비즈니스에서 AI 기회를 발견하는 AI 교육자 Kavita Ganesan
게시 됨: 2023-07-14AI에 대비하는 것은 처음에는 어려울 수 있습니다. 오늘의 게스트는 올바른 기회를 포착하고 성공을 측정하며 원활한 전환을 위한 단계를 설정하는 데 도움이 되는 반복 가능한 프레임워크를 공유합니다.
지난 1년 동안 ChatGPT의 획기적인 출시를 포함하여 생성 AI의 급속한 발전으로 AI가 모든 사람의 관심을 끌었습니다. 그러나 AI 환경을 탐색하는 것은 어디서부터 시작해야 할지 확신이 서지 않는 비즈니스 리더에게 위협이 될 수 있습니다. AI가 해결해야 할 올바른 문제를 선택하는 것부터 강력한 데이터 인프라를 구축하고 변화에 대비하여 팀을 준비하는 것까지 전환이 압도적으로 느껴질 수 있습니다. 이것은 Kavita Ganesan이 들어오는 곳입니다.
Kavita는 컨설팅 비즈니스 Opinosis Analytics의 AI 고문, 교육자 및 설립자입니다. 박사 학위와 함께. 자연어 처리(NLP), 검색 기술 및 기계 학습 분야에서 15년 이상의 경험을 쌓은 Kavita는 조직과 협력하여 조직이 AI를 이해하고 비즈니스 전략에 구현하도록 돕습니다. 작년 봄 – 이상하게도 모든 화제가 시작되기 몇 달 전 – 그녀는 비즈니스 리더가 결과를 주도하는 AI 이니셔티브를 시작하기 위한 실용적인 가이드인 The Business Case for AI를 출판했습니다.
여기에서 Kavita는 영향력이 큰 AI 기회를 식별하기 위한 프레임워크를 설명하고, 비즈니스 목표와 일치하는 AI 솔루션 구현의 우선순위를 정하기 위해 문제를 효과적으로 평가하고 프레이밍하는 것의 중요성을 강조하고 각 AI 이니셔티브의 영향과 성공을 측정합니다. .
오늘 에피소드에서는 Kavita를 만나 비즈니스 리더가 AI의 혁신적인 잠재력을 포착하기 위한 전략에 대해 이야기했습니다.
다음은 몇 가지 주요 사항입니다.
- 반복적인 수동 프로세스를 최적화하고 고객 피드백 또는 기타 사업부를 통해 식별된 비효율성을 해결하여 비즈니스에 AI 통합을 시작하십시오.
- 영향력이 큰 기회를 식별하려면 AI를 배치하는 것이 타당한지 평가하고 실질적인 비즈니스 이익으로 전환되는지 확인하십시오.
- 구현하기 전에 이점, 해결하려는 문제점 및 이를 측정할 수 있는 지표를 더 잘 설명하기 위해 이러한 기회의 틀을 잡아야 합니다.
- 다음 단계는 전문가를 불러 그것이 가능한지 확인하는 것입니다. 그래야만 이러한 모든 이니셔티브의 순위를 매기고 가장 유익한 것의 우선 순위를 지정할 수 있습니다.
- AI 이니셔티브의 성공은 모델 성능, 비즈니스 영향 및 사용자 만족도라는 세 가지 요소에 달려 있습니다.
토론이 마음에 든다면 팟캐스트의 더 많은 에피소드를 확인하세요. Apple Podcasts, Spotify, YouTube를 팔로우하거나 선택한 플레이어에서 RSS 피드를 가져올 수 있습니다. 다음은 에피소드의 약간 편집된 대본입니다.
AI 버그
Liam Geraghty: 안녕하세요. Inside Intercom에 오신 것을 환영합니다. 저는 Liam Geraghty입니다. 오늘 쇼에서는 The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications의 저자인 Kavita Ganesan과 함께했습니다. 이것이 바로 오늘 우리가 이야기할 내용입니다. Kavita, 쇼에 오신 것을 환영합니다.
Kavita Ganesan: Liam, 초대해주셔서 감사합니다. 여기 오게 되어 정말 기쁩니다.
Liam: 중견 기업에서 Fortune지 선정 500대 기업에 이르기까지 다양한 조직에 24개 이상의 성공적인 AI 이니셔티브를 제공한 것으로 알고 있습니다. 처음에 어떻게 AI 공간에 참여하게 되었나요?
“소프트웨어 엔지니어가 되었지만, 전체 알고리즘 개발과 문제 해결 부분이 빠진 것 같았습니다.”
