코드 없는 AI 플랫폼, 사용해야 하나요? 그 한계와 기회

저자 Alexandre Gonfalonieri 씨는 프랑스 파리에서 AI 컨설턴트로 일하고 있습니다. 그는 최근 Medium에 투고한 기사 '노 코드 AI 플랫폼을 사용해야 합니까? 그 한계와 기회'에서는 코딩 없이 AI 모델로 개발할 수 있는 '노 코드 AI 플랫폼'의 효용과 한계에 대하여 설명하고 있습니다.

 

노 코드 AI 플랫폼은 세계 각지에서 여러 가지가 출시되어 붐이 되고 있습니다. 이런 가운데 노 코드 AI 플랫폼을 평가한 후, 그 효용과 한계를 고찰하고 있습니다.

이 플랫폼의 사용 시 최대 효용은 AI 비 전문가에게 초보적인 개발 능력을 제공하여, 그들도 간단한 AI 모델을 개발할 수 있는 'Citizen developer'로 만들 수 있다는 것입니다. AI의 Citizen developer가 증가하면 AI 전문가인 데이터 과학자는 난이도가 높은 업무에 집중할 수 있습니다. 또한 이 플랫폼에서 간단한 AI 모델을 개발함으로써 기업의 일부 업무를 자동화할 수 있습니다.

 

무엇보다, 이 플랫폼은 모든 종류의 AI 모델 개발에 적합한 것은 아닙니다. 요구 기능이 비교적 간단한 모델만 개발할 수 있고, 복잡한 대규모의 모델 개발에는 적합하지 않습니다.

 

그에 의하면, 노 코드 AI 플랫폼의 한계는 다음과 같이 요약할 수 있습니다.

 

• 하이퍼 파라미터의 조정 등 유연한 개발이 불가하다.
• Citizen developer가 개발에 참여함으로써 알고리즘에 바이어스(편향)가 혼입 될 가능성이 높아진다.
• 개발된 AI 모델의 관리를 철저히 하지 않으면 데이터 과학자의 일이 증가해 버린다.
• AI 모델의 이론적 배경을 알기 위해서는 역시 데이터 과학자가 필요하다.
• 체계화된 데이터 수집의 실행에도 데이터 과학자가 필요하다.
• AI 모델을 PoC에서 프로덕션 환경으로 확장할 때에도 데이터 과학자가 필요하다.

 

다양한 한계가 있다고 해도, 조만간 관리자라면 노 코드 AI 플랫폼을 사용하여 간단한 모델을 개발할 수 있는 능력 정도는 필요하지 않을까?라고 그는 예상하고 있습니다.

 

노 코드 AI 플랫폼에 관해서는 아직 업계 표준이 없기 때문에, 언젠가는 Microsoft의 Word 및 Excel과 같이 사업가라면 누구나 사용하는 것이 탄생할지도 모릅니다.

 

노 코드 AI 솔루션을 도입하여 얻은 교훈

 

AI 프로젝트의 대부분이 아직 제품화에 이르지 못한 가운데, 노 코드 AI 플랫폼에 대한 관심이 고조되고 있습니다. 실제로 '사용하기 쉬운' 기계 학습 플랫폼을 제안하는 스타트업과 대기업 테크계 기업들이 늘고 있습니다.

 

데이터 과학자가 없어도 기계 학습 기반 솔루션을 구축하고 사용할 수 있다는 아이디어는, 복잡한 기계 학습 프로젝트에 많은 자원을 할애하고 있는 상황에서 직원들의 능력을 향상하고자 하는 중소기업 모두에게 매우 흥미로운 것입니다.

 

이 기사는 노 코드 AI 솔루션 중 하나를 구현하고 이 산업에 관련된 몇 가지 스타트업을 분석한 후, 제가 배운 내용을 공유합니다. AI 컨설턴트로서 저의 목표는 노 코드 AI 플랫폼이라는 솔루션을 통해, 더 많은 프로젝트가 개념 증명(PoC)에서 확장성이 높은 효율적인 AI 솔루션으로 이행할 가능성을 높일 수 있을지 여부를 판단하는 것입니다.

