1. 분석 과정 기획, 실행 모니터 - 문제해결과 예측에 가까울수록 기획의 복잡도, 이종 데이터 양, 가공 오류가능성이 증가하여 자연스럽게 관리 포인트도 증가하게됨
2. 데이터 인쿼리 프로세스 수행
- 문제해결과 예측에 가까울수록 필요한 데이터 양이 증가하여 논리적이고 구체적인 데이터 인쿼리 수행 능력이 상대적으로 중요해짐
3. 데이터 이해 및 적용방안 파악
- 잘 이해해야 잘 기술할 수 있고, 나아가 이해에서 나온 인사이트는 상황 진단의 주요 소재가 됨
4. 비판적 사고
- 비판 역량이 있어야 자신의 기술과 진단에 대한 비판을 최소화할 수 있고, 문제해결 시 전략 대안을 실효성 있게 구성하고 우선순위를 나열할 수 있음
5. 데이터 기반 문화
- '데이터로 말하라'라는 문화가 없으면 굳이 많은 노력이 들어가는 예측 및 문제해결 분석을 할 이유를 찾지 못함
6. 데이터 윤리(보안, 개인정보보호 등)
- 데이터를 통해 인간성을 훼손하지 않고, 원천 데이터의 활용 시 법/제도 테두리를 벗어나지 않는 것은 모든 분석에서 두루 중요함
7. 분석 도구 활용
- 문제해결과 예측에 가까울수록 분석에 필요한 데이터의 양과 복잡도가 증가하여 분석 도구 숙련도에 따라 정확도, 신속성에 큰 역량 차이를 초래함
8. 데이터 발견(데이터를 발견하고 접근하는 역량)
- 단순한 데이터 기술을 넘어 문제해결에 가까울 수록, 각자가 처한 문제해결 상황의 특징이 잘 담긴 내부 데이터에 대한 접근 역량이 중요함
9. 데이터 수집
- 단순한 데이터 기술을 넘어 문제 해결에 가까울수록, 각자가 처한 문제해결 상황을 객관적으로 판단할 수 있게 하는 외부 데이터에 대한 수집 능력이 중요해짐
10. 데이터 관리 및 조직화
- 데이터가 기획, 생성, (재)활용, 폐기되는 모든 과정이 원활해야 기초데이터의 신뢰성이 확보되고 활발한 분석활동들이 생겨나게됨
11. 데이터 조정
- 특히, 예측 분석은 정량적 민감도 분석과정을 거치게 되는데, 이때 기초 데이터를 어떻게 조정하느냐에 따라 결과치 민감도에 큰 영향을 주게 됨
12. 데이터 품질과 출처의 평가 및 확보
- 분석자가 데이터 자체의 유효성까지 검증하게 되면 지나치게 많은 부담을 느끼게 되어 기본적인 데이터 클렌징을 통한 품질은 확보해줘야 함
13. 데이터 레퍼런스 구성 및 운영
- 데이터 원천소스, 생성시기, 집계목적, 집계주체, 용어설명, 연관 데이터 소개 등이 충실할 수록 데이터 활용도가 높아지고 분석 결과의 신뢰도 또한 높아짐
14. 데이터 기초 분석
- 예측, 문제해결보다 기술, 진단 분석이 상대적으로 기초적인 분석 역량으로 가능
15. 데이터 시각화
- 특정 목적과 관계없이 근간이나, 분석의 양이 많고, 복잡도가 높을수록 시각화가 가진 힘이 상대적으로 중요해짐
16. 데이터 구두 제시
- 데이터의 특징과 메시지를 구두 설명을 통해 명확히 전달하는 역량은 데이터 분석의 목적 및 난이도와 관련 없잉 전 영역에 결쳐 중요한 역량임
17. 데이터 해석
- 기본적으로 모든 목적에 중요하나, 오류 없이 해석하는 역량은 명확한 인지력이 중요한 기술분석에서 상대적으로 중요성이 높음
18. 데이터 기반 문제 정의
- 데이터로 문제를 착안하는 것은 고도의 상황파악 능력을 요구하며, 어떻게 정의하느냐에 따라 이후 모든 문제해결 과정에 영향을 줌
19. 데이터 기반 의사결정
- 의사결정 맥락, 맥락에 따른 문제정의 ,문제정의에 따른 제약조건, 제약조건에 따른 (불)필요데이터 판단, 필요데이터 간 우선순위, 우선순위에 따른 분석 어프로치 설계, 어프로치에 따른 가공 오류 방지, 분석 중간 결론에 따른 어프로치 진화 등을 수행할 수 있어야 효과적인 데이터 의사결정이 가능함
20. 데이터 기반 의사결정 검증
- 다른 사람이 도출한 의사결정 결과를 데이터 유효성, 분석기법 적절성, 분석 결과 메시지화 관점에서 효과적으로 비판 할 수 있어야 자신의 의사결정 역량도 증가함
21. 메타데이터의 생성 및 활용
- 데이터의 특징을 나타내어 '데이터의 데이터'라 불리는 메타데이터는 데이터 활용 범위에 해당하는 개념으로 목적과는 무관하게 중요함
22. 데이터 지속성 및 재활용
- 원래 작성/수집 의도된 것 이외의 분석 목적으로 데이터를 사용하는 개념으로 데이터 활용 범위에 해당하는 개념으로 목적과는 무관함
23. 데이터 공유
- 데이터가 3자에게 오류 없이 사용되게 할 수 있게 하는 투명성과 일관성을 갖춘 관리체계 및 정책을 의미하므로 특정 데이터 분석 목적과는 무관함
24. 데이터 보존
- 데이터 저장 분류, 메타데이터 업데이트 등의 활동으로 최대한 많이 활용될 수 있도록 '접근환경'을 유지하는 데이터 보존은 특정 데이터분석 목적과는 무관함
25. 포맷 간 데이터 전환
- 데이터가 가진 맥락과 정보를 충분히 이해한 상태에서 다른 포맷의 데이터로 전환하여 데이터 활용도를 높이는 역량이므로 특정 데이터 분석 목적과는 무관함
26. 가설 전개
- 진단과 문제해결 분석은 분석 가설을 수립하는 것이 효율적 분석 어프로치 설계에 매우 중요하며, 분석 중간 결론으로 가설을 진화하는 것을 포함함
- 지난 10년간 데이터와 애플리케이션 사일로의 수는 급증한 반면 데이터분석(D&A) 팀의 숙련자는 그렇지 못하다. 그 수를 유지하거나 심지어 감소하기도 했다. 데이터 패브릭은 비즈니스 사용자와 플랫폼 전반에 걸쳐 데이터 소스의 유연하고 탄력적인 통합을 제공한다.
