특히 데이터와 AI처럼 빠르게 변화하는 분야에서 예측을 하는 것은 매우 어려운 일로 악명이 높습니다. 그럼에도 불구하고 저희는라제쉬 파리크 노래로 응답 산지브 모한작년에 저희는 2024년 트렌드 전망. 2024년이 다가오는 지금, 저희의 예측이 적중했음을 확인하게 되어 기쁘게 생각합니다. 이러한 성공은 IT 업계에서 보기 드문 변화의 속도인 AI의 전례 없는 속도를 고려할 때 더욱 놀랍습니다.
상위 4가지 예측에서는 지능형 데이터 플랫폼과 AI 인텔리전스의 부상을 강조했습니다. 2023년에는 이러한 트렌드가 덜 분명해지겠지만, AI 인텔리전스의 모멘텀은 부인할 수 없으며 더욱 가속화될 것으로 보입니다.
데이터 플랫폼의 경우, 사용자 경험을 간소화하고 데이터 및 AI 제품 개발을 가속화해야 하는 필요성에 따라 지능형 통합 플랫폼으로의 강력한 전환이 관찰되고 있습니다. 이러한 추세는 더 많은 공급업체가 시장에 진입하고 기업이 선택할 수 있는 옵션의 범위가 확대됨에 따라 더욱 심화될 것으로 예상됩니다.
2025년에 대한 기대치
2025년으로 다가오면서 기업 데이터와 AI의 환경은 큰 변화를 겪으며 산업을 재편하고 인간과 기술의 상호작용 방식을 재정의할 것입니다. 이 문서는 예측이라기보다는 기업 경영진과 기술 관리자의 세심한 주의가 필요하다고 생각되는 이러한 혁신적 트렌드를 살펴보는 데 활용하고자 합니다. 따라서 독자들은 이 보고서를 우선순위를 설정하고 조직이 올바른 방향을 선택할 수 있도록 준비하기 위한 지침으로 활용해야 합니다.
더 이상 고민할 필요 없이 엔터프라이즈 데이터와 AI의 환경을 지배할 것으로 예상되는 트렌드에 대해 자세히 알아보겠습니다. 그림 1은 응용 AI, 데이터 및 운영, 문 프로그램으로 분류된 트렌드를 보여줍니다.

그림 1: 2025년의 데이터 및 AI 환경은 지능의 부상, 데이터 플랫폼의 진화, 그리고 우리 주변 세계를 변화시킬 잠재력을 지닌 야심찬 달 착륙 계획의 추진으로 특징지어집니다.
- 응용 AI이러한 트렌드는 조직이 혁신을 위해 AI 모델을 활용하는 방식, 특히 인텔리전스가 일상적인 업무와 기능을 자동화하는 방식에 큰 영향을 미칠 것입니다. 모델의 추론 능력이 계속 발전함에 따라 이러한 인텔리전스는 점점 더 복잡한 작업을 처리하고 원활하게 협업할 수 있도록 진화할 것입니다.
- 데이터 및 플랫폼 트렌드:정형 및 비정형 데이터를 지원하는 통합 데이터와 메타데이터 플레인은 AI를 주도하고 지능과 AI 애플리케이션의 기반이 될 것입니다. 데이터 플랫폼 관리의 발전과 지능형 신체 애플리케이션을 위한 강력한 미들웨어 개발 등 여러 가지 주요 트렌드가 이 비전을 지원하기 위해 수렴하고 있습니다.
- 달 착륙 프로그램:이러한 야심차고 위험 부담이 큰 시도는 현재 기술의 한계를 뛰어넘고 오늘날에는 최첨단으로 보일 수 있는 영역을 탐구합니다. 실패의 위험은 높지만, 이러한 분야의 혁신은 업계를 혁신하고 인간과 컴퓨터의 상호작용을 재정의할 수 있는 잠재력을 가지고 있습니다.
응용 AI
2025응용 AI 트렌드는 실용적인 애플리케이션과 인텔리전스의 주류 채택에 중점을 두고 있습니다. 그림 2에서 볼 수 있듯이 이 범주에서 가장 큰 영향을 미칠 것으로 예상되는 네 가지 주요 하위 주제를 확인했습니다.

그림 2: 머신러닝과 마찬가지로 AI의 대중화는 다양한 작업과 도메인별 과제를 해결할 수 있는 번성하는 인텔리전스 생태계를 통해 이루어질 것입니다.
다음으로 각 AI/AI 애플리케이션의 트렌드를 살펴보겠습니다.
지능형 기관은 어디에나 있습니다
2025년, 우리는 지능형 신체 AI 시대에 접어들게 됩니다.
다음은 인공지능에 관한 작년 트렌드와 비즈니스를 위한 조언을 발췌한 내용입니다.
