정확도 70%의 벽을 그래프와 온톨로지로 넘으려는 인포시즈

전 세계 어디에도 레퍼런스가 없습니다. 이 세상에서 가장 어려운 문제, 풀어야 할 만한 문제를 회피하지 않고 오히려 저는 어려운 문제를 맞닥뜨렸을 때 희열을 많이 느끼고 그 앞으로 점점 점점 더 깊은 기업들의 고민에 다이브딥할 건데

필요한 만큼 리로 내려가거나

고객의 문제에 다이브딥할 수 있는 유일하고 최초의 기업이라고 할 수가 있습니다.

많은 기업들이 생성형 AI를 도입을 하고 있는데요. 많은 문제점들을 겪고 있습니다. 가장 기본적인 검색 기능조차 현재 잘 안 되고 있는 현실인데요. 그 이유가 기업들에 있는 데이터가 흩어져 있거나 파편화되어 있어서 제대로 활용되기가 어려운 상황입니다. 생성형 AI 도입 초창기에 벡터라고 하는 기술적인 방법으로 이런 문제점들을 해결하려고 했습니다. 24년에서 25년 사이에 크게 유행을 하고 기업들에 적용을 해 왔음에도 불구하고 아직까지도 이런 생성형 AI의 환각에 대한 문제가 해결되지 않고 정확도가 약 70% 정도 선에 머물러 있습니다. 그래서 이런 문제점을 근본적으로 해결하기 위해서는 환각 현상을 없애고 기업들이 가지고 있는 흩어져 있는 데이터들을 잘 모으고 연결해서 분석하는 것이 필요합니다. 그게 바로 그래프 기술이라는 것입니다.

아바타라고 하는 영화의 이 나비족이 본인들의 힘을 최대한으로 끌어내기 위해서 서로 연결하고 나비족을 둘러싸고 있는 모든 것들이 연결하는 그런 장면이 나옵니다. 앞으로 AI 시대가 되면 이런 주변에 있는 모든 것들이 연결이 되고 네트워크 형태로 이루어지는 것이 큰 힘을 발휘하는 그런 전형적인 예라고 볼 수가 있습니다. 그래서 저희 인포시즈는 그래프 기술을 꽤 오래 전부터 준비해 왔습니다.

저희 인포시즈는 대조, 플랜트, 그리고 반도체, 금융, 공공 등 다양한 산업 분야에서 관련된 프로젝트를 하고 있습니다. 최근에는 반도체에서 일어날 수 있는 보안 문제를 그래프 기술을 이용해서 초정밀 탐지를 하는 프로젝트, 반도체 생산 계획을 최적화하는 방법이라든지 또 국가 최고 기관의 정보를 구조화하는 방법, 석유화학, 에너지 분야에서 도면을 인식하는 기술 등을 적용해서 프로젝트를 많이 하고 있습니다.

인포시즈가 보안 전문 기업으로 출발을 했습니다. 보안이라고 하는 것이 IT 분야에서는 난이도가 높은 그런 분야 중에 하나인데요. 굉장한 빅데이터이기도 합니다. 하다 보니까 보안을 넘어서서 우리 주변에 저조차 인식하지 못하는 여러 가지 정보들이 있을 텐데 그런 정보들이 연결될 수 있다면 내가 알지 못하는 새로운 어떤 인사이트를 알지 않을까라고 하는 저 스스로 어떤 생각을 평소에 굉장히 많이 하고 있었는데 그게 딱 그래프 이론, 그래프 기술이었던 거예요. 그래서 이걸 시작하게 되었고요. 그런데 25년이 이제 넘어가면서 벡터 RAG 이후에 대안이 될 수 있는 기술로 그래프 기술이 전 세계적으로 떠오르게 됐고 그러면서 많은 회사들에서 저희에게 이제 연락이 오고 또 그래프 기술을 찾게 되고 그렇게 하는 계기가 됐습니다.

또 한 가지는 올해 국내 가장 큰 대형 투자사로부터 투자를 받게 됐습니다.

