[아웃소싱타임스 김민수 기자] 최근 몇 년간, 머신러닝(Machine Learning) 기술이 급격히 발전하면서 다양한 산업 분야에서 이를 활용한 아웃소싱 서비스가 확산되고 있다. 

머신러닝(Machine Learning)은 인공지능(AI)의 한 분야로, 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 학습하고 예측하거나 결정을 내리는 기술을 의미한다. 

머신러닝은 패턴 인식, 통계적 추론, 데이터 마이닝 등의 개념을 기반으로 하며, 다양한 알고리즘을 사용하여 데이터를 분석하고 의미 있는 결과를 도출해준다. 이번호에서는 머신러닝을 이용한 아웃소싱 서비스 확대 사례 등을 알아본다.

■주요 머신러닝 기술
머신러닝에는 여러 가지 기술과 알고리즘이 있으며, 각기 다른 목적과 데이터 유형에 맞게 사용된다. 다음은 주요 머신러닝 기술과 그 응용 사례들이다.

1. 지도학습(Supervised Learning)
지도학습은 레이블이 있는 데이터를 사용하여 모델을 학습시키는 방법이다. 이 방법은 예측 모델을 만드는 데 주로 사용되며, 예를 들어 스팸 메일 필터링, 이미지 분류, 신용 점수 예측 등에 활용된다.

2. 비지도학습(Unsupervised Learning)
비지도학습은 레이블이 없는 데이터를 분석하여 데이터의 구조를 파악하는 방법이다. 주로 클러스터링이나 차원 축소와 같은 문제를 해결하는 데 사용된다. 예를 들어, 고객 세분화, 이상 탐지, 데이터 시각화 등이 있다​.

3. 강화학습(Reinforcement Learning)
강화학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 학습하는 방법이다. 이 방법은 주로 로봇 공학, 게임 AI, 자율주행차 등에 활용된다.

4. 딥러닝(Deep Learning)
딥러닝은 다층 신경망을 사용하여 복잡한 데이터 패턴을 학습하는 방법이다. 이는 이미지 인식, 음성 인식, 자연어 처리 등에서 높은 성능을 보이며, 자율주행차, 의료 영상 분석, 번역 서비스 등에 활용된다.

5. 클러스터링(Clustering)
클러스터링은 비지도학습의 한 방법으로, 데이터 포인트들을 유사한 특성을 가진 그룹으로 묶는 기술이다. 이를 통해 고객 세분화, 문서 분류, 이미지 군집화 등의 작업을 수행할 수 있다.

6. 의사결정트리(Decision Trees)
의사결정트리는 데이터를 분할하여 결정 규칙을 생성하는 알고리즘이다. 이는 분류 및 회귀 문제를 해결하는 데 사용되며, 의료 진단, 금융 분석 등에 활용된다.

■머신러닝 기술을 활용한 아웃소싱 서비스 사례
최근 머신러닝 기술이 발전하면서 다양한 아웃소싱 서비스가 등장하고 있다. 다음은 주요 사례들이다.

1. 인사 관리 및 채용
인공지능을 활용한 인재 검색과 채용 프로세스의 최적화는 현재 주요 아웃소싱 서비스 중 하나로 자리잡고 있다. 이 기술은 기업들이 적합한 인재를 보다 신속하고 정확하게 찾을 수 있도록 도와준다. 

LG전자는 AI를 활용한 채용 프로세스를 통해 채용 절차의 효율성을 극대화하고 있다. LG전자는 지원자의 이력서를 분석하고, 이를 기반으로 적합한 인재를 신속하게 찾기 위해 AI 기술을 도입했다. 

특히, AI 면접 시스템을 도입하여 지원자의 답변을 분석하고, 이를 통해 지원자의 역량과 성향을 평가한다. 이 시스템은 지원자의 표정, 음성 톤, 언어 사용 등을 종합적으로 분석하여 대인 관계 능력, 문제 해결 능력 등을 평가한다.

또한, LG전자는 SW코딩테스트와 AI 면접을 통해 지원자의 전공적 역량을 평가하고, 최종 서류 전형과 면접 전형을 통해 종합적인 평가를 진행하고 있다. 이를 통해 채용 과정의 공정성과 효율성을 높이고 있다.

삼성전자도 AI를 활용하여 인재 채용의 효율성을 높이고 있다. 삼성전자는 지원자의 이력서와 자소서를 AI로 분석하여 적합한 인재를 선별한다. AI 시스템은 지원자의 학력, 경력, 스킬 등을 분석하고, 이를 기반으로 채용 담당자에게 최적의 후보자를 추천한다.