저희는 AI 기반 인텔리전스가 실현되기까지 몇 년이 걸릴 수 있는 트렌드로 보고 있지만, 그 가능성을 고려할 때 2024년은 인텔리전스 인프라/도구 개발과 조기 도입에 있어 상당한 진전을 이루는 해가 될 것으로 예상하고 있습니다. 현재 AI 아키텍처가 더 복잡한 작업을 수행할 수 있는 잠재력에 대한 이해의 대부분은 아직 잠재력에 관한 것이며, 해결되지 않은 문제도 상당수 존재한다는 점에 유의해야 합니다.
즉, 조직은 지능형 신체 애플리케이션을 구축하는 데 실용적인 접근 방식을 취해야 하며, 점점 더 복잡한 자동화를 수행하는 데 있어 현재 AI 기술 간의 격차가 매년 좁혀질 것으로 어느 정도 예상해야 합니다. 또한 향후 12개월 동안 사용 사례별로 자동화를 어느 정도 실현할 수 있는지도 고려해야 합니다. 이러한 프로젝트의 진화 경로/여정은 이러한 노력에서 더 성공적일 수 있습니다.
2025년에는 반복적인 업무를 자동화하고 고객 경험을 향상시켜야 하는 필요성이 증가함에 따라 기업 내 지능형 자율 AI 도입이 가속화될 것으로 예상됩니다. 이러한 인텔리전스는 인간의 역량을 강화하고 창의적이고 전략적이며 복잡한 업무에 집중할 수 있게 해줄 것입니다.
인공지능은 높은 수준의 사고, 추론, 문제 해결이 필요한 작업, 즉 현재 사람의 상당한 개입이 필요한 작업으로 자동화를 확장합니다. 예를 들어, 인텔리전스는 시장 조사, 데이터 분석 또는 고객 지원 문의에 대한 답변을 수행할 수 있습니다. 또한 이전에는 복잡성, 비용 또는 두 가지 이유로 인해 비현실적인 것으로 간주되었던 복잡한 다단계 워크플로우를 자동화할 수도 있습니다.
AI 인텔리전스는 인간 작업자와 마찬가지로 환경을 인식하고 이유를 추론하며 주어진 작업을 일련의 단계로 분류하고 결정을 내리고 조치를 취하여 해당 특정 작업을 자율적으로 완료하는 프로그램 또는 시스템입니다.
현재 한 달에 약 20달러에 사용할 수 있는 개발자 공동 파일럿과 같은 AI 기반 도구와 다음과 같은 도구의 등장을 목격하고 있습니다. Devin 이와 같은 초기 단계의 인공지능은 500달러(아직 레벨 2 자동화 솔루션에 해당)에 판매되고 있습니다. 레벨 2 인공지능은 특정 작업을 자율적으로 수행할 수 있지만 여전히 사람의 상당한 감독과 개입이 필요한 인공지능입니다.
하지만 2025년에는 더 고급화된 인텔리전스가 제공하는 가치를 반영하여 그에 상응하는 높은 가격이 책정될 것으로 예상됩니다. 예를 들어, 부서의 퍼널 상단 인바운드 및 아웃바운드 마케팅 전략을 개발하는 데 있어 주니어 마케터보다 뛰어난 성과를 낼 수 있는 전문화된 인텔리전트 바디의 비용은 최대 2만 달러에 달할 수 있습니다.
다중 지능 시스템
다중 지능 시스템(MAS)는 여러 개의 자율 지능이 함께 작동하고 소통하고 협력하여 단일 지능으로는 극복할 수 없는 복잡한 문제를 해결할 수 있도록 지원하며, MAS 내의 이러한 전문화를 통해 각 지능은 자신의 전문 분야에 집중할 수 있으므로 지능이 고유한 기술과 지식을 제공하여 복잡한 문제를 해결함으로써 시스템의 전반적인 효율성을 높일 수 있습니다. 이러한 인텔리전스는 개별 목표 또는 전체 시스템 목표를 달성하기 위해 서로 다른 통신 모드와 채널을 사용하여 상호 작용합니다.
그림 3은 여러 지능이 협업하여 조직 내에서 콘텐츠 생성을 향상시킬 수 있는 방법을 보여줍니다.

그림 3: 콘텐츠 연구, 제작 및 배포 작업에 중점을 두고 마케팅 부서의 요구 사항을 충족하기 위해 협업하는 세 가지 인텔리전스로 구성된 다중 인텔리전스 시스템.
MAS는 공통 아키텍처 패턴을 통해 다양한 수준의 제어와 커뮤니케이션 및 조정을 위한 다양한 아키텍처 패턴을 보여줄 수 있습니다:
- 계층화된 팀:이러한 유형의 MAS는 일반적으로 중앙 관리자 또는 작업 위임자를 사용하여 커뮤니케이션을 중재합니다. 시스템 내의 작업자 지능은 이 중앙 지능을 통해서만 통신하므로 지능 간의 직접적인 통신을 방지합니다.
