데이터 제약으로 인해 AI 구현에 어려움을 겪는 기업들
몇 년 전만 해도 비즈니스 기술 환경은 새로운 운영 방식을 발견하고 최적의 전략 방향을 제시할 수 있다는 기대감으로 조직이 방대한 양의 정보를 축적하는 것을 의미하는 '빅 데이터'라는 유행어가 지배적이었습니다.
오늘날 점점 더 분명해지는 것은 기업들이 빅데이터를 효과적으로 활용하는 데 있어 직면한 문제들이 여전히 지속되고 있으며, 바로 이러한 문제들을 다시 주목하게 하는 것이 바로 새로운 기술인 AI의 등장입니다. 빅데이터를 괴롭히는 근본적인 문제를 해결하지 않고서는 AI 구현은 실패할 수밖에 없습니다.
그렇다면 무엇이 AI의 잠재력을 발휘하지 못하게 하는 걸까요?
대부분의 장애물은 데이터 리소스 자체에서 비롯됩니다. 문제를 파악하려면 일반적인 업무 중에 활용되는 다양한 정보 소스를 고려해 보세요.
중소기업(SME)의 경우:
- 사용자 노트북, Google 스프레드시트 또는 Office 365 클라우드 저장소에 저장된 스프레드시트.
- 고객 관계 관리(CRM) 플랫폼.
- 동료, 고객, 공급업체 간의 이메일 서신.
- Word 문서, PDF 파일 및 온라인 양식.
- 인스턴트 메시징 애플리케이션.
대기업에서:
- 위의 모든 소스에 추가,
- 전사적 자원 관리(ERP) 시스템.
- 실시간 데이터 스트림.
- 데이터 레이크.
- 다양한 독립형 애플리케이션을 지원하는 별도의 데이터베이스.
이 간략한 목록이 모든 것을 담고 있는 것은 아니며, 그럴 의도도 없다는 점에 유의하세요. 이 목록의 목적은 단 5가지 항목만 보더라도 정보가 약 12곳에 흩어져 있을 수 있다는 것을 보여주기 위한 것입니다. 빅 데이터에 필요했던, 그리고 지금도 종종 필요한 것은, 그리고 AI 이니셔티브에도 필요한 것은 컴퓨터 알고리즘이 효과적으로 해석할 수 있도록 이러한 이질적인 요소를 통합하는 방법입니다.
가트너의 2024년 인공지능 하이프 사이클에서 AI-레디 데이터는 '생산성의 정체기'에 도달하기까지 약 2년에서 5년이 걸릴 것으로 예상되는 상승 경사면에 위치했습니다. AI 시스템이 데이터 마이닝과 추출에 의존한다는 점을 고려할 때, 초대형 조직을 제외한 대부분의 조직은 필요한 기본 인프라가 부족합니다. 따라서 향후 1~4년 동안은 AI 기반 지원의 혜택을 받지 못할 수도 있습니다.
AI 배포의 핵심 과제는 혁신의 촉발, 부풀려진 기대의 정점, 환멸의 저점, 깨달음의 경사, 생산성의 정체로 이어지는 빅데이터 이니셔티브의 과열 주기를 거치면서 방해가 되었던 문제와 유사합니다. 데이터는 다양한 형식으로 존재하며, 일관성이 없거나, 다른 표준을 따르거나, 부정확하거나 편향되어 있거나, 매우 민감한 정보를 포함하거나, 오래되어 관련성이 없을 수 있습니다.
데이터를 AI에 적합하도록 변환하는 프로세스는 그 어느 때보다 중요해졌습니다. 초기 우위를 점하고자 하는 기업은 사용 가능한 수많은 데이터 처리 플랫폼을 실험해 볼 수 있습니다. 일반적인 권장 사항에 따라, 새로운 기술의 효과를 평가하기 위한 테스트 베드로서 제한적이고 개별적인 프로젝트부터 시작할 수 있습니다.
최신 데이터 준비 및 조립 시스템의 주요 이점은 AI 가치 창출 플랫폼에서 사용할 수 있도록 조직의 정보 리소스를 구성하도록 특별히 설계되었다는 점입니다. 예를 들어, 데이터 컴플라이언스를 보장하고 사용자가 편향되거나 상업적으로 민감한 정보에 액세스하는 것을 방지하기 위해 신중하게 코딩된 가드레일을 통합할 수 있습니다.
그럼에도 불구하고 일관성 있고 안전하며 잘 구조화된 데이터 리소스를 만드는 것은 계속되는 과제입니다. 조직이 일상적인 운영을 통해 더 많은 데이터를 축적함에 따라 최신의 접근 가능한 데이터 리소스를 유지하는 것은 지속적인 노력입니다. 빅데이터는 종종 정적 자산으로 취급될 수 있지만, AI 활용을 위한 데이터는 가능한 한 실시간에 가깝게 준비되고 처리되어야 합니다.