그래프 기술을 시작하고 여러 가지 투자를 하고 하면서 많은 어려움을 좀 겪게 됐는데 큰 어떤 사건이 하나 있었는데요. 모 대기업하고의 어떤 대규모 프로젝트를 이제 수주를 하게 됐는데 그 수주를 하기 전까지 굉장히 저희가 공을 많이 들이고 투자를 굉장히 많이 했어요. 그런데 수주가 되고 계약을 하는 시점에 해당 기업에서 이 솔루션에 대한 모든 소유권을 본인들에게 이제 줘야 된다라고 하는 그런 요구를 받게 됐습니다. 굉장히 고심도 많이 하고 10며칠 동안 굉장히 고민고민하다가 결국은 그 계약을 하지 않기로 결심을 하게 됐습니다. 이유가 그 당시에 한 번은 프로젝트 비용을 받기 때문에 좋지만 우리 기술 자체에 대한 주권을 찾기가 굉장히 어렵다라는 생각에서 그 프로젝트를 포기하게 됐습니다. 투자도 많이 하고 노력을 많이 해 왔기 때문에 재정적으로도 굉장히 임팩트가 컸습니다. 그래서 그때가 가장 좀 많이 힘들었고 결국 자체적인 기술력을 고유하고 오히려 그걸 계기로 더 발전할 수 있는 계기가 됐다는 점에서 그게 지금 인포시즈를 만드는 아주 기본적인 모태가 좀 됐다고 생각합니다.

S4 미팅을 하게 됐는데 S4가 가지고 있는 그 당시에 이제 문제점은 도면이라고 하는 것이 한 3,000장 정도 받아오는데 이 3,000장을 빠르게 인식할 수 있는 방법을 6개월 이상 찾고 있었다라고 그 당시 얘기했어요. 그래프 데이터베이스로 한번 읽어 보면 어떻겠냐라고 제가 제안을 했고 그랬더니 이게 가능하겠냐라고 이제 얘기를 해서 아 가능합니다라고 확실하게 얘기하고 회사로 가지고 와서 저희 이제 내부 인력에 이거 가능하지라고 얘기를 했는데

그렇게 다 한다고 하시면 어떡해요라고 반응을 했었고요. 저희는 비전 기술을 아무것도 갖고 있지 않았습니다. 일단 해 볼게요 하고 시작을 했었고 되는 대로 도메인 관련 모든 논문과 비전 인식 쪽에선 또 어떤 시도들이 있었는지 이런 걸 그냥 논문들 다 뒤져서 그때 있던 분들과 같이 뭔가를 만들어 냈었고 안 될 수 있다고 생각했었는데 결국에 해 보니까 되더라고요.

그분들이 깜짝 놀랐어요. 전 세계적으로 가장 큰 회사들과 했음에도 불구하고 그래프 기술을 활용하는 기술을 보고 아주 새로운 방법이라고 생각하고 대기업에서 저희를 이제 선택하는 그런 계기가 됐었습니다.

인포시즈에서 플랫폼 리드를 맡고 있고 FDE도 겸하고 있는 윤은입니다. 플랫폼 리드는 여러 온톨로지 관련 프로젝트들에서 있었던 공통적인 니즈를 이제 일반화하고 어디 가서나 그 선에서 출발할 수 있게 만드는 건데요. 구체적으로는 AId라는 기능을 만들어서 FDE들이 하는 일들을 어떤 고민을 했었고 이때 왜 이런 선택을 했고 그런 것들을 저희 전사적으로 좀 모으는 작업을 하고 있고 저희가 앞으로 점점 점점 더 깊은 기업들의 고민에 다이브딥할 건데 그때 저희의 출발이 충분히 앞에 와 있을 수 있도록 그런 경험들을 자산화하는 하나의 축이 있고요.

