2025 년 Genai Copilots는 비즈니스 및 데이터 관리를 변화시키는 Killer 앱으로 등장합니다.

모든 기술 혁명에는 특정 사용 사례가 기술을 광범위하게 채택 할 때 결정적인 순간이 있습니다. 그 당시는 사더 필트의 빠른 확산으로 생성 AI (Genai)를 위해 왔습니다.

기술로서의 Genai는 지난 몇 년 동안 큰 진전을 이루었습니다. 그러나 모든 헤드 라인과 과대 광고에도 불구하고 회사의 채택은 여전히 ​​초기 단계에 있습니다. 그만큼 2024 Gartner CIO 및 Tech Executive Survey 설문 조사에 참여한 사람들의 9% 만 입양했으며 34%는 내년에 그렇게 할 계획이라고 말했다. Enterprise Strategy Group의 최근 조사 Genai 채택을 30%로 둡니다. 그러나 설문 조사는 모두 2025 년에도 같은 결론을 내 렸습니다.

예측 1. 대다수의 기업은 2025 년 말까지 생산에 Genai를 사용할 것입니다.

Genai 채택은 생산성과 수익성을 향상시키는 데 중요한 것으로 여겨지며 대부분의 비즈니스에서 최우선 과제가되었습니다. 그러나 이는 기업이 Genaii 프로젝트에서 지금까지 경험 한 문제를 다음을 포함하여 다음을 극복해야한다는 것을 의미합니다.

• 데이터 품질 불량 : Genai는 사용하는 데이터만큼 우수하며 많은 회사가 여전히 데이터를 신뢰하지 않습니다. 불완전하거나 편향된 데이터와 함께 데이터 품질은 모두 결과가 좋지 않은 문제였습니다.
• Genai 비용 : Chatgpt와 같은 Genai 모델 교육은 대부분 최고의 Genai 팀에서만 이루어졌으며 수백만 달러의 컴퓨팅 파워입니다. 대신 사람들은 검색 증강 세대 (RAG)라는 기술을 사용하고 있습니다. 그러나 래그가 있더라도 데이터에 액세스하고 준비하는 데 비용이 많이 들고 성공하는 데 필요한 전문가를 조립합니다.
• 제한된 기술 세트 : 초기 Genai 배포의 대부분은 Genai의 소규모 전문가 그룹에 의해 많은 코딩이 필요했습니다. 이 그룹이 성장하는 동안 여전히 부족이 있습니다.
• 환각 : Genai는 완벽하지 않습니다. 그것은 환각을 줄 수 있고 그것이 옳다고 생각할 때 잘못된 답변을 할 수 있습니다. 잘못된 답변이 비즈니스에 영향을 미치는 것을 방지하기위한 전략이 필요합니다.
• 데이터 보안 : Genai는 훈련, 미세 조정 또는 걸레에 사용 되었기 때문에 잘못된 사람들에게 데이터를 노출 시켰습니다. 이러한 누출로부터 보호하기 위해 보안 조치를 구현해야합니다.

운 좋게도 소프트웨어 산업은 지난 몇 년 동안 이러한 과제를 해결해 왔습니다. 2025는 이러한 몇 가지 과제가 해결되기 시작하고 Genai는 주류가됩니다.

예측 2. 모듈 식 래그 사본은 Genai의 가장 일반적인 사용이 될 것입니다.

Genai의 가장 일반적인 사용은 사람들이 정보를 더 빨리 찾는 데 도움이되는 비서 또는 저작물을 만드는 것입니다. 부동무는 일반적으로 Rag 파이프 라인을 사용하여 구축됩니다. 헝겊이 길입니다. Genai를 사용하는 가장 일반적인 방법입니다. LLM (Largin Language Model)은 가장 최근의 데이터가 없거나 가장 최근의 데이터가없는 일반적인 목적 모델이므로, 더 정확한 답변을 얻으려면 프롬프트라고도하는 쿼리를 강화해야합니다.
사더 필로트는 지식 근로자가보다 생산성을 높이고, 이전에 대답 할 수없는 질문을 해결하고, 전문가지도를 제공하면서 때로는 일상적인 작업을 실행하도록 도와줍니다. 현재까지 가장 성공적인 Copilot 사용 사례는 소프트웨어 개발자가 레거시 코드를 코딩하거나 현대화하는 데 도움이되는 방법입니다.

그러나 부실은 외부에서 사용될 때 더 큰 영향을 미칠 것으로 예상됩니다. 예제는 다음과 같습니다.

