웹의 AI 소개

AI로 개발할 때는 모델 선택, 인프라, 코드에 얽매일 수 있습니다. 큰 그림을 잊을 수도 있습니다.

이 모듈에서는 새로운 AI 기능이나 제품을 매핑하는 데 사용할 수 있는 청사진을 소개합니다.

• 빌드하는 이유는 무엇인가요? AI 사용 사례가 사용자에게 어떤 가치를 제공하나요?
• 애플리케이션은 어떻게 작동하나요?
• 시스템의 각 부분을 책임감 있게 개발하려면 어떻게 해야 할까요?

이 청사진의 작동 방식을 이해하기 위해 전자상거래 사이트인 Example Shoppe에서 근무한다고 가정해 보겠습니다. 경쟁업체는 일반적인 챗봇을 추가하는 데 바쁘지만 큰 효과를 보지 못하고 있습니다. 사용자에게 더 나은 경험을 제공하고 싶어 핵심 사용자 흐름을 방해하지 않고 검색 환경을 개선하기로 결정합니다.

AI 기반 업그레이드를 통해 쇼핑객은 '겨울용 빨간색 트레일 러너'와 같은 자연어 문구를 입력하고 키워드 기반 검색으로는 놓쳤을 수 있는 관련 결과를 얻을 수 있습니다.

추천

모든 AI 프로젝트는 명확한 사용 사례, 즉 AI로 해결할 가치가 있는 사용자 작업이나 문제로 시작해야 합니다. AI는 애플리케이션에 불확실성과 기타 위험을 도입하므로, 기존의 결정론적 방식으로 문제를 해결할 수 없는 경우에만 사용해야 합니다.

사용 사례

Example Shoppe의 경우 검색은 사용자와 사용자가 찾고 있는 제품을 연결하는 주요 기능입니다. 사용자는 오타, 동의어 또는 모호한 검색어로 검색에 실패하면 검색을 포기하는 경우가 많습니다. 자체 분석뿐만 아니라 외부 연구를 통해서도 이를 알 수 있습니다. 더 유연하고 지능적인 검색을 통해 사용자의 여정을 더 효율적이고 즐겁게 만들 수 있습니다.

AI 사용 사례의 다른 예는 다음과 같습니다.

• 뉴스 사이트에서는 뉴스를 구조화된 방식으로 요약하여 인지 부하를 줄일 수 있습니다.
• 게시 플랫폼에서는 대체 텍스트와 자막을 자동으로 제안하여 접근성을 개선할 수 있습니다.
• 클라우드 서비스 제공업체는 더 스마트한 문서 검색을 통해 지원 요청을 줄일 수 있습니다.

AI를 통해 성공하려면 가치가 높은 기회를 발견해야 합니다. RAND Corporation 보고서에서 알 수 있듯이 잘못된 기회를 선택하는 것은 AI 프로젝트가 실패하는 주요 이유 중 하나입니다.

값

가치에는 사용자에게 제공되는 이점과 제품 또는 비즈니스에 제공되는 이점이라는 두 가지 측면이 있습니다. 대부분의 건전하고 책임감 있는 제품에서는 이러한 요소가 일치합니다. 사용자가 성공하면 비즈니스도 성장합니다. 예를 들어 Shoppe의 경우 AI 기반 검색은 사용자가 마찰을 줄이면서 적합한 제품을 더 빠르게 찾을 수 있도록 지원하여 가치를 창출합니다. 이를 통해 제품 발견, 전환율, 장기적인 고객 만족도가 향상됩니다.

때로는 사용자 만족도와 신뢰와 같은 무형의 가치가 있을 수 있습니다. 특히 초반에는 가치 제안을 정량화할 방법을 찾는 것이 좋습니다. 이를 통해 우선순위를 정하고, 영향을 전달하고, 이해관계자를 설득할 수 있는 확실한 근거를 마련할 수 있습니다. 대략적인 추정치라도 결정을 내리고 성공을 측정할 수 있도록 도와줍니다.

솔루션

제품에 AI를 추가하는 이유를 명확히 한 후에는 AI를 어떻게 구현할지 생각해 보세요. AI 솔루션의 주요 구성요소를 살펴보세요.