Kavita: AI에 대한 나의 역사는 AI가 그다지 인기가 없었고 업계에서 섹시하거나 필요하지도 않았던 2005년으로 거슬러 올라갑니다. 저는 AI의 문제 해결 측면에 흥미를 느꼈습니다. 기술이 동일하더라도 다른 문제에 적용하면 문제를 해결하는 방식이 달라집니다. 본질적으로 나는 문제 해결사라고 생각하기 때문에 그것은 나에게 매력적이었습니다. 그래서 석사 과정에서 AI에 대해 점점 더 깊이 빠져들게 되었습니다. 그곳에서 전체 AI 공간에 노출되었습니다.
나는 소프트웨어 엔지니어가 되었지만 뭔가 빠진 것 같은 느낌이 들었다. 전체 알고리즘 개발과 문제 해결 부분 말이다. 그때 내가 박사 학위를 취득해야 한다고 결정했습니다. 나는 이것을 전문으로하고 싶었 기 때문에 AI에서. 그리고 졸업을 앞둔 2013년에 데이터 과학이 한 분야로 부상하기 시작했습니다. 그때 저는 학술 기관이나 연구실에 가지 않고 그냥 가서 산업 문제를 해결하기로 결정했습니다. 나는 매우 실용적이고 응용적인 사람이라고 생각하기 때문에 이러한 알고리즘이 잘 사용되는 것을 보고 싶었습니다. 그것이 일이 실제로 시작된 곳입니다. 저는 이 모든 프로젝트를 제공하고 의료에서 코드와 같은 다른 영역에 이르기까지 다양한 문제에 대해 작업했습니다.
"Generative AI는 일종의 AI를 지도에 표시했습니다."
Liam: 지난 몇 달 동안 나머지 세계가 이 모든 AI 기술을 따라잡은 것처럼 느껴질 것입니다.
Kavita: 예, 많은 비즈니스에서 AI는 매우 새로운 것입니다. 특히 AI가 자신과 관련이 없다고 느꼈기 때문에 AI에 대해 생각해 본 적이 없는 소규모 비즈니스에서는 더욱 그렇습니다. 중견 기업은 한동안 AI에 대해 생각해 왔지만 어떻게 시작해야 할지 몰랐고 생성 AI는 일종의 AI를 지도에 표시했습니다.
어디서 시작하나요?
Liam: 당신의 저서 The Business Case for AI에 대해 자세히 살펴보겠습니다. 즉시 리더가 AI에 대해 가지고 있는 걱정과 우려를 인정합니다. 우리는 방금 1,000명의 지원 전문가를 대상으로 한 Customer Service 2023의 AI 현황에 대한 보고서를 발표했으며 리더의 69%가 내년에 AI에 더 많은 투자를 계획하고 있다는 사실을 발견했습니다. 그러나 지금까지 리더의 38%만이 이미 그렇게 했습니다. 얼리 어답터가 AI가 제공하는 모든 이점으로 진정한 경쟁 우위를 확보할 수 있는 엄청난 기회가 될 것입니다. 맞습니까?
Kavita: 네, 맞습니다. 올바른 문제에 적용하면 초기에 상당한 이점을 보게 될 것입니다. 현재 기업이 직면하고 있는 과제는 비즈니스 내에서 올바른 문제를 찾고 가치를 제공하는 방식으로 AI를 적용하는 것이라고 생각합니다. 향후 6~7개월이 아니라 3개월이 소요됩니다.
"AI를 구성하는 공간, AI를 적용할 수 있는 영역, 적용할 수 있는 문제 유형, 생성적 AI가 가치를 추가하는 영역을 이해하는 것입니다."
Liam: 사람들이 로봇이 세상을 지배하는 것을 상상하는 것이 아니라 AI를 비즈니스를 위한 실용적인 도구로 생각하도록 AI 사고의 틀을 잡는 방법에 대해 사람들에게 무엇을 말하시겠습니까?
Kavita: 첫 번째 단계는 이 짐승이 무엇인지 이해하는 것이라고 생각합니다. 이제 사람들은 AI가 생성 AI라고 생각하지만 생성 AI는 AI 퍼즐의 한 조각일 뿐입니다. AI에는 더 많은 것이 있습니다. 전통적인 기계 학습, NLP, 컴퓨터 비전이 있습니다. AI를 구성하는 영역, AI를 적용할 수 있는 영역, 적용할 수 있는 문제 유형, 생성적 AI가 가치를 추가하는 영역을 이해하는 것입니다. 방에 있는 코끼리를 다루는 것은 비즈니스에서 AI를 적용할 수 있는 컨텍스트를 설정하거나 아이디어를 촉발하는 데 도움이 될 것입니다. 교육이 첫 번째 단계라고 말하고 싶습니다.
