데이터메이커는 MLOps 플랫폼 '데이터메이커 시냅스'를 활용, 올해 40여 개 이상의 기업에 AI 도입과 최적화를 도운 회사다. 데이터메이커의 이에녹 대표를 만나 AI를 성공적으로 도입할 수 있는 방법에 대해 들어봤다.
AI 프로젝트가 실사업으로 이어지는 비율이 낮다. 그 이유는. ▶ AI 도입 상용화에 실패하는 가장 큰 이유는 모델 개발 프로세스에 대한 통합적인 이해 부족이다. AI 모델을 도입하기 위해선 데이터셋 관리가 선행돼야 한다. 이후 정교한 학습용 데이터 구축과 반복적인 모델 학습 및 배포로 이뤄지는 선순환이 지속돼야 한다. 모든 과정에 대한 밀도 높은 이해 없이 데이터 구축 혹은 모델 오픈소스 도입을 시도할 경우 AI 도입에 어려움을 겪을 수밖에 없다.
기업들이 성공적으로 AI를 도입하기 위해선. ▶ AI 도입에 대한 명확한 목표를 수립하고 학습에 활용할 데이터부터 모델 개발과 적용까지 모든 과정을 체계적으로 관리할 수 있어야 한다. 이때 단계별 과정을 각기 다른 환경에서 운영하면 전체 관리 또한 더 어려워질 수밖에 없다. 이 같은 문제를 해소할 수 있는 솔루션이 MLOps 기술이다. MLOps를 통해 데이터셋 구축, 라벨링, AI 모델, 서버 통합·연동을 포괄적으로 관리할 수 있다. 모든 과정은 하나의 플랫폼에서 지원한다. 데이터메이커도 MLOps 플랫폼을 제공 중이다. 로우 코드 및 노 코드 기술을 기반으로 비개발자도 쉽게 데이터 구축부터 모델 학습 및 관리까지 수행할 수 있어 AI 도입을 성공적으로 이끈다.
MLOps 플랫폼을 통해 AI 모델을 도입한 대표적인 사례는. ▶ 의료, 제조, 건설, 국방 등 다양한 산업 분야에서 AI 모델을 도입한 사례가 있다. 대표적인 예로 수술 전 계획을 더 명확하고 빠르게 판단하기 위해 CT(컴퓨터단층촬영) 데이터에서 연골을 식별하는 AI 모델을 개발한 케이스가 있다. 해당 병원은 AI 모델을 도입해 진료 서비스를 개선하고자 했다. 개인정보가 포함된 데이터이다 보니 보안망에서 활용 가능한 '데이터메이커 시냅스'를 통해 데이터셋 구축부터 AI 모델 학습을 거쳐 진료 서비스 상용화에 성공한 바 있다.
특히 의료 분야에서 MLOps가 필요한 이유는. ▶ 의료 데이터는 양이 매우 방대하고 복잡하다. 개인정보가 포함돼 있어 보안도 철저해야 한다. 게다가 데이터 라벨링 시 의학 지식 및 높은 전문성이 요구돼 데이터 구축에 큰 병목 현상이 있다. 모델 개발을 외주로 맡기는 경우 원천 기술 확보가 어렵고 지속적인 사용료가 발생한다. 반면 데이터메이커 플랫폼은 자동 라벨링 엔진을 통해 의료진이 직접 데이터를 구축해도 효율성이 높아 비용과 시간을 절감할 수 있다. 또 노 코드 기술로 AI 비전문가도 모델 개발이 가능하고 해당 모델과 원천 기술은 병원이 소유할 수 있다. 당사는 이미 대학병원급 계약 체결 외 다수의 의료 관련 협회에 가입해 의료 분야 네트워크를 지속 확장 중이다.
기업들의 AI 도입·활용에 있어 준비해야 할 사항은. ▶ AI를 성공적으로 도입하고 활용하기 위해선 체계적인 계획과 준비가 필요하다. 당사는 AI 모델의 실사업 적용률을 높이고 더 많은 사업에서 AI 모델을 응용할 수 있도록 체계적인 계획 수립과 실험을 돕고자 한다. 이를 위해 AI 모델 개발의 제일 첫 단계인 데이터 라벨링 비용을 세계 최저 수준으로 책정해 기업들의 비용적인 부담을 줄이고 있다. 또 AI 모델 개발 프로세스를 단순화하고 자동화해 누구나 쉽게 AI 모델을 개발할 수 있도록 했다.