많은 AI 투자의 결과는 여전히 불확실하지만, AI가 그 자체로 입증되고 있는 영역 중 하나는 인력 생산성입니다. 최근 하버드 경영대학원의 연구에 따르면 생성형 AI를 사용하면 근로자의 생산성이 훨씬 더 높은 것으로 나타났습니다.
실제로 Gen AI를 사용하는 작업자는 작업을 25% 더 빠르게 완료하고 더 높은 품질의 결과를 생성할 수 있습니다. 생성형 AI는 또한 경영진의 92%가 점점 더 중요해지고 있다고 말하는 "소프트 스킬"을 혁신하여 직원들이 업무를 더 잘하고 직장에서 더 행복하게 만들고 있습니다.
AI가 보다 효과적이고 창의적인 협업에서 리스킬링 및 업스킬링, 새로운 역할 충원에 이르기까지 조직에 가져다주는 생산성 이점은 기업의 중요한 차별화 요소임이 입증되고 있습니다. 또한 4149.AI, Arc53 및 Lavender와 같은 최신 AI 기반 작업 솔루션을 시장에 출시하는 스타트업에게도 엄청난 기회를 제공합니다.
그러나 Gen AI의 잠재력을 최대한 활용하려면 조직은 자체 데이터를 대규모 언어 모델(LLM)에 제공해야 합니다. 바로 이 지점에서 RAG(Retrieval-Augmented Generation)와 결합된 올바른 데이터베이스 솔루션을 통해 오래된 정보제공과 같은 LLM의 한계를 해결할 수 있습니다.
MongoDB의 최고 마케팅 및 전략 책임자인 Peder Ulander는 "직원 생산성은 Gen AI가 모든 형태와 규모의 조직에 즉각적인 영향을 미칠 수 있는 핵심 영역으로 부상했습니다. 독점적인 운영 데이터를 활용할 수 있는 능력은 Gen AI의 잠재력을 최대한 발휘할 수 있는 열쇠이며, MongoDB는 4149, Arc53 및 Lavender와 같은 미래 지향적인 스타트업이 일반적인 작업을 자동화하고 개인화하는 AI 기반 애플리케이션을 구축할 수 있도록 지원하게 된 것을 자랑스럽게 생각합니다."라고 말했습니다.
4149 : 당신을 지지하는 AI 팀원
4149의 공동 창립자이자 CEO인 아드리안 바친스키(Adrian Vatchinsky)는 "업무는 사람들이 함께 모여 일을 완수하는 방법에 관한 것이며, 생성형 AI는 사람들이 더 잘 협력할 수 있도록 도울 수 있는 놀라운 기회를 제공한다"고 말했습니다. "우리의 비전은 팀이 만나기로 예정된 사람과 회사에 대한 연구 보고서를 작성하는 것부터 팀이 미룰 수 있는 작업에 플래그를 지정하고, 심지어 그 주에 멋진 기여를 한 사람에게 감사를 표하는 것까지 작업을 향상시키는 AI 팀원과 함께 일함으로써 모든 팀이 목표를 초과 달성하는 것입니다."
이러한 비전을 달성하기 위해 4149 팀은 선제적 AI 에이전트를 구축했습니다. 사람이 작업을 할당하기를 기다리지 않고 해당 시점에 팀이 필요로 하는 것이 무엇인지 이해하여 작업을 할당하는 AI 에이전트입니다.
이 AI 팀원의 핵심은 반사 시스템입니다. 이 프로그래밍 기술을 통해 4149는 이메일 및 문서와 같은 항목을 요약할 수 있을 뿐만 아니라 실시간으로 액세스할 수 있는 모든 종류의 프로젝트에서 통찰력 있는 테이크아웃을 생성할 수 있습니다. OpenAI, Anthropic 및 곧 자체 호스팅 모델의 모델과 LLM을 포함하는 맞춤형 AI 에이전트 프레임워크를 사용합니다. 4149는 MongoDB와 Atlas Vector Search 기능을 플랫폼의 기본 데이터베이스 기술로 선택했는데, 이는 요구 사항에 완벽하게 부합했기 때문입니다.