AI 기반 인재 검색 및 이력서 분석
AI를 활용한 인재 검색 시스템은 많은 데이터를 빠르게 분석하여 적합한 후보자를 찾는 데 탁월한 성능을 보인다. 예를 들어, 글로벌 IT 기업인 IBM은 Watson Recruitment라는 AI 기반 채용 도구를 사용하고 있다. 

이 도구는 수천 개의 이력서를 분석하여 채용 담당자가 필요로 하는 특정 기술과 경험을 가진 후보자를 신속하게 찾아낸다. 이를 통해 IBM은 채용 시간과 비용을 크게 절감할 수 있었다​.

채용 프로세스의 자동화
채용 프로세스의 효율성을 극대화하기 위해 AI를 활용한 사례로는 유니레버의 사례를 들 수 있다. Unilever는 Pymetrics라는 AI 기반 플랫폼을 도입하여 채용 프로세스를 자동화했다. 

이 플랫폼은 후보자의 게임 플레이 데이터를 분석하여 인지 능력과 성격 특성을 평가하고, 이를 바탕으로 가장 적합한 후보자를 선별한다. 이 과정은 면접 과정을 간소화하고, 편견 없이 공정하게 평가할 수 있도록 도와준다. 결과적으로 유니레버는 채용 과정의 시간을 절반으로 줄이고, 다양성과 포용성을 강화할 수 있었다.

대규모 채용의 효율화
대규모 채용이 필요한 경우, AI 기반 채용 시스템은 특히 큰 도움이 된다. 예를 들어, 글로벌 콜센터 운영 업체인 Concentrix는 매년 수천 명의 직원 채용을 위해 AI 기반 채용 도구를 사용하고 있다. 

이 도구는 수많은 지원자의 이력서를 빠르게 분석하고, 적합한 후보자를 선별하여 채용 담당자에게 추천한다. 이를 통해 Concentrix는 채용 속도를 크게 높이고, 채용 과정에서의 오류를 최소화할 수 있었다.

맞춤형 채용 솔루션
AI 기반의 채용 시스템은 기업의 특정 요구에 맞춘 맞춤형 채용 솔루션을 제공할 수 있다. 예를 들어, HireVue((https://www.hirevue.com/))는 비디오 인터뷰와 AI 분석을 결합하여 후보자의 인터뷰 영상을 분석하고, 그들의 언어 사용, 표정, 음성 톤 등을 평가하여 인재를 선별한다. 이 기술은 기업이 더욱 깊이 있는 평가를 통해 최적의 인재를 찾을 수 있도록 돕는다​ 

2. 제조 및 물류
제조업과 물류 분야에서는 AI와 로봇 기술을 활용해 생산 및 물류 과정을 자동화하고 있다. 이는 생산 효율성을 극대화하고 불필요한 인력 낭비를 줄여주는 역할을 하고 있다. 

제조업에서의 AI 및 로봇 기술 활용
국내 제조업체들은 AI와 로봇 기술을 적극적으로 도입하여 생산 공정을 최적화하고 있다. 대표적인 사례로는 삼성전자의 스마트 팩토리를 들 수 있다. 

삼성전자는 AI 기반의 예측 유지보수 시스템을 도입하여 기계의 고장을 사전에 예측하고, 이를 통해 생산 라인의 가동 중단 시간을 최소화하고 있다. 또한, 로봇을 활용한 자동화 시스템을 통해 제품의 조립, 검사, 포장 등의 과정을 효율적으로 처리하고 있다. 이러한 기술 도입은 생산성 향상과 비용 절감에 큰 기여를 하고 있다.​ 

물류에서의 AI 및 로봇 기술 활용
국내 물류 기업들도 AI와 로봇 기술을 활용하여 물류 경로 최적화와 창고 관리 자동화를 실현하고 있다. CJ대한통운은 'TES 물류센터'에 AI와 빅데이터를 기반으로 한 물류 최적화 시스템을 도입했다. 

이 시스템은 실시간으로 물류 데이터를 분석하여 최적의 물류 경로를 제시하고, 창고 내의 로봇을 통해 자동으로 상품을 분류하고 이동시키는 작업을 수행한다. 이를 통해 CJ대한통운은 물류 시간과 비용을 크게 절감하고, 효율성을 극대화하고 있다.

또한, 티라로보틱스는 자율주행 물류 로봇(AMR)을 개발하여 물류 센터 내에서 상품의 이동과 분류를 자동화하고 있다. 이 로봇은 실시간으로 경로를 계획하고 장애물을 피하며 작업을 수행한다. 

