데이터 라벨링, AI의 눈과 귀를 만들어주는 핵심 작업

 

데이터 라벨링은 이미지, 텍스트, 오디오, 비디오와 같은 원시 데이터에 의미를 부여하는 중요한 과정이다. 아무것도 모르는 어린아이에게 사물을 가르치고 세상에 대해 이해하도록 돕는 것처럼, 인공지능(AI)과 기계 학습(Machine Learning) 모델도 세상을 이해하기 위한 학습 과정이 필요합니다. 이때 가장 중요한 첫 단계가 바로 데이터 라벨링이다.

본 글에서는 데이터 라벨링이 무엇이고, 어떻게 동작하는지 알아보자.

데이터 라벨링이란?

데이터 라벨링은 이미지, 텍스트, 오디오, 비디오와 같은 데이터에 정보를 추가하는 과정이다. 우리가 인스타그램이나 페이스북에 글을 쓸 때 태그를 지정하여 쉽게 검색하고 분류할 수 있도록 하듯이 데이터를 쉽게 검색하고 이해할 수 있도록 하는 것이라고 생각하면 된다. 이런 “태그 지정”은 데이터 유형에 따라 다양한 형태로 이루어질 수 있다.

• 이미지: 사진 속의 강아지, 고양이, 자동차 같은 물체를 식별하고 경계를 지정하거나 , 숲, 바다, 사막과 같은 장면을 설명하고, 사람 얼굴이나 상품처럼 특정 영역을 표시할 수 있다.

• 텍스트: 문장의 긍정/부정/중립 감정을 분류하거나 , 스포츠, 정치, 연예와 같은 주제를 식별하고 , 사람 이름, 장소와 같은 특정 엔티티를 추출하는 작업이 포함된다.

• 오디오: 음성에 대한 라벨링은 말소리나 음악 같은 소리를 분류하거나 , 말하는 사람의 성별, 나이, 억양 같은 속성을 나타낼 수 있습니다. 감정을 감지하는 것도 가능하다.

• 비디오: 이미지와 오디오의 요소를 결합하여 객체의 움직임, 특정 동작(걷기, 달리기), 또는 이벤트(골 장면, 사고)를 식별하고 추적한다.

데이터 라벨링이 왜 중요할까?

데이터 라벨링은 강력한 AI 및 머신러닝 모델을 구축하는 데 필수적이다. 라벨링된 데이터를 통해 모델은 학습하고, 정확한 예측이나 의사결정을 내릴 수 있도록 패턴과 관계를 파악한다.

정확하게 라벨링되지 않은 데이터는 마치 장난감으로 가득 찬 방에서 장난감을 어떻게 가지고 놀아야 할지 모르는 아이와 같다. 제대로 된 라벨이 없으면 모델은 혼란스러워하며 올바른 학습을 할 수 없다.

• 모델 정확도 향상: 명확하게 라벨링된 데이터는 모델이 학습할 수 있는 올바른 '정답'을 제공하여, 더 정확한 예측과 뛰어난 성능의 AI 애플리케이션을 만들 수 있게 한다.

• 다양한 애플리케이션 지원: 스팸 이메일 필터링, 자율주행 자동차의 물체 인식, 얼굴 인식 기술 등 데이터 라벨링은 우리 삶의 다양한 분야에서 AI의 가능성을 열어준다.

• 데이터 통찰력 제공: 라벨링 과정 자체만으로도 데이터에 대한 귀중한 통찰력을 얻을 수 있다. 데이터 내의 패턴, 편향, 추세를 이해하는 데 도움이 되어 더 나은 의사결정을 할 수 있게 된다.

데이터 라벨링의 다양한 유형

각 데이터 유형에는 고유한 라벨링 방식이 필요하며 , 크게 네 가지 주요 범주로 나눌 수 있다.

이미지 라벨링

• 객체 감지(Object Detection): 이미지 내의 특정 객체(예: 사람, 자동차)를 식별하고 그 위치를 사각형으로 표시한다. 자율주행차나 보안 시스템에 활용된다.

