추가 적립 안내

불을 만지기 전 불을 다루는 법 배우기
구글, 테슬라, 뉴욕타임스, 아마존, 애플 등 글로벌 테크 기업들의 사례로
복잡한 코드 없이 AI 개발의 실제와 이해를 돕는 실무 가이드

AI를 개발하는 일은 매우 복잡하고, 빅테크 기업만 할 수 있는 거대한 일처럼 느껴진다. 하지만 AI는 이미 우리 곁에 공기처럼 존재한다. 사람들은 AI 기반 시스템을 누리며 살고 있다는 사실조차 인식하지 못한다. 일할 때나 운전할 때, 점심 메뉴를 고를 때나 운동할 때 사람들은 AI를 활용하며 보이지 않는 기술의 혜택을 누리고 있다. 이제 AI 전략이 없는 기업은 2002년에 웹 전략이나 2008년에 모바일 전략을 포기한 회사와 다르지 않다. 시장에서 도태되지 않고 살아남으려면 AI가 반드시 필요한 세상이 됐다.
이 책은 IBM의 대표 AI인 왓슨 개발에 참여하고 빅테크 기업부터 스타트업까지 다양한 머신러닝 조직에서 AI개발의 성공을 이끈 미국의 두 머신러닝 전문가, 얼리슨 심프슨 로크워거와 윌슨 팡이 빅테크 AI 기업들의 현장 이야기를 바탕으로 AI 개발 착수부터 조직 구성, 의제 설정, 데이터 수급 전략, 파일럿 설정, AI 리더십 등 개발과 경영에 꼭 필요한 AI 성공 로드맵을 제공한다. 구글과 애플, 페이스북, 테슬라, 아마존, 뉴욕타임스 등의 빅테크 기업부터 실리콘밸리에서 각축전을 벌이는 머신러닝 기업들의 성공과 실패담을 분석해 성공에 도달할 수 있는 지름길을 안내한다. AI를 활용해 업계에서 경쟁우위를 차지하는 길은 녹록지 않다. 하지만 이 책의 사례를 참고하면 성공 확률은 훨씬 높아질 것이다.

AI 프로젝트 성패를 좌우하는 첫 단추, ‘골디락스 문제’ 설정하기
데이터가 많고 빨리 해결할 수 있는 가장 작은 ‘골디락스 문제’를 찾아 ROI로 증명하라. 이렇게 입증된 성공은 조직의 신뢰와 인정을 이끌어내 AI 사업에 추진력을 얻고 강력한 리더십을 발휘할 수 있다. 너무 차갑지도 뜨겁지도 않은 딱 좋은 상태라는 개념의 ‘골디락스 문제’ 설정은 최소한의 비용으로 AI의 강력한 성과를 보여줄 수 있는 첫 단추다.
오토캐드나 3ds Max 등의 건축 설계 소프트웨어 서비스를 제공하는 기업 오토데스크는 구식 고객 서비스로 고객들의 불만이 자자했다. 평범한 문의사항을 처리하는 데 하루가 넘게 걸려 전문가 고객들은 업무시간에 손을 놓고 있어야 했다. 그래서 오토데스크가 수백 가지 고객 불만을 처리하기 위해 AI를 도입하기로 결정하고 압도적인 비중을 차지하는 단 하나의 문제를 해결하는 데 집중하기로 했다. 바로 비밀번호 재설정 요청이었다. “로그인이 안 돼요”, “비밀번호 재설정이 안 돼요”라는 문의 요청을 골라내는 일은 자연어 처리에 적합했고 사내에 방대한 데이터가 쌓여 있었다. 이 환상적인 골디락스 문제 설정으로 빠르게 AI 솔루션을 구축해 성공을 증명할 수 있었고, 이에 고무된 오토데스크는 조직 전체에 AI 투자를 대대적으로 늘려 AI 친화적인 기업으로 변신했다.(본문 79쪽)

