인공지능을 적용하려면 왜 사고방식의 대대적인 변화가 필요한가

AI는 현재 고무적인 발전을 이루고 있지만 아직 많은 산업 분야에서 혁명적인 변화를 일으키지는 못했습니다. 대부분의 경우 문제는 반드시 기술이 아니라 사람들이 이를 인식하는 방식에 있습니다.

『힘과 예측』은 인공지능 기술을 다양한 산업에 적용할 때의 근본적인 과제를 탐구하는 인공지능 전문가가 쓴 신간입니다. 비평가들의 호평을 받은 Prediction Machines의 속편인 이 책은 기업이 인공 지능의 발전 잠재력을 최대한 활용하려면 먼저 변화해야 할 사항에 대해 논의합니다.

포인트 솔루션과 애플리케이션부터 AI 시스템까지, 업계 전문가들이 다양한 분야에서 AI의 성공과 실패를 살펴봅니다. 또한 과거 기술 혁명에 대한 중요한 통찰력을 제공하고 AI 시스템을 처음부터 다시 생각하고 설계하는 것이 강력한 기계 학습 및 딥 러닝 알고리즘을 기반으로 실제 가치를 창출하는 데 어떻게 도움이 될 수 있는지 보여줍니다.

포인트 솔루션 vs 인공 지능 시스템

오늘날의 AI 시스템은 예측 기계입니다. 즉, 과거 데이터를 기반으로 미래에 일어날 일을 예측할 수 있습니다. 이것이 모든 수학적 모델이 하는 일입니다. 그러나 대량의 데이터와 컴퓨팅의 가용성, 딥러닝 알고리즘의 발전 덕분에 사람들은 이미지, 텍스트, 다차원 데이터와 같은 복잡한 정보에 대해 예측할 수 있는 모델을 만들 수 있게 되었습니다.

저자는 『힘과 예측』이라는 책에서 인공지능의 가치를 포인트 솔루션, 응용 솔루션, 시스템 솔루션 세 가지로 분류합니다.

지금까지 사람들이 본 것들은 대부분 포인트 솔루션과 앱 솔루션이었습니다. 이러한 AI 시스템은 이전에 예측이 필요했던 작업을 대체합니다. 예를 들어, 금융 서비스에서 작업 중 하나는 어떤 거래가 사기인지 예측하는 것입니다. 올바른 데이터에 대해 훈련된 기계 학습 모델이 이 작업을 대신할 수 있습니다. 포인트 솔루션을 채택하려면 최소한의 투자와 기본 시스템 변경만 필요하기 때문에 포인트 솔루션은 인공 지능의 쉬운 결실입니다.

포인트 솔루션의 또 다른 예는 방사선 스캔 분석입니다. 이제 숙련된 방사선 전문의와 비교할 수 있는 수준으로 X선 및 MRI 스캔을 통해 다양한 질병을 감지할 수 있는 여러 가지 딥러닝 모델이 있습니다.

기본 환자 관리 시스템을 변경하지 않고도 방사선 전문의가 수행하는 많은 작업 중 하나를 자동화하고 있습니다.

인공지능 시스템은 현재 애플리케이션과 시스템으로 해결되지 않는 새로운 작업과 문제를 자동화하여 더 큰 가치를 제공할 수 있습니다. 그러나 AI 시스템에는 기존 문제뿐만 아니라 새로운 문제도 해결하기 위해 전체 프로세스, 워크플로 및 애플리케이션을 재설계해야 하는 백지 접근 방식이 필요합니다. AI 시스템이 작동하려면 종종 새로운 조직 구조와 목표 및 인센티브 조정이 필요합니다. 이로 인해 AI 시스템은 더욱 어렵고 위험해지지만 보람도 더 커집니다.

Power and Prediction의 저자는 다음과 같이 썼습니다. “AI 강화 결정은 시스템의 다른 결정에 영향을 미치는 반면 시스템 솔루션은 종종 기존 시스템을 향상시키기 때문에 시스템 솔루션은 포인트 솔루션이나 애플리케이션 솔루션보다 구현하기가 더 어렵습니다. 그러나 많은 경우 시스템 솔루션은 AI 투자에 대해 가장 큰 수익을 제공할 수 있습니다.”

