최고 경험 책임자부터 콘텐츠 마케팅 책임자, 브랜드 관리자까지 디지털 마케팅 역할이 발전하고 있다. 마케팅의 미래를 맞이할 7가지 직업을 살펴본다. 2020년에 인기 있을 디지털 마케팅 직종은 무엇이며 어떤 자격증이 이들 디지털 마케팅 직종으로 취업하는 데 도움이 될 수 있을까? 이 질문에 대한 답을 찾고자 <CIO>는 몬도(Mondo)와 더크리에이티브그룹(The Creative Group) 등 채용 전문 회사의 최신 연구 결과를 살펴보았다. 또한 몬스터(Monster), 글래스도어(Glassdoor), 인디드(Indeed), 페이스케일(PayScale), 집리크루터(ZipRecruiter), 샐러리닷컴(Salary.com) 및 기타 급여 데이터 자료를 확인했다.  <CIO>는 조사 결과를 바탕으로 2020년 이후에도 인기 있을 7가지 디지털 마케팅 직종 가이드를 만들었다. 이 직종이 왜 인기 있을까? 이 직종의 연봉은 어느 정도일까? 이 직종으로 취업하려면 어떠한 자격증 또는 학습 과정이 도움이 될까? 여기에서는 연봉이 낮은 디지털 마케팅 직종부터 높은 직종까지 소개한다. 이 직종의 순위는 각 직종에 관해 찾은 최고 평균 연봉을 기준으로 한다. 일부 직종은 다른 이름으로 불릴 수 있다. 예를 들어 어떤 조직에서는 브랜드 마케팅 담당자가 브랜드 관리자와 동일한 역할을 할 수 있다. 따라서 특정 직종에 대해 구직 사이트에서 검색할 때는 해당 직종과 유사한 검색어를 사용하는 것이 좋다. 또한 디지털 마케팅 일자리 중 일부는 비교적 새로운 직종이기 때문에 급여 데이터를 찾지 못한 경우도 있다. 7. 마케팅 자동화 전문가 주로 하는 일 : 마케팅 자동화 전문가는 마케팅 목표, 조직에 대한 중요성, 최상의 결과를 달성하는 방법을 이해해야 한다. 동시에 마케팅 자동화 프로세스 및 워크플로우를 정의하고 실행하며 여러 옴니채널 캠페인을 다루고 원시 데이터에서 통찰을 얻어 마케팅 의사 결정에 반영하도록 돕는다. 연봉 : <CIO>가 찾은 가장 높은 평균 연봉은 7만 936달러(몬스터)다. 몬도의 2019년 연봉 가이드에는 8만 5,000~13만 달러 구간으로 나타난다. 도움 될 만한 교육 과정 및 인증 : 허브스폿(HubSpot) 인바운드 마케팅 인증(무료)은 공급 업체에 구애받지 않으며 마케팅 자동화에 적용할 수 있는 기본 사항을 제공한다. 겟리스펀스(GetResponse)의 마케팅 자동화 과정 및 인증은 좀더 집중적인 과정으로 199달러다. 마케토 서티파이드 어소시에이트(Marketo Certified Associate, 95달러)와 마케토 서티파이드 엑스퍼트(Marketo Certified Expert, 225달러)를 취득하면 마케토 고객사에 취업할 경우 고용주에게 좋은 인상을 줄 수 있다. 세일즈포스 서티파이드 파닷 스페셜리스트(Salesforce Certified Pardot Specialist) 과정(200달러) 및 인증은 세일즈포스의 파닷 플랫폼을 통해 마케팅 워크플로를 설계∙구축∙구현하는 기술력을 갖춘 마케팅 담당자를 위해 고안됐다. 6. 콘텐츠 전략가 주로 하는 일 : 콘텐츠 전략가는 SEO, 소셜미디어, 잠재 고객 페르소나, 콘텐츠 제작, 편집, 홍보 등 관련 콘텐츠 마케팅 기술을 보유한 인바운드 마케팅 담당자다. 