인포시즈 처음 합류하고 나서 가장 먼저 맡았던 일은 보험 약관에서의 챗봇이었고요. 보험에서는 그 약관 안에 있는 단순한 문단을 찾는 게 중요한 게 아니라 사람이 판단할 때는 꼭 같이 참조를 해야 되는 문단들이 여러 공간에 나뉘어 있는 케이스였는데요. 그래프로 이걸 모델링하면서 필요한 정보들을 모두 모아서 답변하는 챗봇을 만들었었습니다. 그래프를 이용하면 확실히 벡터 RAG보다 더 답변할 수 있는 게 많아지고 확실히 효과가 있구나라는 걸 느꼈고요.

그다음에는 공공 기관에서 지금 생각해도 상당히 어려운 프로젝트를 맡았는데 어떤 문서를 쓸지 어떤 질문을 할지도 결정되지 않은 상태에서 우리가 다룰 모든 비정형 문서들을 그래프로 만들어 주고 거기에 대응할 수 있는 챗봇을 만들어 줘라라고 하는 니즈가 있었어요. 비정형을 다루는 여러 시도들에 있어서 그래프도 그때 사람들이 사용하기 시작하는 때였고 온톨로지는 더더욱이 어디에서도 정답을 갖고 있지 못하던 때여서 여러 시도를 할 수밖에 없었거든요. 이제 잘 끝났던 이유는 앞으로는 문제를 반드시 정의하고 그 문제를 풀 수 있는 방법을 찾는다가 규칙이 되었고요.

지금 풀고 있는 가장 어렵다고 생각되는 건 비정형 문서들만 다루는 것도 아니고 그 저희가 잘하는 도면과 비정형 문서를 같이 연결하고 나아가서는 시뮬레이션까지 가능하게 하는 설계 에이전트를 저희가 지금 만들고 있는데 고객사분들이 좀 선제적으로 해 나가는 프로젝트인 만큼 피지컬 세계에 가까워진 프로젝트라고 생각해서 지금 좀 중요한 분기점으로 저는 보고 있습니다.

창하님 처음 됐을 때 내가 시행착오를 하면서 얻게 된 교훈이 문제가 명확히 정의되어 있어야 한다라는 거였는데 창하님은 한 번에 어 이러면 이런 문제가 있지 않아요라고 얘기를 해 주시는 분이었어요. 천재시거든요. 그래서

어떻게 생각하냐고요? 저는 이제 일단 기본적으로 문제를 푸는 데 약간 집착하고요. 그 문제 하나만 본다기보다는 위아래 양옆으로 좀 보면서 진짜 문제는 뭐지? 이런 식으로 좀 이동을 하게 되는 것 같습니다.

저는 인포시즈에서 기술 리드 맡고 있는 김창하입니다. 기업들의 문제를 이해하고 AI를 도입하는 일을 하고 있습니다. 저희가 푸는 문제들은 인하우스에서 스스로 해결하기 힘들거나 아니면 단순히 그냥 SaaS를 써 가지고 적용했을 때 안 풀리는 문제들이 넘어오는 것이기도 하고 팔란티어 이런 키워드를 생각했을 때 떠오르는 문제들이 들어오기 때문에 고객사들마다 문제가 엄청 다양하거든요.

일단 기업 안에 있는 데이터들은 크게 분류를 하자면 정형 데이터랑 비정형 데이터로 나눌 수가 있는데요. 정형 데이터라고 하는 거는 어떤 형태인지가 다 정해져 있기 때문에 기계가 다루는 데 유리합니다. 근데 반면에 비정형 데이터들은 그 외에 모든 걸 이야기해서 이메일 같은 메시지나 계약서나 보면 이런 것도 다 비정형 데이터가 될 수 있을 것 같은데요. 비정형 데이터는 다루기가 굉장히 힘들기 때문에 보통은 이걸 관련돼 있는 걸 찾아서 넣어 주는 식으로 개발을 많이 해요. 벡터 RAG라고 부르는데 저희는 거기서 한 단계 더 나아가 가지고 정형 문서들이 다루고 있는 개념이 뭐고 대상이 뭔지 이런 걸 다 추출을 해내고요. 같은 개념을 다루고 있는 여러 문서들이 한 번에 한데 모이게 되는 거거든요. 그래서 저희는 이 중간 단계를 둬 가지고 이걸 저희 온톨로지 레이어라고 부르는데 내비게이션 같은 걸 만들 때 길을 찾는 데 딱 필요한 요소들을 추출을 해내 가지고 건물들이 있고 도로는 이렇게 이어져 있고 그런 식으로 복잡한 개념들을 단순화하고 추상화하는 개념이거든요. 이 위에서 먼저 길을 찾고 길을 찾아준 거 기반으로 답변이 나오기 때문에 훨씬 더 정확해지는 것도 있고 어떤 경로를 통해서 나온 거구나 이런 게 보여서 더 운영할 때도 용이하게 되는 것 같습니다. 저희가 하고 있는 방법론의 장점이라고 말할 수 있습니다.

