BCG Podcast
Me, Myself, and AI : 비즈니스 세계 속 AI에 관하여
Ep. 2 | 휴마나 데이터 분석 SVP Slawek Kierner과의 대담
Slawek Kierner는 포춘(Fortune) 60대 헬스케어 기업인 휴마나(Humana)의 데이터 분석 수석 부사장(SVP)으로 P&G, 노키아(Nokia), 마이크로소프트(Microsoft)를 거쳐 지금의 휴마나에 이르기까지 다양한 부문에서 경력을 쌓아왔다.
서로 다른 부문들의 공통적인 문제점
화학 엔지니어로서 P&G에서 근무했던 Slawek Kierner는 겉보기에는 공통점이 없어 보이는 화학과 헬스케어 부문에도 유사한 문제가 있다고 설명한다.
화학 프로세스에서 핵심 과제는 ‘통제’인데, 일정한 힘이나 온도를 가하는 시점과 그로 인한 결과가 도출되는 시점 사이의 차이(lag)가 존재하며, 이 차이가 클수록 시스템 통제가 어렵다. 헬스케어에서도 마찬가지이다. 예를 들어 당뇨나 심장병의 경우 치료제를 결정해 적용한 후, 실제 건강 상태의 개선 여부를 확인하기까지는 많은 시간을 기다려야 한다.
이처럼 서로 다른 산업, 분야일지라도 전형적인 유형의 문제가 있다. 이에 대해 특정 부문에 적합한 맞춤형 접근법을 개발해 적용하면 유익한 결과를 도출할 수 있다. 따라서 다양한 분야에서의 경험과 지식을 토대로 전혀 다른 부문을 바라보는 관점을 갖는 것이 때로 매우 유용하다. 특히 헬스케어 부문은 데이터 전환 및 가용성, AI 활용, 플랫폼 적용 등에 있어 상당히 뒤처져 있기 때문에 이 분야의 전문성과 지식을 가진 사람들의 참여가 더욱 중요하다.
휴마나 AI 적용 성공 사례
가장 대표적인 성공 사례는 자체 머신러닝 플랫폼을 개발한 것이다. 이 플랫폼을 통해 휴마나의 데이터 과학자들은 첨단 기술, 오픈소스 기능, 클라우드 기능 등에 접근할 수 있다. 이제 컴퓨팅 역량은 더 이상 데이터 센터 내의 역량이 아니라, 접근 가능하고 활용 가능한 데이터와 알고리즘에 달려있다. 휴마나에서는 이를 통해 실제로 모델링 정확도가 개선되어 유지율 예측, 입원환자 예측을 개선했다.
또 다른 사례는 데이터를 관리하는 클라우드의 보안 문제 해결과 관련한 것이었다. 실제 데이터와 비슷한 정확도의 합성 데이터를 기반으로 AI 모델이 개발됐고, 200여 명의 데이터 과학자들이 이를 활용하고 있다. 실제 환자에 적용하기 전에 합성 데이터를 이용해 일종의 사전 연습을 하는 셈이다. 딥러닝 기술로 사람의 얼굴을 재창조하는 경우, 그 이미지는 원본과 동일하지는 않지만, 실제와 구분이 어려울 만큼 정교하다. 이런 트릭을 얼굴이 아닌 데이터에 적용해 실제의 의료기록, 인구통계학적 데이터를 이용한 새로운 테스팅 데이터를 만들어 내면, 의사도 진짜 사람의 의료기록인지 합성 데이터인지 구별 못할 정도의 고품질 데이터가 만들어진다.
이는 실제 기술적인 문제를 기술 기업과 학계와의 연계 등 다양한 분야가 함께 노력해 해결한 좋은 사례이다. 딥러닝, 이미지 인식 기술 등을 동원해 완전히 다른 산업에서 눈에 보이는 결과물을 도출한 것이다.
기술과 비즈니스 사이의 격차 해소를 위한 노력
15~20년 전만 해도 휴마나와 같은 기업의 의사 혹은 기업인들은 합성 데이터는 실제와 다르다며 신뢰하지 않았을 것이다. 그렇다면 기술과 비즈니스 사이의 격차를 어떻게 줄일 수 있을까?
Slawek Kierner는 격차는 기술과 비즈니스의 이해도에도 있지만, 기술과 기술 전문가 사이에도 있다고 강조한다. 즉, 지속적인 학습이 필수이다. 심지어 최근에 박사 학위를 받은 데이터 과학자라고 해도 계속해서 배워야 한다. 또한, 상품, 고객 등 비즈니스의 다른 부문들과 긴밀히 협력해 비즈니스가 기술을 더 잘 이해해, 궁극적으로 기술을 현실화할 수 있도록 해야 한다.
서로 다른 부문들이 공통적인 문제를 갖고 있다고 해도 일방적으로 하나의 접근법을 적용하는 것은 지양해야 한다. 여기서 어떤 것이 적절하고 아닌지를 판단하는 것은 인간의 역할이다. 인간의 판단이 중요한 분야에서 AI 솔루션에 대한 신뢰를 형성하는 것 역시 이에 못지않게 중요할 것이다.
