컴퓨터 비전에서 일어나는 모든 일

컴퓨터 비전에 대해서 요즘 관심이 많다. 과거에는 기계는 우리만큼 시각적 세계를 효율적으로 이해하지 못했다. 그러나 요즘은 상황이 다르다.

컴퓨터 비전은 컴퓨터가 이미지와 비디오를 시각적으로 어떻게 이해 할 수 있는지를 다루는 분야이다. 공학적 관점에서 컴퓨터 비전은 인간의 시각 체계가 수행할 수 있는 작업을 모방하고 자동화하는 것을 목표로 한다.

컴퓨터 비전은 AI를 활용하여 컴퓨터가 시각적 세계를 해석하고 이해하도록 훈련한다. 반세기 동안 컴퓨터 비전에 시각 기능을 부여하고자 과학자들은 노력해왔다. 그리고 이것이 컴퓨터 비전이라는 분야로 이어지게되었다. 컴퓨터 비전의 목표는 컴퓨터가 디지털 이미지와 비디오에서 고도의 이해를 도출할 수 있도록 하는 것이다. 그리고 이미 인간보다 능숙한 상황이 되었다.

이렇게 기술이 발전한 이유는

1. 좋은 카메라가 장착된 모바일 기술 덕분에 엄청난 양의 사진과 비디오를 가지게 되었다.

2. 컴퓨팅 능력이 발전하였고, 쉽게 접근할 수 있게 저렴해졌다.

3. 비전용으로 설계된 특정 하드웨어와 도구가 누구나 이용 가능하게 되었다.

컴퓨터 비전 기술은 여러 분야에서 활용중이다. 그 중 몇 가지를 살펴보자.

첫째, 자동차 산업에서 많이 활용중이다. 자율 주행차는 AI 활용사례가 많으며 최근 몇 년동안 언론의 주목을 가장 많이 받았다. 자율주행 기술의 실제 결과보다는 미래 지향적인 개념이 더 강하기 때문일거다. 자율주행에는 컴퓨터 비전이 문제 해결의 중요한 핵심 요소이다. 례를 들어서 차량을 제어하는 알고리즘(에이전트)은 항상 차량 주변 환경을 인식해야 하기 때문이다.

에이전트는 도로의 상태, 주변 차량의 위치, 장애물 및 물체까지의 거리 그리고 해당 물체들이 움직이지는 등을 파악하여 끊임없이 변화하는 환경에 적응해야 한다. 이를 위해 자율주행차 에는 대형 카메라가 장착되어 있다. 촬영된 영상은 이미지 인식 알고리즘에 의해 실시간 모니터링된다. 이 알고리즘은 정적 이미지뿐만 아니라 끊임없이 흐르는 이미지에서도 관련 객체를 검색하고 분류할 수 있어야 한다.

이 기술은 이미 사용되고 있다. 자율 주행의 도로 교통의 문제는 복잡성, 변동성 그리고 예외 상황에서 에이전트의 잠재적인 실패 가능성을 배제할 수 있도록 알고리즘을 훈련하는 어려움에서 비롯된다. 막대한 양의 훈련 데이터가 필요하고 이를 생성하는데 드는 높은 비용이 컴퓨터 비전의 아킬레스건이다.

둘째, 아마존과 같은 온라인 쇼핑몰은 디지털 플랫폼의 분석 기능을 활용하여 고객 행동을 세부적으로 분석하고 사용자 경험을 최적화한다. 지금까지는 진열된 상품과 고객의 상호작용을 자동으로 포착하는 도구가 부족했다. 컴퓨터 비전을 활용하면 어려움을 해소할 수 있다.

기존 보안 카메라와 결합하면 알고리즘이 자동으로 영상 자료를 평가하고 고객 행동을 분석할 수 있다. 예를 들어서 매장 내 현재 인원을 언제든지 파악할 수 있다. 각 진열대와 제품이 고객의 관심을 얼마나 받는지 추적하고, 사람들의 시선 방향을 감지하여 지나가는 사람들이 특정 물건을 얼마나 오랫동안 보는지 측정할 수 있다. 이런 개념은 RMN(Retail Media Network)에서도 활용될 수 있다.

이 기술의 도움으로 매장 내 고객 행동을 세부적으로 평가할 수 있게 되었다. 물론 카메라에 들어가는 비용은 존재한다. 도입 시 매장내 체류 시간 및 동선등을 고려하여 매출 증가 요소를 찾는다면, 꽤 괜찮다고 생각한다.

셋째, 현대 기술 덕분에 농부들은 더 넓은 밭을 효율적으로 경작할 수 있게 되었다. 그리고 경작하는 지역에 해충과 식물 질병이 없는지 반드시 확인해야 한다. 간과할 경우 식물 질병으로 인해 수확량 손실과 흉작이 발생할 수 있기 때문이다.