- 패리티:피어 투 피어 MAS에서는 인텔리전스가 중앙 집중식 기관에 의존하지 않고 서로 직접 통신합니다.
- 그룹 공동 작업:이러한 유형의 MAS는 인텔리전스가 관련 채널을 구독하고 게시-구독 아키텍처를 통해 조정되는 그룹 채팅(예: Slack, Microsoft Teams)과 유사합니다.
하나의 지능형 바디가 여러 역할을 처리하는 단일 지능형 바디 시스템과 달리 MAS는 효율적인 전문화를 통해 광범위한 애플리케이션의 성능을 향상시키며, 단일 지능형 바디에 너무 많은 작업을 로드하면 복잡성과 확장성/신뢰성 문제가 발생하므로 복잡한 지능형 바디 자동화를 확장하려면 MAS가 필수적입니다.
기업이 보다 전문화된 인텔리전스를 개발하는 추세가 이어질 것으로 예상합니다. 이러한 인텔리전스는 팀 구성으로 운영되어야 하며, 더 크고 복잡한 워크플로를 지원하기 위해 협업하고 조율해야 합니다. 따라서 MAS는 인텔리전스 기반 워크플로 자동화 이니셔티브의 전반적인 성공에 핵심적인 역할을 할 것입니다.
지능형 신체 관리 시스템(IBMS)
인텔리전스 관리 시스템(AMS)은 AI 인텔리전스의 개발, 평가, 배포 및 배포 후 모니터링을 용이하게 합니다. AMS는 이러한 인텔리전스의 생성과 개선을 간소화함으로써 더 빠른 반복을 가능하게 하고 수명 주기 관리를 간소화합니다. 또한 포괄적인 사전 배포 테스트와 지속적인 프로덕션 모니터링을 통해 인텔리전스가 기대치를 충족하도록 보장합니다.
그림 4는 대표적인 AMS의 구성 요소를 보여줍니다.

그림 4: 대표적인 지능형 신체 관리 시스템(AMS)의 구성 요소
대표적인 AMS에는 다음과 같은 구성 요소가 포함되어 있습니다:
- 지능형 바디 빌더:지능형 바디 빌더는 지능형 바디 프레임워크라고도 하며, 새로운 지능형 바디를 빠르게 생성하고 기존 바디를 반복적으로 개선하는 데 도움이 됩니다.
- 지능형 바디 레지스트리:인텔리전스 레지스트리는 사용 가능한 인텔리전스 카탈로그를 관리하고 대상 청중에게 적절한 액세스를 보장하기 위해 버전 관리를 포함하는 액세스 제어 및 거버넌스를 용이하게 합니다.
- 스마트 바디 플레이그라운드:지능형 신체 놀이터를 위한 수동 작동 다양한 작업과 사용자 쿼리에서 인텔리전스의 성능을 테스트할 수 있는 사용자 친화적인 플러그 앤 플레이 인터페이스를 제공합니다. 이 환경을 통해 인텔리전스 성능을 신속하게 평가할 수 있습니다.
- 지능형 신체 실험:스마트 바디 실험 지원 자동화 인텔리전스에 대한 배포 전 평가를 수행합니다. 이 구조화된 접근 방식은 데이터 집합을 정의하고, 적절한 메트릭을 선택하고, 환경을 구성하고, 결과를 분석하고, 평가 보고서를 생성하여 인텔리전스의 성능을 평가합니다. 이전에 실행한 실험의 로그도 종종 사용할 수 있습니다.
- 배포 및 모니터링:지능형 바디 배포에는 스테이징 또는 프로덕션 환경에서 지능형 바디에 필요한 리소스를 구성하는 동시에 관련 런타임 메트릭을 추적하는 모니터링이 포함됩니다. 이를 통해 인텔리전스의 안정성과 효율성을 보장합니다.
- 채팅 UI:Chat UI는 프로덕션 환경에 배포된 인텔리전스와 상호 작용하는 데 필요한 사용자 인터페이스를 제공합니다.
조직은 광범위한 도메인별 작업을 처리하기 위해 수많은 특수 목적의 인텔리전스를 배포할 것으로 예상되며, AMS는 조직이 전체 수명 주기 동안 이러한 인텔리전스를 생성, 배포 및 관리하여 인텔리전트 바디 지원 엔터프라이즈로 이끄는 데 핵심적인 역할을 할 것으로 기대합니다.
작업별 모델
망설이지 말고 (실행하세요.) 인류학 Claude, OpenAI GPT 제품군, Google의 쌍둥이자리 와 같은 선도적인 모델이 2024년에 지배적이지만, 특히 엔터프라이즈 사용 사례와 관련된 작업 및 도메인별 모델 개발에서 주목할 만한 몇 가지 트렌드가 있습니다.
그림 5는 이 모델 생성 프로세스에 관련된 단계를 보여줍니다. 이 프로세스를 일반적으로 교육 후 정렬.