콘텐츠 전략가는 고용주의 마케팅 목표에 맞는 완벽한 콘텐츠 전략을 만들고 관리한다. 연봉 : 구글에서 찾은 최고 평균 기본 급여는 7만 4,455달러(글래스도어)다. 샐러리닷컴의 구간은 6만 737~8만 2,027달러다. 도움 될 만한 교육 과정 및 인증 : 노스웨스턴대학교의 전문가 과정은 온라인 과정을 통해 대학원 학위를 가진 사람들에게 콘텐츠 전략 인증 프로그램을 제공한다. 교육 과정 당 수업료는 2,509달러다. 허브스폿의 콘텐츠 마케팅 내용 배우기 및 수행 방법(무료) 또는 콘텐츠 마케팅 인스티튜트의 콘텐츠 마케팅 유니버시티(995달러) 등은 비용이 적게 들면서 매력적인 옵션을 사용할 수 있으며 6주 동안의 다양한 주제를 다룬다. 기본 사항을 배우거나 연마하는 데 도움이 필요한 경우 허브스폿 콘텐츠 마케팅 과정 및 인증(무료)을 참고하라. 카피플로거(Copyblogger)의 콘텐츠 마케터 인증 프로그램도 생각해볼 만하다(연간 회비 399달러, 인증 프로그램은 495달러). 이밖에 구글 웹 로그 분석 인증(무료)도 있다. 5. 브랜드 관리자 주로 하는 일 : 데이터와 결합된 스토리텔링을 통해 브랜드 관리자는 진정성에 기반을 둔 고유한 조직 정체성을 만든다. 목표는 고객에게 긍정적인 영향을 미치고 설득하며 신뢰를 얻고 구매하도록 장려하는 것이다. 연봉 : <CIO>가 찾은 최고 급여는 9만 4,173달러(글래스도어)다. 집리크루터에서는 평균 8만 1,534달러로 이보다 낮지만, 구간은 2만 4,500~14만 5,500달러다. 도움 될 만한 교육 과정 및 인증 : IE 비즈니스 스쿨(IE Business School)에서 ‘브랜딩 : 창의적 여정 전문화(비공개 수업)’라는 5개월 과정을 제공하지만, 브랜드 관리자를 위한 온라인 교육 과정 및 인증은 거의 없다. 2번 콘텐츠 전략가를 위한 교육 과정 및 인증을 참조하라. 4. 콘텐츠 마케팅 디렉터 주로 하는 일 : 콘텐츠 마케팅 디렉터의 임무는 PR, 소셜 및 SEO의 다양한 콘텐츠 사일로를 잘라 내고 각각의 목표를 좀더 깊이 있게 비전에 맞추는 것이다. 또한 콘텐츠 마케팅 디렉터는 전략적 비즈니스 모델로서 콘텐츠의 사명을 옹호해야 한다. 이는 일부 C-레벨 임원이 콘텐츠 마케팅의 가치에 대해 확신을 갖지 못하는 데 어려움이 있다. 연봉 : 글래스도어의 평균 급여는 11만 9,750달러지만 브랜드 및 콘텐츠 마케팅 디렉터의 샐러리닷컴의 평균 구간은 15만 3,000~19만 3,700달러로 훨씬 높다. 도움 될 만한 교육 과정 및 인증 : 콘텐츠 전략가를 위한 과정 및 인증 이외에도 중간 및 고급 마케팅 담당자를 위해 설계된 디지털 마케터의 콘텐츠 마케팅 마스터리(Mastery) 과정 및 인증(495달러)을 고려할 수 있다. 3. 그로스 마케팅 디렉터 주로 하는 일 : 디지털 마케팅 인재 대행사 마켓프로(MarketPro)에 따르면 이 업무는 마케팅 전문 지식과 제품 관리 및 많은 엔지니어링 기술을 통합한 것이다. 필요한 기술 중에는 수요 창출, 계정 기반 마케팅, 데이터 및 분석, 마케팅 자동화, SEO, 브랜드 스토리텔링 경험이 있다. 연봉 : 글래스도어에 따르면 평균 연봉은 11만 9,750달러며 구간은 7만 9,000~14만 8,000달러다. 