머신러닝은 드론, 위성 이미지, 원격 센서를 활용하여 방대한 양의 데이터를 분석할 수 있기 때문에 매우 유용한 도구이다. 농부들이 넓은 밭에 광범위하게 작물을 경작하더라도 토양 상태, 관개 수위, 작물 건강 상태, 지역 기온을 24시간 내내 파악할 수 있다. 머신러닝 알고리즘은 이러한 데이터를 분석하여 농부가 잠재적인 문제 발생 지역을 조기에 대응하고 가용 자원을 효율적으로 분배할 수 있도록 지원한다.

이미지 자료 분석을 통해 식물 질병을 조기에 감지 할 수 있다. 불과 몇 년 전만 해도 식물 질병은 이미 확산될 수 있는 단계에 이르러서야 발견되는 경우가 많았다. 하지만 이제는 컴퓨터 비전 기반 조기 경보 시스템을 통해 광범위한 확산을 조기에 감지하고 차단 할 수 있다.

이제, 컴퓨터 비전이 작동하는 원리에 대해서 알아보자.

• 컴퓨터의 이미지는 픽셀 격자 형태로 저장된다. 각 픽셀은 색상으로 정의되며, RGB(Red Green Blue)의 세 가지 원색의 조합으로 저장된다. 이 색상들은 다양한 명암으로 조합되어 다양한 색상을 표현한다.
• 축구장에서 밝은 주황색 축구공을 추적하는 간단한 알고리즘을 생각해보자. 이를 하기 위해 가장 가운데 픽셀의 RGB 값을 사용한다. 이 값을 저장한 후, 컴퓨터 프로그램에 이미지를 제공하여 색상이 가장 일치하는 픽셀을 찾도록 할 수 있다. 알고리즘은 각 픽셀을 확인하여 목표 색상과의 차이를 계산한다. 모든 픽셀을 확인한 결과, 가장 일치하는 픽셀은 주황색 공의 픽셀일 가능성이 높다. 이 알고리즘을 비디오의 모든 프레임에 대해 적용하여 시간 경과에 따라 공을 추적할 수 있다. 그러나 네덜란드 축구팀처럼 유니폼이 주황색이라면 알고리즘이 혼란 스러울 수 있다. 이 경우에는 이 방법은 적합하지 않다. 공을 구분할 수 있어야 한다.
• 이미지에서 이런 특징을 식별하기 위해 컴퓨터 비전 알고리즘은 패치라고 불리는 작은 픽셀 영역을 고려해야 한다. 오늘날 이 분야에서 인기 있는 알고리즘은 합성곱 신경망(CNN)이다.

CNN에 대해서 알아보도록 하자.

• 인공 뉴런은 신경망의 구성 요소이다. 일련의 입력을 받아 각 입력에 지정된 가중치를 곱한 다음에 그 값들을 모두 더한다. 입력 가중치는 커널 값과 동일하지만, 미리 정의된 커널과 달리 신경망은 이미지에서 흥미로운 특징을 인식할 수 있는 유용한 커널을 스스로 학습할 수 있다.

• CNN은 뉴런 뱅크를 사용하여 이미지 데이터를 처리하고, 각 뉴런은 서로 다른 학습된 커널에 의해 새로운 이미지를 출력한다. 이후 뉴런 계층에서 처리되어 반복적인 합성곱 연상을 가능하게 한다.

• 첫 번째 합성곱 계층은 모서리와 같은 것을 찾고, 다음 계층은 모서리와 같은 모서리로 구성된 간단한 모양을 인식하기 위해 모서리 특징을 합성곱할 수 있다. 다음 계층은 모서리 특징을 합성곱하고, 입과 눈썹과 같은 간단한 물체를 인식할 수 있는 뉴런을 포함할 수 있다. 이런 과정이 계속 반복되면서 복잡성이 증가하여 눈, 귀, 입, 코 등 모든 특징을 인식하고 “얼굴입니다.” 라고 말하는 계층이 나타나게 된다.

• 얼굴을 분리한 후에는 전문화된 컴퓨터 비전 알고리즘을 적용하여 코끝이나 입꼬리와 같은 얼굴의 랜드마크를 정확하게 찾아낼 수 있다. 이를 통해 눈을 뜨고 있는지, 눈썹의 위치 등을 파악할 수 있는데, 랜드마크가 있으면 이러한 파악이 쉽다. 눈과 눈썹 사이의 상대적인 거리를 비교하여 놀라움이나 기쁨을 표현할 수 있다.

• 이 모든 정보는 감정 인식 알고리즘을 통해 해석될 수 있으며, 이를 통해 컴퓨터는 기본적인 “기분”을 추론할 수 있다. 이는 컴퓨터가 주변 환경을 인식하는 맥락 인식 능력을 향상시키는데 도움이 될 수 있다.