세계 기업들의 AI의 도입 과정과 편향 대처법
전통적인 기업에 AI가 가져온 혁신은 놀랍다. 미국의 대표적인 미디어 기업 뉴욕타임스는 ‘인쇄 매체의 죽음’이라 불리던 패러다임에서 악성 댓글 관리 등 사내 문제를 해결하기 위해 AI를 도입한 후 점차 영역을 넓혀나가며 디지털 테크놀로지 기업으로 진화해 유료 회원수도 700만 명에 달하는 등 종이신문에서 디지털 매체로 혁신하는 데 성공했다.(본문 173쪽) 이 외에도 책에는 IBM과 협업해 AI 드레스를 만든 패션 브랜드 마르케사와 AI 도입으로 회생에 성공한 이베이의 이야기, AI로 혁신을 이끈 밀라노의 전통 패션 기업 사례, 재고 정리를 위해 AI를 도입한 월마트의 이야기, 농업에 혁신을 가져온 농기구 기업 블루리버 테크놀로지 등 AI를 통해 혁신을 이룬 각기 다른 업종의 사례를 소개한다.
또 AI를 개발해 배포하는 과정에서 숙명적으로 나타나는 편향과 이를 해결하기 위한 기업들의 분투기도 담겨 있다. 애플이 출시한 신용카드에서 성별 편향으로 남성과 여성의 신용한도가 크게 달라 논란에 휩싸였던 에피소드, 성 편향 번역을 해결하기 위한 구글의 고육지책, 16시간 만에 중단된 마이크로소프트의 신제품 테이 이야기, 잘못된 머신러닝으로 감옥에 가게 된 소녀의 사례 등을 통해 AI의 편향이 가져올 수 있는 기술의 이면을 이야기하며 책임 있는 개발을 강조한다. 저자는 AI의 광범위한 힘을 다루는 사람이라면 윤리적인 기준을 세우고 거버넌스를 마련해 세상에 도움이 되는 제품을 만들어야 한다고 말한다. 책임 있는 AI 개발은 막연히 좋은 것이 아니라 개발자의 커리어와 기업의 이미지와 매출에도 도움이 된다는 것을 실제 AI 개발 과정의 성공과 실패담으로 증명한다.

이제 AI를 이해하지 못하는 기업은 화석이 될 것이다
AI모델은 어렵다. 지구상에서 가장 크고, 마음대로 사용할 수 있는 모든 자원을 가진 회사라도 크고작은 문제에 직면하게 된다. 책에 소개됐듯 인터넷 서점으로 시작한 아마존은 AI 기업으로 거듭나기까지 무수한 실패를 겪고 조롱을 당하는 등 고된 여정을 거쳐 지금에 이르렀다(175쪽). 테슬라도 자체 자율주행 기능인 오토파일럿의 오류로 여러 운전자들이 상해 사고를 당하는 비극을 겪었지만 이를 견디며 묵묵히 기술을 끌어올려 최근 우주 탐사 산업까지 성공시키고 있다. 이들뿐만 아니라 구글, 트위터, 마이크로소프트 같은 빅테크 기업도 계속해서 벌어지는 도전 과제를 극복하며 진화하고 있다.
세계를 주도하는 빅테크 기업들은 이러한 강력한 AI 리더십으로 끈질기게 기술 중심의 경영을 이끌어 전세계의 부를 흡수하고 있다. 이 기업들은 모두 마르지 않는 데이터에 집착하며 성공 가능한 파일럿을 디자인하고 강력한 데이터 파이프라인을 구축하고 있다. AI를 통한 성공의 핵심은 작게 시작해 꾸준히 실행하는 것이다. 이 책은 AI를 통한 성공은 생각보다 가까운 곳에 있다고 말한다.
“당신이 무슨 일을 하든 인공지능, 딥러닝, 머신러닝을 이해하지 못한다면 반드시 배워야 한다. 그렇지 않으면 3년 안에 화석이 되어 있을 것”이라는 미국 기업가의 말처럼 이제 AI는 리더십이나 조직 관리처럼 경영자가 반드시 배워야 하는 과정이 되고 있다. 압축해서 다가오는 미래에 시장에서 경쟁하기 위해 AI를 고민한다면 이 책이 강력한 마일스톤이 되어줄 것이다.

