GenAI의 진정한 가치 심층 고찰
Beyond Buzzwords: A Deeper Look into GenAI
기업의 GenAI 채택 활용은 장기적인 관점에서 실질적이고 측정 가능한 가치를 제공할 수 있는지 잠재적 이점과 비용을 비교해 보아야 한다.
디지털 세계는 ChatGPT(Generative Artificial Intelligence) 같은 대규모 언어 모델(LLM)로 데이터와 상호 작용하며 데이터에서 지식을 추출하는 방식을 근본적으로 재구성하는 흐름 속에서 GenAI이 혁명의 물결을 일으키고 있다.
이러한 진화로 "cool tech"라는 헤드라인을 넘어 이제 데이터 접근성이 민주화되고 베테랑 데이터 과학자부터 일반 비즈니스 유저에 이르기까지 모든 사람이 방대한 양의 데이터에서 간단히 인사이트를 추출, 이해 및 도출할 수 있도록 지원하고 있다.
Gartner는
GenAI(Generative Artificial Intelligence) API 또는 모델 사용이나 운영 환경에서 기업들의 GenAI 기반 어플리케이션 활용이 2023년 5%에서 2026년 80% 이상 급증할 것으로 예상 있다.
GenAI: 일상 생활의 일부
인공지능은 우리에게 새로운 것이 아니다. 매일 AI 및 GenAI와 상호 작용하며 혜택을 누리고 있고 때로는 우리가 알지 못하는 사이에도 혜택을 받고 있다.
아마존 같은 거대 소매업체들은 제품이 고객에게 적합한지 한 눈에 판단할 수 있도록 자주 찾는 제품 기능과 고객 감각을 강조하기 위해 GenAI를 활용하고 있다.
폭스바겐은 차량 내 음성 비서장치를 통해 찾은 콘텐츠를 운전자가 들을 수 있도록 ChatGPT를 차량에 도입하고 있다.
기술적인 관점에서 이 기술의 가장 잘 알려진 용도는 우리가 프레젠테이션 작성, 블로그 작성, 다양한 파일의 정보 요약, 코드 작성, 소셜 미디어 게시물 작성, 제품 설명 초안 작성, 광고 카피, 에세이 등을 작성할 때 도움을 준다.
그리고 최근에는 이미지나 비디오 자산을 생성할 때 특히 바쁘고 시간이 많이 소비되는 지루한 작업에 큰 도움이 된다.
기술에 대한 전문 지식이 박식하지 않은 사람들도 GenAI를 다양한 업무와 작업에 능숙하고 매우 재능있는 개인 비서로 생각할 수 있다.
기사 요약, 이메일 초안 작성, 그래프 및 차트 작성, 간단한 텍스트 입력으로 이미지와 비디오까지 생성할 수 있다.
기업의 비지니스 측면에서 LLM은 정형 데이터와 비정형 데이터를 모두 이해하는 데 있어 새로운 가능성을 열어줌으로써 한때 복잡성을 알 수 있는 사람에게만 국한되었던 인사이트를 얻을 수 있다.
GenAI를 사용하면 현재 코딩 기술이 없는 마케팅 관리자도 "경쟁사 캠페인에 대해 가장 매력적인 소셜 미디어 게시물을 보여주세요"라고 요청하기만 하면 관련된 내용을 쉽게 나타낼 수 있다.
체계적인 형식의 정형 데이터는 지난 오랫동안 분석의 기본이었다. 그러나 텍스트, 이미지, 비디오 같은 비정형 데이터의 부상으로 새로운 시대의 도래를 제시하고 있다.
이러한 데이터 혼란을 해결하고 의미 있는 정보를 추출하는 AI의 능력이 바로 게임 체인져이다.
데이터: GenAI의 생명선
기술이 아무리 관심을 끌어도 강력한 데이터 기반이 있어야 한다. 정확하고 쉽게 접근할 수 있는 정보가 뒷받침되지 않으면 가장 정교한 LLM조차도 제대로 작동되지 않는다.
데이터의 정확성과 비즈니스 목표에 부합하는 데이터 전략 또한 중요하다. AI 모델에 올바른 문제에 대한 적합한 정보를 제공하여야 한다.
이러한 패러다임 변화를 수용함에 따라 데이터, 분석 및 GenAI 간의 시너지 효과는 기업의 다양한 부문에서 전례 없는 성장 기회를 열어주는 중추적인 역할을 할 것이다.
GenAI 여정
기업들은 서로 다른 출발점에서 GenAI 도입 여정을 시작하고 있다. 데이터가 완전하고, 정확하며, 최신 상태로 쉽게 접근할 수 있어야 이상적이다.
만약 자사가 이미 이러한 상태에 있다면, 대단한 것이다!
다음 단계는 영업 운영, 마케팅 또는 HR 같은 기능을 찾아 그 부서에서 개념 증명을 테스트해야 한다.
데이터가 준비되어 있지 않을 수도 있다. 이 경우 범위를 좁혀 작은 규모의 개념 증명부터 시작하는 것이 도움이 된다.
예를 들면, HR 또는 자사 소유나 운영 채널에서 마케팅 도구로 시범적으로 운영해 볼 수 있다. 기술을 내부에서 유지하는 것이 문제점을 해결하고 비교적 위험을 낮추는 방법이다.
생산성 향상, 재작업의 양, 수정 횟수, 응답 시간 등 어떤 경우이든 정량화 가능한 목표를 설정하여 ROI를 측정할 수 있는 파라미터를 설정하여야 한다.
McKinsey에 의하면,
아직 이 기술의 발전은 초기 단계에 있지만 GenAI 사용은 이미 널리 확대되고 있다. GenAI 채택 활용의 물결은 인간과 데이터세트와 기술 사이의 상호작용이 진화하면서 텍스트와 음성을 초월하여 더욱 강화될 것으로 내다보고 있다.
한편 GenAI 도입 비용도 평가해야 한다.
이 기술은 비용이 많이 들며, ROI가 보장되지 않는다.
LLM이 의미 있고 관련성 있는 콘텐츠를 생성하려면 방대한 양의 데이터로 모델을 학습시켜야 한다.
모델 훈련에는 인텔리전스 프로세싱 유닛(IPU)과 그래픽 처리 유닛(GPU)의 처리 능력이 필요하여 비용 부담을 가중시킨다.
비용을 줄이기 위한 기술, 예를 들어 맞춤형 소형 모델을 도입하거나 Nvidia의 Tensor RT LLM 같은 최신 LLM을 사용하는 기술이 등장하고 있으나 기술 도입의 이점과 투자를 신중하게 비교 검토해야 한다.
전략 주도적 기술 채택
GenAI에 관심과 흥미가 쏠리고 있는 가운데 기업의 GenAI에 대한 투자 열기 또한 놀라울 일이 아니다.
그러나 GenAI 도입 경쟁 속에서 이익을 얻으려면 현재 기업의 목표 안에 이 기술을 전략적으로 통합하는 일이 될 것이다.
전략 주도적 기술 채택으로 GenAI에 대한 투자 대비 부가가치의 타당성이 입증되어야 한다.
비용과 잠재적 이점을 비교하여 장기적으로 실질적이고 측정 가능한 가치를 창출할 수 있어야 한다.
참조 | https://www.rtinsights.com/beyond-buzzwords-a-deeper-look-into-genai/
로그인
회원가입