저희한테 되게 중요한 고객사 프로젝트를 좀 짧은 기간 되게 몰입했던 적이 있는데요. 절대로 틀리면 안 된다고, 정확도가 100% 나와야 된다. 어떻게 하면 그 100%를 달성할 수 있을까 고민을 하다가 AI한테 자유도를 덜 줄수록 정확도가 높아지겠다는 생각이 들었거든요. 그러니까 자유도가 많다는 건 그만큼 실수할 일이 많아진다는 거니까. 자유도를 줄일 때 DSL이 좋을 수 있겠다. 도메인에 특화된 언어를 제공한다는 개념이 있어요. 좀 빠르게 실험을 좀 해 봤더니 성능이 괜찮아서 그 플랫폼에 반영을 해서 새로운 방법론으로 적용을 해서 잘했던 적이 있거든요. 결국 에이전트 성능에 진짜 많이 영향을 주는 게 데이터 퀄리티예요. 데이터 퀄리티를 계속 정제하고, 데이터 정제를 잘하려면 업무 이해도가 굉장히 좋아야 되거든요. 그러니까 현업과 엔지니어들이 거의 한 몸처럼 일을 해야 딱 AI한테 잘 전달할 수 있는 형태의 정제를 할 수가 있어요. 저희 팀원분들 중에 그런 분들이 되게 많다고 생각을 하는데 FDE 한 명 한 명이 진짜 넓고 많은 일을 할 수 있다고 믿고 있거든요.

저는 인포시즈에서 FDE로 근무하고 있는 신지온이라고 합니다. 포워드 디플로이드 엔지니어라고 해서 전방 배치 엔지니어라고 그러고 고객의 문제를 현장에 직접 들어가서 해결하는 엔지니어입니다. 문제 발굴부터 시작해서 저기까지 다 직접 해야 되거든요. 프로젝트 시작하기 전에 현업분들과 워크숍을 진행하기도 하고 그 문제를 해결하기 위해서는 그 도메인에 대해서 어느 정도 전문가가 돼야 되는 거 같습니다. 지금 S4가 제품 시뮬레이션 에이전트를 만들었어요. 어떤 제품을 많이 만들고 어떤 제품을 적게 만드는지 시뮬레이션하고 원가를 시뮬레이션하고 이런 일을 하다 보니까 그 에이전트가 영업 이익에 도움을 주고 그게 주가에 도움을 주는 거 같아서 그런 점들이 되게 재밌었습니다.

LLM을 이용해서 에이전트를 만들다 보면은 옳은 답만을 만들어내는 게 되게 어려운 일이에요. 원래는 LLM이 SQL을 바로 만들게 시키면 사람도 이해하기가 굉장히 어렵거든요. 현업에서는 SQL이 굉장히 복잡하기 때문에 저희가 이제 오QL이라는 중간 배치를 만들어서 저희도 이해하기 쉽고 LLM도 이해하기 쉽게 만들면서 환각률을 거의 제로에 가깝게 만들 수 있었습니다. 저희가 솔루션을 기반으로 작업을 하면 작업 속도가 굉장히 빨라요. 몇 시간 만에 바로 다 세팅을 완료해서 바로 고객사들한테 시연을 한 적도 있어요. 그런 점들이 저희 작업 속도에 굉장히 영향을 주고 신뢰감도 더 생기는 거 같습니다.