• 이미지 분류(Image Classification): 전체 이미지가 어떤 내용을 담고 있는지(예: 풍경, 도시, 인물) 분류하는 작업이다. 사진 갤러리 정리 등에 사용된다.

• 의미적 분할(Semantic Segmentation): 이미지의 모든 픽셀에 내용(예: 하늘, 숲, 도로)을 기반으로 라벨을 지정한다. 배경과 객체를 정밀하게 분리할 때 유용하다.

• 인스턴스 분할(Instance Segmentation): 이미지 내의 동일한 객체라도 개별적인 인스턴스(예: 여러 명의 보행자, 여러 대의 자동차)를 식별하고 분할한다.

텍스트 라벨링

• 감정 분석(Sentiment Analysis): 텍스트에 담긴 감정적인 톤(예: 긍정, 부정, 중립)을 분류한다. 고객 리뷰 분석 등에 활용된다.

• 엔티티 인식(Entity Recognition): 텍스트 내에서 고유한 명명된 엔티티(예: 사람 이름, 장소, 날짜)를 식별하고 태그를 지정한다. 챗봇이나 정보 추출 시스템에 사용된다.

• 주제 라벨링(Topic Labeling): 텍스트를 특정 주제(예: 정치, 스포츠, 연예)에 따라 분류한다. 뉴스 기사 분류 등에 활용된다.

• 품사 태깅(Part-of-Speech Tagging): 문장의 각 단어에 명사, 동사, 형용사 등 문법적 기능을 라벨로 표시한다. 자연어 처리의 기본적인 단계이다.

오디오 라벨링

• 음성 인식(Speech Recognition): 사람이 말한 내용을 텍스트로 변환한다. 음성 비서나 받아쓰기 기능에 사용된다.

• 화자 식별(Speaker Identification): 음성 특성을 기반으로 누가 말하고 있는지(화자)를 인식한다.

• 사운드 분류(Sound Classification): 오디오 클립 내의 다양한 사운드(예: 노래, 소음, 음악)를 식별하고 분류한다.

• 감정 인식(Emotion Recognition): 말하는 사람의 목소리 톤에서 감정(예: 행복, 슬픔, 분노)을 감지한다.

비디오 라벨링

• 객체 추적(Object Tracking): 비디오 시퀀스 전체에서 특정 객체의 움직임을 지속적으로 추적한다. CCTV 분석 등에 활용된다.

• 동작 인식(Action Recognition): 비디오 내에서 사람의 동작(예: 걷기, 달리기, 점프, 앉기)을 식별하고 분류한다.

• 이벤트 감지(Event Detection): 비디오에서 발생하는 특정 이벤트(예: 골, 뉴스 속 사건, 사고)를 인식한다.

• 비디오 요약(Video Summarization): 비디오 콘텐츠를 대표하는 주요 프레임이나 중요한 세그먼트를 식별하여 요약본을 만든다.

데이터 라벨링은 어떻게 작동하는가?

데이터 라벨링은 기계에게 세상을 '보는 법'을 가르치는 것과 같다. 이미지, 텍스트, 소리, 영상과 같은 데이터를 수집하고, 그 안에 있는 사물, 감정, 행동 등을 식별하는 의미 있는 태그를 추가한다. 이 라벨링된 데이터를 통해 기계는 학습하고 예측하여 다양한 분야에서 강력한 AI 애플리케이션을 구축할 수 있게 된다.

물론 데이터 품질과 정확성 같은 문제들이 존재하지만 , 자동화 및 새로운 기술의 발전은 더욱 효율적이고 신뢰할 수 있는 라벨링의 길을 열어주고 있다.

