[원문 : http://www.ciokorea.com/insider/35849?page=0,0]
머신러닝(Machine Learning)은 발빠른 조직 사이에서 빠르게 확산되고 있지만 대부분의 기업들에게는 여전히 모호한 존재다.
문제는 경쟁사들이 이미 기초 작업을 수행하고 있을지도 모른다는 점이다. IDC는 전 세계 AI 시스템 매출이 올 해 약 2배 증가한 125억 달러일 것이며 이런 속도로 계속 성장하여 2020년에는 460억 달러에 달할 것으로 전망했다.
기업들은 이러한 예산을 어디에 쓰고 있을까? 지출 중 일부는 머신러닝 시스템을 구동하는 하드웨어에 투자되지만 별도의 하드웨어 인프라나 데이터 과학자 조직 없이도 예산이 활용되는 지점들이 있다. 실질적인 방법으로 머신러닝을 활용할 수 있는 다양한 툴과 서비스들이다. 규모와 업종을 막론해 어느 조직에게나 머신러닝 기술을 테스트하거나 활용하는데 도움이 될 만한 9가지 IT 프로젝트을 정리했다.
Image Credit : Getty Images Bank
고객 서비스 챗봇(Chatbot)
기업 내에 고객용 FAQ 목록이 있다면 이를 마이크로소프트 QnA 메이커(Microsoft QnA Maker)를 활용해 챗봇으로 변환할 수 있다. 물론, 꼭 고객 지원이 아니어도 상관 없다. 새로운 직원을 위한 HR 혜택을 알려주거나 업무 지원 센터 문의 방법을 안내하는 봇(Bot)을 생성할 수 있다.
FAQ의 URL을 제공하거나 질문과 답변이 있는 스프레드시트 및 문서를 업로드하면 QnA 메이커가 이런 질문과 답변의 쌍을 생성해 검토 및 훈련한 후 API로 호출할 수 있게 된다. 단순한 텍스트 답변 외에 좀 더 흥미로운 인터페이스를 원한다면 .NET SDK와 마이크로소프트 봇 프레임워크(Microsoft Bot Framework)를 사용해 사진 및 여타 풍부한 콘텐츠를 보여주는 봇을 생성할 수 있다.
무 서버 접근방식을 선호한다면 QnA 메이커가 애저 봇 서비스(Azure Bot Service)에서 템플릿으로 사용되도록 하면 된다. 이를 통해 이메일, 그룹미(GroupMe), 페이스북 메신저(Facebook Messenger), 킥(Kik), 스카이프(Skype), 슬랙(Slack), 마이크로소프트 팀즈(Microsoft Teams), 텔레그램(Telegram), 문자 메시지/SMS, 트윌리오(Twilio)에서 작동하는 봇을 생성할 수 있다.
장기적으로 챗봇은 아마존 알렉사와 마이크로소프트 코타나 같은 지능형 에이전트로 발전할 것이다. 하지만 에이전트는 단순히 개별적인 질문에 답하기보다는 고객이 문제를 해결할 수 있도록 돕는 ‘목표 지향적인’ 대화를 생성한다. 그런데 이는 이는 표 판매 또는 프로젝트를 연결할 수 없는 이유 진단 등에 필요한 요소다.
마이크로소프트는 얼마 전 다이나믹스 365(Dynamics 365)에 고객 관리 솔루션을 추가했으며, 여기에서는 가상의 에이전트가 솔루션을 제안하고 문제를 해결하지 못하는 경우 대화 세부사항 및 제안사항과 함께 고객을 인간 지원 부서로 이관하며 교훈을 축적한다. HP, 메이시즈(Macy’s), 마이크로소프트의 자체 지원 서비스는 이미 온라인 지원을 위해 이 에이전트를 활용하고 있다.
마케팅 자동화 및 분석
마케팅 부서가 새로운 기술을 실험하는 경우가 많다. 어도비 마케팅 클라우드(Adobe Marketing Cloud), 다이나믹스 365, 세일즈포스(Salesforce) 같은 마케팅 서비스가 등장한 배경이다.
이들은 고객을 위해 관련 제품을 추천하는 것부터 개인화된 검색 결과를 보여주고 판매 안내문을 분류하며 거래가 감소할 때 경고를 제공하고 잠재적인 고객 기업의 대체 연락처를 찾으며 연락 방법과 시기를 제안하는 작업 등을 위한 머신러닝 예측을 제공하기 시작했다. 어쨌든, 고객 이탈 예측 모델은 전망과 계획에 도움이 될 수 있다.
마케팅팀 외에도 유사한 분석에서 혜택을 얻을 수 있는 기타 부서를 찾아볼 만하다. 보험사 AXA는 텐서플로우(TensorFlow) 딥 머신러닝(Deep Machine Learning) 모델과 함께 70개의 변수를 활용하여 1만 달러 이상을 지불해야 하는 사고가 발생할 가능성이 높은 고객을 예측함으로써 보험료를 최적화하고 있다. 기존의 모델은 그리 유용하지 않았지만 예측 정확도가 40%에서 78%로 증가하면서 잠재적인 고객을 대상으로 삼을 시기를 고려할 단계에 이르렀다.
