BMW Group이 생성형 AI로 비즈니스 복원성을 향상하는 방법

Matthias Patzak:
AWS에서 제공하는 경영진 인사이트 팟캐스트에 오신 것을 환영합니다. 저는 Matthias Patzak이고 AWS의 Enterprise Strategist입니다.

오늘은 BMW Group의 Enterprise Platforms and Services, Data Artificial Intelligence 담당 부사장인 Marco Gorgmaier 씨와 함께 합니다. 나와 주셔서 감사합니다.

Marco Gorgmaier:
불러 주셔서 감사합니다.

Matthias Patzak:
AWS에서 제공하는 경영진 인사이트 팟캐스트에 오신 것을 환영합니다. 저는 Matthias Patzak이고 AWS의 Enterprise Strategist입니다. 오늘 Marco와 함께 하게 되어 기쁩니다.

Marco Gorgmaier:
안녕하세요. 초대해 주셔서 감사합니다.

Matthias Patzak:
팟캐스트에 오신 것을 환영합니다. Marco Gorgmaier 씨는 BMW Group의 Enterprise Platforms and Services, Data Artificial Intelligence 담당 부사장입니다. 본인 소개와 함께 BMW Group에서 맡은 역할과 하는 일에 대해 알려주시겠습니까?

Marco Gorgmaier:
물론입니다. 글로벌 플랫폼 조직은 조직 전체에 AI를 도입하고 확장하는 데 매우 중요한 일을 하는 조직입니다. 기본적으로 그 기반이 되는 플랫폼 에코시스템을 회사의 여러 팀에 제공하고 있습니다. 기술 향상 교육을 통해 직원 모두에게 조직의 에코시스템을 이해시키고 그로부터 얻을 수 있는 효율성을 알리며 그것을 조직에 도입하는 일을 하고 있습니다.

Matthias Patzak:
이것은 단순한 단일 플랫폼이 아니며 데이터 생성형 AI를 위한 단일 플랫폼도 아닙니다. 여러 개의 엔터프라이즈 플랫폼이죠.

Marco Gorgmaier:
맞습니다. 실제로는 다수의 플랫폼 스택입니다. 물론 ERP 플랫폼과 SAP 플랫폼 같은 중요한 플랫폼이 있고 다음으로 클라우드 스택에서 관리형 서비스를 주로 사용하여 자체 개발 애플리케이션을 개발하는 클라우드 스택이 있습니다. 표준 클라우드 플랫폼이라고 하는 것이죠. 데이터와 AI 플랫폼도 있는데 우리와 함께 아주 크게 성장하고 있습니다.

이 전체 여정은 2017년에 클라우드 데이터 허브와 함께 시작되었습니다. 그때부터 모든 데이터를 하나의 플랫폼에 통합하기 위해 최선을 다했습니다. 환경에 있는 모든 시스템에 대한 수집 시스템을 구축했지요. 데이터 변환 사업부라는 조직을 구성했고 회사에 새로운 역할도 도입했습니다. 비즈니스 분야의 데이터 관리와 정부 기능을 위해 도메인 지식과 데이터의 의미 체계를 제어하는 비즈니스 관점에서의 프로세스 지식을 보유한 데이터 스튜어드를 갖추게 되었습니다. 물론 엔지니어링 조직도 마찬가지로 글로벌 허브에는 데이터 엔지니어가 있습니다. 미국, 독일, 본사, 인도, 포르투갈, 남아프리카 등 전 세계에 소프트웨어 개발 허브가 있습니다. 아주 글로벌한 조직이 있는 것이죠. 데이터 엔지니어링 팀을 구성한 후에는 기존 환경의 통합 속도를 크게 높이는 데 도움이 되었습니다.

Matthias Patzak:
플랫폼 조직의 규모는 대략 어느 정도인가요?

Marco Gorgmaier:
허브를 포함하여 전 세계적으로 1,000명이 넘습니다.

Matthias Patzak:
규모가 그렇게 큰가요?

Marco Gorgmaier:
예.

Matthias Patzak:
와우

Marco Gorgmaier:
규모가 꽤 큰데, 사실 회사 전체와 그룹 내 전체 엔지니어가 사용하는 플랫폼입니다.