데이터

데이터는 AI의 연료입니다. 궁극적으로 AI 시스템은 데이터로부터 얼마나 잘 학습할 수 있는지에 따라 제한됩니다. 모델이나 인프라가 아무리 멋져도 데이터가 부실하거나 불완전하거나 잘못 정렬되면 결과가 좋지 않고 사용자가 불만을 느낍니다. 반대로 고품질 데이터와 잘 설계된 데이터 플라이휠은 가치 동인이자 제품 차별화의 일부가 될 수 있습니다.

데이터는 다양한 모양과 모달리티로 제공됩니다. AI 기반 검색의 경우 유용한 데이터는 다음과 같습니다.

• 구조화된 데이터: 제품 제목, 색상, 크기, 카테고리, 재고
• 비정형 데이터: 제품 설명, 사용자 리뷰, FAQ
• 동의어 목록: '운동화'는 '러닝화'와 같다는 용어 관계
• 사용자 신호: 클릭수, 체류 시간, 장바구니에 추가 작업, 구매는 모델이 사용자가 실제로 관련성이 있다고 생각하는 항목을 학습하는 데 도움이 되는 모든 신호입니다.
• 시각적 데이터: 시각적 유사성 색색인에 삽입할 수 있는 제품 이미지로, 사용자가 텍스트를 일치시키지 않아도 사진으로 검색하거나 시각적으로 유사한 상품을 찾을 수 있습니다.

데이터가 많아 보일 수 있지만 걱정하지 마세요. 신호 대 노이즈 비율이 가장 높은 데이터 소스 몇 개로 작은 규모로 시작한 다음 시스템이 성숙해짐에 따라 확장합니다.

대부분의 경우 원시 데이터는 모델에서 수집할 준비가 되어 있지 않습니다. AI 친화적인 형식으로 정리하고 전처리해야 합니다. 예를 들어 사용자 신호는 작업 시퀀스로 변환할 수 있고, 구조화되지 않은 제품 설명은 의미론적 삽입으로 인코딩할 수 있습니다.

데이터는 AI 수명 주기의 다양한 단계에서 사용할 수 있습니다.

• 학습 또는 미세 조정에서 모델에 패턴과 관계를 가르치는 데 사용됩니다.
• 평가에서는 품질, 정확성, 관련성을 테스트하는 데 사용할 수 있습니다.
• 프로덕션에서는 이를 사용하여 드리프트를 추적하고 실제 사용에서 피드백을 수집할 수 있습니다.

간단히 말해 데이터는 단순한 입력이 아니라 살아있는 애셋입니다. 데이터를 잘 관리하는 것은 웹 개발자가 AI를 사용할 때 얻을 수 있는 가장 가치 있는 기술 중 하나입니다.

인텔리전스

인텔리전스 레이어는 AI가 가치를 추출하고 창출하는 곳입니다. 핵심에 모델이 있는 경우가 많지만 대부분의 시스템은 더 복잡합니다. 예를 들어 Example Shoppe의 인텔리전스 레이어는 다음과 같은 다양한 방법을 사용하여 사용자 쿼리를 이해합니다.

• 개체명 인식 및 정보 추출을 사용하여 color=red 또는 season=winter과 같은 속성을 추출합니다.
• 사용자 질문과 사용 가능한 제품의 시맨틱 표현을 만드는 문장 임베딩 모델
• 시맨틱 검색을 사용하여 관련 결과를 검색합니다.
• 관련성에 따라 결과를 정확하게 순위 지정하는 작고 맞춤설정된 재순위 지정 모델

인텔리전스는 AI 시스템에서 가장 흥미로운 부분이지만 가장 과장된 구성요소이기도 합니다. 매주 새로운 모델이 출시되며, 종종 최상급 마케팅 주장이 함께합니다.

다음은 고려해야 할 두 가지 핵심 요소입니다.

• AI는 생성형 AI와 대규모 언어 모델 (LLM)에만 국한되지 않습니다. 많은 작업은 배포 및 유지관리 속도가 빠르고 비용이 저렴한 더 작고 전문화된 모델을 사용하는 것이 더 좋습니다.
• 실제 AI 시스템은 단일 모놀리식 모델에 의존하는 경우가 드뭅니다. 대신 데이터베이스, API, 가드레일과 같은 추가 구성요소가 포함된 하나 이상의 모델의 조합인 복합 AI 아키텍처를 사용합니다. 이러한 요소는 함께 작동하여 강력한 상황 인식 동작을 제공합니다.