CNN은 여러 층으로 구성될 필요가 없지만, 복잡한 사물과 장면을 인식하기 위해서는 일반적으로 여러 층으로 구성된다. 이러한 기술을 딥러닝이라고 한다.

이제 컴퓨터 비전에 사용되는 주요 도구를 살펴보자.

1. OpenCV

OpenCV는 컴퓨터 비전과 머신 러닝을 위한 다양한 기능을 담고 있는 오픈 소스 컴퓨터 비전 라이브러리이다.

Intel에서 개발하여 2000년에 처음 출시하였고, 얼굴 감지 및 인식, 객체 식별, 움직이는 객체 모니터링, 카메라 움직임 추적, 눈 움직임 추적, 객체의 3D 모델 추출, 풍경을 활용한 증강 현실 오버레이 생성, 이미지 데이터베이스에서 유사한 이미지 인식 등 다양한 작업을 수행할 수 있는 알고리즘을 갖추고 있다.

OpenCV는 C++, Python, Java, Matlab 등에 대한 인터페이스를 갖추고 있으며 Windows, Android, Mac OS, Linux 등 다양한 운영체제를 지원한다.

2. 텐서플로우

텐서플로우는 컴퓨터 비전을 포함한 AI 및 머신러닝을 위한 다양한 도구, 라이브러리, 리소스등을 제공하는 오픈소스 플랫폼이다. 구글 브레인팀에서 개발하여 2015년에 처음 출시되었다. 텐서플로우는 얼굴인식, 객체 식별 등 컴퓨터 비전 관련 머신러닝 모델을 구축하고 학습하는 데 사용할 수 있다. 구글은 또한 2017년에 모바일 기기용 이미지, 비전 및 인공지능 프로세서인 픽셀 비주얼 코어(PVC)를 출시했다.

Pixel Visual Core는 머신 러닝을 위한 텐서플로우도 지원한다. 텐서플로우는 Python, C++, C, Java, Javascript, Go, Swift 등의 언어를 지원하지만 API 하위 호환성은 보장하지 않는다. Matlab, C#, Julia, Scala, R, Rust 등을 위한 서드파티 패키지도 존재한다.

3. Matlab

Matlab은 1984년 MathWorks에서 개발한 수치 컴퓨팅 환경이다. Matlab에는 컴퓨터 비전을 위한 다양한 알고리즘과 함수를 제공하는 컴퓨터 비전 툴박스가 포함되어 있다. 여기에는 객체 감지, 객체 추적, 특징점 감지, 특징점 매핑, 3차원 카메라 보정, 3차원 재구성 등이 포함된다. YOLO v2, ACF, Faster R-CNN 등의 머신 러닝 알고리즘을 사용하여 Matlab에서 사용자 정의 객체 감지기를 만들고 학습시킬 수도 있다. 이런 알고리즘은 멀티코어 프로세서와 GPU에서 실행하면 훨씬 더 빠르게 실행할 수 있다. Matlab 툴박스 알고리즘은 C, C++을 지원한다.

4. CUDA

CUDA(Compute Unified Device Architecture)는 엔비디아에서 개발하여 2007년에 출시한 병렬 컴퓨팅 플랫폼이다. 소프트웨어 엔지니어는 CUDA 지원 그래픽 처리 장치인 GPU를 사용하여 범용 프로세싱을 수행한다. CUDA는 이미지, 신호 및 비디오 처리를 위한 다양한 함수를 포함하는 엔비디아 퍼포먼스 프리미티브 라이브러리도 제공한다.

다른 라이브러리와 컬렉션으로는 GPU4Vision, CUDA 기반의 OpenVIDIA, 컴퓨터 비전을 위한 최소 GPU 라이브러리인 MinGPU 등이 있다. 개발자는 CUDA를 사용하는 동안 C, C++, Fortran, Matlab, Python 등 다양한 언어로 프로그래밍 할 수 있다.

5. SimpleCV

SimpleCV는 다양한 컴퓨터 비전 애플리케이션 구축에 사용할 수 있는 오픈소스 컴퓨터 비전 프레임워크이다. SimpleCV는 간단하며 파일 형식, 버퍼 관리, 색 공간, 고유값, 비트 심도, 행렬 저장, 비트맵 저장 등 CV 개념을 심도 있게 배우지 않고도 OpenCV와 같은 다양한 고급 컴퓨터 비전 라이브러리를 사용할 수 있다. SimpleCV는 웹캠, 스마트폰 등의 이미지나 비디오 스트림을 사용하여 컴퓨터 비전을 실험할 수 있도록 지원한다.

간단한 프로토타입 제작이 필요할 때 가장 적합한 프레임워크이다. SimpleCV는 Mac, Windows, Linux 운영체제에서 사용할 수 있다.