Matthias Patzak:
플랫폼은 커뮤니티에서 널리 사용되는 용어입니다. 최근의 Dora 연구에서... 플랫폼은 널리 사용되는 용어입니다. DevOps에 관한 최근의 Dora 연구 보고서를 보면 조직 설문 조사의 84%가 더 넓은 관점의 플랫폼을 사용한다고 답했지만 이 용어가 제대로 정의되지는 않았습니다. 플랫폼이란 무엇이고 플랫폼을 성공으로 이끄는 요소는 무엇인가요?

Marco Gorgmaier:
글쎄요. 제 생각에는 먼저, 어떤 플랫폼인지에 따라 다르기도 하지만 표준 클라우드 플랫폼을 먼저 설명하자면, 클라우드 플랫폼은 애플리케이션의 개발, 배포, 관리, 그리고 그에 필요한 모든 것을 보장할 수 있는 플랫폼이라고 할 수 있습니다. 확장성과 효율성이 있으니까요. 어디에서나 볼 수 있는 표준 정의라고 생각합니다.

하지만 정말 중요한 것, 물어야 할 것, BMW Group에서 플랫폼이 아닌 것 등의 세부 사항을 포함하는 것이 중요하다고 생각합니다. 모든 대규모 조직에는 세부 사항, 특정 정책, 네트워크 설정과 관련된 구체적인 정보가 있습니다. 이 모든 것은 플랫폼을 사용하는 모든 신규 팀의 온보딩 프로세스를 크게 가속화해주기 때문에 플랫폼에 반드시 구현해야 하는 사항입니다. 그렇게 하면 플랫폼 사용에 대한 매력이 커집니다. 예를 들어 모든 거버넌스 요구 사항이 이미 충족되어 있고 이에 대한 확인 표시가 있으면 플랫폼을 기꺼이 사용할 수 있기 때문이죠.

Matthias Patzak:
플랫폼 사용자는 몇 명인가요? 엔지니어는 몇 명이고 팀은 몇 개입니까?

Marco Gorgmaier:
플랫폼 스택 전체에 걸쳐 1만 명 이상의 엔지니어가 서로 다른 플랫폼을 사용하고 있습니다. 데이터와 AI 에코시스템에서 플랫폼 사용자는 약 4만 명에 달합니다. 여기에는 분명히 비즈니스 사용자도 많겠죠. 상당한 규모입니다.

Matthias Patzak:
그래서 진짜 대규모 소프트웨어 개발과 기술 조직이 되었나요?

Marco Gorgmaier:
예. 분명히 그렇습니다. 소프트웨어 개발 허브를 구축할 때 선택한 접근 방식이 핵심이라고 생각합니다. 지난 몇 년 동안 엔지니어링 팀을 구성했고 계속 성장하고 있습니다. 최근에는 루마니아와 작년에는 인도에 신규 허브 2개를 추가했습니다. 앞으로 더 성장할 것이라고 생각합니다.

Matthias Patzak:
즐거웠어요. 데이터와 생성형 AI의 관점에서 귀사의 플랫폼은 어떤 서비스를 제공하나요?

Marco Gorgmaier:
매우 광범위한 서비스라고 생각합니다. 물론 데이터 관리, 데이터 분석, 데이터와 AI에 대한 전체 거버넌스 부분, 예를 들면 UEI 법이 있고요. 이외에 기타 법률에 관한 모든 것이 포함됩니다. 물론 회사에 아주 중요한 일입니다. 우리는 규정을 준수해야 하기 때문에 자동차에 대한 규제 요구 사항을 더욱 면밀하게 검토하면서 모든 거버넌스 요구 사항을 충족하는지 철저하게 확인해야 합니다.

Matthias Patzak:
그렇다면 플랫폼 서비스에는 이 정부의 요구 사항이 포함되어 있나요?

Marco Gorgmaier:
네,

Matthias Patzak:
플랫폼 사용자는 특히 규제와 보안 관점에서 간단하고 효율적이며 스트레스 없이 플랫폼을 사용할 수 있어야 하죠.