이에 따라 데이터가 어느 곳에 있던지 구애받지 않고 모든 장소에서 데이터를 사용할 수 있다. 그러나 데이터 패브릭은 진정한 비즈니스 가치는 분석 기능을 사용할 수 있다는 점이다. 데이터가 사용 및 변경되어야 하는 곳을 권하고 이를 통해 데이터 관리 업무를 최대 70%까지 줄일 수 있다.
2. 사이버보안 메시
- 오늘날 기업의 자산과 사용자는 어느 곳에나 있을 수 있다. 이는 기존 전통적인 보안 구역 역시 사라졌다는 뜻이다. 또 데이터 활용이 중요해질수록 데이터 신뢰도에 대한 우려 역시 증가한다. 그룸브리지 가트너 애널리스트는 "올해 트렌드 전반에 걸쳐 데이터가 등장하지만 데이터는 기업이 신뢰할 수 있을 때에만 유용하다."고 말한다.
이러한 변화가 사이버 보안 메시 아키텍처(CSMA, Cyber Security Mesh Architecture)를 요구하고 있다. CSMA는 유연하고 자유로운 구성이 가능한 아키텍처로, 널리 분산돼 있는 여러 다른 종류의 보안 서비스들을 통합하게 해준다.
CSMA는 장소에 상관없이 모든 자산을 보호할 수 있는 통합 보안 구조와 대응을 제공한다. 표준을 지원하는 최고(best-of-breed)의 보안 솔루션들을 함께 구성해 보안을 전반적으로 향상시킬 수 있고 보호가 필요한 자산 가까이로 제어 포인트를 이동할 수 있다. 클라우드가 아닌 환경과 클라우드 환경들을 아울러 신속하고 안정적으로 아이덴티티, 컨텍스트, 정책 준수를 검증할 수 있다.
카트너는 2024년 기준 CSMA를 채택해 협업형 에코시스템으로서 작동하도록 보안 툴들을 통합하면, 개별적인 보안 사고롤 얻게 될 재정적 충격을 평균 90%까지 줄일 수 있을 것으로 전망했다.
3. 개인정보 강화 컴퓨테이션(PEC)
오늘날 최고정보책임자(CIO)는 개인정보 및 데이터 보호에 대한 국내외 법규제를 준수하는 것에서 나아가 개인정보 관련 사고로 인한 고객들의 신뢰 추락도 책임져야 한다. PEC(Privacy-Enhancing Computation)는 신뢰할 수 없는 환경에서 개인 데이터를 안전하게 처리할 수 있는 기술이다.
데이터, 소프트웨어 또는 하드웨어 수준에서 민감한 개인 정보를 보호하는 PEC 기술은 예민한 개인 기밀이나 개인정보 없이 데이터를 공유하고 모으며 분석할 수 있게 해준다. 가트너는 2025년까지 대기업 60%가 하나 이상의 PEC 기술을 사용할 것으로 예상하고 있다.
이러한 전망은 개인정보 및 데이터 보호 관련 법규제의 발전, 소비자의 우려가 높아진 데 따른 것이다. 기업은 다양한 개인정보 보호 기술을 활용해 컴플라이언스 요구에 부응하면서 데이터에서 가치를 끌어낼 수 있다.
4. 클라우드 네이티브 플랫폼
클라우드 네이티브 플랫폼(Cloud-Native Platforms, CNP)은 탄력적이고 민첩한 애플리케이션 아키텍처를 구축할 수 있는 기술로, 급속한 디지털 변화에 대응할 수 있도록 해준다. 이는 기존 리프트&시프트 방식(Lift and Shift. 클라우드 전환 시 OS와 데이터, 애플리케이션을 그대로 들어서 옮기는 리호스팅 방식)에서 발전한 것이다.