리더보드에서 최신 히트곡을 쫓는 대신 문제에 적합한 인텔리전스를 선택하여 제품과 비즈니스가 발전함에 따라 적응할 수 있습니다. 향후 모듈에서는 현재 가장 일반적인 AI 기술인 예측형 AI와 생성형 AI의 기초를 배우게 됩니다. 또한 시스템에 적합한 기술적 접근 방식을 평가하고 선택하는 방법도 알아봅니다.

사용자 환경

사용자 인터페이스는 사용자에게 AI 가치를 제공하는 채널입니다. 결정적 소프트웨어 인터페이스는 확실하고 예측 가능합니다. 동일한 입력은 항상 동일한 출력을 생성합니다. AI를 사용하면 불확실성이 발생합니다. 거의 동일한 두 개의 질문이 완전히 다른 결과를 생성할 수 있으며, 가장 강력한 AI 모델조차 환각을 일으키고 다른 종류의 실수를 하는 것으로 알려져 있습니다.

특히 기존 제품에 AI를 추가하는 경우 이 전환에 대해 매우 신중해야 합니다. 개방형 챗봇은 재미있지만 실제로 사용하기에는 복잡하고 위험합니다.

처음에는 사용자에게 노출되는 불확실성과 위험을 최소화하는 것을 목표로 하세요. 예를 들어 Example Shoppe의 경우 AI 기반 검색을 기존 인터페이스에 조용히 통합할 수 있습니다. 사용자가 자연어 쿼리를 계속 입력하면 더 나은 품질의 검색 결과가 표시됩니다.

AI 기능은 백그라운드에서 작동하지만 투명성을 강화하는 것이 좋습니다. 예를 들어 시스템에서 이러한 결과를 선별하는 방법에 관한 알림과 간단한 설명을 추가할 수 있습니다.

UX 패턴에서는 제품의 사용자 환경에서 AI 노출, 기능, 위험의 균형을 맞추는 방법을 알아봅니다.

거버넌스

AI 시스템은 책임감 있게 구축되어야 합니다. 사용자 개인 정보를 보호하고, 편향을 완화하고, 투명성을 제공하고, 모든 관련 법적 표준을 충족하는 시스템을 구축해야 합니다. 우수한 거버넌스는 규정 준수만을 위한 것이 아니라 사용자 신뢰와 채택을 확보하는 데 중요한 설계 원칙입니다.

Example Shoppe의 AI 기반 검색에서는 제품에 내장된 보호 장치로 거버넌스가 시작됩니다.

• 개인 정보 보호: 사용자가 명시적으로 선택하지 않는 한 맞춤설정 데이터는 로컬에 유지됩니다. 언제든지 사용 설정 또는 사용 중지로 전환할 수 있습니다.
• 공정성: 검색 결과가 감사되어 판매자 간에 균형 잡힌 노출이 보장됩니다.
• 신뢰 및 투명성: Example Shoppe를 통해 각 검색어의 상단에 결과가 표시되는 이유를 알아볼 수 있습니다. 이를 통해 사용자와의 신뢰를 구축할 수 있습니다.
• 안전: 제한되거나 안전하지 않은 질문 (예: 금지된 상품)은 가드레일을 통해 필터링되거나 차단됩니다.
• 구제 조치: AI 개선사항이 유용하지 않은 경우 사용자는 AI 추천을 빠르게 닫고, 잘못된 AI 결과나 상호작용을 신고하고, 키워드 전용 검색으로 되돌릴 수 있습니다.

AI를 책임감 있게 구축하려면 배포 프로세스를 직접 관리해야 합니다. 신중한 가드레일과 피드백 루프를 설계합니다. 사용 및 한계에 대한 기대치를 설정하면서 환경의 안전성과 안정성을 형성합니다. 출력을 완전히 제어할 수는 없지만 우려사항을 해결할 준비가 되어 있어야 합니다.

AI로 책임감 있게 빌드에서 AI 거버넌스의 핵심 측면에 대해 자세히 알아보고 지속 가능하고 신뢰할 수 있는 AI 애플리케이션을 빌드하는 데 필요한 실용적인 도구를 갖추세요.

핵심 내용

AI 시스템 청사진은 참여하는 모든 AI 프로젝트의 명확성과 일관성을 확보하는 데 도움이 됩니다. 청사진의 각 요소를 개략적으로 살펴보았으며, 계속 읽으면 각 단계에 대해 자세히 알아볼 수 있습니다.

이 청사진은 다양한 예시에서 다시 표시되며 특정 레이어는 더 자세히 설명됩니다.

이해도 확인