현대차가 투자한 유망기업…"5년간 3300개 AI 모델 만들었죠" [긱스]
입력
수정
최근 다양한 인공지능(AI) 서비스에 대한 관심이 커지고 있습니다. 챗GPT, 미드저니 등 일반인이 쉽게 접할 수 있는 서비스 등이 주목받고 있습니다. 산업 현장에서도 마찬가지입니다. AI 솔루션을 잇따라 도입하며 디지털 전환 속도를 높이고 있습니다. 최근 세계경제포럼 조사에 따르면 1800여 명에 이르는 제조업 임원 대상 설문조사 결과 89%가 '생산 네트워크에 AI를 구현할 것'이라고 답했습니다. 68%는 'AI 솔루션 구현을 시작했다'고 했습니다. 산업 현장의 AI 도입에 스타트업이 큰 역할을 하고 있습니다. 국내에서는 마키나락스가 대표적 기업입니다. 윤성호 마키나락스 대표를 한경 긱스(Geeks)가 만났습니다.
마키나락스는 최근 기술력을 인정받아 글로벌 시장조사업체 CB인사이트의 ‘2023 세계 100대 AI 기업’에 선정됐다. 2021년에는 세계경제포럼(WEF)이 선정한 새로운 혁신 스타트업 100곳 중 하나로 뽑혔다. 산업용 AI라는 특화된 기술과 성장 가능성을 보고 현대자동차, LG, SK텔레콤, 한화, GS, 네이버 등 국내 주요 대기업이 잇따라 투자하기도 했다. 누적 투자유치액은 309억원이다.
Q. 최근 AI에 대한 관심이 커졌습니다.
A. 맞습니다. 작년까지만 해도 글로벌 전체적으로 투자가 줄었죠. AI에 대한 관심도 많이 식었고요. 지난해 말에 챗GPT가 나오고 올해부터 다시 AI가 주목을 받고 있습니다. 이전에 관심이 줄어든 이유가 실제 비즈니스 성과 사례가 계속 나오지 않았거든요. 그래서 투자 열기가 줄었죠. Q. 그래서 저는 좀 의아합니다. 벤처캐피털(VC)은 업계 동향에 민감하고 정보도 많기 때문에 AI 투자를 미리 많이 했을 것 같거든요.
A. 자금 회수 사이클과 관련이 있는 것 같습니다. 7년, 8년, 5년 등이요 .알파고로 AI 붐이 생겼을 때 시장의 AI 기대가 컸어요. 만능 솔루션이 나온다는 얘기도 나왔죠. 그래서 그때 투자자들이 투자를 AI에 열심히 했죠. 그런데 5년, 6년, 7년이 지나도 투자금 회수가 안 되는 거예요. 그런 사이클을 한번 겪고 난 상황에서 AI로 돈을 번 스타트업이 있냐고 봤을 때 없었던 거죠. 그래서 AI에 대한 기대 심리가 많이 줄었던 것 같습니다.
Q. 그런데 챗GPT라는 실제 사용 사례가 나온 거군요.
A.챗GPT 나오고 사람들의 AI 인식하는 게 좀 달라진 부분이 있어요. 예전에는 막연하게 AI가 모든 것을 다 해줄 거라고 인식했다면 이제는 직접 AI를 써보면서 AI가 '엔드 투 엔드'로 모든 문제를 다 해결을 못 하지만 내가 하는 일에 도움을 준다는 것을 알게 된 거죠. 저는 '어그멘티드 인텔리전스(Augmented Intelligence)' 표현을 씁니다. AI가 다 해주는 것이 아니고 나를 도와준다라고요. 실제로 업무의 시간을 좀 줄여줄 수 있고 생산성 향상을 직접 몸으로 느끼니깐 이제 AI에 대해 많은 설명을 안 하게 되는 거죠. 옛날에는 사람들이 공장에서 제품 불량 잡는 정도가 80~90% 가능하고 이것도 개런티를 못한다고 했습니다. 그러면 회사에서 100% 아니면 왜 그런 작업을 하냐. 이런 얘기가 나와요. 그런데 사실 100%는 불가능하거든요. 요즘에는 AI가 80%만 잡아도 씁니다. 이것을 사람이 24시간 365일 봐야하는 것 아니니깐요. 사전에 고장 잡는 정확도가 80% 정도면 사전 대응이 가능하기 때문에 큰 공장에서도 쓰고요. 더 큰 피해를 막을 수 있으니깐요. 이렇게 AI를 활용해야겠다는 생각이 생긴 것 같아요.