Liam: 우리가 고비를 넘고 AI 열차에 올라타고 있다면, 말하자면 귀사에서 기존 비즈니스 프로세스를 개선하기 위해 AI가 무엇에 사용될 수 있는지 어떻게 알 수 있습니까? 몇 가지 예를 공유해 주시겠습니까?
"비효율적인 기존 프로세스를 찾는 것이 좋은 출발점입니다."
카비타: 물론이죠. 많은 기업이 수동으로 해결하는 반복적인 문제부터 시작하여 가치를 찾습니다. 고객 서비스에서 지원 티켓 라우팅은 반복적인 작업이며, 상담원이 티켓을 읽고 티켓을 전달할 팀을 결정하고 팀이 문제를 분류할 수 있도록 예비 데이터를 팀에 보내는 데 상당한 시간이 걸립니다. . 반복적이고 인간 수준의 사고가 필요한 수동 프로세스를 찾는 것이 핵심입니다. AI 솔루션이 단기적으로 실제로 영향을 미칠 수 있는 곳입니다. 수동 접근 방식에 비해 성능을 측정합니다. 비효율적인 기존 프로세스를 찾는 것이 좋은 출발점입니다.
Liam: 언제든지 그 목록을 생각해낼 수 있지만, 팀과 대화하여 일상을 개선할 수 있는 방해 요소가 무엇인지 확인할 수도 있습니다.
Kavita: 예, 서로 다른 사업부와 대화하고, 그들의 문제를 이해하고, 어떤 고객 피드백을 받고 있는지 이해합니다. 고객 피드백을 분석하여도 비효율성과 문제점을 감지할 수 있습니다. AI가 도움이 될 수 있는 영역입니다. 지원 솔루션이 효과적이지 않아 고객이 필요한 도움을 받는 데 어려움을 겪고 있다고 가정해 보겠습니다. 그러면 "이봐, 고객의 문제를 해결하는 더 나은 검색 기능이 있어야 고객이 우리 발권 시스템을 거치지 않아도 될 것입니다."라는 느낌이 들 것입니다.
적절한 비즈니스 기회 포착
Liam: AI를 준비하고, AI에 대비한 회사가 되고, 그 지식을 실행에 옮기고자 하는 사람들에게 어떤 조언을 하시겠습니까?
"각 기회의 프레이밍은 어떤 것이 가장 유익하고 어떤 것이 지금 보류할 수 있는 한계 이익을 제공하는지 드러날 것입니다."
Kavita: AI에 대한 준비는 두 부분으로 구성됩니다. 하나는 회사 내에서 기회가 어디에 있는지 이해하는 것입니다. 중견 기업의 경우 다양한 비즈니스 기능과 대화하고, 그들의 문제를 이해하고, 이러한 기회를 식별하고 구성하는 것이 중요합니다. 영업중인가요? HR에 있습니까? 그러면 어떤 영역이 경쟁 우위가 될 수 있는지 알 수 있습니다. 두 번째 부분은 데이터 인프라를 구성하는 AI에 필요한 기본 요소입니다. 적극적으로 데이터를 수집하지 않아 시작해야 하거나, 데이터를 수집하고 있지만 데이터 저장소가 사일로에 있고 직원들이 전체적인 방식으로 데이터에 액세스할 방법이 없을 수도 있습니다. 이러한 격차를 식별하고 이를 기회와 결합하면 AI를 회사에 도입할 수 있는 장기적인 방법이 제공될 것입니다.
Liam: ChatGPT가 등장한 이후로 모든 제품이나 비즈니스에 AI가 붙은 것 같습니다. 이 모든 것의 바다에서 리더는 어떻게 AI 기회를 찾을 수 있을까요? 유용하지 않은 것을 어떻게 제거합니까?
Kavita: 예, 그러한 기회를 찾고 프레임을 만들 때 발생합니다. 기본적으로 기회의 이점과 현재 문제를 해결하는 방법을 측정하는 데 사용할 측정 항목을 명시하는 것입니다. 각 기회의 프레이밍은 어떤 것이 가장 유익하고 어떤 것이 지금 보류할 수 있는 한계 이익을 제공하는지 드러날 것입니다. 그 관절 부분은 매우 중요하며 "High-Impact AI Discovery Framework"(책에서 논의됨)의 2단계입니다. 첫째, 아이디어가 있거나 잠재적인 AI 기회가 있습니다. 그리고 두 번째 단계는 프레이밍입니다.
