2021년 2월 24일
AIaaS (AI as a Service) 서비스와 활용 고려사항
I. 국내 기업과 기관에서의 인공지능 도입의 필요성
“디지털 전환의 핵심 기반 기술로 인공지능 도입이 필요”
|
- 현재 세계는 기계의 지능화를 통해 생산성이 고도로 향상되는 4차 산업혁명 시대에 있으며, AI는 자동화/최적화를 통한 효율화로 기존 산업의 생산성 개선, 신산업 창출 등 성장 동력 확충에 기여
- 인공지능을 활용한 혁신적 제품과 서비스로 시장 경쟁력을 확보와 다양한 사회문제를 해결할 수 있을 것으로 기대
II. 기업과 기관에서 인공지능 직접 도입이 어려운 이유
가. 기업과 기관에서 인공지능 직접 도입 시 고려사항
 |
나. 위 고려사항에 따른 기업과 기관에서 직접 도입이 어려운 이유
| AI 도입 고려사항 | AI도입 어려운 이유 | 세부 원인 |
|---|---|---|
| 인공지능 기술 역량 확보 | 인공지능 기술 자체 역량 부족 | – AI플랫폼 전 영역의 자체 역량 확보는 매우 어려움 – 수집/전처리, Modeling, 등 전 과정 전문성 필요 – 신기술 변화에 따른 최적 AI 기술 활용 어려움 |
| AI 플랫폼 구축 및 운영 예산 확보 | CAPEX/OPEX 비용 부담 | – AI 플랫폼 구축 위한 막대한 구축/운영 비용 부담 – 슈퍼컴퓨터, GPU 등 고가 AI 인프라 구축비용 소요 – 경직된 기술 투자로, ROI 관점의 공격적 투자 불가 |
| AI/ML 전문인력 수급 | AI/ML 전문인력 수급 어려움 | – AI/ML 전문인력은 대부분 해외 빅테크 기업 소속 – 전문기업 제외, AI/ML 전문인력 절대적 부족 – 인프라, 프레임워크, 모델링, 분석전문가 등 필요 |
| AI 학습/모델링 작업시간 확보 | 충분한 작업시간 확보 어려움 | – 인공지능/머신러닝 전과정 시행착오, 반복작업 – 단계별 플랫폼 구성, 학습 등 수행 시간 과다 소요 – 기업에서 시간은 곧 생존의 문제로 시간 확보 곤란 |
- 국내 일반 기업과 기관에서는 인공지능의 직접 도입이 어려우므로, 이들을 중심으로 인공지능 서비스(AIaaS)의 사용이 확대 되고 있으며 시장 경쟁력 확보와 사회 문제 해결을 위해 AIaaS의 효과적인 사용이 필요함.
III. AIaaS의 개념 및 서비스 유형
가. AIaaS의 개념
 |
- AI학습, 모델링, 데이터 가공/분석 등 인공지능 사용을 위해 인공지능 API 엔진 및 어플리케이션, 머신러닝 프레임워크 등의 기능을 클라우드로 구현하여 제공하는 서비스
나. AIaaS의 서비스 유형
| 구분 | 서비스 유형 | 서비스 목적 및 활용 서비스 |
|---|---|---|
인공지능 | 인공지능 API 엔진 서비스 | – 인공지능 기능을 APP에서 사용하는 인터페이스 제공 – 자연어 처리(NLP) 엔진, AI 학습모델, 교차검증(CV) 엔진 |
| 머신러닝 프레임워크 서비스 | – 실제 데이터로 인공지능 엔진 학습 프레임워크 제공 – 데이터 수집 및 전처리, 패턴 분석, 빅데이터 분석 서비스 | |
| AI 어플리케이션 서비스 | – 다양한 인공지능 엔진을 조합하여 AI 소프트웨어로 제공 – 최종 사용자용 맞춤형 AI 모델, 사용자 정의 AI템플릿 | |
클라우드 | IaaS 기반 AI용 H/W 인프라 서비스 | – 인공지능 서비스를 위한 클라우드 기반 HW 환경 제공 – GPU, NPU, 병렬처리 기반 인프라 오토스케일링 서비스 |
| PaaS 기반 학습모델 개발 환경 서비스 | – 하드웨어 기반 환경에 AI 개발 도구 및 플랫폼 제공 – 정형정보 추출, 기능 엔지니어링, 모델 학습/검증 서비스 | |
| SaaS 기반 인공지능 API 서비스 | – 이미 만들어진 AI 소프트웨어와 연동하는 API 형태 제공 – 머신러닝 모델 API/SDK 서비스 키 생성 및 연계 서비스 |
IV. AIaaS의 장단점 및 사용 시 고려사항
가. AIaaS의 장단점
| 구분 | 장점/단점 | 장점 및 단점 세부 설명 |
|---|---|---|
| AIaaS의 장점 | 핵심 비즈니스에 집중 가능 | – 완전 관리형 인공지능 서비스로 별도 인력 투입 불필요 – 인력 및 자원을 기업 전략 목표(KPI) 달성에 집중 가능 |
| AI 운영 투명성 유지 및 투자 위험 감소 | – 인공지능 개발, 운영, 유지보수 비용에 대한 투명성 제공 – 낮은 초기 투자 비용으로 실패 시 비즈니스 영향도 낮음 | |
| AIaaS의 단점 | 학습 데이터/모델 보안성 감소 | – 인공지능 학습 및 결과 분석 위해 공개망에 데이터 저장 – AI 학습 모델 및 결과물 분석 과정이 블랙박스 형태 |
| 클라우드 기반 데이터 활용 제한 | – 특정 국가 및 지역, 분야 별 AI데이터 클라우드 저장 제한 – 지역에 따라 의료 분야 등 특정 유형의 AIaaS 사용 불가 |
나. AIaaS 사용 시 고려사항
| 구분 | 고려사항 | 대응 방안 |
|---|---|---|
| AIaaS 단점 보완 측면 | 클라우드 및 AI 보안성 향상 | – 처리 흐름 URI 추적, 내부 학습/외부 서비스 VM 격리 – XAI를 반영하여 인공지능 모델 및 결과에 대해 설명 |
| 데이터 거버넌스 및 법률 준수 | – 마스터데이터 별도 관리, 데이터 리터리시 적용 – EU-GDPR, 전자의무기록 관리, 개인정보보호법 준수 | |
AIaaS | 국가 산업 혁신 위한 융합 프로젝트 강화 | – 클라우드 인프라 활용 우선 지원 및 문제점을 AIaaS 기반으로 해결하는 All AIaaS 프로젝트 강화 추진 |
| AI 인프라 강화를 위한 기업 간 협업 | – 기업 단독 AI, IoT 등 다수 개발은 역부족이므로 뛰어난 기술 보유한 대-중-소 기업 협업 Alliance 체계 강화 |
- 현재 AIaaS는 금융, 공공, 의료, IT 산업을 중심으로 머신러닝 모델, 자연어 처리 분야의 서비스로 비대면, 자동화 추세에 따른 수요로 성장이 촉진될 전망이며, Amazon, Microsoft, Google 등 빅테크 기업의 시장 선점 경쟁 중.
[참고]
- 한국정보화진흥원(NIA), “인공지능 클라우드로 진화하는 클라우드”
- 정보통신정책연구원(KISDI), “공공/민간 분야의 인공지능 융합/활성화를 위한 정책방안 연구”
- BMC Blogs, “AI as a Services (AIaaS): An Introduction”
- NIPA 이슈리포트(2019-14호), “인공지능 확산의 핵심 인프라, 클라우드 산업 동향 분석과 시사점”
About The Author
