당신은 AI를 개발하게 된다, 개발자가 아니더라도

• 일관되게 나타나지만, 책의 주제는 AI이고 구체적인 내용은 AI의 사례들을 들지만, AI가 아니라 일반적인 프로젝트를 위한 안내라고 생각해도 좋을 정도로 기본적이고 일반적인 이야기들이 많이 나온다.

핵심은 작게 시작하여 꾸준히 실행

모두 동의할 수 있는 대답을 도출

• 사실 이게 핵심

• 다른 프로젝트와 마찬가지로 성공하기 어려운 AI 프로젝트

성공은 무엇을 측정하기로 선택하느냐에 달렸다.

올바른 측정 방법을 선택하라... 성공 측정 방법이 AI의 방향을 결정

• AI가 아니라 일반적인 프로젝트에서도 마찬가지

제1장 AI 개발과 편향의 덫

설계할 때 의도하지 않은 목적으로 모델을 확장해 사용하는 것은 무책임한 일

데이터 과학자의 임무는 '정확하게 질문하는 것'

• 역시 마찬가지. AI업무에서만이 아니라, 어떤 일을 시작하기 위해서는 정확한 질문이 필요

• AI, ML, DL

필요한 정보를 얻을 수 없었던 이유

소통하지 않았기 때문

• 이 역시 마찬가지. 어느 일에서나 적용되는 기본적인 일. 다시 한 번 '송곳'의 명대사가 생각난다. “사람들은 옳은 사람 말 안 들어. 좋은 사람 말을 듣지.”

AI가 의미 있고 원하는 결과를 제공하려면 꾸준한 유지 관리와 수정 작업이 필요하다. 프로젝트를 시작할 때 목표와 성공 측정 방법, 신중하게 정의된 기대치, 이정표, 가이드라인이 명확하지 않으면 ... 성공할 가능성이 희박해진다.

2장 기존 사업에 AI를 적용할 때 벌어지는 일들

전략은 비즈니스 목표를 추구해야

한 번의 거대한 노력을 쏟는 방식으로 전개하지 않았다. 측정가능한 중요하고 구체적인 문제들을 해결하면서 최종 목표를 고민

성공적으로 문제를 해결하려면 공격할 문제를 파악하고 해결 방법을 찾아낼 크로스펑셔널팀을 구성해야

• 작게 시작하고 여러 직군의 이해관계자들이 모여서 업무. 전형적인 agile 아닌가?

프로젝트의 성공 내용을 구체적으로 정의하는 것이 매우 중요. 최적화할 지표를 미리 명확히

전략과 지표를 명확히 정의하지 않고 바로 본론으로 들어가는 경우가 너무 많다.

한 번에 모든 일을 하려 해서는 안 된다. 한꺼번에 모든 비즈니스 문제를 해결하려 들면 결국 아무것도 성공하지 못할 것이다. 작게 시작한 다음 반복

3장 골디락스 문제 선택하기

올바른 과제 하나를 선택하여 시작하고 그 해결책으로 추진력을 구축하는 것이 더 중요

빨리 해결할 수 있을 만큼 작아야

둘 중 하나로 대답할 수 있는 문제

같은 문제를 해결한 과거 사례 데이터가 많이 축적

의도하지 않은 편향이나 불공정성을 포함하지는 않는지 확인

구글의 최고의사결정과학자 캐시 코지르코프, 해결할 수 있는 좋은 문제를 찾아 최선의 해결책을 찾아라. AI 없이 할 수 있으면 더 좋다. 머신러닝이나 인공지능은 다른 접근 방식으로 필요한 성과를 얻지 못할 때 사용하는 것

• 12 Steps to Applied AI. A roadmap for every machine learning… | by Cassie Kozyrkov | The Startup | Medium

모든 모델은 엄격한 A/B 테스트

재무 결정은 전적으로 데이터 기반

4장 AI는 데이터로 완성된다

안드레아 카르파티, AI모델보다 AI모델 학습에 사용되는 데이터가 훨씬 중요

처음부터 고품질 데이터에 비용을 아끼지 않는 것이 시간과 비용 면에서 훨씬 효과적

파이프라인의 모든 단계는 일관되고 반복 가능하며 정확해야

AI모델 구축보다 모델에 쓸 데이터를 준비하고 파이프라인을 구축하는 과정에 훨씬 더많은 시간과 자원, 에너지와 기술 투입

5장 강력한 AI조직 구축하는 법

스타트업이 살아남으려면 시장에서 차별화되는 획기적인 제품과 서비스를 끊임없이 출시해야

수평적 협력과 애자일에 중점을 두면서도 여전히 기존 팀의 일원이라는 점을 강조하며 균형

수평적 협력을 훨씬 강조하는 환경 조성

수평적인 팀을 한 번 구성하면 최소 2주 이상 유지. 2주마다 효과가 있는 것과 없는 것이 무엇인지 묻고 피드백에 따라 변화

• 이렇게 빠르게 조직을 변경해도 일관성이 유지되고, 조직 적응에 문제가 없나?

인센티브의 기준이 달랐기 때문에 새로운 팀에서 다들 한가지 목표를 향해 일하지 못했다.

팀에 완전히 몰입할 수 있는 사람이어야 한다. 그렇게 해야 회사 안에서 프로젝트를 지키고 옹호할 수 있다.

 

호기심이나 겸손, 협업처럼 데이터 과학자가 갖춰야 할 소프트 스킬(리더십, 대인관계기술, 유연성, 태도, 소통 능력 등 정량화되지 않는 기술)도 하드 스킬만큼 중요

자존심이 강하거나 자신의 능력을 증명하려는사람은 항상 끝이 좋지 않다.

팀 리더는 소프트 스킬이 두 배 이상 중요

6장 성공으로 향하는 파일럿 설정하기

데이터 레이블링 (인공지능을 만드는 데 필요한 학습 데이터를 입력하는 작업)과 복잡한 모델 구축에는 막대한 투자가 필요하지만 사업적 가치가 투입된 비용만큼 크지 않은 경우 많은 기업이 사업 타당성을 찾기 어렵다.

• 트위터의 성공 사례를 이야기하는데 이게 이렇게 성공했다고 평가받을 만한 일이었나?

 

 

파일럿 제작 전 검토해야 할 전략 목표 질문 대답

파일럿은 작은 목표를 성공적으로 마친 다음 거기서 멈추는 것이 아니다. 장기적인 목표로 나아가야 한다. 파일럿 단계에서 달성한 모든 것이 나중에 실제 환경에서도 가능해야

다른 부서의 사람들도 이해하기 쉽도록 하는 일을 정의하는 것이다. 해결하려는 사용 사례에 회사 구성원들이 집중하고 AI를 통해 효율적인 경로를 선택하도록 도와야

7장 시제품에서 완제품으로

8장 AI기업으로 변신한 뉴욕타임스의 AI 리더십

비즈니스 문제를 파악

이 개념을 일관된 행동으로 옮기는

9장 AI 성숙도를 높이는 과정

데이터를 올바르게 다루기 위해 사전에 준비할 수 있는 5가지 주요 영역. 품질, 완전성, 보안, 거버넌스, 드리프트

프로젝트는 애플리케이션의 목표와 사용 사례를 깊이 파악하는 것부터 시작해야

광범위한 이해관계자들이 참여해야

10장 AI, 개발할까 구매할까?