FDE라는 직무가 시장에서 수요가 더 많아질 거라고 생각을 하는데요. 대기업에서는 그 데이터를 안에서만 다 정제를 해야 되고 외부로 유출할 수 없는 그런 문제가 있어요. 또 내부 인하우스 인원들로 다 해결할 수가 없어요. 그래서 FDE라는 직무를 찾게 되고 그래서 그런 기업들을 계속해서 선호하게 될 거라고 생각을 하거든요. 저희가 다루는 데이터가 산업적으로 또 국가적으로 중요한 데이터가 많기 때문에 보안이 되게 중요합니다.

인포시즈에서 ML 리드하고 있는 편명장이라고 합니다. 대학원 때부터 계속 AI 연구를 했었고요. 대기업에 이제 AI 연구원으로서 근무를 했었고 대형 커머스 플랫폼에 추천 시스템 하는 이제 머신러닝 엔지니어로 근무를 했었습니다. 제가 처음에 대학원에 진학을 하면서 생각했던 AI로 세상을 바꾸고 싶다는 포부에서는 조금 아쉬웠던 면이 있었습니다. 그래서 인포시즈에 합류를 했는데요. 이 회사에서 다루고자 하는 문제가 저희 마음을 좀 울렸습니다. 세상에서 아무도 풀지 못한 문제에 도전한다라는 부분이 연구자로서 되게 가슴 뛰게 만드는 목표였던 거 같습니다.

저희가 제공하는 보안 제품 같은 경우에는 기존의 보안 제품과 아예 패러다임이 다릅니다. 해커가 기존에 공격한 패턴들이 인터넷에 다 등록이 되어 있어요. 아니면은 자체적으로 이제 보유를 하고 있죠. 이런 행동은 하면 안 돼라는 거를 규칙으로 만들어 놓습니다. 그런 규칙에 어긋나는 행동이 발견되면 그걸 차단한다든가 뭔가 알람이 가게 한다든가 하는 것이죠. 저희가 만드는 제품 같은 경우에는 애초에 그런 규칙을 상정하지 않습니다. 이게 굉장히 재밌는 부분은 이 사람이 이제 평상시에 하던 업무에서 크게 벗어난다 싶으면은 자동으로 이제 알람을 띄워 주게 되고 그걸 다시 이제 LLM에 넘겨서 이 위협인지 아닌지를 걸러 준 다음에 그것을 이제 보안 분석가에게 제공하는 그런 제품입니다. 이 제품으로 시총 상위권 반도체 회사에서 아예 잡지 못했던 종류의 위협을 탐지하기도 했었고요. 그냥 단순히 순간 이게 확 빼돌리는 이런 공격은 되게 잡기가 쉬운데요. 어떤 공격 같은 경우에는 30일 동안 잠복하면서 이렇게 조금씩 데이터를 밖으로 내보내기도 하고 그런 종류의 데이터는 한 시간 동안의 로그를 봐서는 알 수가 없고 장기간에 걸친 로그를 그래프 형태로 인식을 해야지만 잡을 수 있는 그런 공격 패턴입니다. 그래프 기반 이상 탐지를 대규모 엔터프라이즈에서 적용해서 실증한 사례는 제가 알기로 국내에선 없는 걸로 알고 있고요. 저희가 최초로 시도를 해서 굴지의 기업에서 좋은 성과를 낸 것으로 알고 있고 같은 결로 그래프 데이터를 활용해서 도면 인식 프로젝트도 같이 하고 있습니다.

이걸 사람이 수작업으로 하는 경우가 대부분이었거든요. 수작업으로 하게 되면 이게 장당 최소 8시간 이상은 걸리는 작업인데요. 이거를 저희 제품을 써서 자동 인식을 하게 되면 이게 5분 안쪽으로 들어와서 그 실제 작업 효율을 굉장히 높여 주게 됩니다. 그래서 이런 복잡한 도면의 연결 관계를 복원하는 것은 사실 학계에서도 풀리지 않은 난제였습니다. 저희 회사가 거의 최초로 이것을 상용 가능한 수준으로 끌어올렸고 서울대학교와 저희 회사랑 공동 연구를 하고 있고요.

