출시 후에도 고객 맞춤 ‘진화’
기존 컴퓨터 없던 ‘융통성’ 가져
인공지능 적용 제품을 출시한 이후에도 고객 요구에 맞춰 솔루션을 지속적으로 발전시키는 애자일(Agile) 기법이 인공지능 업계에서 대세로 주목받고 있는 것으로 나타났다.
25일 ‘인공지능 엔터프라이즈 2019' 컨퍼런스가 서울 구로구 신도림 쉐라톤디큐브시티 호텔에서 열렸다.
이날 박춘삼 피보탈 코리아 전무는 AI 기반 스마트앱 사례를 소개했다.
박 전무에 의하면 현재 전통적 자동차 회사들이 디지털 기업으로 변신하는 중이다.
그에 따르면 현재 글로벌 자동차 회사들은 고객의 만족을 위해 고객이 있는 ‘그 자리’에서부터 만족시키기 위한 고민을 하고 있다.
그는 “고객의 니즈는 처음에는 아무도 모른다. 현재의 니즈가 나중에 어떻게 바뀔지도 아무도 알 수 없다. 그래서 처음에는 작게 시작해야 한다”며 “그래서 애자일(Agile) 데이터 과학 SW 개발 방법론이 탄생했다”고 설명했다.
애자일 SW 개발은 프로젝트의 생명주기동안 반복적인 개발을 진행하는 개념을 말한다.
BMW의 경우 내비게이션을 켜지 않아도 자주 가는 곳을 학습해 확인한 후 가는 길에 있는 주유소나 음식점을 안내해주는 서비스를 추진 중이다.
포드의 경우는 10년 후에는 아무도 차를 사지 않고 공유할 것이라고 예측하고 미래 자동차 기반 비즈니스 플랫폼을 구축하는 데 매진하고 있다.
피보탈은 맞춤형 AI기반 동적목표 관제 의사결정 시스템, 공중 급유 플래닝 시스템 등을 개발해 미 공군에 제공했다.
미 공군에서는 최첨단 기술을 집약해 전장을 모니터링하고 있으나 실제 최전선에서 SW가 동작하지 않는 일들이 자주 발생하는 것으로 알려졌다.
이에 피보탈은 기존과 비슷한 시스템이지만 그때 그때 최적화되고 지속적으로 개발되는 애자일 방법론을 적용한 SW를 제공했다.
또한 최걸 코그넥스코리아 차장은 ‘인공지능 비전 솔루션을 통한 스마트팩토리의 구현’이라는 주제로 발표했다.
그에 따르면 딥러닝의 3요소는 △풍부한 데이터 △깊이 있는 모델의 크기 △충분한 연산량이라고 말했다. 한 가지라도 충분하지 않을 경우 데이터에 대해 정확한 답변을 도출할 확률이 낮아지기 때문이다.
머신러닝과 딥러닝의 차이가 대량의 데이터 처리 여부에 있다. 머신러닝의 경우 데이터가 포화되면 처리가 어렵지만 딥러닝은 데이터가 커지면 커질수록 결과값이 정교해지기 때문.
최 차장은 “코그넥스 제품에 적용된 딥러닝 알고리즘은 컴퓨터와 인간의 중간 정도에 위치해 있다”며 기존 컴퓨터보다는 인간에 가까운 퍼포먼스와 융통성을 보여준다고 설명했다.
보통 딥러닝의 경우 1만 개에서 100만개 수준의 데이터를 학습해야 유의미한 결과를 도출할 수 있지만 그렇게 많은 데이터를 확보하기란 대다수의 경우 매우 어렵다. 그러나 그에 따르면 코그넥스 딥러닝의 경우 양품 100개, 불량품 30~50개로도 딥러닝 학습이 가능하다.
또한 기존에 기계를 통한 감독(머신비전)이 어려웠던 정형화되지 않은 제품들, 즉 빛에 따라 다르게 보이는 유리병이나 모양이 제각각인 비닐봉지에 담긴 제품들도 딥러닝을 통해 비저닝이 가능해졌다. 정형적인 형태 등이 아닌 각각의 제품이 가진 고유한 특질들, 예를 들어 양쪽 끝에 홈이 있는 등의 성질들을 학습시킬 수 있기 때문이다.
이를 통해 학습되지 않은 폰트의 문자나 사람이 쓴 글씨 등도 판독해낼 수 있게 됐다.
정형화된 코드나 제품 등은 전통적 머신비전이 딥러닝 솔루션보다 더 잘 판독해낼 수 있다고 설명했다.
글로벌 기업 H20.ai와 IBM이 함께 개발한 AI 솔루션의 경우 엑셀 시트 등의 데이터 파일만 있으면 별도의 프로그래밍 없이도 자체 훈련을 통해 원하는 결과값을 도출해낼 수 있다. 모델 튜닝, 시각화 등 초기 업무도 자동으로 작동된다.
