Albertsons가 2,300개 매장에 걸쳐 확장하기 위해 중앙 집중식 AI 코어를 구축하는 방법
작성자: 앨리 맥그루
소매업에서 마진 압박은 구조적입니다. 더 빠르고 정확한 결정을 내리는 기업은 상품화, 노동력, 공급망 전반에 걸쳐 일관되게 수천 개의 지점에서 앞서 나갑니다. 대부분의 대형 소매업체가 직면한 질문은 다음과 같습니다. 과연 그들의 조직은 AI를 충분히 빠르게 확장하여 의미 있는 결과를 낼 수 있도록 구축되었는가? Albertsons Companies는 미국 최대의 식료품 및 약국 소매업체 중 하나로, 약 2,300개의 매장을 운영하고 800억 달러의 수익을 창출합니다. Sunil Gopinath는 이 회사의 글로벌 데이터 및 AI를 총괄하며, 가장 큰 기술 및 AI 허브인 Albertsons Companies India도 운영합니다. 그의 임무는 훌륭한 소매업체를 데이터 기반 기업으로 신속하고 확장 가능하게 전환할 AI 및 데이터 기반을 구축하는 것입니다.
우리의 대화 전반에 걸쳐 직접적인 확신이 있었습니다. 파편화를 더 이상 용납하지 말자. AI 야망을 강력한 엔터프라이즈 기반과 연결하는 기업이 승리할 것입니다. 그렇지 않은 기업은 비용이 많이 드는 실험을 하고 있습니다.
이 전략의 기반은 Databricks 플랫폼이며, Albertsons는 데이터 엔지니어링, ML, 거버넌스 및 분석 전반에 걸쳐 이를 사용합니다. 이 공유 기반은 '단일 플랫폼'이라는 임무를 현실로 만들어, 각 팀이 서로 다른 도구 세트 대신 동일한 출발선에서 시작할 수 있도록 합니다.
Aly McGue: 파편화된 비즈니스 단위 소유의 AI 실험에서 중앙 집중식 AI 핵심 팀 및 운영 모델로 조직을 어떻게 전환했습니까?
Sunil Gopinath: 우리는 파편화를 더 이상 용납하지 않고 확고한 아키텍처 결정을 내렸습니다. 단일 팀, 단일 플랫폼, 단일 운영 모델. 우리는 AI 분야에서 네 가지 주요 과제에 집중했습니다. 고객 경험, 상품화 인텔리전스, 노동력, 공급망. 이를 통해 전략적 집중을 할 수 있었습니다. 중앙 집중식 AI 핵심 팀은 실행 역량을 제공했습니다.
논리는 간단했습니다. 거버넌스, 보안, 재사용 가능한 모델의 중앙 저장소와 같은 공통의 수평적 구성 요소에 대한 명확한 조직적 요구가 있었습니다. 이러한 빌딩 블록에 집중하는 전담 팀은 애플리케이션 팀이 위생 및 기반에 대해 걱정할 필요가 없다는 것을 의미합니다. 그들은 비즈니스를 더 좋고, 더 예측 가능하며, 더 실행 가능하게 만드는 데 전적으로 집중할 수 있습니다.
또한 AI 및 AI 거버넌스에 대한 공유되고 수용 가능한 표준을 수립하기 위해 고위 이해 관계자와 리더를 모으는 전사 거버넌스 위원회가 있습니다. 이는 리더십 수준에서의 집단적 의사 결정입니다. 그것이 이를 지속하게 만듭니다.
Aly: Albertsons 전반의 효율성을 높이기 위해 공유 표준, 중앙 플랫폼 및 재사용 가능한 가속기를 구축하기 위한 전략은 무엇이었으며, 동시에 지역 혁신 및 사용 사례를 허용했습니까?
Sunil: 이를 생각하는 가장 좋은 방법은 프랜차이즈 모델입니다. 중앙에는 공통 인프라, 표준 및 거버넌스가 있습니다. 가장자리에는 지역 실행 및 혁신이 있습니다.
우리는 재사용 가능한 가속기를 구축했습니다. 데이터 수집 파이프라인 및 템플릿, 피처 스토어 패턴, 모델 모니터링, 성능 가시성 및 거버넌스 래퍼입니다. 어떤 팀이든 이를 활용하여 10배 더 빠르게 작업할 수 있습니다. 플랫폼의 요점은 혁신을 제한하지 않는다는 것입니다. 오히려 가속화합니다.
