전문가 컬럼 물류신문 Part4. 중소·중견 기업에게 AI는 ‘기울어진 운동장’

데이터의 양과 질을 보장할 수 있는 방안 모색 시급

(출처: 물류신문)

AI의 성능은 데이터의 양과 질에 의해 결정된다. 때문에 데이터의 편차는 그 자체로도 기업의 경쟁력 약화를 가져온다. 데이터의 양과 질, 모두 규모가 큰 기업이 우위에 있을 수밖에 없다. 때문에 AI에 있어서는 중소, 중견 기업은 이미 기울어진 운동장에 서있는 상황이다. 이러한 격차를 해소하고 산업 전체의 AI활용도를 높일 수 있는 방안의 모색이 시급하다는 지적이 나온다. 전문가들은 이러한 불균형을 해소하기 위해서 데이터 공유 인프라 구축 및 표준화, 중소·중견기업 맞춤형 전략 및 정부지원이 필요하다고 입을 모으고 있다. 이준호 LG CNS 스마트물류 사업부장은 “물류 과정에서 발생하는 모든 데이터를 체계적으로 수집·저장·정제·분석할 수 있는 인프라 구축이 필요하다. 대규모 투자가 필요한 이러한 인프라를 중소·중견 기업이 직접 확보하는 것은 현실적으로 어렵다”고 지적했다.

국가 단위 공동 물류데이터허브 모델 필요

전문가들은 멀지 않은 미래에 기본 전제가 될 AI기술에 대해 기업간 편차를 해소하지 못하면 AI기술은 일부 기업의 전유물이 됨과 동시에 산업 전체의 미치는 영향은 부정적이고 제한적 일 수밖에 없다고 조언하고 있다. 즉, 대기업과 중소·중견기업 간의 데이터 양과 질의 차이를 해소해야 건강한 AI생태계가 만들어진다는 의미이다. 전문가들은 이러한 문제를 해소하기 위한 방안으로 개별기업이 수집한 데이터를 상호 교환하고 AI학습용 데이터셋을 공동으로 구축하는 국가 단위의 공동 물류데이터 허브 모델이 필요하다고 설명하고 있다. 이태훈 씨스존 연구소장은 “OECD AI Policy Observatory(2023)는 데이터 접근권의 불균형이 중소기업의 AI 활용을 가장 크게 제한한다고 지적하며 정부·산업·학계가 함께 참여하는 공공-민간 데이터 허브 모델을 제안했다”며 “물류산업에서도 국가 단위의 공동 물류데이터 허브(Logistics Data Hub)가 필요하다. 이를 통해 개별 기업이 수집하기 어려운 운송·물류량·시설자원 데이터를 상호 교환하고, AI 학습용 데이터셋을 공동으로 구축해야 한다”고 강조했다. 이준호 LG CNS 스마트물류 사업부장 또한 “데이터 격차를 해소하기 위한 방법으로 생각해 볼 수 있는 것은 정부나 산업 단체 주도로 표준 데이터 셋을 정의하고 이에 따라 수집된 데이터를 모두가 공유할 수 있는 공동 데이터 플랫폼을 구축하는 것”이라고 설명했다. 이를 위해 표준기반 데이터 체계정비가 필요할 것으로 보인다. 기업마다 다른 데이터 구조와 관리 체계로는 공동 물류데이터 허브를 만들 수 없기 때문이다. 권민오 로지스올시스템즈 대표는 “산업별로 분절된 물류정보를 GS1 표준 기반으로 통합하여 기업 규모와 관계없이 동일한 데이터 언어로 연결될 수 있도록 해야 한다”며 “이를 통해 중소 물류기업도 대기업과 동일한 데이터 형식으로 AI 분석·예측 모델에 참여할 수 있으며 데이터 접근권의 형평성이 확보된다”고 설명했다. 이어 그는 “결국 공동의 데이터 인프라를 기반으로 한 협업형 AI 네트워크(Collaborative AI Network) 가 AI 격차를 해소하는 가장 현실적 해법”이라고 덧붙였다. 이러한 해결책과 비슷하지만 대형기업, 정부, 산업 컨소시엄이 나서야 한다는 의견도 있다. 산제이 샤르마(Sanjay Sharma) 데클라 CEO는 “대형기업, 정부, 산업 컨소시엄이 공유 데이터와 AI유틸리티를 만들어 중소·중견 기업이 큰 비용을 들이지 않고도 고품질 AI에 접근할 수 있도록 해야 한다”며 “클라우드 기반 물류 AI 솔루션을 종량제로 제공하면 중소·중견 기업도 예측 ETA, 이상탐지, 수요 예측 등을 큰 초기 투자비용 없이 활용할 수 있다”고 조언했다. 그 외에도 데이터 거래 시장을 활성화하여 중소·중견기업도 필요한 데이터를 쉽게 구매할 수 있도록 하는 방법도 있다. 하지만 것은 모두 정부 주도의 정책적 지원이 있어야 가능한 것으로 중소기업을 위한 맞춤형 지원 정책 확대가 필요하다. 최용덕 니어솔루션 상무는 “중소·중견 물류기업은 전문 인력과 예산의 제약이 크기 때문에 정부 차원에서 데이터 표준화, 공용 AI 학습 인프라, SaaS형 AI 바우처 지원이 병행돼야 한다”며 “AI 도입의 핵심은 기술이 아니라, 준비된 데이터 생태계와 제도적 지원 인프라”라고 강조했다.

기업에 맞는 AI 선택도 필요

AI의 유형에 따라서 중소·중견기업이 유리한 부분도 있다는 의견도 있다. 송상화 인천대학교 동북아물류대학원 원장은 “AI의 유형에 따라 다른 양상을 보일 것으로 예상된다. 흥미롭게도 거대언어모델 기반의 AI 활용에서는 오히려 중소·중견기업이 더 유리한 위치를 점할 수 있다. 대기업의 경우 복잡한 내부 규정과 엄격한 데이터 보안 정책으로 인해 외부 AI 서비스 활용에 제약이 많은 반면, 중소기업은 이러한 제도적 부담이 상대적으로 적어 더욱 신속하고 유연하게 AI 기술을 도입하고 실험할 수 있다”며 “기존의 기술 격차 패러다임과는 정반대의 현상으로 중소기업에게는 새로운 기회가 될 수 있다”고 조언했다. 물류산업에 특화되어 있는 AI의 경우는 대규모 투자가 필요하기 때문에 중소·중견기업이 감당하기 어렵다는 것에는 동의하고 있다. 다만 전략의 변경을 통해 합리적인 선택이 필요하다는 의견이다. 그는 “산업 특화형 AI의 경우는 상황이 완전히 다르다”며 “물류창고 자동화 시스템이나 휴머노이드 로봇과 같은 첨단 기술을 도입하려면 방대한 데이터 수집과 처리 능력뿐만 아니라 막대한 초기 인프라 투자가 필요하다. 이는 중소·중견기업에게는 현실적으로 감당하기 어려운 부담이 될 수밖에 없다”고 설명했다. 이어 “중소·중견기업은 대규모 인프라 투자가 필요한 버티컬 AI보다는 상대적으로 접근성이 높은 거대언어모델 기반 AI를 활용하는 전략이 더 합리적”이라고 대안을 제시했다.

(출처: 물류신문)