인공지능 비즈니스, 일반 소프트웨어와 다른 점

인공지능, AI를 표방하는 기업들은 많은데, 생각보다 크게 성장한 기업들이 많지 않다는 생각을 하고 있었는데, 공감이 가는 글이라 요약/ 번역 및 몇가지 참고자료를 공유드립니다.

SDN플랫폼 전문업체 니시라(Nicira) 창업자로 알려진 Martin Casado와 Matt Bornstein 파트너께서 벤처캐피탈인 앤드리슨호로위츠¹⁾ 블로그에 게시한 'The New Business of AI and How Its Different From Traditional Software' 를 요약 번역한 글입니다.
실제 원문에는 투자 경험에 의한 기업 예시들과 수치 등도 나와있으므로, 자세한 내용은 원문을 확인 바랍니다.원문

벤처투자자로서 SaaS (Software As A Service) 등 소프트웨어에 대한 투자로 성공한 경험이 있는 만큼, 소프트웨어 비즈니스에 대한 긍정적 시각을 가지고 있습니다. 또한 'SaaS가 새로운 비즈니스의 장을 열었듯이, AI도 그럴 것이라 믿는다.'는 말로 AI의 미래에 대해서는 긍정적인 기대를 하고 있습니다.
하지만 언뜻 일반 소프트웨어와 비슷해 보이는 인공지능 기업이, SaaS에 비해서는 몇가지 약점을 가지고 있기 때문에 좀 더 창업자들의 주의가 필요하고 대비가 필요하다고 언급하고 있습니다.
이 페이지의 요약은 가장 아래요약에 있습니다.

일반 소프트웨어 기업의 경우 다음의 장점을 가지고 있습니다.

1. 소프트웨어의 장점은 개발은 한번하고 여러번 팔 수 있다는 것. 규모의 경제를 이루기 좋다.
2. 지적 재산(코드 등), 네트워크 효과 등을 가지고 있기 때문에 진입장벽을 가질 수 있다.

클라우드 사용 비용과 사람의 노동력이 들어갈 수 밖에 없는 한계 때문에 한계 비용이 높을 수 밖에 없습니다.

모형의 학습에는 많은 컴퓨팅 자원이 필요합니다. 서비스가 확장되면서 데이터 양이 늘어나면 그만큼 더 많은 컴퓨팅 자원이 필요하게 됩니다. 또 글로벌 스케일로 모형을 확장할 만한 좋은 Tool이 없기 때문에, 전통적 방법보다 클라우도 운영이 복잡하고 비싸지는 특성이 있습니다.

데이터 정제 부분과 서비스의 운영 부분 두가지에서 사람의 개입이 이루어집니다. 인간의 노동력은 상대적으로 비싸기 때문에 이 부분도 큰 비용을 차지합니다.

데이터를 클렌징하고 거기에 레이블을 부여하는 부분은 아직까지는 사람이 필요한 부분입니다. 게다가, 인공지능 모형이 운영 단계에 들어가도 학습과정은 끝나지 않기 때문에 지속적으로 자원이 투입됩니다. 모형의 정확도를 유지하기 위해서 새 데이터를 클렌징하고 라벨링하여 새로운 학습이 필요합니다.

안전, 공정함, 신뢰 등의 이유로 사람들의 감독이 필요한 부분에서는 서비스가 운영될 때 Real Time으로 사람이 투입될 수 밖에 없습니다.
예를 들어 소셜 미디어에서는 수천명의 리뷰어들이 AI기반의 게시글 감독을 보조하고 있고,²⁾ 의료 분야에서는 의사들이 공동 의사결정자로 참여하고 있습니다.
기술이 발전함에 따라 사람이 개입해야 하는 부분이 줄어들 것이지만, 완전히 없어지지는 않을 것입니다. 특히 운영부분에서의 사람의 투입은 제도적으로도 허용되지 않을 가능성이 높습니다.

클라우드 인프라 비용과 사람의 개입이라는 비용의 또하나 특징은, 이 두가지가 연결되어 있다는 것입니다. 한 쪽의 비용이 줄면 다른 한쪽이 늘어날 수 밖에 없는 구조입니다.

인공지능 모형은 기본적으로 롱테일(Long Tail) 문제에 봉착할 수 밖에 없습니다. 다양한 예외 케이스에 대한 수정 보완이 필요합니다. 이런 케이스의 범위가 너무 크기 때문에, 신규 고객을 받아서 운영하기에도 부담이 될 수 있습니다. 심지어 비슷해 보이는 케이스(예를 들어, 두 자동차 회사의 불량품 탐지)에서도 상당량의 다른 훈련 데이터가 필요할 수 있습니다.

피터 틸은 «제로 투 원» 에서 독점기업의 특징을

1. 독자기술
2. 네트워크 효과
3. 규모의 경제
4. 브랜드 전략

으로 꼽았습니다.

소프트웨어 기업의 경우는 기본적으로 1,2,3 을 달성하여 진입장벽을 쌓기가 용이합니다.
그에 비해서 인공지능 기업의 경우는 진입장벽을 쌓기에 몇가지 약점이 있습니다.

상대적으로 기술적 차별화를 달성하기 어렵습니다. 새로운 모형이나 기술들이 학계에서 소개되고 있고, 오픈소스로 공개되기 때문입니다.

