🐧 : 안녕하세요! 이번에는 설문조사에서 요청해 주셨던 주제인 AI 와 SaaS 에 대해서 다루어 보고자 합니다. AI 자체도 최근에 굉장히 핫한 주제이기도 하지만, 실제 SaaS 를 하시는 분들도 최근 AI 관련 질문도 많이 주시고 많이 사용해 보려고 하시는 것 같습니다. SaaS 를 기획하고 개발하실 때 AI 를 통해 새로운 기능을 넣고 싶으시다면, 이 글이 도움이 될 것입니다. ( AI 가 지금 당장 필요하지 않더라도, 일반적인 내용 역시 다루고 있어 도움이 될 것이라 생각합니다 ! 혹시 일반적인 부분이 싫으신 분들은 본문 중간에 펭귄 두마리로 표시한 부분 부터 보셔도 좋습니다) 이 글에는 링크가 많은데, 처음에 다 살펴보시기는 힘드실 수도 있습니다. 이 글을 저장해 두고, 실제 적용하실 때 꺼내보시는 것을 추천드립니다! 원본은 여기 에서 보실 수 있습니다.
그 외에도 주간 SaaS 가 다루어 주었으면 하는 주제가 있으면, 아래의 설문조사를 통해 의견을 알려주세요!
1. 기존 SaaS 비즈니스의 중단을 방지하기
최근 기업들은 이미 AI 기술을 활용하여 콜센터와 같은 전통적인 사람이 개입하는 고객 서비스를 자동화하고, 문의에 즉각적인 도움을 줄 수 있는 챗봇을 도입하는 등 AI 기술을 활용하고 있습니다. 이러한 단일 기능의 추가는 고객 만족도를 크게 향상시킬 뿐만 아니라 기업의 운영 비용도 절감할 수 있어 서로 Win-win 할 수 있습니다.
그렇다면 챗봇을 구현한다고 하면 어디서부터 시작할 수 있을까요? 기존 오픈소스 제품을 찾아서 도입하거나 처음부터 직접 구축할 수 있습니다. 어떤 경로를 선택하든 다음 단계를 수행해야 합니다.
먼저 '최소 기능 제품'을 출시한 후 시장의 피드백을 평가할 수 있습니다. 피드백에 따라 SaaS 제품을 개선할 수 있습니다. 특히, 기존 SaaS 비즈니스를 중단하지 않고 AI/ML 기반 MVP를 만들기 위해서는 다음과 같이 하실 수 있습니다.
- 팀에 기존 SaaS 비즈니스를 효과적으로 운영할 수 있는 인력이 있는지 확인하세요.
- 기존 IT 인프라와 컴퓨팅 리소스에 부정적인 영향을 미치지 않도록 하면서 현재 SaaS 제품이 효과적으로 작동하도록 합니다.
- AI/ML 기반 MVP를 개발하는 데 필요한 기술과 역량을 갖춘 새로운 인력을 갖추세요.
- MVP를 위한 적절한 인프라 및 컴퓨팅 리소스를 계획합니다.
- 정보 보안 사고를 방지할 수 있도록 AI/ML MVP의 보안을 계획하세요. 이는 기존 SaaS 비즈니스의 평판을 보호하는 데 중요합니다.
기존 SaaS 비즈니스의 중단을 방지할 수 있는 방법이 궁금하신가요? "핵심 비즈니스를 중단하지 않고 엔터프라이즈 MVP를 구축하는 방법" 가이드를 참조하세요.
2. SaaS 제품에서 제공할 AI/ML 기반 기능 결정하기
SaaS 제품에 어떤 새로운 AI 기능을 제공해야 할까요? 이를 분석하려면 먼저 유능한 프로젝트 관리자(PM), 숙련된 소프트웨어 아키텍트, 유능한 비즈니스 분석가(BA)로 구성된 팀을 만들어야 합니다. ( 🐧 : 이는 SaaS 서비스를 새롭게 런칭할 때에도 해당하는 이야기입니다. 기존 서비스와 다른 성격의 서비스가 있을 경우, 그 서비스만을 위한 팀이 필요합니다. )
비즈니스 이해관계자와 충분한 브레인스토밍 세션을 진행하여 어떤 기능을 제공할지 파악합니다. 다음 단계를 수행합니다:
- 각 기능이 고객의 특정 불만 사항을 어떻게 해결할 수 있는지 분석합니다. 'Pain-Gain Map' ( 🐧 : 고객의 입장에서 어떤 것을 얻고 어떤 것을 잃을 수 있는지를 생각해 보는 도구입니다. 여기 에서 자세한 내용을 확인할 수 있습니다. ) 와 같은 도구를 사용하여 각 기능의 영향을 문서화합니다.