• 고객 서비스에서 Copilots는 지원 쿼리를 받고 개입을 위해 사람에게 에스컬레이션하거나 암호 재설정 또는 계정 액세스와 같은 간단한 쿼리에 대한 해상도를 제공하여 CSAT 점수가 높아질 수 있습니다.
• 제조 분야에서 부조종사는 기술자가 복잡한 기계에 대한 특정 조치 또는 수리를 진단하고 추천하여 가동 중지 시간을 줄일 수 있습니다.
• 의료 분야에서 임상의는 저작권을 사용하여 환자의 역사 및 관련 연구에 접근하고 진단 및 임상 치료를 안내하여 효율성 및 임상 결과를 향상시킬 수 있습니다.

헝겊 파이프 라인은 대부분 같은 방식으로 작동했습니다. 첫 번째 단계는 지식 기반을 벡터 데이터베이스에로드하는 것입니다. 사람이 질문을 할 때마다 Genai Rag 파이프 라인이 호출됩니다. 그것은 질문을 프롬프트로 리엔지니싱하고, 가장 관련성이 가장 높은 정보를 찾기 위해 프롬프트를 인코딩하여 벡터 데이터베이스를 쿼리하고, 검색된 정보를 컨텍스트로 사용하여 검색 된 정보를 사용하여 프롬프트와 함께 LLM을 호출하고, 결과를 평가하고 형식화하며,이를 사용자에게 표시합니다. .

그러나 단일 헝겊 파이프 라인으로 모든 부 필트를 똑같이 잘 지원할 수는 없습니다. 따라서 Rag는 Modular Rag라는보다 모듈 식 아키텍처로 발전하여 관련된 여러 단계에 대해 다른 모듈을 사용할 수 있습니다.

• 데이터 청킹 및 조직을 포함한 인덱싱
• 쿼리 (프롬프트) 엔지니어링 및 최적화를 포함한 사전 레트리어
• 리트리버 미세 조정 및 기타 기술로 검색
• 레트리 레스 후 재고 및 선택
• 발전기 미세 조정, 여러 LLM 사용 및 비교 및 ​​검증 생성
• 이 과정을 관리하고 최상의 결과를 얻는 데 도움이되는 오케스트레이션

여러 부 필트를 지원하려면 모듈 식 Rag 아키텍처를 구현해야합니다.

예측 3. No-Code/Low-Code Genai 도구가 방향이 될 것입니다

지금까지 Genai Rag가 매우 복잡하고 빠르게 변화한다는 것을 알 수 있습니다. 새로운 모범 사례가 끊임없이 떠오르는 것은 아닙니다. Genai 파이프 라인과 관련된 모든 기술은 너무 빨리 변화하여 일부를 교환하거나 여러 가지를 지원해야합니다. 또한 Genai는 단지 모듈 식 걸레에 관한 것이 아닙니다. RAFT (Recreval Augmented Fine Tuning) 및 전체 모델 교육도 비용 효율적이되고 있습니다. 아키텍처는이 모든 변화를 지원하고 엔지니어의 복잡성을 숨겨야합니다.
고맙게도 최고의 Genai No-Code/Low-Code 도구는이 아키텍처를 제공합니다. 주요 데이터 소스, 벡터 데이터베이스 및 LLM에 대한 지원을 지속적으로 추가하고 있으며 미세 조정 또는 교육을 위해 모듈 식 agn 또는 피드 데이터를 LLM에 구축 할 수 있습니다. 회사는 이러한 도구를 사용하여 내부 리소스를 사용하여 사본을 배포하고 있습니다.

Nexla는 Genai를 사용하여 통합을 더 간단하게 만듭니다. 고급 데이터 청크, 쿼리 엔지니어링, 재고 및 선택, 결과 순위 및 선택, 오케스트레이션 등을 사용한 멀티 LLM 지원이 포함 된 모듈 식 Rag 파이프 라인 아키텍처가 포함되어 있습니다.

예측 4. 부 필트와 에이전트 사이의 선이 흐려집니다.

챗봇과 같은 Genai Copilots는 사람들을 지원하는 에이전트입니다. 결국 사람들은 생성 된 결과로 무엇을 해야하는지 결정합니다. 그러나 Genai 요원은 사람들을 참여시키지 않고도 응답을 완전히 자동화 할 수 있습니다. 이들은 종종 에이전트 또는 에이전트 AI라고합니다.