6. GPUImage

GPUImage는 이미지, 실시간 모션 비디오, 영화에 GPU 가속 효과와 필터를 적용할 수 있는 프레임워크 또는 iOS 라이브러리이다. OpenGL ES 기반으로 구축되었다. GPU에서 사용자 지정 필터를 실행하려면 설정 및 유지 관리에 많은 코드가 필요하지만 GPUImage는 이런 코드를 줄이고 작업을 자동으로 처리한다.

지금까지 관련 도구들을 살펴보았다. 도구를 사용하여 직접 구현하는 방법도 있지만, 서비스를 이용하는 방법도 존재한다. 서비스에서 제공하는 컴퓨터 비전에 대해서도 알아보자.

1. 마이크로소프트 애저

Microsoft API를 사용하면 이미지를 분석하고, 이미지 속 텍스트를 읽고, 비디오를 거의 실시간으로 분석할 수 있다. 또한 성인 콘텐츠를 표시하고, 이미지 썸네일을 생성하고, 필기체를 인식할 수 있다.

2. Google Cloud Vision API

Google Cloud Vision API를 사용하면 개발자는 강력한 머신러닝 모델을 애플리케이션에서 호출 가능한 간단한 REST API로 캡슐화하여 이미지 처리를 수행할 수 있다.

모바일 Vision API를 사용하면 기기내 비전 기술을 활용하여 사진과 비디오 속 객체를 감지할 수 있다. 또한 바코드와 텍스트를 스캔하고 인식할 수 있다.

3. Amazon Rekognition

Amazon Rekognition은 딥러닝 기반 이미지 및 비디오 분석 서비스로 애플리케이션에 이미지 및 비디오 분석 기능을 추가하는 것을 매우 쉽게 만들어준다. 이 서비스는 사물, 텍스트, 사람, 장면, 활동을 식별하고 부적절한 콘텐츠도 감지할 수 있다. 매우 정확한 얼굴 분석 및 감정 분석을 위한 얼굴 인식 기능도 제공한다.

내가 속한 곳은 이런 알고리즘을 연구하여 서비스하는 곳은 아니다. 응용하는 쪽에 적합하다. 따라서 이런 기술들이 어떤 매커니즘을 가지고 동작되는지는 알아야 하지만, 어떻게 응용할 것인지가 더 중요하다.

본 글은 이런 관점에서 정리했다.

Read More

Product Manager vs Project Manager

Product Manager(PDM)과 Project Manager(PJM)은 종종 혼동되는 역할이다. 본 글에서는 두 역할의 차이점을 설명한다.

Product Manager는 무슨 일을 할까?

PDM은 회사의 엔지니어링 및 사업 개발팀 그리고 고객과 소통하여 성공적인 제품을 개발하고 출시한다. PDM은 기술 분야와 비기술 분야 모두에 능통해야 하는 역할이다.

올바른 역할을 하는 PDM은 기술 용어, 매커니즘, 데이터 구조뿐만 아니라 고객의 고민, 사업 거래, RFP 등을 이해해야 한다.

이해 관계자 사이에 상충되는 의제에서 균형을 맞추고, 이해 관계자들의 지원을 활용하여 성공적인 제품을 만들어야 한다. 

PDM은 제품의 “CEO”로 불린다. 일반적으로 공식적인 권한 없이도 제품을 만드는 과정을 이끌고 영향을 미쳐야 한다. 훌륭한 PDM에게 필요한 자질과 역할은 다음과 같다.

고객의 목소리: 고객을 대변하는 것은 PDM의 주요 권한의 원천이자 내부 합의를 이끌어내는데 매우 중요하다. 고객의 니즈를 이해하고 그들의 이익을 대변한다면, 가장 큰 목소리를 낼 수 있고, 이렇게 해야 한다.

목적 중심의 실용주의: 훌륭한 PDM은 전반적인 제품 비전부터 각 기능과 세부 사항까지 팀이 특정 프로젝트를 진행하는 이유를 정확히 알고 설명할 수 있다. PDM은 제품의 목적을 파악하고 함께 일하는 구성원들도 그 목적을 이해하도록 해야 할 책임이 있다. 이런 통찰력은 마케팅이나 영업을 통해서만 얻을 수 있는 것이 아니라 고객과 사용자로부터 직접 얻어야 한다.

공감과 호기심: 고객의 입장에서 그리고 고객을 위해 생각하는 능력은 매우 중요하다. 많은 뛰어남 PDM들이 자신과 주변 사람들만을 위한 제품을 만드는 함정에 빠진다. 제품 관리자로서 사용자의 입장에서 생각하는 능력은 제품 성공의 핵심이다. 사용자의 세계에 푹 빠져 생각하는 공감 능력도 필요하다. 그러나 공감만으로는 충분하지 않기에 고객과 시장에 대한 호기심도 필요하다.