Marco Gorgmaier:
맞습니다. 사용자를 위한 가이드가 있습니다. 예를 들어 AI 애플리케이션의 경우 AI 프레임워크와 거버넌스 프레임워크를 통해 위험 평가와 문서화 과정을 안내합니다. AI 모델 개발, 이와 관련된 모든 것, 필요한 서비스도 있습니다. 저희 공장에도 꽤 멋진 사용 사례가 있어요. 자동차 품질 검사를 할 때 틈새 크기, 긁힘 등에 대한 검사를 실시합니다. 여기에도 당연히 생성형 AI가 사용됩니다. 생성형 AI 셀프 서비스 플랫폼도 있고요. 모든 비즈니스 사용자를 대상으로 방금 출시한 것입니다. BMW Group에서는 Group AI 도우미라고 부릅니다. 간편한 셀프 서비스 애플리케이션, 즉 일상 업무를 위한 생성형 AI 애플리케이션을 구축할 수 있다는 생각입니다.

Matthias Patzak:
즐거웠어요. 많은 조직에서 플랫폼을 구축한다는 것을 알았습니다. 플랫폼을 구축 시 플랫폼의 목적은 대부분 기술적 목적이군요. 대부분 효율성이나 비용 효율성이 향상되고 있지만 실제로 비즈니스에 도움이 되는 경우는 많지 않습니다. 데이터 생성형 AI 관점에서 데이터와 생성형 AI에 관한 BMW Group의 실제 비즈니스 전략은 무엇인지 알려주시겠습니까?

Marco Gorgmaier:
물론입니다. 아주 중요한 부분을 말씀하셨습니다. 저희는 항상 확실히 하려고 합니다. 모든 플랫폼 조직은 기술을 사랑하고 플랫폼과 기능을 구축하는 것을 좋아합니다. 그렇기 때문에 비즈니스와 IT를 조율하는 것이 매우 중요합니다. 조직적 관점에서도 이 부분을 확실히 했어요. 데이터 전환 사업부에서 여정을 시작할 때를 예로 들자면, 모든 데이터 자산, 데이터 분석용으로 이미 준비되어 있는 데이터세트에서 이 부분을 확실히 했습니다. 항상 비즈니스 소유자, 데이터 스튜어드, 엔지니어링 측면을 확인했습니다. 그때부터 클라우드 데이터 허브를 통해 데이터를 다루기 시작했습니다.

이제는 생성형 AI에도 같은 일을 합니다. 사용 사례를 먼저 고려해서 ‘비즈니스 관점에서 달성하고자 하는 목표’를 알아내려고 합니다. 생산 공정의 품질을 보장하는 것이 목표라면 이 목표에 사용할 수 있는 기술이 무엇인지 알아봐야겠죠. 여기에는 어떤 데이터가 필요할까요?

생성형 AI에서 새로운 점은 특히 에이전트를 살펴볼 때 다음 물결이 도래할 것으로 보입니다. 이제 데이터는 CDH에 수집되었습니다. 그러면 트랜잭션이 있을 때 환경의 모든 애플리케이션에 액세스할 수 있어야 합니다. 저희는 레거시 애플리케이션부터 최첨단 클라우드 네이티브 빌드 애플리케이션, 기성 애플리케이션에 이르는 광범위한 애플리케이션 환경을 보유하고 있습니다. 따라서 스택에 모든 것을 갖출 수 있습니다. 이제 에이전트의 잠재력을 최대한 끌어올리려면 특정 사용자의 권한과 역할로 이 모든 시스템에 액세스할 수 있어야 합니다. 그렇기 때문에 비즈니스와 해당 프로세스, 주요 지식을 처음부터 포함하는 것이 중요합니다.

Matthias Patzak:
플랫폼 팀의 소프트웨어 개발자 수와 플랫폼 팀을 사용하는 개발자 수에 놀랐습니다. 데이터에 관한 사실과 수치를 좀 더 알고 싶습니다. 어떤 유형의 데이터가 하루에 또는 1분에 얼마나 많이 생성되는지 전혀 모르거든요. 어떤 유형의 데이터가 있나요?

