Business AI 개론 및 IT 산업 혁신 (1)

KPMG 상무님의 발표에 따르면 디지털 트랜스포메이션의 트렌드는 PI (Process Innovation)에서 DT (Digital Transformation), 그리고 AI로 흘러가고 있다. 컨설턴트는 여러 이해관계자들 간의 관계를 조율하고 프로젝트를 코디네이션하는 역할을 한다. 예를 들어, 메타버스 프로젝트의 경우 관련 하청업체가 개발을 맡고, 각 단계별로 여러 회사가 참여하여 진행한다. 신입사원에게 기대하는 것은 빠르게 배우는 능력이다. 프로젝트에 투입할 때 예산 문제로 인해 모든 인력을 경력직으로만 구성할 수 없기 때문이다.

부성순 선생님의 강의가 시작되었고, 선생님은 이번 과정을 통해서 원하는 분야에 맞춰 포트폴리오를 구체적으로 제작해줄 수 있다고 하셨다. 프로젝트 경험이 중요한 것이 아니라, 실제로 무엇을 해봤고, 그 과정에서 어떤 고민을 했는지가 더 중요하다고 본다고 하셨다. 신입에게는 이 프로젝트를 통해 무엇을 배웠는지, 어려움이 있었다면 어떻게 극복했는지, 앞으로 유사한 프로젝트를 한다면 어떻게 해결할 것인지 등 자기 성찰적인 부분이 중요하다. 결과물 자체보다는 데이터 수집 경험도 중요하게 평가한다. 데이터가 엉망이더라도 이를 다뤄본 경험이 중요하며, 실제로 활용할 데이터를 찾아내는 것이 핵심이라고 한다.

AI 기획이나 데이터 분석, 대기업 공채 준비를 위해 AI 코딩을 통해 포트폴리오를 제작하면 방향성을 빨리 잡을 수 있다고 한다. 디지털 트랜스포메이션(DT)의 전략은 기술을 통해 현업에서 자동화하고 반복적인 업무를 줄이는 것이며, DT는 단순한 기술이 아니라 그 기술을 어떻게 적용하느냐가 중요하다고 강조한다. 사람에게는 창의적 사고력이 필요하며, IT 회사에서는 커뮤니케이션과 협업 능력이 가장 중요하다고 한다.

IT는 하루아침에 배워서 되는 것이 아니며, 꾸준하고 성실하게 버텨야 한다고 한다. 기술적인 부분은 어렵지만, 코드 자체는 상대적으로 쉽다고 덧붙인다. 데이터 분석가는 6개월 만에 되는 것이 아니며, 한 분야에서 데이터를 제대로 이해하려면 많은 경험과 고민이 필요하다고 한다. 공부만 하지 말고 현업에 나가 실제 경험을 쌓아야 한다고 조언하며, 현업에서 직면하게 되는 가장 큰 문제 중 하나는 데이터 전처리 작업이라고 한다. 데이터 전처리에는 정답이 없으며, 형태에 따라 다르게 접근해야 한다. IT에서는 데이터 전처리를 잘하는 사람이 일을 잘하는 사람이라고 하며, 프로그램 설계 시 데이터셋을 적절하게 카테고리화하는 것이 중요하다고 한다. 데이터를 다양한 형태로 변환할 수 있는 능력도 필요하다고 덧붙인다. IT 개발자는 코드를 많이 작성하기보다는 복사해 사용하는 경우가 많으며, 중요한 것은 어떤 코드가 어디에 쓰이는지 아는 것이라고 한다.

데이터 분석은 단순하지 않다. 데이터를 제대로 이해하려면 그 환경을 이해하는 것이 중요하다. 예를 들어, "양평에 왜 아토피 환자가 많을까?"라는 질문에 대해 양평은 서울 근교에서 출퇴근이 용이하여 사람들이 자연 환경이 좋아서 이주했기 때문이지, 공기가 나빠서가 아니다. 또 "꼴등이 학원을 갔는데 성적이 올랐다"라는 사례에서는 학원에 가면서 학교에서 자지 않게 된 것이 성적 향상에 영향을 미친 원인이다. 단순히 숫자로 보는 것이 아니라 근본적인 원인을 파악하는 것이 중요하다. 여성의 사회진출이 늘어난 이유 역시, 출산을 안 할 수 있는 환경이 만들어졌기 때문이라는 구조적 이해가 필요하다.