 

노 코드 AI 플랫폼을 사용하는 이유

운용면에서 보면 1년 사이에 여러 부서에서 여러 AI 프로젝트를 개발하고 있습니다. 그 대부분은 데이터 투자 및 리더십의 부족, 또는 단순히 현재의 기계 학습의 성숙도가 낮기 때문에 PoC(개념 증명)에 그치고 있습니다.

 

진행되고 있는 프로젝트에 관해서 말해보면, 복잡성의 수준은 결코 동일하지 않습니다. 실제로 일부 프로젝트는 '최근'알고리즘에 관련되어 있지만, 다른 프로젝트는 선형 회귀, k-means, 나이브 베이즈 등의 잘 알려진 알고리즘(※역주 1)을 간단하게 사용하고 있습니다. 우리가 노 코드 AI 플랫폼을 사용하는 목적은 이러한 솔루션이 협력자의 일부를 시민 개발자로 바꿔 더 많은 데이터 과학자를 복잡한 유즈 케이스에 할당하는 데 도움이 될지 판단하기 위한 것이었습니다.

(원주) 시민 개발자(Citizen developer)란
다른 사람이 사용하는 응용 프로그램을 구축하는, 프로페셔널하지 않은 개발자. 그들은 자신의 일을 IT부서에 직접 보고하는 것은 아니지만, IT부서가 승인한 로우 코드 플랫폼 등의 도구를 사용한다.

 

프로젝트(또는 프로덕트) 매니저와 같은 인재를 기업의 시민 개발자에 앉혀놔도, 데이터 과학자에 대한 수요가 없어지는 것은 아니라는 것을 이해해야 합니다. 시민 개발자를 늘리겠다는 아이디어는 데이터 과학자가 처리할 잡무의 부담을 경감시키고, 그들이 더 크고 복잡한 프로젝트에만 집중할 수 있도록 하자는 의도입니다.

 

물론 기존의 기계 학습 워크플로우에 관한 업무를 '보다 적게 하는' 특정 유즈 케이스의 개발을 가속화하는 것도, 노 코드 AI 플랫폼의 매력일 것입니다. 관리자가 아이디어를 가져와 그것을 구축하고 노 코드 AI 플랫폼을 사용하여 프로젝트를 수행할 수 있는 미래를 상상하는 것은 가능하지 않을까요?

(※역주 1)
선형 회귀는 감독 학습의 하나로, 모든 데이터 분포의 특징을 가까운 직선으로 산출하는 기계 학습 기법으로 수치 예측에 이용됩니다.

k-means는 비 지도 학습의 하나로, 데이터를 k개의 그룹으로 나눌 때 사용됩니다. 각 데이터로부터 산출되는 중심과 그 중심에서 각 데이터까지의 거리를 반복적으로 측정하여 유사한 특성을 가진 데이터를 클러스터로 나눕니다.

나이브 베이즈는 베이즈의 법칙을 응용한 분류 방법으로, 스팸 필터 등에 사용되고 있습니다.

 

기존의 기계 학습과 노 코드 기계 학습의 프로세스적 비교

오늘날 대부분의 AI 프로젝트는 어느 정도 동일한 스텝을 거치고 있습니다. 실제 사용 사례를 파악하는 것부터 시작해서 데이터를 수집하고 모델을 구축하고 훈련하고 개선하는 과정이 진행됩니다. 노 코드 AI 플랫폼이 정말 도움이 될지 여부를 판단하기 위해서는 먼저 '전통적인' 기계 학습과 노 코드의 차이를 이해할 필요가 있습니다.

(※역주 2)
도표는 전통적인 기계 학습 개발의 단계와 노 코드 AI 플랫폼에서의 단계를 나타내고 있습니다. 또한, 노 코드 AI 플랫폼의 사례로 Google에서 제공하는 'Teachable Machine'이 상정되어 있어, 다른 플랫폼에서는 약간의 차이가 있을 수 있습니다.