Marco Gorgmaier:
말씀드렸듯이 ERP 시스템, SAP 시스템, 자체 개발한 애플리케이션 등 모든 시스템에서 가져옵니다. 클라우드 데이터 허브에는 1만 4,000개의 S3 버킷이 있다고 생각됩니다. 저희는 7,000개 이상의 데이터세트를 관리하고 1,500개 이상의 사용 사례를 지원합니다. 현재까지 상당히 많은 수를 지원하고 있습니다.

Matthias Patzak:
아주 흥미롭게 들리네요. 내부 사용자가 플랫폼을 채택하는지 여부를 알 수 있나요? 플랫폼 사용은 필수인가요? 아니면 인센티브가 있나요?

Marco Gorgmaier:
물론입니다. 그것이 플랫폼을 사용할 때 회사에서 항상 가장 큰 과제입니다. 표준화와 효율성 사이에는 항상 절충점이 있다고 생각합니다. 회사 관점에서 그것은 물론 여러분이 원하는 것이고, 다른 한편으로는 회사에서 이러한 자유가 필요합니다. 혁신을 위한 공간과 실험의 여지를 원하기 때문입니다.

따라서 적절한 균형을 찾는 것이 중요한 과제라고 생각합니다. 그리고 이것은 지속적인 프로세스입니다. 결과가 아닙니다. 항상 다음 단계로 나아가야 합니다. 플랫폼 팀으로서 또 다른 큰 과제는 병목 현상이 발생하지 않도록 하는 것입니다. 특히 이러한 절충점을 고려하면 말입니다. 그래서 저희는 플랫폼의 필수 사용에 대한 정의를 명확하게 내리려고 하고, 말씀드렸듯이 거버넌스 관점에서 그렇게 하고 있습니다.

한 부분이긴 하지만 주요 동인은 시장에서 경험하는 것과 동일하며 승자가 되어야 모든 추진력을 얻을 수 있습니다. 클라우드 데이터 허브를 보면 잘 관리되고 있는 것 같습니다. 언젠가는 다들 깨달을 것입니다. “큐레이팅된 데이터세트가 이미 많이 있으니 이것을 다른 데이터에 연결하면 유용할 거야.”라고 생각하겠죠. 수집용 표준 커넥터를 제공했는데, 수집 프레임워크에서 우수한 품질을 냈습니다. 어느 시점에는 이 모든 것이 더해져서 중심이 되었습니다. 지금은 AI 플랫폼을 향하는 출발점이 되었습니다. 기본적으로 하는 일은 같죠. 이제 좋은 기반을 갖추었으니 그와 관련해서 확장할 수도 있습니다.

Matthias Patzak:
제가 본 바로 데이터 플랫폼의 문제점은 많은 데이터가 저장된다는 것입니다. ‘데이터는 새로운 원유’라는 말을 들어 보셨을 것입니다. 모두가 온갖 종류의 데이터를 수집하기 시작했습니다. 필요한 데이터만 저장하려면 어떻게 해야 하나요?

Marco Gorgmaier:
큰 도전이죠. 자동차 회사라서 효율성에 크게 좌우됩니다. 그렇기 때문에 비용을 관리하려고 하는 것이죠. 말씀하신 것처럼 데이터를 저장하기만 하면 비용이 많이 듭니다. 이제 생성형 AI와 비정형 데이터를 보면 더욱 그렇습니다. 그래서 엄격한 수명 주기 관리를 구현하려고 합니다. 사용되지 않는 데이터세트가 있으면 알림을 받게 되고 이 데이터세트는 특정 시점에 삭제될 수도 있습니다. 먼저 아카이빙한 다음 실제로 삭제됩니다. 그렇지 않으면 비용이 폭발적으로 증가할 것이기 때문입니다.

또 다른 부분은 데이터와 AI 포털입니다. 저희는 항상 사용 사례를 데이터 자산에 연결합니다. 하위 시스템으로의 매우 명확한 계보가 있을 뿐만 아니라 누가 어떤 사용 사례에서 데이터세트를 사용하고 있는지, 이러한 사용 사례가 적극적으로 관리되고 있는지도 알 수 있습니다. 데이터를 관리할 수 있는 모든 통계가 있는 기반인 포털 내부에서 데이터를 관리할 수 있습니다. 새 사용 사례를 추가하는 경우 사용 사례에 맞는 새 데이터가 있는 새로운 소스 시스템을 추가해야 한다는 것도 정의할 수 있습니다.