티라로보틱스의 자율주행 로봇은 LG전자 등 여러 대기업의 물류센터에 도입되어 물류 작업의 효율성을 높이고 있다. 이러한 자율주행 로봇은 특히 노동력 부족 문제를 해결하는 데 큰 도움이 되고 있다​.

3. 고객 서비스
AI 챗봇과 음성 인식 기술을 활용한 고객 서비스는 이미 여러 기업에서 도입하고 있는 대표적인 AI 기반 아웃소싱 서비스다. 많은 은행과 금융사들이 AI 챗봇을 활용해 고객 문의에 실시간으로 응답하고 있으며, 이는 고객 만족도를 크게 향상시키고 있다. 국내 주요 사례를 통해 구체적으로 살펴보자.

KB국민카드의 BELLA QNA
KB국민카드는 스켈터랩스의 BELLA QNA를 도입하여 고객 서비스의 질을 크게 향상시켰다. 이 AI 챗봇은 수백 가지의 이벤트 정보를 실시간으로 제공하며, 고객의 문의에 신속하게 답변한다. 이를 통해 고객의 불편 사항을 즉각 해결하고 이벤트 참여율을 높였다. 

BELLA QNA는 자연스러운 대화를 통해 고객에게 맞춤형 정보를 제공하며, 복잡한 용어를 사용하지 않고 쉽게 이해할 수 있는 방식으로 소통한다.​

롯데카드의 로카
롯데카드는 SAS의 인공지능 기반 텍스트 분석 기술을 활용한 챗봇 '로카'를 운영 중이다. 로카는 개인정보 변경, 즉시 결제, 카드 및 금융 서비스 신청 등 다양한 주요 업무를 처리하며, FAQ, 이메일, 채팅 등 다양한 소스로부터 데이터를 수집하고 분석한다. 

SAS의 셀프 러닝 기능을 통해 대화 내용을 지속적으로 학습하여 성능을 개선하고, 고객 맞춤형 마케팅 프로그램을 강화하고 있다​.

분당서울대병원의 AIQ+ Speech
분당서울대병원은 스켈터랩스의 AIQ+ Speech를 도입하여 콜센터의 업무 효율성을 높였다. 이 시스템은 음성을 실시간으로 텍스트로 변환하여 상담원이 통화 내용을 수동으로 기록하는 시간을 절약하게 해준다. 

또한 자동화된 시스템은 상담 기록의 정확성을 향상시키며, 환자에게 신속하고 정확한 정보를 제공해 만족도를 높인다. AIQ+ Speech는 의료진이 필요한 정보를 쉽게 찾을 수 있도록 도와 전반적인 의료 서비스의 질을 높이는 데 기여하고 있다.

카카오뱅크의 AI 활용
카카오뱅크는 고객 맞춤형 서비스를 제공하기 위해 다양한 AI 기술을 도입하고 있다. 이 은행은 챗봇을 통해 고객의 문의를 신속하게 처리하며, 계좌 이체 및 금융 상품 안내 등 다양한 서비스를 자동화했다. 이를 통해 카카오뱅크는 고객 서비스의 질을 높이고, 운영 비용을 절감했다​.

4. 데이터 분석 및 패턴 인식
머신러닝 기술은 대규모 데이터를 분석하고 유의미한 패턴을 인식하는 데 탁월한 능력을 보인다. 예를 들어, 금융 분야에서는 AI 기반 데이터 분석을 통해 투자 전략을 수립하거나 신용카드 회사가 고객의 카드 사용 데이터를 분석해 맞춤형 서비스를 제공하고 있다.​ 

KB국민은행
KB국민은행은 AI 기술을 활용하여 고객 맞춤형 서비스를 제공하고 있다. KB국민은행의 금융AI센터는 자연어 처리(NLP) 기술을 사용하여 고객의 카드 사용 데이터를 분석하고 맞춤형 서비스를 제공하는 데 중점을 두고 있다. 

예를 들어, KB-STA라는 이름의 NLP 모델을 통해 고객의 질문을 이해하고 관련성 높은 답변을 제공하는 내부 검색 서비스 '원큽(One KB)'을 운영하고 있다. 또한, AI 챗봇을 통해 고객 문의에 실시간으로 응답하고 있으며, AI 금융비서를 도입하여 고객의 금융 생활을 보조하고 있다.

신한은행
신한은행은 AI 기반의 지식 상담 시스템을 도입하여 직원들이 고객 응대 시 더 나은 서비스를 제공할 수 있도록 지원하고 있다. 이 시스템은 직원들이 질문에 빠르고 정확하게 답변할 수 있도록 도와주며, 이를 통해 고객 만족도를 높이고 있다. 또한, 신한은행은 다양한 국내외 기업들과 협력하여 AI 기반 금융 서비스를 개발하고 있다​.