그림 5: 도메인 모델을 만드는 데 사용되는 기술
1. 감독된 미세 조정
감독형 미세 조정(SFT)은 기본 설정 데이터 세트를 사용하여 기본 모델(일반적으로 사전 학습된 기본 모델 또는 명령어로 조정된 변형)을 학습하는 것입니다. 기본 설정 데이터 세트에서 사고 체인 (CoT) 정렬 컨텍스트에 따라 이 데이터 세트의 각 레코드에는 일반적으로 CoT가 관련 보안 사양을 명시적으로 참조하는 트리플(프롬프트, CoT, 출력)이 포함되어 있습니다.
문맥 정제 프로세스는 유용성에 대해서만 학습된 모델로 시작하여 안전 사양과 관련 힌트를 제시하는 데이터 세트를 생성합니다. 이 프로세스의 결과는 다음과 같습니다. SFT 모델.
2. 향상된 학습 미세 조정
두 번째 단계에서는 높은 수준의 계산 강화 학습(RL)을 사용합니다. 이 단계에서는 판단 LLM을 사용하여 모델이 안전 사양을 준수하는지에 따라 신호를 보상함으로써 모델의 안전 추론 능력을 더욱 향상시킵니다. 결정적으로, 전체 프로세스는 초기 사양 생성 및 높은 수준의 평가 외에 사람의 개입을 최소화합니다.
CoT 추론을 통해 LLM은 추론 프로세스를 명시적으로 표현할 수 있으므로 결정을 더욱 투명하고 해석 가능하게 만들 수 있습니다. RL 단계 정렬에서 CoT는 모델이 응답에 도달한 방법을 설명하는 안전 사양에 대한 참조를 포함합니다. 이를 통해 모델은 답변을 생성하기 전에 안전 관련 문제를 신중하게 고려할 수 있습니다. 학습 데이터에 CoT를 포함하면 모델이 이러한 형태의 추론을 사용하여 더 안전한 응답을 얻는 방법을 학습할 수 있으므로 안전성과 해석 가능성이 향상됩니다. 이 단계의 결과물은 종종 다음과 같이 불립니다. "추론 모델"
3. 지속적인 미세 조정
지속적인 미세 조정을 통해 AI 엔지니어와 데이터 과학자는 특정 사용 사례에 맞게 모델을 조정할 수 있습니다. 딥러닝 엔지니어와 데이터 과학자는 이제 10~1,000개의 예제를 사용해 최첨단 오픈 소스 모델을 미세 조정하여 대상 애플리케이션의 모델 품질을 크게 향상시킬 수 있습니다. 이는 광범위한 사후 학습 인프라에 투자하지 않고도 사용 사례별 모델의 신뢰성을 개선하고자 하는 조직에 매우 중요합니다.
이제 대부분의 최신 모델은 선호도 튜닝 및 강화 학습 미세 조정(RLFT)을 위한 지속적인 미세 조정 API를 제공하여 작업 또는 도메인별 모델 생성의 문턱을 낮췄습니다.
이 단계의 출력은 "작업 또는 도메인별 모델링".
오픈 소스 미세 조정 프레임워크(예: 허깅 페이스 트랜스포머 강화 학습(TRL), 언슬로스 등)는 OSS 모델에 유사한 지속적인 조정 기능을 제공합니다. 예를 들어, Llama 모델의 얼리 어답터는 출시 이후 85,000회 이상 미세 조정을 수행했습니다.
기업에서 AI 도입을 지속적으로 확대하면서 두 가지 뚜렷한 트렌드를 관찰하고 있습니다:
- 상당한 자본 자원을 보유한 조직("프론티어")는 지속적인 미세 조정을 통해 오픈 소스 모델을 특정 도메인과 사용 사례에 맞게 광범위하게 커스터마이징하여 사후 교육하는 전략을 채택할 수 있습니다.
- 예산은 제한되어 있지만 안정적인 사용 사례에 중점을 두는 경우주목받는 비즈니스비용 효율적인 전략은 기성 LLM을 선택하고 지속적인 미세 조정을 통해 업무별 우선순위를 정하는 것입니다.
데이터 및 운영 및 유지 관리 동향
데이터는 성공적인 AI 구현에 매우 중요하며 데이터 관리 모범 사례가 필요합니다. 그림 6은 2025년의 주요 데이터 및 O&M 트렌드를 보여줍니다.

그림 6: 주요 데이터 및 O&M 동향
각 트렌드에 대해 자세히 알아보겠습니다.
지능형 데이터 플랫폼
데이터 및 AI 혁신을 가속화하고 운영 오버헤드를 줄이기 위해 2024년에 통합된 지능형 데이터 및 AI 플랫폼(IDP)을 제안합니다. 이러한 통합 및 단순화 노력은 주요 소프트웨어 제공업체들 사이에서 상당한 주목을 받고 있으며, 그 결과 그림 7에 표시된 아키텍처가 탄생했습니다.