Matthias Patzak:
많은 조직이 데이터 분야에서 인재를 영입하는 것이 어렵다고 생각합니다. 경쟁이 치열하고 많은 전문화가 필요하기 때문입니다. 귀사에서는 인재를 어떻게 영입하나요?

Marco Gorgmaier:
한 가지는 브랜드입니다. BMW Group의 브랜드는 정말 강력한데, 이것은 확실히 도움이 됩니다. 한 부분이고요. 또 다른 부분은 앞서 말씀드렸지만, 한 시장이나 본사에만 의존하지 않고 전 세계의 인재를 활용하면서 전 세계적으로 인재 풀을 조달하기 시작한 것입니다. 올바른 인재를 확보하는 데 있어서 매우 중요한 단계였습니다. 데이터 사이언티스트에 대한 논의가 많죠. 아주 중요하지만 데이터 엔지니어링 팀을 갖는 것도 마찬가지로 중요합니다. 소스 시스템이 안정적이고 신뢰할 수 있는 방식으로 연결되어 있지 않으면 데이터 사이언티스트가 무엇을 조사할 수 있겠습니까?

Matthias Patzak:
현재 Wavestone의 New Vantage 파트너들이 빅 데이터에 관한 설문 조사를 실시했는데 그 관점과 서비스 데이터를 살펴보면 비즈니스에서 데이터를 채택할 때 가장 큰 문제를 알 수 있습니다. 비즈니스 사용자 데이터는 기술이 아니라 문화라는 것이죠. 이 점을 어떻게 생각하세요?

Marco Gorgmaier:
사실이라고 믿습니다. 그렇군요. 제가 본 것과도 일치하고요. 분명히 경영진에서 나온 의견일 것입니다. 저는 데이터 사고방식이나 데이터 기반 회사라는 단어를 별로 좋아하지 않습니다. 우리는 여전히 제품 중심의 회사입니다. 그럼에도 불구하고 모든 결정, 모든 행동이 데이터에 근거해야 한다는 사고방식을 만드는 것이 매우 중요합니다. 저는 그것이 우리가 지난 몇 년 동안 정말 많이 발전시킨 부분이고 시간이 걸리는 일이라고 생각합니다. 따라서 여정을 일찍 시작해야 합니다.

또 다른 부분은 모든 직원을 위해 많은 노력을 기울이고 있다는 것입니다. 중요하죠. 훈련을 해야 하고 두려움을 없애야 합니다. 이제 AI도 마찬가지라고 생각합니다. 실험할 수 있고, 시도할 수 있고, 안전하다고 느낄 수 있는 환경을 제공하기만 하면 됩니다. 한편으로는 비즈니스 직원들과, 다른 한편으로는 엔지니어링 조직과 함께 시도하고 있습니다. 예를 들어 모든 허브에는 플랫폼 아카데미라고 부르는 곳이 있습니다. 여기에서 모든 세부 사항을 확인할 수 있습니다. 이와 관련하여 클라우드 스택을 위해서 AWS와 매우 긴밀하게 협력하고 있습니다.

Matthias Patzak:
좋습니다 저는 이것이 빠져 있는 것을 많이 보았습니다. 플랫폼은 단지 서비스를 구축하고 있을 뿐 플랫폼 서비스 사용자, 특히 데이터를 기반으로 행동을 유도해야 하는 비즈니스 사용자를 지원하고 교육하는 데에는 실제로 투자하지 않는 것입니다. 많은 조직이 데이터에 대한 모든 투자를 제대로 활용하지 못하는 이유가 여기에 있습니다.

Matthias Patzak:
BMW Group에서 현재 진행 중인 혁신과 사용 사례를 공유해 주시겠어요?