- 또한 MVP를 위한 기능의 우선순위를 정해야 합니다. 이를 위해 '우선순위 매트릭스'와 같은 도구를 사용하세요.
MVP에 사용할 기능을 결정하고 우선순위를 정하는 데 도움이 필요하신가요? 자세한 내용은 MVP 만들기 가이드를 참조하세요.
3. SaaS 제품에 AI/ML 을 추가하기 위한 프로젝트 계획세우기
SaaS 제품에 AI 및 ML을 추가하는 것은 소프트웨어 개발 프로젝트가 수반되므로 성공을 위해서는 세심하게 계획해야 합니다. 이러한 프로젝트는 어떻게 계획해야 할까요?
- AI 기반 '지능형 자동화'를 도입할 위치를 결정합니다. 혹은 '자연어 처리'(NLP), 이미지 인식 등 어떤 AI 기능을 사용할지 결정합니다. 자세한 내용은 AI 개발 라이프사이클 가이드를 참조하세요.
- AI/ML 모듈을 '훈련'할 데이터 세트를 식별합니다. 과거 데이터의 데이터 품질과 양이 AI/ML 시스템의 기능에 영향을 미친다는 점을 명심하세요.
- 인프라 관리에 너무 많은 시간을 소비하지 않도록 클라우드 컴퓨팅을 사용할 계획을 세우세요. ( 🐧 : 기존 온프레미스 서버를 통해 AI 모델을 개발하시는 분들도 계십니다. 이렇게 되면 기존 서버와 클라우드 간의 연결을 신경써야 하며, 두 군데의 관리포인트가 생길 수 있다는 단점이 있는 반면, 기존에 GPU 리소스를 가지고 계시다면 이를 활용할 수 있다는 장점도 있습니다. 이는 선택의 영역입니다. )
- AI/ML 기반 SaaS 앱을 보호하기 위해 취해야 할 단계를 분석하세요.
- 사용해야 하는 기술 스택을 선택합니다. 여기에는 AI 개발 플랫폼을 사용할 수도 있고, AI/ML 모듈을 완전히 처음부터 개발하는 방법을 선택할 수도 있습니다. 이미 SaaS 서비스가 있다는 가정하에, 기술 스택을 선택하는 것은 전반적인 기술 전략과 일치해야 합니다.
- 유능한 개발 팀을 온보딩할 계획을 세우세요.
- AI 및 ML을 도입할 때 SaaS UI 디자인 모범 사례를 염두에 두세요.
- 검토와 테스트를 포함하는 '검증 및 유효성 검사' 작업 계획을 수립합니다.
이 과정에서 도움이 필요하신가요? 자세한 내용은 최고의 앱 개발 접근 방식에 대한 가이드를 참조하세요.
4. SaaS 제품에 AI/ML을 추가하기 위한 프로젝트 견적내기
소프트웨어 개발 프로젝트를 실행하는 데 필요한 모든 조직 승인을 어떻게 받을 수 있을까요? 이 때, 비용 추정이 필요합니다.
- 클라우드 컴퓨팅 플랫폼 사용 비용을 추정합니다.
- AI 및 ML 개발 도구의 비용을 평가합니다.
- 개발 인력에 대한 예상 비용을 계산합니다.
- 채용 및 관리 활동에 대한 기타 비용을 추정합니다.
여기에서 도움이 필요하다면 "귀사를 위한 AI 솔루션 개발 비용은 얼마인가요?" 가이드를 참조하세요.
