AI Lab

제품의 핵심은 블록을 놓고 연결하는 캔버스다. 데이터 불러오기, 정리, 모델 선택, 학습은 각각 별개의 단계라 순서를 바꾸고 다시 실행할 수 있다. 즉 한 번 만든 파이프라인은 다음 데이터셋에 맞춰 조정할 수 있고 처음부터 다시 만들 필요가 없다. 이는 자기 데이터는 이해하지만 그걸 둘러싼 코드는 모르는 사람을 겨냥한다.

AI Lab은 예측을 일급 워크플로로 갖춘다. 과거 데이터를 넣으면 파이프라인이 매출, 수요, 환자 수에 대한 전망 예측을 만들어 낸다. 같은 것을 노트북에서 짜는 것보다 템플릿 방식이 준비 시간을 줄인다. 대체로는 제대로 작동한다.

빈 캔버스에서 시작하는 대신 이탈 예측이나 리스크 평가 같은 시나리오를 고른다. 각 템플릿에는 합리적인 기본 파이프라인이 딸려 있고, 내부 설정을 건드리지 않고 조정할 수 있다. 첫 프로젝트에서 이건 한 시간에 끝내는 것과 포기하는 것의 차이다.

데이터 과학자가 시각적 인터페이스에 묶이지 않는다. 캔버스에서 시험 제작하고 워크플로를 배포용 코드로 내보낼 수 있다. 모델이 대시보드가 아닌 다른 곳에 있어야 하는 팀에게도 도구가 유용한 이유는, 시각적으로 테스트한 같은 파이프라인을 엔지니어링에 넘겨 자체 인프라에서 다시 쓰지 않고 실행할 수 있기 때문이다.

벤더는 AI Lab을 부서를 넘나드는 공유 워크플로용으로 자리매김한다. 그래서 서로 다른 사람이 노트북을 돌려 가며 주고받지 않고도 같은 프로젝트에서 작업한다. 조직 내 모델의 일관성이 내세운 목표다. 정확한 협업 기능은 아직 확인되지 않았다.

예측을 넘어, 플랫폼은 모델에서 통찰을 끌어내는 것도 노린다. 어떤 요인이 이탈을 부추기는지, 어느 시점에 수요가 치솟는지 같은 내용을, 관리자가 노트북을 열지 않고 읽을 수 있는 형태로 묶는다. 비기술 이해관계자가 실제로 읽는 건 바로 그것이다. 모델 자체가 아니라 그게 성과다.