AI 프로젝트 관리 방법: POV에서 즉시 실행 가능한 솔루션까지
게시 됨: 2020-03-17AI를 통해 기업이 프로세스를 간소화하고 사전 예방적 솔루션을 제공하는 데 도움 이 되는지 여부에 대한 질문은 디지털 세계에서 답을 얻었습니다.
오늘날 인공 지능이 제공하는 높은 수익과 가치 제공 잠재력을 간과하는 업계는 전 세계적으로 거의 없습니다. 2020년 이후의 유망한 AI 기술 동향 에서 분명히 드러난 선언적 사실입니다 .
이 빠른 채택은 한편으로는 기업과 최종 사용자 모두에게 많은 이점을 제공하지만 다른 한편으로는 매우 원시적인 단계에 있습니다. 즉, 기업은 아직 구체적인 사용 사례를 찾지 못하고 효과를 거두지 못하고 있습니다. 이러한 초기 단계와 이점의 조합으로 인해 AI 프로젝트를 관리하는 방법에 대한 많은 질문이 생겨났습니다 .
AI 프로젝트 관리 솔루션의 중심에 복잡성이 얼마나 큰지 알기 때문에 AI 프로젝트 관리의 복잡성을 이해하는 것이 중요 합니다 .
이 기사에서는 Appinventiv에서 AI 프로젝트 관리 를 수행하는 방법 과 가치 증명(POV)을 효율적인 AI 솔루션 및 서비스 로 성공적으로 전환하기 위해 따라야 하는 단계를 둘러싼 모든 질문과 요소에 답합니다 .
내용의 테이블
- AI 프로젝트는 기존 프로젝트와 어떻게 다른가요?
- AI를 두 개의 뚜렷한 범주로 나누기
- 약간의 우회: AI 프로젝트 성공의 기둥 이해하기
- AI 프로젝트 개발의 과제: AI 프로젝트가 실패하는 이유
- 시간의 질문에 답하기: AI 프로젝트를 관리하는 방법
- AI 프로젝트 관리 단계에 대한 FAQ
AI 프로젝트는 기존 프로젝트와 어떻게 다른가요?
AI 프로젝트 관리 는 기존 모바일 앱 프로젝트 관리와 유사점을 도출할 때 다른 접근 방식을 요구합니다. 즉, AI 프로젝트와 기존 IT 프로젝트의 차이점 은 다양합니다.
기존의 모바일 앱 개발 프로세스 는 지정된 솔루션입니다. 솔루션을 지정하기 어려울 때마다 결과는 불확실하고 위험해집니다. 이 개발 유형은 하향식 프로그래밍에 속합니다.
반대로 AI 프로젝트 의 가치 증명(POV) 의 경우 상향식 접근 방식을 따릅니다. 이 경우 AI는 광범위한 데이터 세트로 작업하는 자체 규칙과 프로세스에서 결론을 도출합니다.
AI 개발 환경은 주기가 성숙함에 따라 여러 기회를 열어주는 경향이 있습니다. 즉, 프로젝트가 완료된 것으로 간주되기 위해서는 여러 단계의 탐색과 적중 및 시도를 거쳐야 합니다. 접근 방식의 결과는 거의 항상 높은 수익 친화적이지만 종종 높은 개발 비용과 연장된 개발 일정으로 이어집니다.
AI 프로젝트를 관리하는 방법을 둘러싼 질문의 마지막 부분은 변경 관리를 애자일 프로세스의 필수 부분으로 만드는 것입니다. AI 프로그램 관리자 가 일반적으로 작업 하는 원칙 은 페일 패스트(fail-fast)입니다. 여기서 아이디어는 개발 프로세스의 후반 단계가 아니라 잘못된 접근 방식의 시작 부분에서 신속하게 탐색하고 바로 실패하는 것입니다.
AI를 두 개의 뚜렷한 범주로 나누기
AI 프로젝트 계획의 첫 번째 부분은 팀이 속한 범주를 이해하는 것으로 시작됩니다. 범주 1은 다른 언어로 언어를 번역하거나 이미지를 단어로 변환하는 것과 같이 본질적으로 일반적인 프로젝트를 다룹니다. 범주 2는 더 복잡합니다. 심장 박동 감지 또는 수면 모니터링과 같은 작업을 처리합니다.