Q. 마키나락스의 서비스 소개 부탁드립니다.
A. 바로 제품 소개부터 하면 내용이 복잡할 수 있습니다. 큰 그림부터 말씀 드릴께요. 최근에 AI를 활용하려고 하는 기업이 많이 늘고 있잖아요. 이제 AI를 직접 기업이 만들어 쓰는 시대가 된 것 같아요. 예전에는 뭔가 있으면 사서 써야지라는 생각이 좀 있었지만. 그때는 실질적으로 비즈니스 가치가 나오는 사례가 적었어요. 최근에는 직접 AI 솔루션을 만들겠다는 기업이 늘었습니다. 그런데 AI를 만들어 쓴다고 하면 뭐가 필요한 지를 볼 필요가 있잖아요. 세 가지 정도가 필요합니다. 첫 번째는 데이터 인프라를 갖추고 있어야 해요. 데이터 없으면 AI를 못 만들죠. 두 번째는 사람들이 많이 모르는데 인공지능을 위한 인프라가 필요해요. 이 부분은 사람들이 아직 그렇게 익숙하지 않은 것 같아요. 세 번째는 각 기업의 문제를 해결하는 데 필요한 특화된 AI 기술이 필요합니다. 챗GPT 같은 경우는 기업의 특화된 기술 이전에 사람을 도와주는 도구죠. 하지만 제조업 등의 기업을 보면 다 자기들이 원하는 식으로 문제를 해결하고 싶어 하고 그 문제를 실제로 해결하려면 특화된 AI가 필요해요. 마키나락스는 산업 현장에서 AI가 필요한 인프라를 잘 만듭니다. 각 기업의 특화된 AI 모델을 개발해서 제공하기도 합니다. 이를 제조 산업에 특화된 형태로 제공하고 있는 거죠. 옛날에 골드러시 때 광부에게 돈 번 사람은 청바지 판매업자라고 하잖아요. 지금 AI 골드러시에 모든 대기업, 중소기업 다 AI를 한다고 하지만 결국 AI 인프라가 없이는 성공할 수가 없어요. 어떻게 보면 저희도 청바지를 파는 거죠.
A. ML옵스(MLOps, Machine Learning Operations) 플랫폼인 '런웨이'라는 솔루션이 있습니다. 인공지능 모델을 활용해서 맞춤형 솔루션으로 제공하는 것도 있습니다. 이상탐지 솔루션인 ‘MRX-ray’와 제어최적화 솔루션 ‘MRX CtRL’가 있어요. ML옵스의 경우에는 플랫폼만 고객사가 쓴다면 AI를 저희가 만들어 드리는 것이 아니고 고객사가 만든 AI나 다른 기업이 만든 AI를 활용하는 겁니다. MRX 시리즈는 모델이 이미 다 만들어져 있습니다. 이것을 공장에서 바로 적용할 수 있어요.
Q. ML옵스를 보통 AI 플랫폼이라고 표현합니다. 구체적 설명 부탁드립니다.
A. AI를 만드는 과정은 복잡해요. 실제 AI를 비즈니스에 활용하는 과정 자체도 기존의 소프트웨어 이용하는 것과 다릅니다. 기본적으로 AI는 데이터가 중요해서 데이터가 막 바뀌면 이게 고장나요. 고장나면 복구를 해야 하잖아요. 스스로 복구를 하는 체계가 필요합니다. 그것을 ML옵스라는 기술을 활용해서 제공합니다. 쉽게 생각하면 사람으로 따지면 인공지능 모델은 뇌만 있는 겁니다. 뇌만 있으면 아무것도 할 수 없잖아요. 몸이 붙어야 되잖아요. 몸이 있어서 뭔가 인터렉션도 해야 하고. 추가로 예를 들면 어렸을 때 커가는 과정을 보면 새로운 것을 보면서 계속 학습을 하잖아요. 학습을 할 수 있게 해 주는 것이 시각적인 것도 있고, 청각, 후각 등 오감이 있어요. 데이터를 뇌가 학습하는 것과 똑같이 ML옵스라는 모델이 계속 데이터로 학습을 할 수가 있어요. 근데 ML옵스가 없으면 정말 뇌만 있기 때문에 할 수 있는 것이 없습니다. AI를 공장의 장비와 연동해서 장비의 고장을 예측하려고 해도 이것을 연결해주는 소프트웨어가 필요하거든요. 장비 관련 데이터가 바뀌면 다시 또 업데이트를 해야 합니다.
