많은 AI 자동화는 깨끗한 디지털 입력을 전제로 합니다.

이메일이 들어오면 모델이 이를 분류하고, 응답이 전송되며, 데이터베이스가 업데이트됩니다.

하지만 실제 운영 환경은 깨끗하지 않습니다.

유지보수 요청에는 사진, 짧은 설명, 장비 ID, 위치, 사용 연한 등의 정보가 포함될 수 있습니다. 수리 요청에는 부품 참조, 이전 작업 지시서(work orders), 기술자 가용성, 작동 조건 등이 필요할 수 있습니다.

엔지니어링의 과제는 단순히 AI 모델을 추가하는 것이 아닙니다.

그 모든 조각들을 연결하여 유용한 결과를 도출해내는 것입니다.

입력 데이터는 보통 지저분합니다

예를 들어, 다음과 같은 유지보수 요청이 있다고 가정해 봅시다.

"Machine 14 is making a strange noise." 

이 문장 자체만으로는 유지보수 결정을 내리는 데 필요한 정보를 알려주지 못할 가능성이 높습니다.

더 유용한 시스템은 다음과 같은 형태일 것입니다.

Request
...

우리는 AI를 더 큰 정보 처리 워크플로우의 톱니바퀴로 통합하고 있습니다.

신호(Signal)보다 맥락(Context)이 더 가치 있습니다

예를 들어, 평소보다 진동이 많이 보고되는 연결된 기계가 있다고 가정해 봅시다.

이를 설명할 수 있는 여러 요인들이 있을 수 있습니다.

어쩌면 기계에 다른 부하가 걸리고 있거나, 베어링이 마모되고 있거나, 혹은 센서 자체가 노이즈가 심할 수도 있습니다.

진동 자체만으로는 반드시 유용한 신호는 아닙니다.

더 나은 시스템이라면 온도, 작동 조건, 유지보수 이력, 가동 시간 또는 다른 사용 가능한 센서와 함께 진동을 살펴볼 것입니다.

이것은 데이터 통합에 관한 문제입니다.

과제는 새로운 모델을 찾는 것이 아니라, 적절한 시점에 모델에 올바른 정보를 제공하는 것입니다.

AI가 워크플로우 전체를 소유할 필요는 없습니다

AI가 모든 것을 가능하게 만드는 시스템을 구축하려는 또 다른 유혹이 있습니다.

이는 불필요하게 복잡한 시스템으로 이어질 수 있습니다.

더 나은 접근 방식은 시스템을 계층(layers)으로 생각하고 각 계층이 하나의 작업을 수행하도록 하는 것입니다.

IoT / Application Data
...

위험도가 낮은 결정의 경우, 완전히 자동화하는 것이 적절합니다.

위험도가 높은 결정의 경우, AI가 권장안을 제시할 수는 있지만 최종 결정에 대한 책임은 승인된 담당자가 져야 합니다.

관측 가능성(Observability)이 중요합니다

AI를 운영 워크플로우에 통합하면, 무슨 일이 일어났는지 추론할 수 있어야 합니다.

다음과 같은 질문을 스스로에게 던져야 합니다.

did the model produce an unexpected prediction?

...```

이러한 질문들은 다음과 같은 필드를 로깅함으로써 답변할 수 있습니다.

request_id

...```

이는 후속 디버깅을 용이하게 하고 모델 개선을 위한 피드백 루프를 제공합니다.

예측(Prediction)은 검토되어 승인되거나 거부될 수 있습니다. 그 결과는 미래 예측을 개선하는 신호로 사용될 수 있습니다.

또한, 다음의 피드백 루프를 강조할 가치가 있습니다.

예측 → 검토 → 결과 → 피드백 → 개선

하나의 워크플로우부터 시작하세요

모든 것을 거대한 그래프로 연결하려는 유혹이 있을 수 있지만, 처음에는 작게 시작하여 최적화할 워크플로우 하나를 선택하는 것이 훨씬 더 많은 진전을 가져올 것입니다.

다음은 몇 가지 예시입니다.

• 유지보수 요청 분류(Classify maintenance requests)
• 작업 지시서 우선순위 지정(Prioritize work orders)
• 비정상적인 장비 동작 식별(Identify unusual equipment behaviors)
• 점검 보고서에서 정보 추출(Extract information from inspection reports)
• 수리 요청을 자산 이력과 일치시키기(Match repair requests to asset history)

현재 프로세스를 측정하고, AI를 추가한 다음, 두 가지를 비교해 보세요. 무엇이 더 빠릅니까? 무엇이 더 안전합니까? 단계가 줄어들었습니까? 새로운 통찰력이 있습니까?

응답 시간이나 불필요한 작업이 줄었습니까? 예측은 도움이 되었습니까? 사람들이 제안을 사용하고 있습니까?

이러한 질문들은

이것은 실세계 운영 소프트웨어에 종사하는 AI 및 IoT 기업들을 중심으로 하는 Aperture Venture Studio가 탐구하는 도메인 공간입니다.

교훈은 간단합니다. AI 모델을 먼저 구축하고 해결할 문제를 찾는 것이 아닙니다. 문제와 워크플로우부터 시작하여, 어떤 데이터를 가지고 있고 무엇이 부족한지 파악한 다음, 어디에 AI가 가치를 더할 수 있을지 생각해야 합니다.