백동주(네이버 클라우드 시니어 디벨로퍼)
복잡한 수식을 통해 AI를 설계하는 책이 아니다. 기술이 아닌 비즈니스 영역에서 AI를 어떻게 활용해갈 수 있는지에 초점을 맞추고 있다. AI 개발 선배로서 저자는 문제 설정부터 데이터 수집, 조직 구성, 리더십, 데이터관리(거버넌스)에 대해 친절하게 설명한다. 많은 비즈니스 문제를 AI로 해결하고자 하는 리더들과 프러덕트 매니저에게 이 책을 추천한다.

탐 탈리(《인공지능의 기초》 저자, <포브스> 칼럼니스트)
AI를 거스를 대안은 없다. 강력한 ROI를 이끌어내는 AI 시스템을 구축하는 것은 쉬운 일이 아니다. 하지만 기업이 번창하고 경쟁력을 유지하려면 성공할 방법을 찾아야 한다. 좋은 소식은 이 책이 실제 빅테크 기업 사례와 실행 가능한 조언으로 뒷받침되는 확실한 로드맵을 제공한다는 것이다.

제우스 케라발라(ZK 리서치 수석 분석가)
향후 10년 동안 기업들은 머신러닝과 인공지능에 수십 억 달러를 지출할 것이며, 데이터 품질은 이러한 이니셔티브의 성공을 보장하는 데 핵심이 될 것이다. 이 책은 기업이 데이터를 평가하고 최고 수준의 AI 기술을 획득하기 위한 로드맵을 세우는 전략을 제시한다.

라마 아키라주(IBM AI 최고기술책임자)
이 책은 러닝머신으로 성공하는 방법에 대한 위한 실용적이고 직접적인 조언으로 가득 차 있다.

아마존 독자 리뷰
개발자이지만 AI에 있어서는 초보자 수준에 있던 나에게 이 책은 믿을 수 없을 정도로 시야를 넓혀준 독서였다.

프롤로그 - 불을 만지기 전 불을 다루는 법 배우기

1장 AI 개발과 편향의 덫
구글의 성 편향 번역
남성 이력서로 학습한 아마존 채용 AI의 결과
잘못된 머신러닝으로 억울하게 감옥에 가게 된다면
AI는 하나의 기술이 아닌 진화하는 기술의 집합
머신러닝, 학습과 추론 사이의 여러 단계들
딥러닝, 인간의 의사결정을 모방하다
“왜 아무도 제게 알려주지 았았죠?”
AI는 사업에 도움이 되는 만큼만 가치가 있다
16시간 만에 중단된 마이크로소프트의 신제품
실패는 피할 수 있다

2장 기존 사업에 AI를 적용할 때 벌어지는 일들
유서 깊은 패션 기업이 AI를 도입했을 때
월마트의 재고 정리 AI 도입 과정
마르케사의 AI 드레스 제작기
농업에 머신러닝이 가져온 경제성과 효율성
이베이의 AI, 크릴로프 개발기
크로스펑셔널팀을 구축하라
시작하기 전 성공을 명확히 정의하라

3장 골디락스 문제 선택의 중요성
오토데스크의 환상적인 골디락스 문제 설정
오토데스크의 골디락스 문제 해결 후 달라진 변화
미국 우정청의 골디락스 문제 선택
데이터가 많은 곳으로 가라
시중 제품을 활용하는 것도 좋은 방법이다
AI팀의 힘을 키우는 문제 설정
쉬운 문제로 시작해 ROI로 증명하라
성공하는 AI기업은 어떻게 개발을 시작하는가