두 가지 범주에는 기존 AI 통합 또는 맞춤형 AI 프로젝트 관리 솔루션 생성이라는 두 가지 별개의 솔루션이 필요합니다 .
기존 인공 지능 솔루션
AI의 포함이 일반화되고 주류가 된 많은 사건이 있습니다. 즉, 엔지니어가 AI를 애플리케이션에 통합 하기만 하면 되는 기성 도구가 있습니다 . 우리 팀이 일반적으로 사용하는 플랫폼에는 Microsoft Azure AI, Google AI Platform 및 Amazon Machine Learning 등이 있습니다.
맞춤형 인공 지능 솔루션
최근 에 사용자의 목소리를 기반으로 건강에 대한 통찰력을 제공 하는 신경망 기반 의료 앱 을 만든 것처럼 복잡한 프로젝트가 진행 중인 경우 맞춤형 AI 솔루션 개발에 의존해야 합니다. 프로세스를 더 쉽게 만들기 위해 Android 11은 기계 학습 앱이 기기에서 원활하게 실행되도록 하기 위한 노력의 일환으로 새로운 Neural Networks API 1.3을 사용할 것입니다.
약간의 우회: AI 프로젝트 성공의 기둥 이해하기
인공 지능과의 여정은 2019년으로 거슬러 올라갑니다. AI 프로젝트 성공의 비결은 사람과 데이터라는 두 가지 기둥에 있다는 것을 이해하는 데 연장된 제공 일정이 걸렸습니다. 두 기둥 이 있을 때만 AI는 고객 경험 을 전체적으로 개선할 수 있습니다.
우리는 기술 전문 지식이 있는지 여부에 관계없이 응용 프로그램이 고수하는 다양한 섹션의 전문가를 모으는 것으로 시작했습니다. AI 시스템을 효율적이고 편향되지 않게 만들기 위해서는 도메인 특정 데이터를 알고리즘에 입력해야 했습니다.
다음 부분인 두 번째 기둥은 데이터였습니다. 데이터가 제대로 저장되지 않거나 완전히 저장되지 않으면 완전히 쓸모가 없습니다. 이제 비즈니스에서 내보내는 두 가지 유형의 데이터가 있습니다. 구조화된 데이터(생년월일, 주소 등)와 구조화되지 않은 데이터(송장, 음성 녹음, 이메일 등)입니다. AI 프로젝트 관리 과정에서 두 데이터 유형을 모두 고려해야 합니다.
데이터가 딥 러닝이나 인공 지능에 사용할 수 있는 데이터가 되려면 거쳐야 하는 특정 단계가 있습니다. 확장 및 엔터프라이즈 클라이언트를 위한 인공 지능(AI) 솔루션을 개발할 때 데이터 엔지니어 팀이 작업하는 것 입니다.
Maslow의 계층 구조 요구 를 기반으로 하는 이 피라미드에서 더 빠른 데이터가 위치를 찾을 수록 AI 프로젝트가 더 빨리 휘젓기 시작하고 엔지니어가 데이터 필터링에 집중하는 대신 모델링 작업을 할 가능성이 커집니다.
탐색 여정의 결과는 무엇이 가치 있는 AI 솔루션을 만드는지 답할 때 마주하게 되는 다양한 문제를 이해하는 것이었 습니다. 가치 증명(POV) 이 최종 시스템에 반영되는 방식으로 AI 프로젝트를 관리 하는 단계를 안내하기 전에 이러한 문제에 대응하겠습니다 .
AI 프로젝트 개발의 과제: AI 프로젝트가 실패하는 이유
AI를 구현할 때 기업이 직면하는 도전 과제 목록을 작성하면 목록이 매우 광범위해질 것입니다. 그러나 가치 증명이 실패 하는 모든 이유의 핵심에는 잘못된 기대와 불충분한 데이터 관리 기능이라는 두 가지 주요 원인이 있습니다. 기업 이 AI로 돈을 버는 데 방해 가 되는 원인 .