도면 인식하는 팀에 올리버 님이라고 대만에서 와 주신 분이 계시거든요. 인포시즈에 관심이 생기신 이유가 여기서 푸는 문제는 진짜 어렵고 그러면서 당연히 이제 임팩트도 클 것 같다. 이렇게 말씀을 해주셨거든요.

이후 저는 한국의 서울대학교에 와서 데이터 사이언스 석사 과정을 밟았습니다. 대만에 있을 때는 한동안 천문학 연구원으로 일했는데, 그때 몇 가지 중요한 성과를 내서 국제 학술지에 발표하기도 했습니다. 인포시즈에서 제가 하는 일은 AI 에이전트를 개발하는 것인데, 이 AI 에이전트는 도면의 구조를 매우 정확하게 파악하는 기능을 합니다. 이 문제가 어려운 이유는, 예를 들어 지금 도면 캡처를 ChatGPT에 넣으면 GPT는 도면 위 각 부품 사이의 연결과 배관의 흐름 방향을 잘 이해하지 못하기 때문입니다. 그래서 제가 하는 일은 하네스 엔지니어링 기술로 AI에게 비교적 저수준이지만 정확한 기하 인식 도구를 제공하는 것입니다. 현재 가장 중요한 성과는 저희가 데이터플로우라고 부르는 프로젝트로, 도면을 정확하게 이해해서 도면 위 각 부품의 연결 관계와 흐름 방향을 매우 강력한 데이터 기준점으로 변환합니다. 그래서 AI가 추론할 때 대략적으로 추측하다가 환각이 생기는 것이 아니라 매우 정확하게 이해할 수 있게 되는데, 이것이 현재 저희의 가장 큰 성과입니다. 이 성과를 예전에 대형 에너지 기업 고객의 책임자분께 보여드렸는데, 그분이 현재 성과가 이렇게 전례 없는 수준의 정확도에 이르렀다는 것에 매우 놀라셨습니다. DXF

외국인인 제 시각에서 보면 한국을 위계 문화가 매우 뿌리 깊은 사회로 이해하기 쉬운데, 인포시즈는 한국 직장에 대한 제 인식을 완전히 뒤집었습니다. 인포시즈에서는 회사가 모두가 평등하게 협업하는 관계를 만드는 것을 정말 매우 중시한다는 것을 느낄 수 있습니다. 실제로 저희 사무실에서는 저희 회사의

고님은 좀 있으시고 저는 좀 어리다고 할 수 있나? 아무튼 저희 팀원들은 어와 있잖아요. 근데 그렇게 사실 섞여서 한 팀으로 일하는 게 쉽지 않을 수 있는데 저희 대표님이 유연하셔 가지고 그런 구성으로 잘 일할 수 있는 거 같습니다. 구성원 입장에서는 되게 좀 안정감이 느껴지는 타입이고

너무 천진하게 저희가 푸는 이 문제 이게 너무 재밌지 않겠냐 이런 얘기를 계속 하시고 아 이분은 이 문제 푸는 거에 진짜 진심이시구나 이런 생각이 많이 들었고

회사가 아무리 어려워도 직원들 생각부터 하고 직원들 월급 절대 밀리지 않게 하시고 사람이 모든 걸 다 알 순 없는데 모르는 분야에 뛰어들고 우리가 피버팅을 한다라는 것에 전혀 두려움이 없으시고 직원들을 믿어 주시는 거

저희 회사에 가장 중요한 핵심 가치 세 가지가 있는데요. 신뢰, 창의, 몰입과 곧 열정인데 당연히 저희 회사도 재무적으로 아주 어려웠습니다. 그럼에도 불구하고 제가 생각하는 이런 책임감이라고 하는 건 그 신뢰에서 오는 거 같습니다. 고객에게 더 좋은 제품을 납품하게 했다는 신뢰. 또 내부에서 사람들에게 우리 회사는 계속해서 비즈니스가 계속될 거야라는 어떤 신뢰를 제가 먼저 주기 위해서는 그런 부분들이 먼저 돼야 된다라고 생각하는 게 제 뼛속 깊이까지 좀 들어와 있는 부분이 가장 큰 부분이 아닐까 이렇게 생각이 듭니다.

