인공지능 사업 활성화, 주주 가치 향상 등에 역량 집중한다 “인공지능 분야 글로벌 리더로 자리매김할 것” 미디어젠이 지난달 27일 개최된 이사회에서 송민규 전 상무를 새로운 대표이사로 낙점했다. 송민규 대표이사는 지난 21년 동안 인공지능(AI) 스마트카, 음성인식(STT), 음성합성(TTS), 자연어 처리(NLP), 챗봇 등 각종 기술 영역에서 미디어젠의 성장을 이끌었다고 평가받는다. 최근에는 초거대 AI 데이터 구축 및 거대언어모델(LLM) 사업 전략을 총괄해왔다. 미디어젠은 송민규 신임 대표이사의 풍부한 경험과 혁신적인 리더십을 바탕으로 AI 기술의 상업적 활용과 더불어 사회적 기여도를 한층 끌어올릴 계획이다. 송 신임 대표는 “AI 기술을 활용한 사업 활성화와 주주 가치 향상을 목표를 달성해 AI 분야 글로벌 리더로 자리매김 할 것”이라고 소감을 전했다. 이어 “AI가 사회의 다양한 문제 해결에 기여할 수 있는 방안을 모색하겠다”고 부연했다. 헬로티 최재규 기자 |
유아이패스가 시장 조사 기관 IDC(International Data Corporation)가 최근 발표한 'IDC 마켓스케이프: 전 세계 지능형 문서 처리 2023-2024 업체 평가'에서 리더로 선정됐다고 12일 밝혔다. 이번 보고서는 광학 문자 인식(OCR), 컴퓨터 비전, 자연어 처리(NLP), 머신/딥 러닝과 같은 AI 기술을 활용해 정형, 반정형, 비정형 문서에서 정보를 분류하고 추출하는 방식을 평가했다. 보고서에 따르면 유아이패스는 AI 기반 자동화 플랫폼 분야에서 훌륭한 성과와 폭넓은 마켓 리더십을 기반으로 광범위한 자동화 워크플로우에 문서 처리 기술을 통합하려는 신규 및 기존 고객의 시장을 주도하기에 유리한 위치를 선점한 것으로 나타났다. 매트 아카로 IDC 컴퓨터 비전 AI 툴 및 기술 연구 프로그램 디렉터는 이 보고서에서 "유아이패스는 몇 년 만에 IDP 포트폴리오의 역량, 기능, 범위를 구축하고 확장하는 데에 있어 엄청난 진전을 이뤘다"고 평가했다. 이어 "유아이패스의 포트폴리오는 도큐먼트 언더스탠딩, 커뮤니케이션 마이닝, 비즈니스 오토메이션 플랫폼 등을 기반으로 점차 모듈식으로 통합되고 있다"며 "IDP에 대한 광범위한 테스트, 학습
오늘날 기업들은 수익성을 높여야 한다는 엄청난 압박을 받고 있으며, 생산성을 향상시키면서 비용을 절감하는 것이 그 무엇보다 중요해졌다. 맥킨지(McKinsey)가 최근에 진행한 연구 결과에 따르면, 생산성이 과거 수준으로 높아질 경우, 2030년에는 미국의 누적 GDP가 무려 10조 달러에 달할 수 있다고 한다. 로봇 프로세스 자동화(RPA) 2.0이 등장하면서, 기술이 이러한 목표 달성을 도울 수 있게 되었다. 인공지능(AI)과 머신러닝이 하나로 결합된, 이 지능적 솔루션은 더 복잡한 작업을 자동화하고, 효율성을 개선하면서 사업의 판도를 바꿔 놓고 있다. 그렇다면 RPA 2.0이란 정확히 무엇이며, 빠르게, 끊임없이 변화하고 있는 오늘날의 사업 환경에서 조직이 생산성과 복원력을 개선하는 데 어떠한 도움이 될까? RPA 2.0이란? 로봇 프로세스 자동화(RPA)는 사업 운영 방식에 큰 변화를 불러왔으며, 시간이 오래 걸리는 반복적인 작업을 자동화하여 운영을 간소화하고 비용을 절감시켜 준다. 그러나 A&D와 의료 같은 업계에서 엄격한 보안 요건의 충족과 효율성의 극대화가 중요해짐에 따라, 더 지능적이고신뢰할 수 있는 프로세스 자동화에 대한 필요성이 더욱
헬로티 김진희 기자 | 서울대학교 공과대학은 전병곤 컴퓨터공학부 교수팀이 마이크로소프트와 공동으로 전통적 머신러닝 파이프라인을 신경망(neural network)으로 변환해 최적화하는 프레임워크인 ‘WindTunnel’을 개발했다고 9일 밝혔다. 이번 성과는 전통적 머신러닝 기법과 최신 딥러닝 기법의 장점을 모두 취하는 핵심 기술로, 클릭률 예측 및 추천 시스템 등 다양한 실제 인공지능(AI) 응용에 활용될 것으로 예상된다. 딥러닝 기법이 컴퓨터 비전이나, 자연어 처리 등의 분야에서 효과적인 것으로 나타나 크게 주목받고 있다. 하지만 클릭률 예측이나, 추천 시스템 등의 인공지능 응용에서 사용되는 표 형식 데이터(tabular data)는 여전히 선형 모델(linear model)이나 GBDT(gradient boosting decision trees)와 같은 전통적 머신러닝 기법이 더 나은 성능을 보이는 경우가 많다. 전통적 머신러닝 기법을 사용할 때는 보통 여러 머신러닝 모델 및 데이터 변환 연산을 엮어 하나의 머신러닝 파이프라인을 구성하고, 학습 시에는 파이프라인을 구성하는 각 요소를 개별적으로 학습한 뒤 사용하게 된다. 전병곤 서울대 컴퓨터공학부 교수팀