한편 샐러리닷컴에 따르면 그로스 마케팅 관리자는 평균 5만 9,709~7만 9,938달러의 수입을 올린다. 도움 될 만한 교육 과정 및 인증 : 콘텐츠 전략가(목록에서 2위) 및 콘텐츠 마케팅 책임자(목록에서 4위) 인증은 물론 CXL 인스티튜트의 그로스 마케팅 미니디그리(1회에 699달러 또는 월 199달러)가 있다. 2. 최고 경험 책임자 더크리에이티브그룹의 2020년 급여 가이드에서 크리에이티브 및 마케팅 전문가를 위한 6대 일자리 중 하나인 CxO(Chief Experience Officer)가 부상하는 것으로 나타났다. 주로 하는 일 : CxO는 고객 여정 및 수명주기에 대한 깊은 이해가 있어야 한다. 고객 여정을 개선하기 위해 기술을 활용하는 방법에 정통해야 한다. CIO 및 CMO와 협력하여 회사의 목표를 충족하는 최고의 고객 경험을 제공한다. 연봉 : 로버트하프에 따르면 최고 평균은 16만 5,000달러다. 그러나 샐러리닷컴의 급여 구간은 16만 8,830~26만 8,775달러다. 도움 될 만한 교육 과정 및 인증 : 최고 경험 책임자와 관련해서는 경력이 어떠한 자격증보다 훨씬 더 많이 요구된다. <CIO>는 구글 검색에서 이 직종과 관련한 교육 과정 및 인증을 발견하지 못했다. 1. 마케팅 분석 관리자 주로 하는 일 : 마테크 어드바이저에 따르면 필수 기술력에는 성공적인 마케팅 이니셔티브를 주도하는 풍부한 데이터 보고서 제공, 정형 데이터와 비정형 데이터의 균형을 맞추는 요령, 강력한 스토리텔링 기술 등의 역량이 포함된다. 연봉 : 글래스도어에서 마케팅 분석 관리자의 평균 연봉은 17만 3,850달러고, 구간은 2만 6,000~19만 2,000달러다. 더크리에이티브그룹의 2020 연봉 가이드에서는 8만 4,250~13만 500달러의 구간을 보여준다. 샐러리닷컴에서는 9만 668~12만 2,543달러다. 도움 될 만한 교육 과정 및 인증 : 캘리포니아대학교 버클리캠퍼스(896달러), 컬럼비아 대학(340달러), 와튼(585달러) 등 여러 대학에서 마케팅 분석에 관한 온라인 과정과 인증을 제공한다.
Tags CIO 마케토 디지털콘텐츠마케팅 더크리에이티브그룹 마테크 고객경험 마케터 글래스도어 채용 고용 연봉 cx CMO 세일즈포스 SEO 자격증 취업 몬도 Sponsored
Cognet9 AI 매니지드 서비스, 그리고 플랫폼ⓒ Getty Images Bank 기업은 AI 프로젝트를 운영할 때 목표했던 성과를 도출하기 위해 전력을 다한다. 하지만 노력에 비해 프로덕션에서 운영하는 케이스가 적거나 제대로 된 성과를 얻지 못할 때가 있다. 이렇게 되면 ROI 측면에서 손해는 매우 커진다. 컴퓨팅 자원, 인력, 시간 등 소중한 기업 자산은 낭비되고, 개발 환경을 구축해 모델을 구현하고, 훈련용 자원과 데이터를 확보하는 데 들어간 리소스는 의미가 없어진다. 그렇다면 AI 프로젝트가 성공적인 프로덕션 수준으로 이어지고 비즈니스 성과를 제대로 만들려면 무엇을 개선해야 할까? 이 질문에 대한 답은 ‘AI 매니지드 서비스와 플랫폼’에서 찾을 수 있다. ‘AI 매니지드 서비스’란 무엇인가 클라우드 매니지드 서비스(Cloud Managed Service)는 들어봤어도, AI 매니지드 서비스(AI Managed Service)는 생소한 사용자가 꽤 있을 것이다. 