Q. 그러면 챗GPT의 경우에는 어느 단계에서 ML옵스가 작동하나요.
A. 챗GPT의 GPT3라는 AI 모델이 마이크로소프트(MS)에 클라우드 서버에 들어가 있잖아요. 이것을 감싸고 있는 모든 소프트웨어를 스택이라고 부릅니다. 그 모든 소프트웨어가 ML옵스에 해당합니다. Q. 런웨이가 작년 11월에 나왔습니다. 이전에도 고객사 맞춤 AI 솔루션을 개발했습니다. 제품 브랜드를 만든 이유가 궁금합니다.
A. 회사가 지향한 것은 제품 중심의 성장입니다. 회사의 성장성을 담보하기 위해서는 제품이 반드시 필요하다고 생각했어요. 가장 큰 이유는 우리가 고객사의 문제를 하나씩 해결하는 것은 한계가 있다는 것입니다. 1000개 회사의 문제를 우리가 하나씩 다 해결하려면 프로젝트 1개 3명 인력이 들어간다고 가정하면 3000명 정도 인력이 필요하죠. 우리가 원하는 방식의 비즈니스가 아닙니다. 우리가 바라는 비즈니스는 기업이 자체적으로 문제를 잘 해결해 줄 수 있게 도와주는 겁니다. 우리는 300명 인력만 가지고도 전 세계 1만 개 회사가 자체적으로 AI로 문제를 잘 풀 수 있도록 도와줄 수 있습니다. 궁극적으로 제조업이나 산업 영역에서 AI가 분명히 디지털 트랜스포메이션을 가속하는 데 도움이 될 것이라고 봅니다. 런웨이 같은 제품을 만든 건 확장 가능성 때문입니다.
Q. 런웨이가 일종의 범용 소프트웨어인가요.
A. 맞습니다. 범용으로 제공하기도 하고요. 내부적으로도 저희가 그걸 활용해서 저희도 생산성이 높이는 거죠. 예를 들면 옛날에는 3명이 1개의 프로젝트를 6개월 했는데 지금은 2명이 3개월로 할 수 있게 되는 거죠. 저희도 생산성이 올라가니까요.
Q. 그동안 마키나락스의 성과는 어떤가요.
A. 지금까지 AI로 만든 모델 숫자가 3300개 정도 됩니다. 2019년에 1개의 모델을 서비스했다면 2020년 400개 정도까지 늘고요. 작년 말에는 모델 3000개를 만들었고 지금 작동하고 있습니다.
A.그건 아닙니다. 고객사가 AI로 태양광 발전소가 36시간 뒤에 태양광 발전량을 예측하려는 경우를 보죠. 이 사업을 하는 기업이 태양광 발전소를 하나만 보유하고 있진 않아요. 한 700개 정도 있죠. 700개 각각의 발전소에 해당하는 AI 모델이 만들어야 합니다. 700개 발전소에서 나오는 데이터를 AI가 학습해서 예측하는 거죠.
Q. 해당 700개가 3300개에 포함되지만 발전소마다 AI를 따로 튜닝한다는 거죠.
A.맞습니다.
Q. 고객사는 어떤 성과가 얻었나요.
A. 태양광 발전소 같은 경우에는 고객사가 태양광 발전량을 예측을 하는 이유가 있습니다. 한국 전력거래소에 태양광으로 발전된 발전 자원을 납품하면 발전량 예측 정보도 같이 제공해야 합니다. 예측 정확도가 높으면 나중에 정산금을 더 받아요. 에너지를 팔 때 에너지 발전량 예측을 제대로 해주면 한전은 공급 예측을 할 수 있어서 정산금을 더 주는 거죠. AI를 도입하기 전에는 받지 못한 돈입니다. 예측 정확도가 이전에는 매우 떨어졌거든요.
Q. 태양광 발전량 예측 정확도는 어느 정도인가요.
A. 정산금을 받으려면 오차 정도가 8% 안으로 들어와야 해요. 마키나락스의 정확도는 8% 이내입니다.
Q. 다른 고객사 사례도 소개해주세요.
A. 전기 자동차의 배터리의 잔존 수명을 예측해야 하는 고객사가 있었습니다. 1000대 정도의 자동차를 대상으로 실시간으로 배터리 수명을 예측하고 있죠. 이전에는 가능하지 않은 기술입니다. 배터리 수명을 예측하기 어렵습니다. 이용자의 사용 패턴에 따라 배터리 수명의 편차가 달라지거든요. 매일 충전하고 방전하는 차는 1~2년 안에 배터리가 죽을 수도 있습니다.