따라서 조직은 기회, 위험, 비용의 세 가지 측면에서 섬세한 균형을 유지해야 합니다. 현대 기업에게 적합한 공급업체 또는 플랫폼을 선택하는 것이 그 어느 때보다 중요해졌습니다.
(출처: Darien과 Neil의 "비즈니스 스쿨 내부"는 CC BY-NC 2.0에 따라 라이센스가 부여됩니다.)

업계 최고 전문가로부터 AI와 빅데이터에 대해 자세히 알아보고 싶으신가요? 암스테르담, 캘리포니아, 런던에서 열리는 AI & 빅데이터 엑스포에 참석하세요. 이 종합적인 이벤트는 TechEx의 일부이며 다른 최고의 기술 모임과 함께 개최됩니다. 자세한 내용을 보려면 여기를 클릭하세요.
AI 뉴스는 TechForge Media에서 제공합니다. 예정된 엔터프라이즈 기술 이벤트와 웨비나는 여기에서 더 알아보세요.
관련 기사
Anthropic, 클로드 AI 코딩 도구를 일본으로 확장하여 해외 성장 추진
미국의 대표적인 인공지능 기업인 앤트로픽(Anthropic)이 글로벌 마케팅을 강화하고 있다. 수요일, 이 회사는 도쿄에서 약 500명의 소프트웨어 엔지니어가 참석한 대규모 개발자 행사인 '클로드로 코딩(Code with Claude)'을 개최했다. 이번 행사는 자율적 코딩 기능의 핵심 이점을 강조하며, 클로도 AI 도구와 관련 제품을 일본 시장에 적극적으로 도입하여 기업의 생산성을 높이는 것을 목표로 한다.자동 코드 생성 강조행사 동안 앤
인도의 소프트웨어 거대 기업이 채용을 축소하고 AI 에이전트 확대에 따라 해고를 약속하지 않음
인공지능이 전통적인 노동집약적 비즈니스 모델을 재편함에 따라, 인도 최고의 소프트웨어 아웃소싱 기업인 타타 컨설팅 서비스스(TCS)는 전략적 대응책을 공개했습니다. 화요일 열린 정기주주총회에서 회장은 인간과 기계의 협력을 비전으로 제시하고, AI 시대의 회사 인력 전략을 명확히 했습니다.해고는 없지만 채용은 느려질 것TCS 회장은 AI 도입으로 인한 직원 해고 계획이 없다고 명시하면서도, 전체 채용 속도는 늦출 것이라고 밝혔습니다. TCS는
중국, 가오카오 기간 중 AI 모델 잠금으로 즉각적인 과제 도움 차단
2026년 대학수학능력시험(가오카오)이 임박함에 따라 시험 기간 중 AI 도구 사용 금지에 관한 루머가 온라인상에서 뜨거운 논쟁을 불러일으켰다. 대중의 우려에 대응하여 주요 AI 플랫폼과 교육용 앱들은 총체적인 금지보다는 시험 관련 기능에 대해 시기 한정 잠금 장치를 적용한다는 입장을 명확히 했다.이들 플랫폼은 정밀한 시간 기반 제어 메커니즘을 채택했다. 공식 시험 시간 동안 사진 기반 문제 풀이 및 질문 분석 기능은 일시적으로 비활성화된다.
관련 특별 주제 추천
의견 (3)
0/500
Honestly, the shift from 'Big Data' hype to 'AI Implementation' struggles feels like we're just hitting the same wall with a fancier name. Companies hoarded data without a real plan, and now they're stuck trying to make sense of it all for AI. It's less of a tech problem and more of a strategy one. 🤷♂️
이 기사 읽고 한국에서도 똑같은 문제를 겪는 회사들이 많다는 게 공감돼요. 데이터 부족에 머신러닝 성능이 제한되는 현실, 우리 회사에서 AI 프로젝트 할 때도 비슷했어요. 재무팀 쪽에서는 정형화된 데이터가 많은데 영업팀 데이터는 너무 흩어져 있고… 결국 데이터 정제하는 데 시간 다 쓰고 진짜 AI 구현은 뒷전이었던 기억이 나네요. 혹시 이 글에서 언급한 '데이터 부족'을 해결할 구체적인 솔루션 예시가 더 있었으면 좋겠어요! 🤔
Parece que los datos vuelven para vengarse 🔍. Recuerdo cuando todo era 'Big Data' como solución mágica, y ahora las empresas se topan con pared por falta de datos de calidad para entrenar sus IA. Me pregunto si este ciclo de hype→problema→nuevo hype es inevitable en tecnología. ¿Acabaremos viendo 'Big Data 2.0' como la próxima promesa? 😅 Algo me dice que el verdadero desafío no es la cantidad, sino cómo organizamos y usamos lo que ya tenemos.
