예측 분석을 위한 IBM Watsonx 사용 방법

과거에는 비즈니스 성과를 예측하려면 데이터 과학 팀과 수개월에 걸친 모델 개발, 그리고 운이 따라주기를 바라는 것밖에 방법이 없었습니다.

하지만 맥킨지(McKinsey)에 따르면 현재 78%의 기업이 적어도 하나의 비즈니스 기능에서 AI를 활용하고 있어, 그 시간이 몇 달에서 거의 즉각적인 인사이트로 단축되었습니다.

이러한 변화로 인해 예측 모델을 신속하게 출시해야 하는 압박감은 그 어느 때보다 커졌습니다.

IBM Watsonx는 예측 모델 구축 및 배포 과정을 통합된 브라우저 기반 워크플로우로 압축하여 개발 팀이 단 몇 분 만에 실행할 수 있도록 합니다. 하지만 속도만으로는 충분하지 않습니다. 이러한 모델이 생성하는 예측 결과가 영향을 미치는 경영진 워크플로우와 연결되지 않는다면, 실질적인 성과를 이끌어낼 수 없습니다.

이 가이드에서는 첫 번째 데이터셋 업로드와 모델 훈련부터 라이브 API로 배포하는 단계까지 모든 단계를 다루며, 무엇보다도 모델이 생성한 인사이트를 ClickUp과 같은 도구의 경영진 워크플로우에 연결하는 방법을 설명합니다. 🔨

Watsonx에서 모델을 구축하는 방법과 모델의 결과를 실제 업무에 적용하여 팀 전체에서 예측 결과를 바탕으로 조치를 취할 수 있도록 하는 방법을 모두 배울 수 있습니다.

IBM Watsonx란 무엇이며, 예측 분석을 어떻게 지원하는가?

비즈니스용 AI 모델을 배포한다는 것은 한 곳에서는 모델을 훈련하고, 다른 곳에서는 데이터를 관리하며, 또 다른 tool에서는 거버넌스나 규정 준수를 처리해야 한다는 것을 의미할 수 있습니다.

IBM Watsonx는 이러한 분산된 환경의 기술적 문제를 해결하기 위해 설계된 IBM의 기업 AI 및 데이터 플랫폼입니다. 이는 비즈니스 내에서 AI를 구축, 훈련 및 실행할 수 있도록 지원하는 AI 제품군으로, 모든 것이 산발적이거나 실험적인 느낌을 주지 않습니다.

이 플랫폼은 단일 프로젝트 작업 공간을 제공하여 분산된 워크플로우 문제를 해결합니다. 환경을 벗어나지 않고도 데이터를 업로드하고, 실험을 실행하며, 모니터링을 구성할 수 있습니다.

Watsonx 제품군에는 세 가지 주요 구성 요소가 포함되어 있습니다:

특히 예측 분석의 경우, watsonx.ai가 주로 사용하게 될 플랫폼입니다. 여기에는 알고리즘을 자동으로 선택하고 후보 모델을 순위별로 정렬해 주는 노코드 실험 빌더인 AutoAI가 포함되어 있습니다.

이 가이드의 나머지 부분에서는 watsonx.ai 내부의 AutoAI 워크플로우에 중점을 둡니다. 이는 작동하는 예측 모델을 빠르게 구축할 수 있는 가장 빠른 방법입니다.

Watsonx에서 예측 모델 구축을 위한 단계별 가이드

이 안내서는 이미 IBM Cloud 계정과 Watsonx 프로젝트가 생성되어 있다고 가정합니다. 전체 흐름은 별도의 로컬 환경 설정 없이 브라우저에서 바로 완료할 수 있습니다. 방법은 다음과 같습니다:

1단계: 데이터 준비 및 업로드

먼저 데이터를 CSV 파일과 같은 표 형식으로 정리하세요. 이 파일에는 예측하고자 하는 특정 항목을 명시하는 명확한 목표 열이 포함되어야 합니다. 또한 모델이 학습하는 입력값인 기능 열도 필요합니다.

데이터를 업로드하려면 Watsonx 프로젝트로 이동하여 '자산(Assets)' 탭을 엽니다. 여기에서 CSV 파일을 직접 업로드하거나 watsonx.data를 통해 데이터 소스에 연결할 수 있습니다.