라벨링된 데이터 vs. 라벨링되지 않은 데이터

특징	라벨링된 데이터	라벨링 되지 않은 데이터
정의	미리 정의된 라벨이나 정의가 있는 데이터, 잘 정리된 도서관과 같다.	미리 정의된 라벨이나 정의가 없는 데이터, 알려지지 않은 물건들이 담긴 보물상자와 같다.
활용	정확한 예측을 위해 패턴과 관계를 학습하도록 머신 러닝 모델을 훈련한다.	숨겨진 패턴을 발견하고, 유사한 항목을 그룹화하고, 새로운 지식을 생성하는 비지도 학습 기술이다.
장점	학습하기 쉽고, 더 정확한 모델을 만들 수 있다.	방대한 양의 정보가 제공되고, 새로운 발견의 잠재력이 있다.
단점	획득 및 라벨링에 많은 비용과 시간이 소요될 수 있다.	분석하고 해석하기 어려울 수 있으며 신뢰할 수 없는 인사이트로 이어질 수 있다.
예시	객체 이름이 태그된 이미지, 긍정/부정으로 분류된 텍스트, 사운드 유형이 라벨링된 오디오	태그가 없는 텍스트, 이미지 또는 오디오의 대규모 데이터 세트이다.

데이터 라벨링 접근 방식

데이터 라벨링은 모든 경우에 적용되는 단일 프로세스가 아니다. 데이터 유형, 목표, 그리고 리소스에 따라 다양한 접근 방식이 존재한다. 몇 가지 주요 옵션에 대해 알아보자.

1. 수동 라벨링

• 설명: 사람이 직접 데이터에 라벨을 지정하는 가장 기본적인 방법이다.

• 장점: 매우 정확하다.

• 단점: 시간과 비용이 많이 들고 , 대규모 데이터 세트에는 확장성 문제가 발생할 수 있다.

• 적합한 경우: 소규모 프로젝트나 주관적인 판단이 필요한 작업에 적합하다.

2. 능동 학습

• 설명: 모델이 라벨링 작업자와 상호 작용하며, 학습을 극대화할 수 있는 특정 데이터 포인트를 요청하여 라벨링 효율을 높이는 방식이다.

• 장점: 라벨링 작업을 효율적으로 활용하여 시간이 지남에 따라 모델 정확도가 향상되고 비용이 절감된다.

• 단점: 훈련된 모델이 필요하며, 모든 작업에 적합하지 않을 수 있다.

• 적합한 경우: 대규모 데이터 세트와 모델 피드백이 중요한 반복적인 프로젝트에 적합하다.

3. 반지도 학습

• 설명: 소량의 라벨링된 데이터와 대량의 라벨링되지 않은 데이터를 함께 활용하여, 사람이 확인한 예비 라벨을 자동으로 지정하는 방식이다.

• 장점: 대규모 데이터 세트에 적용 가능하며 , 수동 라벨링의 필요성을 줄이고 숨겨진 패턴을 식별할 수 있다.

• 단점: 고품질의 초기 라벨링된 데이터가 필요하며 , 라벨링되지 않은 데이터의 '노이즈'가 모델 정확도에 영향을 줄 수 있다.

• 적합한 경우: 모든 데이터에 라벨을 지정하는 것이 비실용적인 대규모 데이터 세트나 탐색적인 작업에 활용될 수 있다.

4. 크라우드 소싱

• 설명: 라벨링 작업을 대규모 온라인 커뮤니티에 분산하여 많은 사람이 함께 완료하는 방식이다.

• 장점: 대규모 데이터 세트에 비용 효율적이며 , 다양한 관점을 통해 정확도를 향상시킬 수 있다.

• 단점: 품질 관리의 어려움, 편향 가능성, 민감한 데이터의 경우 보안 문제 등이 발생할 수 있다.

• 적합한 경우: 속도와 저렴한 비용이 우선시되는 간단한 작업이나 매우 큰 데이터 세트에 적합하다.

5. 전이 학습

• 설명: 이전에 훈련된 모델의 지식(라벨링)을 유사한 새 작업에 활용하여 새로운 라벨링의 필요성을 줄이는 방식이다.

• 장점: 라벨링 프로세스를 가속화하고 기존 지식을 활용할 수 있다.

