생성형 AI(GenAI)은 고급 분석(advanced analytics)의 새로운 가능성을 열어주지만, 사용자들은 뛰어들기 전에 충분한 준비가 되어 있는지 먼저 평가해야 한다.

 

지난 2년간 등장한 생성형 AI(GenAI)는 산업 공정 분석에 새롭고 흥미로운 가능성을 가져왔다. 사용자 입력에 따라 텍스트, 코드, 이미지 등 새로운 콘텐츠를 생성하는 이 변화의 기술은 프로세스 제조업체들이 데이터를 분석하고, 운영을 최적화하며, 중요한 의사결정을 내리는 방식을 변화시킬 수 있는 잠재력을 가지고 있다.

 

GenAI에 대한 관심은 프로세스 제조업체들이 "데이터는 풍부하지만 정보는 부족하다"고 느끼는 시기에 나타난다. 특히 산업사물인터넷(IIoT)의 확장은 운영 및 장비 데이터의 양, 복잡성, 접근성을 증가시키고 있다. 그러나 이러한 풍부한 데이터는 적절하게 관리될 때 엄청난 기회를 가져다준다.

 

인공지능(AI)과 머신러닝(ML) 기술의 동시 출현은 더욱 의미 있는 통찰력을 발굴할 수 있는 가능성을 제공한다. 하지만 많은 기업에서 원시 데이터에서 의미 있는 통찰력으로 가는 여정은 여전히 단절되어 있다.

 

결과적으로, 더 빠르고 가치있는 데이터 통찰력을 얻고, 이를 바탕으로 생산 및 사업 지표를 향상하기 위해 엔지니어, 운영, 관리 인력 등 모든 팀원을 지원하는 소프트웨어가 필요하다. 고급 분석 소프트웨어에 GenAI를 통합하면 도메인 전문가들이 소프트웨어의 힘을 더 쉽게 활용하고 효과를 높일 수 있기 때문에 프로세스 산업에 큰 영향을 미칠 수 있다.

 

강화된 성능과 가능성

 

GenAI 대규모 언어 모델은 인간의 입력을 이해하는 데 뛰어나고 빠르고 효율적으로 텍스트와 컴퓨터 코드를 생성하는 반면, 고급 분석 솔루션은 정제되고 문맥화된 시계열 데이터에 대한 명확한 접근을 제공한다.

 

이 두 기술을 결합하면 소프트웨어 솔루션의 패턴 인식, 통찰력 수집, 예측 및 조치 권장 기능이 강화된다.

 

이러한 조합으로 최대의 성공을 거두기 위해서는 신뢰할 수 있는 기업 데이터, 고급 분석, GenAI라는 핵심 요소를 도메인 전문가를 중심으로 워크플로에 통합해야 한다.

 

GenAI로 고급 분석을 강화함으로써 얻을 수 있는 이점은 어떤 것들이 있을까?

 

첫째, 향상된 의사결정이다. 자연어로 요약과 상세한 설명을 제공하여 도메인 전문가가 전체 프로세스를 더 쉽게 이해하고 더 정확한 데이터 기반 의사결정을 내릴 수 있다. 이를 통해 대규모 데이터 세트를 분석하여 트렌드, 이상 현상 및 기회를 식별하고 사전 예방적 의사결정을 가능하게 한다.

 

둘째, 높은 분석 효율성이다. 짧은 텍스트 기반 작업 설명에서 이러한 작업을 실행하는 기능 코드로 빠르게 이동할 수 있으며, 종종 미미한 조정과 수정만으로 가능하다. 이를 통해 엔지니어 및 데이터 과학자와 같은 도메인 전문가는 가치 있는 활동에 집중할 수 있어 통찰력 도달 시간을 단축한다.

 

셋째, 더 강력한 예측 능력이다. GenAI는 알고리즘 기반 분석 기술을 통해 이상 현상을 감지하고 예측 유지보수를 알리고 생산 데이터를 예측하는 기능을 향상시킨다. 또한 특히 센서 데이터와 운영 노트 또는 로그를 조합하여 나타나는 데이터 세트에서 패턴 인식을 위한 추가 기능을 제공한다.

 

넷째, 간소화된 온보딩 및 교육이다. GenAI는 대화형 및 대화식 사용자 인터페이스를 구동하는 데 사용되어 학습자들이 제조 분야에서 더 쉽게 마스터할 수 있다. 지속적인 최신 지식 기반 연결로 GenAI 기반 교육은 관련성을 유지하여 교육 유지력을 향상한다.

 

기업은 도메인 전문가의 업무를 더 쉽게 만드는 최신 기술에 대한 간소화된 접근을 제공함으로써 비즈니스 운영을 재정의할 수 있을 뿐만 아니라 영감을 받고 적극적이며 역량이 강화된 디지털 조직을 키울 수 있다.