리프트&시프트 방식은 클라우드 이점을 활용하지 못하고 유지보수에 복잡성을 더한다. 가트너는 "언제 어디서나 디지털 기능을 제대로 제공하려면 기업은 익숙한 리프트&시프트 마이그레이션에서 벗어나 CNP로 전환해야 한다"고 주장한다.
CNP는 클라우드 컴퓨팅의 핵심 기능을 사용해 확장성과 탄력성이 뛰어난 IT 관련 기능을 서비스현(as a service)로 제공한다. 이를 통해 IT 기술 크리에이터들은 가치 창출 시간을 단축하고 비용을 절감할 수 있다. 이러한 이유로 가트너는 2025년 경이면 새로운 디지털 이니셔티브 기반 중 95% 이상이 CNP일 것으로 전망하고 있다. 2021년에는 40% 미만이었다.
5. 조합 가능한 애플리케이션(Composable Applications)
이는 비즈니스 중심적인 모듈러 컴포넌트들로 구축되는 애플리케이션을 말한다. 코드를 더욱 쉽게 사용 및 재활용할 수 있으며 신규 소프트웨어 솔루션의 신속한 Time-to-market 출시를 가능케 해 기업들에게 가치를 제공한다.
비즈니스 환경이 끊임없이 변화하면서 비즈니스 적응력에 대한 요구도 높아지고 있다. 이러한 요구는 빠르고 안전하며 효율적인 애플리케이션 변경을 지원하는 기술 아키텍처로 모아지고 있다. 조합 가능한 애플리케이션(CA) 아키텍처는 비즈니스 적응성을 강화하며 새로운 기능 구현 속도를 80% 향상 시킬 수 있다. 가트너는 향후 기업이 CA를 구현하지 않을 경우 시장 모멘텀과 고객 충성도를 잃을 위험이 있다고 주장하고 있다.
6. 의사결정 인텔리전스(Decision Intelligence)
기업의 의사결정 역량이 경쟁우위의 중요한 원천인 만큼 의사결정은 점점 까다롭고 막중한 업무가 되고 있다. 의사결정 인텔리전스(DI)는 조직의 의사결정을 개선하기 위한 실용적인 접근법으로서, 의사결정이 이루어지는 방법을 명시적으로 이해하고 엔지니어링함으로써 의사결정을 개선하는 것이다.
이는 의사결정의 정보와 학습, 개선을 제공하는 인텔리전스와 분석을 사용해 각각의 의사결정을 프로세스 세트로 모델링하는 것이다. 의사결정 인텔리전스는 사람의 의사결정을 지원하고 강화하지만 잠재적으로는 증강 분석, 시뮬레이션 및 AI를 사용해 자동화도리 수 있다. 가트너는 향후 2년 내 대기업의 3분의 1이 경쟁력 향상을 위해 구조화된 의사결정에 DI를 활용할 것으로 전망했다.
7. 하이퍼오토메이션
하이퍼 자동화 혹은 하이퍼오토메이션(Hyperautomation)은 가능한 한 많은 비즈니스 및 IT 프로세스를 신속하게 판별, 조사, 자동화하기 위한 비즈니스 기반 접근법이다. 높은 확장성, 원격 운영 및 비즈니스 모델 중단을 가능하게 하는 훈련된 접근 방식이며, 이를 통해 기업은 비즈니스 탄력성과 성장에 박차를 가할 수 있다.
가트너 연구 결과, 뛰어난 하이퍼오토메이션 팀은 업무 품질 향상, 비즈니스 프로세스 속도 향상, 의사결정의 민첩성 향상이라는 세 가지 핵심 우선순위에 초점을 맞추고 있었다. 가트너에 따르면 지난해 비즈니스 기술 전문가들은 평균 4.2개의 자동화 이니셔티브를 지원했다.
8. 인공지능(AI) 엔지니어링
IT책임자들은 애플리케이션 내에 AI를 통합하기 위해 고군분투하고 있지만 대부분은 실현되질 않을 AI 프로젝트에 시간과 비용을 낭비하고 있다. 혹은 AI 솔루션을 구현한 이후 이 솔루션의 가치를 유지하기 위해 고군분투한다. AI 엔지니어링은 AI 모델의 운용화를 위한 통합 접근법이다.
AI 관련 부서에서 진정한 차별화 요소는 빠른 AI 변화 속에서 가치를 지속적으로 높이는 능력에 있다. AI 엔지니어링은 데이터, 모델, 애플리케이션의 업데이트를 자동화해 효율적인 AI딜리버리를 구현하고 ,이를 통해 실제 AI솔루션의 가치를 최적화하는 것이 목표다. 강력한 AI 거버넌스와 결합하면 운용 가능한 AI 딜리버리로 비즈니스 가치를 지속시킬 수 있다.
가트너는 2025년까지 10%의 기업이 AI엔지니어링 베스트 프랙티스를 구현할 것이며, 이는 나머지 90%기업들보다 AI로 3배 이상의 가치를 끌어낼 것으로 보고 있다.
9. 분산형 기업
원격 및 하이브리드 근무 패턴이 증가함에 따라 기존 사무실 중심 조직은 지리적으로 흩어진 근로자들로 구성되는 분산형 기업(Distributed Enterprise)으로 진화하고 있다.