플랫폼의 모델은 프로젝트 문서와 팀 상호 작용을 처리하고, 그 과정에서 반사, 작업 통찰력 및 관련 벡터 임베딩을 Atlas Vector Search에 수집합니다. 이러한 테이크아웃을 벡터 임베딩과 함께 동일한 데이터베이스에 저장하면 불필요한 데이터 중복을 제거할 수 있습니다. 이를 통해 데이터 액세스를 가속화하고 기술 스택을 단순화할 수 있습니다. 더 높은 계층의 인사이트는 Atlas에 저장되며, 이는 4149가 다음 움직임을 결정하는 데 사용하는 모멘텀 파이프라인을 구성합니다. 또한 질문-답변 쌍은 Atlas 상점에서 직접 가져오므로 각 4149 팀원의 두뇌 또는 기억 역할을 합니다.
Vatchinsky는 "Atlas에 저장된 리플렉션이 채팅 및 회의 요약이 아니라 구조화된 데이터라는 점을 감안할 때, 벡터 임베딩과 MongoDB의 풍부한 쿼리 프레임워크를 함께 사용하여 쿼리할 수 있다는 것은 생산성을 높이고 데이터 중복을 줄이는 데 도움이 되었습니다"라고 말합니다. "이제 우리의 초점은 인간 팀원이 4149 팀원과 수행하는 작업 및 상호 작용이 가능한 한 영향력 있고 의미 있는지 확인하는 것입니다."
DocsGPT : 개발자 문서가 쉬워졌습니다
AI 챔피언 Arc53이 개발한 DocsGPT는 개발자의 팔꿈치에 앉아 있는 유용한 챗봇 형태를 취하는 오픈 소스 문서 도우미입니다. 그 목표는 개발자가 회사의 지식창고를 기반으로 고객 서비스 챗봇 또는 자연어 인터페이스와 같은 최종 사용자 대화형 경험을 구축할 수 있도록 돕는 것입니다. 엔터프라이즈 조직을 위해 구축된 플랫폼에 구애받지 않는 엔드 투 엔드 오픈 소스 도구인 DocsGPT를 통해 개발자는 로컬 LLM을 사용하여 보안 및 개인 정보 보호를 강화하고 선택한 데이터 소스를 사용할 수 있습니다. 또한 사용자 정의가 가능하며 확장을 구축하고 기존 시스템에 통합하기 위한 간단한 API를 제공합니다.
Arc53은 DocsGPT의 주요 과제 중 하나인 벡터 인덱스를 빠르게 반복해야 하는 문제를 해결하기 위해 MongoDB로 눈을 돌렸습니다. 이를 위해서는 동일한 텍스트 데이터에 여러 벡터를 사용할 수 있도록 지원하는 도구가 필요하므로 서로 다른 임베딩에서 검색 품질을 평가할 수 있습니다. MongoDB는 이러한 기능을 제공할 수 있습니다. Gen AI 앱을 빠르고 저렴한 비용과 복잡성으로 구축하는 것이 중요합니다. 소스 데이터, 메타데이터 및 벡터 검색을 동기화하고 통합 플랫폼에서 단일 API를 통해 액세스할 수 있으면 이를 가능하게 합니다.
또한 MongoDB Atlas는 간단하고 유연하기 때문에 애플리케이션 계층의 스토리지에 사용합니다. 이를 통해 공구가 발전함에 따라 빠르게 적응할 수 있습니다. 구조에 관계없이 데이터를 저장하고, 대규모 데이터 세트로 확장하고, 개발자와 데이터 사이언티스트가 더 나은 AI 기반 솔루션을 더 빠르게 제공할 수 있도록 합니다.
Arc53의 공동 설립자인 Alex Tushynski는 "보수적으로 볼 때 사용자는 AI 지원 문서 챗봇을 사용할 때 생산성이 20% 증가했다고 보고했습니다. 정보 검색에서 최상의 결과를 얻으려면 벡터와 임베딩을 반복하는 것이 중요합니다. MongoDB의 벡터 검색은 이를 위해 필요한 리소스를 제공합니다."
Lavender : 실제로 결과를 얻을 수 있는 영업 이메일
라벤더의 CISO인 재러드 스미스(Jared Smith)는 "라벤더의 목표는 누구나 개인화되고 타겟팅이 더 나은 고품질 이메일을 더 빠르게 작성할 수 있도록 지원하고, 고객의 회신률을 높이고, 이메일을 보다 강력한 콜드 아웃리치 도구로 만드는 것"이라고 말합니다.
