다. 예를 들어, 엔진 구성 요소 교체와 관련하여 매우 구체적이고 정확한 조언에 대한 유지 관리 기술자의 요구 사항을 고려하십시오. 문제 해결에 대한 조언을 제공하는 것보다 특정 작업 지침을 제공할 때 유용성에 대한 정확성의 한계가 훨씬 더 높습니다.
• 보안. Gen AI는 때때로 눈에 띄지 않을 수 있는 백도어 공격에 취약합니다. 해커가 모델을 하이재킹하거나, 잘못된 정보를 생성하거나, 데이터를 훔치거나, 사기를 저지르는 사례가 있었습니다.
• 은둔. 경쟁적으로 민감한 데이터나 기밀 데이터는 공개 LLM API를 통해 유출될 수 있습니다. LLM이 사용할 수 있는 데이터는 특히 기밀 또는 분류된 데이터의 경우 이미 존재하는 액세스 제어를 반영하기 위해 분류되어야 할 수 있습니다.
• 공평. 기존 AI와 마찬가지로 Gen AI도 때때로 편향된 출력을 생성할 수 있습니다. 또한 의도적으로 추가된 보호 장치를 우회하는 데 오용될 수도 있습니다.
• 합법적인. 지적 재산권 침해, 저작권 위반 및 오용으로 인한 책임의 잠재적 위험이 있습니다. AI 세대가 생성한 결과물에 법이 어떻게 적용되는지는 여전히 모호합니다. 많은 관할권에서는 여전히 이 기술을 효과적으로 규제하는 방법에 대해 논의하고 있습니다.

이러한 위험은 모든 산업에 존재하지만 에너지 및 재료 부문은 특히 부정확한 출력의 잠재적인 영향을 고려할 때 기본 모델의 초기 정확도 부족으로 인한 잠재적 위험을 특히 인식해야 합니다. 안전을 위협하는 부정확한 모델 대응은 용납될 수 없으며, 작업자가 사용하는 Gen AI 도구에 대한 세심한 보호 조치가 확립되어야 합니다. 부정확한 출력의 잠재적인 영향을 제한하면서 모델 정확도는 최대한 높아야 합니다. 인간 운영자는 루프를 유지해야 하며 Gen AI의 정보를 바탕으로 운영 결정을 내리는 데 궁극적으로 책임을 져야 합니다. 환각도 관리해야 합니다. 잠재적인 완화에는 환각 반응을 예방하거나 표시하기 위한 다른 도구와 함께 성능을 조정하고 출력의 정확성을 객관적으로 측정하는 것이 포함될 수 있습니다. 그리고 LLM을 기반으로 도구를 개발하는 팀은 응답의 정확성을 높이기 위해 고급 기술을 사용하여 프롬프트를 강화하거나 엔지니어링할 수 있습니다.

또한 해당 부문에서는 기본 모델을 사용할 때 개인 정보 보호에 대한 위험을 인지하고 독점, 기밀 및 민감한 데이터를 보호하기 위한 조치를 취해야 합니다. 잠재적인 완화에는 악의적인 입력으로부터 보호하기 위한 데이터 및 프롬프트 검증, 응답 필터링을 위한 적대적 테스트 수행, 데이터 보안 기능을 보호 및 강화하기 위한 가드레일 배포가 포함되어야 합니다.

---

에너지 및 소재 부문의 많은 부분은 과대평가된 기술 혁신을 외면하고 있습니다. 그러나 AI 세대의 발전 속도를 단순히 '이달의 맛'으로 평가해서는 안 됩니다. 실제로 해당 분야의 경영진은 자신의 조직이 Gen AI로부터 어떤 이점을 얻을 수 있는지 탐색하기 위해 가장 먼저 줄을 서야 합니다. LLM은 기술적이며 복잡한 프로세스에 의존하는 산업에서 높은 가치를 제공할 수 있는 잠재력을 가지고 있습니다. 앞으로 리더들이 자문해야 할 질문은 “생성 AI를 어디에 적용할 수 있는가?”가 아닙니다. 오히려 “혁신적인 가치를 제공하기 위해 AI를 어떻게 적용할 수 있을까요?”

저자 소개

Filipe Barbosa 는 McKinsey 휴스턴 사무소의 수석 파트너이며 Ian Wells 는 제휴 파트너입니다. Soenke Lehmitz 와 Erik Roth 는 Stamford 사무실의 수석 파트너입니다. Jukka Maksimainen 은 헬싱키 사무소의 수석 파트너입니다. Lapo Mor i 는 덴버 사무실의 파트너입니다. Bryan Richardson은 밴쿠버 사무소의 파트너입니다. Humayun Tai 와 Rodney Zemmel 은 뉴욕 사무소의 수석 파트너입니다. Sapna Thakker 는토론토 사무실의 컨설턴트입니다.

저자는 이 기사에 기여한 Richard Bates, Rebecca Carothers 및 Lydia Terisno에게 감사의 말씀을 전하고 싶습니다.