AI 기반 비즈니스 인텔리전스

2장. BI에서 의사 결정 인텔리전스까지: AI 프로젝트의 타당성 평가

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

이전 장에서는 ML 기능이 어떻게 비즈니스에 영향을 미칠 수 있는지 알아보았습니다. 그러나 우선순위가 지정된 사용 사례의 로드맵을 작성하고 어떤 사용 사례를 우선적으로 추구할지 정보에 입각한 결정을 내리려면 다른 차원의 기준, 즉 실현 가능성을 고려해야 합니다.

이 장에서는 주어진 AI 사용 사례의 복잡성과 전반적인 실현 가능성을 평가할 수 있도록 ML의 기본 사항에 대해 자세히 살펴봅니다. 데이터, 인프라/아키텍처, 윤리의 세 가지 주요 주제를 바탕으로 실현 가능성을 살펴봅니다. 그 결과, AI 기반 BI 사용 사례 로드맵의 첫 번째 버전을 만들 수 있습니다.

데이터를 최우선으로 생각하기

AI 프로젝트는 기존 BI 프로젝트와는 다른 사고방식이 필요합니다. 대부분의 BI 프로젝트는 표시하려는 메트릭을 정의하고, 데이터 모델을 설계하고, 데이터를 통합하고, 작동하는지 확인하는 등 비교적 간단한 방식으로 수행되며, 종종 전통적인 폭포수 모델을 따릅니다(종종 충분히 어렵습니다). 필요한 경우 반복합니다. 작업이 완료되었습니다.

AI 프로젝트의 가장 큰 차이점은 이상적인 상황에서도 결과가 매우 불확실하다는 점입니다. 실제 데이터로 테스트하기 전까지는 AI 모델이 우리 데이터와 잘 작동하고 가치를 제공할 만큼 충분한지 알 수 없습니다.

이러한 이유로, 그림 2-1에서 볼 수 있듯이, 일반적으로 인공지능 프로젝트( )는 데이터 마이닝을 위한 산업 간 표준 프로세스(CRISP-DM)와 같은 Agile과 유사한 프로젝트 프레임워크( )에서 더 짧은 반복 주기를 여러 번 반복해야 합니다. 예를 들어, CRISP-DM은 보유한 데이터를 고려할 때 해결할 가치가 있고 해결 가능성이 있는 비즈니스 문제를 찾을 때까지 비즈니스 이해 단계와 데이터 이해 단계를 반복할 것을 제안합니다. 마찬가지로, 처음에는 데이터가 좋아 보이지만 충분히 좋은 모델을 개발할 수 없는 경우 평가 단계에 이르러서야 깨닫게 될 수도 있습니다. 이때는 비즈니스 이해 단계로 돌아가 문제 진술을 다시 작성해야 합니다.

그림 2-1. CRISP-DM 모델. 출처: 위키미디어 커먼즈

AI 프로젝트에 접근하고 ROI를 달성하는 일반적인 방법은 먼저 최소한의 실행 가능한 솔루션 또는 프로토타입을 개발하고, 프로토타입을 검증한 후에야 대규모 프로젝트를 시작하는 것입니다. 이 주제에 대해서는 4장에서 자세히 설명합니다.

하지만 프로토타입을 제작하기 전에도 특정 작업을 수행할 수 있습니다. 해결하고자 하는 문제와 이를 위해 어떤 데이터를 사용할지 생각해 보세요. 이 단계에서는 아직 데이터베이스나 데이터 형식과 같은 기술적 ...