분산형 기업은 디지털 우선, 원격 우선 비즈니스 모델을 반영해 원격근무자들의 환경을 개선하고 소비자 및 협력사와의 접점을 디지털화하는 것이 목표다. 원격지의 직원과 소비자가 증가함에 따라 Virtual Service와 Hybrid Workplace에 대한 수요가 늘고 있다.
소매업에서 교육에 이르기까지 모든 분야에서 기업들은 분산형 서비스를 수용할 수 있도록 고객에게 제공되는 딜리버리 모델을 재구성해야 한다. CIO는 갈등 없는 업무 경험을 제공하기 위해 중요한 기술 및 서비스 변경을 해야 하지만 비즈니스 모델에 미치는 영향 또한 고려해야 한다.
가트너는 "2년 전만 해도 디지털 탈의실에서 옷을 입어볼 것이라고는 생각하지 못했다"며 2023년경이면 분산형 기업의 이점을 활용한 조직의 75%가 경쟁사보다 25%빠른 매출 성장을 실현할 것으로 예상했다.
10. 전체 경험
비즈니스 전략으로서 전체 경험(Total Experience. TX)은 여러 접점에 거쳐 고객 경험(CX), 직원 경험(EX), 사용자 경험(UX), 다중 경험(MX) 등을 통합해 성장을 가속화하는 것이다. 이의 목표는 이해 당사자들의 경험을 전반적으로 관리함으로써 고객과 직원의 확신, 만족도, 충성도와 지지를 높이는 것이다. 적응력이 뛰어나고 탄력적인 TX 비즈니스 결과는 기업의 매출과 수익을 증대할 것이다.
11. 자치 시스템
기존의 프로그래밍이나 단순 자동화는 기업의 성장에 발맞춰 확장하지 못할 수 있다. 자치 시스템(Autonomic Systems)은 자신을 둘려싼 환경에서 학습해 자가관리되는 물리적 혹은 소프트웨어 시스템을 말한다.
자치 시스템은 자동화된 시스템 혹은 심지어 자율 시스템(autonomous systems)과도 다르다. 가장 큰 차이점은 복잡한 생태계에서 최적화된 행동을 수행할 수 있도록 자체 알고리듬을 실시간으로 다이나믹하게 수정한다는 것이다. 이 과정에서 외부에서의 소프트웨어 업데이트가 필요하지 않다. 마치 사람처럼 현장에서 새로운 환경에 신속히 적응할 수 있게 된다.
자치 시스템은 사람의 개입 없이 공격에 방어하고 성능을 최적화하며 새로운 요구사항과 상황을 지원하기 위해 기민한 기술 기능군들을 만들어낸다. 최근 복잡한 보안 환경에서 배치되고 있으며 장기적으로는 로봇, 드론, 제조기기, 스마트공간 등 물리적 시스템에서 보편화될 것으로 보인다.
12. 생성형 AI
현재 시장에서 볼 수 있는 가장 강력하고 가시적인 AI 기술 중 하나가 생성형 AI(Generative AI)다. 생성형ai는 데이터로부터 콘텐츠나 오브젝트를 학습하는 머신러닝 방법으로, 데이터로부터 얻어낸 결과를 학습해 원작과 유사하지만 독창적이고 새로운 결과물을 만들어낸 것이다.
생성형 AI는 소프트웨어 코드 작성, 신약 개발 및 타깃 마케팅 등 다양한 활동에 사용될 수 있다. 그러나 사기범죄, 신용사기, 정치적 허위 정보, 신분위조 등에 오용될 가능성도 있다. 이 기술은 영상이나 글 등 창작물의 새로운 형태를 만들 수 있는 잠재력이 있으며 다양한 분야에서 연구개발 주기를 앞당길 수 있다.
"올해의 트렌드는 사람 중심성, 위치 독립성 및 탄력적인 전달이라는 세 가지로 분류된다."
■ 행동 인터넷 (Internet of Behaviors)
IoB는 데이터를 사용하여 행동을 변경하는 것이다. 일상 생활의 디지털 먼지(디지털 및 물리적 세계에 걸친 데이터)를 수집하는 기술이 증가함에 따라 해당 정보는 피드백 루프를 통해 행동에 영향을 미치는 데 사용될 수 있다. 예를 들어, 상업용 차량의 경우 텔레메틱스는 급제동에서 공격적인 회전에 이르기까지 운전 행동을 모니터링할 수 있다. 그런 다음 회사는 해당 데이터를 사용하여 운전자 성향, 경로 및 안전 등을 개선할 수 잇다.
또한, IoB는 개인 사용의 윤리적, 사회적 영향을 미친다. IoB는 상용 고객 데이터, 공공 부문 및 정부 기관에서 처리한 시민 데이터, 소셜 미디어, 안면 인식의 공공 도메인 배치, 위치 추적 등 다양한 출처에서 데이터를 수집, 결합 및 처리할 수 있다. 이러한 데이터를 처리하는 기술의 고도화로 인해 이러한 추세는 더욱 커질 수 있다.