사기 감지
사기 및 비정상 거래 감지는 전통적인 데이터 분석 문제이지만 규모가 커지면 머신러닝이 유효해진다. 트리거(Trigger) 한계 이내에서 복수 결제를 수행하는 사기꾼, 이례적인 행동을 보이는 새로운 무역상, 겉으로는 정상으로 보이지만 사기꾼 네트워크에 연결되어 있는 고객 등 문제가 되는 활동을 찾는데 도움이 된다.
프러이드닷넷(Fraud.net)은 아마존 머신러닝(Amazon Machine Learning)을 활용하여 가능한 모든 종류의 사기를 기록하는 단일 모델을 생성하는 대신에 일련의 사기 활동을 찾도록 여러 머신러닝 모델을 훈련하고 있다.
머신러닝은 기존 고객들에 의한 사기를 포착하는 것 외에도 유용한 기능이 많다. 보험사들은 증권을 발행하기 전에 이미 손상된 차량에 대해 청구할 생각인 신규 지원자를 찾고 싶어한다.
악의적인 거래 차단에 한정되지 않는다. 포드(Ford)의 신용 사업부는 제스트파이낸스(ZestFinance)의 머신러닝 툴을 활용해 특정 대출자가 대출을 상환할 가능성을 예측하여 신용 점수가 낮은 사람들에게도 대출을 제공할 수 있도록 하고 있다.
이는 자동차 판매량이 전반적으로 감소하면서 포드로서는 잠재적인 구매자를 추가로 찾게 되면서 사업에 큰 도움이 될 수 있다. 즉 머신러닝은 위험 속에서 건전한 고객을 더욱 신속하게 파악하는데 도움이 될 수 있다.
ERP 재고 계획
공급망 자동화가 새로운 것은 아니지만 머신러닝 덕분에 더욱 보편화되고 있다. 단순한 판매 데이터 이력 대신에 머신러닝을 통해 고객들이 온라인으로 구매를 조사하는 방식, 날씨가 쇼핑 습관에 미치는 영향, 수요를 예측함으로써 재고를 관리하기 위한 기타 내외부적인 트렌드에 대한 데이터를 활용할 수 있다.
아마존은 매일 특정 색상과 사이즈의 셔츠가 얼마나 판매되는지 정확하게 예측할 수 있다고 주장했다. 타깃(Target)은 머신러닝 예측 모델 덕분에 매출이 15-30% 성장했다고 밝혔다. 온라인 독일 소매 기업 오토(Otto)는 머신러닝을 활용해 90%의 정확도로 향후 30일 동안의 판매 제품을 예측함으로써 과잉 재고를 1/5이나 줄이면서 반품되는 제품의 수를 연간 200만 개나 줄일 수 있었다.
회사의 자동화된 구매 시스템은 제 3자 공급자로부터 월 20만 개의 물품을 주문하고 판매될 것으로 예상되는 색상과 스타일을 선택한다.
물류 경로 계획
순회 세일즈맨 문제(travelling salesman problem)는 컴퓨터 공학의 전통적인 난제이다. 왕복 이동 시 영업팀이 이동해야 하는 모든 장소들 사이의 최단 경로는 무엇일까?
원문보기:
http://www.ciokorea.com/insider/35849?page=0,0#csidx88016f2680c47cd90599a5b6b3fdef8 
영업 직원들이 고객에 제품을 제공하거나 가장 많은 고객을 유입할 수 있는 비즈니스 위치를 선택하는 등의 문제에 있어서 경로 설정 및 여행 계획은 기업에 큰 영향을 끼친다.
빙(Bing)과 구글 맵스(Google Maps) API의 예측 트래픽 서비스를 활용하면 거리뿐만이 아니라 이동 시간도 보여주는 등시선 지도를 생성하거나 한 명의 엔지니어가 여러 출발 지점에서 15분 거리를 운전하여 도달할 수 있는 고객의 수를 비교하거나 최적의 배송 시간을 찾을 수 있게 된다.
일례로 빙 맵스 트럭 루팅 API(Bing Maps Truck Routing API) 프리뷰를 활용하면 일반 차량보다 큰 상용 및 서비스 차량의 경로를 확인할 수 있다.
자산 추적 및 위치 트리거를 추가하고 자신만의 물류 솔루션을 생성할 수 있다. 또는 표준 가격 이하를 제시하여 마진을 잃거나 너무 높은 견적을 제시하여 사업을 잃는 대신에 비용을 정확히 반영한 견적 요금으로 물류의 수익성을 높일 수 있다.
비즈니스 소통 기업 R.R. 도넬리(R.R. Donnelley)는 R과 애저 머신러닝 스튜디오(Azure Machine Learning Studio)를 활용해 이력 데이터를 날씨, 연료비, 시장 조건 등의 변수와 조합하여 더 나은 가격 모델을 수립함으로써 운송 입찰을 따내는데 방해가 되는 보수적인 견적을 줄였다.