잘못된 기대
대부분의 AI 프로젝트는 기대치의 불일치로 인해 현재의 빛을 보지 못하는 경우가 많습니다. 비즈니스에서 인공 지능 문제의 근본 원인은 본질적으로 장기 모드에서 작동하는 기술에 대한 단기 기대치가 높기 때문에 종종 나타납니다.
기업의 AI 기반 솔루션이 다양한 사용자 인식을 충족할 만큼 충분히 정확하다고 가정하는 기업에서 기대치가 잘못 조정된 다음 사례를 볼 수 있습니다. 예를 들어 음악 스트리밍 애플리케이션의 경우 AI가 제안하는 "다음 곡"이 사용자가 해당 장르에 속한다고 믿는 것과 정확히 일치한다고 가정하면 문제 영역입니다. 이것이 바로 기업에서 사용자가 다음에 관심을 가질 만한 제품이나 서비스를 보여줄 때 'may'라는 단어를 자주 사용하는 이유입니다.
비효율적인 데이터 관리
AI는 잘못된 데이터 세트를 기반으로 잘못된 결정을 내리는 경향이 있습니다. AI 프로젝트 관리 솔루션 의 문제 는 데이터가 정확하지 않거나 불완전할 때, 즉 AI 모델에 맞출 준비가 되어 있지 않을 때 나타납니다.
AI 시스템이 예상대로 작동하려면 시스템이 패턴을 학습하고 분석하는 데 사용할 수 있는 정제된 데이터가 필요합니다. AI 지원 데이터 세트를 구축 할 때 우리 는 주로 현대적인 데이터 수집 전략 에 따라 구조화된 정보와 구조화되지 않은 정보를 나누는 데 중점을 둡니다 .
시간의 질문에 답하기: AI 프로젝트를 관리하는 방법
1. 문제 식별
AI 프로젝트 를 관리할 때 첫 번째 단계 는 문제를 식별하는 것입니다. 우리는 파트너에게 두 가지 질문을 하는 것으로 시작합니다. "해결하려는 것이 무엇입니까?" "당신이 원하는 결과는 무엇입니까?"
문제 진술을 결정할 때 AI 그 자체가 해결책이 아니라 필요를 충족시키기 위한 수단/도구임을 이해하는 것이 중요합니다. 우리는 AI의 도움으로 구축할 수 있고 의존하지 않는 여러 솔루션을 선택합니다.
2. 문제 솔루션 적합성 테스트
이 단계는 이상적으로 AI 프로젝트를 시작하는 방법에 대한 답변 입니다. AI 프로젝트 개발 프로세스를 시작하기 전에 먼저 테스트하고 사람들이 당신이 구축하는 것에 대해 기꺼이 지불할 의향이 있는지 확인하는 것이 중요합니다.
우리는 전통적인 린 접근 방식 및 제품 디자인 스프린트 와 같은 여러 기술을 통해 문제 해결 적합성을 테스트합니다 .
AI 기술의 가장 좋은 점 중 하나는 실제 사람이나 MVP를 사용하여 솔루션의 기본 수준 버전을 만드는 것이 매우 쉽다는 것입니다. 이것의 이점은 솔루션의 쉬운 분석뿐 아니라 제품에 실제로 AI 솔루션이 필요한 시간 내에 보장된다는 것입니다.
3. 데이터 준비 및 관리
솔루션에 대한 고객 기반이 있다는 것을 알고 AI를 구축할 수 있다고 확신하는 지점에 도달하면 데이터를 수집하고 관리를 처리하여 기계 학습 프로젝트 관리를 시작합니다.
사용 가능한 데이터를 구조화 및 비구조화 형태로 나누는 것부터 시작합니다. 스타트업이나 여러 데이터가 없는 회사와 작업할 때는 단계가 상당히 쉽지만 엔터프라이즈를 위한 여러 응용 AI 솔루션을 구축 하는 것은 까다로운 일입니다. 일반적으로 대기업에는 AI를 사용할 수 있는 방대한 독점 데이터베이스 데이터가 있으며 이를 더욱 어렵게 만드는 것은 데이터가 사일로에 저장될 수 있다는 사실입니다.
우리의 데이터 엔지니어는 원칙적으로 시간 순서를 정의하고 필요한 경우 레이블을 추가하는 데이터 구성 및 정리로 시작합니다.