그림 7: 스마트 데이터 플랫폼 아키텍처
IDP는 데이터 수명주기(스토리지, 처리, 분석, 머신 러닝)의 통합을 간소화하여 파편화된 도구와 노동력의 필요성을 줄여줍니다. 또한 데이터 거버넌스 전략과 실행을 위한 중앙 집중식 프레임워크를 제공합니다.
2024년에도 기존 기술 기업과 스타트업의 주요 제품이 계속해서 기능을 개선하고 있지만, AI 인텔리전스를 위한 데이터 및 AI 플랫폼의 광범위한 채택은 여전히 진행 중입니다.
2025년에도 데이터 플랫폼 제공업체는 서비스를 지속적으로 통합하여 AI 인텔리전스 및 다중 지능 시스템의 중요한 기반을 만들고, 이러한 애플리케이션이 운영 및 의사 결정에 필요한 정보를 제공하게 될 것입니다. 이러한 플랫폼은 세 가지 핵심 기능을 추출합니다:
- 데이터 요금제의 조화:통합 데이터 플레인은 텍스트(예: PDF), 이미지(예: PNG, JPEG), 오디오/비디오(예: MP3) 등 다양한 데이터 형식의 로딩, 저장, 관리, 거버넌스를 지원합니다. 이 통합 데이터 플레인의 주요 하위 트렌드는 Apache Iceberg, Delta Lake, Apache Hudi와 같은 개방형 테이블 형식의 채택입니다.
- 통합 메타데이터 플레인:메타데이터는 AI 애플리케이션이 처리하는 데이터에 대한 기본적인 컨텍스트 정보를 제공합니다. 예를 들어 데이터에 인사 정책 문서가 포함된 경우 관련 메타데이터에는 문서의 버전 번호, 마지막 수정 날짜, 작성자 등이 포함될 수 있습니다. 이러한 뉘앙스를 제공하는 풍부한 메타데이터가 없으면 인공지능이 충분한 컨텍스트를 파악하고 의도한 기능을 제공하기가 어렵습니다.
- 멀티 엔진 오케스트레이터:또한 IDP는 분석 처리, 데이터 변환, AI 모델 실행에 사용되는 엔진을 비롯한 다양한 컴퓨팅 엔진을 관리하고 조율하도록 설계된 확장 가능한 오케스트레이션 계층을 제공합니다.
- 거버넌스 평면IDP는 또한 액세스 제어, 거버넌스 및 개인화 미들웨어의 역할을 수행하여 인텔리전스가 사용자 역할(역할, 데이터 액세스 및 쿼리 기록 포함)을 더 잘 이해하고 응답을 개인화할 수 있도록 지원합니다.
AI용 ETL
ETL(추출, 변환 및 로드)은 AI 및 머신러닝 모델을 위한 원시 데이터를 준비하는 데 사용되는 핵심 데이터 통합 프로세스입니다. 이 프로세스에는 다양한 소스에서 데이터를 추출하고 정리 및 포맷팅을 통해 데이터를 변환한 다음 앞서 설명한 대로 IDP, 데이터 웨어하우스 또는 벡터 스토어와 같은 데이터 관리 또는 저장 시스템에 로드하는 작업이 포함됩니다.
조직은 이미 정형 데이터용 ETL(운영 데이터베이스에서 데이터를 추출, 변환 및 웨어하우스 또는 데이터 레이크로 로드)에 익숙하지만, AI용 ETL은 이 프로세스를 확장하여 텍스트(.pdf, .md, .docx), 오디오/비디오(mp3, mpeg) 및 이미지(jpeg, png) 등 광범위한 데이터 형식을 포괄합니다.
이러한 비정형 데이터 소스에는 기업에서 사용하는 다양한 콘텐츠 리포지토리, 애플리케이션, 웹 리소스가 포함될 수 있습니다. 실제로 ETL 프로세스 자체는 멀티모달 LLM(대규모 언어 모델) 또는 OCR(광학 문자 인식) 모델을 사용하여 PDF에서 엔티티(이미지, 표, 명명된 엔티티)를 추출하는 것과 같은 추출 작업에 AI를 활용할 수 있습니다.
비정형 데이터용 ETL 다양한 다운스트림 사용 사례를 지원합니다:
- AI 기반 인사이트:검색 강화 세대(RAG)는 애플리케이션이 문서와 사용자의 상호작용을 촉진하고 주요 요약을 추출하며 유사한 사용 사례를 지원할 수 있게 해줍니다. SharePoint, Dropbox, Notion, 다양한 클라우드 리포지토리 및 애플리케이션과 같은 다양한 소스에서 데이터를 추출하고 변환하는 것은 AI 기반 인사이트의 핵심이 될 것입니다. 공급업체들은 계속해서 RAG를 추출하여 통합 데이터, 분석 및 AI 플랫폼에서 쉽게 액세스할 수 있는 기능으로 통합할 것으로 예상됩니다.