“AI나 소프트웨어 자동화를 도입하면 특정 상황에서 실질적인 이점을 얻을 수 있을까요? 비즈니스에도 의미가 있습니까?”
Liam: 프레임워크에 대해 조금 더 이야기해주실 수 있나요?
Kavita: 이 프레임워크는 영향력이 큰 AI 기회를 식별하기 위한 반복 가능한 프로세스이며 네 가지 주요 단계가 있습니다. 첫 번째는 이것이 유망한 AI 기회인지 먼저 생각하는 것입니다. AI 기회는 종종 복잡한 의사 결정 문제를 해결하며 이는 AI가 의미가 있습니다. 그러나 더 나아가기 위해서는 사업적으로도 타당해야 합니다. 그 때 작업량을 볼 수 있습니다. AI 또는 소프트웨어 자동화를 도입하면 특정 상황에서 실질적인 이점을 얻을 수 있습니까? 비즈니스에도 의미가 있습니까? 그런 다음 기본 구성 요소가 있습니까? 이 프로세스를 수동으로 수행했다고 가정해 보겠습니다. 이 세 가지를 만족한다면 잠재적인 AI 기회이지만 그것만으로 구현에 들어가야 한다는 의미는 아닙니다.
바로 여기에서 2단계가 시작됩니다. 여기서 이러한 기회의 틀을 잡습니다. 본질적으로 기회에 훨씬 더 많은 세부 정보를 추가합니다. 이점, 해결하려는 문제점 및 이를 측정하는 데 사용할 메트릭을 명시합니다. 이를 통해 비즈니스 성공과 데이터 가용성을 달성하고 있음을 알 수 있습니다. 그러나 다시 말하지만 이것이 바로 구현에 들어간다는 의미는 아닙니다. 여전히 실현 가능한지 확인해야 합니다. 이것이 귀하의 전문가가 참여하는 곳입니다 – 3단계. 전문가에게 가져가서 이렇게 말할 것입니다. “이봐, 이런 기회가 있어. 어떻게 생각하나요? 시행할 수 있습니까?” 그곳에서 "데이터가 있지만 볼륨이 충분하지 않습니다." 또는 "지금 구현하기에는 너무 미래 지향적입니다."와 같은 모든 위험 신호를 발견할 것입니다. 그것이 그들이 제동을 걸고 더 많은 정보를 줄 곳입니다. 모든 정보가 있으면 해당 이니셔티브의 순위를 매기고 최상위 이니셔티브를 선택할 수 있습니다. 이것이 4단계인 순위 지정 및 우선 순위 지정입니다. 이것은 매우 반복 가능한 과정이며 사람들이 현재 이를 체계적으로 수행할 수 있는 방법이 없다고 생각하기 때문에 이것이 책의 큰 부분이 되기를 원했습니다.
“모델 자체가 끝이 아닙니다. 모델은 비즈니스 문제를 해결하는 수단입니다. 그것이 비즈니스 성공이 들어오는 곳입니다.”
Liam: 거기서 언급하셨는데, 리더가 이러한 문제를 해결하고 AI 전략을 구현했을 때 어떤 일이 일어나는지에 대해 이야기하고 싶습니다. AI 이니셔티브의 성공을 평가하기 위해 어떤 접근 방식을 권장하시겠습니까?
Kavita: 리더는 재정적 ROI를 기대하고 AI 전문가는 단지 고정밀 모델을 보고 싶어하기 때문에 현재 대부분의 회사에서 성공 여부가 불투명합니다. 제 책에서 저는 성공의 세 가지 기둥에 대해 이야기합니다. 하나는 모델 성공입니다. 모델은 허용 가능한 최소 성능을 가져야 합니다. 그렇지 않으면 실제로 문제가 해결되지 않습니다. 정확도가 50%이면 무작위입니다. 작업을 수행하고 합리적으로 잘 수행하는지 확인하려고 합니다. 그러나 모델 자체가 끝은 아닙니다. 모델은 비즈니스 문제를 해결하는 수단입니다. 그것이 비즈니스 성공이 들어오는 곳입니다. 그리고 이것은 귀하의 문제점과 직접적으로 연결됩니다. 무엇을 개선하려고 합니까? 지원 티켓을 분석하려고 합니까? 직원들의 일과 삶의 균형을 개선하기 위해 노력하고 있습니까? 이 모든 것을 측정하는 간접적인 방법이 있습니다. 이것이 비즈니스 성공을 위해 추적해야 하는 것입니다.
