IBM의 AI '왓슨(Watson)'의 교훈 : 실패에서 AI 비즈니스 전략 배우기


알파고 이전에 매우 핫했던 AI는 IBM의 '왓슨(Watson)'입니다.

IBM의 AI '왓슨(Watson)'은 2011년 퀴즈쇼 '제퍼디(Jeopardy!)'에서 주목을 받았지만, 이후 여러 문제로 인해 예상에 미치지 못하는 평가를 받고 IBM은 7년만에 그만 두었습니다.
주요 실패 원인과 정리를 하면 다음과 같습니다.

🔴 왓슨의 실패 원인

  1. 기대와 현실의 괴리

  • 제퍼디에서 성공한 이후, IBM은 왓슨을 케어, 금융, 소송 등 다양한 분야에 적용할 수 있으리라 봤지만 초기 기대와 운영 가능성을 높일 수 없었다.
  • 특히 의료 AI(왓슨 포온콜로지, Watson for Oncology)는 암 진단 및 추천에서 오진을 하거나 의사들의 기대를 해소하지 못했다.

2. 데이터 품질 및 수집 문제

  • 헬스케어 분야에서는 유일할 수 있는 고품질 의료 데이터를 소수이며, 의학 기관과 함께 AI를 개발할 수 있었다.
  • 특정 병원의 소수민족으로 희귀해 일반 화가들이고, 현실적이기를 활용하기 어려운 비현실적인 것이니.

3. AI의 예측을 고려하지 않은 설계

  • 왓슨은 자연어 처리(NLP)와 머신러닝 기술을 활용했지만 의료 분야에서는 정확성과 신뢰성이 절대적으로 중요합니다.
  • 정형 데이터(수치 기반 데이터) 분석가뿐만 아니라, 연관성, 의사의 임상 경험, 환자의 개별적으로 비정형 데이터까지 엇갈려, 이 부분을 제대로 처리하지 못합니다.

4. 의료현장의 요구와 대처

  • AI 기반 진단 시스템은 기존 의료 시스템과 특수히 통합되어야 하지만, 왓슨은 현장 유연성을 발휘하여 폴리머화를 요구하는 것을 적절하게 고려하지 않습니다.
  • "사용이 금융하다", "기존 시스템과의 연계가 어렵다" 등의 문제가 제기됨.

5. 장점 대비 효과가 없음

  • IBM은 왓슨의 개발 및 유지 보수에 대해 더 나은 비용을 투자하는 기업이나 병원 서비스에서 비용 대비 효과가 매력적입니다.
  • 높은 클러스터 비용과 추가적인 IT 관리 구축이 필요합니다.

6. 기술 발전 속도와 경쟁사 혁신

  • 2010년대 초반에는 왓슨이 조용가는 AI로 평가를 받았지만 이후 딥 러닝 및 생성형 AI(GPT) 기술이 발전하면서 경쟁을 잃었습니다.
  • Google, 마이크로소프트, OpenAI 등이 헬스케어 및 다양한 산업에 AI를 고치는 과정에서 더 유연하고 강력한 모델을 개선해 줍니다.

✅ 왓슨이 실패하는 것에서 얻을 수 있는 것

1. AI는 특정 목표를 달성해야

  • AI의 결합을 공유하는 특정 산업에 대한 깊은 이해와 연결이 필요함.
  • 범용 AI가 아닌, 의료 AI라면 의사들이 필요로 하는 기능을 우선 개발해야 함.

2. 데이터 품질과 중점이 핵심

  • AI는 학습하는 데이터에 따라 성능을 결정되므로 뛰어난 데이터를 확보해야 함.
  • 의료, 금융 등의 높이를 인정하는 분야에서는 데이터의 신뢰성이 중요함.

3. AI는 인간을 대체하는 것이 아니라 보조하는 역할

  • 초기 왓슨의 마케팅은 "AI가 의사를 대체할 수 있다"는 식으로, 실제로는 인간 전문가의 의사 결정을 지원하는 방식에 가까움.
  • AI의 역할을 정확하게 정의하고, AI를 보완하는 도구로 활용하도록 설계하는 것이 중요함.

4. 도입 및 운영 비용을 추가로 접근할 필요가 있음

  • AI가 기업과 기관에 적용한다, 당연히 비용 대비를 고려해야 함.
  • 유지 보수, 외장형 컴팩트 비용까지 독점적인 경쟁력 있는 모델이 필요함.

5. AI 기술은 빠르게 변화하며 개선이 필요

  • AI 기술 발전 속도가 매우 빨라지고, 초기 성공에 안주하지 않고 계속 업그레이드해야 함.
  • IBM이 왓슨의 초기 성공에 안주하면서, 딥러닝 및 생성형 AI가 대세로 자리잡는 과정에서 혁신적인 것을 따라잡지 못하는 실패 요인 중 하나

왓슨의 실패에서 AI 비즈니스 전략을 배우다

IBM 왓슨의 실패 사례는 AI 기술이 단순히 '혁신적'이라는 이유로 시장에서 성공할 수 없음을 보여준다. 기술 자체적으로 데이터 품질, 산업 성공 설계, 사용자 환경, 비용 절감 등의 요소가 AI 성공의 핵심이다.

IBM은 이후 왓슨의 헬스케어 부문을 정리하고 AI 솔루션을 기업용 자산 및 클라우드 기반 AI 커뮤니티 서비스로 개편하게 만들었다.
반면, Google 딥마인드(DeepMind)의 AlphaFold는 특정 산업(단백질 구성 예측)에 초점을 맞춰 AI 모델을 실제 연구 및 비즈니스에서 결과를 만들어 내고 있다.

