생명과학 분야를 위한 반복 가능하고 측정 가능하며 엔터프라이즈 환경에 적합한 AI 구현
제약 및 생명과학 기업들은 AI를 활용해 신약 발굴을 가속화하고, 임상 개발을 고도화하며, 환자 경험을 개선하고 있습니다. 하지만 요즘과 같은 규제 환경에서 AI 기반 혁신을 실현하고 투자 수익률(ROI)을 달성하려면 기본에 충실한 접근이 필요합니다. 핵심은 데이터 통합, 상호운용성, 그리고 보안과 거버넌스입니다.
Healthcare IT News의 팟캐스트 HIMSSCast에서 방영한 최신 에피소드에서 Cloudera의 AI 솔루션 글로벌 디렉터 Rameez Chatni는 업계가 AI 전략 수립에 집중하던 초기 단계를 지나 이제는 견고한 데이터 기반 구축이라는 본질로 다시 돌아가고 있다고 강조했습니다.
가치 사슬 전반에 걸친 상호운용성 보장
글로벌 제약업체는 일반적으로 연구개발, 제조, 영업 및 마케팅 등 12~15개의 독립적인 대규모 조직 단위로 구성되어 있습니다. 이러한 구조에서 AI에 적합한 데이터 세트를 구축하기 위해서는 복잡하게 분산된 아키텍처를 효과적으로 관리해야 합니다.
데이터 통합은 어려운 과제이며, 모든 데이터를 하나의 동질적인 시스템으로 강제로 통합하는 것이 올바른 해법은 아닙니다. 이에 따라 기업들은 온프레미스 인프라, 다중 클라우드 환경, 그리고 SaaS 솔루션을 수용할 수 있는 하이브리드 아키텍처를 도입하고 있습니다.
개방형 데이터 형식을 지원하는 오픈 소스 기반의 상호운용 가능한 기술을 활용하면 여러 쿼리 엔진이 엔지니어링, 분석, AI 등 다양한 워크로드에서 동일한 데이터에 액세스할 수 있으며, 벤더에 종속될 위험도 낮출 수 있습니다.
데이터 통합의 궁극적인 목표는 AI 모델이 조직 전반의 정보를 유기적으로 연결하고 더 나은 결과를 도출하는 데 필요한 컨텍스트를 제공하는 것입니다. 제약 기업들이 이러한 컨텍스트 모델로 활용하고 있는 대표적인 사례가 지식 그래프(knowledge graph)입니다. 지식 그래프는 의약품, 유전자, 질병, 임상 시험 및 상업 데이터를 서로 연결하여 사람이 놓치기 쉬운 비즈니스 내 관계를 드러내고, 포괄적이면서도 활용 가능한 데이터 세트를 구축합니다.
하지만 이러한 고급 데이터 아키텍처도 출발점이 탄탄하지 않으면 제대로 작동할 수 없습니다. 그 출발점이 바로 데이터 인벤토리와 데이터 계보입니다. 이 두 요소는 연구개발과 제조 등 서로 다른 기능 조직이 동일한 데이터 세트에 대해 중복으로 라이선스를 구매하여 리소스를 낭비하지 않도록 합니다. 이는 눈에 띄지 않지만 매우 중요한 역할입니다.
거버넌스를 문제가 아닌 기능으로 인식하기
데이터를 기반으로 빠른 혁신을 추구하는 산업에서는 거버넌스가 종종 후순위로 밀리며, 이로 인해 프로젝트가 9개월이나 지연되는 경우도 발생합니다. Rameez는 거버넌스를 결함이나 장애 요소가 아닌 하나의 기능으로 다뤄야 한다고 주장합니다. 이는 거버넌스를 엔터프라이즈 내에서 선제적이고 지속적으로 작동하는 기능인 “거버넌스 서비스(governance as a service)”로 전환하는 것을 의미합니다.
거버넌스 서비스를 구현하는 유일한 방법은 비즈니스 리더, 데이터 전략가, 기술 아키텍트, 그리고 개인정보 보호 및 법률 전문가를 연결하는 다학제적 우수 센터(Center of Excellence, CoE)를 구축하는 것입니다. 이러한 구조를 통해 데이터 흐름을 이해하는 기술 조직과 개인정보 보호 및 동의 제한 사항을 이해하는 법무 조직이 효과적으로 소통할 수 있게 됩니다.
무엇보다 중요한 점은 거버넌스를 초기 단계부터 적용해야 한다는 것입니다. 예를 들어, 임상 시험 데이터를 2차적 목적으로 사용하는 데 대한 제한과 같은 규정 준수 요건을 사전에 고려하지 않으면, 프로젝트 막바지에 전체 사업이 중단될 수 있습니다. 나아가 AI를 거버넌스 자체에 적용하여 계약 검토를 가속화하고, 규정 준수 확인 과정을 자동화하며, 감사 가능성을 확보해야 합니다.
확장을 위해 ROI 입증하기
AI 시범 프로젝트가 실패한 사례는 업계 전반에서 쉽게 찾아볼 수 있습니다. AI 도입을 이제 막 시작하는 조직이라면, 먼저 실제 운영에 바로 적용할 수 있는 AI 활용 사례를 발굴해야 합니다. 임상 시험 프로토콜 작성처럼 '반복적이고 시간이 많이 드는' 업무를 자동화해 수천 건의 문서에서 일주일씩 시간을 절감하거나 이상 사례를 더 빠르게 처리하는 것은 즉각적인 성과를 보여주는 대표적인 예입니다.
Rameez는 성공의 출발점은 비즈니스 목표와 연계된 명확하고 측정 가능한 ROI를 정의하는 데 있다고 조언합니다. 제약 산업에서는 ‘조기에 실패(fail fast)’하는 문화 자체가 하나의 ROI가 될 수 있습니다. 계산 단계에서의 실패는 임상 시험 후기 단계에서의 실패에 비해 비용 부담이 훨씬 적기 때문입니다.
Rameez는 이러한 ROI를 쉽게 설명하며, 조직이 문제가 눈덩이처럼 커지기 전에 조기에 식별하고 해결할 수 있는 체계를 갖춰야 한다고 강조합니다. 그는 “문제를 더 일찍 발견할수록, 문제가 더 심각해지기 전에 미리 해결할 수 있습니다”라고 말합니다.
마지막으로 시스템을 표준화해야 합니다. 에이전트 기반 프레임워크, 도구, 지원 모델을 정의하고, 무엇보다도 개발 단계에서 검증되고 감사 가능한 프로덕션 환경으로 전환하기 위한 명확한 규칙을 마련해야 합니다.
다음 단계의 혁신: 개인화된 AI
향후 3~5년 동안 생명과학 분야는 지금보다 훨씬 큰 변화를 맞게 될 것으로 보입니다. 개별 사용자에 맞는 상호작용과 인사이트를 제공하는 개인화된 AI 에이전트가 빠르게 확산될 것입니다.
AI 모델 역시 동시에 여러 매개변수를 최적화하는 방향으로 발전할 것입니다. 모델은 효능만 최적화하는 수준을 넘어, 효과적이면서도 독성이 없고, 제조가 가능하며, 유통기한까지 모두 고려한 분자를 한 번에 제안할 것입니다. 나아가 “AI가 생성한 의약품”으로 마케팅되는 최초의 상용 의약품이 등장할지도 모릅니다.
이러한 미래를 대비해 조직이 무엇을 준비해야 할지 알아보고 싶으신가요? AI 구현과 모범 사례에 대한 내용을 자세히 다룬 Rameez Chatni와의 대담 전문 *을 들어보시기 바랍니다.