• 단점: 원래 라벨의 품질에 의존하며 , 다른 작업에 잘 적용되지 않을 수도 있다.

• 적합한 경우: 기존 데이터 세트와 관련된 작업에 가장 적합하며, 도메인 지식 전달이 가능하다.

데이터 라벨링의 이점과 과제

데이터 라벨링은 AI 개발에 필수적이지만, 장점과 함께 단점도 존재한다. 이 두 가지 측면을 잘 이해하는 것이 중요하다.

데이터 라벨링의 이점

1. 정확한 AI 모델 구축: 라벨링된 데이터는 머신러닝 모델이 '실제 데이터'를 학습할 수 있도록 하는 기준점을 제공한다. 명확한 라벨 덕분에 모델은 패턴과 관계를 파악하여 다양한 분야에서 더 정확한 예측과 뛰어난 성능을 보인다.

2. 다양한 응용 분야 활성화: 얼굴 인식, 이메일 스팸 필터링, 의료 진단 등 데이터 라벨링은 우리의 일상생활을 개선하는 AI 분야의 발전을 촉진한다.

3. 데이터 통찰력 제공: 라벨링 프로세스 자체를 통해 데이터 속에 숨겨진 귀중한 인사이트를 발견할 수 있다. 라벨 내의 패턴, 트렌드, 심지어 편향까지 분석하여 데이터를 더 깊이 이해하고 합리적인 의사결정을 내리는 데 도움을 준다.

데이터 라벨링의 과제

데이터 라벨링의 중요성에도 불구하고 몇 가지 난관에 부딪히기도 한다.

1. 데이터 품질 문제: 불일치, 편향, 또는 오류가 있는 낮은 품질의 데이터는 부정확한 라벨로 이어질 수 있으며, 결국 신뢰할 수 없는 AI 모델을 초래할 수 있다.

2. 라벨링 정확도 확보: 감정 분석이나 이미지 분할과 같은 주관적인 작업에서는 일관되고 정확한 라벨링을 보장하기 어렵다. 사람의 실수나 해석의 차이가 발생할 가능성이 있다.

3. 비용 및 시간 소모: 대규모 데이터 세트에 대한 수동 라벨링은 엄청난 비용과 시간이 소요될 수 있다. 역량 있는 인력을 찾고, 교육하고, 관리하는 것 또한 큰 부담이다.

명확한 라벨 지정을 위한 준비 사항

위에서 언급된 과제들을 극복하고 효율적인 라벨링 작업을 수행하기 위해서는 몇 가지 준비가 필요하다.

1. 명확한 라벨링 가이드라인 정의: 라벨링 작업자가 혼란 없이 작업을 이해하고 모호성을 최소화할 수 있도록 정확한 지침과 풍부한 예시를 제공해야 한다.

2. 적절한 도구와 기술 사용: 특정 데이터 유형과 작업에 맞게 최적화된 라벨링 도구를 활용하여 프로세스를 간소화하고 일관성을 개선해야 한다.

3. 품질 모니터링 및 조정: 라벨링 결과의 품질을 지속적으로 모니터링하고 평가자 간의 합의를 확인하며, 오류 감지 메커니즘을 구현하여 부정확한 부분을 식별하고 즉시 해결해야 한다.

데이터 라벨링 사용 사례

데이터 라벨링은 다양한 분야에 적용된다.

• 컴퓨터 비전: 자율주행 자동차의 이미지 인식 , 질병을 진단하는 의료 영상 분석 , 얼굴 인식 시스템 등에 필수적으로 사용된다.

• 자연어 처리 (NLP): 고객 서비스 챗봇의 감정 분석 , 실시간 번역 , 방대한 텍스트를 요약하는 기술 등 에 활용된다.

• 음성 인식: 스마트폰 음성 비서 , 음성 검색 , 자동화된 콜센터 시스템 등 음성을 텍스트로 변환하고 이해하는 모든 과정에 필요하다.