5. 개발을 위한 클라우드 플랫폼 찾기
SaaS 제품을 위한 AI 및 ML 모듈을 개발하는 동안 인프라 요구 사항을 어떻게 처리하나요? 클라우드 전략에 맞게 조정해야 합니다. SaaS 제품은 이미 '서비스형 플랫폼(PaaS)' 플랫폼을 사용하고 있을 것입니다. AI 및 ML 모듈을 개발하는 데도 이 플랫폼을 사용하는 것이 좋습니다. ( 🐧 : 이 글에서는 언급하는 PaaS 플랫폼 형태를 꼭 사용하지 않으셔도 됩니다. 기존에 kubernetes 를 사용하신다면, 이를 사용하셔도 됩니다. 핵심은 기존에 사용하시던 것을 사용하는 것입니다. )
Amazon의 AWS Elastic Beanstalk와 같은 PaaS 플랫폼은 다음과 같은 많은 이점을 제공합니다:
- 클라우드 인프라, 네트워킹, 데이터베이스, 운영 체제, 미들웨어, 런타임 환경을 관리합니다. 따라서 개발에만 집중할 수 있습니다.
- PaaS 플랫폼을 사용하면 API를 쉽게 통합할 수 있습니다.
- 평판이 좋은 PaaS 플랫폼은 우수한 DevOps 도구와 강력한 자동 확장 솔루션을 제공합니다. 이에 대한 도움말은 AI 개발 견적 가이드를 참조하세요.
6. AI / ML 프로젝트를 위한 기술 스택 결정하기
프로젝트에서 어떤 기술을 사용하여 SaaS 제품에 AI/ML을 추가해야 할까요? 결정할 때 다음 측면을 고려하세요
- 기존 SaaS 제품에 사용되는 기술 스택과 일치해야 합니다. 예를 들어 개발할 때에 Node.js를 사용했다면 이를 고수해야 합니다. ( 🐧 : 원문은 이렇게 되어 있지만, 꼭 같으실 필요는 없습니다. 같으면 좋다 정도로 이해하시면 좋습니다. )
- AI 개발 도구를 사용하여 AI 및 ML 모듈을 만들 수 있습니다. "Microsoft Azure AI 플랫폼" 및 "Google Cloud AI 플랫폼"은 이러한 도구의 몇 가지 예이며, AI 소프트웨어 개발 도구 가이드에서 이에 대해 자세히 알아볼 수 있습니다.
- 또는 AI 및 ML 프로그램을 처음부터 코딩하기로 결정할 수도 있습니다. 그렇게 하기로 결정했다면 Python과 같은 강력한 프로그래밍 언어를 사용해야 합니다. 이 언어에는 AI 및 ML 프로그램을 더 쉽게 코딩할 수 있는 훌륭한 라이브러리가 있습니다. 자세한 내용은 "줄리아 대 파이썬: 이 새로운 프로그래밍 언어가 왕좌를 빼앗을 수 있을까?"를 읽어보세요.
- API를 사용하여 기존 SaaS 와 AI 및 ML 모듈을 통합할 수 있습니다. "REST"(Representational State Transfer)가 API 개발의 사실상의 표준이므로 RESTful API를 개발할 것을 권장합니다.
7. 유능한 개발팀 온보딩
유능한 개발 팀도 또한 중요합니다. 개발 팀에는 다음과 같은 사람들이 있어야 합니다.
- UI 디자이너
- AI/ML 개발자
- 웹 개발자
- Test 하는 사람
- 데브옵스 엔지니어
데이터 과학을 포함해 뛰어난 기술력을 갖춘 팀원이 필요하지만, 업계 지식과 풍부한 경험도 갖춰야 합니다. AI와 머신러닝 알고리즘, API 등을 철저하게 테스트해야 하지만, 테스트만으로 모든 오류를 발견할 수는 없습니다. 따라서 다음 사항을 모두 포함하는 철저한 검토 프로세스를 구현해야 합니다:
- 비즈니스 요구 사항
- 기술 설계
- 테스트 계획 및 테스트 사례
- UI 디자인
숙련된 리뷰어는 어떻게 찾나요? 인사이트를 얻으려면 "코드 검토를 위해 DevTeam.Space를 선택하는 것이 소프트웨어 제품의 성공을 보장하는 이유" 가이드를 읽어보세요. ( 🐧 : 원문 글의 광고 링크입니다. 저희는 이 기업과 어떠한 커넥션도 가지고 있지 않다는 것을 알려 드립니다 ! )
8. AI 및 ML을 도입하는 동안 SaaS 제품의 보안 유지
SaaS 제품을 출시할 때에도 보안을 생각하셨겠지만, 이제 AI와 ML의 도움으로 새로운 기능이나 기능을 추가하고 있으므로 다시 한 번 보안을 강화해야 합니다.