Q. 다른 사례도 알려주세요.
A. 지금 서비스를 하고 있지는 않지만. 전기 자동차를 보면 공조 시스템, 에너지 관리 시스템이 있습니다. 공조 시스템은 사실은 내연 기관도 똑같이 있고요. 전기자동차에도 공조 시스템이 있습니다. 자동차에서 에어컨을 돌리기 위해서 에너지를 계속 쓰잖아요. 그 효율이 최적 효율은 아니었어요. 기존에는 PID라는 알고리즘을 썼씁니다. 그걸 저희가 강화학습이라는 인공지능 기술을 활용해 더 지능적으로 제어하는 프로젝트를 했었죠. 실제로 해보니까 평균적으로 10%에서 최대 20%까지 전기가 절감이 되더라고요. 전기차에서 이것이 더 중요한 건 에너지를 세이브하면 자동차 주행 거리로 더 쓸 수 있는 거예요. 만약 이 기술이 진짜 제품에 탑재되면 매년 400만 대 전기차가 1년 동안 얼마나 주행거리를 더 확보할까 해봤더니 대략 4억 ㎞ 정도 나왔습니다.
Q. 공개할 수 있는 다른 고객사가 있나요.
A.현대자동차와 하는 프로젝트가 많은데요. 로봇 팔 이상 탐지하는 것이 있고요. 생산라인에 가보면 300~400대 로봇이 용접을 합니다. 용접하는 곳이 3000 개 정도 있어요. 그것을 300대 로봇이 자동차가 스테이션에 들어오면 4~5개 로봇이 일사불란하게 용접하고 넘깁니다. 3000개 포인트를 1분 안에 각 스테이션에 끝내야 해요. 로봇이 용접하려면 어떤 동작을 해야 할지를 미리 알아야 되잖아요. 서로 부딪혀도 안 되고 짧은 시간에 끝내야 하니까요. 그 로봇의 동작을 예전에는 사람이 다 계산했었어요. 그런데 만들 자동차가 바뀌면 그런 계산을 다시 하는데 최소 1개월에서 2개월 정도 걸려요. 현대차는 직접 이 업무를 하지 않고 외주 용역을 주죠. 저희는 이걸 로보틱스나 AI 기술을 활용해서 완전히 자동화했어요. 지금은 결과가 48시간 안에 딱 나와요.
Q. 사람이 하는 업무 부담을 줄여주는 경우도 있나요.
A. 튜닝 사례가 있어요. 서버 모터 제조업체들이 모터를 납품하고 나면 이 장비가 잘 돌아갈 때까지 튜닝을 해줘야 해요. 바로 다른 기기에 넣으면 돌아가지 않아요. 튜닝 시간이 짧을 때는 하루 이틀이 걸릴 수도 있고 길면 일주일이 걸릴 수도 있어요. 또 중요한 건 튜닝을 다 해주려면 고객사마다 직원을 보내야 하는 거예요. 이 서비스 인력의 숙련도가 높지 않으면 튜닝이 엉망으로 되는 거죠. 그러니까 그 튜닝의 퀄러티도 차이가 많이 나요. 서버 모터는 우리가 흔히 생각하는 생산 설비에 다 들어갑니다. 저희가 보니깐 인공지능도 할 수 있겠다 생각해서 저희가 실제로 해봤어요. 인공지능이 사람 수준으로 튜닝을 할 수가 있게 됐어요. 그래서 해당 업체 경우는 이제 실제로 튜닝 서비스 인력을 훨씬 적게 고객사에 보내거나 아니면 서비스 인력을 보내도 금방 돌아올 수 있게 합니다. 같은 인력으로 서비스 해줄 수 있는 대상 기업이 확 늘어난 거죠. 사람을 파견하기 전에 AI가 이미 튜닝을 어느 정도 해놓는 거예요. 그러면 직원은 가서 그냥 검사만 하고요. 만약에 튜닝이 조금 더 필요하면 조금 더 튜닝하고 오면 되는 거죠. 옛날에는 제로베이스에서 다 진행해야 하니까 시간이 오래 걸렸죠.