주어진 경로에 대해 실시간 견적을 생성하는 자동화된 시스템을 통해 해당 기업은 이미 입찰 성공률이 4%나 증가했고 전세화물 중개 사업의 규모가 4배까지 성장할 것으로 기대하고 있다. 이런 종류의 예측 모델은 건전한 모델을 구축하기 위한 데이터가 충분하다면 다른 용도에서도 유용할 것이다.
IoT 예측 유지관리
기계가 고장 난 후에 고친다면 다운타임(Downtime)과 함께 고객 불만이 발생한다. 유지보수를 위한 시스템의 오프라인 상태가 너무 빈번하면 생산량이 감소한다.
티센크룹(ThyssenKrup)은 자사가 설치하고 서비스를 제공하는 110만 대의 엘리베이터에 대한 유지보수 기록을 분석하기 시작하면서 과거보다 유지관리 시간이 꽤 길어졌다는 사실을 발견했다.
해당 기업은 마이크로소프트의 애저 IoT 스위트(Azure IoT Suite)를 활용하여 센서를 원격으로 모니터링하고 고장을 예측하며 설비를 미리 보수함으로써 문제가 발생하기 전에 해결하여 고객 만족도를 높였을 뿐 아니라 첫 방문 시에 더 많은 문제를 해결하고 재고로 확보해야 하는 예비 부품을 더욱 잘 예측함으로써 비용을 낮췄다.
이를 제조 라인에도 적용하여 생산량을 개선할 수 있다. 액센추어(Accenture)의 2016 산업 IoT 보고서에 따르면 예측적 유지관리가 예약 수리 비용을 12%나 절감하고 유지관리 비용을 30%나 절감하며 고장률을 최대 70%나 낮출 수 있는 것으로 나타났다.
보안을 위한 머신러닝
복잡한 보안 세계에서 머신러닝이 만능은 아니지만 정상적인 활동으로 인한 로그와 경보에서 누락될 수도 있는 공격을 찾는데 도움이 될 수 있다. WDATP(Windows Defender Advanced Threat Protection)는 그 이름과는 다르게 안티바이러스 소프트웨어가 아니다. 이는 윈도우 10 엔터프라이즈(Windows 10 Enterprise)로 구동하는 네트워크에서 PC의 거동을 분석하고 보안팀에 공격이 악의적인 프로세스, 소셜 엔지니어링, 문서 익스플로잇 공격(Exploit)인지 여부를 알려주는 머신러닝 서비스다. 이러한 머신러닝 보안 툴은 로를 분석 및 결과에 대응하는 작업을 완전히 없애주지는 않지만 잡음을 줄이는데 도움이 될 수 있다.
편견이 없는 인재 채용
기업 내에서 다양성에 대한 압박이 커지고 있다. 그러나 인재 채용팀이 무심코 작성하는 구인 요건이 광범위한 지원자들이 의욕을 꺾을 수 있다. 보다 많은 사람들이 지원할 수 있도록 AI를 활용하여 구인 광고 및 인재 채용 이메일에서 기업 용어, 상투적인 문구, 저급한 고정 관념, 기타 당혹스러운 표현을 찾아내는 텍스티오(Textio)를 사용해 보자. SAP SF(SuccessFactors)도 유사한 툴이다.
제조 현장의 안전을 위한 이미지 인식
건축 현장과 제조 라인에는 위험한 설비들이 즐비하다. 카메라와 센서를 이용해 이미지 및 안면 인식을 활용함으로써 설비를 안전하지 못하게 사용하는 경우 또는 안전 교육을 통과하지 못한 사람이 사용하는 경우를 감지할 수 있다.
히타치(Hitachi)는 독일인공지능연구센터(German Research Center for Artificial Intelligence)인 DFKI와 함께 웨어러블과 동공 추적 안경을 사용하는 딥러닝(Deep Learning) 시스템을 구축했다.
마이크로소프트는 자사의 빌드(Build) 컨퍼런스에서 애저 펑션스(Azure Functions), 마이크로소프트 코그니티브 서비스(Microsoft Cognitive Services), 애저 스택(Azure Stack)을 활용하여 유사한 솔루션을 시연했다.
완벽한 직장 안전성 솔루션은 구축이 어려울 수 있지만 TSC(The Safety Compass) 같은 스마트폰 앱이 도움을 줄 수 있다. 이 앱은 인텔렉트 SEEC(Intellect SEEC)의 머신러닝 리스크 애널리스트(Risk Analyst)를 통해 작업자들이 사진을 촬영하고 세부사항을 작성함으로써 직장 내 위험을 표시할 수 있으며 위험에 접근하는 작업자에게 경고를 제공한다. ciokr@idg.co.kr
원문보기:
http://www.ciokorea.com/insider/35849?page=0,1#csidxfcff4dad938afa88e0787554cd27682 
