머신러닝(ML)은 이제 모든 산업에서 미션 크리티컬(mission critical)한 요소가 되었다. 즉, 업무 수행을 위해 필수 불가결한 요소가 되었다. 기업의 리더들은 혁신과 장기적인 성장을 촉진하기 위해 기술팀에 전사적 차원에서 머신러닝 도입 속도를 높일 것을 촉구하고 있다. 그러나 대규모 머신러닝 배포에 대한 리더들의 기대치와 엔지니어와 데이터 과학자가 실제로 적시에 머신러닝을 대규모로 구축해 서비스할 수 있는 현실 사이에는 엄연히 괴리가 존재한다.

최근 발표된 리서치·자문 회사 포레스터(Forrester) 조사 결과에 따르면 대부분의 기업 리더들은 기업 전체에 머신러닝을 배포하는 데 대해 기대감을 표명했다. 하지만 데이터 과학자로 구성된 팀원들은 아직 대규모 머신러닝 솔루션을 개발하는 데 필요한 모든 도구를 갖추지 못했다고 답했다. 리더들은 머신러닝을 꽂기만 하면 실행되는 ‘플러그 앤 플레이(plug-and-play)’ 방식으로 활용하기를 원한다. 그냥 머신러닝 모델에 데이터를 입력하기만 하면 가치 있는 학습 결과가 나타날 거라고 믿는 식이다. 하지만 회사 데이터를 활용해 머신러닝 모델을 구축하는 엔지니어들은 이 모델을 제대로 활용하는 게 리더들이 생각하는 것보다 훨씬 더 복잡하다는 것을 잘 알고 있다. 데이터 구조가 비정형적이거나 품질이 좋지 않을 수 있으며, 규정 준수나 규제와 보안 관련 매개변수 충족도 필요하기 때문이다.

이러한 기대와 현실 사이의 간극을 간단히 좁힐 수 있는 방법은 없다. 하지만 그래도 이 간극을 좁히려면 우선 팀 간에 솔직한 대화를 유도해야 한다. 그래야만 비로소 기업의 리더는 조직 전체에 머신러닝을 민주화할 수 있다. 여기서 말하는 민주화란 기술팀과 비기술팀 모두가 강력한 머신러닝 도구에 액세스해서 학습과 교육을 지속적으로 지원받는 것을 의미한다. 비기술팀은 사용자 친화적인 데이터 시각화 도구를 사용해 비즈니스 의사 결정을 개선하고, 데이터 과학자는 머신러닝 애플리케이션을 효율적으로 구축하는 데 필요한 강력한 개발 플랫폼과 클라우드 인프라에 액세스할 수 있다. 캐피털 원에서는 이러한 민주화 전략을 사용하여 5만 명 이상의 직원이 근무하는 회사 전체로 머신러닝을 확장시켰다.

모든 직원이 머신러닝을 통해 회사의 성공을 돕는 데 참여하면 비즈니스팀과 기술팀 간의 단절은 사라질 것이다. 그렇다면 기업은 머신러닝을 민주화하기 위해 할 수 있는 일은 무엇일까? 다음은 조직의 모든 구성원에게 머신러닝의 강력한 혜택을 제공하기 위한 몇 가지 모범 사례이다.

크리에이터 지원

오늘날 최고의 엔지니어는 기술 전문가이면서 동시에 창의적 사고자이자 제품 전문가와 디자이너의 중요한 파트너이다. 기업은 기업 내 협업을 촉진하기 위해 기술, 제품, 디자인이 공동의 목표에 향해 기여할 수 있게 해야 한다. 포레스터의 연구에 따르면 머신러닝의 사용이 사일로화, 즉 부서별로 서로 소통하지 않고 각기 사용할 수 있으므로 협업에 초점을 맞추는 것이 성공의 핵심적 문화 요소가 될 수 있다. 그렇게 해야 비로소 비즈니스, 인적, 기술적 관점에서 적절한 제품을 만드는 게 가능해진다.

