[문서중앙화 솔루션에 AI 적용하기]

① 기업의 문서관리와 활용이란 측면에서 AI는 게임 체인저로 인식됨.

② 문서중앙화 솔루션 도입 후에도 사람의 몫으로 남아 있는 문서 분류, 태깅 작업 및 권한 관리 등 많은 수작업을 자동화하고 업무 정확도를 높이는 방법으로 AI를 활용 가능.

③ AI 도입을 위해 AI도입 목표 정의, AI 기능 도출, 데이터 품질 확보, AI도입 성과 측정 및 모니터링/개선의 단계별 작업 권고.

④ AI 알고리즘과 성능은 데이터 품질에 크게 의존하기 때문에 데이터 품질을 보장하는 작업이 필요.

메타넷디엘 SOLME 같은 문서중앙화 솔루션은 정보의 체계적 관리, 검색 및 활용을 위한 필수 도구로써 기업의 업무 효율을 크게 높여줍니다. 그러나, 솔루션을 도입해도 문서 수집, 분류와 메타데이터 관리, 보안 및 접근 권한 관리 등 일상의 많은 업무는 여전히 사람의 몫으로 남습니다.

​

‘AI를 이용한 기업의 정보관리 업그레이드’ 내용처럼 AI는 수작업 자동화, 지능형 분류와 지능형 검색 등을 통해 직원의 단순 업무를 줄여주고 업무 효율을 두 단계 높일 수 있죠. 오늘은 이런 재능을 가진 AI를 문서중앙화에 적용하는 방법을 살펴보겠습니다.

하나. AI 적용 목표 정의

가장 먼저 필요한 일은 AI로 해결하고 싶은 회사 차원의 과제와 목표 정리입니다. 아래는 사용 고객들이 말하는 문서중앙화 시스템의 일반적 어려움입니다. 즉, AI 활용으로 바로 효과를 얻을 수 있는 영역들이죠:

​

• 수작업 문서 분류/태그 설정: 대량 문서의 수작업 분류는 참 어렵고 오류 발생도 빈번합니다. AI 서비스가 큰 성과를 낼 수 있는 업무 영역입니다.

• 이미지 문서 처리: 스캔 문서 및 이미지 자료 등 비정형 정보의 빠른 증가는 업무 효율 저하와 비용 증가로 이어집니다.

• 외국어 문서 번역: 업무 특성상 외국어 문서를 다룰 일이 많다면 당연히 업무 효율과 비용 이슈가 발생할 가능성이 많습니다.

• 효율이 낮은 검색: 적으면 4, 5백 개씩 검색 결과를 제공하는 전통적 검색은 효율은 낮으면서 많은 시간을 낭비하는 만드는 원인입니다.

• 정보 보안과 규정 준수: 사람이 전사 문서에 대해 일관된 보안 정책을 유지하고 변경 사항을 신속하고 정확히 반영하는 작업은 상당히 힘듭니다. 이런 대량의 반복 업무에 있어 AI 만한 방법이 없습니다.

둘. 필요한 AI 기능 분석

AI 과제와 목표가 정의되면 이를 토대로 AI 기능을 도출하는 단계로 넘어갑니다. 예를 들어, 스캔 문서 증가로 인한 인건비 급등을 막는 것이 목표라면 AI 기반 OCR 기술을 1차 후보로 정하는 것이죠.

​

• 수작업 자동화: 문서 처리 과정 곳곳에 숨어 있는 수작업의 자동화가 목표라면 RPA (Robotic Process Automation) 및 Microsoft 365 서비스인 Power Automation 등을 이용할 수 있습니다.

• 광학 문자 인식(OCR): AI OCR은 이미지나 스캔 문서에서 텍스트를 추출해 저장한 다음 검색할 수 있는 기능을 제공하죠. Microsoft Azure AI Vision, Google Cloud AI, Upstage 및 다양한 국내 업체 솔루션 이용이 가능합니다.

• 문서 분류 및 태그 지정: AI가 문서 내용을 분석해 자동 분류함으로써 수작업을 없애고 검색 가능성을 높여줍니다. IBM Watson Knowledge Studio, MS Azure AI Language 및 Amazon Textract 등의 서비스를 이용할 수 있습니다.

• 문서 내용 요약: 문서 내용을 요약해 보여주는 것도 많은 사용자가 바라는 기능이죠. MS Azure AI Language, AWS Comprehend 등의 상용 서비스가 가능합니다.