클라우드 매니지드 서비스는 전통적인 온프레미스 시스템을 클라우드로 이전하면서 겪는 어려움을 해결하기 위해 등장했다. 클라우드 수요가 늘다 보니 이를 관리하는 전문 기술이 클라우드 매니지드 서비스 형태로 나타난 셈이다. ‘사례로 살펴보는 AI 역량 내재화가 어려운 이유’ 기사에서 소개한 것처럼 기업의 AI 도입 과정은 클라우드 도입 과정과는 또 다른 방면으로 복잡하고 어렵다. 다시 말해 AI를 도입하기 위해서는 다음과 같은 요소를 세심하게 따져봐야 한다. 기업 내 어느 비즈니스 영역에 AI를 도입할 예정인가 도입했을 때 비즈니스 효과를 제대로 얻을 수 있는가 선정한 과제를 어떤 서비스 형태로 기획할 것인가 서비스를 구현할 때 필요한 최적의 AI 기술과 솔루션은 무엇인가 AI 학습을 위한 데이터는 어떻게 준비할 것인가 기존 내부 시스템(레거시)과 어떻게 연계할 것인가 정해진 시간 내에 빠르게 구축할 수 있는가 안정적으로 서비스를 오픈하고 운영까지 진행할 수 있는가 기업을 대신해 위와 같은 요소를 처음부터 끝까지(End-to-End) 알아서 처리해주는 것이 바로 ‘AI 매니지드 서비스’다. 모든 요소를 대신해줄 뿐만 아니라, 특정 요소에 대해서만 도움을 받을 수도 있다. 따라서 기업은 모든 AI 역량을 내재화할 필요 없이 다양한 경험과 전문성을 지닌 AI 매니지드 서비스 전문 업체와 파트너십을 맺으면서, 원하는 결과를 보다 효율적으로 도출할 수 있다. AI를 도입하다 보면, 과제 선정이 완료된 후 학습 데이터를 준비하고, 서비스를 구현 및 운영하는 영역까지 모두 유기적으로 연결되어야 한다는 것을 알 수 있다. 따라서 AI 매니지드 서비스도 그런 광범위한 기술 영역을 수용하는 플랫폼이 있어야 한다. 솔루션이나 시스템별로 서비스가 따로 지원된다면 진정한 AI 매니지드 서비스라고 볼 수 없다. 성공적인 AI 도입을 위한 필수 요소, AI 매니지드 서비스 ‘플랫폼’ AI 매니지드 서비스 플랫폼을 이용하면, 데이터 과학자, 모델러, 아키텍트, 개발자 등 AI 프로젝트를 진행하는 데 필요한 인력을 최소로 유지하면서, 서비스를 구축하고 안정적인 운영을 지속할 수 있다. 코그넷나인(Cognet9)은 수년간 다양한 AI 프로젝트로 쌓은 경험과 전문성을 바탕으로 AI 매니지드 서비스를 제공하고 있다. 2022년 4월에는 AI 매니지드 서비스 플랫폼인 ‘플러그넷(Plugnet)’을 출시했다. AI 도입 과정은 크게 1) AI 도입 과제 선정 및 타당성 입증, 2) 서비스 설계 및 학습 데이터 준비 및 관리, 3) AI 서비스 구현(애플리케이션 개발), 4) AI 운영 관리 등 총 4단계로 정의할 수 있다. 도입 과제 선정과 타당성 입증은 별도의 비즈니스 가치 평가(Business Value Assessment) 방법론에 따라 진행하고, 서비스 설계와 운영 관리 단계는 관련 툴이나 솔루션을 사용한다. 그럼 서비스 설계 단계부터 살펴보자. 서비스 설계를 위해 AI 아키텍트는 서비스에 필요한 유스 케이스별 아키텍처를 수립한다. 이를 위해 유사한 아키텍처를 참조하고 분석해 새로운 아키텍처를 수립하고 세부 사항을 설계한다. 이런 과정은 서비스 구현의 근간이 되기 때문에 설계 후 사전 검증까지 완료하는 데 시간이 오래 걸린다. 실제 현장에서는 경험과 전문성을 갖춘 아키텍트가 부족하기 때문에 대부분이 외부 전문가의 도움을 받는다. 