• 추천 시스템: 이커머스 쇼핑몰의 상품 추천 , 음악 스트리밍 서비스의 개인화된 플레이리스트 추천 , 비디오 플랫폼의 콘텐츠 추천 등에 사용되어 사용자 만족도를 높인다.

• 데이터 분석: 시장 조사 , 재무 분석 , 과학 연구 등 대규모 데이터 세트에서 의미 있는 패턴과 추세를 파악하는 데 기여한다.

데이터 라벨링을 위한 도구 및 플랫폼

데이터 라벨링 작업을 돕는 다양한 도구와 플랫폼이 존재한다.

• 오픈소스 도구: Labelbox, V7, Supervisely와 같은 플랫폼은 개인 개발자나 소규모 프로젝트에서 활용하기 좋은 기능을 제공한다.

• 상업용 플랫폼: AWS SageMaker Ground Truth, Scale AI, Hive 등은 대규모 기업이나 복잡한 라벨링 작업을 위한 고급 기능과 뛰어난 확장성을 제공한다.

데이터 라벨링의 미래

데이터 라벨링은 AI 기술의 발전과 함께 지속적으로 효율성과 정확성이 향상될 것이다. 자동화된 라벨링 기술의 발전과 반자동화 도구의 등장은 라벨링 시간과 비용을 줄여줄 것으로 기대된다.

결론

데이터 라벨링은 AI 혁명의 숨은 영웅이라고 할 수 있다. 라벨링된 데이터를 통해 기계는 이미지 속 얼굴을 인식하는 것부터 언어를 번역하는 것까지 놀라운 작업을 수행할 수 있게 된다. 물론 여전히 많은 과제들이 남아 있지만 , 자동화와 새로운 기술의 발전은 데이터 라벨링을 더욱 빠르고 효율적으로 만들어 주고 있으며 , 이는 궁극적으로 AI 애플리케이션의 무한한 발전 가능성을 열어주고 있다.

Read More

AI가 당신의 삶을 더 나쁘게 만든 방법

인터넷에서 재미있는 글을 발견했기에 여기에 옮겨본다.

저자는 AI에 대해서 풍자를 한 것이기에 너무 심각하게 받아들이지 말라고 했다. 이것을 고려해서 글을 읽었으면 좋겠네요. 재미로 읽어보시죠. :)

AI가 우리의 삶을 더욱 악화시킨 5가지 방법

AI 시대가 온다고 했을 때, 우리는 더 나은 것을 상상했다. 회의도 줄고, 힘든 일도 줄고, 여유있는 시간을 가질 거라 생각했다. 그러나 여전히 보고서를 작성해야 하고, 회의에도 참석해야 한다.

AI 도구들은 디자인, 코드 작성, 디버깅, 카피라이터 등을 이미 학습했다. 아주 뛰어나지 않더라도 가격만 저렴하다면 상관없는 사람들에게는 괜찮은 도구이다. 그동안 이런 일들은 사람이 해왔지만, 이제 이 일은 환각증상이 있는 기계에게 맡겨지고 있다.

AI는 경영진을 천재라고 생각하게 만들었다.

경영진들은 AI를 좋아한다. 도움 없이 이메일도 쓸 수 없는 사람들에게는 AI는 마치 코카인과 같다. 그들은 AI를 예산 삭감, 팀 재편 그리고 인간은 줄이고 미래에 펼쳐질 “전략적 변화”를 정당화하는 기적의 도구로 여긴다.

이해하지도 못하는 도구로 대체하고, 효과가 없으면 당신 탓으로 돌린다. AI는 상사를 더 똑똑하게 만들지 않는다. 오히려 위험한 존재로 만든다.

이제 당신은 지구 전체와 경쟁해야 하고 로봇과도 경쟁하고 있다.

예전에는 특정 문제에 대해 끊임없이 생각하고 행동하는 사람이 경쟁자였다. 하지만 이제는 ChatGPT에 접속하는 사람들 그리고 경영진이 선호하는 AI 스택, 24시간 쉬지 않고 일을 처리하는 AI 덕분에 더 적은 비용으로 빠르게 일을 처리해 줄 것이다.