Marco Gorgmaier:
몇 가지 사용 사례를 공유하게 되어 정말 기쁩니다. 일부는 매우 일반적인 JNI 사용 사례라고 생각됩니다. 얼마 전에 입찰 도우미를 출시했는데요. 외부 파트너와 협력할 때는 일반적으로 입찰을 진행합니다. 매우 표준화된 방식으로 입찰 문서를 작성하면서 소규모 JNI 서비스를 만들었습니다. 모든 과정을 안내하면서 올바른 법률 조항이 모두 있는지 확인해주는 서비스입니다. 간단하게 들리지만 이 프로세스에서 효율성이 크게 향상됩니다. 마케팅 텍스트를 생성할 때도 동일하게 적용됩니다. 현재 생성형 AI의 힘을 확인할 수 있는 전형적인 사용 사례로 생각됩니다. 이러한 사용 사례가 많이 있습니다. 현재 공급하고 있는 또 다른 서비스로 CIC 에이전트가 있습니다. 고객 상호 작용 센터의 에이전트는 이 생성형 AI를 사용하여 올바른 답변을 줄 수 있습니다.

이제 회사 웹 사이트와 휴대폰의 MyBMW 앱에도 동일한 기능이 구현되어 있습니다. 다음 단계는 차량의 지능형 개인 도우미에 이 기능을 제공하는 것입니다. 플랫폼이 어떻게 작동하는지 보여주는 좋은 예라고 생각해요. 서비스를 한 번 구축하면 다른 상황에서 재사용하고 기술적 구성 요소를 서비스에 재사용할 수 있습니다. 아주 멋진 사용 사례라고 생각합니다. 품질이 정말 높아집니다.

Matthias Patzak:
맞습니다.

Marco Gorgmaier:
고객 서비스의 품질이 크게 향상되는 것이죠. AWS와 협력하고 있는 또 다른 부분으로는 BMW 모델 세부 사항을 통합하는 파운데이션 모델의 지속적인 사전 훈련을 위한 사용 사례를 시범 운영하고 있다는 것입니다. 매우 짧은 응답 시간을 원하는 경우 중요한데, 랙이 없기 때문입니다. 아주 기대가 큽니다. 그리고 자동차와 다른 상황에서 구현하는 것이 중요하겠죠.

Matthias Patzak:
규모가 아주 큰 조직인 것 같은데 완전히 다른 분야의 사용 사례가 있고 고도로 분산되어 있네요. 방금 법률 기술, 시장 기술, 고객 서비스 기술에 대해 말씀하셨습니다. 고도로 분산된 이 설정에서 복원력은 어떤지 정말 궁금합니다. 조직의 아키텍처에 복원력을 더하기 위해 어떻게 하고 있습니까?

Marco Gorgmaier:
제 생각에는 실제로... 많은 프로세스에 걸쳐 있습니다. 잘 보셨습니다. 생산 물류에서 고객 브랜드 판매에 이르기까지 실제로 모든 내부 프로세스를 다룹니다. 가장 좋은 점은 프로세스에서 사일로를 아주 많이 없앨 수 있다는 것입니다. 특정 프로세스만 담당하는 단일 조직이 없다는 것이 큰 이점입니다. 다른 부분은 BMW Group입니다. 글로벌 관점에서 보면 분산된 조직이지만 여전히 중앙에서 관리되고 있지요. 따라서 거버넌스를 보장하고 표준을 구현하기가 더 쉽습니다. 전반적으로 조직이 그다지 분권적이지 않기 때문에 확실히 도움이 됩니다.

Matthias Patzak:
좋습니다 자동차 산업 분야, 데이터 공간에서는 어떤 추세가 나타날 것으로 보십니까? 나눌 이야기가 있을까요?

Marco Gorgmaier:
제가 볼 때는 에이전트, 즉 AI 에이전트를 활성화하는 것이 중요합니다. 자동차에 특화된 추세는 아니지만 조직의 효율성을 더욱 높여 줄 엄청난 잠재력이 있습니다. 앞서 말씀드린 것처럼 많이 다뤄지지 않는 큰 과제가 있고, 이를 위해 기존 애플리케이션 환경을 준비해야 합니다. 클라우드에 이미 현대적 애플리케이션이 있다면 이를 통해 유리한 출발선에서 시작할 수 있습니다.

