생성적 AI의 급속한 진화: 기업을 위한 도전과 전략
불과 몇 개월 사이에 생성적 AI의 풍경이 극적으로 변화했습니다. Menlo Ventures의 2024년 1월 시장 지도는 깔끔한 4단계 프레임워크를 제시했으며, Sapphire Ventures의 5월 말 시각화는 200개 이상의 기업이 다양한 카테고리에 걸쳐 얽혀 있는 복잡한 웹을 드러냈습니다. 이러한 빠른 확장은 혁신의 속도와 IT 의사결정자들이 직면한 증가하는 도전 과제를 강조합니다.
IT 리더들은 기술적 고려 사항과 전략적 관심사가 교차하는 복잡한 환경을 탐색하고 있습니다. 데이터 프라이버시는 매우 중요하며, 이는 새로운 AI 규제 가능성으로 복잡해지고 있습니다. 인재 부족은 상황을 더욱 복잡하게 만들어 조직이 내부 개발과 외부 전문가 아웃소싱 간의 선택을 강요받고 있습니다. 동시에 혁신과 비용 관리를 병행할 필요성이 커지고 있습니다.
종합 솔루션으로의 전환
기업들이 생성적 AI의 복잡성을 다루면서 AI 인프라를 단순화하고 운영을 최적화할 수 있는 종합적 end-to-end 솔루션을 찾고 있습니다. 예를 들어, Intuit는 기존 기능을 활용하여 AI 경험을 창출할 것인지 아니면 보다 야심찬 경로를 추구할 것인지에 대한 중대한 결정을 내려야 했습니다. 그들은 후자를 채택하여 전체론적 생성적 AI 운영 체계인 GenOS를 개발했습니다.
Intuit의 데이터 담당 최고 책임자 Ashok Srivastava는 속도와 일관성의 중요성을 강조하며 “우리는 플랫폼의 복잡성을 추상화하는 레이어를 구축하여 특정 생성적 AI 경험의 신속한 개발을 가능하게 하고 있습니다.”라고 말했습니다. 이 방법은 "높은 복잡성, 낮은 속도 및 기술 부채"를 초래하는 분산 접근 방식과 극명히 대조적입니다.
마찬가지로 Databricks는 모델 제공을 위한 새로운 기능으로 AI 배포 능력을 확장했습니다. 이러한 개선 사항은 데이터 과학자들이 적은 엔지니어링 지원으로 모델을 배포할 수 있게 하여 개발에서 생산으로의 전환을 단순화합니다. Marvelous MLOps의 저자 Maria Vechtomova는 산업의 단순화 필요성을 지적하며 “기계 학습 팀은 아키텍처 복잡성과 도구 사용을 최소화해야 합니다.”라고 언급합니다. Databricks 플랫폼은 전자 상거래 및 사기 탐지와 같은 다양한 사용 사례를 지원하는 다양한 제공 아키텍처를 제공합니다.
Databricks의 AI/ML 제품 수석 이사 Craig Wiley는 “진정으로 완벽한 end-to-end 데이터 및 AI 스택”을 만드는 목표를 설명하고, 이는 종합 솔루션을 향한 보다 넓은 산업 추세를 반영합니다. 그러나 모든 이들이 단일 공급업체 접근 방식의 장점에 동의하는 것은 아닙니다. Red Hat의 Steven Huels는 기존 시스템과 통합할 수 있는 보완 솔루션을 주장하며, 생성적 AI의 풍경이 점점 성숙해지고 있음을 강조합니다.
데이터 품질 및 거버넌스의 우선화
생성적 AI 애플리케이션이 증가함에 따라 데이터 품질 및 거버넌스의 중요성이 절대적으로 커졌습니다. AI 모델의 성능은 훈련 데이터의 품질에 크게 의존하며, 따라서 강력한 데이터 관리 관행이 필요합니다. 데이터의 윤리적이고 안전한 사용을 보장하는 거버넌스의 중요성도 증가하고 있습니다. Huels는 AI가 주요 비즈니스 결정에 미치는 영향에 대응하여 거버넌스에 대한 집중이 커질 것이라고 예측합니다.
Databricks는 플랫폼에 거버넌스를 통합하여 데이터 수집부터 AI 프롬프트 및 응답까지 지속적인 계보 및 거버넌스 시스템을 생성했습니다.
시맨틱 레이어와 데이터 패브릭의 부상
품질 데이터의 중요성이 커짐에 따라 시맨틱 레이어와 데이터 패브릭이 고급 데이터 인프라의 기초 요소로 주목받고 있습니다. Illumex는 데이터 상호작용을 동적으로 향상시키며 AI 능력을 개선하는 “시맨틱 데이터 패브릭”을 개발했습니다.