플러그넷은 AI 마켓플레이스를 통해 사전에 검증되고 정의된 다양한 AI 서비스 아키텍처를 제공한다. 이를 활용하면 새롭게 구축할 서비스를 위한 아키텍처를 빠르고 간편하게 수립할 수 있을 뿐만 아니라 공통 업무 분야에서 재사용이 가능해 동일한 작업을 여러 팀에서 각각 따로 할 필요가 없어진다. 코그넷나인의 AI 매니지드 서비스 플랫폼 구조 ⓒ 코그넷나인 설계가 끝났다면 학습 데이터를 준비하고 관리해야 한다. AI에 필요한 데이터는 레거시 시스템, 데이터 레이크, 외부 데이터 등 다양한 원천에서 수집되고 학습 가능한 형태로 가공된다. 동시에 지속적으로 공급돼야 한다. 이런 작업은 워낙 복잡하고 손이 많이 가다 보니, 자칫 효율성이 떨어진다는 문제에 직면할 수 있다. 지속 가능한 방식으로 학습 데이터를 처리하고 자동 공급(feeding)하려면 파이프라인이 필요한데, 이를 위한 플랫폼이 없다면 같은 작업을 매번 반복해야 한다. 플러그넷은 데이터 관리 체계를 지원한다. 다시 말해 데이터 수집, 정제, 가공(라벨링)에 걸친 학습 데이터셋 구축 과정을 전담 데이터 팀 없이 플러그넷으로 관리할 수 있다. 특히 서비스 성능을 유지하고 개선하려면 학습 데이터를 지속적으로 제공받는 것이 필요한데, 플러그넷은 ‘AI 학습 데이터 피더(Feeder)’라는 기능으로 준비된 학습 데이터를 지속적으로 제공한다. 또한, 프로젝트 단위가 아니라 전사에서 추진하는 모든 AI 프로젝트가 단일 플랫폼을 이용하여 데이터 수집, 가공, 분석, 활용을 할 수 있게 도와준다. 서비스 구현 과정의 경우 최적의 AI 기술과 솔루션을 찾는 것이 중요하다. AI 매니지드 서비스가 없다면 기업은 직접 기술을 테스트하고 비교하면서 최적의 AI 기술과 솔루션 조합을 선택해야 한다. 또한 서비스를 위해 필요한 AI 모델을 개발하고 학습시켜 배포해야 한다. 배포 후에는 지속적인 반복 학습을 통해 최적화하면서 서비스 성능을 유지하고 개선하는 과정이 필요하다. 프로젝트가 많은 경우 모델과 서비스를 배포하고 형상 관리를 하면서 다양한 도구를 사용하는데, 그 과정에서 관리가 복잡하고 어려워지곤 한다. 플러그넷은 최적의 AI 기술과 솔루션 조합 선정을 위해 표준 어댑터를 제공한다. 기업은 표준 AI 커넥터와 표준 레거시 커넥터를 활용하면서 다양한 AI 기술과 솔루션을 기존 레거시와 연계하여 테스트하고 비교하며, 궁극적으로 최상의 기술 조합을(Best of Breed) 선택할 수 있다. 서비스 배포 후 최신 AI 기술을 적용할 때에도 표준 어댑터를 통해 서비스 애플리케이션의 재개발 없이 손쉽게 기술을 관리할 수 있다. 서비스에 필요한 AI 모델 또한 플랫폼을 통해 직접 서비스와 함께 배포하고 형상 관리를 할 수 있다. 마지막으로 서비스 운영 및 관리 단계를 보자. 보통 부서별로 배포한 모델과 서비스는 담당 부서가 개별적으로 모니터링하고 관리하는 것이 일반적이다. 이런 경우 관리가 복잡하고 어려울 뿐만 아니라 공통적으로 사용 가능한 부분을 따로 이용하면서 비용이 낭비된다. 플러그넷은 관리 화면을 제공하기에 다양한 AI 서비스를 통합 모니터링하고 측정할 수 있다. 현재 사용 중인 다양한 AI 기술, 솔루션, 서비스를 일괄 관리할 수 있는 셈이다. 