문제 해결 및 창의성: 대부분의 제품은 문제 해결을 위해 만들어진다. 따라서 PDM은 뛰어난 문제 해결사여야 한다. 일반적으로 문제를 해결하는 방법은 여러가지가 있고, 훌륭한 PDM은 고정 관념을 깨고 생각한다.

의사소통 능력: 최고의 PDM은 문서 작성 및 의사 소통 능력을 갖춰야 한다. 프리젠테이션을 진행하면서 간결한 메시지를 전달해야 한다. 또한 고객과의 관계를 구축해야 할 책임도 있다. 고객의 요구를 이해하고, 인정하고, 명확한 해결책으로 전환하는 훌륭한 경청자가 되어야 한다.

비즈니스 및 마케팅 감각: 비즈니스 관련 사항을 종합하고, 성장과 도입을 합리적으로 예측하며, 높은 수준의 비용 견적을 제시할 수 있는 능력이 있어야 제품 아이디어를 실 사업으로 발전시키는데 도움이 될 것이다. 이 부분은 PDM이 핵심적인 역할을 해야 한다.

기술 노하우: PDM은 일정 수준의 기술 전문 지식이 필요하다. 엔지니어나 디자이너 만큼의 지식은 필요하지 않지만, 어느 정도 지식을 갖추면 신뢰와 믿음을 얻는데 큰 도움이 되며, 참여하는 구성원들의 역량을 향상시키는데 도움이 될 수 있다.

Project Manager는 무슨 일을 할까?

PDM이 제품의 “CEO”로 전반적인 제품 성공에 책임을 지는 것처럼, PJM은 프로젝트의 “COO”로 예산 및 시간 제약 내에서 프로젝트를 완료할 책임을 진다.

쉽게 말해서, PJM은 제품 개발 범위를 넘어 프로젝트 성공에 대한 전반적인 책임을 진다. PJM은 응집력 있고 기능적인 프로젝트 팀을 유지하고, 고압적인 프로젝트에서 불가피하게 발생하는 갈등을 관리해야 한다. 프로젝트 관리자는 고객, 경영진 그리고 참여하는 구성원들과 소통한다.

훌륭한 PJM은 항상 팀의 흐름을 이해하고, 문제의 핵심까지 파고드는데 능숙해야 한다. 인프라 문제부터 인사 문제, 기대치에 대한 불일치까지 모든 장애물을 파악하고, 분리하고, 제거할 책임이 있다.

PJM의 전문 분야는 다음과 같다.

실행: PJM은 프로젝트 예산, 일정 및 계획을 수립하고 관리한다. 훌륭한 PJM은 팀문화에 맞춰 프로세스와 도구를 최적화한다. 이해관계자 및 제품 관리자와 협력하여 위험과 가치를 최적하는 의사 결정을 내린다.

의사 결정: PJM은 프로젝트의 내외부에 영향을 미치는 것을 지속적으로 수집, 평가하면서 실행한다. 수집한 데이터들은 필요와 상황에 따라 시의적절한 의사 결정을 내리는 데 사용된다. 때로는 PJM이 여러 경로 중에서 선택하기 위해 복잡한 시나리오 분석을 수행해야 한다.

팀 관리: 팀원들의 집중력을 유지하고 목표를 달성하도록 동기를 부여하며, 갈등을 관리하고 해결하며, 팀 내외부 관계를 구축해야 한다. 또한, 적절하게 권한을 위임하고 명확한 거버넌스를 제시해야 한다.

소통 및 협상: 다른 리드들과 협력하여 프로젝트 팀과 소통하고, 팀 내 소통이 원활하고 생산적으로 이루어지도록 해야 한다. PDM 등 이해관계자와 협력을 통해 PJM은 모든 이해관계자에게 중요한 업데이트를 준비하고 전달한다.

전략적 사고방식: 프로젝트가 비즈니스 전체에 미치는 영향을 이해해야한다. PJM은 비즈니스의 더 광범위한 목표를 프로젝트의 범위와 결과물에 통합하기 위한 전략과 프로세스를 수립해야 한다.

기술 역량: PJM에게 기술적인 지식이 필수는 아니지만, 기술 용어로 소통할 수 있는 능력은 매우 중요하다. 이는 신뢰를 쌓는데 도움이 된다.

Product Manager와 Project Manager가 겹치는 부분

Project Manager

• 프로젝트의 “COO”

• 어떻게, 언제 할지 결정

• 팀, 자원, 범위, 시간, 비용에 집중

• 구조/효율성 주도

• 프로젝트 계획, 일정, 예산

• 의사 소통 - 정보가 올바른 사람들에게 전달되도록 보장

• 팀이 올바른 도구와 인프라를 갖추고 일하도록 함

• 교차 기능 상호 작용 및 최적화를 보장하기 위해 노력

• 프로젝트가 예산/일정 내에 성공적으로 완료되었는지 평가

Product Manager

• 제품의 “CEO”

