AI 프로젝트는 은행을 파산시킬까? 진정한 비용 해독

AI 노력은 여러 산업 전반에 새로운 솔루션을 제공하므로 기술 혁신 영역에서 많은 관심을 끌었습니다. AI의 약속에 대한 흥분이 이해되는 것은 사실이지만, 이러한 과감한 계획과 관련된 실제 비용을 폭로하는 것이 필요합니다. AI 프로젝트의 복잡한 비용을 분해하는 것—이는 전통적인 예산 제약을 훨씬 뛰어넘습니다—에서 실제 이야기가 발견됩니다. AI 구현의 복잡성을 해결하는 과정에서 기업은 가시적 비용과 무형 비용을 모두 이해하는 것이 중요합니다. 데이터 복잡성과 팀 구성을 포함한 모든 요인이 AI 프로그램의 재무적 그림에 영향을 미칩니다.

AI 프로젝트 비용 탐색

AI 이니셔티브와 관련된 비용을 더 자세히 살펴보면 표준 비용 모델이 요금의 전체 스펙트럼을 포착할 수 없음이 분명합니다. 이 반복되는 주제는 AI 비용의 복잡성과 데이터가 필수 구성 요소로서의 필요성을 강조합니다. 소프트웨어, 하드웨어, 서비스의 전통적인 삼위일체 외에도 데이터의 엄청난 복잡성과 양은 상당한 재무적 영향을 미칩니다. 준비, 계획 및 데이터 정제가 주요 비용 변수임이 밝혀졌으며, 이는 자원 할당과 계획의 중요성을 강조합니다.

문제를 단순화하기 위해 AI 비용 뒤에는 5 요인이 있습니다

개발하려는 소프트웨어의 종류. 처리된 데이터를 기반으로 판단을 내리는 방식으로 인간 지능을 모방하는 모든 도구 또는 프로그램을 인공지능이라고 합니다. 

달성하고자 하는 지능의 수준. 사람들은 인공지능을 논할 때 종종 '블레이드 러너 2049'의 홀로그램 아바타나 보스턴 다이나믹스의 로봇을 떠올립니다. 실제로 상업용 AI 솔루션의 대부분은 특정 작업 수행에만 설계된 좁은 AI(Narrow AI) 범주에 속합니다.

시스템에 공급할 데이터의 양과 질. 인공지능의 품질은 학습에 사용된 데이터의 양에 의존하며, 알고리즘은 처리하는 데이터가 늘어날수록 더 숙달됩니다.

이미 학습된 AI 애플리케이션 개발 도구인 대규모 언어 모델(LLM)은 학습 과정을 훨씬 간단하게 만듭니다. 

원하는 알고리즘 정확도의 수준. 사용하는 애플리케이션의 종류와 AI 솔루션에 부과하는 제약 조건은 예측의 정확도에 직접적인 영향을 미칩니다. 

AI 프로젝트 관리자가 일반적으로 AI 시스템의 총 비용을 과소평가한다는 사실은 프로젝트에 큰 영향을 미칠 수 있습니다. AI 프로젝트의 전체 비용은 여러 요인에 의해 결정됩니다. 자체 AI 모델을 구축하는 것과 구매하는 것 중 하나입니다. 모델의 실제 테스트 및 적용 위치도 고려해야 합니다. 물론 데이터 엔지니어링의 모든 측면도 고려해야 합니다.

비용 절감 전략

AI 프로젝트 비용의 미로 속에서 나타나는 비용 절감 기회는 기술적 흥분 속에서의 재정적 책임감을 제공합니다. '큰 아이디어, 작은 시작, 반복' 방법론을 가이드로 사용하여 프로젝트 지출을 통제할 수 있습니다. 작은 반복을 통해 빠른 방향 조정과 비용 절감 전략이 가능할 때 프로젝트 범위의 중요성이 명확해집니다.

이미 누군가가 구축한 모델을 사용하고 개발하는 것이 범위 통제 방법 중 하나입니다. 이는 가장 저렴하며 가장 빠르게 반복할 수 있습니다. 이미 사용 가능한 경우 이를 활용하십시오. 이것이 작은 시작을 하는 가장 좋은 방법 중 하나입니다. 이것이 바로 파운데이션 모델과 LLM이 현재 인기 있는 이유입니다. 비용이 저렴하고, 반복이 빠르며, 가능한 수익 기간이 매우 짧습니다. 따라서 비용이 고려 사항이고 자금이 많지 않은 경우 다른 사람의 모델을 사용하는 것은 훌륭한 선택입니다.

AI 프로젝트가 실패하는 이유

대부분의 실패한 AI 프로젝트는 '문샷(moonshots)'으로 불립니다. 이는 이상적인 CIO와 데이터 과학자들이 '조직의 수십 년간 운영을 극적으로 변화시키겠다'고 원하는 등 비현실적으로 야심 찬 시도입니다. 이러한 프로젝트는 완수하는 데 영원히 걸릴 수 있으므로, 결국 기업의 최고 경영진이 실제 가치를 보기 위해 자금을 투입하는 것을 멈추는 것이 합리적입니다.

구축하려는 고유 시스템의 매우 간단한 버전은 수천 달러가 들 수 있는 반면, 프로젝트의 세부 사항에 깊이 들어가지 않고 AI 프로그램의 구축 및 배포 비용을 추정하는 것은 어렵습니다. 반면, 플러그 앤 플레이 서비스, 사전 학습된 ML 모델 또는 개념 검증을 고려 중이라면 적은 예산으로 시작할 수 있습니다.