우리의 철학은 혁신과 신뢰 및 거버넌스의 균형을 맞춰야 한다는 것입니다. 직원과 고객 모두로부터 말입니다. 따라서 표준은 임의적이지 않습니다. 이는 비즈니스, 상품 담당자 및 고객이 실제로 AI가 수행하는 작업을 신뢰하는 데 필요한 것을 반영합니다.
Aly: 이 중앙 AI 코어를 운영하는 데 필요한 기술과 리더십을 어떻게 재고하고 있으며, 플랫폼이 비기술 팀을 효과적으로 지원하도록 어떻게 보장합니까?
Sunil: 우리의 접근 방식은 세 가지 계층으로 작동합니다. 예측하는 머신러닝, 답변하는 생성형 AI, 그리고 행동하는 에이전트 AI입니다. 이 모든 것이 우리 직원들의 업무 방식에 내장되어 있습니다.
기술 팀의 경우 AI 기반 엔지니어링으로 전환했습니다. 9개월 만에 AI 생성 코드 138만 줄을 수용했으며, 엔지니어의 90% 이상이 AI 도구를 사용하고 있습니다. 우리는 구축하고 출시하는 속도를 근본적으로 변화시켰으며, 이는 복리로 증가합니다.
비기술 팀의 경우 로우코드 대시보드, 프롬프트 라이브러리, 대화형 에이전트 생성을 구축했습니다. 자체 에이전트 AI 플랫폼을 보유하고 있어 비기술 팀도 에이전트를 드래그 앤 드롭할 수 있습니다. 그렇게 하는 것이 편하지 않다면, 대화만으로 "이 KPI를 모니터링하는 에이전트를 만들어줘"라고 말하면 됩니다. 그러면 에이전트가 생성됩니다. 양측 모두의 목표는 동일합니다. 답변을 찾는 데 시간을 덜 쓰고 의사 결정에 더 많은 시간을 할애하는 것입니다.
특히 인재 문제에 대해 우리는 기술적 역량이나 최신 AI 도구에 대한 친숙함만 찾지 않습니다. 우리는 태도를 보고 채용합니다. 배우고, 실험하고, 혁신하려는 태도입니다. 도구는 기록적인 속도로 계속 발전할 것입니다. 하지만 이러한 문화적 특성이 내재되어 있다면 사람들은 이를 습득하고 발전시킬 것입니다.
Aly: 전사 AI 코어의 성공에 궁극적으로 책임이 있는 임원진은 누구이며, KPI는 어떻게 변경되었습니까?
Sunil: 소유권은 최고 경영진에게 있습니다. 우리에게 AI는 비즈니스 전략입니다. 우리의 측정 지표도 이를 반영합니다. 시장 전반의 재사용률, 배포 시간, 책임감 있는 AI 규정 준수, 그리고 가장 중요하게는 AI 향상과 관련된 비즈니스 성과입니다. 이니셔티브가 성과를 보여주지 못하면 확장되지 않습니다. 이러한 규율은 최고 경영진으로부터 시행되어야 하며, 이것이 AI를 단순한 값비싼 실험이 아닌 진정한 이점으로 만드는 것입니다.
Sunil은 점진적인 중앙 집중화로의 진화를 설명하지 않습니다. 그는 의도적인 약속을 설명합니다. 단일 팀, 단일 플랫폼, 단일 운영 모델이며, 전략적 과제에 집중하고 재사용 가능한 가속기가 속도를 높입니다.
상품화 인텔리전스는 네 가지 전략적 AI 우선 순위 중 하나이며, Albertsons가 전사적 변혁의 일환으로 약속한 주요 과제입니다. 이는 중앙 집중식 모델이 실제 비즈니스 문제에 부딪혔을 때 어떻게 보이는지를 보여줍니다. 이 플랫폼은 Databricks를 기반으로 하며, 상호 작용 계층에는 Genie가 있습니다. 상품 담당자는 쿼리를 작성하거나 티켓을 제출할 필요 없이 일반 언어로 복잡한 질문을 하고 신뢰할 수 있는 거버넌스된 답변을 얻을 수 있습니다. Databricks는 그 아래에서 데이터 엔지니어링, ML 및 분석 기반을 제공합니다.
AI를 실험의 일부에서 엔터프라이즈 역량으로 전환하는 방법에 대해 고민하는 경영진에게 Albertsons의 프랜차이즈 모델은 유용한 프레임을 제공합니다. 중앙을 관리하고, 가장자리를 자유롭게 하며, 모든 팀이 이미 입증된 것을 기반으로 구축하도록 합니다.
투자를 벤치마킹하고 조직 및 제품 전반에 AI를 통합하기 위한 로드맵을 개발하려면 Databricks State of AI Agents를 다운로드하십시오.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.