■ 전체 경험 (Total Experience)
전체 경험은 다중 경험, 고객 경험, 직원 경험 및 사용자 경험을 결합하여 비즈니스 결과를 혁신한다. 목표는 기술에서 직원, 고객 및 사용자에 이르기까지 이러한 모든 요소가 교차하는 전반적인 경험을 개선하는 것이다. 사일로에서 개별적으로 개선하는 것과는 반대로 이러한 모든 경험을 긴밀하게 연결하면 복제하기 어려운 방식으로 비즈니스를 경쟁 업체와 차별화하여 지속 가능한 경쟁 우위를 확보할 수 있다.
예를 들어, 한 통신 회사는 COVID-19 대응을 위해 사회적 거리두기로 안전과 만족도를 높이기 위해 전체 고객 경험을 혁신했다. 첫째, 기존 앱을 통해 약속 시스템을 배포했다. 고객이 예약을 위해 도착하여 매장에서 75피트 이내에 도착했을 때, 체크인 절차를 안내하는 알림과 도착할 수 있는 시간을 알려주는 알림을 받는다. 또 이회사는 또한 더 많은 디지털 키오스크를 포함하도록 서비스를 조정했으며 직원들이 하드웨어를 물리적으로 만질 필요없디 자신의 태블릿을 사용하여 고객의 장치를 공동 탐색할 수 있도록 했다. 그 결과 고객과 직원을 위한 더 안전하고 원활하며 통합된 전반적이 경험이 제공되었다.
■ 개인정보보호 강화 컴퓨팅(Privacy-enhancing Computation)
개인정보보호 강화 컴퓨팅에는 사용되는 동안 데이터를 보호하는 세 가지 기술이 있다. 첫 번째는 민감한 데이터를 처리하거나 분석할 수 있는 신뢰할 수 있는 환경을 제공하는 기술이다. 두 번째는 분산된 방식으로 처리 및 분석을 수행할 수 있어야 한다. 세 번째는 처리 또는 분석 전에 데이터와 알고리즘을 암호화해야 한다. 이를 통해 조직은 기밀성을 유지하면서 지역 및 경쟁 업체와 안전하게 공동 연구 작업을 수행할 수 있다. 이 접근 방식은 개인정보 또는 보안을 유지하면서 데이터를 공유해야 하는 필요성이 증가할수록 특별히 설계되어야 한다.
■ 분산 클라우드(Distributed Cloud)
분산 클라우드는 클라우드 서비스가 서로 다른 물리적 위치에 분산되는 곳이지만 운영, 거버넌스 등은 여전히 퍼블릭 클라우드 공급자의 책임이다. 분산 클라우드는 클라우드의 미래로 조직이 이러한 서비스를 물리적으로 더 가깝게 만들 수 있도록 하면 지연 시간이 짧은 시나리오에 도움이 되고 데이터 비용이 절감되며, 데이터가 특정한 지역에 있어야 한다는 법률을 수용하는데 도움이 된다.
■ 어디서나 운영 (Anywhere Operations)
COVID-19에서 기업이 성공적으로 부상하려면 어디서나 운영 모델이 필수적이다. 형식적으로 이 운영 모델은 고객, 고용주 및 비즈니스 파트너가 물리적으로 원격 환경에서 운영되는 곳 어디에서나 비즈니스에 액세스하고 제공할 수 있도록 활성화해야 한다. 어디서나 작동하는 모델은 '디지털 우선, 원격우선'이다. 예를 들어, 모바일 전용이지만 물리적 상호작용없이 자금 이체에서 계좌 개설에 이르기까지 모든 것을 처리하는 은행이 있다. 디지털은 항상 기본값이어야 한다. 그렇다고 물리적 공간이 그 자리를 차지않는다는 말은 아니지만 물리적 또는 디지털 기능을 원활하게 제공해야 하는지 여부에 관계없이 물리적 매장에서 비접촉식 체크아웃과 같이 디지털 방식으로 향상되어야 하는 것이다.
■ 사이버 보안 메시 (Cybersecurity mesh)
사이버 보안 메시는 확장 가능하고 유연하며 안정적인 사이버 보안 제어에 대한 분산 아키텍처 접근 방식이다. 이제 많은 자산이 기존 보안 경계 외부에 존재한다. 사이버 보안 메시는 본질적으로 사람이나 사물의 신원을 중심으로 보안 경계를 정의할 수 있도록 한다. 정책 오케스트레이션을 중앙 집중화하고 정책 시행을 분산함으로써 보다 모듈식의 대응력있는 보안 접근 방식을 가능하게 한다.
■ 지능형 구성 가능한 비즈니스 (Intelligent composable business)
지능형 구성 가능한 비즈니스는 현재 상황에 따라 적응하고 근본적으로 재 정렬할 수 있는 비즈니스다. 조직이 디지털 비즈니스 전략을 가속화하여 더 빠른 디지털 전환을 추진함에 따라 민첩하고 현재, 사용가능한 데이터를 기반으로 신속하게 비즈니스 결정을 내려야 한다. 이를 성공적으로 수행하기 위해 조직은 정보에 대한 더 나은 액세스를 가능하게 하고 더 나은 통찰력으로 정보를 보강하며 해당 통찰력의 의미에 신속하게 대응할 수 있는 능력을 갖추어야 한다. 여기에는 조직 전체의 자율성과 민주화가 포함되어 비효율적인 프로세스에 의해 방해받지 않고 기업의 일부가 신속하게 대응할 수 있게 된다.