이런 상황에서 당신이 해야 할 일은 도구에 프롬프트를 추가하고 결과를 지켜보는 것이다. 당신의 일이 더 이상 가치를 창출하는게 아니기 때문이다. AI가 법적 조치를 초래할 만큼 엄청난 환각을 보지 않도록 하는게 당신의 일이다.

AI는 업무량을 줄이지 못했다.

AI가 지루한 것들을 없앨 거라고 했다. 사람은 “더 창의적이 될 거야!”라고 했고, “전략에 집중할 시간을 갖게 될 거야!”라고 했다.

거짓말이다. 이제 당신은 더 많은 일을 하게 된다. “AI가 도움이 된다.”는 이유로 5배 더 많은 결과물을 내야 한다는 기대를 받는다. “AI가 프로세스 속도를 높여준다.”는 이유로 더 많이, 더 빨리 일해야 한다는 기대를 받는다. “AI가 몇 가지 문제를 찾아냈다.”는 이유로 더 높은 품질의 결과물을 내야 한다는 기대를 받는다.

당신은 자유롭지 않다. 예전에는 팀원들이 나눠서 하던 업무에 쫒겼는데, 이제는 더 이상 팀이 없다. “AI 강화”라는 말의 의미는 “이제 세명 몫의 일을 하게 되지만, 임금 인상은 안 해 줄 거야”라는 뜻이다.

그럼에도 당신은 AI에 흥분하고 있다고 가정해야 한다.

이건 가스라이팅이다.

링크드인의 모든 사람들은 얘기한다. “AI는 선물이다.” “그냥 받아들여!” “거부하면 뒤쳐질 뿐이야!” 그리고 당신은 분기별로 해고되는 동료들을 지켜봐야 한다. 하지만 그렇다고 해서 짜증난다고 말할 수 는 없다. “적극적으로 참여해야” 한다.

휴게실에서도 불평할 수 없다. AI가 감시할 테니까. 커피 머신이 엿듣고 있을지도 모른다.

우리는 놀림을 받았다.

AI는 우리의 구세주가 아니었다. 주주들의 절박함과 기술 우월주의에 사로잡힌 자존심이 조종하는 트로이 목마였다. 그들은 해방을 약속했다. 하지만 우리가 얻은 것은 노동의 모든 문제점을 가속화하는 것이었다. 단지 더 빠르고, 더 멍청하고, 고통을 나눌 사람이 줄어들었을 뿐이다.

그럼에도 우리는 여기에 있다. 여전히 일을 하고, 여전히 저임금이다. 그리고 지금은 표절 자체가 혁신이라고 생각하는 로봇에 의해 점차 사라지고 있다.

이게 일의 미래라면, 어쩌면 기계가 일을 대신해야 할지도 모른다. 그러면 적어도 우리는 마침내 쉴 수 있겠지.

Read More

업무에서의 AI

하버드 경영 대학원에서 연구한 결과에 따르면, AI를 활용하는 사람들은 사람으로 구성된 팀과 동등한 성과를 내고, 더 긍정적인 감정을 느낀것으로 나타났다.

내용을 요약하면,

AI를 사용하는 개인은 AI를 사용하지 않고 팀으로 일하는 것과 동일한 수준의 성과를 보였다고 한다. 이는 AI 인간 협업의 특정 이점을 효과적으로 대체할 수 있음을 시사한다. AI를 활용하면 문제 풀이에 소요되는 시간이 단축되고 더 좋은 결과물을 생성하는 것을 언급하고 있다.

AI를 사용하지 않는 경우에는 R&D 전문가는 기술 관점을 비즈니스 전문가는 비즈니스 지향적인 제안을 하는 경향이 높은데, AI를 사용하는 전문가들은 배경에 상관없이 균형 잡힌 솔루션을 제시할 수 있음을 보여줬다고 한다. 특히, 배경 지식이 없는 사람들도 AI의 도움을 받아 좋은 퀄리티의 결과물을 내놓을 수 있었다.

