지능형 자동화는 기계 학습과 자연어 처리 같은 인공지능(AI) 역량을 로보틱 프로세스 자동화(RPA)와 통합하여 종단 간 업무 워크플로우를 자동화하는 기술 범주이다. 고정된 규칙을 따르는 기존 RPA와 달리, 지능형 자동화 시스템은 비정형 데이터를 처리하고 패턴을 학습하며 맥락을 고려한 결정을 내릴 수 있어, 조직이 이전에는 인간의 판단이 필요했던 운영을 간소화할 수 있게 한다.
이 용어는 2010년대 후반에 기업들이 단순 작업 자동화를 넘어서려는 움직임 속에서 주목을 받았다. 이는 기계 학습, 심층 학습, 생성형 AI를 포함한 여러 AI 하위 분야가 프로세스 자동화 도구와 융합된 것을 나타낸다. 지능형 자동화 플랫폼은 일반적으로 문서를 읽는 컴퓨터 비전, 텍스트를 해석하는 언어 모델, 작업을 라우팅하는 의사 결정 엔진을 결합하며, 이 모두가 소프트웨어 로봇에 의해 조정된다.
핵심 구성 요소
지능형 자동화는 세 가지 기반 계층에 의존한다. 첫 번째는 데이터 입력이나 송장 처리 같은 반복적이고 규칙 기반 작업을 처리하는 프로세스 자동화이다. 두 번째는 신경망 모델이 데이터의 패턴을 분석하여 결과를 예측하거나 입력을 분류하는 AI 증강이다. 세 번째는 대규모 언어 모델을 사용하여 채팅이나 이메일을 통해 사용자와 상호작용하고 의도를 이해하며 응답을 생성하는 인지적 참여이다.
일반적인 배포 사례는 스캔된 송장에서 텍스트를 추출하는 광학 문자 인식, 비용을 분류하는 기계 학습 모델, 회계 시스템을 업데이트하는 자동화된 워크플로우를 사용할 수 있다. AI 구성 요소는 새로운 데이터를 기반으로 정확도를 지속적으로 개선하는데, 이를 지속 학습이라고 하며, 이는 지능형 자동화를 정적 자동화 스크립트와 구별 짓는 특징이다.
인공지능과의 관계
지능형 자동화는 종종 인공지능 연구의 실용적 적용으로 간주된다. 학술적 AI가 알고리즘 발전에 초점을 맞추는 반면, 지능형 자동화는 실제 비즈니스 환경에서의 배포를 강조한다. 이는 현대 언어 모델의 기반이 되는 트랜스포머 아키텍처와 이미지 인식 정확도를 개선한 잔차 네트워크 설계의 돌파구를 활용한다.
사용되는 주요 AI 기법에는 분류 작업을 위한 지도 학습, 의사 결정 정책 최적화를 위한 강화 학습, 제한된 훈련 데이터로 모델 견고성을 개선하기 위한 데이터 증강이 포함된다. 이 분야는 또한 인간 작업자가 복잡한 프로세스를 배우는 방식을 반영하여, 점진적으로 더 어려운 예제로 모델을 훈련시키는 커리큘럼 학습 전략을 활용한다.
비즈니스 응용
지능형 자동화는 금융, 의료, 고객 서비스 분야에서 널리 채택되었다. 은행에서는 신용 이력과 재무 제표를 분석하여 대출 심사를 자동화한다. 의료에서는 보험 청구를 처리하고 임상 문서 작성을 지원한다. 인튜이티브 서지컬 및 기타 의료 기술 기업은 AI가 정밀도와 의사 결정을 지원하는 로봇 보조 수술에서 유사한 원리를 사용한다.
고객 서비스 운영은 일상적인 문의를 처리하고, 복잡한 사례를 인간에게 에스컬레이션하며, 각 상호작용에서 학습하는 지능형 가상 에이전트를 사용한다. 공급망 관리는 수요를 예측하고 재고 보충을 자동화하기 위해 예측 분석을 사용한다. 2023년 업계 조사에 따르면 대기업의 60% 이상이 최소 하나의 지능형 자동화 이니셔티브를 배포했으며, 자동화된 프로세스에서 일반적으로 20-30%의 비용 절감을 달성했다.
개발 및 과제
주요 기술 제공업체들이 지능형 자동화 서비스를 제공한다. 아마존 웹 서비스는 AI 기반 워크플로우 도구를 제공하며, 애저와 구글 클라우드도 유사한 기능을 제공한다. 유아이패스와 같은 전문 공급업체는 이 틈새 시장에만 집중한다. 시장은 빠르게 성장하여 2025년까지 글로벌 지출이 300억 달러를 초과할 것으로 예상된다.
과제로는 데이터 품질 문제, 레거시 시스템과의 통합, 변경 관리의 필요성이 있다. 조직은 편향을 피하기 위해 AI 모델이 대표성 있는 데이터로 훈련되도록 보장해야 한다. 모델 가지치기 및 기타 최적화 기법은 리소스가 제한된 장치에 모델을 배포하여 엣지 자동화를 가능하게 한다. AI 시스템이 민감한 데이터를 처리할 때 보안 문제가 발생하므로 강력한 거버넌스 프레임워크가 필요하다.
향후 방향
지능형 자동화의 진화는 생성형 AI의 발전과 밀접하게 연결되어 있다. 대규모 언어 모델은 더 자연스러운 인간-기계 상호작용을 가능하게 하여, 사용자가 시스템이 자동화 워크플로우로 변환하는 평이한 언어로 프로세스를 설명할 수 있게 한다. 이러한 "대화형 자동화"는 전문 프로그래밍 기술의 필요성을 줄인다.
MIT CSAIL과 스탠포드 AI 랩 같은 기관의 연구는 최소한의 감독으로 다단계 작업을 계획하고 실행할 수 있는 자율 에이전트를 탐구한다. AI 모델이 더 효율적이 됨에 따라 지능형 자동화는 중소기업까지 침투하여 고급 프로세스 최적화에 대한 접근을 민주화할 것으로 기대된다.