- AI 검색기존 키워드 검색에 비해 기업 콘텐츠에 대한 접근성과 인텔리전스가 향상되었습니다.
- AI 기반 자동화: 비정형 데이터에서 필요한 지식 계층을 제공하여 인텔리전스에게 기본적인 컨텍스트 정보를 제공합니다.
- 교육 후 정렬 및 지속적인 미세 조정다양한 부서별 사용 사례를 위한 모델을 원활하고 지속적으로 개인화할 수 있도록 새롭고 업데이트된 데이터의 가용성을 촉진합니다.
AI를 위한 데이터 준비
데이터 준비는 작업별 모델과 AI 인텔리전스를 성공적으로 구현하기 위한 기본 요소입니다.
이것이 바로 이러한 프로그램의 성공 비결입니다."전제 조건".
AI에 데이터를 제공하려면 여러 측면에서 종합적으로 준비해야 합니다. AI는 조직이 보유한 거의 모든 데이터를 활용할 수 있지만, 올바른 접근 방식은 우선순위가 지정된 사용 사례에서 데이터 준비 요구 사항을 도출하는 것입니다.
그림 8은 AI를 위한 데이터 준비의 몇 가지 주요 차원을 보여줍니다.

그림 8: AI를 위한 데이터 준비
데이터 품질 및 통합 가시성
이 데이터가 정해진 품질 지표를 통과했나요? 이는 다음 중 하나 이상을 의미할 수 있습니다:
- 신뢰
- 신선도
- 정확성
- 메타데이터의 무결성
- 하강
- 적법성/편차
- 관련성
- 버전 관리
위의 지표는 어떻게 실시간으로 관리, 추적 및 표시되나요?
- 통합 가시성 데이터
- 데이터 계보
- 수정 내역(문서, 웹 페이지 등)
AI용 데이터 제품
데이터 제품은 작업별 모델, AI 모델 및 인텔리전스 애플리케이션의 벤치마킹 및 테스트의 성공에 매우 중요합니다. 몇 가지 중요한 AI 데이터 제품에는 다음이 포함됩니다:
1. 교육에 사용할 수 있는 데이터 세트라벨링된 데이터는 AI 학습에 즉시 사용할 수 있는 가치 있는 데이터 상품이 됩니다.
2. 체인(CoT) 데이터 세트:일반적으로 학습을 위한 입력과 출력을 제공하는 기존 데이터 세트와 달리, CoT 데이터 세트에는 답변이 도출된 방법을 설명하는 중간 추론 단계도 포함되어 있습니다. 이러한 단계별 추론 접근 방식은 인간이 복잡한 문제를 해결하는 방식과 밀접한 관련이 있으므로 논리적 추론, 계획, 해석 가능성이 필요한 작업을 수행하도록 AI 모델을 훈련하는 데 CoT 데이터 세트가 유용합니다.
3. 정제된 데이터 세트:전체 데이터 집합의 다양성과 가변성을 포착하는 데이터 집합의 더 작은 대표 하위 집합을 제공합니다. 다음은 추출된 데이터 집합의 몇 가지 예입니다:
a. 다양한 감정 수준과 제품 카테고리를 포착한 고객 리뷰의 하위 집합입니다.
b. 더 크고 복잡한 모델(교사 모델)의 성능을 모방하도록 작은 모델(학생 모델)을 학습시키기 위해 생성된 고품질의 작업별 데이터 세트입니다.
c. 기술 질문과 답변 모델을 미세 조정하기 위해 개선된 기술 문서의 하위 집합입니다.
4. 합성 데이터 세트:원본 데이터 집합의 핵심 속성을 모방한 합성 데이터 집합을 생성하는 데 사용되는 정제된 데이터입니다. 데이터가 부족하거나 불균형한 실제 데이터 세트를 보강하는 데 자주 사용됩니다. 변형을 생성함으로써 보다 다양한 데이터 세트에 대해 모델을 학습시킬 수 있습니다.
5. 지식 매핑 데이터 집합:GraphRAG로 구동되는 데이터 제품은 그래프 기반 데이터 검색 및 생성 기능을 활용합니다. 예를 들어 의학 용어, 진단, 치료 및 환자 결과를 연결하는 의료 지식 그래프 데이터 세트는 개인화된 의료 조언을 제공하고, 가능한 치료 옵션을 제안하며, 의사가 데이터 기반 의사 결정을 내리는 데 도움을 줄 수 있습니다.