앱을 어떻게 보호할 수 있을까요? 다음 사항에 집중해야 할 수 있습니다:
- 인젝션, XML 외부 엔티티(XXE), 크로스 사이트 스크립팅(XSS), 깨진 인증 등과 같은 주요 애플리케이션 보안 취약성을 완화합니다;
- 다단계 인증(MFA), 암호화, 차세대 방화벽, 안티바이러스 솔루션, 실시간 위협 인텔리전스 기능과 같은 도구와 기술을 사용합니다;
- 보안 및 규정 준수 테스트를 우선순위가 낮은 작업으로 취급하지 않고 CI/CD 테스트에 통합합니다
- API 을 보호합니다.
SaaS 앱 보안에 도움이 필요하신가요? 금융 앱 보안 가이드 ( 🐧 : 외국 가이드인 점, 참고해주세요. 한국과 다른 내용이 있을 수 있습니다. ) 에서 인사이트를 얻을 수 있습니다.
9. 중요한 SaaS UI 디자인 원칙을 염두에 두세요
적절한 가이드라인에 따라 SaaS 제품 UI를 디자인했다면 이제 이를 개선하는 단계입니다. 계속해서 SaaS 디자인 모범 사례를 따르고 있는지 확인하세요.
- 사용자 친화적인 탐색 옵션을 제공하세요.
- 사용자가 가입할 때 큰 양식을 작성하지 않도록 하는 등 마찰 없는 가입을 허용하세요.
- 타겟 고객을 주의 깊게 연구하고 그들에게 집중하세요. 개발한 '구매자 페르소나'를 활용하세요.
- 간편한 사용자 온보딩을 지원합니다.
- 디자인을 단순하게 유지하세요.
- 시각적 보조 자료와 함께 데이터를 제시하고 동적 정렬을 허용하세요.
- 우아한 UI를 디자인하세요.
- 고객 지원, 자주 묻는 질문, 제품 가이드, 지식창고를 눈에 띄게 표시하세요.
아까 언급드렸던 금융 앱 보안 가이드에서 인사이트를 얻을 수 있습니다. 또한 개선된 버전을 출시하기 전에 SaaS 앱 UI를 검토해야 합니다. 앱 출시 전 UI 확인 가이드에서 설명한 것처럼 사용자 친화적인 UI를 제공하는 데 도움이 될 것입니다.
10. AI 및 ML 모듈을 SaaS 제품에 통합하기 위한 API 개발
개선된 SaaS 앱에서 새로운 AI 및 ML 딥 러닝 모듈에 액세스할 수 있도록 API를 개발해야 할 가능성이 높습니다. API를 개발하면 개발 프로세스를 확장할 수도 있습니다. 애플리케이션을 잘 최적화하는 것이 성공의 열쇠입니다.
- Postman과 같은 도구를 사용하여 API를 개발하고, Swagger와 같은 도구를 사용하여 문서화하세요.
- API를 호스팅하려면 클라우드 호스팅 계정을 사용해야 합니다.
- API 개발을 위해 PostgreSQL 및 MongoDB와 같은 최신 데이터베이스를 사용하세요.
- 암호화, 디지털 서명, 인증 토큰, 쿼터, 스로틀링, 보안 게이트웨이와 같은 기술을 사용하여 API를 보호하세요.
- API 요청 및 응답에 대한 효과적인 규칙을 생성하고, API 엔드포인트 URL을 스마트하게 디자인하세요.
API 개발에 도움이 필요하신가요? RESTful API 구축 가이드가 유용할 수 있습니다.