AI와 협업하는 것이 사람과 협업하는 것과 차이점은 더 긍정적인 정서적 반응을 유도 했다는 점이다. 즉, 문제에만 집중하기 좋은 정서를 가지게 한다.

위 연구는 AI 단순히 도구로써 사용되는 것을 넘어, 조직 내 협업의 본질과 전문성 발휘 방식을 재편할 잠재력이 있음을 보여준다. “사이버네틱 팀원”으로써 AI는 문제를 해결하려는 사람과 동적으로 상호 작용하기에, 향후 조직이 업무 프로세스를 재고할 수 있도록 만들 거라 생각된다.

현재 팀내에서 AI 활용을 많이 하고 있기에., 생산성에 관심이 많다. 지금 시점에서 보면, 우리는 사람과 AI 중 하나는 선택하는 것이 아니라, AI를 활용하여 강화할지 아니면 활용하지 않고 뒤처질지를 선택해야 한다.

대부분의 사람들은 새로운 도구에 대해서 회의적인 태도를 보인다. 그리고 새로운 도구로 인해 고용 시장이 악화되고 타격이 생길 수 있다고 생각한다. 나도 이 의견에는 동의한다. 이미 많은 기업이 해고를 하고 있기에 AI 기반 효율성에 대한 전망은 전문가의 필요성이 줄어들 것이라는 우려를 불러 일으킨다. 이런 우려는 전략적 사고 없이, 프로세스 전문가, 코더 등으로 스스로를 포지셔닝해 온 실무자들에게는 매우 심각할 것이다.

그러나 한편으로는 인터넷이 그랬듯이 AI가 업무의 기반이 된다면 얼리 어답터들은 성공할 것이다. 그리고 잘 활용하는 전문가들에게는 저비용 고수익 전략이 될 수 도 있다.

현재 내가 몸담고 있는 팀은 MVP로 제품을 만들고, Agile하게 업무를 진행한다. 위 연구에서 내가 관심이 가는 부분은 AI 자체에 의한 대체가 아니라, AI를 사용하는 사람들끼리의 경쟁이다. 일부 전문가가 AI를 활용하여 다른 전문가가 몇 시간씩 걸리는 작업을 단 몇 분만에 처리할 경우, 그 성과 차이가 상당해진다는 사실이다. 이 연구는 AI가 전문 지식을 없애는 것이 아니라 오히려 재분배한다는 것을 보여주었다.

이제까지 우리는 계산기부터 엑셀, 프로그래밍, 프로젝트 관리툴 등을 이용하여 역량을 강화해왔다. AI도 이런 툴 사용에서 벗어나는 것이 아니라 클래식의 연장선이라는 것을 보여준다. 하지만, 아직 제한 사항도 존재한다. 인간적 연결과 심리적 안전망을 구축할 순 없다.

위 연구는 AI가 인간을 대체하는 것이 아니라 강화하는 “사이버네틱 팀원” 역할을 한다는 증거를 제시한다. 아마도 팀과 개인의 역할을 구성하는 방식에 대해서 고민하게 만들 것이라 생각한다.

애자일의 강점은 적응력이다. AI를 무시하는 것은 그 원칙에 위배된다. 그래서 AI를 빠르게 도입하고 먼저 써보면서 “더 빠르게, 함께 가치를 제공”이라는 목표에 다가가면서 미래를 대비한 경험을 구축하는것이 좋지 않을까 생각이 든다.

이런 행위의 대가는 바로 당신의 경쟁력이다. 작게 시작하고, 자주 실험하고, AI가 반복적인 업무와 일상적인 업무를 처리하게 하고, 당신은 조금 더 의미 있는 일에 집중해야 한다.

이러한 접근 방식은 이번 변화를 헤쳐나가는 데 큰 도움이 될 것이다.

Read More