거기다 중복 비용을 제거해 비용 절감도 가능하다. 핵심 목표에 집중하도록 도와주다 지금까지 살펴본 바와 같이 AI 매니지드 서비스 플랫폼은 AI 도입을 위해 활용하는 여러 오픈 소스 도구와 AI 개발 및 운영 솔루션을 하나의 플랫폼에서 제공한다. 마치 AI 도입을 위한 ‘맥가이버 만능칼’ 같은 역할을 하는 것이다. 서비스 아키텍처 설계, 데이터 플랫폼 기반의 학습 데이터 파이프라인 운영, 개발 환경 구축 및 관리, 그리고 서비스의 안정적 운영과 지속적인 개선 등의 모든 과정은 최소한의 전문 인력과 AI 매니지드 서비스 플랫폼에 맡겨진다. 따라서 기업은 AI 도입에 필요한 인력과 시스템을 갖추기 위해 드는 노력을 줄이고, AI 도입을 왜 하는지, 무엇을 위해 하는지, 비즈니스 목표는 무엇인지, 타당성은 있는지 등에 보다 집중할 수 있다. AI 매니지드 서비스 플랫폼은 AI 도입 후 최신 AI 기술과 솔루션을 추가로 적용하려 할 때도 매우 유용하다. 대대적인 시스템이나 애플리케이션 개편 없이 플랫폼에서 제공하는 AI 표준 어댑터로 손쉽게 교체가 가능하기 때문이다. AI 기술 수준을 최신으로 유지하려면 개발부터 시스템 고도화까지 복잡하고 어려운 과정을 겪는데, AI 매니지드 서비스 플랫폼은 그 안에서 소요되는 시간과 비용을 줄여준다. 규모와 산업에 관계없이 앞으로 기업은 AI를 보다 활발하게 도입할 가능성이 크다. 반면 여전히 시장에서 AI 전문 인력은 그 수요를 충족하기에 턱없이 부족한 상황이다. 설령 지금부터 전문 인력을 양성한다 해도 현업에서 그 역량을 발휘하게 되기까지 많은 시간이 걸린다. 시장에서 살아남기 위해 기업은 마냥 기다릴 수 없다. AI 도입을 통해 시장 경쟁력을 확보하고 성장 동력을 지속적으로 가져가고자 하는 기업에게 AI 매니지드 서비스와 AI 매니지드 서비스 플랫폼은 우선 선택사항이 될 것이다.
Cognet9 사례로 살펴보는 AI 역량 내재화가 어려운 이유ⓒ Getty Images Bank 최근 많은 기업이 경쟁이라도 하듯이 인공지능(AI) 이니셔티브를 발표하고 있다. 디지털 전환의 핵심을 AI로 보고, 새로운 비즈니스 기회를 만들고 고객 경험을 높이는데 AI를 활용하는 것이다. 물론 이렇게 전사적으로 AI를 앞세우는 것을 보고 우려를 표하는 이들도 있다. 왜 그럴까? AI 프로젝트는 단순히 전략을 마련하고 투자를 강화한다고 성공하는 영역이 아니기 때문이다. 특히 업계 전문가들은 ‘AI 프로젝트 중 상당수가 연구 단계를 넘어 프로덕션 수준까지 이어지지 못한다’라는 점을 가장 큰 문제로 지적한다. AI 프로젝트 대부분이 실패하는 이유는 현장을 보면 알 수 있다. 사람, 프로세스, 기술이라는 문제 AI 프로젝트가 원활하게 진행되려면 사람, 프로세스, 기술에 대한 경험, 인프라 및 플랫폼이 필요하다. 이 중 어느 한 요소라도 빠지면 안 되며, 모든 요소가 조화를 이루어야 한다. 문제는 사람, 프로세스, 기술은 의지와 예산이 있다고 바로 내재화할 수 있는 역량이 아니란 점이다. 먼저 사람 즉, 전문 인력부터 살펴보자. AI 프로젝트를 시작하려면 기업은 내부에 AI 전문가가 얼마나 있는지 확인해야 한다. 가령 GPU 클러스터 및 고속 병렬 파일시스템 기반 스토리지를 구축해 운영할 수 있는 인프라 담당자가 있는가? AI 및 머신러닝 모델 훈련과 추론을 위해 데이터 파이프라인을 구축하고 지원할 데이터 전문가가 있는가? 