IoT와 AI, 드디어 실용 단계로 들어서다

0

IoT로 인해 실제 생활의 활동 데이터를 간단히 디지털화할 수 있게 되었다. 모은 대량의 데이터를 분석하는 AI도 급속도로 진화하고 있다. 첨단기술로 새로운 비즈니스 가치를 만들고자 하는 기업에 대해 한 컨설팅 업체가 ‘AI in BI’라는 접근을 제안하고 있다. 이 내용이 ‘IoT와 AI의 실용 단계’라는 측면에서 참조할만하여 여기서 소개한다.

IoT로 기업 활동을 가시화해 의사결정과 생산성 향상에 활용한다

모든 산업 분야에서 디지털화가 진행되고 있고 많은 기업이 공장이나 매장, 제품 등에 IoT를 탑재하고 있다. 단 기업 입장에서 고민스러운 것은 IoT나 AI, 클라우드 등 새로운 기술이 한꺼번에 게다가 빠르게 발전하고 있다는 것이다. 신경을 써야 할 기술이 너무 많아 어디에서부터 손을 대야 할지 혼란스러운 기업도 많다. 그래서일까? 기업의 디지털 활용은 생각보다 진행되지 않은 것처럼 보인다.

속도가 중요한 지금 시대에 회사 내에서의 논의에 시간을 너무 빼앗기면 곤란하다. IoT나 AI는 장벽이 높다고 생각되는 경향이 있지만 센서나 컴퓨팅 파워의 발전과 저가격화에 의해 실제 사용을 위한 장벽은 낮아지고 있다.

예를 들어 매장에서 카메라를 활용하는 경우를 살펴보자. 축적된 방대한 영상이 있더라도 여기에서 무엇인가를 알고자 하면 많은 수고와 시간이 필요하므로 현실적이지 않다고 생각할 것이다. AI를 사용하면 매장방문 고객의 움직임 등을 분석하는 것이 어렵지 않다.

공장의 생산라인을 카메라로 모니터링하고 AI로 분석하면 생산성 저하의 원인이 되는 이상행동 등을 검출할 수 있을 것이다. 또 사무실에서는 로봇이 특정 업무 프로세스를 담당하는 RPA(Robotic Process Automation)의 활용이 시작되고 있다. AI나 RPA 등에 의해 대량 데이터를 간단히 분석해 활용할 수 있는 환경이 갖춰지고 있다.

IoT는 실제 세계를 디지털화하는 수단이기도 하다. 카메라나 각종 센서가 수집하는 IoT 데이터는 기업 활동을 가시화하고 분석 가능한 상태로 만든다. 분석 결과를 활용하는 것으로 의사결정의 품질과 속도가 향상되고 생산성 향상이나 비즈니스 변혁으로 연결된다. 그것이 디지털화의 진정한 목표다.

BI와 IoT를 조합해 새로운 비즈니스 가치를 추구한다

IoT 데이터를 비롯한 빅데이터를 AI로 분석하고 비즈니스 가치를 창출하기 위한 방법론으로 ‘AI in BI’ 접근 방법을 살펴보자.

AI in BI의 개념도

BI(비즈니스 인텔리전스)는 이미 많은 기업에 확대되어 있다. 회계나 구매, 생산관리 같은 여러 시스템에서 데이터를 추출하고 분석/가공하여 기업 활동의 가시화나 의사결정에 포함시키는 것이 BI다. 많은 기업에 BI 툴이 이미 도입되어 있지만 실제로는 간단한 집계 소프트웨어로 이용되고 있는 경우가 적지 않다. 그런 가운데 AI in BI의 개념은 BI를 다른 각도에서 살펴보는 것이다.

현장 정보인 IoT 데이터와 BI가 취급하는 업무 시스템 데이터를 조합하면 새로운 가치를 만드는 길이 열린다. 매장을 예로 들면, 카메라로 고객의 행동 데이터를 확보하고 나서 ID-POS의 데이터와 연결하면 가치 높은 정보가 된다.

예를 들어 ‘A씨가 쥬스X와 빵Y를 구입했다’라는 구매 정보는 ID-POS의 데이터로 파악할 수 있다. 여기에 카메라로 촬영한 행동 데이터를 더하면 ‘A씨는 쥬스와 빵, 과자 코너를 보고 쥬스X와 빵Y를 구입했다’는 것을 알 수 있다. A씨는 과자 코너를 봤지만 그 곳에서는 아무것도 사지 않았다고 하면 과자 진열에 문제가 있을지도 모른다고 추측할 수 있다.

소매점에는 ID-POS가 보급되어 있어 ‘어떤 고객이 언제 무엇을 구입했는지’를 파악할 수 있는 환경은 갖춰졌다. 그러나 매장 내 고객의 움직임, 예를 들어 ‘제품을 살펴봤지만 구입하진 않았다’는 정보는 알기 어려웠다. IoT 데이터를 조합해 AI로 분석하면 좀 더 적절한 현황 파악과 매출이나 수익 향상을 위한 가설 수립 및 검증 등을 고속화할 수 있다. 매장 레이아웃이나 제품 나열, 판촉 등에 대해 확실한 데이터에 기초하여 보다 높은 정밀도로 가설을 세우고 그 결과를 곧바로 확인할 수 있는 것이다.

