인공 지능의 주요 요소 학습
학습 목표
이 유닛을 완료하면 다음을 수행할 수 있습니다.
- 인공 지능 솔루션을 구성하는 기술을 식별합니다.
- AI 예측을 사용할 때 워크플로와 규칙이 하는 역할을 이해합니다.
최근 인공 지능에 대한 이야기를 많이 들어 보셨을 것입니다. 매주 우리는 인공 지능이 새롭고 놀라운 기술 발전에 어떤 도움을 주고 있는지에 대한 소식을 듣습니다. 비즈니스 유형에 관계 없이 누구나 이 혁신적인 기술에 대해 매우 궁금해하는 것은 당연한 일입니다. AI를 사용하기 시작하면서 기대도 되는 한편 AI를 통해 무엇이 가능한지, 그리고 무엇이 불가능한지 바로 알기가 어려울 수 있습니다. AI 기반의 기술이 놀라운 속도로 변화하고 있기 때문에 이러한 질문에 대한 답을 찾기는 더욱 어려워지고 있습니다.
인공 지능이 제공하는 기능을 이해하려면 인공 지능 기술의 기본 구성 요소를 이해하는 것이 중요합니다. 이 모듈에서는 이러한 기본 구성 요소를 알아보고, 첫 번째 AI 프로젝트를 시작하는 데 필요한 사항을 이해하고, 리드 점수, 세일즈 예측, 마케팅, 서비스 등을 통해 AI가 비즈니스에 어떤 이점을 주는지 살펴보겠습니다.
주요 구성 요소
인공 지능의 기능을 처음 접할 때는 다소 놀라우면서도 신기하게 느껴질 수 있습니다. 사실 비즈니스 애플리케이션을 구동하는 AI는 몇 가지 작은 요소로 구성되어 있으며, 이를 혁신적인 방식으로 결합하면 비즈니스에 실질적인 가치를 제공하게 됩니다. 인공 지능을 완벽한 비즈니스 레시피를 만들기 위해 한데 모이는 재료라고 생각하는 것도 한 가지 방법입니다. 재료를 특정 방식으로 조합하면 하나의 요리가 완성됩니다. 그리고 재료를 또 다른 방식으로 조합하면 새로운 요리가 탄생하죠. 간단한 재료만으로도 비즈니스 요구 사항에 맞는 다양한 솔루션을 만들 수 있습니다.
이제 탁월한 AI 플랫폼을 구성하는 주요 요소인 예/아니요 예측 및 답변, 숫자 예측, 분류, 권장 사항 및 요약을 살펴보겠습니다.
예/아니요 예측 및 답변
첫 번째 요소는 예/아니요 예측입니다. 예/아니요 예측을 사용하면 "이 리드가 내 비즈니스에 적합한가?" 또는 "이 잠재 고객이 내 이메일을 열어볼 것인가?"와 같은 질문에 답할 수 있습니다. AI는 시스템에 저장된 기록 데이터를 분석하여 이러한 질문에 대한 답을 구할 수 있도록 도와 줍니다.
예/아니요 예측은 일반적으로 확률의 형태로 제공됩니다(예: "Mary Smith가 이러한 유형의 이메일을 열 확률은 67%입니다."). 하지만 때로는 확률이 점수로 변환되기도 합니다. 점수는 "예"의 가능성을 다른 형태로 표현한 것으로, 숫자 척도(예: 0~100) 범위의 숫자로 표시하거나 별 5개가 만점인 평점 설문 조사에서 별의 개수로 표시할 수도 있습니다. 이러한 점수는 동일한 확률을 다른 방식으로 표시한 것일 뿐이라는 점을 기억하세요. 또한 생성형 AI를 통해 "잠재 고객을 위한 환영 이메일을 써 줘" 또는 "블로그 포스트 요약 작성을 도와 줘"와 같이 단순한 예/아니요 질문 이상의 내용을 물어볼 수 있습니다. 생성형 AI는 사용자의 요청에 맞는 답변을 제공합니다. 또한 생성형 AI는 질문에 대한 답변을 제공할 뿐만 아니라 사용자의 피드백을 바탕으로 계속해서 답변을 개선합니다. 요청 내용이 상세하고 구체적일수록 더 유용한 답변을 받을 수 있습니다.
숫자 예측
다음은 숫자 예측입니다. 숫자 예측은 예측 솔루션(예: "이 신규 고객이 얼마나 많은 매출을 가져다 줄 것인가?")을 지원하는 경우가 많지만, 고객 서비스(예: "이 고객의 문제를 해결하는 데 며칠이 걸릴까?") 등의 다른 컨텍스트에서도 사용됩니다. 숫자 예측도 기록 데이터를 사용하여 답을 도출합니다.