저 같은 머신러닝 하는 사람들이 국내 B2C 회사 이런 곳에서 일을 한다고 하면 대부분 하는 게 정해져 있거든요. 검색, 광고, 추천 셋 중 하나를 합니다. 이것들은 하는 일들의 패턴이 규격화가 되어 있고 미국의 실리콘밸리의 베스트 프랙티스가 있는 형태예요. 그런데 지금 인포시즈에서 다루고 있는 문제 같은 경우에는 전 세계 어디에도 레퍼런스가 없습니다. 연구적으로도 굉장히 고난이도의 문제들을 풀 수 있다는 점이 굉장히 매력적인 부분이라고 생각을 하고요. 도면 인식을 하는 건 사실 어디에도 지금 없기 때문에 최대 프런티어에서 보고 있다 보니까 비전 쪽에서 저희가 확실히 강점을 갖고 있다고 생각이 되고 비정형에서 온톨로지를 만드는 부분에서는 가장 많은 경험을 해 본 거 같아요.

조 단위의 돈을 버는 회사의 가장 중요한 프로젝트, 진짜로 큰 일들을 많이 하다 보니까 생긴 경험들과 공동 자산들이 저희의 차별점이 될 것 같습니다. B2B 회사라고 하면은 그냥 가서 이제 솔루션 설치하고 거기서 운영상 이슈 대응하는 정도로 생각을 하실 텐데 그렇지가 않습니다. 오히려 B2C에서 푸는 문제보다 훨씬 더 정렬되지 않은 형태의 로우 데이터를 의미론적으로 정합한 형태로 끌어올리는 작업을 해야 되는데 이게 훨씬 더 제가 B2C에서 겪었던 라지 스케일 문제보다도 더 어려운 문제였습니다. 기술적으로 오히려 더 앞서가 있다 이렇게 말씀드릴 수 있겠습니다.

산업 현장에서의 어떤 피지컬 설비들이 디지털화하는 작업이 필요하고 그게 바로 저희가 가지고 있는 도면을 인식하는 기술이고 그 설비 자체에 흘러다니는 기업의 여러 가지 센서나 공정 데이터들이 저희가 얘기하는 온톨로지화돼서 의미론적으로 연결이 된다면 하나의 큰 시뮬레이션이 가능한 거고 우리가 절대 양보할 수 없는 우리만의 독특한 기술들이 있어요. 팔란티어를 필두로 해서 엔비디아도 마찬가지인데요. 우리나라에 들어와서 선진 기술들을 이용하되 우리만의 주권에 해당하는 어떤 AI의 인프라를 만들 필요가 있습니다. 데이터를 유출하는 게 아니라 그 방법론 그 자체를 이제 수출할 수 있는 그런 아주 중요한 기술이기도 합니다.