■ AI 엔지니어링 (AI Engineering)
AI 엔지니어링 전략은 AI 투자의 전체 가치를 제공하면서 AI 모델의 성능, 확장성, 해석 가능성 및 안정성을 촉진한다. AI 프로젝트는 종종 유지보수성, 확장성 및 거버넌스와 관련된 문제에 직면하여 대부분의 조직에 문제가 될 수 있다. AI 엔지니어링은 경로를 제공하여 AI를 전문적이고 격리된 프로젝트 세트가 아닌 주류 DevOps 프로세스의 일부로 구현된다. 여러 AI 기술의 조합을 운영할 때 가치에 대한 명확한 경로를 제공하면서 AI 과대광고를 자제시키기 위해 다양한 분야를 통합한다. 또 AI 엔지니어링의 거버넌스 측면으로 인해 '책임감있는 AI' 가 신뢰, 투명성, 윤리, 공정성, 규정 준수 문제를 처리하기 위해 등장하고 있다.
■ 초 자동화 (Hyperautomation)
초 자동화는 조직에서 자동화할 수 있는 것은 무엇이든 자동화해야 한다는 것이다. 초자동화는 효율적이지 않은 레거시 비즈니스 프로세스를 보유한 조직이 주도하여 조직에 막대한 비용과 광범위한 문제를 야기하는 프로세스를 최적화되거나 연결하여서 동시에 디지털 비즈니스의 가속화는 물론 효율성과 민주화를 수행하게 한다. 이는 효율성, 비즈니스 민첩성에 집중하지 않는 조직은 뒤처진다는 말이다.
이제는 너무나 식상해져버린 제4차 산업혁명이 부각되며, '자율주행', '빅데이터', '인공지능(AI)', '사물인터넷(IoT)', '5G' 기술들이 융복합되며 새로운 산업을 탄생시키고 있다. 뿐만 아니라 기존에 연구 단계로 정체되어 있었던 분야도 실질적인 상품화와 서비스가 가능한 수준으로 발전하고 있다. 이미 로봇 분야의 선두주자들이 내놓는 로봇들은 마치 미래의 모습을 보는 듯 하다. 우리가 생각하는 미래는 이미 어디엔가 와 있는 듯 하다.
최근에 가장 주목을 받는 부분은 라스트 마일에서의 '자율주행차 + 배달로봇'을 통한 배송이다.
'라스트 마일(last mile)'은 지하철역이나, 버스정류장 등에서 최종목적지인 집, 회사 건물 앞까지의 짧은 거리를 말한다.
배달로봇이 자율주행차에 탑승하여 배송지까지 이동하며, 라스트 마일에서는 배달로봇이 직접 물건을 배송하는 것이다. 이미 몇몇 기업이 관련해서 시험 운행을 진행중이며 상품화를 눈앞에 두고 있다.
그 외에도 다양한 분야에서 로봇의 활용은 증가할 것으로 예상된다. 어느 순간 우리의 생활 속에서 로봇이 자연스럽게 자리를 잡을 것이다. 주차공간의 효율적 사용을 위한 주차로봇, 산업현장에서의 사람을 돕는 협동로봇, 사람과의 정서적 유대를 강화하는 애완로봇에 이르기까지 다양한 분야에서 서비스가 되고 있으며, 성능 또한 지속적으로 발전하고 있다.
자율주행 및 로봇을 위해서는 어떤 기술들이 필요할 것인가?
차량 및 로봇의 주행환경 인식/판단, 차량 및 로봇 제어, 지도/측위, 통신과 보안 기능들이 복합적으로 필요하다. 그리고 이러한 기능 구현을 위해서는 빅데이터 저장을 위한 클라우드, 빅데이터를 기반으로 판단을 위한 인공지능(AI), 딥러닝(Deep Learning)기술이 필요로 한다. 뿐만 아니라 실시간으로 제어하기 위한 초고속, 대용량, 초저지연 처리를 위한 5G 기술이 통신 인프라로 자리잡아야 한다.
새로운 기술이 등장한 후 하이프 사이클을 따라 성장하면서 안정 상태에 이르는 과정을 예측하고 이를 도식화한 '하이프 사이클 이머징 테크놀리지'는 성숙도를 5단계로 구분한 시간(가로)과 기업 또는 시장의 기대(세로)로 구성되어 있다.
1단계(Innovation Trigger) : 혁신적 기술
2단계(Peak of Inflated Expectations) : 기대의 정점
3단계(Trough of Disillusionment) : 환멸의 도래
4단계(Shape of Enlightenment) : 이해의 확산
5단계(Plateau of Productivity) : 생산의 안정
어떤 기술이 가장 빠르게 비즈니스 현장에서 활용될 수 있고, 또 어떤 기술이 가장 큰 혜택을 가져다줄 것인지를, 한눈에 가늠할 수 있도록 도와주는 우선순위 매트릭스 (우선 순위 매트릭스의 가로축은 시간, 세로축은 혜택을 의미한다. 시간은 2년 미만, 2~5년, 5~10년, 20년 이상으로 구분되어 있으며, 혜택은 낮음, 보통, 높음, 전환으로 나누어져 있다.)