시작하기 전에 몇 가지 일반적인 데이터 문제를 반드시 확인하세요:

2단계: AutoAI를 사용하여 예측 모델 훈련하기

모델 훈련은 여기서부터 시작됩니다. 프로젝트 작업 공간에서 ‘새 AutoAI 실험 만들기’를 클릭하세요.

업로드한 데이터 세트를 선택하고 목표 열을 지정하세요. 그런 다음 실험 유형과 데이터의 훈련 및 테스트 분할 방식과 같은 선택적 설정을 구성할 수 있습니다.

실험을 실행하여 AutoAI가 자동으로 파이프라인 리더보드를 생성하도록 하세요. 이 리더보드는 정확도나 F1 점수 등 사용자가 선택한 메트릭에 따라 후보 모델의 순위를 매깁니다.

리더보드의 각 행은 머신러닝 알고리즘과 기능 공학의 고유한 조합을 나타냅니다. 일반적으로 상위 순위에 오른 파이프라인은 AutoAI가 특정 데이터셋에 대해 권장하는 파이프라인입니다.

순위가 가장 높은 파이프라인이 무조건 올바른 선택이라고 가정하지 마십시오. 첫 번째 파이프라인을 무조건 선택하기보다는 상위 2~3개의 파이프라인을 비교해 보는 것이 좋습니다. 각 파이프라인을 클릭하여 어떤 기능이 가장 중요한지, 혼동 매트릭스를 통해 모델이 어떤 오류를 범하고 있는지 등을 확인할 수 있습니다.

3단계: 예측 모델 배포

적합한 파이프라인을 선택한 후에는 프로젝트에 모델로 저장하십시오. 그런 다음 저장된 모델을 배포 스페이스로 프로모션해야 합니다. 배포 스페이스는 프로덕션 업무량을 위해 특별히 설계된 별도의 환경입니다.

온라인 배포와 일괄 배포 중에서 선택할 수 있습니다. 온라인 배포를 선택하면 주문형 예측을 위한 실시간 REST API를 사용할 수 있습니다. 일괄 배포는 정해진 일정에 따라 대규모 데이터셋에 대해 점수를 산출합니다.

내장된 테스트 탭을 사용하여 샘플 입력 페이로드를 전송하세요. 이를 통해 예측 결과를 하류 시스템과 통합하기 전에 검증할 수 있습니다. 배포 시 외부 애플리케이션에서 호출할 수 있는 API 엔드포인트와 스코어링 URL이 생성됩니다.

4단계: 모델 성능 모니터링 및 평가

역사적 데이터로 훈련된 모델은 실제 환경의 패턴이 변화함에 따라 시간이 지남에 따라 성능이 저하될 수 있습니다. 이러한 성능 저하를 '드리프트(drift)'라고 하며, 시간이 지남에 따라 모델의 품질을 서서히 떨어뜨릴 수 있습니다.

모델이 실제 환경에서 어떻게 작동하는지 지속적으로 추적하고 문제가 발생하기 전에 미리 파악하려면, Watson OpenScale 구성 요소를 통해 모니터링을 활성화한 다음 배포 환경을 모니터링 tool과 연결하고 정확도와 정밀도에 대한 품질 임계값을 구성하십시오.

예측에 민감한 속성이 포함되는 경우, 편향되지 않도록 공정성 모니터를 설정해야 합니다.

이 시스템은 특정 결과를 이끌어낸 기능이 정확히 무엇인지 보여주는 예측별 설명 정보를 생성할 수 있습니다. 이를 바탕으로 월별 주기를 설정하여 모니터링 대시보드를 검토하고, 모델 품질이 저하될 경우 재훈련할 수 있습니다.

이 섹션을 마무리하기 전에, 이 프로세스의 각 단계에는 서로 다른 담당자가 관여한다는 점을 이해하는 것이 중요합니다. 실행 과정을 추적할 시스템이 없다면, 프로세스는 금세 지연되고 통제 불능 상태에 빠질 수 있습니다.

이를 체계적으로 관리할 방법이 없다면, 금세 여기저기 흩어진 노트, Slack 메시지, 이메일, 혹은 자신의 기억에만 의존하게 될 수 있으며, 이로 인해 지연이나 누락된 단계가 발생하게 됩니다. 결과적으로 작업 관리가 매우 중요해집니다.

이러한 단계들을 개별적으로 관리하는 대신, ClickUp 작업은 다음과 같은 시스템을 제공합니다:

이뿐만이 아닙니다. 모든 작업은 그 실행을 뒷받침하는 컨텍스트와 구조화된 데이터에 의해 지원됩니다.