A. 이상 탐지라고 합니다. 이상 탐지는 다양합니다. 최근에는 반도체 후공정 쪽에 패키징을 하기 위한 장비가 있는데 그 패키징 장비가 고장이 많이 나요. 이 기기가 고장나면 생산 라인이 그냥 멈춰버리는 거죠. 그런데 그 고장을 저희가 이제 한 38시간, 40시간 전에 미리 전조를 딱 잡아서 알려주는 거죠. 그러면 그런 내용이 이메일로 고객사에 가거든요. 담당자가 보고 문제가 있으면 빨리 점검하죠. 기기가 아예 브레이크다운되는 것을 막을 수 있게 됩니다.
Q. AI가 그것을 어떻게 감지하죠.
A. 사람은 머릿속으로 떠올릴 수 있는 게 한 3차원밖에 안 되잖아요. AI가 정말 잘 하는 것은, 센서 데이터가 수천 개가 나오면 수천 개를 한 번에 보고 패턴을 파악을 할 수가 있어요. 사람은 기껏 두 세 개 보고 '이상할 것 같다'고 판단하죠. AI는 데이터가 수백, 수천 ,수만 개가 돼도 그걸 종합적으로 판단할 수 있어요. 기계가 잘 돌아갈 때 나왔던 데이터를 AI가 학습을 하면 AI는 잘 돌아갈 때의 정상적인 패턴이라는 건 이런 거구나하고 알게 됩니다. 그 데이터와 차이가 나는 데이터가 나오면 이상하다고 알려주는 거죠.
Q. 사람은 오감으로 정보를 습득합니다. AI는 어떻게 정보를 파악하나요.
A. 기본적으로는 각종 센서에서 나온 데이터를 가지고 판단합니다. 로봇을 사용하는 공장에 가면 오래 일 하신 분들은 로봇이 돌아갈 때 소리로 로봇 상태를 파악합니다. 이상한 소리가 나오면 '로봇이 운다'라는 표현을 하시거든요. 그 '운다'라는 표현이 평소에 내가 인지하고 있는 것과 뭔가 다르다는 것을 소리를 듣고 아는 거잖아요. 센서 같은 경우에는 소리는 바이브레이션이니깐 진동을 탐지해 AI가 정보를 파악합니다.
Q. 그런 센서를 마키나락스가 직접 설치하나요.
A. 저희는 직접 센서를 설치를 하지는 않고요. 대부분 고객사가 이미 센서를 설치해서 데이터들을 모니터링하고 있거든요. 그 데이터를 주로 활용합니다.
Q. 센서가 없는 현장에는 마키나락스 솔루션을 적용할 수 없겠네요.
A. 맞습니다. 고객사가 센서 데이터도 필요하다고 하면 저희 파트너사를 소개해서 그 데이터를 수집하는 작업을 먼저 할 수는 있어요. 저희가 자연스럽게 대기업과 중견기업 일을 많이 하게 된 이유 중 하나도 데이터 때문이기도 합니다. 대기업이 AI를 많이 활용하면 중소기업도 데이터 확보해 AI를 도입하려는 경우가 늘어납니다. 정부에서도 기업 대상으로 스마트팩토리 사업을 계속 하고 있죠. 저희가 가만히 있어도 데이터 인프라가 계속 갖춰지고 있습니다.
Q. 최근 강연에서 국내 기업의 AI 도입률이 9% 정도 낮다고 설명했습니다.
A. 그 이유는 여러 가지가 있다고 보는데요. AI가 잘 되려면 결국은 말씀 드린 세 가지 조건이 다 만족해야 합니다. 그런데 다 만족시키는 회사가 많이 없는 거죠.
Q. PoC(사업 검증)을 하다가 데이터나 인프라가 부족해서 사업 진행이 중단된 경우가 있나요.
A. 데이터 인프라가 부족해 중단하는 경우는 대부분 초반에 결정이 납니다. 중간에 중단 경우도 있긴 있습니다. 데이터가 있어서 해봤는데 데이터가 충분하지 않은 거예요. 그러면 AI 모델 성능이 안 나오는 거죠.
Q. AI 도입이 쉬운 업종이 있을 것 같습니다.
A. 특별히 그런 업종은 없습니다. AI로 비즈니스 가치를 높일 수 있는 기업이 AI 도입에 대한 열망이 강합니다. 업무 복잡도가 높은 곳이 그런 기업입니다. 반도체, 배터리, 자동차, 화학 등이요. 직물이나 의류 제조 등 복잡도가 낮은 곳에서 AI는 사람을 좀 대체하는 정도고요. 그런 기업 입장에서도 인건비 절감 정도로 생각합니다. 그런데 업무 복잡도가 높아지면 사람이 못하는 것을 AI가 하기 시작합니다. 센서 데이터로 파악한 1000개 정보를 사람이 볼 수는 있습니다. 하지만 한번에 보고 패턴을 파악할 수는 없습니다. 이런 고복잡도 영역에 AI를 적용하면 효과가 크죠.