The Intermediate Age of Artificial Intelligence

저자는 책 “Power and Prediction”에서 말합니다. 는 이 기술의 위력을 목격했지만 널리 채택되기 전인 지금은 인공지능의 '중간 시대'에 와 있다고 믿습니다. 이것이 바로 포인트 솔루션이 현재 인공 지능에 대한 더 매력적이고 대중적인 사용 사례인 이유입니다.

이것은 역사적 선례가 있습니다. 예를 들어, 전기가 산업화되기 시작한 19세기 후반에 첫 번째 응용 분야는 포인트 솔루션이었습니다. 공장의 경우 이는 에너지 비용을 줄이기 위해 증기 엔진을 전기 모터로 교체하는 것을 의미합니다. 전력 공급원을 변경한다고 해서 공장을 재설계할 필요는 없습니다.

그러나 전기의 실제 가치 제안은 기계를 전원에서 분리하는 것입니다. 이를 통해 증기 동력으로는 불가능했던 새로운 공장 설계가 가능해졌고 생산성이 향상되었으며 비용도 저렴해졌습니다. 그러나 이러한 채택에는 기존 기업이 원하지 않는 근본적인 변화, 습관의 단절, 선행 투자가 필요했기 때문에 수십 년이 걸렸습니다. 기회를 잡은 기업가들은 선도적인 위치를 차지하고 나중에 기존 시장을 대체하는 시장의 큰 부분을 차지하는 데 성공했습니다.

온라인 쇼핑의 증가, 개인용 컴퓨터의 출현, 인쇄 매체에서 디지털 미디어로의 전환 등 다양한 산업에서 이러한 변화를 볼 수 있습니다.

인공지능은 인프라 기술이며 기술 리더들은 그 영향을 전기에 비유했습니다. 그러므로 이를 위해서는 새로운 사고방식과 대담한 탐구가 필요합니다.

"힘과 예측"의 저자는 다음과 같이 썼습니다. "AI가 주도하는 산업 변혁은 시간이 걸리고 처음에는 어떻게 해야 할지 명확하지 않습니다. 많은 사람들이 필요성을 오해하거나 원하는 것을 얻지 못해 시도하고 실패할 수 있습니다. 경제는 작동합니다. 결국 누군가는 성공하고 수익성을 확보하려고 노력할 것입니다. 때로는 늘 그렇듯 성공하기도 합니다."

규칙 위반

『힘과 예측』의 저자는 “정보에 입각한 선택을 하는 데 필요한 정보가 없을 때 포기하지 않아도 괜찮다. 맹목적으로 일을 한 결과를 피하라. 그래서 AI 예측이 등장하면 놀랄 일도 아니다. 잠재적인 의사 결정자는 이 정보 없이 발판을 구축합니다.”

현명한 기회는 잘 작동하고 오랫동안 확립된 엄격한 규칙과 절차 뒤에 숨어 있는 경우가 많기 때문에 발견하기 어렵습니다. 이러한 규칙은 정보 부족을 보완합니다. 이를 통해 사람들은 정확한 결과를 예측하지 않고도 결정을 내릴 수 있습니다. 최적은 아니지만 여러 상황에서 안정적으로 작동하는 시스템을 구축하는 데 도움이 됩니다.

이러한 기회를 찾는 열쇠는 첫째, 예측 기계의 힘을 이해하고, 둘째, 예측이 확립된 규칙을 대체할 수 있는 부분을 찾는 것입니다. 저자가 책에서 탐구하는 매우 흥미로운 예는 교육에 인공지능을 사용하는 것입니다.

머신러닝 알고리즘과 과거 데이터 덕분에 학생의 성과, 뛰어난 성과와 어려움을 예측할 수 있습니다. 이를 통해 우리는 각 학생에게 더욱 개인화된 콘텐츠를 제공할 수 있는 기회를 얻게 됩니다.

그러나 이러한 예측 모델은 학급당 교사가 한 명뿐인 연령 기반 커리큘럼을 기반으로 하는 현재 교육 시스템에서는 큰 도움이 되지 않습니다. 이 시스템은 교사가 교육 궤적을 통해 학생의 개별 학습 능력을 정확하게 측정할 방법이 없기 때문에 만들어졌습니다.