따라서 작업이 막연한 할 일 목록이 아니라, 명확하고 담당자가 지정되어 즉시 실행 가능한, 맥락이 완전히 반영된 작업 단위로 변모합니다.

하지만 단순히 작업을 추적하는 데 그치는 것은 아닙니다. 이러한 작업들은 일회성 작업이 아닙니다. 이는 지속적으로 일정 수준의 반복적인 수동 작업이 필요한 지속적인 워크플로우입니다.

예를 들어:

ClickUp 자동화는 미리 정의된 조건에 따라 자동 작업을 트리거함으로써 이러한 워크플로우 간의 수동 인계 과정을 없애고 한 단계 더 발전시켰습니다.

새로운 데이터 세트가 업로드되면 검증 작업이 자동으로 생성되어 데이터 분석가에게 할당됩니다. '준비 완료'로 표시되면 모델 훈련 작업이 머신러닝 엔지니어에게 자동으로 할당됩니다. 훈련이 완료되면 ML 운영 전문가를 위한 배포 작업이 트리거됩니다.

이렇게 하면 수동으로 작업을 넘겨줄 필요 없이 각 단계가 자연스럽게 다음 단계로 이어집니다. 작업이 자동으로 생성되고 할당되며 관련 정보가 추가되므로, 전체 워크플로우가 끊김 없이 원활하게 흐릅니다.

Teams를 위한 예측 분석 활용 사례

다음은 팀들이 예측 분석을 활용하는 가장 일반적인 방법입니다:

이 모든 과정에서 중요한 점은, 이러한 예측의 값은 그 결과가 팀이 이미 관련 의사 결정을 실행하고 있는 tools로 직접 반영될 때 비로소 배가된다는 것입니다.

🎯 추천 사항: 이러한 인사이트를 ClickUp과 같은 통합 AI 작업 공간에 적용해 보세요.

ClickUp을 사용하면 단순히 모델 훈련 워크플로우를 관리하는 데 그치지 않습니다. 일상적인 운영 업무도 동일한 공간에서 수행할 수 있으므로, 예측 결과를 통해 팀 전반에 걸쳐 실질적인 업무를 직접 트리거할 수 있습니다.

각 팀은 ML 팀이 모델 훈련 및 배포를 위해 수행하는 방식과 마찬가지로 ClickUp 작업 내에서 자체 워크플로우를 구성할 수 있습니다. 동일한 시스템이지만 사용 사례만 다를 뿐입니다.

단순한 실행에 그치지 않습니다. ClickUp 대시보드를 사용하면 다음과 같은 작업을 수행할 수 있습니다:

막대 차트, 원형 차트, 선 그래프, 진행 상황 추적기 등 원하는 위젯을 선택하기만 하면 됩니다. 이렇게 하면 모델이 한 도구에, 실행이 다른 도구에 흩어지지 않고 모든 것이 한곳에서 연결된 상태로 유지됩니다.

귀하의 인사이트는 단순히 의사 결정에 참고가 되는 데 그치지 않습니다. 의사 결정을 트리거하고, 업무로 배정되며, 진행 상황을 추적하고, 실제로 완료됩니다.

💡 전문가 팁: ClickUp Brain을 전체 작업 공간에서 사용할 수 있는 내장형 AI 어시스턴트로 활용할 수 있습니다.

이는 별도의 tool이 아닙니다. ClickUp 작업 공간 내부의 인텔리전스 레이어이므로, 이미 여러분의 작업, 데이터 및 워크플로우에 대한 맥락을 파악하고 있습니다.

단순히 작업을 추적하는 데 그치지 않고, AI 어시스턴트가 여러분과 함께 일하며 현재 상황을 파악하고 다음 단계로 더 빠르게 나아갈 수 있도록 도와줍니다.

예시: 팀원에게 하는 것처럼 작업 댓글에서 Brain을 @멘션하고 다음과 같이 물어볼 수 있습니다:

• ‘최신 드리프트 보고서를 요약하고 주의가 필요한 부분을 강조해 주세요.’
• ‘지난 30일 동안 모델 성능에 어떤 변화가 있었나요?’

