성공적인 인공지능 조직 구성 방법

조직의 구성과 역할이 딥러닝이 활성화 되기 전과 후가 달려졌다. 특정 기업에 사례 기반으로 설명한 내용이기 때문에 기업에 따라 차이가 있을 수 있다. 우선 과거에는 크게 두 개의 조직이 있었다. 데이터 분석가 조직과 데이터 엔지니어링 조직이다. 데이터 분석가 조직은 통계, 수학을 전공학 석,박사들로 구성된 조직으로 어떠한 문제를 해결하기 위해 가설을 세우고, 기업의 샘플 데이터를 이용해 통계적으로 검증하거나 머신러닝을 이용한 모델을 만든다. 이러한 결과를 데이터 엔지니어링 팀에 넘기면 이 팀에서는 실무에 적용할 수 있도록 솔루션을 만들거나 기존 서비스에 반영을 했다.
최근에는 앞의 두 개팀에 추가적으로 외부 인공지능 관련 연수소가 연구원 조직이 추가되었다. 이 조직은 별도의 조직이라기 보다는 앞의 두 팀 중 한 군데 속해서 도와주는 역할을 한다. 이 조직의 역할은 기업의 과제를 해결하는데 도움이 될 만한 인공지능 관련 새로운 논문이나 연구들을 조사하는 것이다. 또한 새로운 기술이나 알고리즘이 나오면 실제 데이터를 이용해 검증해 보는 일도 한다. 기업에서 이런 일만 하는 조직이나 인력을 확보 할 수도 있지만, 비용의 문제와 이러한 일이 지속적으로 필요하지 않기 때문에 필요할 때마다 요청하여 일을 진행하는 것 같다. 연구원 입장에서도 오픈된 데이터가 아닌 실제 기업의 고민거리가 무엇인지 알고 기업의 고사양 컴퓨팅 파워와 데이터를 활용한 연구를 할 수 있고, 커리어에도 좋은 경험이니 서로 좋은 방법인 것 같다. 연구원들이 예를들어 4개의 새로운 알고리즘이나 기술을 찾았다면, 기존 조직의 엔지니어들과 객원 연구원들이 알고리즘을 나눠 모델을 만들어 비교해서 더 우수한 성능을 보여주는 모델을 만들 수 있다.
그럼 기존의 두 조직의 역할은 어떻게 변화였을까? 딥러닝이라는 것이 통계학자들이 주로 사용하는 SAS, SPSS 또는 R에 비하면 프로그래밍 관련 경험이 더 많이 필요하다. 모델을 구현하기 위해서는 JAVA, Scala, Python 들의 프로그램 언어를 이용해야 하기 때문이다. 그래서 딥러닝을 이용한 모델을 개발 시에는 엔지니어링 팀에서 직접 만들고 실무에도 적용 하는 경우가 많다. 그렇다고 분석팀에 역할이 없어지는 것은 아니다. 실무에서 발생하는 모든 문제를 딥러닝으로 해결할 수 없다. 그렇기 때문에 예전과 같은 통계적, 데이터마이닝을 이용한 접근을 할 때는 데이터 분석팀에서 기존과 같은 역할을 하게 된다.

 

특강을 들으며 조직 구성 측면에서 느낀 점은 과거의 인공지능이나 데이터마이닝은 수학, 통계 전문가 위주 였다면, 딥러닝에 대한 인기가 높아지며, Tensorflow, Keras, Pytorch 같은 프레임워크가 나오고부터는 개발자 위주의 분야로 변해가는 것 같다.

 

만약 개인이 인공지능 관련 분야를 생각하고 공부하고 있다면, 어떤 스킬을 주로 익힐지 잘 판단하면서 공부해야 할 것 이다.