RSS VentureBeat
팔로우
실험실에서 작동하는 AI가 실제 환경에서는 자주 실패하는 이유 — 그리고 이를 실제로 해결하는 방법
기업들은 초기 프로토타입을 넘어 AI를 성공적으로 구현하는 데 종종 어려움을 겪으며, 유망한 아이디어를 복잡한 실제 시스템에 통합하는 데 직면합니다. Capital One의 AI Foundations 조직은 기초 연구를 실제 응용 분야와 연결하고 개념부터 프로덕션까지 아이디어에 책임을 묻는 규율 있는 R&D 접근 방식을 강조합니다. 이 접근 방식은 파편화되고 위험 회피적인 기업 환경 내에서 AI의 빠른 발전을 다룹니다.
성공을 위해서는 최첨단 연구와 실제 사용 사례 간의 격차를 해소하고, 모델이 엄격한 피드백 루프를 통해 실제 프로덕션 데이터에서 효과적으로 성능을 발휘하도록 보장해야 합니다. Capital One은 AI 팀을 기초 연구부터 응용 문제 해결까지 포괄하도록 설계하여, 학습을 가속화하고 초기부터 실제 제약을 고려하기 위해 이를 한 지붕 아래 통합합니다. 이 통합 모델은 연구를 특정 사용 사례에 연결함으로써 사기 탐지, 디지털 사용자 경험 및 고객 중심 기술의 발전을 지원했습니다.
AI를 개념에서 프로덕션으로 옮기려면, 보장된 성공이 아닌 정직한 장애물로 취급되는 기능적 개념 증명 및 현실적인 파일럿 프로그램을 통한 엄격한 평가가 필요합니다. 프로덕션은 소프트웨어 엔지니어링, 과학, 제품, 디자인 및 운영을 포함하는 협업 노력이며, 정확도 및 지연 시간과 같은 주요 성능 지표의 지속적인 측정이 중요합니다. 지속 가능한 AI 혁신은 또한 실패를 처벌하기보다는 정보에 입각한 위험 감수를 촉진하고 정직한 평가 및 경로 수정을 장려하는 문화를 기반으로 합니다. 조직은 팀이 잘못된 시작에서 배우고 데이터를 기반으로 적응할 수 있도록 지원해야 합니다. 궁극적으로 영향력 있는 AI를 구축하는 것은 엄격한 평가, 교차 기능 협업 및 학습 중심 문화를 통해 아이디어를 연구에서 현실로 신중하게 안내하는 것을 포함합니다. 리더는 AI가 실제 세계에서 지속적인 영향을 제공하도록 보장하면서 책임감 있는 혁신을 확장할 수 있는 R&D 프로세스 및 문화적 기반에 투자해야 합니다.