6. 사용자 데이터:사용자 데이터는 더 스마트하고 개인화된 AI 애플리케이션을 구축하는 데 매우 중요합니다. 이 데이터에는 일반적으로 사용자의 역할에 대한 모든 정보와 AI 인텔리전스 또는 애플리케이션이 사용자의 역할을 이해하는 데 사용하는 사용자 상호 작용 또는 입력(인텔리전스가 의미 있는 출력 또는 응답을 제공하는 데 사용할 수 있음)이 포함됩니다. 다음은 사용자 데이터의 몇 가지 예입니다:
사용자 역할과 사용자 데이터 집합/쿼리/대시보드 상호 작용 기록에 대한 정보를 가진 데이터 분석가는 적절한 데이터 집합 액세스 기록과 쿼리 실행을 필터링하고 선택하여 쿼리 응답을 개인화할 수 있습니다.
b. 사용자의 고객 상태(예: 프리미엄 또는 일반)와 과거 지원 요청의 성격을 이해하는 고객 지원 인텔리전스는 과거 작업 주문, 문제 및 해결 방법을 사용하여 응답의 우선 순위를 정하고, 더 빠른 해결책을 제공하거나, 특정 지식창고 문서를 추천할 수 있습니다.
c. 영업 인텔리전스는 잠재 고객 및 고객과의 과거 커뮤니케이션 기록과 참여 패턴을 분석하여 후속 전략을 개인화하고, 특정 제품이나 서비스를 추천하고, 과거 행동에 따라 잠재 고객의 우선순위를 지정할 수 있습니다.
달 착륙 프로그램
달 착륙 프로그램은 획기적인 솔루션을 통해 주요 난제를 해결하려는 야심찬 탐구적 시도입니다. 이러한 프로젝트는 일반적으로 현재 기술의 한계를 뛰어넘고 혁신의 최전선에서 운영됩니다. 본질적으로 실패의 위험이 높지만, 혁신적인 결과를 가져올 수 있는 잠재력은 엄청납니다.
이 섹션은 창의적인 탐색을 위한 공간이지만, 그림 9에서 강조된 좀 더 사변적인 개념을 살펴보고자 합니다.

그림 9: 달 착륙 프로그램
인지 에이전트
인지능력은 경험을 통해 매우 지속적으로 학습하며 적응하고 개선합니다. 그림 10은 인지 지능의 정의적인 특징을 보여줍니다.

그림 10: 인지 지능의 5가지 주요 특징: 학습, 기억, 자기 인식, 자기 개선, 자기 확대
AI 지능의 일반적인 기능 외에도 인지 지능에는 일반적으로 몇 가지 다른 기능이 있습니다:
1. 메모리 유지
더 긴 기억 유지 능력은 인지 지능의 주요 특징 중 하나입니다. 기억 유지 능력을 통해 인공지능은 이전 대화를 회상할 수 있으며, 종종 발생한 시간과 장소 등 특정 사건을 기억하고 이를 통해 학습하는 경우가 많습니다.
따라서 인지 지능은 장기 기억을 위한 장기 저장소와 특정 형태의 기억(예: 상황 기억)을 포함하는 복잡한 기억 구조를 가지고 있으며, 이를 통해 지능은 특정 사건이 발생한 시기와 장소를 포함하여 제때에 기억하고 회상할 수 있습니다.
상황 기억의 사용 예로는 이전 이벤트에서 작업을 성공적으로 완료하기 위해 취한 단계를 기억하는 것을 들 수 있습니다. 지능형 신체가 동일한 작업에 다시 직면하면 이전에 성공한 사례에서 수행한 정확한 단계를 기억하여 이번에는 해당 작업을 더 효율적으로 수행할 수 있습니다.
2. 과거 상호작용을 통한 학습
이러한 인텔리전스는 과거의 상호작용을 통해 학습하고 그 학습을 바탕으로 미래에 더 나은 결정을 내립니다.
3. 자기 인식
이러한 인텔리전스는 자신의 구성 세부 사항과 기능도 알고 있을 수 있습니다.
사용자 상호작용을 통해 잠재적으로 학습하고 새로운 학습 콘텐츠에 대한 지식창고를 업데이트할 수 있습니다.
4. 자가 치유
자가 치유 기능을 통해 인텔리전스는 최근 상호 작용에서 기본 설정 데이터 세트를 생성하고 다음 미세 조정 작업을 트리거하는 도구와 같은 새로운 기능을 추가하여 기능을 확장할 수 있습니다. 또한 새 모델을 추가로 평가하고 모델 레지스트리에 새 모델 수정본을 등록할 수 있을 뿐만 아니라 AI 엔지니어가 검토할 수 있는 상세한 모델 보고서를 생성할 수도 있습니다.
5. 셀프 에스컬레이션
(선택 사항) 지성인은 위에서 만든 새 모델 개정판으로 자체 업그레이드할 수 있습니다.