※ 전통적인 기계 학습 개발은 다음과 같은 단계를 수행합니다.
1. 작업의 정의
2. 데이터 수집
3. 모델의 탐사 및 정제
4. 테스트 및 평가
5. 구현 및 통합
6. 모델의 모니터링 및 유지

※ 노 코드 AI 플랫폼의 단계는 다음과 같습니다.
1. 작업의 정의
2. 데이터 수집
3. 데이터의 드래그 앤 드롭
4. 모델 교육 및 훈련의 (epoch, 배치 크기, 학습률 등) 설정
5. 학습 결과의 평가
6. 모델 내보내기

 

참고 : Google에서 제공하는 'Teachable Machine'

Teachable Machine

 

위의 그림을 보면 알 수 있듯이, 전통적인 AI 프로젝트의 일부 단계는, 노 코드 AI 프로젝트에서는 드래그 앤 드롭 도구를 사용하여 자동화로 쉽게 처리할 수 있도록 되어있습니다. 이러한 관점에서, 저는 노 코드 AI 플랫폼의 사용을 프로토타입과 데모의 개발 속도를 올려주는 효율적인 방법으로 간주하고 있습니다.

 

유즈 케이스

제가 생각하는 노 코드 AI 플랫폼은 특정 프로젝트에 적합합니다. 예를 들어, 서비스 해지 고객의 라이프타임 밸류, 동적 가격 책정(※역주 3)등 관련 지표를 예측하고 싶은 경우나, 여러 계약에 걸쳐 데이터를 분석하여 더 나은 협상의 도움을 얻고 싶은 경우에 적합합니다. 또한 이러한 도구는 몇 가지 내부 프로세스의 자동화에도 도움이 될 것으로 생각됩니다.

 

(※역주 3)
'라이프 타임 밸류'는 '고객 생애 가치'라고도 번역되는 마케팅 용어로, 고객이 기업과 거래를 시작해서 마칠 때까지의 기간에 그 기업에 지불하는 금액과 가치의 합계를 가리킵니다.

'동적 가격 정책'이란 상품이나 서비스의 가격을 수요와 공급 상황에 따라 변동시키는 가격 전략을 말합니다.

새로운 기술

노 코드 AI 플랫폼의 탄생으로 인해, 새로운 기술에 대한 기대도 생겨났다고 해도 좋을 것입니다. 가까운 미래, 제품 관리자는 하나의 노 코드 AI 도구에 정통하여, 데이터 세트 관리에 관한 지식을 갖고 있다고 해도 이상하지 않을 것입니다. 이러한 도구에 대한 온라인 교육이 점점 늘어날 것으로 기대됩니다.

 

특화된 시장

노 코드 AI는 여전히 성장하고 있는 시장입니다. 이 시장에서 플레이어의 대부분은(자연 언어 처리, 컴퓨터 비전 등) 기술의 유형 또는(CRM 관리 등의) 특정 유즈 케이스를 무엇보다 중시하고 있는 것 같습니다.

 

조만간 거의 모든 용도를 커버할 수 있는 완벽한 도구가 등장하고, 여러 도구에 투자하거나 특별한 지식을 활용할 필요가 없어질 것으로 기대됩니다.

 

이 업계는 스타트업과 대기업 테크 계열 기업 모두가 독자적인 툴을 개발하고 있습니다. 스타트업 기업들은 몇 가지 옵션이 아닌 특정 유즈 케이스에만 초점을 맞추고 있는 것 같습니다.

 

Lock In 전략과 비즈니스 모델

노 코드 AI 플랫폼 업계에서 가장 흥미로운 부분은 대기업 테크계 기업이 록인 전략을 사용하면서 새로운 고객을 유치하고 사용자의 범위를 늘리고자 하는 중입니다.

(원주) 록인 전략이란
고객이 제품이나 서비스를 공급 업체에 의존하고 있기 때문에, 다른 업체로 바꾸려면 전환 비용을 지불하도록 하는 전략.

저는 종종 노 코드 AI 도구를 개발하는 스타트업은 특화되어 있지 않으면 장기적으로 살아남을 수 없다고 생각합니다. 실제로 주요 테크 계열 회사의 장점은 벤더의 플랫폼과 로드맵을 유지하기 위해 고객에게 무리 없는 접근을 제공하는 것입니다.