Intuit의 제품 중심 데이터 관리 접근 방식은 데이터가 품질 및 성능에 대한 높은 기준을 충족해야 한다는 관점을 보여줍니다. 시맨틱 레이어와 데이터 패브릭의 도입은 데이터 인프라의 중요한 진화를 의미하며, AI 시스템이 기업 데이터를 효과적으로 이해하고 활용하는 능력을 강화합니다. 그러나 이러한 기술을 구현하려면 전문 지식과 기술에 대한 상당한 투자가 필요합니다.
통합된 시장에서 전문화된 솔루션 수용
현재 AI 시장은 패러독스를 겪고 있습니다. 엔드 투 엔드 플랫폼이 등장하는 동시에 특정 AI 문제를 해결하는 전문화된 솔루션도 지속적으로 성장하고 있습니다. 예를 들어, Illumex는 데이터와 비즈니스 논리 간의 간극을 메우는 생성적 시맨틱 패브릭을 만드는 데 집중하고 있습니다.
이러한 전문화된 솔루션은 더 넓은 플랫폼을 보완하며, 틈새 시장을 채우고 기능을 향상시킵니다. 통합되고 있는 시장 내에서 전문화된 제품의 등장 또한 특정 AI 문제를 해결하기 위한 지속적인 혁신을 강조합니다.
오픈 소스 및 독점 솔루션 탐색
생성적 AI 생태계는 오픈 소스와 독점 솔루션 간의 상호작용이 더욱 커지고 있습니다. 조직은 각 솔루션의 장점과 단점을 신중하게 평가해야 합니다. Red Hat이 자사의 엔터프라이즈 리눅스(RHEL) AI 솔루션으로 생성적 AI 분야에 진입한 것은 대형 언어 모델에 대한 접근을 민주화하며 오픈 소스 원칙을 준수하려는 추세를 보여줍니다.
하지만 오픈 소스 솔루션의 구현은 종종 상당한 내부 전문 지식을 요구하며, 이는 인재 부족에 직면한 조직에 도전이 될 수 있습니다. 독점 솔루션은 보다 통합된 경험을 제공하지만, 응집력 있는 생태계를 강조합니다. Wiley는 Databricks가 고객을 위한 다양한 AI 모델의 통합을 관리한다고 언급합니다.
오픈 소스와 독점 솔루션 간의 균형은 조직의 고유한 요구, 자원 및 위험 감수 성향에 따라 달라집니다. AI 풍경이 진화함에 따라 이러한 균형을 효과적으로 관리하는 것이 경쟁 우위가 될 수 있습니다.
기존 시스템과 생성적 AI 통합
생성적 AI를 도입하는 조직이 직면하는 중요한 과제 중 하나는 기존 시스템 및 프로세스와의 통합입니다. 이는 비즈니스 가치를 극대화하는 데 필수적입니다. 성공적인 통합은 강력한 데이터 및 처리 능력에 의존합니다. “실시간 시스템이 있습니까? 스트림 처리 기능이 있습니까? 배치 처리 능력이 있습니까?”라며 Srivastava는 질문합니다.
조직은 AI 이니셔티브를 다양한 데이터 소스와 연결할 필요가 있습니다. Illumex는 이러한 통합 과제에 집중하여 기업이 광범위한 구조 조정 없이 기존 데이터를 활용할 수 있도록 하고 있습니다.
또한 AI가 기존 비즈니스 프로세스 및 보안 프레임워크와 어떻게 조화를 이루는지도 고려해야 합니다. Intuit의 GenOS 시스템은 기업 내 여러 기능을 통합하는 솔루션을 보여줍니다.
생성적 컴퓨팅의 미래
엔드 투 엔드 솔루션, 전문 도구 및 강화된 거버넌스를 포함하는 급속히 진화하는 생성적 AI 풍경은 기업 기술의 변혁적인 순간을 나타냅니다. 저명한 AI 연구자 Andrej Karpathy는 단일 신경망이 기존 소프트웨어를 대체하는 미래를 상상하며 “100% 완전 소프트웨어 2.0 컴퓨터”를 제시합니다. 이 개념은 단일 AI 시스템이 전체 컴퓨팅 경험을 중재할 수 있다고 제안하며, 소프트웨어에 대한 현재의 이해를 도전합니다.
비록 이러한 아이디어가 현재로서는 멀게 느껴질 수 있지만, 생성적 AI가 개별 애플리케이션 뿐만 아니라 컴퓨팅의 근본적인 본질을 변화시킬 잠재성을 보여줍니다. 오늘날 조직의 AI 인프라 선택은 미래 혁신을 형성할 것입니다. 유연성, 확장성 및 적응력은 이 풍경이 계속 진화함에 따라 성공을 위한 필수 요소가 될 것입니다.
순위 목록