Q. 사람이 할 수 있는 업무는 AI가 완전히 대체할 수 있을까요.
A. 저희가 바라보는 관점은 완전히 대체한다기 보다도 사람의 능력을 부스팅해주는 거죠. 사람이 하루에 볼 수 있는 데이터가 3개였다면 AI로 도움을 받아서 300개를 파악할 수 있는거죠. 이 사람의 생산성이 높아지는 겁니다.
Q. 회사 비전이 '산업 현장의 문제를 해결해 사람 본연의 일에 집중할 수 있게 만든다' 입니다. 여기서 본연의 일이 무엇인가요.
A. 본연의 일을 저희가 정의하지 않은 이유가 있습니다. 결국 그것을 사람이 찾아야 한다고 생각합니다.기계가 할 수 있는 일을 사람이 하지는 않을 거잖아요. 기계가 못하고 인공지능도 못하는 걸 사람이 하게 될 겁니다. 굉장히 창의적인 설계 업무가 될 수도 있고요. 그 무언가가 분명히 저희는 존재할 것이라고 믿고 있습니다. 그런 것들을 사람이 더 하게 만들 거라는 거죠.
A. 대기업도 그렇고 스타트업들이 ML옵스나 저희 제품에 관심을 많이 갖는 이유가 결국은 ML옵스가 있어야 비즈니스가 가능하기 때문입니다. 그런데 ML옵스 그 회사들의 본연의 일은 아니거든요. 처음부터 모든 기업이 그것을 다 만들 필요가 없어요. 돈과 시간을 많이 써야 되는 거죠. 사실 스타트업 같은 경우에는 저희 고객이 될 거라고 생각을 못했어요. 하지만 스타트업도 빨리 AI로 뭔가 비즈니스 사례를 만들어야 되잖아요. 스타트업은 자기만의 고유의 기술을 만드는 데 회사 역량을 집중해야죠. 생성형 AI를 만드는 기업도 저희 제품을 가져다 쓰기 시작했어요.
Q. 경쟁사가 있나요.
A. 있죠. 경쟁을 어떻게 보느냐에 따라 다를 텐데요. ML옵스는 AWS와 경쟁하고 있고요. 데이터이쿠 같은 엔터프라이즈 AI 회사도 국내 입찰에서 경쟁합니다.
Q. 마키나락스의 기술 수준은 어떤가요.
A. 기술 수준은 경쟁사와 유사하거나 더 잘한다고 보고 있는데요. AWS의 경우는 저희는 끝판왕이라고 부르고 있어요.
모든 게 다 있어요. 근데 이게 꼭 고객사에 좋은 거냐라고 하면 그렇지 않거든요.예를 들면 제가 저녁에 여자친구를 위해서 미역국을 끓여주려고 하는데. AWS는 백화점인 거예요. 유튜브에서 레시피를 찾아서 백화점에서 음식 재료를 사는 거죠. 그렇다면 저희는 밀키트와 같아요. 일 마치고 밀키드만 끓여주면 됩니다. 기능이 많고 광범위해도 기업에 모두 반드시 필요하지 않아요.
Q. 요즘 현안이 궁금합니다.
A. 두 가지 정도 있어요. 국내는 빨리 페네트레이션(제품 시장 침투율) 확대하는 거죠. 두 번째는 미국 등 글로벌 사업 확대입니다. 미국 지사가 있습니다만. 기존 고객사 유지 수준으로 운영하다가 작년에 ML옵스 제품 내놓고 이제는 정말 중원에 나가서 겨뤄봐야 겠다는 생각을 했습니다. Q. 구체적인 계획이 또 있나요.
A. 내년 상장 준비를 하고 있고요. 제가 개인적으로 생각했을 때 이상적이라고 생각하는 회사 중에 하나가 비바시스템이라는 회사예요. 바이오에 특화된 클라우드업체죠. 해당 분야에서 80%가 거기 제품을 써요. 클라우드도 범용에서 점점 산업 특화된 걸로 넘어가고 있거든요. ML옵스도 범용이긴 하지만 이상 탐지, 제어 최적화 등 사례를 만들면서 굉장히 특화된 AI 서비스가 될 겁니다. 제조 산업 영역의 비바시스템 같은 AI 회사를 만들고 싶어요.
김주완 기자 kjwan@hankyung.com