모델을 개발하고 최적화하여 애플리케이션에 적용할 개발자가 충분히 있는가? 이런 요소를 따지다 보면 기업은 필요한 인력 대부분을 새로 충원해야 한다는 것을 깨닫는다. 그렇다고 인력 없이 바로 AI 프로젝트를 진행할 수는 없다. 경험이 풍부한 전문가가 없다면, 다음과 같은 문제를 마주칠 것이다. “A 기업은 자연스러운 인공지능 챗봇을 구현하기 위해 자연어 처리(NLP)를 담당하는 AI 팀을 구성하고 자체적으로 AI 엔진을 구축했다. 이후 실제 비즈니스 환경에 엔진을 적용하려고 보니 참조 아키텍처와 운영환경 등을 갖추는 것이 필요했다. 하지만 AI 팀이 자체적으로 아키텍처를 구현하고 운영 환경을 만들어 가는 것은 현실적으로 어려웠다. 해당 분야의 내부 전문가가 부재했기 때문이다. 상용화 제품을 만들어 주는 AI 솔루션 업체와 협력을 할까 고민했지만 그렇게 하면 기존에 만든 엔진은 쓸 수 없었다. 거기다 비용을 들여 솔루션을 구매해야 한다는 점도 큰 문제였다. A 기업은 자체 구축한 AI 엔진을 활용해 서비스를 만들고 운영할 방안이 절실했다.” 이번에는 프로세스를 알아보자. 프로세스는 비즈니스와 의사결정 및 협업, 이 두 가지로 나누어 살펴볼 수 있다. 기업의 AI 이니셔티브가 성공하려면, 기존 비즈니스 로직과 먼저 결합돼야 한다. 즉, 기업의 비즈니스 프로세스 그리고 해당 프로세스에 맞춰 흐르는 데이터를 AI와 연결 지어야 한다. 흔히 AI 프로젝트 계획을 수립할 때, 데이터 세트가 충분하다고 생각하지만 막상 뚜껑을 열어 보면 AI 모델 훈련과 추론에 필요한 데이터가 턱없이 부족할 때가 많다. 이런 경우 십중팔구 AI 데이터 파이프라인 구축을 위한 내부 시스템이 제대로 연계되어 있지 않다. 의사결정 및 협업 프로세스 문제는 보통 COE(Center of Excellence) 같이 중앙에서 투자와 프로젝트를 관리하는 조직이 없어 생긴다. 일종의 사각지대가 발생한 건데, 이런 경우 중복 투자가 발생해 자원이 낭비되고, 기껏 투자한 AI 시스템이 사일로화되기도 한다. 구체적으로 프로세스상의 문제가 있으면 다음과 같은 상황이 생긴다. “B 기업은 현업 주도하에 AI를 비즈니스에 적용하려 했지만 복잡한 비즈니스 프로세스, 즉 수많은 인터페이스와 다양한 데이터 흐름 때문에 서비스 구축에 어려움을 겪고 있다. 또한 도입 과정에서 살펴보니 이곳저곳 중복되거나 사일로화된 AI 솔루션과 시스템이 상당했다. 현업 부서에서 서로 다른 시스템을 두고 있고, 관리 부서는 제각각이었다. B 기업은 레거시 시스템을 쉽게 연동하는 한편 다양한 AI 서비스, 사용 사례, 데이터 수집 및 가공을 통합하고 관리할 방안을 모색하고 있다.” AI 기술은 비즈니스와 기술 측면에서 각각 생각해 볼 수 있다. 먼저 비즈니스 절차 측면에서 AI 이니셔티브 수립은 IT 부서만 주도한다고 다 되는 것은 아니다. 임원, 실무 담당자, IT 팀까지 모두 힘을 모아야 제대로 된 이니셔티브를 수립할 수 있다. 하지만 다양한 부서가 업무를 협의하고 의견을 취합하는 그런 이상적인 협업 문화를 갖춘 기업은 사실상 많이 없다. 기술 측면에서 기업은 최적의 AI 기술과 솔루션을 선정하고, 다양한 레거시 시스템과 연계할 수 있는 인터페이스를 개발해야 한다. 