어떤 기술이 이머징 테크놀로지에 새로 들어왔고, 어떤 기술이 사라졌는지, 그리고 아직 남아서 계속 다음 단계로 나아가고 있는지를, 항상 주의깊게 살펴보아야 한다. 디지털 트랜스포메이션이 이루어지면서, 새로운 기술들이 시장에 등장하지만, 아직까지는 경쟁기업을 압도하는 제품 및 서비스가 두드러지게 나타나지는 않는다. 하지만 분명히 우리의 삶에 직접적으로 영향을 미치는 범위에 이르기까지 변할 것이다. 대부분의 사람들은 이러한 기술에 동떨어져 있는 경우가 많지만, 이미 '미래는 이미 와 있다. 단지 우리가 모를 뿐'이라는 말처럼 이미 기술의 중심 속에서 많은 삶의 변화를 이루어내고 있는 사람도 있을 것이다.
- 초자동화는 다수의 머신러닝, 패키징된 소프트웨어, 자동화 툴을 결합시켜 업무를 수행하는 것이다. 초자동화는 광범위한 툴 뿐만 아니라 자동화 자체의 모든 단계를 아우르는 개념이다. 여기에는 감지, 분석, 설계, 자동화, 측정, 모니터링, 재평가 등이 포함된다.
초자동화는 주로 자동화 매커니즘의 범위, 매커니즘 간의 관계, 매커니즘이 결합되고 조직화되는 방법 등을 이해하는 데 초점을 맞춘다. 초자동화는 로봇 프로세스 자동화(RPA)에서 시작됐다. 그러나 RPA 자체가 초자동화를 의미하지는 않는다. 초자동화는 인간이 업무에 관여하는 부분을 복제하기 위해 다양한 툴의 결합이 필요하다.
■ 다중 경험(Multiexperience)
- 사용자 경험은 2028년까지 디지털 세상에 대한 사용자들의 인식, 디지털 세상과 사용자들의 상호 작용 방식에 있어 크게 변화할 것이다. 대화형 플랫폼은 사람들이 디지털 세상과 상호 작용하는 방식을 바꾸고 있다. 또, 가상현실(VR), 증강현실(AR), 혼합현실(MR)은 사람들이 디지털 세상을 인식하는 방식을 바꾸고 있다. 인식 및 상호 작용 모델에 있어서 이러한 변화는 미래 다중 센서 경험, 다중 모드 경험을 끌어낸다.
■ 전문성의 민주화(Democratization of Expertise)
- 민주화(Democratization)는 추가적인 값비싼 훈련을 요구하지 않으면서도 극히 단순한 경험을 통해 사람들에게 머신러닝, 앱 개방 등의 기술 전문 지식이나 판매 프로세스, 경제 분석 등 사업분야 전문지식을 제공하는 것에 초점이 맞춰져 있다.
시민 개발이나 노코드 모델의 발달과 더불어 시민 데이터 사이언티스트, 시민 안티그레이터 등의 "시민 접근"이 등장한 것은 전문 기술 민주화의 사례로 볼 수 있다.
가트너는 2023년까지 민주화의 4가지 핵심 요소가 가속활 될 것으로 예상했다. 데이터 및 분석의 민주화, 개발의 민주화, 설계의 민주화, 지식의 민주화가 이에 해당한다. 데이터 및 분석의 민주화는 전문 개발자 커뮤니티를 대상으로 확장하는 데이터 사이언티스트들을 대상으로 하는 툴을 의미하고, 개발의 민주화는 맞춤 개발된 애플리케이션에서 활용할 수 있는 AI 툴을 의미한다. 설계의 민주화는 시민 개발자에게 권한을 주는 추가적인 앱 개발 기능의 자동화와 더불어 low-code, no-code 가 확산되는 현상이며, 지식의 민주화는 IT 비전문가들이 본래 갖고 있던 전문 기술이나 훈련을 넘어 전문화된 스킬을 활용하고 적용할 수 있는 각종 툴과 전문 시스템에 접근할 수 있게 되는 것을 의미한다.
■ 인간 증강(Human Augmentation)
- 인간 증강은 기술이 인간 경험의 필수적인 부분으로서 어떻게 인간의 인식과 신체에 향상을 제공할 수 있는지는 탐구한다.
물리적 증강은 인간의 몸에 웨어러블 디바이스와 같은 기술 요소를 심어 타고난 신체적 기능을 변화시킴으로써 인간을 향상시킨다. 인식증강은 전통적인 컴퓨터 시스템과 스마트 공간 내 새로운 다중 경험 인터페이스상의 정보를 평가하고 애플리케이션을 활용하면서 이뤄질 수 있다. 개개인들이 개인적 향상을 추구하게 됨에 따라 향후 10년 간 인간 신체 및 인식의 증강 수준을 높이는 것은 일반적인 일이 될 것이다. 이는 새로운 "소비자화"효과를 만들어 직원들의 개인의 향상점을 활용 및 확대하여 업무 환경을 향상시킬 수 있다.
■ 투명성과 추적성(Transparency and Traceability)
- 점점 더 많은 소비자가 개인 정보의 가치를 인식하고, 이에 대한 통제를 요구하고 있다. 기업들은 개인 데이터 보호와 관리의 위험이 증가하고 있음을 자각하고 있으며, 정부는 이를 확실히 하기 위해 강력한 규제를 시행하고 있다. 투명성과 추적성은 이러한 디지털 윤리와 개인정보 보호의 요구를 충족하는 데 중요한 요소다.