공장에서도 큰 가능성이 있다. 생산라인의 각 위치에 센서나 카메라를 붙여서 가동 상황을 모니터링하고 AI를 활용해 이상 수치를 검출한다. BI가 취급하는 생산관리 시스템 등의 데이터를 조합하면 데이터의 가치는 더욱 높아진다. 나아가 수율 향상 등의 효과도 실현할 수 있을 것이다.

기업 시스템이 생성하는 데이터와 IoT 데이터는 반드시 같은 장소에 저장되어야 하는 건 아니다. 그것들을 가상적으로 통합하고 AI로 분석해 BI의 기능을 이용해 시각화한다. 이것이 ‘AI in BI’의 개념이다.

기존에는 어떤 과제에 대해 어떤 대책을 세울지가 전문가에게 달려 있었다. 여기에 AI를 도입하면 어떤 대책을 취했을 때 지표가 어떻게 변화했는지를 미리 학습한 후 그 다음 과제에 대한 대안을 제시할 수 있다. 전문가의 영역을 누구나 사용할 수 있는 것으로 바꾸고 또한 그 정밀도를 높일 수 있다.

나아가 RPA(Robotic Process Automation)를 조합하여 보다 높은 생산성 향상을 꾀할 수도 있다. 예를 들면 RPA를 활용하여 분석 결과를 담당자에게 자동배포하고 업무효율을 높일 수도 있다.

데이터 축적, 시제품 실행, AI 활용… 3단계로 진행하는 ‘AI in BI’

‘AI in BI’ 방법은 단계적인 접근을 채용하고 있는데 3가지 단계를 거쳐 비즈니스 가치의 향상을 목표로 한다.

제 1단계에서 주안점이 되는 것은, 카메라나 센서 등을 설치하여 데이터를 축적하는 것이다. 효과가 있으리라 생각되는 곳에 적절한 디바이스를 설치하는 것이 중요하다. 입수 가능한 IoT 데이터, 그것에 의해 가시화할 수 있는 상황 등을 검토하고 행동 지표 및 결과 지표 등을 정의한다. 매장이라면 매출고가 결과 지표가 되는 것이 일반적일 것이다. 그 영향을 주는 행동 지표로는 제품 진열의 변경이나 판촉 활동 등을 생각할 수 있다. 제 1단계에서는 어떠한 행동 지표가 결과 지표의 개선에 효과적일지에 대해 논의하고 가설을 만든다.

제 2단계에서는 가설에 기초한 실행을 수행한다. 어떤 시책을 수립할지에 대해서는, 결과 지표가 어떻게 변화될지 PDCA 사이클을 고속으로 회전시키면서 성공과 실패를 포함해 결과를 파악한다. 이와 동시에 기상조건 등 외부 환경이나 행동 지표와 결과 지표와의 상관관계도 기록한다. ‘시책 a는 A’, ‘시책 b는 B’, ‘시책 c는 C’와 같은 시책과 결과의 상관관계를 AI에게 학습시킨다.

제 3단계에서는 학습된 AI를 활용해 자동으로 모델화를 실시한다. 이로 인해 AI는 성공확률이 높은 시책을 제안할 수 있게 된다. 실제 학습을 축적하는 가운데 AI는 점점 더 고품질의 제안을 할 수 있게 된다.

제 1~3단계를 진행하는 데에서 주의해야 할 점이 몇 가지 있다. 특히 중요한 것이 결과 지표의 정의다. 매장 등에서는 매출 등 알기 쉬운 지표가 있지만, 업종이나 업태, 적용 영역에 따라 결과 지표를 신중하게 검토해야 한다.

또 AI의 효과를 전면적으로 끌어내기까지는 시간이 걸린다. 사내의 이해와 협력을 얻기 위해서는 ‘작은 성과를 쌓고 눈에 보이는 성과를 빨리 주위에 인지’시키는 것도 중요하다.

기업이 취득할 수 있는 데이터는 계속 증가하고 있다. 단위 데이터당 수집/분석 비용도 낮아지고 있다. 이런 가운데 기존 시스템의 데이터와 새롭게 취득하는 IoT 데이터를 어떻게 활용해야 할까? 기업은 데이터 활용을 새롭게 재조명할 필요가 있을 것이다. 거기에 ‘AI in BI’ 개념은 도움이 될지도 모르겠다.

 

 

 

페이스북으로 댓글을 달아주세요!

About Author

월간 app의 프로필 사진

국내 모바일 산업과 창업 생태계를 응원합니다. 모바일 트렌드에 대한 전문 컬럼을 기고하거나 유망한 스타트업을 소개하고 싶으시면 연락바랍니다. 적극 수용하겠습니다~♥

댓글 남기기