기업이 지금 가장 초점을 맞추고 있는 거는 에이전트를 구축하는 일입니다. 26년까지 이 에이전트를 도입하는 게 많아야 이제 10개, 20개 정도였는데 앞으로는 에이전트가 수백 개, 수천 개로 이제 늘어나게 되는 그런 시대가 본격적으로 올 하반기, 내년 초에 올 걸로 예상이 되고요. 실질적으로 기업의 거의 모든 업무를 한다라고 볼 수가 있는 시대가 오게 됩니다. 이런 에이전트들의 관리와 어떤 정보들이 잘 전달되는 게 굉장히 중요한 문제가 되겠죠. 대부분의 에이전트들을 사용하려면 돈이 많은 대기업들만 쓸 수 있으면 안 되니까 온톨로지를 구축하는 과정 자체가 상당 부분 자동화되어야 될 것 같습니다. 또 한 가지는 로봇도 마찬가지입니다. 전시 같은 데서 시험되고 화려하게 소개되고 하는 것에 반해서 실제 현장에 로봇이 투입되는 게 10분도 채 안 됩니다. 실제 생산 현장에 가서 어떤 일을 해야 되는지에 대한 가이드나 정보가 제대로 전달이 되지 않기 때문인데요. 그런데 이 에이전트와 로봇이 제대로 동작할 수 있도록 제대로 된 기업의 정보와 구조가 전달이 되고 활용이 되고 관리가 돼야 되는 그런 시대가 될 거고 그런 역할을 맡을 수 있는 가장 중요한 기술 중에 하나가 바로 그래프와 온톨로지라고 다시 한번 말씀드리고 싶습니다.

AI는 사람의 일을 대체할 수 없어요. 근데 어떤 사람의 일을 대체할 수 없냐면 생각하는 사람을 대체할 수 없어요. 사람이 어떻게 하면 더 깊은 고민을 할 수 있을까? 사람 중심의 생각을 하면서 제품을 만들고 있다고 생각하고 그 일이 사람 각각의 행복에도 도움이 되는 일인 거 같아서 그걸 위해 불필요한 모든 일들을 덜어낼 수 있게 도와주는 일을 앞으로도 계속 할 거라고 생각하고 있고 그런 면에서 저희는 한 30% 정도는 와 있는 거 같습니다.

AI를 개발하는 사람들은 자칫 잘못하면 나한테는 당장 이득이 되지만 장기적으로 봤을 때는 사회에 손해를 주기 쉬운 직군이라고 생각을 하거든요. 한 분 한 분이 당시에 어떤 선택을 하는가 그리고 얼마나 정직할 수 있는가가 너무 중요해서, 진짜 문제 해결하려면 저기까지 가야 돼를 할 수 있는 사람들이라서 너무 신뢰가 가고

어려운 문제를 풀다 보니까 사실 힘든 시간도 좀 꽤 많이 있거든요. 다들 그럴 때 그냥 해보지 뭐, 진짜로 모험을 가는 것 같아. 남극 갈 건데 장비 챙겨서 출발한다 이런 느낌. 문제를 회피하지 않고 잘 해결할 수 있는 능력이 있어야 되는데 그건 곧 사람에서 온다고 생각하기 때문에 인포시즈의 최대 강점은 사람이라고 생각합니다.

어렵다는 것은 아무도 풀지 못했다는 것이고 이걸 풀었을 때 산업에 미칠 임팩트가 어마어마하다는 것의 반증이거든요. 오히려 저는 어려운 문제를 맞닥뜨렸을 때 희열을 많이 느끼고 그리고 그것을 풀어 나가고 거기서 만들어 낼 수 있는 임팩트를 상상하면서 더 즐겁게 몰입해서 일하는 거 같습니다. 가장 어려운 문제를 풀려고 저희가 여러 보석들을 모았는데 모으고 나니까 서로 다 색깔도 다르고 자기만의 풀어내는 방법들도 있어서 그게 너무 좋은 거 같습니다.

저희가 생각하는 인포시즈의 가장 중요한 인재상은 끝없이 도전하는 인재입니다. 이 세상에서 가장 어려운 문제, 또 풀 수 없는 문제, 또 풀어야 할 만한 문제를 같이 하고자 하는 아주 훌륭한 인재들이 많이 들어오게 됐고 그런 인재들이 저희 회사 내에서 같은 철학과 믿음을 가지고 서로 신뢰하는 그런 분위기를 만들고 기업의 AI를 조금 더 잘 도입하도록 만들고 기업의 AI를 잘 만들게 되면은 기업이 조금 더 효율화될 거고 기업이 효율화가 되면 될수록 세상에 훨씬 더 기여를 할 수 있는 유일한 방법이라고 생각하고 있습니다.