어떤 사람들은 이것을 두 가지 별도의 접근법으로 본다. 그러나 현실은 더 복잡합니다. 부부들은 이미 일부 기본 작업을 자동화하기 시작하여 선택적으로 사용자가 작업을 확인하고 완료하는 데 필요한 단계를 자동화 할 수 있도록합니다.

부 필트는 시간이 지남에 따라 부실과 에이전트의 조합으로 진화 할 것으로 예상합니다. 응용 프로그램이 비즈니스 프로세스를 다시 엔지니어링하고 간소화하는 데 도움이되는 것과 마찬가지로 비즈니스 프로세스를 간소화하는 것과 마찬가지로 비즈니스 프로세스를 간소화하는 것과 마찬가지로 보조자는 지원하는 작업의 중간 단계를 자동화하는 데 사용될 수 있으며 사용해야합니다. Genai 기반 에이전트에는 예외를 처리하거나 LLM을 사용하여 생성 된 계획을 승인 할 사람도 포함해야합니다.

예측 5. Genai는 데이터 직물, 데이터 제품 및 개방형 데이터 표준의 채택을 주도합니다.

Genai는 회사가 Genai의 모든 혜택을 실현할 수 있도록 적응해야하기 때문에 향후 몇 년 동안 IT에서 가장 큰 변화의 원동력이 될 것으로 예상됩니다.

Gartner는 2024 년 Gartner Hype Cycles의 일환으로 3 개와 3 가지 기술을 데이터 관리 및 데이터에 의존하는 조직 (데이터 패브릭, 데이터 제품 및 오픈 테이블 형식)에 대한 혁신으로 식별했습니다. 3 가지 모두이 새로운 Genai 도구 세트에서 데이터를보다 쉽게 ​​사용할 수 있기 때문에 Genai와 함께 사용하기에 데이터에 훨씬 더 액세스 할 수 있도록 도와줍니다.

NEXLA는 이러한 이유로 데이터 패브릭을 기반으로 구축 된 데이터 제품 아키텍처를 구현했습니다. 데이터 패브릭은 형식, 속도 또는 액세스 프로토콜의 차이에 관계없이 모든 데이터를 동일한 방식으로 관리하는 통합 계층을 제공합니다. 그런 다음 데이터 제품은 RAG와 같은 특정 데이터 요구를 지원하기 위해 작성됩니다.

예를 들어, 하나의 대규모 금융 서비스 회사는 위험 관리를 향상시키기 위해 Genai를 구현하고 있습니다. 그들은 Nexla를 사용하여 통합 데이터 직물을 만듭니다. NEXLA는 스키마를 자동으로 감지 한 다음 커넥터 및 데이터 제품을 생성합니다. 그런 다음이 회사는 동적 규제보고를위한 RAG 에이전트를 구현하는 입력으로 데이터를 올바른 형식으로 집계, 청소 및 변환하는 특정 위험 메트릭에 대한 데이터 제품을 정의합니다. NEXLA는 데이터 계보 및 액세스 컨트롤을 포함한 데이터 거버넌스 제어를 제공하여 규제 준수를 보장합니다. 분석, 운영, B2B 및 Genai 용 통합 플랫폼은 Genai가 재사용 가능한 커넥터, 데이터 제품 및 워크 플로우를 만드는 데 사용되는 데이터 패브릭 아키텍처에서 구현됩니다. Apache Iceberg와 같은 개방형 데이터 표준을 지원하면 점점 더 많은 데이터에 쉽게 액세스 할 수 있습니다.

에이전트 AI를 향한 길을 제작하는 방법

그렇다면 어떻게 이러한 예측에 따라 회사에서 Genai를 주류 할 준비를해야합니까?
먼저, 아직 그렇지 않은 경우 고객 또는 직원을위한 첫 Genai Rag 보조원을 시작하십시오. 이미 성공할 수있는 올바른 지식베이스가있는 중요하고 비교적 간단한 사용 사례를 식별하십시오.

둘째, 첫 번째 프로젝트를 지원하기 위해 올바른 통합 도구를 사용하여 올바른 모듈 식 garcharchection을 도울 수있는 소규모 Genai 전문가 팀이 있어야합니다. 코드/저 코드 도구로 새로운 공급 업체를 평가하는 것을 두려워하지 마십시오.

셋째, 성공 해야하는 데이터 관리 모범 사례를 식별하십시오. 여기에는 데이터 패브릭과 데이터 제품과 같은 개념이 포함될뿐만 아니라 또한 AI에 대한 데이터를 관리해야합니다.

지금은 시간입니다. 2025 년은 대다수가 성공할 해입니다. 뒤에 남지 마십시오.