AI 조직을 만들고 사업화까지 1부

안녕하세요. 인공지능 연구소를 만들고 사업화 하기까지의 과정을 간단히 정리해 보았습니다.

50인이하 중소기업에서 그리고 디자인 전문회사에서 인공지능 연구소를 설립하고 사업화 하고 가치를 만들어 내고 있는 과정에 대한 글 입니다.

현재 만4년 5년차가 되는 시점이라 많은 일을 겪었기에 나누고 싶은 부분이 많습니다. 

지금도 그렇지만 당시 저희조직에게는 누구도 가이드 될만한 사항이 없었던 점이 있어 실패도 많이 했었습니다. 이글을 통해 현재 저희와 같이 소규모 회사에서 AI조직을 만들고 사업화 하려는 분이 있다면 도움이 되었으면 합니다.

1.인공지능 자체를 이해 하기

인공지능을 내재화 시키기 위한 '인공지능의 본질'을 알아야 했음

디자인 회사에서의 인공지능은 하나의 디자인 '툴'로서 '역할'로 정의

Customer insight 로 방향 설정

솔직히 당시 인공지능 연구소를 설립하는 시점(2016년)에는 인공지능에 대한 지식이 없었습니다. 다만 내재화 해야 앞으로 살아남을 수 있다라는 목표만 가지고 있었습니다.

모든 문제는 Research > Define > Design > Deliver 단계로 해결 될 수 있다라고 확신이 있었기에  저와 기술담당 실장님, 당시 대표님과 리서치를 약 3개월 정도 하였습니다. 나머지 과정은 생략 하겠습니다.

위와 같이 리서치를 시작으로 조직에 맞는 인공지능 분야를 검토한 결과.

디자인 전문회사가 오히려 인공지능 시대에 더 높은 인사이트와 사업기회를 잡을 수 있다라는 결론을 얻을 수 있었습니다.

디자인 회사가 인공지능(딥러닝)을 이용하여 잘 할 수 있고 해야 하는 분야는

시각 인공지능을 활용한 Market Intelligence 였고 해석은 아래와 같았습니다.

[대부분의 AI기술들이 대기업,R&D전문 인력 중심으로 시작 되고 있었다는 점에서 착안]

 [ Market Intelligence : AI,Machine learning의 발달로 Vision 인식기술과 더불어

고객의 이해를 실시간으로 획득 판단할수 있는 시장과 기술이 가능 한 분야 ]

아주쉽게 말해 '디자이너의 감각(고객의 숨겨진 니즈를 매의 눈으로 찾아내는 능력)은 딥러닝 분야에서

시각이미지 기능과 밀접하다 '였습니다.

2.사업방향과 일치되는 인공지능 부서의 비전을 설립하기

방향을 사업적인 해석으로 좀더 구체화 시키는 단계 였습니다.

Customer insight 분야를 선택한 이유는 간단히 말씀 드리자면

100만원에 판매되는 아이폰의 경우 1단계기획, 2단계 개발, 3단계 테스트, 4단계 출시유통, 5단계 마케팅(판촉) 으로 판단 한다면 이중 가장 많은 비용이 소요 되는 단계가 5단계 마케팅 단계 입니다. 약 30~40만원의 비용이 소요 됩니다. AI가 시장에 필요한 부분도 이 단계라고 생각했습니다. 엄청난 규모의 대규모 프로모션 오프라인 행사장에서 과연 광고비용 만큼 고객들이 만족했을까? 광고 타겟팅이 20대 남성 이었는데 정말 20대 남성이 광고에 흥미를 느꼇을까? 라는 점은 광고/마케팅업에서 항상 파악하고 싶어하는 데이터 입니다. 인공지능을 활용한다면 이부분을 쉽게 정량화하고 실시간으로 추적 관찰 할수 있을 것으로 판단하였습니다.

그리고 그 결론은 매우 적합한 판단 이었습니다. 비전을 설립하니 조직이 무엇을 해야 하는지 어떤 역량을 쌓아야 하는지 어떤 조직 문화를 가져야 하는지 명확해 졌습니다.

벌써 4년전 얘기지만 현재 해외,국내 모두 이부분 영역이 핫 합니다.