4장 AI는 데이터로 완성된다
제대로 된 데이터가 없으면 반드시 실패한다
월마트의 데이터 주석 작업 4단계
오래 쓸 수 없는 데이터는 무의미하다
왜 빅테크 기업은 마르지 않는 데이터에 집착하는가
이 데이터는 어디에서 와서 어떻게 쓰이는가
좋은 것에 쓰레기가 섞이면 쓰레기가 나온다
“당신의 기침소리까지 녹음하고 있다”는 기사가 뜬다면
데이터 파이프라인 구축하기

5장 강력한 AI조직 구축하는 법
유능한 인재가 활약하는 조직 구축하기
고급 인력 제대로 활용하기
인센티브의 재구성
AI 조직 구성의 3가지 단계
인력이 부족할 때 채용 우선순위
소프트 스킬의 중요성, AI를 모르는 팀과 협업하는 능력
6장 성공으로 향하는 파일럿 설정하기
트위터의 테러리스트 계정 삭제 작업
성공하는 파일럿은 어떤 형태인가? 전략목표 세우기
작게 시작해 확장 가능한 파일럿을 만든 옴니어스 사례
확장할 수 없는 파일럿은 의미가 없다
팀을 벗어나 소통하라

7장 시제품에서 완제품으로
개발자의 예상은 자주 빗나간다
현장에 적용할 때 고려해야 할 3가지
상황에 맞춰 수정하고 적응하라
2주 전에 옳았던 일이 지금은 위법일 수 있다, 법률 검토
반드시 당신의 노력을 무너뜨리는 악당들이 나타난다

8장 AI기업으로 변신한 뉴욕타임스의 AI 리더십
인쇄매체를 넘어 AI기업으로, 뉴욕타임스의 변신
왜 전사적 AI 교육이 필요한가
데이터 파이프라인 관리
각기 다른 생각들의 구심점, 데이터 거버넌스
부서 간 영역을 뛰어넘는 회사 만들기
예산과 자원 할당
조직에 AI근육 붙이기

9장 AI 성숙도를 높이는 과정
구글이 영상 검토 인력을 1만 명이나 뽑은 이유
트렌치코트는 재킷인가 아닌가?
뉘앙스의 차이와 허용 가능한 융통성의 범위
고객이 약관에 동의했어도 뭐든 할 수 있는 것은 아니다
2,700억 원의 벌금을 낸 영국항공, 거버넌스의 중요성
1년 만에 바뀐 트럼프의 의미, 드리프트 모니터링
오래 가는 AI를 위한 관리 기술

10장 AI, 개발할까 구매할까?
애플의 페이스ID가 불러온 문제
구축하든 구매하든 가장 중요한 것

에필로그

몇 년 안에는 AI 전략이 없는 기업을 찾기 힘들어질 것이다. 오늘날 AI 전략 개발을 위해 노력하지 않는 기업은 2002년에 웹 전략이나 2008년에 모바일 전략을 추진하지 않기로 결정한 회사와 다르지 않다. 시장에서 도태되지 않고 살아남으려면 AI가 반드시 필요한 세상이 됐다. AI는 이미 우리 곁에 공기처럼 존재하고 있다. 사람들은 AI 기반 시스템을 활용하며 살고 있다는 사실조차 인식하지 못한다. 쇼핑할 때나 운전할 때, 점심 메뉴를 고를 때나 운동할 때, 일을 하거나 공부할 때 대다수의 사람들이 AI를 활용하며 보이지 않는 기술의 혜택을 누리고 있다. 하지만 AI를 개발하는 일은 매우 복잡하고, 빅테크 기업만 할 수 있는 거대한 일처럼 느껴진다. 하지만 꼭 그런 것은 아니다. 물론 우리도 같은 경험을 했기 때문에 이 일을 시작할 때 얼마나 막연하게 느껴질지 이해할 수 있다.
- 프롤로그 중에서