11. 프로젝트 관리
프로젝트는 어떻게 관리하나요? 우선, 응집력 있는 팀을 구성해야 합니다.
SaaS 및 AI/ML 개발 프로젝트를 이끄는 대부분의 PM은 이러한 프로젝트에 적합한 애자일 방법론을 사용합니다. 이 방법론에서는 고객과 긴밀히 협력하여 가시적인 가치를 신속하게 제공해야 합니다.
이를 위해서는 협업을 촉진하는 환경이 필요합니다. 저는 "스크럼" 기법을 사용하고 "스크럼 팀"을 구성하는 것을 권장합니다. 이러한 팀에서는 개발자와 테스터가 함께 작업하며 비즈니스 이해관계자 및 마케터 등과 긴밀하게 협업합니다. 이 기법에 대해 자세히 알아보려면 "스크럼 개발팀은 어떻게 구성하나요?"를 참조하세요. 또한 실시간 대시보드를 사용하여 프로젝트 워크플로우를 효과적으로 관리해야 합니다.
(🐧🐧 : 조금 더 AI oriented 글을 보고 싶으시면 여기부터 읽으시면 됩니다. )
SaaS AI 제품을 개발하는 동안 주요 위험 완화하기
AI 솔루션을 개발하는 SaaS 기업은 몇 가지 주요 위험을 완화해야 합니다. 이러한 위험과 그에 따른 완화 조치는 다음과 같습니다
A. AI 및 머신 러닝 개발 팀이 모든 것을 자체적으로 개발
SaaS 기업은 인공지능과 머신 러닝에 관한 모든 것을 자체적으로 코딩하기로 선택할 수 있습니다. 일반적으로 소프트웨어 회사라면 그렇게 할 것입니다.
하지만 인공지능과 머신러닝 개발에는 많은 작업이 수반됩니다. SaaS 기업이 모든 것을 처음부터 개발하면 많은 시간이 소요될 수 있습니다. 이로 인해 프로젝트가 지연될 수 있습니다.
SaaS AI 기업은 잘 정립된 프레임워크, 라이브러리 및 도구를 재사용하는 것이 좋습니다. Python의 Scikit-learn과 같은 라이브러리를 예로 들어보겠습니다. Scikit-learn과 같은 인기 있는 Python 라이브러리에는 이미 중요한 머신 러닝 알고리즘의 표준 구현이 포함되어 있습니다.
최고의 SaaS 기업들은 AI 시스템을 개발하면서 이러한 리소스를 의식적으로 활용합니다. 따라서 프로젝트 속도를 크게 높일 수 있습니다.
( 🐧 : 최근에는 오히려 Scikit-learn 을 통한 개발이 직접 개발로 여겨질 만큼, 자동으로 모델을 만들어내는 서비스들이 많이 나와 있습니다. Amazon SageMaker Autopilot 같은 서비스를 사용하실 수 있습니다. )
B. 충분한 경험이 없는 개발 팀을 고용할 수 있는 SaaS 기업
일부 SaaS 기업은 AI 솔루션 개발이 쉽다고 생각할 수 있습니다. 그래서 경험이 부족한 개발자를 고용할 수 있습니다.
AI 챗봇을 만드는 것은 쉬울 수 있지만, 많은 AI 프로젝트는 매우 복잡할 수 있습니다. 경험이 부족한 개발자는 이러한 프로젝트를 성공적으로 수행하지 못할 수도 있습니다.
SaaS AI 제품을 개발하는 경우 숙련된 AI 엔지니어를 고용하세요. 엔터프라이즈 AI 플랫폼, AI/ML 개발 라이브러리 등을 사용하는 방법을 알고 있는 개발자가 필요합니다.
C. 클라우드 인프라를 자체적으로 관리할 수 있는 SaaS AI 기업
일부 디지털 비즈니스의 고위 관리자 및 인프라 엔지니어는 전체 IT 인프라를 직접 관리하기로 선택할 수 있습니다. 이러한 선호에는 여러 가지 이유가 있을 수 있습니다. 예를 들어, 회사가 이미 최신 데이터 센터에 상당한 투자를 했을 수 있습니다.