투명성과 추적성은 규제 요구사항을 충족하고, 인공지능과 기타 첨단 기술 사용에 대한 윤리적인 접근방식을 보존하며, 기업 내 사라져 가는 신뢰를 회복하기 위해 고안도니 다양한 태도, 행동, 지원 기술, 관행 등을 지칭한다. 기업들은 투명성과 신뢰 관행을 구축하면서 인공지능 및 머신러닝 영역, 개인 데이터 보호, 소유 및 제어 영역, 윤리적 설계의 영역 등 세가지 영역에 초점을 맞춰야 한다.
■ 자율권을 가진 엣지(The Empowered Edge)
- 엣지 컴퓨팅은 정보 처리, 콘텐츠 수집 및 전달이 해당 정보의 출처, 보관 장소, 소비자에 인접한 곳에서 처리되는 컴퓨팅 토폴리지다.
엣지 컴퓨팅은 지연 시간을 줄이기 위해 트래픽과 프로세싱을 로컬에서 처리하려고 하고, 엣지의 기능을 활용하려고 하며, 엣지에서의 더 큰 자율성을 가능케 한다. 제조업, 유통업 등 특정 산업을 위한 임베디드 IoT 세상에 단절되거나 분산된 기능을 제공할 수 있는 IoT t시스템의 필요성이 대두되면서 엣지 컴퓨팅에 많은 관심이 쏠리고 있다. 그러나 엣지가 점점 더 정교해지고 전문화되는 컴퓨팅 리소스와 더욱 풍부한 데이터 스토리지를 바탕으로 자율성을 가지게 되면서, 엣지 컴퓨팅은 사실상 모든 산업과 사용 사례를 아울러 지배적인 요소가 될 것이다.
■ 분산형 클라우드(Distributed Cloud)
- 분산형 클라우드는 퍼블릭 클라우드 서비스가 다양한 장소에 배포되는 것이다. 이때 퍼블릭 클라우드 서비스의 기존 제공 업체는 서비스의 운영, 거버넌스, 업데이트 및 개발에 대한 책임을 진다. 분산형 클라우드는 대부분의 퍼블릭 클라우드 서비스의 중앙호 모델에 상당한 변화를 주며, 새로운 클라우드 컴퓨팅 시대를 견인할 것이다.
■ 자율 사물(Autonomous Things)
- 자율 사물은 인간이 수행하던 기능들을 자동화 하는 데 AI를 활용하는 실제 디바이스다. 자율 사물은 대부분 로봇, 드론, 자율주행차, 자율주행선, 가전제품 등의 형태로 구현된다. 이러한 디바이스의 자동화는 엄격한 프로그래밍 모델들이 제공하는 자동화를 뛰어넘는 수준으로, AI를 활용하여 주변 환경 및 사람들과 보다 자연스럽게 상호 작용하는 고급 행동을 구현한다.
기술력이 향상되고 규제가 허용되며 사회적 수용이 증가함에 따라, 점점 더 많은 자율 사물이 통제되지 않는 공공장소에 배치될 것이다. 자율 사물이 확산됨에 따라, 우리는 독립적인 지능형 사물이 다수의 디바이스가 사람과는 독립적으로, 혹은 인간의 입력에 따라 협력하는 지능형 사물의 무리로 전환될 것으로 예상된다.
■ 실용적인 블록체인(Practical Blockchain)
- 블록체인은 신뢰 구축, 투명성 제공, 비즈니스 생태계 간 가치 교환 구현, 잠재적 비용 절감, 거래 합의 시가 단축, 현금 흐름 개선등을 통해 산업을 재구성할 수 있는 잠재력을 가진 기술이다. 자산의 출처를 추적할 수 있어 위조품 사기의 가능성이 현저히 줄어든다. 또한, 자산 추적은 공급망 전반에서 식품에 대해 추적해 오염 발생 지점을 보다 쉽게 찾을 수 있도록 하거나 개별 부품을 추적하여 제품 리콜을 지원하는 등 다양한 영역에서 가치를 제공한다.
블록체인이 잠재력을 가진 또 다른 영역은 신원 관리 분야다. 스마트 계약은 사건이 특정 액션을 촉발할 수 있는 블록체인으로 프로그래밍될 수 있다.
■ 인공지능 보안(AI Security)
- 인공지능과 머신러닝은 다양한 사용 사례에 걸쳐 인간의 의사결정을 향상시키는 데 지속해서 활용될 것이다. 이는 초자동화를 구현하는 수많은 기회를 만들어내고 자율 사물을 활용해 비즈니스 전환을 이뤄낼 수 있지만, 보안 팀과 위험 분야 리더들에게는 새로운 중요 과제를 제시한다. IoT, 클라우드 컴퓨팅, 마이크로 서비스 및 스마트 공간 내 고도로 연결된 시스템들로 인해 공격 가능한 포인트가 광범위하게 늘어나기 때문이다. 보안 및 위기관리 리더들은 AI 기반 시스템 보호, AI를 활용한 보안 방어 향상, 공격자의 범죄 목적 AI 사용 예측 등 세 가지 주요 영역에 초점을 마춰야 한다.