 

이상적으로는, (Google이나 Microsoft와 같은) 대형 테크계 기업들은 고객들이 자사의 소프트웨어 개발 도구 및 데이터 관리 관련 서비스를 포함하여 보다 넓은 에코 시스템을 이용하기를 원하고 있습니다.

 

이러한 선도적 테크 계열 회사가 제공하는 솔루션의 일부는 무료 또는 구독 모델에 근거하고 있습니다. 그러나, 이러한 솔루션을 지속적으로 사용하려면 주요 테크계 기업이 중소기업에 대하여 사용자 교육 및 클라우드 환경을 백엔드에 연결해주는 기술 지원 등 컨설턴트 및 개발자의 개입이 필요할지도 모릅니다.

 

노 코드 AI 솔루션을 도입해 본 소감

이상의 고찰을 근거로 수개월 전부터 노 코드 AI 플랫폼의 유효성을 테스트하기로 했습니다. 제 생각에, 노 코드 AI의 효율성과 유용성은 환상이 아니었습니다.

 

가장 큰 장점은 데이터 과학자가 노 코드 AI 플랫폼을 사용하여 신속한 PoC를 작성할 수 있기 때문에 마케팅 부서가 갖고 있는 불완전한 아이디어를 미리 평가해 볼 수 있다는 점입니다. 실제 데이터 과학자는 마케팅 부서 책임자에 대하여, 우선적으로 아이디어를 노 코드에 의한 PoC로 시험해 보고, 그 아이디어에 대한 수요가 안정적이면 다시 검토하도록 조언할 수 있습니다.

 

그러나, 노 코드 AI 플랫폼의 사양에 관해서는 몇 가지 양보를 해야 합니다. 실제로 개발업무 없이 신속하게 모델을 만들고 싶은 경우, 그 모델에 대한 기대치를 낮출 수 있어야 합니다.

 

노 코드 솔루션을 통한 기계 학습 기반 프로젝트의 성공은 기능적인 요구에 크게 의존합니다. 요구사항이 매우 구체적인 경우는 구현 속도와 기능성에 관련된 기대치 사이의 적절한 균형을 찾을 필요가 있습니다.

(※ 역주 4) 위의 도표는 구현 기능에 대한 요구와 기대되는 개발 속도의 조합에 따른 AI 개발도구의 적합성을 나타내고 있습니다. 세로축은 "요구사항"을 의미하고, 가로축은 "구현 속도로 본 기대"를 의미합니다. 이렇게 두 축으로 조합하여 4종류의 AI 개발 사례를 생각할 수 있습니다.

● 구현 요구도 낮고, 구현 속도도 느리다
도표 우측 하단의 케이스로, "노 코드 AI 솔루션에 완전히 적합합니다." 이상적으로는, 시민 개발자 개인에 의한 프로젝트로 하는 것이 바람직합니다.

● 구현 요구가 낮지만, 빠른 구현 속도가 요구된다
도표 좌측 하단의 케이스로, "노 코드 AI 솔루션이 완전히 적합합니다."

● 구현 요구도 높고, 구현 속도 빨라야 한다
도표 좌측 상단의 케이스로, "대부분의 노 코드 AI 솔루션이 적합하지 않습니다."

● 구현 요구가 높지만, 구현 속도는 느려도 좋다
도표 우측 상단의 케이스로, "전통적인 기계 학습 개발 단계가 더 적합합니다."

 

실제 기능에 대한 요구와 기대되는 개발 속도의 조합에 기초한 위의 4가지 솔루션은, 사용되는 도구의 설계에서 유래하는 한계를 가지고 있습니다. 실제 모델의 개발도구는 개발할 모델을 기초로 하여 설계되어 있습니다. 예를 들어 요구사항이 낮은 구현에 대한 솔루션은 이해 및 사용이 쉬운 간단한 모델 편집기가 채용되고 있습니다. 그러나 쉬운 대가로 그 유연성이 부족합니다. 왜냐하면 간단한 프레임워크의 범위 내에서만 모델을 개발할 수 있기 때문입니다.