ClickUp Brain 사용해 보기

이 기능은 작업 공간 데이터를 기반으로 명확하고 즉각적인 답변을 제공합니다. 또한 사용자를 대신해 작업을 생성할 수도 있습니다. 다음을 요청할 수 있습니다:

• 모델이 재배포된 이유를 이해관계자들에게 설명하는 간단한 업데이트를 작성하세요
• 최근 성능 저하를 바탕으로 재훈련 플랜을 수립하세요
• 훈련 전 새로운 데이터셋을 검증하기 위한 체크리스트 작성하기

ClickUp은 통합 작업 공간을 제공하므로, 팀은 커뮤니케이션과 업무 수행을 위해 별도의 tools를 번갈아 사용할 필요가 없습니다.

모델 정확도 하락에 대한 논의, 표시된 드리프트 알림 검토, 배포 실패 후의 다음 단계 결정 등 모든 대화를 ClickUp 채팅에서 직접 진행할 수 있습니다.

하지만 더 중요한 점은, 이러한 대화들이 그저 방치되지 않는다는 것입니다.

논의가 실질적인 조치로 이어지도록 하려면 '댓글 할당' 기능을 사용하세요. 대화 도중에도 특정 팀 회원에게 메시지를 할당하여 즉시 명확한 실행 항목으로 전환할 수 있습니다.

따라서 대화가 묻히거나 “이걸 해야겠네요”라는 말로 끝나는 대신, ClickUp 채팅 내에서 처음부터 끝까지 실제로 실행되고 추적되는 작업으로 전환됩니다.

🎥 비즈니스 분야에서 AI가 활용되는 전반적인 현황을 더 잘 이해하려면, 다양한 기능과 산업 분야에서 조직들이 AI를 어떻게 적용하고 있는지 보여주는 실제 AI 활용 사례 개요 영상을 시청해 보세요. ✨

예측 분석에 IBM Watsonx를 사용할 때의 한도

모든 도구에는 장단점이 있으며, Watsonx도 예외는 아닙니다. 물론 강력한 도구이지만, 이 플랫폼을 도입하기 전에 다음과 같은 한도를 고려해야 합니다:

이러한 한도는 보완적인 tools가 필요한 부분을 명확히 보여줍니다. 이는 특히 예측 파이프라인의 실행 단계에서 더욱 그렇습니다.

예측 분석을 위한 대체 AI 도구

예측 모델링을 위한 시장에는 Watsonx 외에도 다양한 옵션이 있습니다. 기술적 역량에 따라 다른 플랫폼이 귀사의 기술 스택에 더 적합할 수도 있습니다. 아래 테이블에서 각 플랫폼을 한눈에 비교해 보세요.

단순히 예측하는 데 그치지 말고, ClickUp으로 실행에 옮기세요

IBM Watsonx를 활용한 예측 분석은 데이터 준비부터 드리프트 모니터링에 이르기까지 명확한 단계를 따르지만, 이는 가장 간단한 부분에 불과합니다. 진정한 과제는 이러한 예측이 실제로 팀의 업무 방식을 변화시키도록 하는 데 있습니다.

아무도 확인하지 않는 대시보드에 머물러 있는 예측은 단순히 컴퓨팅 자원의 낭비일 뿐이며, 진정한 가치를 창출하는 팀들은 자동화된 알림과 재조정된 작업 순위를 통해 모델 결과를 실행 워크플로우에 직접 연결합니다.

AI 인사이트, 프로젝트 실행, 팀 커뮤니케이션이 이미 하나로 통합된 단일 작업 공간을 원하신다면, 지금 바로 ClickUp을 무료로 시작해 보세요. ✨

자주 묻는 질문

이 플랫폼은 머신러닝 모델을 구축, 훈련 및 배포하기 위한 기업 데이터 및 AI 플랫폼입니다. 팀은 이 플랫폼을 사용하여 단일 클라우드 환경에서 데이터 레이크하우스를 관리하고 AI 거버넌스를 모니터링합니다.

AutoAI는 표 형식 데이터를 자동으로 분석하여 최적의 머신러닝 알고리즘을 선택하는 노코드 tool입니다. 이 tool은 기능을 추출하고 후보 모델들을 리더보드에 순위를 매겨, 가장 정확한 모델을 배포할 수 있도록 지원합니다.

이 플랫폼을 사용하려면 배포 스페이스와 거버넌스 모니터를 구성하기 위해 클라우드 개념에 대한 확실한 이해가 필요합니다. 또한 업로드 전 원시 데이터를 정리하고 구조화하는 수동 프로세스는 자동화되지 않습니다.