AI를 자동화하고 직장에 도입하려는 기업은 사람과 기술이 함께 일할 수 있도록 하는 과제에 주목해야 한다. 인간의 능력을 증강하는 AI의 능력은 AI를 받아들이고 잠재력을 실현하는 데 매우 중요하다. 그러나 이러한 잠재력을 실현하기 위해 기업은 알고리즘과 인력을 함께 사용하는 방법을 찾아야 한다.
코워킹 옵션 Options for co-working
인간과 기계의 작업 준비를 개발하기 위한 프레임워크는 다음과 같은 내용을 고려해야 한다.
첫째, 데이터 수집 및 분석 Data collection and analysis 이다. 이러한 시스템에서 대형 언어 모델과 같은 컴퓨터와 기술은 센서로부터 숫자, 텍스트, 사진, 비디오 및 신호를 수집한다. 데이터를 분석하여 의사결정자에게 전송하여 조치를 취한다. 예를 들어, 반도체 칩 제조업체인 인텔은 AI를 사용하여 200개국의 약 16,000개 공급업체로부터 재료, 노동, 장비 및 서비스를 제공한다. 시스템은 성능 보고서 및 뉴스 항목과 같은 방대한 양의 데이터를 크런치하여 여러 기준에 따라 공급업체의 순위를 매긴다. 이 정보는 조달 관리자가 소싱 의사 결정을 내리는 데 도움이 되도록 제공된다. AI 시스템은 또한 회사의 공급망에 영향을 미칠 수 있는 합병 논의와 같은 현안을 표시한다.
둘째, 모니터링 Monitoring 이다. 여기서 자동화 기술은 대부분의 작업을 실행하되, 기계가 고장나거나 맥락이 바뀌었다는 것을 인식하지 못할 때만 인간이 개입한다. 맥락 변화의 예로는 다가오는 경기 침체, 데이터 해킹 또는 팬데믹 대유행의 시작이 그것이다. 새로운 환경에 빠르게 적응하려면 인간 전문가의 개입이 필요하다. 예를 들어 수요 예측에 기반한 자동 주문 시스템의 경우, 구조적인 환경 변화가 발생하면 기존 수요 예측은 소용업게 되며, 예측을 조정하거나 수동으로 주문하기 위해 인간의 개입이 반드시 필요하다.
세째, 에스컬레이션 Escalation 이다. 에스컬레이션 시스템은 비교적 간단한 작업을 수행하고 필요할 때 자동으로(또는 요청에 따라) 제어 권한을 사람에게로 전환, 인계한다. 예를 들어, 일상적이고 표준적인 쿼리를 해결할 수 있는 서비스 센터 챗봇을 생각해 보자. 소비자가 봇이 해결하도록 프로그래밍되지 않은 특별하거나 전문적인 질문을 제기하면 인간 운영자와의 상호 작용을 빠르게 "기동"하게 된다.
넷째, 모든 진행 상황에 대한 인식 In the Loop 이다. 제어권은 작업이 완료될 때까지 시스템과 이러한 시스템에 관련 있는 사람들 사이에서 왔다 갔다 해야 한다. 예를 들어, 아마존(Amazon) 물류 창고의 워크플로우를 생각해보자. 물품의 통로가 "플랫폼 로봇"을 타고 작업자가 통로에서 선택하는 작업대로 이동하여 배송을 위한 패키지를 만든다. 패키지가 여러 항목을 포함할 수 있기 때문에, 로봇은 계속해서 움직이며, 피커에게 컨트롤을 건네고, 다른 로봇이 다른 항목을 가지고 도착하는 동안 계속 이동해야 한다. 따라서, 수행에는 인간과 기계가 모두 필요한 워크플로우가 포함된다.
다섯째, 증강 Augmentation 이다. 많은 기술 시스템이 업무 공간과 직장에서 인간을 지원한다. 사람과 기계를 결합한 착용 가능한 입는 로봇은 엑소슈트(exosuits)로 알려져 있으며, 가장 잘 알려진 좋우 사례 중 하나이다. 인간은 개인의 힘과 움직임을 지지하거나 증강시키는 것을 가능하도록 로봇 프레임워크를 착용한다.
기타 고려사항 Other considerations
인간이 가끔만 개입하는 시스템에서, 인간이 어떻게 계속 관여할 수 있는지에 대해서도 생각해야 한다. 이것은 새로운 도전이 아니다. 예를 들어, 여객기는 본질적으로 드론이다. 사실 대부분의 경우 자동화된 시스템이 비행기를 조종한다. 인간 조종사들이 활동하지 않는 기간 동안 정신을 바짝 차릴 수 있도록 돕는 한 가지 방법은 그들에게 지상 관제소와 통신할 책임을 부여하는 것이다.
또한 앞으로의 인공지능은 차세대 딥 러닝 AI 시스템만큼 강력하기 때문에, 인공지능의 광범위한 채택은 AI의 작동 방식에 대한 더 많은 투명성이 요구될 것이다. 위에서 언급한 주문 시스템과 같이 예측 및 분석을 제공하고 작업을 시작하는 시스템의 경우 특히 그렇다. 많은 AI 시스템은 여전히 이해할 수 없는 블랙박스이며, 어떻게 그 답에 도달했는지 설명하지 않고 답을 제공하고 있다. 제대로된 설명은 인간 이해관계자들에게 정답이 맞다는 것을 납득시키기 위해 필요하다. 게다가, 인간은 알고리즘의 출력을 교차 확인하고 검증할 수 있어야 하며 사람들이 배울 수 있는 AI에 영감을 받은 의사 결정의 근거를 제공할 수 있어야 한다. 한 가지 가능한 해결책은 알고리즘의 작동에 더 많은 투명성을 제공하는 설명 가능한 AI(Explainable AI)로 알려진 개발 중인 새로운 클래스의 기계 학습 시스템이다.
새로운 직무기술(JD)의 필요 New job descriptions needed
AI 업무시스템(workplace applications)의 갯수와 범위가 점점 증가함에 따라, 더 가시화될 미래의 과제는 알고리즘의 역할을 수용하는 직무 기술/설명을 설계하는 것이다. 미래의 직업 사양은 기계의 장점(예: 정확성, 작업을 지속적으로 수행하는 능력)과 인간의 이점(예: 상황 인식, 구조 변화 발견 능력, 및 유연성)을 함께 고려해야 한다. 인간과 기계를 성공적으로 통합하는 직무 기술과 알고리즘을 개발, 적용하는 회사가 경쟁우의를 가질 것이다.
출처 : How Humans and AI Can Work Together (Linkedin)
저작권자 ⓒ 리스크인텔리전스리뷰, 무단 전재 및 재배포 금지