• 무엇을, 왜 할지 결정

• 고객/사용자 중심

• 시장/경쟁 연구

• 사용 사례, 사용자 스토리, 제품 아이디어 구상 및 디자인

• 전략 및 로드맵

• 비즈니스 사례 + 시장 출시 작업

• 교육, 지원, 결함 우선 순위 지정

• 제품의 성공(KPI, 판매, 사용자 증가)을 기준으로 평가

겹치는 영역

• 강력한 의사소통 및 발표 능력

• 이해관계자 및 고객과 커뮤니케이션

• 산업 지식

• 기술 능력

• 우선 순위 지정 및 의사결정

제픔 관리와 프로젝트 관리 사이에는 겹치는 부분이 있다. 두 가지 모두 능숙하면서도 동시에 두 역할을 수행할 수 있는 사람은 분명 존재한다. 그러나 이는 예외적인 경우이지 일반적인 경우는 아니다.

본 글에서는 어쩌면 헷갈릴 수 있는 제품 관리와 프로젝트 관리에 대해서 알아봤다.

Read More

회의 방식에 대한 생각

우리가 일을 할때 의사 소통 방식에는 두 가지 주요 방식이 있다. 

첫 번째는 동기식 의사소통으로, 모든 이해 관계자가 동시에 상호 작용을 해야 한다. 이 방식은 대면 회의, 화상 회의, 전화 통화가 포함된다.

두 번째 방식은 비동기 방식으로, 발신자가 메시지를 전달하고 수신자가 준비되면 읽을 수 있다. 이 방식에는 메모, 메신저 그리고 이메일이 있다.

어떤 의사 소통 방식이 더 나을까요? 이 간단한 질문에는 복잡한 답이 필요하다.

비동기 방식의 좋은 점은 물류 비용이 낮다는 것이다. 정보를 보내거나 질문을 하고 싶을 때, 생각나는 대로 바로 이메일을 보낼 수 있다. 과거 이메일이 나타난 초기에는 실용적이고 빠른 비동기 메시징이 “생산성 향상의 묘책”으로 여겨지기도 했다.

비동기 소통의 단점은 역설적이게도 그 순간에 너무 쉽게 사용할 수 있다는 점이다. 그래서 받은 편지함에 무질서한 스레드가 난무하기도 한다.

이런 상황으로 인해 업무 시간 중 더 많은 시간을 메시지 모니터링에 할애해야 했다. 나 같은 경우도 평균 10분마다 이메일이나 채팅을 확인한다. 이런 모든 상황으로 인해 발생하는 인지적 부담은 사람들을 지치게 만들기도 한다.

동기식 의사 소통의 가장 큰 장점은 전달 효율성이다. 실시간 대화는 정보 밀도가 높기에 비교적 짧은 시간내에 많은 양의 세부 사항을 전달하거나 이해시킬 수 있다. 10분간의 대화는 수십개의 메시지를 주고 받는 것과 같은 효과를 낼 수 있다.

그러나 정보 효율성은 물류 부담으로 상쇄된다. 5분 대화만으로 문제를 해결하거나 명확하게 설명하는 것이 가능할진 모르지만, 어쩌다보면 “이 회의는 이메일로 할 수 있었는데!” 라는 말이 나오기도 한다.

이 두 가지 서로 다른 의사소통 방식의 장단점을 강조하는 것은 단순히 현대 업무에 대한 이해를 높이는 것 이상의 의미를 지닌다. 이런 특수성에 대해서 우리가 간과했을지도 모른다.

동기식 상호작용을 살펴보면, 정해진 시간내에 불필요한 시간 낭비를 피하면서 실시간 상호작용의 정보 밀도를 활용할 수 있는지 여부가 중요하다. 이렇게 생각하면 명확한 해결책이 도출된다.

예를 들어 매주 여러 차례의 단기 회의를 계획한다. 회의에서 논의해야 할 사항을 미리 정의하고, 다음 정기 회의에 대한 항목들을 미리 정의하면 된다. 이렇게 하면 고정된 일정 약속 수를 줄이면서 매주 수백 건의 방해 메시지를 줄일 수 있다.

위의 예는 동기성의 힘을 활용하면서도 최악의 상황을 피할 수 있도록 해준다. 목표는 모든 회의를 이메일로 만드는 것이 아니라, 캘린더에 등록되는 회의 중 불필요한 회의의 비율을 줄이는 것이다.

기술 편의성이 우리의 업무, 생활 그리고 서로의 관계에 미치는 영향은 복잡하다. 도구에 대한 통제력을 강화하기 위한 의미 있는 진전을 이루려면 미묘한 차이들을 이해해야 한다.

Read More

AI가 당신의 삶을 더 나쁘게 만든 방법

인터넷에서 재미있는 글을 발견했기에 여기에 옮겨본다.

