📊 AI 시대의 도래와 데이터 기반 의사결정

우리 삶의 전반적인 영역에서 AI의 활약이 나날이 두드러지고 있어요. 일상 생활에서는 물론, 메일을 작성하거나 회의 내용을 요약하는 등 비즈니스에도 널리 활용되고 있죠. 기업은 구성원이 실무에 AI를 잘 활용할 수 있도록 관련 교육을 진행하기도 해요. 그런가 하면 중요한 의사결정을 내릴 때도 AI를 활용하곤 하는데요. 물론 의사결정의 주체는 여전히 인간이므로 AI에 지나치게 의존하는 것은 바람직하지 않지만, 과거 데이터를 기반으로 '가능성 있는' 미래를 예측하는 AI는 인간이 더 나은 의사결정을 내리도록 도와줘요. 무엇보다 AI의 가장 큰 강점은 많은 양의 데이터를 짧은 시간에 학습하여 그 안에서 새로운 논리 구조를 세울 수 있다는 거예요.

🗂 핵심은 '좋은' 데이터를 '충분히' 확보하는 것

합리적인 의사결정을 위해 AI를 활용하고자 할 때는 두 가지 요소를 반드시 고려해야 해요. 바로 데이터의 양과 질인데요. 다시 말해 AI에 좋은 데이터를 충분히 제공해야 한다는 거예요. 1960년대 IBM 프로그래머였던 조지 휘셀(George Fuechsel)은 "쓰레기를 넣으면 쓰레기가 나온다(Garbage in, Garbage out)"라는 유명한 표현을 남겼어요. 컴퓨터 용어로 사용되던 이 말은 오늘날 데이터와 인공지능 분야에서도 널리 쓰인답니다. AI가 어떤 데이터를 학습하느냐에 따라 결과가 얼마든지 달라질 수 있다는 점을 의미해요. 따라서 AI 예측의 정확도를 높이기 위해서는 데이터를 충분히 수집해야 하고, 그중에서도 고품질 데이터를 선별하여 수집해야 해요.

💎 데이터 품질을 좌우하는 7가지 평가 요소

그렇다면 좋은 데이터는 어떻게 판별할 수 있을까요? 막연히 '업무에 도움이 되는 데이터' 정도로 생각해서는 안 돼요. 수집 목적이 명확하고, 일정한 항목에 따라 일관된 형태로 저장되며 전처리 단계를 최소화할 수 있는 정제된 데이터야말로 좋은 데이터라고 할 수 있죠. 다음의 몇 가지 요소를 토대로 데이터의 품질을 객관적으로 평가해 볼 수 있어요.

1. 정확성 : 데이터가 실제와 일치하는가?

데이터 품질을 평가하는 데 가장 결정적인 요소예요. 아래에 소개할 다른 요소를 모두 충족한다고 해도 애초에 실제 값과 일치하지 않는다면 좋은 데이터가 될 수 없어요. 잘못된 데이터를 활용하면 결국 현실과 동떨어진 결과를 초래하게 되니까요.

2. 완전성 : 데이터 전체 또는 일부가 누락되지 않았는가?

수집한 데이터가 완전하지 않다면 쓸모없는 데이터로 전락하고 말아요. 예컨대 휴대폰 번호 11자리를 입력하는 과정에서 누군가 10자리만 입력했다면 이는 불완전한 데이터예요. 단 한 자리가 누락되어 전혀 활용할 수 없게 되는 것이죠. 완전성은 데이터의 질뿐만 아니라 양과도 밀접한 관련이 있어요. 특히 미래를 예측하기 위해 반드시 필요한 데이터가 불완전하다면 정확도는 그만큼 떨어져요.

3. 유효성 : 정해진 범위와 형식에 부합하는 데이터인가?

만약 어떠한 데이터가 범위를 벗어나거나 형식에 맞지 않는다면 활용이 어려워져요. 역시나 데이터 분석의 정확도는 떨어지게 되고요. 예컨대 숫자만 입력해야 하는 항목에 특수문자가 포함되면 이는 유효하지 않은 데이터로 인식될 수 있어요.

4. 일관성 : 속성이 같은 데이터끼리 정해진 규칙과 조건을 따르고 있는가?

데이터의 속성이 같아도 표기 방식 등이 일관되지 않으면 활용도가 떨어져요. 근태 기록을 예로 들어볼까요? 퇴근 시간이 오후 6시 8분이라고 할 때, 표기 방식을 정하지 않으면 '06:08', '18:08', '6:08' 등 저마다 다른 방식으로 기록할 수도 있어요. 따라서 데이터의 일관성을 유지하기 위해서는 동일한 규칙을 따라야 해요. 한편, 하나의 데이터가 서로 다른 베이스에 저장되어 있을 때, 한쪽에서 데이터를 수정하면 다른 한쪽에 그 내역이 실시간으로 반영되는 것도 데이터 일관성을 유지하는 상태예요.