잘 만들어진 개인 이메일은 작성하는 데 15분에서 20분 정도 걸릴 수 있습니다. 라벤더의 도움으로 그 시간을 3분에서 5분으로 줄일 수 있습니다. 그러나 Lavender는 쓰기 프로세스를 자동화하는 것 이상을 수행합니다. OpenAI의 GPT LLM 및 ChatGPT를 사용하는 이 도구는 사용자와 협력하여 개인화된 이메일 카피를 생성하고, 헤드라인을 작성하고, 전문 용어를 제거하고, 문장을 단순화하고, 서식을 최적화하는 등의 작업을 수행하는 작문 코치 역할을 합니다. 또한 품질 향상을 돕기 위해 카피는 작성될 때 분석되고 점수가 매겨지며 일련의 성공적인 이메일 예에서 가져옵니다.
"매우 구조화되지 않은 이메일에서 신호 대 잡음비를 얻는 것이 우리가 잘하는 일입니다. 우리는 더 많은 수술을 하고 싶습니다. 당사는 귀하의 과거 데이터를 사용하고자 합니다. 실제로 사람들의 반응을 이끈 것은 무엇입니까? 그리고 미래와 함께 앞으로 나아가십시오. 참여도는 가장 중요한 지표이며, 응답률이 200%에서 300%까지 증가하는 것을 종종 볼 수 있습니다"라고 Smith는 언급했습니다.
이 플랫폼은 Google Cloud에서 실행되는 MongoDB Atlas를 기반으로 합니다. Lavender가 MongoDB를 선택한 이유는 문서 데이터 모델의 유연성 때문이었습니다. 이를 통해 Lavender는 긴 스키마 마이그레이션 없이 온디맨드 필드를 추가하고 모든 구조의 데이터를 저장할 수 있습니다. 따라서 지저분하고 구조화되지 않은 이메일에서 가져온 데이터를 추출하는 데 완벽한 엔진입니다.
"MongoDB는 관계형 데이터베이스가 허용하지 않거나 쉽게 수행할 수 없는 방식으로 비정형 데이터 세트에 구조를 제공하는 데 도움이 되었습니다. 데이터베이스에 있는 수십억 개의 레코드로 확장하는 데 엄청난 역할을 했습니다. 그리고 Atlas Vector Search를 통해 저장된 메타데이터에서 이러한 모든 이메일을 검색하고 훨씬 더 자연어 처리를 사용하여 훨씬 더 심층적이고 영향력 있는 인사이트를 도출하여 결과를 개선할 수 있었습니다."
LLM을 한 단계 끌어올리기
"MongoDB는 기본 벡터 검색 기능을 갖춘 유연한 문서 모델을 기반으로 합니다. 이를 통해 고객은 RAG 기반의 차세대 애플리케이션을 매우 쉽게 구축할 수 있습니다. 우리의 목표는 모든 조직이 데이터를 통해 혁신할 수 있도록 지원하는 것입니다. 4149, 라벤더, 아크53이 세대 AI를 사용해 팀이 보다 효율적으로 일할 수 있도록 지원하는 방법을 보는 것은 매우 흥미로운 일입니다."라고 몽고DB의 페더 울랜더(Peder Ulander)는 말했습니다.
실제로 4149, Lavender 및 Arc53은 독점 데이터의 효율적인 사용이 강력한 최신 LLM과 결합될 때 무엇이 가능한지 보여줍니다. 거의 모든 조직이 점점 더 많은 LLM에 액세스할 수 있지만, 자체 데이터에는 기업만 액세스할 수 있습니다.
MongoDB Atlas Vector Search와 같은 기능을 통해 기업은 RAG 아키텍처를 활용하여 최신 AI 애플리케이션이 보다 정확한 응답을 위해 상황에 맞는 최신 데이터를 제공하도록 할 수 있습니다. 또한 강력한 벡터 기능을 갖춘 올바른 데이터베이스를 선택하면 기업과 직원 모두 AI 투자를 최대한 활용할 수 있습니다.
시사점
혁신적인 AI 기능은 개발자의 작업 방식을 변화시키고 있으며, 개발자는 세상이 돌아가는 방식을 변화시키는 혁신적인 AI 애플리케이션을 만들고 있습니다. 그러나 모든 것은 데이터를 최대한 활용하는 데 달려 있습니다.
이상의 기사는 2024년 7월 2일 VentureBeat에 게재된 “How next-gen AI technology is transforming daily work for employees”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문정보 출처 : How next-gen AI technology is transforming daily work for employees | VentureBeat
저작권자 ⓒ 창조아고라, 무단 전재 및 재배포 금지