저자는 AI에 대해서 풍자를 한 것이기에 너무 심각하게 받아들이지 말라고 했다. 이것을 고려해서 글을 읽었으면 좋겠네요. 재미로 읽어보시죠. :)

AI가 우리의 삶을 더욱 악화시킨 5가지 방법

AI 시대가 온다고 했을 때, 우리는 더 나은 것을 상상했다. 회의도 줄고, 힘든 일도 줄고, 여유있는 시간을 가질 거라 생각했다. 그러나 여전히 보고서를 작성해야 하고, 회의에도 참석해야 한다.

AI 도구들은 디자인, 코드 작성, 디버깅, 카피라이터 등을 이미 학습했다. 아주 뛰어나지 않더라도 가격만 저렴하다면 상관없는 사람들에게는 괜찮은 도구이다. 그동안 이런 일들은 사람이 해왔지만, 이제 이 일은 환각증상이 있는 기계에게 맡겨지고 있다.

AI는 경영진을 천재라고 생각하게 만들었다.

경영진들은 AI를 좋아한다. 도움 없이 이메일도 쓸 수 없는 사람들에게는 AI는 마치 코카인과 같다. 그들은 AI를 예산 삭감, 팀 재편 그리고 인간은 줄이고 미래에 펼쳐질 “전략적 변화”를 정당화하는 기적의 도구로 여긴다.

이해하지도 못하는 도구로 대체하고, 효과가 없으면 당신 탓으로 돌린다. AI는 상사를 더 똑똑하게 만들지 않는다. 오히려 위험한 존재로 만든다.

이제 당신은 지구 전체와 경쟁해야 하고 로봇과도 경쟁하고 있다.

예전에는 특정 문제에 대해 끊임없이 생각하고 행동하는 사람이 경쟁자였다. 하지만 이제는 ChatGPT에 접속하는 사람들 그리고 경영진이 선호하는 AI 스택, 24시간 쉬지 않고 일을 처리하는 AI 덕분에 더 적은 비용으로 빠르게 일을 처리해 줄 것이다.

이런 상황에서 당신이 해야 할 일은 도구에 프롬프트를 추가하고 결과를 지켜보는 것이다. 당신의 일이 더 이상 가치를 창출하는게 아니기 때문이다. AI가 법적 조치를 초래할 만큼 엄청난 환각을 보지 않도록 하는게 당신의 일이다.

AI는 업무량을 줄이지 못했다.

AI가 지루한 것들을 없앨 거라고 했다. 사람은 “더 창의적이 될 거야!”라고 했고, “전략에 집중할 시간을 갖게 될 거야!”라고 했다.

거짓말이다. 이제 당신은 더 많은 일을 하게 된다. “AI가 도움이 된다.”는 이유로 5배 더 많은 결과물을 내야 한다는 기대를 받는다. “AI가 프로세스 속도를 높여준다.”는 이유로 더 많이, 더 빨리 일해야 한다는 기대를 받는다. “AI가 몇 가지 문제를 찾아냈다.”는 이유로 더 높은 품질의 결과물을 내야 한다는 기대를 받는다.

당신은 자유롭지 않다. 예전에는 팀원들이 나눠서 하던 업무에 쫒겼는데, 이제는 더 이상 팀이 없다. “AI 강화”라는 말의 의미는 “이제 세명 몫의 일을 하게 되지만, 임금 인상은 안 해 줄 거야”라는 뜻이다.

그럼에도 당신은 AI에 흥분하고 있다고 가정해야 한다.

이건 가스라이팅이다.

링크드인의 모든 사람들은 얘기한다. “AI는 선물이다.” “그냥 받아들여!” “거부하면 뒤쳐질 뿐이야!” 그리고 당신은 분기별로 해고되는 동료들을 지켜봐야 한다. 하지만 그렇다고 해서 짜증난다고 말할 수 는 없다. “적극적으로 참여해야” 한다.

휴게실에서도 불평할 수 없다. AI가 감시할 테니까. 커피 머신이 엿듣고 있을지도 모른다.

우리는 놀림을 받았다.

AI는 우리의 구세주가 아니었다. 주주들의 절박함과 기술 우월주의에 사로잡힌 자존심이 조종하는 트로이 목마였다. 그들은 해방을 약속했다. 하지만 우리가 얻은 것은 노동의 모든 문제점을 가속화하는 것이었다. 단지 더 빠르고, 더 멍청하고, 고통을 나눌 사람이 줄어들었을 뿐이다.

그럼에도 우리는 여기에 있다. 여전히 일을 하고, 여전히 저임금이다. 그리고 지금은 표절 자체가 혁신이라고 생각하는 로봇에 의해 점차 사라지고 있다.

이게 일의 미래라면, 어쩌면 기계가 일을 대신해야 할지도 모른다. 그러면 적어도 우리는 마침내 쉴 수 있겠지.