 

반대로, 구현 기능에 대한 요구사항이 높은 플랫폼에서는 코딩에 의한 개발에 필적하는 유연성을 보여주는 정교한 모델을 선택할 수 있습니다. 반면 플랫폼을 잘 다룰 수 있을 때까지의 학습곡선과 요구되는 스킬은 훨씬 높아집니다.

노 코드 AI 플랫폼을 채용할 때의 요인

 

왼쪽은 '모델의 복잡성'이고, 오른쪽은 '유연성'입니다. 노 코드 AI 플랫폼은 복잡한 AI 모델 또는, 유연성이 요구되는 AI 모델의 개발에는 적합하지 않습니다.

 

필요한 '용이성'과 '유연성' 사이의 균형을 맞춰 도구를 선택하는 것이 권장됩니다. 몇몇 케이스에서는 임의의 플랫폼에서 한 번이라도 응용 프로그램을 개발하면 응용 프로그램이 실행되어 있는 한, 그 플랫폼에 연결되어 있다는 것을 기억해야 합니다. PoC 정도의 콘텍스트에서는 이러한 것들이 문제가 되지는 않습니다. 그러나 응용 프로그램을 계속 사용할 것으로 예상되는 콘텍스트에서는 상황이 다를 수 있습니다.

실제로, 노 코드 AI 플랫폼을 사용하여 프로젝트에 필요한 확장성을 제공할 수 있을지 여부를 확인해야 합니다. "복잡한 유즈 케이스에 노 코드 AI 플랫폼을 사용하여 확장 가능한 솔루션을 제공한다는 것은 불가능하다."라고 저는 생각하고 있습니다.

 

다시 말하면, (데이터의 소유권을 비롯한) 계약 관계에 대해서는 비용과 가역성의 관점에서 신중하게 검토할 필요가 있습니다.

 

또 다른 중요한 요소는 보수성입니다. 모델을 구축하는 목적이 단순히 아이디어에 관련된 사항을 테스트할 것인지, 아니면 장기적인 응용 프로그램을 구축할 것인지를 처음부터 확인하시는 것을 강력하게 추천합니다. 첫 번째 경우는 가능하면 노 코드 AI 솔루션을 사용하여 일회용 PoC를 빠르게 만들어 보시는 것이 좋습니다. 그렇지 않으면 전통적인 기계 학습 개발 방식을 사용하여 안정적이고 유지 보수 가능한 버전을 구축하시는 것을 권장합니다.

 

만약 노 코드 AI 공급 업체가(유즈 케이스에 따라 가능한) 확장성을 보장해준다면 장기적인 유지 보수를 보장하기 위해 스케일러빌리티 라이센스 비용을 종합적으로 평가하는 것도 권장합니다.

 

최악인 것은 '손쉽고 조잡한' 접근 방식을 사용하여 PoC를 만들고, 그 PoC를 확장하여 프로덕션 환경에 임하려고 하는 것입니다.

 

 

 

제한

제 생각에 (전부는 아니지만) 대부분의 노 코드 AI 플랫폼이 지닌 한계는 다음과 같습니다.

개인화의 정도

대부분의 사람들이 생각하는 것이지만, 기계 학습 모델 구축의 어려움은 코딩이 아니라 자유롭게 사용할 수 있는 데이터 특징량에 관한 엔지니어링, 아키텍처, 테스트에서 유래하는 것입니다. 일부 노 코드 솔루션은 다양한 매개 변수를 조정하거나 변경하는 기능이 없습니다.

 

또 다른 단점은 데이터에 관련되어 있습니다. 실제 데이터의 바이어스에 대해서는 잘 알려져 있는 문제입니다. 유즈 케이스에 따라 다르지만, 노 코드 AI 플랫폼에서 구축한 모델은 잠재적으로는 아무나 구축에 참여하고 익스포트 할 수 있습니다. 따라서 바이어스를 포함한 알고리즘을 생성할 위험이 높아지는 것입니다(※ 역주 5).