따라서 AI는 특정 분야의 문제를 해결하는 '맞춤형 솔루션'으로 접근해야 하며, 비용 대비 효과를 포함하는 분석해야 한다는 것이 왓슨 실패에서 얻을 수 있는 중요한 요소이다.

Comments

Post a Comment

Popular posts from this blog

🧑‍🏫[칼럼] 미래 인재상, T자형 하이브리드로 설계하라

미래 인재상, T자형 하이브리드로 설계하라 – AI 시대, '내 역할'을 새롭게 정의하는 사람만이 살아남는다.  –   1. AI가 바꾸는 일터의 풍경 요즘 일터 곳곳에서 AI 기술이 빠르게 도입되고 있다. 반복적이고 단순한 일은 자동화되고, 정해진 답이 있는 문제는 AI가 더 빠르고 정확하게 처리한다. 이런 변화 속에서 많은 이들이 불안해한다. "그럼 나는 어떻게 살아남아야 할까?" 이 질문에 대한 답은 점점 분명해지고 있다. 이제는 정답을 아는 것만으로는 부족하다. AI 시대에 중요한 것은 정답이 없는 문제에 대응하는 능력, 그리고 여러 분야를 연결하고 해석하는 융합적 사고력이다. 이 새로운 시대가 요구하는 인재상은 바로 'T자형 하이브리드 인재'이다.   2. 왜 융합형 사고가 중요해질까? 많은 기업들이 AI를 통해 일하는 방식을 근본적으로 바꾸고 있다. 스타벅스, JP모건, 존디어 같은 글로벌 기업들은 직원들의 전문 지식을 AI 시스템에 학습시켜 조직 전체에 활용하려는 전략을 펼치고 있다. 이로 인해 단순히 '경험 많은 전문가'라는 타이틀만으로는 경쟁력을 유지하기 어려워졌다. 하지만 여전히 사람만이 잘할 수 있는 영역이 존재한다. 불확실한 상황에서의 판단, 서로 다른 입장의 조율, 고객과의 감정적 연결, 조직 내 신뢰 형성 등은 AI가 대체하기 어려운 일이다. 이러한 복잡하고 정형화되지 않은 문제를 해결하는 능력은 T자형 인재의 핵심적인 역량이다.   3. T자형 인재란 무엇인가? T자형 인재는 한 분야에 깊은 전문성을 갖추는 동시에, 여러 분야를 연결하고 협업할 수 있는 융합적 역량을 지닌 사람을 말한다. T자의 세로 줄은 마케팅, 법률, 공학, 디자인 등 특정 분야에서의 깊이 있는 전문성을 의미한다. 가로 줄은 디지털 이해력, 데이터 분석 능력, 커뮤니케이션, 협업 능력처럼 다양한 분야를 아우르며 융합적으로 사고할 수 있는 능력이다. 특히 중요한 것은 기술과 기술, 사람과 기술 사이를 연결...
Read more

[인사이트] "연구용 AI"의 등장과 연구 패러다임의 변화

Image
(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...
Read more

AI의 기반 : 데이터부터 시작하라

Image
* 이 내용은 " 단기 성과와 장기 성장 사이 ··· AI 투자의 딜레마" (CIO, 2025.2.19) 칼럼을 기초로 주로 데이터 부문의 내용을 중심으로 작성한 것입니다. 실질적인 AI 전략을 수립하기 위해 가장 먼저 투자해야 할 요소는 데이터 품질이다 . 데이터 품질이 확보되지 않으면 데이터에 대한 신뢰도도 확보될 수 없다 . ML , Gen   AI, 에이전틱 AI 의 신뢰성을 확보하기 위한 기본 전제는 바로 고품질의 데이터이다 . AI 가 데이터를 통해 가치를 창출할 수 있다. 하지만 데이터가 부실하면 그 결과 역시 신뢰할 수 없을 것이다 .   오라일리 (O’Reilly) 의 조사 에 따르면 , 48% 의 기업이 데이터 정확성을 유지하기 위해 머신러닝 , 데이터 분석 , AI 도구를 활용하고 있다 . 이는 AI 이니셔티브를 위해 탄탄한 데이터 기반이 필수 적임을 보여준다 . 클릭 (Qlik) 의 조사 에서는 21% 의 기업이 신뢰할 수 있는 데이터를 확보하지 못해 AI 도입에 어려움을 겪고 있다고 한다 . 이는 안정적인 데이터 플랫폼 구축의 필요성 을 강조하는 결과이다 . ‘ 데이터의 중력 (Data Gravity) ’ 개념에서 데이터가 한 곳에 모이면 그곳이 중심지가 되지만 그 데이터의 품질을 깊이 검증하지 않고 신뢰하는 경향이 있다고 한다. 실제로 중복성과 일관성이 부족해  신뢰할 수 없는 데이터가 저장소에 생성되는 것이다. 그래서  데이터 단절과 부정확성으로 인해 비즈니스 의사결정의 질이 떨어질 수밖에 없다 . 데이터 과학과 머신러닝에 투자하기 전에  데이터를 먼저 정제하고 통합하는 과정이 우선이다. 그냥 진행하면 오히려 데이터 품질과 신뢰 문제를 더욱 악화시킬 수 있다 . 데이터의 의미적 모델을 추상화하고 , 분석 도구에서 활용할 수 있는 비즈니스 준비된 데이터 계층을 구성해야 한다 . 데이터 품질과 신뢰도가 확보되지 않은 상태에서 머신러닝 알고리즘과 모델 개발을 위해 데이터 과학 자원에 투자하는 것은...
Read more