BCG Podcast
Me, Myself, and AI : 비즈니스 세계 속 AI에 관하여
Ep. 8 | 구글 클라우드 CTO Will Grannis와의 대담
❝ 인간과 AI의 조합은 접근방식, 원칙, 지배구조를 정하고, 실행한 후 결과물을 반복적으로 수정해 가는 여정이다. ❞ ― Will Grannis
구글 클라우드(Google Cloud) CTO 그룹의 수장인 Will Grannis는 아리조나 공립학교를 거쳐 웨스트포인트(West Point)를 졸업하고 와튼(Wharton) 스쿨에서 MBA 학위를 취득했다. 그는 이런 공교육과 TV, 닌텐도(Nintendo), 게임 등을 통한 비공식 교육이 오늘의 자신을 형성했다고 말한다. 구글 클라우드에서 기술 전문가들에게 힘을 실어주고, 동기를 부여하고, 격려하면서 구글의 고객과 구글의 플랫폼 개발자들과의 가교 역할을 하고 있다.
게임과 비즈니스 시나리오의 공통점
게임의 기본 요소는 어떤 환경에 처해있고, 해결해야 하는 문제가 무엇이며, 목적이 무엇인지 파악하는 것이고 이는 머신러닝을 처음 적용하는 모든 기업이 묻는 질문이다. 예를 들어, 소매업에서 온라인 소비자 경험의 마찰을 줄이는 것이 목표인 경우 최적화하고자 하는 대상이 있을 것이고 게임처럼 생각하는 것이 문제의 정의를 위한 매우 유용한 접근법이다. 문제를 제대로 정의하는 것이야말로 AI와 머신러닝에서 성공의 첫 번째 조건이다.
문제 정의의 중요성과 새로운 시각
가장 혁신적이고, 흥미로우며, 영향력 있는 문제점 포착이 때로는 해당 팀 외부에서 나오는 경우가 있다. 물론 모든 브레인스토밍 세션마다 모든 사람들을 포함할 수는 없겠지만, 새로운 시각으로 새로운 의견을 반영하는 것은 매우 중요하다.
실제로 많은 기업이 AI를 새롭고 멋진 신기술로만 대할 뿐 비즈니스와의 연결고리를 찾는 데는 미숙하다. AI를 통해 해결할 수 있는 실질적인 문제 파악과 정의에는 관심을 기울이지 못하는 것이 현실이다. 이는 사고방식의 전환을 통해 해결할 수 있다.
구글에는 머신러닝의 성공적인 적용과 관련 엔지니어들을 위한 일종의 내부 지침이 있는데, 그중 1번 원칙이 ‘머신러닝은 필요 없다.’ 이다. 즉 기술에 지나치게 잠식되지 말고 비즈니스 문제와 그 영향에 집중하는 사고방식을 강조하는 것이다. 문제 해결을 위해 내부의 혁신 및 창의성을 최대한 활용하고 있는 구글에는 세 가지 원칙이 있다. 사용자에 집중하고, 10배로 생각하며, 빠르게 프로토타이핑하는 것이다.
탐색적 사고방식과 협업
AI에 대한 탐색적 사고방식이 구글이 아닌 일반 기업에게도 적용가능할 것인가 라는 질문에 대해 Will Grannis는 애초에 머신러닝은 탐색에 대한 것임을 강조한다. 사실 지메일(Gmail)과 같은 훌륭한 아이디어들도 처음에는 성공할 수 없을 것으로 여겨졌다. 사람들에게 미래에 대해 생각할 수 있는 충분한 자유만 주면 된다. 구글에서 10배로 생각하는 것을 문샷(moonshot)이라고 하는데, 구글 엔지니어들은 루프샷(roofshot)이라는 용어를 만들어냈다. 문샷은 한 번에 달성될 수 없다. 수많은 루프샷이 합쳐져 성취되는 것이다.
여러 루프샷과 협업의 중요성을 설명하기 위해 메이저리그 야구단이 고객이었던 한 프로젝트를 예로 들어보자. 목표가 홈 디지털 디바이스를 통한 몰입경험(MR) 창출인 이 프로젝트는 단순한 기술 개발이 아니라 협업 혁신 프로젝트이다. AR/VR 기술, 콘텐츠 전송 네트워크 등 구글의 다양한 플랫폼들을 이용해 기술을 개발하면, 고객은 이 탐색 모드 버전을 검토하고 그 이후 어떤 방향으로 나아갈지에 대한 피드백을 준다. 그 내용이 기본 플랫폼 위에 추가된다. 이런 반복적인 협업을 통한 기술 개발이 핵심이고 협업 혁신이 바로 구글 클라우드 CTO 그룹이 하는 일의 핵심이다.
인간과 기계의 진정한 조합
인간과 머신의 조합이 작업 수준이 아니라 전략 차원에서 이루어지는 것은 언젠가 달성할 수 있는 목표이지만 아직은 그 여정의 초기에 있다. 그 예로 자연언어 프로세싱의 경우를 생각해 보자. 챗봇의 머신러닝 트레이닝을 위해 (개인정보가 보호된 익명의) 실제 대화 로그를 이용한 적이 있는데 고객 서비스 센터에 전화를 하는 사람들의 언어가 곱게 나오지 않은 것들이기 때문에 실제 이 대화 데이터를 활용하기가 어려웠다. 챗에이전트도 언젠가는 보다 자연스럽고 일반화된 대화가 가능해질 수 있겠지만, 현재로는 어려운 상황이다.
개선해야 하는 영역을 머신을 통해 확인했다는 점에서 이처럼 편향된 결과물의 도출은 자연스럽고 의미 있는 첫걸음일 수 있다.
인간과 기계의 조합은 접근 방식, 원칙, 지배구조를 정하고, 실행한 후 결과물을 반복적으로 수정해 가는 여정이다. 아직은 그 여정에 초기에 있지만 언젠가는 도달할 수 있을 것이다.