그러나 모델 성공과 비즈니스 성공만으로는 충분하지 않습니다. 결국 영향을 받는 것은 사용자이기 때문입니다. 또한 AI 솔루션 사용자와 대화하기를 원합니다. 공급업체나 직원이 될 수 있습니다. AI 출력을 소비하는 사람이면 누구나 가능합니다. 솔루션의 정확성, 사용 편의성, 모델이나 워크플로에서 문제를 드러낼 수 있는 모든 것에 대해 어떻게 생각하는지 물어보고 싶을 것입니다. 채택 문제를 강조할 수 있기 때문입니다. 솔루션이 마음에 들지 않으면 예전 방식으로 돌아갈 수 있습니다. AI 솔루션이 정확하고 비즈니스 성공을 달성하더라도 사용을 원하지 않을 수 있습니다.
고리 안에 갇힌 사람
Liam: 약간 긴장하거나 걱정하거나 염려하는 AI 구현을 생각하는 고객 지원 리더에게 뭐라고 말하겠습니까? 그들이 그것을 극복하도록 돕기 위해 당신은 무엇을 말하겠습니까?
Kavita: 제가 리더들 사이에서 본 한 가지 주제는 AI 시스템이 많은 직업, 심지어 자신의 직업을 대신할 것이라는 것입니다. 슬프게도 이것은 사실이지만 인간이 들어오는 품질 보증 계층이 여전히 필요하기 때문에 AI 시스템이 단순히 작업을 대체하는 것보다 워크플로우를 증가시킬 가능성이 더 높다고 생각합니다. AI 시스템은 고객 지원 티켓에 도움이 될 수 있지만 해결할 수 없다면 어떻게 해야 할까요? 이슈? 인간은 거기에 있어야 합니다. AI 시스템은 어떻게 학습합니까? 그들은 데이터에서 배웁니다. 누가 이 데이터를 생성합니까? 인간. 우리는 이 AI 시스템의 큰 부분이므로 QA, 데이터 생성 및 더 어려운 문제 해결을 위한 루프에 매우 많이 있습니다.
그것은 한 측면입니다. 다른 하나는 각 문제에 대한 기대치를 올바르게 설정하고 위험을 생각하는 것입니다. 이 시나리오에서 AI를 유일한 의사 결정자로 만들면 어떤 위험이 있습니까? 위험을 이해하면 해당 시나리오에서 AI 채택에 대한 일부 저항을 해결하는 데 도움이 됩니다. 이 시나리오에서는 너무 위험할 수 있으므로 AI가 수행한 작업을 검토하기 위해 인간을 루프에 포함시키고 싶을 수 있습니다.
Liam: 우리는 이미 그것을 보고 있다고 생각합니다. 하지만 사람들이 사라질 것을 두려워할 수 있는 일자리와 함께 AI는 실제로 새로운 일자리와 역할을 창출하고 있습니다. 그것은 모든 운명과 우울이 아닙니다.
카비타: 네. 역할이 정말 낮은 수준의 작업에서 높은 수준의 작업으로 전환될 수 있다고 생각합니다. QA 관리자가 될 것입니다. 예, 역할은 결국 변경됩니다.
Liam: 그리고 Kavita, AI와 비즈니스의 협력에 대해 사람들이 알았으면 하는 한 가지는 무엇인가요?
Kavita: AI와 비즈니스, 좋은 질문입니다. 연구 세계에서는 하나의 AI 솔루션이 문제를 해결하는 것을 자주 봅니다. 그러나 비즈니스에서는 하나의 AI 솔루션으로는 충분하지 않을 수 있습니다. 하이브리드 솔루션이 필요합니다. 엣지 케이스를 위한 규칙 기반 시스템인 AI 시스템과 인간의 조합일 수 있습니다. 따라서 비즈니스 솔루션은 종종 연구 시스템보다 덜 우아하고 더 복잡합니다.
Liam: 마지막으로, 사람들이 당신과 당신의 작업을 따라잡기 위해 어디로 갈 수 있나요?
Kavita: 가장 먼저 갈 곳은 제 웹사이트인 kavita-ganesan.com입니다. 내 책에 대해 배울 수 있는 곳입니다. 또한 내 컨설팅 페이지와 내가 수행한 다른 팟캐스트로 이동합니다.
리암: 완벽해. Kavita, 오늘 함께해주셔서 정말 감사합니다.
Kavita: Liam, 초대해주셔서 감사합니다.