또한 리더는 엔지니어와 데이터 과학자에게 기업 내에서 머신러닝 솔루션을 신속히 채택하기 위해 어떤 도구가 필요한지 물어봐야 한다. 포레스터에 따르면 응답자의 67%는 사용하기 쉬운 도구의 부족 때문에 머신러닝을 전사적으로 채택하는 속도가 느려지고 있다는 데 동의했다. 이러한 도구는 머신러닝 엔지니어링을 지원하는 기본 기술 인프라와 호환돼야 한다. 개발자가 샌드박스 스테이징 영역에서 머신러닝 모델을 개발했는데도 해당 모델을 프로덕션에 적용할 컴퓨팅과 인프라가 없어 배포를 기다려야 하는, 소위 ‘서둘러 놓고도 기다려야 하는(hurry up and wait)’ 상황을 만드는 건 금물이다. 머신러닝 학습 환경을 지원하는 강력한 ‘클라우드에 최적화된(cloud native)’ 멀티테넌트(multitenant) 인프라는 매우 중요하다.

직원 역량 강화

마케팅 직원이든 비즈니스 분석가든 모든 직원에게 머신러닝의 강력한 기능을 제공하면 그들은 모든 회사를 데이터 기반 조직으로 전환할 수 있다. 기업은 직원에게 데이터에 대한 통제된 액세스 권한을 부여하는 일부터 시작할 수 있다. 이어 비즈니스 의사 결정을 위해 데이터를 분석할 수 있는 코딩을 적게 하거나(low-code) 코딩을 아예 안 해도 되는(no code) 도구를 팀에 제공하면 된다. 이러한 도구는 사용하기 쉽도록 인간 중심적인 디자인으로 개발되어야 한다는 건 두말할 필요도 없다. 비즈니스 분석가가 데이터 세트를 업로드하고, 클릭 가능한 인터페이스를 통해 머신러닝 기능을 적용하고, 실행 가능한 결과물을 신속하게 생성할 수 있으면 이상적이다.

기술에 대해 더 많이 배우고 싶어 하는 직원이 많다. 따라서 기업의 리더는 전사적 차원에서 팀원들이 새로운 기술을 배울 수 있는 다양한 방법을 제공해야 한다. 포레스터의 조사에서 응답자의 64%가 교육 부족으로 인해 조직에서 머신러닝 도입이 늦어지고 있다는 데 동의했다. 이때는 숙련된 직원이 젊은 인재를 멘토링하도록 장려하도록 해야 한다.

성공 측정 및 축하

머신러닝의 민주화는 데이터 기반 의사 결정을 조직 전체에 확산하기 위한 강력한 방법이다. 하지만 민주화 활동의 성공을 평가하고, 개선이 필요한 영역을 부단히 개선해야 한다는 걸 잊어서는 안 된다. 리더는 머신러닝의 민주화가 성공했는지를 정량화해 알아보기 위해서 플랫폼을 통해 어떤 데이터 기반 의사 결정이 신규 고객 확보나 추가 수익 같은 측정 가능한 비즈니스 결과를 가져왔는지 분석해 봐야 한다. 예를 들어, 캐피털 원에서는 이상 사용 징후 탐지 등에 대한 머신러닝의 혁신을 통해 카드 사기를 막아줌으로써 고객이 아낀 금액이 얼마인지를 측정해 봤다.

머신러닝 민주화 프로그램이 성공하기 위해서는 협업적 팀워크와 측정 가능한 책임이 존재해야 한다. 머신러닝 도구의 비즈니스 사용자는 기술팀에 어떤 기능이 더 나은 업무 수행에 도움이 될지 피드백을 제공할 수 있다. 기술팀은 향후 제품 반복을 구축할 때 직면하는 문제를 공유하고 성공에 도움이 되는 교육과 도구를 요청할 수 있다.

기업 리더와 기술팀이 인간 중심의 통합된 머신러닝 비전을 중심으로 협력하면 궁극적으로 최종 고객에게도 혜택이 돌아간다. 기업은 데이터 기반 학습을 고객을 만족시키는 더 나은 제품과 서비스로 전환할 수 있다. 몇 가지 모범 사례를 배포하여 전사적으로 머신러닝을 민주화하면 강력한 데이터 인사이트로 혁신하는 미래 지향적인 조직을 구축하는 데 큰 도움이 될 것이다.

* 이 콘텐츠는 미국 버지니아주에 본사를 둔 금융지주회사 캐피털 원(Capital One)에서 제작한 것입니다. MIT 테크놀로지 리뷰의 편집진이 작성한 게 아닙니다.