구현된 인텔리전스
구현형 지능은 물리적인 존재(예: 로봇)를 가진 AI 지능의 한 유형입니다. 이러한 '구현'은 지능이 인간처럼 물리적 세계를 인식하고 행동할 수 있게 해주며, 지능이 물리적 공간을 깊이 이해하고 할당된 작업을 수행하는 데 필요한 학습과 작업을 수행할 수 있게 해주기 때문에 매우 중요합니다. 제너레이티브 AI는 기존의 규칙 기반 프로그래밍을 넘어 보다 복잡하고 역동적인 환경에서 작동함으로써 로봇 공학에 혁신을 가져올 것으로 기대됩니다.
그림 11은 조직이 이러한 새로운 인텔리전스를 다양한 애플리케이션에 어떻게 사용할 수 있는지 보여줍니다.

그림 11: 임베디드 인텔리전스를 사용하는 기업의 사례.
은행에서 구현형 인텔리전스를 어떻게 활용하고 있는지 살펴봅시다. 지점에 구현된 고객 지원 인텔리전스는 방문 고객과의 첫 번째 상호작용을 시작하고, 개인화된 금융 상담을 제공하며, 거래 처리를 도울 수 있습니다.
소매업에서 구현된 인텔리전스는 매장 내에서 제품 정보와 안내를 제공하는 매장 내 쇼핑 도우미의 형태를 취할 수 있습니다. 제조업에서는 이러한 지능이 사람의 안전에 위험한 이동성과 민첩성이 요구되는 작업을 처리할 수 있습니다.
지능형 네트워킹
공동의 목표를 달성하거나 복잡한 문제를 해결하기 위한 여러 인공지능 간의 효과적인 커뮤니케이션은 현재 표준화된 메시지 형식, 프로토콜 및 충돌 해결 메커니즘의 부족으로 인해 방해를 받고 있습니다. 미래의 네트워킹 접근 방식은 확장 가능하고 지연 시간이 짧으며 안전해야 하며, 지능 간의 신뢰를 구축하고 악의적인 공격으로부터 통신 네트워크를 보호해야 합니다.
이제 스마트 바디 네트워크의 개선에 관한 마지막 예상 트렌드를 살펴보겠습니다.
효과적인 지식인 네트워크는 기업 내부와 외부에서 지식인들이 소통하고, 협업하고, 조율하고, 업무를 처리하고, 학습하는 방식을 혁신적으로 변화시킬 수 있습니다. 이러한 추세는 인터넷 초창기와 인터넷 프로토콜의 표준화, 웹 2.0 시대의 커뮤니티와 포럼의 발전과 유사합니다. 이러한 트렌드는 물리적 경계를 넘어 사람들 간의 협업을 크게 향상시켰습니다.
그림 12는 효과적인 인텔리전스 네트워크를 구축하기 위한 네 가지 옵션을 보여줍니다.

그림 12: 가능한 스마트 바디 네트워크 표준의 예
달 착륙 프로그램 트렌드의 모든 이점은 엄청납니다. 인지 지능은 이러한 상호 작용을 통해 교환된 데이터를 분석하고, 자체 지식 기반을 업데이트하고, 교환된 데이터를 분석하고, 인간과 같은 커뮤니케이션을 개선하고, 기업 경계 내에서 혁신을 가속화함으로써 학습할 수 있습니다.
평결에 도달하기
요약하자면, 응용 AI 트렌드는 기업에서 AI 인텔리전스와 애플리케이션의 의미 있는 채택을 가속화하고 있는 트렌드이며, 데이터 및 운영 트렌드는 이러한 인텔리전스 애플리케이션을 지원하고 가속화하기 위한 탄탄한 기반을 제공합니다. 또한 문 랜딩 프로그램은 현재 급진적으로 보일 수 있지만 향후 혁신적인 영향을 미칠 수 있는 주제를 다룹니다.
언제나 그렇듯이 이 연구의 목적은 조직에 미치는 영향보다는 기술적인 솔루션에 초점을 맞추는 것입니다. 자율 지능이 반복적인 업무를 대신할 것으로 예상됨에 따라 자연스럽게 일자리 감소에 대한 우려가 제기되고 있습니다. 조직은 직무를 비판적으로 재정의하고 AI의 생성, 관리 및 협업과 관련된 새로운 직무를 창출함으로써 사람과 AI 지능 간의 시너지/협력을 재발견해야 합니다. 따라서 대부분의 조직은 AI 혁신과 함께 인력을 비판적으로 향상시키고 재교육해야 하므로 이러한 변화는 또 다른 중요한 과제를 창출합니다.
마지막으로, LLM 모델 아키텍처의 혁신, 비용 효율적인 방식으로 적응형 지식 주입을 도입할 수 있는 솔루션, 이해 및 추론 능력의 획기적인 개선은 AI 애플리케이션의 잠재적 현실화에 더 큰 영향을 미칠 수 있는 잠재력을 가지고 있습니다.
© 저작권 정책
기사 저작권 AI 공유 서클 모두 무단 복제하지 마세요.
관련 문서
댓글 없음...