Read More

업무에서의 AI

하버드 경영 대학원에서 연구한 결과에 따르면, AI를 활용하는 사람들은 사람으로 구성된 팀과 동등한 성과를 내고, 더 긍정적인 감정을 느낀것으로 나타났다.

내용을 요약하면,

AI를 사용하는 개인은 AI를 사용하지 않고 팀으로 일하는 것과 동일한 수준의 성과를 보였다고 한다. 이는 AI 인간 협업의 특정 이점을 효과적으로 대체할 수 있음을 시사한다. AI를 활용하면 문제 풀이에 소요되는 시간이 단축되고 더 좋은 결과물을 생성하는 것을 언급하고 있다.

AI를 사용하지 않는 경우에는 R&D 전문가는 기술 관점을 비즈니스 전문가는 비즈니스 지향적인 제안을 하는 경향이 높은데, AI를 사용하는 전문가들은 배경에 상관없이 균형 잡힌 솔루션을 제시할 수 있음을 보여줬다고 한다. 특히, 배경 지식이 없는 사람들도 AI의 도움을 받아 좋은 퀄리티의 결과물을 내놓을 수 있었다.

AI와 협업하는 것이 사람과 협업하는 것과 차이점은 더 긍정적인 정서적 반응을 유도 했다는 점이다. 즉, 문제에만 집중하기 좋은 정서를 가지게 한다.

위 연구는 AI 단순히 도구로써 사용되는 것을 넘어, 조직 내 협업의 본질과 전문성 발휘 방식을 재편할 잠재력이 있음을 보여준다. “사이버네틱 팀원”으로써 AI는 문제를 해결하려는 사람과 동적으로 상호 작용하기에, 향후 조직이 업무 프로세스를 재고할 수 있도록 만들 거라 생각된다.

현재 팀내에서 AI 활용을 많이 하고 있기에., 생산성에 관심이 많다. 지금 시점에서 보면, 우리는 사람과 AI 중 하나는 선택하는 것이 아니라, AI를 활용하여 강화할지 아니면 활용하지 않고 뒤처질지를 선택해야 한다.

대부분의 사람들은 새로운 도구에 대해서 회의적인 태도를 보인다. 그리고 새로운 도구로 인해 고용 시장이 악화되고 타격이 생길 수 있다고 생각한다. 나도 이 의견에는 동의한다. 이미 많은 기업이 해고를 하고 있기에 AI 기반 효율성에 대한 전망은 전문가의 필요성이 줄어들 것이라는 우려를 불러 일으킨다. 이런 우려는 전략적 사고 없이, 프로세스 전문가, 코더 등으로 스스로를 포지셔닝해 온 실무자들에게는 매우 심각할 것이다.

그러나 한편으로는 인터넷이 그랬듯이 AI가 업무의 기반이 된다면 얼리 어답터들은 성공할 것이다. 그리고 잘 활용하는 전문가들에게는 저비용 고수익 전략이 될 수 도 있다.

현재 내가 몸담고 있는 팀은 MVP로 제품을 만들고, Agile하게 업무를 진행한다. 위 연구에서 내가 관심이 가는 부분은 AI 자체에 의한 대체가 아니라, AI를 사용하는 사람들끼리의 경쟁이다. 일부 전문가가 AI를 활용하여 다른 전문가가 몇 시간씩 걸리는 작업을 단 몇 분만에 처리할 경우, 그 성과 차이가 상당해진다는 사실이다. 이 연구는 AI가 전문 지식을 없애는 것이 아니라 오히려 재분배한다는 것을 보여주었다.

이제까지 우리는 계산기부터 엑셀, 프로그래밍, 프로젝트 관리툴 등을 이용하여 역량을 강화해왔다. AI도 이런 툴 사용에서 벗어나는 것이 아니라 클래식의 연장선이라는 것을 보여준다. 하지만, 아직 제한 사항도 존재한다. 인간적 연결과 심리적 안전망을 구축할 순 없다.

위 연구는 AI가 인간을 대체하는 것이 아니라 강화하는 “사이버네틱 팀원” 역할을 한다는 증거를 제시한다. 아마도 팀과 개인의 역할을 구성하는 방식에 대해서 고민하게 만들 것이라 생각한다.

애자일의 강점은 적응력이다. AI를 무시하는 것은 그 원칙에 위배된다. 그래서 AI를 빠르게 도입하고 먼저 써보면서 “더 빠르게, 함께 가치를 제공”이라는 목표에 다가가면서 미래를 대비한 경험을 구축하는것이 좋지 않을까 생각이 든다.

이런 행위의 대가는 바로 당신의 경쟁력이다. 작게 시작하고, 자주 실험하고, AI가 반복적인 업무와 일상적인 업무를 처리하게 하고, 당신은 조금 더 의미 있는 일에 집중해야 한다.

이러한 접근 방식은 이번 변화를 헤쳐나가는 데 큰 도움이 될 것이다.

Read More