증상을 사업 리더로서 저에게 설명하고, 제가 이를 ChatGPT에 입력했을 때, 의사와 상담 없이 치료 계획을 만들어 주기를 기대하실까요? 만약 제가 세계 최고의 데이터 과학자들이 귀하의 조직에 합류하지만 모든 비즈니스 전문가가 경쟁사로 가야 한다고 제안한다면, 데이터를 얻는 대신 전문가를 잃는 것이 어떤 의미일까요?
오늘날 AI 중심의 환경에서, 생성 AI, 특히 GPT-4나 Bard와 같은 언어 모델 통합의 기회, 위험 및 모범 사례에 대한 다양한 의견이 있습니다. 매일 새로운 오픈 소스 모델, 연구 혁신 및 제품 출시 소식을 접하고 있습니다. 이러한 급속한 발전 속에서 언어 모델의 능력에 초점이 맞춰지고 있습니다. 그러나 언어는 지식과 이해가 결합될 때 비로소 효과를 발휘합니다. 예를 들어, 화학 관련 용어를 모두 외웠지만 기초 지식이 부족하다면 그 외운 언어는 무용지물입니다.
레시피를 제대로 만들기
언어 모델은 진정한 이해 없이 콘텐츠를 생성할 수 있어 오해를 불러일으킬 수 있습니다. 예를 들어, 새로운 레시피를 만들어 달라고 요청하면 이전 레시피의 상관관계를 분석할 수 있지만, 무엇이 맛있는지에 대한 본질적인 지식이 부족할 수 있습니다. 이는 올리브 오일, 케첩, 복숭아와 같은 이례적인 조합을 생성하게 만드는데, 이는 이전 데이터셋에 없기 때문이지 모델이 실제 요리 전문성을 갖추고 있는 것은 아닙니다. 따라서 언어 모델의 잘 만들어진 레시피는 요리 전문가의 입력 덕분에 통계적으로 도출됩니다. 효과적인 언어 모델의 핵심은 전문성을 통합하는 데 있습니다.
전문성은 언어와 지식, 이해를 결합합니다
"상관관계는 인과관계를 의미하지 않는다"라는 표현은 데이터 전문가 사이에서 잘 알려져 있으며, 관련 없는 두 현상을 잘못 연결할 위험성을 강조합니다. 기계는 상관관계와 패턴을 인식하는 데 뛰어나지만, 인과관계를 파악하고 의사결정을 안내하는 데는 진정한 전문성이 필요합니다.
우리의 학습 과정에서 언어는 출발점에 불과합니다. 아이들은 언어를 배우면서 양육자로부터 환경에 대한 지식을 습득합니다. 결국, 그들은 원인과 결과를 이해하게 되며, 예를 들어 호수에 뛰어드는 행동과 결과를 연결 짓게 됩니다. 성인이 되면 언어, 지식, 이해가 조화를 이루는 복잡한 전문성 구조를 내면화하게 됩니다.
전문성 구조 재구성
어떤 주제를 탐구할 때, 지식이나 이해 없이 언어만 있는 것은 전문성이 아닙니다. 예를 들어, 자동차에는 변속기와 피스톤이 있는 엔진이 있다는 것을 알고 있지만, 이들이 어떻게 작동하는지와 수리하는 능력은 실제 경험이 필요하며, 제가 부족한 부분입니다. 기계의 맥락으로 전환하면, 관련 지식이나 이해가 없는 언어 모델은 결정을 내릴 수 없어야 합니다. 언어 모델을 독립적으로 운영하는 것은 자동차와 관련된 다음 단어를 예측하는 기본 지식밖에 없는 사람에게 공구 상자를 주는 것과 같습니다.
전문성 재구성을 통한 언어 모델 활용
언어 모델을 효과적으로 사용하기 위해 우리는 전문성에서 출발해 절차를 역으로 설계해야 합니다. 기계 학습(ML)과 기계 교육은 인간의 전문성을 기계가 이해할 수 있는 형식으로 전달하는 데 집중하여, 기계가 자율적으로 정보를 제공하거나 결정을 내릴 수 있도록 합니다. AI와 ML에 대한 일반적인 오해는 데이터가 가장 중요한 요소라는 것입니다. 사실, 전문성이 그 자리입니다. 모델이 전문가의 지도가 없으면 데이터로부터 어떤 가치 있는 통찰을 도출할 수 있을까요?
전문가들이 유익하다고 인식하는 패턴을 식별하여, 이를 기계 언어로 번역하면 자율적 의사결정을 위한 기초가 마련됩니다. 이 과정은 전문성을 기반으로 시작하여 거꾸로 진행됩니다. 예를 들어, 기계 작업자는 특정 소리를 인식하여 필요한 조정을 인식할 수 있습니다. 기계에 센서를 장착하면, 이 전문성이 기계 언어로 번역되어 작업자는 다른 업무에 집중할 수 있게 됩니다.
중요한 전문성 식별하기
AI 솔루션을 구축할 때, 조직은 어떤 전문성이 가장 중요한지 그리고 해당 지식을 잃는 것과 관련된 위험을 평가해야 합니다. 특정 프로세스에 결정적인 직원이 존재합니까? 반복 작업을 자율 시스템에 위임하여 직원에게 더 많은 시간을 제공할 수 있을까요? 이 평가를 따른 후, 조직은 고위험 또는 고수익 전문성을 기계 언어로 어떻게 변환할 것인지 논의할 수 있습니다. 다행히도, 전문가 시스템의 기초는 종종 이미 마련되어 있습니다. 언어 모델은 그 안에 프로그래밍된 기존 전문성을 활용할 수 있습니다.
탐색에서 운영까지
앞으로 10년 동안 AI에 대한 조직의 투자에 따라 시장 환경이 변화할 것입니다. 주의할 예로, 넷플릭스는 2007년에 스트리밍을 도입했고, 이는 블록버스터의 파산으로 이어졌습니다. 블록버스터가 같은 분야에서 조기에 노력했음에도 불구하고 불과 3년 만에 이루어진 일입니다. 경쟁사들이 고급 AI 애플리케이션을 공개할 경우, 다른 이들이 적응하기에는 이미 늦을 수 있습니다. 특히 안정적인 솔루션 개발에 시간과 기술이 필요하기 때문입니다.
2030년까지, 반응하기보다는 혁신을 선택하는 기업이 블록버스터의 운명과 유사한 무의미한 상황에 처할 수 있습니다. 다른 이들이 따라오기를 기다리기보다는, 사업 리더들은 자신들이 창출할 수 있는 독특한 시장 위치를 선제적으로 탐색하여 경쟁자들이 해결책을 찾도록 유도해야 합니다. 자율적 변혁 시대에, 운영 전문성을 기계에 이관하고 미래 시장 동향을 구상하는 조직이 시장에서의 입지를 확보할 것입니다.
순위 목록