 

분명, 기계 학습 엔지니어도 바이어스를 포함한 솔루션을 만들 가능성이 있습니다...

(※ 역주 5)
학습 데이터의 특징에 근거하여 예측 또는 분류를 실행하는 AI 모델은 학습 데이터 자체가 균형을 잃고 한쪽으로 쏠려있을 경우, 일정한 경향에 치우친 예측 및 분류를 합니다. 이런 현상을 '알고리즘의 바이어스'나 'AI에 의한 차별'이라고 합니다.

숙련된 데이터 과학자라면 알고리즘에 바이어스가 혼입 되지 않도록 공정한 데이터를 수집하려고 노력하겠지만, 비 전문가인 시민 개발자가 데이터를 수집하게 되면 바이어스가 생길 위험이 높아집니다.

 

정확한 내부 프로세스의 필요성

앞에서 서술한 바와 같이, 노 코드 AI 도구는 긍정적인 것이 될 수 있지만, 그렇게 되기 위해서라도 특정 거버넌스가 필요합니다. 철저한 통제 및 관리 방법으로 노 코드 AI 도구를 통합하지 않으면, 더 많은 섀도우 IT를 사용하고 더 많은 문제를 일으키게 됩니다. 노 코드 AI 도구의 관리 체제가 정비되어 있지 않으면 데이터 과학자는 자신의 일에 들이는 시간과 비슷하거나 그 이상의 시간을 동료들을 위해 써야 할지도 모릅니다.

섀도우 IT: 기업의 IT부서 모르게 관리 및 이용되고 있는 정보기술(IT) 응용 프로그램과 인프라를 가리키는 용어.

 

의존성

노 코드 AI 도구의 개발에 관한 또 하나의 우려는 종속성에 대한 것입니다. 물론, 솔루션 중에는 데이터 과학자는 필요 없는 것이 있을지도 모릅니다. 그러나 고객이 기계 학습의 이해를 깊게 하거나, 솔루션을 확장성 있는 것으로 하기 위해 앞으로도 컨설턴트가 필요할 것입니다. 따라서 기술적으로 숙련된 전문가에 대한 의존도가 없어지는 것은 아닙니다.

 

데이터의 필요성

모든 기계 학습 프로젝트에 필요한 것은 동일합니다 : 그것은 데이터입니다. 기계 학습 프로젝트의 성공은 데이터 세트를 수집, 관리, 유지하는 능력에 크게 의존하고 있습니다. 그러나 일련의 데이터 관련 업무는 일반적으로 데이터 과학자의 일이며, '시민 개발자'가 이러한 작업들을 잘 해낼 수 있을지는 의문인 것입니다.

 

확장성

마지막으로 우려하고 있는 것은, 확장성입니다. 실제로 다수의 성공적인 PoC가 본방에서는 실패하고 있는 이유는, PoC단계에서 만든 기계 학습 모델을 확장 가능한 형태로 제공할 수 있도록 시스템을 재구성할 수 없었기 때문입니다. 의료 및 은행처럼 민감한 데이터를 많이 사용하는 산업은 확장성의 확보가 더욱 어렵습니다.

 

그 밖에도 구현, 안전성, 레거시 시스템과의 통합 등에 관한 잠재적인 문제를 들 수 있습니다.

 

말은 그렇게 했지만, 전 여전히 노 코드 AI 플랫폼의 유용성을 믿고 있습니다. 노 코드 AI를 사용한 프로젝트가 성공할지 여부는 프로젝트의 유즈 케이스와 데이터 관리 성숙도에 크게 의존합니다.

 

지금은 노 코드 AI 플랫폼 트렌드의 시작에 있는 것에 불과해, 앞으로 점점 더 많은 기업들(특히 중소기업)이 이러한 도구들을 활용할 것이라고 저는 확신하고 있습니다.

---

원문 : 『Should You Use A No-Code AI Platform? Limits and Opportunities』

저자 : Alexandre Gonfalonieri

Should You Use A No-Code AI Platform? Limits and Opportunities