하나은행
하나은행은 자체 금융 특화 버티컬 거대 언어 모델(vLLM)을 개발하여 모바일 AI 뱅커 서비스에 적용하고 있다. 이를 통해 고객 맞춤형 금융 서비스를 제공하고 있으며, AI 기술을 활용해 고객의 금융 거래 데이터를 분석하여 최적의 투자 전략을 제안하고 있다. 하나금융융합기술원은 AI 기술을 통해 고객의 요구에 맞춘 개인화된 서비스를 제공하는 데 중점을 두고 있다​.

5. 보안 강화
사이버 보안 분야에서도 머신러닝 기술이 적극 활용되고 있다. AI를 통해 악성 코드를 탐지하고, 보안 강화를 위한 조치를 취하는 것이 가능하다. 이는 기업들이 자체적으로 보안을 관리하기 어려운 상황에서 전문 보안 업체에 아웃소싱하여 더욱 안전한 보안 체계를 구축할 수 있게 하기 때문이다.

삼성SDS
삼성SDS는 AI를 활용하여 다양한 사이버 보안 위협에 대응하고 있다. 이 회사는 AI 기반 보안 위협을 주요 화두로 삼고, 클라우드 네이티브 환경을 보호하는 통합 보안 플랫폼(CNAPP)을 도입해 클라우드 위협을 사전에 탐지하고 있다. 

또한, 데이터 유출을 방지하기 위해 민감 정보를 탐지하고 차단하는 AI 필터링 기능을 제공하고 있다. 이와 함께 제로 트러스트 보안 모델을 적용해 사용자 인증 후에만 시스템과 데이터에 접근할 수 있도록 하여 보안 강화를 도모하고 있다.​

이스트시큐리티
이스트시큐리티는 AI 기술을 활용한 사이버 보안 제품을 개발하고 있으며, 정부와 협력하여 48억원의 지원을 받아 다양한 보안 솔루션을 제공하고 있다. 이 회사는 제로데이 취약점을 악용한 SW 공급망 공격, 생성형 AI를 악용한 공격 등 복잡한 사이버 위협에 대응하기 위해 AI 기반 보안 기술을 지속적으로 발전시키고 있다. 

특히, AI를 통해 사이버 공격을 자동으로 탐지, 분석, 차단하는 TI(Threat Intelligence) 기술을 활용해 보안 운영을 자동화하고 있다.

SK쉴더스
SK쉴더스는 AI 기반 보안 위협을 주요 대응 전략으로 삼고 있으며, 2024년 주요 보안 위협 전망을 발표했다. 이 회사는 클라우드 보안, 보안 운영 자동화, IT-OT 융합 보안 등의 분야에서 AI 기술을 적용해 보안 체계를 강화하고 있다. 

SK쉴더스는 특히 클라우드 네이티브 보안(CNAPP)과 제로 트러스트 보안 모델을 통해 기업의 디지털 전환 과정에서 발생할 수 있는 다양한 보안 위협을 선제적으로 대응하고 있다.

이처럼 머신러닝 기술을 활용한 아웃소싱 서비스는 앞으로도 의료, 제조, 소매 및 유통 분야 등 다양한 분야에서 그 적용 범위가 확장될 것으로 예상된다. 이를 통해 기업들은 더 나은 서비스를 제공받고, 시장에서의 경쟁력을 한층 더 강화할 수 있을 것이다.

경기대학교 경영학부 이대성 교수는 "머신러닝 기술은 아웃소싱 서비스의 효율성과 정확성을 크게 향상시키고 있다. 특히 금융 분야에서는 AI를 활용해 투자 전략을 수립하고, 고객의 신용 위험을 평가하는 데 큰 도움이 된다. 또한, 인사 관리와 채용 과정에서도 AI를 통해 이력서를 분석하고 적합한 인재를 신속하게 찾을 수 있다."고 머신러닝 기술이 아웃소싱 서비스에 미치는 영향에 대해 분석했다.

이어 그는 "머신러닝 기술은 앞으로도 다양한 분야에서 아웃소싱 서비스의 적용 범위를 확장할 것이다. 특히, 제조업, 의료, 소매 및 유통, 사이버 보안 등 여러 산업에서 머신러닝의 도입이 가속화될 것으로 예상된다. 예를 들어, 제조업에서는 생산 공정의 자동화와 예측 유지보수에, 의료 분야에서는 진단 지원과 환자 모니터링에 활용될 수 있다. 이러한 기술들은 각 산업의 효율성을 크게 향상시키고 비용 절감에 기여할 것"이라고 강조했다.