데이터 분석은 단순히 숫자나 기술적인 면에만 연연하지 않으며, 회사에서 해야 할 일은 이러한 숫자를 바탕으로 다양한 환경적 요인을 고려하는 것이다. 현업에서는 산업 환경과 그 역사에 대한 이해가 필수적이다. 예를 들어, 스타벅스의 메뉴와 유래, 경쟁사 메뉴까지 분석하여 그 속성을 파악하는 것이 필요하다. 숫자로 근거를 제시하고 뉴스 기사나 통계자료를 통해 타당성을 확보해야 한다. 요즘 20대에게 데이터 분석을 요구하는 이유는 "데이터 이해"를 위해서이다. 젊은 세대의 심리를 모르기 때문에 그들의 소비 패턴을 이해하고, 2030세대의 감성을 반영한 분석이 필요하다. 시니어급 매니저들은 새로운 기술을 배우기 어려워 젊은 직원에게 맡기는 경우가 많다.

데이터 분석을 제대로 하기 위해서는 산업 환경에 대한 이해도가 높아야 하며, 프로젝트를 할 때 기술적인 프로젝트가 아니라 경영 프로젝트로 접근하는 것이 좋다. 구글의 Teachable Machine 같은 플랫폼은 AI 기획자들이 데이터를 어떤 형태로 필요로 하는지 고민할 때 유용하다. 예를 들어, 학생의 수업 패턴을 분석하여 집중도를 파악하거나 자리 비움을 확인하는 방법을 설계하는 것이다. IT 기술자들은 정해진 프로세스에 따라 프로그램을 개발하기 때문에, 기획자가 이러한 요구사항을 잘 정리하고 문서화해야 한다.

11월부터는 GPT를 이용한 챗봇 구현 프로젝트를 시작한다. 현업에서 소비자와의 소통을 AI로 자동화하는 방안을 고민하고 있으며, GPT를 통해 포트폴리오를 만들 수 있다. 신입사원에게는 "제대로 한번에 알아듣는 것, 두 번 말하지 않도록 하는 것"이 중요하며, 성실하게 매일 기록하는 습관이 중요하다. GitHub와 같은 협업 소프트웨어에서 꾸준히 작업했음을 나타내는 ‘잔디 심기’가 중요하다. 또한, Kaggle이나 데이콘 같은 경진대회에 참여하여 꾸준히 경험을 쌓는 것도 좋은 평가를 받을 수 있는 방법이다.

기본적으로 IT 개발자에게는 성실성, 기록하는 습관, 그리고 실질적인 협업 능력이 요구된다.

GPT를 포트폴리오에 명확하게 활용해본 경험을 기술하는 것이 좋다. 예를 들어, 한국남부발전에서 GPT를 실제로 활용한 사례가 있다. 회사에서 많이 쓰이는 GPT의 기능으로는 보고서 작성, 요약 자료 작성, 관련 검색어와의 차이가 있어도 관련 내용 검색하기 등이 있다. 업무 효율성, 시간 단축, 비용 절감을 중심으로 GPT의 활용 가치를 설명하는 것이 중요하다.다양한 GPT 모델들이 있으며, 텍스트 위주의 모델, 이미지 생성 모델 등 다양한 용도로 활용된다. GPT를 활용할 때는 기존 업무보다 효율적인지를 설득할 수 있어야 한다.

머신러닝은 데이터 패턴을 학습하여 예측하거나 분류하는 기술을 의미하며, 딥러닝은 이 중에서 인공신경망을 활용하여 더 복잡한 패턴을 학습할 수 있는 기술이다. 이를 통해 보다 정교한 데이터 분석이 가능하다.

Teachable Machine을 활용해 AI 모델을 직접 제작하는 실습을 진행했다.

 

정형 데이터 분석에 필요한 기본 개념으로 산점도, 이상치, 정규분포 등을 학습한다. 그리고 엑셀을 사용해 데이터 분석을 실습한다.

실제 회사에서는 아직 GPT를 많이 사용하지 않지만, 기본적으로 보고서 작성 등에서 효율성을 제공할 수 있다. PPT나 기타 업무 자료를 준비할 때 가장 중요한 것은 상대방의 입장에서 생각하고 설득할 수 있는 방안을 마련하는 것이다.