 

생성형 AI의 한계, 위험, 오해

 

생성형 AI(GenAI)는 미래에 큰 발전 가능성을 지니지만, 기업들은 그 한계와 관련 위험을 인지하는 것이 중요하다. 이는 데이터 문제, 불투명성 및 데이터 개인정보 보호 문제 등을 포함한다.

 

GenAI 모델은 일반적으로 인터넷에서 찾을 수 있는 공개 데이터 세트를 사용하여 훈련되지만, 이는 전문 지식이 부족하다. 훈련 데이터에 내재된 편향을 제거하는 것이 어렵기 때문에 일부 결과가 부정확하게 나타날 수 있다. 도메인별 비공개 데이터로 모델을 훈련하는 것은 까다롭고 기술적으로 어렵다.

 

복잡한 GenAI 모델은 종종 해석 가능성이 없는 블랙박스처럼 작동하여 의사결정 과정을 설명하기 어렵다. 모델을 사용하는 사람들은 신중히 판단해야 한다. 이러한 모델이 다른 소프트웨어에 데이터를 제공할 때, 잘못된 정보의 확산을 줄이기 위해 GenAI 결과에 필터를 적용하는 경우 추가적인 복잡성이 발생하여 해를 끼칠 위험이 있다.

 

민감한 산업에 GenAI를 배포할 때 데이터 개인정보 보호 및 보안 문제를 해결해야 한다. GenAI 플랫폼은 모델 훈련을 위해 인터넷에 개방되어 있으므로 개발자와 구현자는 공개 구성 요소와 별도로 기밀 정보를 분리하여 데이터 유출을 방지하기 위해 신중해야 한다.

 

GenAI에 대한 미디어 열풍이 계속됨에 따라 기업들은 일반적인 오해에 대해서도 경계해야 한다. 대중적인 담론에도 불구하고 GenAI는 효과적으로 작동하기 위해 인간의 감독이 필요하다. 전문가의 필요성을 대체하지 않고 오히려 전문 지식을 보완한다.

 

효과적인 GenAI 모델을 만드는 데는 많은 시간과 노력이 필요하다. 즉각적인 해결책을 위한 마술 막대기가 아니다. 프로세스 산업에 배포될 때 이러한 모델은 특정 요구를 충족하기 위해 미세 조정 및 맞춤화가 필요하다. 기성품 솔루션은 최적의 결과를 가져다주지 못할 수도 있다.

 

어떻게 준비하고 실행해야 하나?

 

공정 시스템의 데이터 분석에 GenAI를 활용하기 위한 준비 상태를 평가하기 위해 조직은 세 가지 주요 속성을 점검해야 한다.

 

첫째, 데이터 품질이다. 프로세스 데이터의 무결성과 접근성을 평가한다. 고품질 데이터는 GenAI의 효과성과 팀이 해결하려는 특정 프로세스 문제와의 관련성에 필수적이다.

 

둘째, 전문성이다. 프로세스 산업과 관련된 데이터 과학 및 AI 숙련도를 평가한다. 직원들이 GenAI 솔루션을 개발하고 유지 관리하는 기술, 솔루션이 타겟으로 삼는 프로세스 및 비즈니스 팀에 대한 이해가 있는지 확인한다.

 

셋째, 인프라다. 리소스 집약적인 GenAI 배포를 지원하기 위한 필요한 계산 인프라와 데이터 저장 기능이 마련되어 있는지 확인한다.

 

이러한 영역을 고려한 후 조직은 성공적인 GenAI 도입 및 전개를 위한 다음 지침을 따라야 한다.

 

첫째, 기술 투자. 데이터 과학 및 AI 분야에서 인력을 교육하고, GenAI 이니셔티브를 효과적으로 추진하기 위한 사내 전문성을 개발한다.

 

둘째, 표준 정의. 데이터 품질, 개인 정보 보호 및 산업 규정 준수를 보장하기 위한 강력한 데이터 거버넌스 실천을 확립한다.

 

셋째, 소규모 시작. 조직의 특정 사용 사례에 GenAI 적용 가능성을 테스트하기 위해 파일럿 프로젝트부터 시작하고 이를 확장한다.

 

넷째, 지속적인 학습 촉진. 지식 추구와 GenAI 기술 발전에 따라 적응하는 문화를 조성한다.

 

GenAI는 데이터 분석 및 의사 결정에 대한 산업 접근 방식을 혁신할 준비가 되어 있다. GenAI와 고급 분석을 결합함으로써 공정 제조업체는 새로운 수준의 효율성, 정확성 및 혁신을 실현할 수 있다. GenAI의 모든 잠재력을 실현하기 위해서는 그 한계와 위험을 신중하게 고려하고 조직 준비에 대한 전략적 접근이 필요하다.

 

공정 전문가들은 이러한 솔루션을 자신의 워크플로에 신중하게 통합하여 긍정적인 결과를 도출하고 점차 치열해지는 경쟁 환경에서 앞서 나갈 수 있다.

 

헬로티 김진희 기자 |