분류
다음은 분류입니다. 분류 방식에서는 자유 텍스트나 이미지와 같은 비정형 데이터를 활용하기 위해 "딥러닝" 기능을 사용하는 경우가 많습니다. 분류의 기본 개념은 비정형 데이터에서 유용한 정보를 추출하여 "이 사진에 소다 캔이 몇 개나 있는가?"와 같은 질문에 대한 답을 찾는 것입니다. 심지어 "저번에 샀던 것과 같은 신발을 한 켤레 더 사고 싶어요"와 같은 문장을 사용하여 마지막 신발 주문을 조회하고 온라인 쇼핑 카트에 같은 신발을 추가할 수 있는 워크플로를 시작할 수도 있습니다.
딥러닝을 사용한 분류는 비정형 데이터가 다른 형태로 제공하는 경우에도 효과적입니다. 방금 언급했던 신발의 예를 들어 보겠습니다. "이 신발을 한 켤레 더 사고 싶어요." 또는 "이 신발 한 켤레 더 주세요."라고 말할 수 있습니다. 이러한 요청이 어떻게 표현되든, AI 플랫폼에 내장된 기본 딥러닝 엔진은 일반적으로 사람의 뇌와 거의 동일한 방식으로 모든 요청을 이해할 수 있습니다.
분류의 또 다른 유형으로 클러스터링이 있는데, 이 요소는 딥러닝을 사용할 수도 있고 사용하지 않을 수도 있습니다. 이러한 유형의 AI 요소는 데이터에서 여러분이 알아채지 못했을 수도 있는 인사이트를 수집합니다. 예를 들어 의류 판매업체의 경우, AI는 시골의 노년층과 도시의 20대가 모두 특정 유형의 스웨터를 좋아한다는 사실을 학습할 수 있습니다. 우리의 직감으로는 전혀 다른 두 그룹이라고 생각할 수 있지만, 데이터에 따라 두 그룹이 제품 구매에 있어 비슷한 행동을 보인다면 두 그룹에게 비슷한 방식으로 마케팅 전략을 시행할 수 있습니다.
권장 사항
다음은 권장 사항입니다. 권장 사항은 사용자에게 추천하려는 품목이 많을 때 중요합니다. 많은 이커머스 웹 사이트는 제품에 권장 전략을 적용하여, 특정 신발을 구매한 사용자가 특정 양말도 함께 주문하는 경우가 많다는 사실을 파악할 수 있습니다. 사용자가 특정 신발을 카트에 추가하면 AI가 자동으로 해당 양말을 추천할 수 있습니다.
권장 사항은 제품에만 국한되지 않습니다. 마케터는 백서와 같은 컨텐츠를 비즈니스 사용자에게 추천할 때도 동일한 기술을 사용합니다. 또한 고용주는 HR 채용 시스템에서 권장 사항을 사용하여 구직자에게 채용 공고를 추천할 수 있습니다. 또한 사용자는 이메일 초안을 작성하거나 고객 사례에 응답할 때 권장 사항을 얻을 수 있습니다. 생성형 AI가 답변 또는 템플릿을 생성하여 제공하므로 작업을 시작하는 데 도움이 됩니다. 또는 Einstein에게 작문 지원을 요청하면 작업을 완료하는 데 도움을 받을 수 있습니다.
워크플로 및 규칙
워크플로와 규칙은 기술적으로 AI의 일부라고 할 수는 없지만, AI가 사용되는 방식에 있어 필수적입니다. 다음 예시를 살펴보겠습니다. AI에 따르면 특정 고객이 계약을 갱신하지 않을 확률이 25%라고 가정해 보겠습니다. 이러한 예측 내용을 아는 것만으로는 충분하지 않으며, 적절한 조치를 취해야 합니다. 바로 이때 워크플로와 규칙이 필요합니다. 이 예의 워크플로에서는 AI가 고객이 재계약하지 않을 것으로 예측할 때 리텐션 캠페인을 시작할 수 있습니다.
요약
마지막 요소는 요약입니다. 요약은 생성형 AI의 작동에 큰 역할을 합니다. 몇 시간 분량의 녹음본을 들어야 하거나 Salesforce 가치에 관한 10페이지 분량의 문서를 읽어야 한다고 가정해 보세요. 생성형 AI는 이처럼 방대한 정보를 빠르고 이해하기 쉬운 메모로 요약해 줍니다. 녹음본이나 문서를 검토하는 데 몇 시간을 들이는 대신, Einstein은 가장 중요한 정보를 요약하고 그 가치도 유지하므로 한 주제에 대해 오랜 시간을 들이지 않고도 최신 정보를 파악할 수 있습니다.
이러한 기본 AI 요소를 통해 다양한 비즈니스 요구 사항을 충족하는 맞춤형 AI 애플리케이션을 제작할 수 있습니다. 다음 유닛에서는 자체 AI 솔루션을 시작하는 방법을 알아보겠습니다.
