AI 도입 전에 데이터 정리가 중요한 이유

인공지능(AI), 실시간 분석, 가상현실(VR), 커넥티드 엔터프라이즈 등 현재의 경이로운 첨단기술을 둘러싼 관심이 극에 달하고 있다. 

그러나 적절한 데이터가 없으면 물고기가 물이 없는 곳에서 움직일 수 없는 것과 같다. 

아직 데이터 하우스를 정리하지 못하고 있는 기업들이 많다. 생성 AI 활용에 대한 준비가 되어있지 않았다고 얼마 전 실시된 2개의 조사에서 밝혀졌다.

데이터 처리와 AI 개발 추세에 따라가지 못하는 상태가 비즈니스 전체에서 나타나고 있다. 

여전히 데이터에 문제가 많아 데이터 기반과 AI 기반 운영의 장점을 자산으로 활용하지 못하고 있는 것으로 나타났다.

Redgate Software의 CFO인 Steve Mitchell씨는 AI 등 최첨단 기술의 주도권을 위해 서둘러 도입에 착수하고 있지만 테크놀로지와 데이타베이스에의 투자를 어떻게 평가해야 할지 이해하지 못하고 있으며, 아직도 코스트 센터로 보는 기업이 많다고 주장한다.

그러나, 기존 데이터와 계속 증가하는 데이터를 신속하게 활용하는 능력에 의해서 성장과 가치 창조의 큰 기회를 얻을 수 있다는 것을 실증한 기업도 있다.

데이터 기반 의사결정으로 시간 단축과 개선으로 얻을 수 있는 혜택을 확실하게 측정하는 수단을 찾고 이를 모색하는 기업 또한 증가하고 있다.

결과적으로 업무개선, 불필요한 노력과 자원 절감, 팀 만족도 향상을 포함하여 운영 효율을 높일 수 있다.

IT 간부 1,000명을 대상으로 한 Presidio의 조사에 의하면 AI는 지속적으로 IT 투자의 우선 사항이지만 데이터의 딜레마로 인해 기세가 둔화되고 있는 것으로 밝혀졌다.

86% 이상의 응답자가, 유의미한 통찰력을 얻는데 실시간 데이터 접근의 문제 등 데이터에 관한 어려운 장벽이 있다고 대답했다.

https://www.presidio.com/news/new-presidio-research-report-reveals-half-of-companies-that-adopt-genai-arent-ready/

조사에 응한 IT 간부의 절반이, 준비가 충분히 갖추어지기 전에 생성 AI에 손을 댔다는 생각이 든다고 대답했으며.

생성 AI를 이미 도입했다고 응답한 기업의 84%가 데이터 소스 관련 문제로 고민하고 있는 것으로 나타났다. 

"이 조사 결과에서 도입 준비란 기술 도입만이 아니라 적절한 데이터와 인프라를 준비하는 것이기도 하다는 생각이 든다." 조사 보고서의 집필자들은 기술하고 있다.

AI 운용에 대한 망설임도 있었다. 

IT 리더 10명 중 9명 이상(92%)이 AI 운용을 통합하는 일에 불안이 있다고 응답했다.

응답자 5명 중 1명(20%)은 도입을 너무 서두르면 AI 프로젝트가 실패할 것이라고 경고하고 있다. 

다른 17%의 응답자는 데이터 품질 문제를 들었다. 이는 특히 의료업계 간부들에게 두드러져 4분의 1 이상(27%)이 실패의 주된 원인은 성급한 도입이라고 응답했다.

Quest Software와 Enterprise Strategy Group이 비즈니스 부문과 IT 부문의 담당자 220명을 대상으로 실시한 또 다른 조사에 의하면, AI와 데이터 주도 운영의 성공을 위해서는 거버넌스가 불가결하며, 현재 많은 기업이 그 대책에 고민하고 있다. 

이 조사에서 응답자의 대부분이 AI 데이터 준비와 운용 효율이 최우선 과제임을 알 수 있었다.

https://www.erwin.com/analyst-report/the-state-of-data-intelligence-2024/

기업의 데이터 가치사슬에 영향을 주는 과제해결로

▶'데이터와 거버넌스를 AI에 대응 가능한 상태까지 진화시키는 것' 33%,

▶'소스 데이터의 품질을 이해하는 것'은 38%였고, 

▶'데이터 자산의 발견, 특정, 수집에 관한 과제'가 33%로 나타났다.

관리 측면에서 가장 어려운 과제로는 AI 모델과 데이터 사용 관리로 데이터 매핑, 데이터 리니지, 데이터 정책을 뽑았다. 

가장 많은 응답은 AI 거버넌스로, 메타데이터 관리(AI 데이터 준비의 주요 요소)는 전년 대비 21% 증가했다. 

기업이 현재 추진하고 있는 주요 과제에는 데이터 품질 모니터링, 데이터 품질 개선, 데이터 프로파일링 및 품질 지수, 데이터 정책 및 관리 등이 있었다.

참고 | https://www.zdnet.com/article/why-data-is-the-achilles-heel-of-ai-and-every-other-business-plan/​