몇 년 전만 해도 비즈니스 기술 환경은 새로운 운영 방식을 발견하고 최적의 전략 방향을 제시할 수 있다는 기대감으로 조직이 방대한 양의 정보를 축적하는 것을 의미하는 '빅 데이터'라는 유행어가 지배적이었습니다.
오늘날 점점 더 분명해지는 것은 기업들이 빅데이터를 효과적으로 활용하는 데 있어 직면한 문제들이 여전히 지속되고 있으며, 바로 이러한 문제들을 다시 주목하게 하는 것이 바로 새로운 기술인 AI의 등장입니다. 빅데이터를 괴롭히는 근본적인 문제를 해결하지 않고서는 AI 구현은 실패할 수밖에 없습니다.
그렇다면 무엇이 AI의 잠재력을 발휘하지 못하게 하는 걸까요?
대부분의 장애물은 데이터 리소스 자체에서 비롯됩니다. 문제를 파악하려면 일반적인 업무 중에 활용되는 다양한 정보 소스를 고려해 보세요.
중소기업(SME)의 경우:
- 사용자 노트북, Google 스프레드시트 또는 Office 365 클라우드 저장소에 저장된 스프레드시트.
- 고객 관계 관리(CRM) 플랫폼.
- 동료, 고객, 공급업체 간의 이메일 서신.
- Word 문서, PDF 파일 및 온라인 양식.
- 인스턴트 메시징 애플리케이션.
대기업에서:
- 위의 모든 소스에 추가,
- 전사적 자원 관리(ERP) 시스템.
- 실시간 데이터 스트림.
- 데이터 레이크.
- 다양한 독립형 애플리케이션을 지원하는 별도의 데이터베이스.
이 간략한 목록이 모든 것을 담고 있는 것은 아니며, 그럴 의도도 없다는 점에 유의하세요. 이 목록의 목적은 단 5가지 항목만 보더라도 정보가 약 12곳에 흩어져 있을 수 있다는 것을 보여주기 위한 것입니다. 빅 데이터에 필요했던, 그리고 지금도 종종 필요한 것은, 그리고 AI 이니셔티브에도 필요한 것은 컴퓨터 알고리즘이 효과적으로 해석할 수 있도록 이러한 이질적인 요소를 통합하는 방법입니다.
가트너의 2024년 인공지능 하이프 사이클에서 AI-레디 데이터는 '생산성의 정체기'에 도달하기까지 약 2년에서 5년이 걸릴 것으로 예상되는 상승 경사면에 위치했습니다. AI 시스템이 데이터 마이닝과 추출에 의존한다는 점을 고려할 때, 초대형 조직을 제외한 대부분의 조직은 필요한 기본 인프라가 부족합니다. 따라서 향후 1~4년 동안은 AI 기반 지원의 혜택을 받지 못할 수도 있습니다.
AI 배포의 핵심 과제는 혁신의 촉발, 부풀려진 기대의 정점, 환멸의 저점, 깨달음의 경사, 생산성의 정체로 이어지는 빅데이터 이니셔티브의 과열 주기를 거치면서 방해가 되었던 문제와 유사합니다. 데이터는 다양한 형식으로 존재하며, 일관성이 없거나, 다른 표준을 따르거나, 부정확하거나 편향되어 있거나, 매우 민감한 정보를 포함하거나, 오래되어 관련성이 없을 수 있습니다.
데이터를 AI에 적합하도록 변환하는 프로세스는 그 어느 때보다 중요해졌습니다. 초기 우위를 점하고자 하는 기업은 사용 가능한 수많은 데이터 처리 플랫폼을 실험해 볼 수 있습니다. 일반적인 권장 사항에 따라, 새로운 기술의 효과를 평가하기 위한 테스트 베드로서 제한적이고 개별적인 프로젝트부터 시작할 수 있습니다.
최신 데이터 준비 및 조립 시스템의 주요 이점은 AI 가치 창출 플랫폼에서 사용할 수 있도록 조직의 정보 리소스를 구성하도록 특별히 설계되었다는 점입니다. 예를 들어, 데이터 컴플라이언스를 보장하고 사용자가 편향되거나 상업적으로 민감한 정보에 액세스하는 것을 방지하기 위해 신중하게 코딩된 가드레일을 통합할 수 있습니다.
그럼에도 불구하고 일관성 있고 안전하며 잘 구조화된 데이터 리소스를 만드는 것은 계속되는 과제입니다. 조직이 일상적인 운영을 통해 더 많은 데이터를 축적함에 따라 최신의 접근 가능한 데이터 리소스를 유지하는 것은 지속적인 노력입니다. 빅데이터는 종종 정적 자산으로 취급될 수 있지만, AI 활용을 위한 데이터는 가능한 한 실시간에 가깝게 준비되고 처리되어야 합니다.