또한 실제 서비스 애플리케이션을 구현하고 최적화도 해야 한다. 따라서 다양한 AI 기술, 데이터 통합 관리 기술, 쿠버네티스, ML옵스(MLOps) 등을 다룰 수 있는 능력이 필요하다. 기업 IT 팀 상당수에게 이런 기술은 낯설고 어려운 주제다. 그런 면에서 AI는 새로운 도전 분야다. 인프라, 언어, 프레임워크, 라이브러리, 개발 환경까지 이전과는 다르게 기술을 다룬다. 거기에 기술 발전 속도까지 빠르다. 가령 AI는 관리부터 개발에 이르기까지 오픈 소스 중심으로 혁신이 이뤄진다. 운영자가 ML옵스 플랫폼을 직접 구축하려면 다양한 오픈 소스 기술을 활용해야 한다. 개발 영역 또한 프레임워크, 라이브러리, 도구 등 오픈 소스를 잘 알아야 한다. 오픈 소스 기술 비중이 높으면 그 변화의 속도를 따라가는 데 피로감을 느끼기 쉽다. 상용 솔루션 역시 빠르게 발전하기에 막상 도입 검토, 구현, 안정화를 하고 나면 새로운 기술 트렌드가 나와 있다. 그런 경우, 힘들게 구축한 기술이 어느새 낡은 시스템이 되어 버린다. “C 기업은 데이터 분석 기반 QA 모니터링을 하기 위해 Bi-LSTM(Bidirectional Long Short Term Memory)을 활용한 STT(Speech-to-Text) 솔루션을 도입했다. 문제는 솔루션을 구매해 서비스를 구축한 이후 발생했다. 해당 솔루션을 도입한 지 불과 2년 만에 엔드투엔드 방식의 새로운 STT 솔루션이 출시됐고, 이전 STT 솔루션보다 인식률이 훨씬 더 높아진 것이다. C 기업은 더 좋은 성능의 솔루션으로 교체하고 싶지만, 비용이 부담되는 것은 물론, 이미 기존 솔루션으로 구축된 시스템을 버리고, 새롭게 처음부터 개발하는 부분 때문에 이러지도 저러지도 못하는 상황이다.” 멀고도 먼 내재화의 길 앞서 소개한 사례처럼 AI 이니셔티브를 성공적으로 운영하는 것은 매우 어렵다. 내재화를 고집하면 할수록 성공에서 더 멀어질 수 있다. 즉 내재화를 하다 보면 다음과 같은 요소에 모두 대응해야 한다. AI 역량 내재화 과정에서 고려하는 사항. ⓒ 코그넷나인 그렇다면 어떻게 해야 계획 또는 이미 진행 중인 AI 프로젝트를 프로덕션 수준으로 구현할 수 있을까? 바로 ‘핵심 목표’에 집중해야 한다. 기업은 AI 기술 전문 조직이 아니다. 기업이 집중해야 하는 핵심 목표는 ‘비즈니스 성과를 내기 위해 AI 기술을 어디에 도입할지 결정하고, 도입 후 성과를 낼 수 있을지 그 타당성을 확인하고, 구체적인 AI 서비스를 기획하고 구현하는 것’이다. 핵심 목표와 기술 내재화를 모두 성취할 수 있다면 좋겠지만, 그러기엔 너무 큰 비용, 시간, 노력이 필요하다. 핵심 목표에 우선순위를 두면 프로젝트를 보다 효율적으로 운영할 수 있다. 그리고 내재화는 중장기 과제로 가져가야 한다. 핵심 목표에 집중하기 위해 내재화 외에 당장 선택할 수 있는 대안이 있을까? 다행히 있다. 바로 ‘AI 매니지드 서비스와 플랫폼’이다. 성공적인 AI 도입을 위한 ‘AI 매니지드 서비스, 그리고 플랫폼’ 기사를 통해 AI 매니지드 서비스와 플랫폼의 의미와 특징을 확인해보자. |
마케팅 직업 연봉 - maketing jig-eob yeonbong
저작권 © 2024 ko.paraquee Inc.