머신러닝을 최대한 활용하려면 교육 시스템을 새로운 방식으로 재고해야 합니다. 이 새로운 시스템은 연령 기반 커리큘럼을 맞춤형 토론, 그룹 프로젝트 및 교사 지원으로 대체하여 전반적인 교육과 개인의 성장 및 발전에 더 큰 영향을 미칠 것입니다.

"Power and Prediction"의 저자는 다음과 같이 썼습니다. "연령 기반 커리큘럼 규칙은 현대 교육 시스템의 접착제이므로 학습 콘텐츠를 개인화하는 인공 지능은 이 시스템에서 제한된 이점만 제공할 수 있습니다. 개성을 발휘하려면 잠재력을 최적화해야 합니다. 교육에서 인공 지능의 주요 과제는 예측 모델을 구축하는 것이 아니라 현재 시스템을 하나로 묶어주는 연령 기반 커리큘럼 규칙에서 교육을 분리하는 것입니다."

Power Shift

인공 지능을 성공적으로 적용하려면 "무엇이 필요합니까?" Power and Prediction의 저자는 "과제 사고"와 대조되는 "시스템 사고"를 "시스템 사고"라고 부릅니다. 작업 사고방식은 비용 절감에 중점을 둡니다. 시스템 사고는 가치 창출에 중점을 둡니다. 작업 사고방식은 개별 작업을 자동화하는 데 중점을 둡니다. 시스템 사고는 기계 예측과 인간의 의사 결정을 기반으로 가치를 생성하는 시스템을 재구성해야 할 필요성을 인식합니다.

사람들은 이미 인공지능 예측을 기반으로 개인화된 콘텐츠를 추천하는 수익 창출 시스템을 형성한 Amazon, Google과 같은 일부 산업 및 대규모 기술 회사에서 이런 일이 일어나는 것을 목격했습니다.

아마도 시스템 사고방식의 중요한 요소 중 하나는 인공지능의 채택으로 발생하는 권력 이동일 것입니다. 시스템이 변화함에 따라 의사결정권을 가진 사람들도 변화합니다.

"힘과 예측"의 저자는 "인공지능은 의사결정을 기계에 맡길 수 없지만 누가 결정을 내리는지는 바꿀 수 있습니다. 기계는 힘이 없지만 일단 배치되면 누가 힘을 갖게 되는지 바꿀 수 있습니다."라고 썼습니다. 기계가 의사 결정자를 바꾸면 기본 시스템도 바뀌어야 합니다. 기계를 만드는 엔지니어는 제품에 내재된 판단의 결과를 이해해야 하며, 순간적으로 결정을 내리던 엔지니어는 더 이상 그럴 필요가 없습니다."

책의 저자가 탐구한 가상의 예 중 하나는 심장마비 위험입니다. 현재 이러한 위험 평가는 병원에서 테스트를 통해 수행되며, 테스트를 수행하는 전문가가 결정을 내립니다.

스마트워치 등 웨어러블 기기에서 수집한 데이터를 바탕으로 심장마비 위험을 예측하는 인공지능 시스템을 구축하는 것이 가능하다고 가정해보자. 그러면 이러한 예측을 병원 응급실의 분류 공간에서 환자의 집으로 옮기는 것이 가능할 것입니다. 이 경우, 많은 환자는 약사 또는 주치의가 집에서 치료할 수 있는 상태로 진단된 후 병원에 갈 필요가 없습니다.

인공 지능을 둘러싼 과학적, 철학적 논쟁에서 어느 입장에 있든, 예측 기계가 제공할 수 있는 것이 많고 현재는 수박 겉핥기 수준이라는 점에는 동의할 수 있습니다. 잠재력을 최대한 활용하는 것은 처음부터 다시 돌아가 사람들이 예측할 수 있는 능력이 있다면 시스템을 어떻게 설계할지 다시 생각하는 것에서 시작됩니다. ?

위 내용은 인공지능을 적용하려면 왜 사고방식의 대대적인 변화가 필요한가의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!