따라서 조직은 기회, 위험, 비용의 세 가지 측면에서 섬세한 균형을 유지해야 합니다. 현대 기업에게 적합한 공급업체 또는 플랫폼을 선택하는 것이 그 어느 때보다 중요해졌습니다.
(출처: Darien과 Neil의 "비즈니스 스쿨 내부"는 CC BY-NC 2.0에 따라 라이센스가 부여됩니다.)

업계 최고 전문가로부터 AI와 빅데이터에 대해 자세히 알아보고 싶으신가요? 암스테르담, 캘리포니아, 런던에서 열리는 AI & 빅데이터 엑스포에 참석하세요. 이 종합적인 이벤트는 TechEx의 일부이며 다른 최고의 기술 모임과 함께 개최됩니다. 자세한 내용을 보려면 여기를 클릭하세요.
AI 뉴스는 TechForge Media에서 제공합니다. 예정된 엔터프라이즈 기술 이벤트와 웨비나는 여기에서 더 알아보세요.
Anthropic, 클로드 AI 코딩 도구를 일본으로 확장하여 해외 성장 추진
미국의 대표적인 인공지능 기업인 앤트로픽(Anthropic)이 글로벌 마케팅을 강화하고 있다. 수요일, 이 회사는 도쿄에서 약 500명의 소프트웨어 엔지니어가 참석한 대규모 개발자 행사인 '클로드로 코딩(Code with Claude)'을 개최했다. 이번 행사는 자율적 코딩 기능의 핵심 이점을 강조하며, 클로도 AI 도구와 관련 제품을 일본 시장에 적극적으로 도입하여 기업의 생산성을 높이는 것을 목표로 한다.자동 코드 생성 강조행사 동안 앤
인도의 소프트웨어 거대 기업이 채용을 축소하고 AI 에이전트 확대에 따라 해고를 약속하지 않음
인공지능이 전통적인 노동집약적 비즈니스 모델을 재편함에 따라, 인도 최고의 소프트웨어 아웃소싱 기업인 타타 컨설팅 서비스스(TCS)는 전략적 대응책을 공개했습니다. 화요일 열린 정기주주총회에서 회장은 인간과 기계의 협력을 비전으로 제시하고, AI 시대의 회사 인력 전략을 명확히 했습니다.해고는 없지만 채용은 느려질 것TCS 회장은 AI 도입으로 인한 직원 해고 계획이 없다고 명시하면서도, 전체 채용 속도는 늦출 것이라고 밝혔습니다. TCS는
중국, 가오카오 기간 중 AI 모델 잠금으로 즉각적인 과제 도움 차단
2026년 대학수학능력시험(가오카오)이 임박함에 따라 시험 기간 중 AI 도구 사용 금지에 관한 루머가 온라인상에서 뜨거운 논쟁을 불러일으켰다. 대중의 우려에 대응하여 주요 AI 플랫폼과 교육용 앱들은 총체적인 금지보다는 시험 관련 기능에 대해 시기 한정 잠금 장치를 적용한다는 입장을 명확히 했다.이들 플랫폼은 정밀한 시간 기반 제어 메커니즘을 채택했다. 공식 시험 시간 동안 사진 기반 문제 풀이 및 질문 분석 기능은 일시적으로 비활성화된다.
Honestly, the shift from 'Big Data' hype to 'AI Implementation' struggles feels like we're just hitting the same wall with a fancier name. Companies hoarded data without a real plan, and now they're stuck trying to make sense of it all for AI. It's less of a tech problem and more of a strategy one. 🤷♂️
이 기사 읽고 한국에서도 똑같은 문제를 겪는 회사들이 많다는 게 공감돼요. 데이터 부족에 머신러닝 성능이 제한되는 현실, 우리 회사에서 AI 프로젝트 할 때도 비슷했어요. 재무팀 쪽에서는 정형화된 데이터가 많은데 영업팀 데이터는 너무 흩어져 있고… 결국 데이터 정제하는 데 시간 다 쓰고 진짜 AI 구현은 뒷전이었던 기억이 나네요. 혹시 이 글에서 언급한 '데이터 부족'을 해결할 구체적인 솔루션 예시가 더 있었으면 좋겠어요! 🤔
Parece que los datos vuelven para vengarse 🔍. Recuerdo cuando todo era 'Big Data' como solución mágica, y ahora las empresas se topan con pared por falta de datos de calidad para entrenar sus IA. Me pregunto si este ciclo de hype→problema→nuevo hype es inevitable en tecnología. ¿Acabaremos viendo 'Big Data 2.0' como la próxima promesa? 😅 Algo me dice que el verdadero desafío no es la cantidad, sino cómo organizamos y usamos lo que ya tenemos.





집