AI를 활용해 경쟁우위를 점하는 길은 간단하지 않지만 앞으로 살펴볼 모범 사례를 참고하면 성공 확률이 훨씬 높아질 것이다. 우리는 구글과 애플, 페이스북, 테슬라, 아마존, 뉴욕타임스 등의 빅테크 기업은 물론 AI에 관련된 일을 하는 여러 기업들의 AI개발의 성공과 실패담을 살펴봄으로써 당신의 비즈니스 활동에 AI를 접목했을 때 성공에 더 빨리 도달할 수 있는 방법을 전해주고자 한다. AI모델은 어렵다. 지구상에서 가장 크고, 마음대로 사용할 수 있는 모든 자원을 가진 회사라도 크고작은 문제에 직면하게 된다. 앞으로 살펴보겠지만 애플뿐만 아니라 구글, 월마트, 테슬라, 마이크로소프트와 같은 많은 빅테크 기업도 계속해서 벌어지는 도전 과제를 극복해야 했다.
- 프롤로그 중에서

AutoCAD나, 3ds Max 등의 건축·설계 소프트웨어 서비스를 제공하는 기업 오토데스크의 고객 기술지원 서비스는 아날로그 방식이었다. 수많은 엔지니어와 건축가들이 기술 설계와 모델 작업을 할 때 오토캐드 LT 소프트웨어를 사용하지만, 막히는 일이 생기면 고객 센터에 전화를 걸거나 메일을 보내는 방법밖에 없었다. 기업에서는 사람이 일일이 처리하다 보니 대기 순서가 길어졌다. 평범한 문의 사항을 처리하는 데 하루가 넘게 걸렸다. 그래서 오토데스크가 AI를 도입하기로 했을 때 해결해야 할 여러 가지 문제를 단 하나로 좁히기로 했다. 문의 사항 처리 시간을 단축하여 고객 경험을 개선하는 것이었다. 수백 가지 불편 사례와 문의를 자동화하는 모델을 개발하는 대신, 고객 센터에 접수되는 요청 가운데 압도적인 비중을 차지하는 단 하나의 문제만 해결하는 데 집중하기로 했다. 그것은 비밀번호 재설정 요청이었다. - 3장 골디락스 문제 선택의 중요성

테슬라의 AI 자율주행 연구개발 책임 수석인 안드레아 카르파티는 2018년, 데이터 전문기업 아펜appen이 주최한 트레인 AI 서밋에서 정말 중요하지만 사람들이 과소평가하는 사실에 대한 프레젠테이션을 했다. 바로 현장에서 AI를 개발할 때 AI모델보다 AI모델 학습에 사용되는 데이터가 훨씬 중요하다는 내용이었다. 이것은 당시 학계에서 이야기하는 전형적인 패러다임과 정반대되는 의견이라 큰 화제가 되었다. 데이터 전문가들은 새로운 AI모델을 개발하는 데 온갖 노력을 쏟는다. 하지만 연구소에서 모델을 학습시키는 데 사용하는 데이터는 모델의 기능을 증명할 뿐 실제로 문제를 해결하지 못한다. 모델을 실제 현장에 투입해 비즈니스 목표를 달성하려면 제대로 된 데이터로 학습해야 한다. 그리고 모델을 훈련시키는 고품질의 정확한 데이터를 수집하기란 매우 까다롭다.
- 4장 AI는 데이터로 완성된다

지난 10년간 미국은 뉴스를 전달하고 소비하는 방식이 획기적으로 변화했다. 2000년대 들어 이미 하락세에 있던 인쇄 매체의 매출은 급감했다. 2010년부터 지역 신문에서 지하철 무가지에 이르기까지 2,000개가 넘는 미국 신문사들은 발행 부수나 지면을 대폭 줄이거나 문을 닫아야 했다. 하지만 뉴욕타임스와 몇몇 출판기업은 소위 ‘인쇄 매체의 죽음’이라고 불리던 패러다임에서 생존했을 뿐만 아니라 인터넷으로 대부분의 지면을 유연하게 이동하여 새로운 패러다임을 쓰고 있다. 2020년 8월 기준으로 뉴욕타임스는 650만 명의 구독자를 자랑한다. 무엇이 이런 차이를 만들었을까? -8장 AI기업으로 변신한 뉴욕타임스의 AI 리더십