• 고급 검색: 자연어 처리(NLP) 검색 기능을 강화해 사용자가 쉽고 정확하게 문서를 찾는데도 AI가 뛰어납니다. Elastic 및 MS Azure AI Search 등이 잘 알려져 있습니다.

셋. 데이터 품질 확보

업무 목표에 적합한 상용 AI 서비스를 활용하더라도 AI가 이용할 데이터는 여러분의 몫입니다. 잘 알려진 것처럼 AI 알고리즘과 성능은 데이터 품질에 크게 의존하기 때문이죠. 처음에는 데이터 준비 작업이 쉽지 않지만 한두 번 경험하면 금세 익숙해집니다. 고려할 사항은 다음과 같습니다:

​

• 데이터 완전성: 데이터 완전성은 정확한 라벨링, 데이터 중복과 누락 제거 및 데이터가 특정 클래스에 몰려 있는 밸런싱 문제 최소화 등을 의미합니다.

• 데이터 일관성: 누가 작업하든 동일한 결과를 얻기 위해서는 문서중앙화의 문서 형식과 용어 표준화 등 일관성 보장이 중요합니다.

• 데이터 커버리지: 업무에서 처리할 다양한 데이터와 사례를 가능한 많이 확보해야 합니다.

• 데이터 편향성: AI는 데이터가 알려준 대로 결과를 제공하기 때문에 데이터가 왜곡되거나 편향되어 있으면 잘못된 결과를 제공하게 됩니다. 이를 막기 위해 데이터 필터링을 강화하고 데이터를 고르게 만드는 작업이 필요합니다.

• 데이터 라벨링: AI 학습 목표에 맞춘 데이터 라벨링이 필요합니다.

• IT 인프라 성능: 클라우드가 아닌 자산 데이터센터에서 운영한다면 IT 인프라의 성능 검토도 필요합니다. 익히 알려진 것처럼 AI 학습과 운영에는 많은 컴퓨팅 자원이 필요합니다.

데이터 품질을 높이려면 위 작업과 더불어 데이터 수집 절차 표준화, 데이터 형식 표준화 및 데이터 유효성 검사 규칙 구현 그리고 품질 문제 해결을 위한 데이터 정리 프로세스가 필요합니다.

​

그다음으로 데이터 거버넌스 체계를 점검해야 합니다. 현재 잘 돌아간다면 상관없지만 그렇지 않다면 이번 기회에 정리하는 것을 추천합니다. AI 이용을 위한 데이터 거버넌스에는 데이터 소유권 및 책임, 데이터 접근 제어 및 데이터 라이프사이클 관리 등이 포함됩니다.

​

AI 정착을 위해서는 변화관리(사용자 교육과 행동 변화 등)도 중요합니다. 담당자 대상의 데이터 입력과 처리 방법, 품질 확보 방법 등에 대한 교육 및 캠페인 그리고 활성화 등도 추천합니다.

​

넷. AI도입 성과 측정

문서중앙화 시스템에 AI 적용을 위해 많은 자원과 노력이 투입된다면 당연히 그에 따른 성과 모니터링과 측정이 필요하겠죠. 시험적으로 작게 시작했더라도 향후 확산을 위해 중요합니다. 성과 측정에는 다음 항목을 이용할 수 있습니다:

​

• 수작업 및 중복 작업 제거 효과

• 문서 검색에 소요되는 평균 시간 비교

• 업무 효율성 및 생산성 비교

• 사용자 만족도 및 편의성 비교

• 문서 보안 수준 비교 (기밀문서 유출 건수)

• 비용 절감 및 ROI 효과 등

​

다섯. 모니터링 & 개선

무슨 일이든지 첫 술에 배부르기는 힘들죠. 대부분 기업에게 AI 적용은 처음이기 때문에 다양한 시행착오를 거칠 가능성이 큽니다. 이를 최소화하고 빠르게 정착시키는 좋은 방법이 지속적 모니터링과 개선입니다.

​

“AI는 사람을 대체하는 것이 아니라, AI를 활용하는 사람이 활용하지 못하는 사람을 대체한다!"라는 말이 파장을 일으키고 있죠. 비슷한 맥락으로 AI가 문서중앙화 솔루션을 대체하지만 않지만 활용과 가치를 크게 높여주는 도구입니다. 따라서 같은 문서중앙화 시스템을 사용하더라도 AI 활용 여부가 기업의 정보관리 수준과 활용 그리고 그 결과물인 업무 생산성에 큰 차이를 가져올 것은 분명합니다.

기업의 모든 정보자산화를 위한 통합 솔루션

solme@metanet.co.kr

www.solmecloud.com