이 접근 방식은 일부 기업에게는 확실히 효과적일 수 있습니다. 하지만 많은 기업에서는 이러한 접근 방식이 비생산적이라고 생각합니다. IT 인프라 관리로 인해 핵심 비즈니스에 집중할 수 없기 때문입니다.
숙박업이나 이커머스 기업의 경우를 예로 들어보겠습니다. 이들은 핵심 비즈니스에 맞는 소프트웨어 시스템을 개발해야 합니다. 이러한 기업들은 클라우드 컴퓨팅 기술과 클라우드 기반 서비스를 사용하여 프로젝트를 신속하게 진행하고자 합니다. 이러한 기업은 IT 인프라 관리에 얽매이고 싶지 않을 것입니다.
이는 SaaS 업계에서도 마찬가지입니다. SaaS 시장은 경쟁이 치열합니다. 고객의 요구에 부응하는 효과적인 SaaS 솔루션을 제공하지 않으면 다른 SaaS 기업이 시장을 장악하게 될 것입니다.
이 업계에서 경쟁하려면 핵심 제품 개발에 집중해야 합니다. 이러한 제품에 AI를 활용할 수 있습니다. IT 인프라 관리가 아닌 필요한 AI 솔루션 개발에 집중하세요! 클라우드 컴퓨팅 기술과 클라우드 기반 서비스를 유리하게 활용하세요.
D. 데이터 거버넌스의 우선순위가 낮은 SaaS 기업은
데이터는 인공지능과 머신러닝의 성공을 위한 핵심 요소입니다. AI 솔루션을 구축하는 SaaS 기업은 고품질 데이터 세트가 필요합니다. 하지만 이를 쉽게 확보하지 못할 수도 있습니다. 데이터 거버넌스가 없으면 데이터로부터 가치를 얻지 못할 수도 있습니다.
AI 개발팀은 데이터 세트의 품질을 분석해야 하며, 더 나아가 데이터 품질을 개선하기 위해 여러 단계를 거쳐야 합니다.
데이터 거버넌스 정책이 있어야만 이러한 작업을 수행할 수 있습니다. SaaS 기업은 적절한 데이터 거버넌스 프로세스, 방법, 도구를 구현해야 합니다.
E. 머신러닝 및 딥러닝과 같은 기능을 활용 못하는 SaaS 기업
SaaS 제품은 AI와 ML을 잘 활용할 수 있습니다. 하지만 이를 충분히 활용하지 않는 경우가 많습니다. 이러한 위험을 완화하려면 인공 지능과 그 사용 사례에 대한 철저한 이해가 필요합니다. ( 🐧 : 경우에 따라서 통계나 단순 데이터 시각화가 필요한 서비스 일 수도 있습니다. )
SaaS 기업은 데이터 과학자가 비즈니스 데이터에서 인사이트를 수집하기 위해 ML을 사용하는 방법을 분석해야 합니다. 고객 피드백과 고객 행동 지표는 대부분 비정형 데이터 포인트입니다. ML은 조직이 이러한 데이터를 처리하는 데 도움이 됩니다.
많은 기업이 가치 있는 비즈니스 인텔리전스를 얻기 위해 ML을 사용합니다. 그런 다음 인사이트를 사용하여 마케팅 캠페인을 설계합니다.
은행과 금융 서비스 기관은 금융 시스템의 보안을 개선하기 위해 ML을 사용합니다. 사용량과 거래 패턴을 분석하는 데 사용합니다. 예를 들어, ML은 모바일 기기에서 뱅킹 앱의 의심스러운 사용 패턴을 식별하는 데 도움이 됩니다.
SaaS 기업은 AI와 ML을 최적으로 사용하기 위한 전략을 세워야 합니다.
🐧 : 이번 글은 전에 AI 관련 서비스 개발을 해봤던 입장에서 많이 공감이 가는 글이었습니다. 특히 [ SaaS AI 제품을 개발하는 동안 주요 위험 완화하기 ] 부분을 읽어보시면 SaaS 에서 AI 를 할 때에 많은 도움이 될 듯합니다.
댓글
의견을 남겨주세요