데이터가 핵심 자산이라고 할 수 있으나, 이들은 고객이나 공공영역에 속해있을 수 있고 상품화되어 팔리고 있기 때문에 이 점도 고려해야 합니다.

상대적으로 작은 네트워크 효과를 가지고 있습니다. 규모가 커짐에 따라 새로운 예외 케이스를 처리해야 하는 비용은 늘어나지만, 그에 비해 고객에게 주는 가치는 크게 늘어나지 않는 특징이 있습니다.

서두에 얘기 했듯, 저자들은 인공지능이 미래의 큰 산업이 될 것임은 부인하지 않습니다. 창업자들이 이런 점들을 고려해서 준비한다면 충분히 일반 소프트웨어 기업 처럼 좋은 기업을 설립할 수 있을 것이라고 합니다.
이러한 AI 상품들의 특성은 소프트웨어라기보다는 '서비스' 기업에 가깝다고 할 수도 있습니다. 장기 성공을 위한 포인트는 서비스의 이점과 소프트웨어의 이점을 결합하는 것입니다.

각 고객에 고유한 모형을 학습
vs. 하나의 모형을 모든 고객에 공유

중에 후자를 지향하는 것이 현명합니다. 관리가 쉽고, 신규 고객에게 빠르게 적용할 수 있고, 간단하고 효율적인 개발운영이 가능하기 때문입니다.

사람의 노동력을 자동화하는 것은 근복적으로 매우 힘들기 때문에, 데이터 복잡도를 줄이기 위해 도메인을 신중히(특히 좁게) 선택해야 할 것입니다.

모형에 데이터들이 어떻게 투입되는지, 비용 배분이 어떻게 되는지를 깊게 이해하고 있어야 합니다. 이런 비용들이 차츰 줄어들기는 하겠지만, 없어지지는 않는다는 것을 염두하고, 높은 비용에 맞는 계획을 짜는 것이 옳습니다.

단순 인공지능 모형 개발이 아닌, 서비스를 운영하는 것을 고려해볼 필요가 있습니다. 자율주행차를 파는 것이 아닌 택시 서비스를 운영하는 것, 번역 소프트웨어를 파는 것이 아닌 전반적인 번역 서비스를 제공하는 것 등을 고려해볼 수 있습니다.

서비스는 특히 복잡하거나 새로운 개념의 기술을 판매할 때, 시장 진입의 좋은 도구가 될 수 있습니다. 이런 하이브리드 비즈니스를 하는것이 쉽지는 않지만, 고객 니즈에 대한 깊은 통찰을 얻을 수 있고, 빠른 성장, 시장 기반의 회사를 이룰 수 있습니다.

아직 인공지능 기술은 성장 중입니다. 짧은 미래에도 많은 기술적 진보가 있을 것이기 때문에 지금의 기술 방식에 의존하여 설계하면 추후에 부담으로 다가올 수 있습니다.

인공지능 기술 자체가 장기적으로 진입장벽을 가질 수 있을지는 확실치 않더라도, 적절한 데이터로 좋은 상품을 제공한다면 좋은 비즈니스를 운영할 수 있습니다.

지금까지 설명한 요소들을 그림으로 요약하면 아래와 같을 것 같습니다.

규모화 측면에서 예외 케이스들 때문에 고객을 늘리기에 한계가 있다는 것과, 비용 측면에서 모형 훈련비용, 운영비용이 증가한다는 것입니다.

이 글에서는 크게 SaaS 기업과 비교하다보니, 많은 예시들이 B2B 비즈니스 쪽으로 설명을 하는 것 같습니다. 실제로 B2B 기업의 경우 인공지능 모형과 기술을 판매하려다보면 현재의 SI업체와 같은 길을 걷게 될 가능성이 많아보입니다.B2C 기업도 위의 사항들을 고려할 필요가 있어보입니다.

그림에서 볼 수 있는 차이점을 바탕으로 인공지능기업이 효율적인 성장을 하기 위해서
1) 예외 케이스를 최소화하고, 한계비용을 줄이기 위해 도메인 영역을 잘 선택해야 하겠습니다.
2) 기술적으로 올해의 화두가 되기도 하는 Tiny AI, Self-supervised Learning, XAI 등 데이터 라벨링, 학습 로드, 인간의 개입을 덜어줄 수 있는 기술을 적극 검토해야 하겠습니다.³⁾
2) 네트워크 효과 등의 이점을 시장에서 이루기 위해, 단순 인공지능 개발이 아닌 서비스 제공 기업이 되어야 하겠습니다. 특히 고객들은 문제를 해결하는 것에 관심이 있지, 그 이면의 기술에는 관심이 적기 때문에, 이 점을 특히 생각해보아야 하겠습니다.

• 원문: The New Business of AI and How Its Different From Traditional Software
• 제로투원, 피터틸, 2014, 한국경제신문
• The Single Biggest Reason Why AI/ML Companies Fail to Scale? : 데이터 수집, 클렌징, 저장, 요약, 라벨링과 이런 데이터 흐름의 시스템화을 인공지능기업이 성장하기 위해 고려해야 할 '숨은비용'으로 꼽고 있습니다.