4. 올바른 알고리즘 선택하기
기사의 본질을 유지하기 위해 여기에서 AI 알고리즘의 기술에 대해 언급하지 않겠지만, 알아야 할 중요한 것은 학습을 기반으로 하는 다양한 유형의 알고리즘이 있다는 것입니다.
- 지도 학습
기본적으로 분류는 레이블을 예측하고 회귀는 수량을 예측합니다. 우리는 일반적으로 이벤트 발생 가능성(예: 내일 강우 가능성)을 이해하려는 경우 분류 알고리즘을 선택합니다.
반면에 시나리오를 수량화해야 하는 경우(예: 지역 익사 가능성을 알고 싶을 때) 회귀 알고리즘을 사용합니다.
우리 엔지니어가 프로젝트 요구 사항에 따라 선택할 수 있는 몇 가지 다른 알고리즘이 있습니다. 즉, 나이브 베이즈 분류, 랜덤 포레스트, 물류 회귀 및 지원 벡터 머신입니다.
- 비지도 학습
데이터가 조직화되지 않았거나 특정 유형을 따르기 때문에 알고리즘 선택은 여기에서 매우 다를 것입니다. 객체를 함께 그룹화하기 위해 클러스터링 알고리즘을 사용하거나 다른 객체 간의 링크를 찾을 때 연관 알고리즘을 사용할 수 있습니다.
5. 알고리즘 훈련
알고리즘을 선택하면 모델 정확도의 중요성을 고려하면서 모델에 데이터를 입력하는 모델 훈련으로 넘어갑니다.
우리 엔지니어 팀은 최소 허용 임계값을 설정하고 통계 원칙을 적용 하는 것이 나중에 최소 미세 조정을 요구하는 방식으로 AI 개발을 가속화하는 핵심 단계 임을 이해합니다.
알고리즘 교육 및 다음 개발 단계를 수행하기 위해 Python, R, Java 및 C++ 전문가인 기술 전문가를 고용합니다. 프로젝트 요구 사항에 따라 기계 학습 앱 개발을 위한 최고의 언어인 Julia 를 이해하는 전문가도 참여 합니다.
6. 프로젝트 배포
우리는 일반적으로 파트너에게 제품 출시 및 배포 요구 사항에 대해 Machine Learning as a Service와 같은 기성 플랫폼을 사용하도록 조언합니다. 이러한 플랫폼은 인공 지능을 단순화 및 촉진 하고 AI 프로젝트의 배포 단계를 지원하기 위해 개발되었습니다 . 또한 다양한 언어와 알고리즘을 추가하는 데 사용할 수 있는 클라우드 기반 고급 분석을 제공합니다.
[또한 읽기: 훌륭한 프로젝트 계획을 작성하기 위한 중요한 단계 고려]
AI 프로젝트 관리 단계에 대한 FAQ
Q. 인공 지능과 기계 학습을 시작하는 방법
AI 프로젝트 관리 프로세스에는 문제 식별, 문제 솔루션 적합성 테스트, 데이터 관리, 올바른 알고리즘 선택, 알고리즘 교육, 올바른 플랫폼에 제품 배포의 6단계가 포함됩니다.
Q. 인공지능 프로젝트에 대한 좋은 아이디어는 무엇인가요?
AI는 여러 산업 분야에 걸쳐 범위를 갖게 되었습니다. 필요한 것은 생성된 데이터를 조직화하고 실행 가능한 분석으로 변환하는 방식으로 기술을 통합하는 사용 사례를 찾는 것입니다. AI 솔루션에 대한 기대치를 서비스 자체가 아닌 서비스 발전에 도움이 되는 도구로 인식하는 것이 중요합니다.
Q. AI 프로젝트가 기존 IT 프로젝트보다 나은가요?
상황에 따라 다릅니다. 실제로 AI 포함으로 더 나은 일부 프로젝트가 있는 반면 기술 통합으로 불필요하게 복잡해지는 다른 응용 프로그램이 있습니다. 궁극적으로 그것은 사용 사례와 인공 지능과 함께 얼마나 가치가 있는지에 달려 있습니다.