[2018 BI컨퍼런스 발표자료 - 보강판] * 기업의 입장에서 인공지능 AI 도입, 활용하기위해 무엇을 준비해야하는가? * 기업들은 어떤 고민을 안고 있으며 지금의 인공지능은 현실적으로 투자할만한 가치를 가지고있는가? * 인공지능 적용은 어떤 유형으로 이루어지며 어떤 부분에서 기업들의 오해가 많은가? * 데이터만 많으면 되는가? 딥러닝이면 해결되는가? # .... 리비젼컨설팅. 전용준 . 201809

1. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용
젂 용 준
리비젼컨설팅 대표/ 경영학 박사
010. 3095. 1451 xyxonxyxon@empal.com
비즈니스 가치를 위핚 AI 적용:
이슈와 과제
2018. 9. Updated

2. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 1
Agenda
비즈니스에서의 AI에
대핚 기대와 적용
AI의
실체와 핚계
AI 적용의
이슈와 과제
1 2 3

3. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 2
AI에 대핚 기업들의 기대와 적용 수준
• 잠재력에 대핚 기대와 실행간의 Gap  불안감 (경쟁적 측면)
AI would
provide
competitive
advantages
“extensively”
incorporated AI
into offerings
or processes
5%84%
Source: M.I.T. Sloan Management Review and Boston Consulting Group survey
(Reshaping Business with AI, 2017)
https://www.forbes.com/sites/louiscolumbus/2017/09/10/how-artificial-intelligence-
is-revolutionizing-business-in-2017/#bfd88925463a

4. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 3
Critical Questions for Businesses
• AI의 잠재력에 대핚 기대가 과연 현실적읶가?
• AI를 당장 적용하지 못하는 이유는 어떤 것읶가?
• 얼마나 많은 투자가 필요핚가?
• 얼마나 공격적으로, 얼마나 서둘러서 AI 적용을 실행해야
하는가?
• 어떤 준비가 필요핚가?
• 내 업종에서는 어떤 부분에 먼저 적용핛 것읶가?
Negative
Positive
Watching

5. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 4
어떤 업무에 AI를 적용하고 있는가
https://www.investors.com/news/technology/ai-in-business-future-of-artificial-
intelligence/
Walmart
미래수요와 재고
보충을 통핚
공급사슬 최적화
Monsanto
바이오
엔지니어링에서
유망 분자 발견
John Deere
농장에서의
화학비료 살포
감축
Devon Energy
(shale oil
producer)
시추 지점 발굴
상품추천/개읶화, 챗봇, 사물읶식 등
대표적읶 적용 분야 이외의 Biz 적용?

6. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 5
어떤 업무에 AI를 적용하고 있는가
https://www.computerworlduk.com/galleries/it-business/uses-of-ai-machine-
learning-in-business-3639749/
Virgin Holidays (tour operator)
• 마케팅 이메읷 제목 작성에 AI 적용 
자동화/최적화
• 읶간 작성시 대비 10% 개봉률 증가

7. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 6
AI에 대핚 흔핚 오해
• 모든 업무가 AI 적용 대상이다
• AI는 읷관성이 있고 Bias가 없다 (객관적이다)
• AI는 거의 100% 정확
• AI는 알아서 학습하고 알아서 짂화핚다 ( 유지보수 필요
없다)
• AI에는 데이터만 많이 넣으면 된다
• AI == ML == Deep Learning 또는 !(ML = Deep
Learning)
• 엄청난 투자가 있지 않으면 AI 도입은 불가능하다
비현실적
기대

8. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 7
AI의 3가지 유형 (THD)
• 업무 프로세스 자동화를 위해 부분적읶
back-end 단숚 업무 처리  운영효율화
(높은 ROI)
• RPA(Robotic Process Automation)
• 예: 대출서류 검토 – 속도 및 오류 감소
Process Automation
Cognitive Insight
Cognitive Engagement
• 대량 데이터로부터 패턴 발견 또는 의미
추출, 유형 분류, 점수화
• 예: 상품추천, 사기탐지
• 직원, 고객 등에 대핚 응대
• 예: 헬프데스크 챗봇
https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

9. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 8
Simple Vs. Complex Task
Cognitively Simple Task
https://venturebeat.com/2018/06/30/understanding-the-practical-applications-of-business-ai/
Cognitively Complex Task

10. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 9
AI의 정체?
• Artificial not Real
• Fully automated and self
evolving?
• Strong Vs. Weak
• General Vs. Specific-purpose
(Narrow)
• Question Vs. Answer
AI
ML
Expert
Systems
Deep
Learning
(ANN)
Other MLs
• Decision Tree
• Regression
• Support Vector
Machines
• Random Forests

11. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 10
핚계: AI가 이유를 설명하는가?
We all know more than we can tell.
(Polanyi‟s Paradox, 1964)
Machines know more than they can tell us.
(Erik Brynjolfsson and Andrew McAfee, 2017)
https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence
Low Interpretability  Low Explainability
설명이 없어도 Business에서 수용핛 수 있는가?

12. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 11
해석 어려움이 유발하는 Risk들
머싞 러닝의
특성:
낮은 해석 가능성
(Interpretability)
https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence
설계자가 의도하지 않았으나
데이터 자체에 bias가 숨어있음
예: 연령, 읶종, 복합
학습 데이터에 없었던 경우라면 모든
경우에서 적젃핚 작동 보장 어려움 (Low
Verifiability)
예: 산, 바다  호수
오류발생시 원읶 짂단과 수정 어려움
• Risk를 완젂히 제거핛 수 있는가?
• 읶간이라면 같은 Risk가 없는가?
 Black Box

13. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 12
비즈니스를 위핚 알파고?
• 대부분의 비즈니스 문제들은 게임 형태로 변홖 어려움
• 참가자가 두 명이 아니고 규칙도 불명확 (*규칙 변화도 발생)
• 비즈니스 의사결정의 결과가 명확핚 승패가 아니며 무수핚 변수 졲재
 비즈니스를 위핚 AI 구현은 상상하는 것 보다 월등히 어려움
https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence
• 마케팅 기획에 알파고를
적용핚다면?
- 매출 Vs. 이익
- 경쟁방어 Vs. 장기적 성장?

14. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 13
데이터와 관렦된 이슈
• 필요핚 데이터가 졲재하지 않음
• 외부에는 졲재하지만 확보
불가능
• 데이터 확보(임대, 구매)에 큰
비용 발생
• Label이 달려있지 않음
• 최싞 상태를 반영하지 않음
• 사용하기 용이핚 형태가 아님
데이터 확보 Issue 데이터 가공과 모델링 Issue
http://usblogs.pwc.com/emerging-technology/8-ways-ai-will-change-work/
- 졲재하는 모든 데이터를
모아도 5백건을 넘지 않는다면?
- Label이 명시적이지 않으면?
- Label을 싞뢰핛 수 없다면?

15. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 14
데이터 량의 경쟁에서 질 중심의 경쟁으로
"데이터를 통핚 문제 해결에 있어 양이 관건이
되는 경우가 있고, 질이 관건이 되는 경우도 있다.
지금까지 AI가 거둔 성과들은 대부분 양적읶
부분에 집중되어 있지만,
질적읶 부분에서 더 큰 가치가 나올 수 도 있다.
양적읶 측면은 자본의 힘에 좌우될 수 있지만
질적읶 측면은 꼭 그렇지 않다.
점차 데이터의 양보다는 질에서 AI 홗용의 승부가
갈리게 될 것이다.
도메읶 지식을 기반으로 얼마나 양질의 응용
알고리즘을 만들어내는가 관건이 될 것이다"
- 젂용준 리비젼컨설팅, 컴퓨터월드 2017.11
http://www.comworld.co.kr/news/articleView.html?idxno=49341

16. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 15
데이터 량의 중요도가 무핚정 증가하지 않음
딥러닝이 기대를 모으는
이유: 대규모 데이터를
투입핛 수록 모델 성능
향상
많은 데이터를 가짂
기업이 경쟁에서 시장
독식?
 읷정수준의 정확도를
넘어서면 Biz성과에 더
이상 영향주지 않을 수
있음 (예: 5%의 이탈예측
오차를 4.5%로 낮춰도
이탈방지성과 향상은
미미)
https://www.analyticsvidhya.com/blog/2017/04/comparison-between-deep-
learning-machine-learning/
데이터 량 증가에 따른 알고리즘 성능 향상 곡선
Threshold of
Competitive
Advantage
Exhibit by Andrew Ng

17. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 16
딥러닝이 적합하지 않은 경우
• 예산이나 Commitment가 부족핚 경우
- c.f. Google AutoML: 800GPU X 1주일
• 읷반 업무담당자, 경영짂, 정부담당자에게 모델을
구체적으로 설명해야 하는 경우
• 읶과관계를 파악하는 것이 중요핚 경우
http://hyperparameter.space/blog/when-not-to-use-deep-learning/

18. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 17
예제: 딥러닝 Vs. 다른 머싞러닝 1/2
10만건의
<빅데이터> 관렦
뉴스기사 제목
Word2Vec
Embedding
Deep NN
(4 Hidden Layers,
ReLU + dropout)
Random Forests 최근에 회자되는 내용에
관핚 기사읶가를 판별
최근 뉴스
읶가?
DNN (68%)
20분 학습
RF (72%)
2분 학습

19. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 18
예제: 딥러닝 Vs. 다른 머싞러닝 2/2
DNN (70%)
3시간 학습
RF (72%)
2분 학습
DNN이 최적의 구조로 설정되었는지는 확싞 불가

20. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 19
Word2Vec 예제
(2 dimensional) W2V –
“빅데이터” 뉴스 제목
읶공지능
관렦 단어 집단
빅데이터
관렦 단어 집단
W2V을 홗용핚
기사 Clustering
기사별 aggregation
(mean, mad)
 모델링 적용

21. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 20
참고: „읶공지능‟과 가까운 단어들
읶공지능  개선, 기대, 확산, 정책, 채용, 규제, 경쟁력

22. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 21
Long Term Economic Impact
• 경제적 영향은 장기간에 걸쳐 지속적, 점짂적으로 커져갈 것
• 5대 AI 분류: computer vision, NLP, virtual assistants, RPA
and advanced ML
• 젂홖비용과 부정적 외부영향 졲재
http://semiengineering.com/ais-long-term-impact/#.W5sjrOWn9Gw.facebook Original source: McKinsey & Co

23. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 22
저평가된 중요핚 변화들
• 직원들 보다 경영짂에게 더 먼저 영향
– 누가 하는가 보다 무엇을 어떻게 하는가
• 업무의 단숚화
• AI 기술 젂문가만 확보하는 것으로 불충분
– 제핚적 AI기술을 보유핚 업무 젂문가 중요
• Black box를 여는 것이 우선숚위
– Make AI explainable(XAI), transparent, or provable
http://usblogs.pwc.com/emerging-technology/8-ways-ai-will-change-work/

24. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 23
데이터 과학 발젂 젂망 (Gartner)
2020년 정도 까지 벌어질 일들
• 데이터 과학자들의 대부분(80%)이 딥러닝을 활용핛 것
• 데이터 과학 업무 중 40% 이상 자동화
 데이터 과학자 생산성 향상, Citizen 데이터 과학자 활용 증가
• 고급분석 수행의 양 측면에서 Citizen 데이터 과학자가 데이터 과학자를 추월
• 자연어 생성이 분석 플랫폼의 기본 기능이 될 것
• 의미 :: [1] 데이터 사이언스 자동화, [2] 자동화된 툴 활용핚 데이터 사이언스
[3] 엑셀수준으로 쉬워짂 툴을 활용핚 Citizen 데이터 과학 등 세가지로 급속하게
구분/재편될 것이라는 예상
자료: Data-and-Analytics-Predictions 가트너 2017

25. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 24
데이터 과학 2018 젂망 (DSC)
• 모델 생성과 데이터 준비, 배포의 자동화
– 대규모 조직일수록 코드 단위의 관리 어려움 - 일관성, 정확성,
디버깅, 협업, 생산성
– Visual Composition Framework 필요성 (drag-and-drop GUI)
• 머싞러닝 자동화(Automated ML) - One-click-data-in-model-out
– 변수 생성, 선택 자동화 (Or 단순화)
• 데이터 과학자와 데이터 엒지니어 분화
– full stack 데이터 과학자 개념 사라짐
• 딥러닝의 보편화에는 시간이 좀 걸릴 것 (현재는 복잡하고 어려움)
– 단숚화 시킨 제품형태로 딥러닝 플랫폼의 대폭 향상 필요
– 인공지능 적용분야 핚정 - text, speech, image, video processing
https://www.datasciencecentral.com/profiles/blogs/6-predictions-about-
data-science-machine-learning-and-ai-for-2018

26. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 25
AI “시장” 변화 젂망 (Gartner)
2020년 정도 까지 벌어질 일들
• 고객서비스 봇이 가장 주된 AI 응용분야가 될 것
• 실질적 성과를 얻는 조직이 많이 늘어날 것
• 인공신경망 활용 기업이 많이 늘어날 것 (20% 수준)
• 기존 공룡들을 획기적 솔루션의 스타트업들이 제칠 것(??)
• AI플랫폼 사업은 상당핚 카니발라이제이션을 겪게 될 것
– 의미:: 단기적으로는 실용적 기술 발젂이 더딜 것(?)
자료: Data-and-Analytics-Predictions 가트너 2017
1. AI/딥러닝 발젂/확산은 분명
2. 비즈니스 홗용 수준에서 성패가 갈릴 것

27. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 26
고용 대체 측면의 영향?
젂체 업무(Job), 프로세스를
대체하는 것이 아니라
읷부 작업(Task)을 대체
 읶간을 보조
“AI가 관리자들을 대체하는 것이
아니라
AI를 사용하지 않는 관리자들을
AI를 사용하는 관리자들이
대체핛 것이다”
http://www.socialist.ca/node/3549
?

28. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 27
AI 적용에 실패하지 않으려면
• 시장점유율을 움직읷 정도의
잠재력을 가짂 문제에서
출발하라
• 자동화(Automation)가 아니라
증강(Augmentation)에
focus하라
• AI와 대상업무 모두에 대핚
젂문성을 가짂 읶력을 확보하라
Jeremy Barnes, Chief Architect at Element AI.
https://www.techemergence.com/avoiding-common-mistakes-in-b2b-ai-
applications/
• AI적용이 비즈니스에 어떤
영향을 미칠지에 대핚 명확핚
큰 그림
• AI을 홗용해야만 해결핛 수
있는 문제를 선별핛 수 있는
능력
• 시장내의 다양핚 문제에 대핚
다양핚 AI 응용 방식에 대핚
이해
AI 적용 고려사항 : AI 도입 검토중읶 기업의 숙제 :

29. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 28
비즈니스 가치를 위핚 AI 적용: 과제
• AI와 비즈니스 양 측면에 대핚
이해도와 경험을 모두 가짂
읶력 Pool 확보 (내부 or 외부)
• 시범 적용 대상 문제 선별
- 기술적 feasibility, 비즈니스
impact, Cost 동시 고려
• 시범적 문제에 대핚 시험 적용
- 운영을 위핚 젂체 연관
프로세스 변경 설계
• 비즈니스 가치 장기적 영향
파악  조직내 수용
• 적용 대상 문제 확대
• AI의 기능적, 기술적 완성도
제고 (+단숚화/효율화) 및
추가적 데이터 확보/ 반영
• 지속적읶 Update (Data,
Model, Reporting, Process)
• AI이외의 프로세스와 연결,
자동화
• 적용된 AI의 모니터링, 통제
지속
단기: 짂입단계 Future: 본격화, 확대

30. © 2018 RE::VISION 비즈니스 가치를 위핚 AI 적용 29
…
젂 용 준
대표/컨설턴트 | 리비젼컨설팅
xyxonxyxon@empal.com 010.3095.1451
Keyword: 예측모델링 | 데이터 마이닝 | 빅 데이터
http://www.revisioncon.co.kr
contact:
비즈니스 가치를 위핚 AI 적용: 이슈와 과제 - 끝