hideBreadcrumbs: true
bottomNavigator: null
ogImage: "<https://i.imgur.com/2q4oQPv.jpg>"

https://img1.daumcdn.net/thumb/R1280x0.fjpg/?fname=http://t1.daumcdn.net/brunch/service/user/cqBJ/image/WusVs7GU3qEPu6h9eAuTy_mrbIc.jpg

어떤 일을 할 이유가 섰다면 우선 그 일을 잘 하기 위한 조건을 찾게 된다. 일이 잘 되는 이유와 잘 안되는 이유는 대개 서로 맞닿아 있다. 하지만, 구체적인 맥락 속에서 남들이 어떤 일을 잘 해낸 이유를 다른 맥락에 처해 있는 내게 그대로 적용하기 조심스러운 측면이 있다. 반면, 잘 안 되는 이유는 일반화하기 상대적으로 쉬운데, 이건 어떤 일이 잘 안 되는 이유는 그 일이 속한 구체적 맥락과 무관한 보편적 교훈을 담고있기 때문이다.

교과서 중심으로 열심히 한다고 다 좋은 대학에 가는 건 아니지만 공부 안 하면 좋은 대학 문턱도 못 가는 이치랄까.

늘상 하던 일을 기계가 더 편하고 빠르게 해준다면 고마운 일이다. 자동화 작업을 위해 돈이 들겠지만 자동화는 결국에 비용 절감으로 남는 장사가 될 터이니 기업 입장에서는 무조건 하는 편이 옳다. 문제는 현재 (지식) 노동자들이 하고 있는 일들은 추가로 자동화할 여지가 크지 않다는 것이다.

새로운 일을 배워서 기존 일을 더 잘해야 한다면 피곤하다. 배움에 끝이 없다고 하지만 이건 문장으로 존재할 때만 수긍할 수 있다. 내가 따로 짬을 내어서 뭘 배워야 한다면 일에 대한 염증, 일 시킨 사람에 대한 역정이 모락모락 치밀 것이다.

기계학습(AI)은 의사결정 기술이다. 기존에는 비용의 문제로 의사결정을 할 엄두조차 낼 수 없었던 일들이 기계에 의해 자동화되고 있다. 빈번하고 개별 의사결정의 중요도가 크지 않아 잘못된 결정에 대한 책임을 아무도 질 필요없는 “이 책 한 번 읽어 보시렵니까?"내지는 “이 영화 당신 취향 맞지요?”와 같은 나도 잘 모르는 나를 위한 추천/개인화의 영역이다.

개와 고양이를 구분하는 등 인간의 인식 능력을 학습하는 모형을 개발하는 일도 잠재적 활용가치가 매우 크지만, 많은 기업들이 이 보편적인 기술 개발에 매달리는 이유를 잘 모르겠다. 오븐이나 전자렌지를 개발하는 Machine Learning Research 영역과 오븐이나 전자렌지를 활용하여 맛있는 요리를 만드는 Applied Machine Learning 영역의 구분에 대한 이해가 명확하지 않은 것이 한 이유일 수 있겠다.

기계학습 기술이 적용되는 다른 하나의 영역은 데이터 기반 의사결정이다. 여기서 의사결정의 주체는 기계가 아니라 사람이다. 기업의 활동이 연속된 의사결정들로 구성되어 있고 의사결정의 질이 기업 성패를 좌우한다는데 개념적으로 쉽게 동의할 수 있다.

우리의 의사결정 기준이 a.진화의 산물인 본능 + b.개인의 구체적 경험과 학습의 총체인 인식능력(Mental Model)에 있었다면 자그마치 4차 산업혁명 시대에 a.+b.에 “c.데이터”를 더하여 더 좋은 의사결정을 내리자는 주장에 누가 반박할 수 있겠는가?

기업의 구성원이 모두 다 각자의 자리에서 더 좋은 의사결정을 내린다면,

우리 회사가 무조건 더 잘 될 터인데 왜 데이터 기반 의사결정(데이터 분석)이 잘 안 될까?