( 포브스 리테일샵 AI활용 사례 기사 참조 https://www.forbes.com/sites/blakemorgan/2019/03/04/the-20-best-examples-of-using-artificial-intelligence-for-retail-experiences/?sh=585ea2794466 )

위와 같은 배경으로 인공지능 부서의 구체적인 액션 아이템을 다음과 같이 설정 하였습니다.

1. 시각 인공 지능을 이용한 고객 현장에서의 사용자 반응을 관찰하고 실시

2. 실시간 고객의 만족도와 동선을 지속적으로 추적 관찰 리포팅 시스템

3. 수집되는 데이터가 보유엔진의 성능을 올릴 수 있는 Active data flow (선순환구조)환경 구축

3.필요한 인재 만들기

현재도 그렇지만 당시엔 인공지능경력자는 제 주변엔 없었습니다. 비전인식 엔지니어 분들은 있었지만 추구하는 바가 다르기에 영입을 추진하다가 포기 하였습니다.

그래서 시간이 걸리더라도 기존 인력을 인공지능분야로 전환하는 전략으로 변경 하였습니다.

기존 SW인력(백엔드,프론트,퍼플리셔),HW인력,UX디자이너,GUI디자이너 모두 인공지능 개발연구 인력으로 전환하였고 4년이 지난지금 생존률은 25% 입니다.

관련되어 별도 포스팅으로 공유 하겠습니다.

결론적으로 , 인공지능에 적합한 인력은 하기와 같은 인재상으로 구체화 되었습니다.

첫째, 전공분야를 가리지 않는 융합적 사고와 유연성

둘째, 문제를 다방면으로 해결할 수 있는 문제 해결 능력

셋째, 통계/소프트웨어/알고리즘을 이해하고 내재화 할 수 있는 수학/논리 능력

지금도 저희 조직의 인력을 뽑을때 이 세가지를 집중적으로 체크합니다. 신입의 경우 위 3가지를 할 수 있는 가능성을 체크 합니다.

참으로 어려운 분야 입니다. 인사가 만사지만 인공지능은 창의력과 수학적 사고가 같이 병행되어야 하는 부분이라 앞으로도 인력 문제는 난제로 남을 것 같습니다.

그리고 현재 저희 조직원들이 고마울 따름이죠.

4.필요한 역량을 키우기

위의 목표와 방향을 설정하고 이에 따른 인원배치 마지막으로 필요한 역량을 키우는데 까지 1년 6개월여가 걸렸습니다. 짧은 기간은 아니며 실적이 없는 상태로 연구조직을 이끈다는 것은 대표님과 회사의 큰 결단이 없으면 불가능한 일이 었을 겁니다.

이러한 과정에서 유용하게 쓴 업무 프로세스는 두가지였습니다.

1,  Lean process

2, TRL (technology readness level)

위 프로세스는 이미 잘 아시는 분야이니 설명은 스킵 하겠습니다. 다만 위 두가지 프로세스를 업무 중심으로 둔 이유는 아래와 같았습니다.

구성원들 각각 인공지능에 대한 기대치와 본인의 역량에 대한 의구심이 너무 달랐습니다. 

. 예를 들어

'지금 개발한 딥러닝 기능은 특정 상황에서 밖에 작동 안되는데 계속 해야 할지 모르겠어요..'

딥러닝 알고리즘중에 너무 많아서 무엇을 먼저 공부하고 먼저 사용해야 하는지 모르겠어요..' 등의 문제였다.

이를 해결하기 위해 첫 1년은 하기와 같이 결정하였습니다. 처음시작하는 인원들 그리고 적은 수의 인원들로 하기에는 아래와 같은 결정이 잘 된 결정이었다라고 생각됩니다.

Lean : 최소한의 가치가 있는 기능부터 개발하고 평가한다. 2달안에 개발/결과가 도출돼지 못하면 시도하지 않는다.

TRL : 1단계부터 시작하고 다음단계는 생각하지 않는다. 1단계가 끝나면 2단계만 생각한다. 그리고 딥러닝은 최대 4단계까지만 내재화 시킨다. 5단계는 외주나 전문 개발 회사와 협력 한다.

다음 글에서는 이후 사업화 논의와 MOU체결까지의 과정을 설명 드리겠습니다.