하지만 대규모 조직의 현실은 항상 레거시 애플리케이션과 최신 애플리케이션이 혼합되어 있다는 것입니다. 저희는 API를 활성화하는 데 많은 노력을 기울이고 있습니다. 대규모 언어 모델을 통해 액세스할 수 있는 방식으로 설명되어 있는 API를 활성화하는 것입니다. AWS에는 애플리케이션 전반에서 개별 사용자 권한으로 애플리케이션에 액세스할 수 있는 역할과 권한이 있나요? 저희는 현재 이 분야에 많이 투자하고 있습니다. 이것은 AI 셀프 서비스 플랫폼인 Group AI 도우미와 연결됩니다. 이를 통해 직원은 비즈니스 수준에서 자신만의 소규모 에이전트와 사용 사례를 개발할 수 있습니다.

Matthias Patzak:
복원력을 높이려면 API를 통해 조직과 아키텍처를 분리해야 한다는 것이 그들의 조언일까요?

Marco Gorgmaier:
맞습니다. 복원력에는 많은 차원이 있다고 생각합니다. 하지만 분리를 제대로 하지 못하면 확장이 불가능할 것입니다.

Matthias Patzak:
마지막으로, 업계 동료들에게 복원력 있는 데이터 전략을 수립하는 방법에 대해 조언해 주시겠습니까?

Marco Gorgmaier:
한 가지는 데이터 품질과 메타데이터에 투자하는 것입니다. 누구나 들었을 법한 아주 쉬운 이야기지만 정말 중요합니다. 프레임워크뿐만 아니라 기술적 관점과 비즈니스 프로세스 측면에서도 데이터 품질은 이미 비즈니스 프로세스에서 올바른 데이터를 사용할 수 있도록 하는 데 중점을 두어야 합니다. 일부 데이터는 데이터 엔지니어링 관점에서 수정할 수 없기 때문입니다.

이것이 한 가지고요. 다른 하나는 생성형 AI를 지원하는 것입니다. 그러려면 메타데이터가 필요하죠. 저희가 현재 투자를 하고 있는 부분이기도 한데, 실제로 규모를 확대하기 위해서입니다. 현재 데이터와 AI 에이전트 간의 상호 작용의 경우에는 트랜잭션 가능성과 기회를 위해 환경에 투자하는 것이 좋습니다. 과소평가해서는 안 될 일이고 매우 중요하다고 생각합니다. 그런 다음에는 생성형 AI의 성능을 활용하여 사일로를 허물고 효율성을 높일 수 있습니다. 저희는 엔지니어링 조직에서 직접 이 일을 하고 있으며 소프트웨어 개발에 많이 사용합니다. 이를 사용하여 수집 스크립트를 자동화함으로써 잠재력을 활용합니다.

마지막 조언은 구축과 구매 사이의 적절한 균형을 맞추는 것입니다. 선택의 자유를 주는 것이죠. 예를 들어 ‘내연 엔진, 완전 배터리 전기 자동차, 플러그인 하이브리드 차량’ 등을 선택할 수 있게 하는 것입니다. 고객이 원한다면 수소 자동차도 생산하게 될 것입니다. 소프트웨어 조직도 마찬가지라고 생각합니다. 구매를 결정하는 가장 좋은 시기, 자체 제품을 구축하는 것이 가장 좋은 시기, 조직의 유연성을 유지하는 것이 가장 좋은 시기를 선택해야 합니다.

Matthias Patzak:
구매하는 것이 좋은 경우와 구축하는 것이 좋은 경우는 언제인가요?

Marco Gorgmaier:
비용에 따라 다릅니다. 이것이 한 가지고요. 전략적 수준에서 보면 전략적으로 얼마나 차별화되는지에 달렸다고 생각합니다. 구매 스택의 라이선스를 보면 크게 증가하고 있는데, 이 라이선스들은 AI를 통해 통합될 것이고 가격 전쟁으로 이어질 것입니다. 따라서 필요할 때 구축할 수 있는 역량을 갖추는 것이 조직으로서 좋다고 생각합니다.

Matthias Patzak:
말씀 감사합니다. 팟캐스트에 모시게 되어 정말 기뻤고 많은 것을 배웠습니다. 감사합니다.

Marco Gorgmaier:
초대해 주셔서 감사합니다. 정말 좋았습니다.

Matthias Patzak:
감사합니다.

지금 듣기

지금 듣기

지금 듣기