현재 AI 관련 논의는 그야말로 난장판입니다. 매주 에이전트형 AI, 추론형 LLM, 바이브 코딩 등 새로운 용어와 약어가 쏟아져 나오고 있으며, 이와 함께 기업들은 뒤처질 위험을 무릅쓰고 AI 전략을 발표하거나 플랫폼을 도입해야 한다는 압박을 받고 있습니다. JMP를 사용하는 과학자와 엔지니어들 역시 이러한 압박에서 자유롭지 못합니다. 경영진으로부터 이러한 압박을 직접적으로 받고 있으며, 매일 사용하는 도구에 어떤 영향을 미칠지 저희에게 묻고 있습니다.
저희 답변은 간단합니다. JMP의 핵심 가치는 변하지 않았으며, 앞으로도 변하지 않을 것입니다. 달라진 것은 그 가치를 더욱 쉽게 접근하고, 발견하고, 확장할 수 있도록 만드는 능력입니다. 그리고 저희의 AI 인프라는 이를 실현하는 데 중요한 역할을 합니다. 하지만 저희는 의도적으로, 고객 여러분의 요구에 맞춰 이러한 변화를 추진하고 있습니다.
JMP의 분석 워크플로가 여전히 대체 불가능한 이유는 무엇일까요?
The JMP analytic workflowJMP 분석 워크플로
인공지능이 어디에 적용될 수 있는지 논의하기 전에, JMP가 어떤 언어 모델도 따라할 수 없는 어떤 기능을 하는지 정확히 짚어볼 필요가 있습니다.
JMP는 처음부터 상호작용성을 염두에 두고 설계되었습니다. 사용자는 그래프 빌더에 열을 드래그하여 데이터를 즉시 확인할 수 있습니다. 코드를 작성하거나 구문을 입력하거나 프롬프트가 나타날 필요가 없습니다. 그래프의 한 지점을 클릭하면 데이터 테이블과 전체 분석 세션의 모든 그래프에서 해당 지점이 강조 표시됩니다. 하지만 이러한 상호 연결성은 단순한 기능이 아니라 핵심 철학입니다. 간단히 말해, 해당 분야의 전문 지식과 적절한 분석 환경을 갖춘 과학자나 엔지니어가 바로 발견의 원동력이라는 것입니다.
JMP 분석 워크플로는 왼쪽에서 오른쪽으로 진행됩니다. 사람과 문제에서 시작하여, JMP는 비즈니스 질문을 분석 질문으로 변환하고, 사용자에게 적절한 분석 방법을 안내하며, 통찰력을 신속하게 도출할 수 있는 대화형 시각화 환경을 제공합니다. JMP Live는 이러한 가치를 조직 전체로 확장하여, 업무 진행 상황을 시각화하고, 검증된 방법을 공유하며, 분석 작업을 개인 노트북에서 전사적 협업 환경으로 전환합니다.
대규모 언어 모델은 이 워크플로의 중심에 있지 않습니다. 특정 지점에 연결되어 워크플로의 일부를 더 빠르게 처리할 수 있도록 도와줍니다. 과학자나 엔지니어는 여전히 분석을 주도하고 가치를 창출합니다.
모든 것을 설명하는 곡선
JMP gets more valuable as problems get harder and rarer.JMP는 문제가 어려워지고 드물어질수록 더욱 가치가 높아집니다.
JMP와 LLM이 경쟁 관계가 아닌 이유를 시각화하는 유용한 방법이 있습니다. X축에 문제 복잡성을 나타내는 차트를 상상해 보세요. 왼쪽에는 흔하고 잘 문서화된 문제들이, 오른쪽에는 드물지만 가치가 높은 문제들이 위치합니다.
LLM(로지스틱 회귀 모델) 학습 데이터 양은 문제가 복잡해지고 희귀해질수록 급격히 감소합니다. 이에 따라 LLM의 효율성도 떨어집니다. 기본적인 파이썬 스크립트 작성법이나 일반적인 오류 디버깅법과 같은 일반적인 문제는 온라인에 수천 개의 예제가 존재하며, LLM은 이러한 문제 해결에 탁월한 성능을 발휘합니다. 그러나 곡선의 오른쪽, 즉 새로운 실험 설계, 복잡한 다변량 분석, 그리고 업계에서 아직 해결되지 않은 문제로 갈수록 LLM의 효율성은 급격히 떨어집니다. 아직 존재하지 않는 결과에 대한 학습 데이터가 아예 없기 때문입니다.
JMP의 효과는 정반대 방향으로 작용합니다. 문제가 어려워지고 드물어질수록 JMP의 가치는 더욱 높아집니다. 실험 설계, 탐색적 데이터 분석, 아직 알려지지 않은 영역의 발견 – 이것이 바로 JMP의 영역입니다. 핵심 주장을 명확히 밝히자면, 학습 데이터가 풍부하다고 해서 비즈니스 가치가 반드시 높아지는 것은 아닙니다. LLM은 일반적인 데이터를 기반으로 학습됩니다. 조직에서 해결해야 할 진정한 가치는 학습 데이터가 가장 부족한 문제에서 나타납니다.
LLM에게 "차세대 블록버스터급 신약을 설계하되, 실수는 절대 하지 마라"라고 지시할 수는 없습니다. JMP 사용자는 아직 알려지지 않은 영역의 최첨단에서 작업하며, 이러한 워크플로는 인공지능만으로 자동화할 수 없습니다.
JMP 생태계에서 LLM이 진정으로 가치를 더하는 곳은 어디일까요?
LearnBotLearnBot
이러한 기반이 마련되면 LLM이 JMP 워크플로우를 가속화할 수 있는 실질적이고 의미 있는 기회가 생깁니다.
신규 사용자의 가치 실현 시간 단축. JMP는 학습 곡선이 짧지만 가파릅니다. 과학적 지식은 있지만 소프트웨어 사용법을 아직 잘 모르는 초보 사용자는 처음 몇 시간 만에 어려움을 겪을 수 있습니다. LearnBot (JMP 마켓플레이스에서 이용 가능)은 이러한 어려움을 직접적으로 해결합니다. LearnBot은 JMP의 풍부한 학습 콘텐츠, 문서, JSL 스크립팅 인덱스를 LLM(언어 학습 모델)으로 강화된 지식 기반에 로드하여, 신규 사용자가 자연어로 질문하고 정확하고 최신 JMP 콘텐츠에 기반한 답변을 받을 수 있도록 합니다. 초기 반응은 매우 긍정적입니다.
포인트 앤 클릭 방식의 사용과 자동화 사이의 격차를 해소합니다. JMP의 스크립팅 언어인 JSL은 매우 강력하여 맞춤형 애플리케이션, 통합 기능, 조직별 도구를 구축할 수 있습니다. 그러나 원격 측정 데이터에 따르면 대다수의 JMP 사용자는 JSL을 전혀 사용하지 않습니다. 가장 기본적인 JSL 작업인 스크립트를 데이터 테이블에 저장하는 작업조차 16% 정도만 사용됩니다. 이러한 활용률 저하는 상당한 병목 현상입니다. 사용자는 원하는 바를 일반 언어로 설명하고 작동하는 JSL 코드를 받을 수 있습니다. JSL이 제공하는 자동화 및 맞춤 설정 기능을 조직에서 일반적으로 의존하는 소수의 전문가 그룹이 아닌 전체 사용자가 활용할 수 있게 됩니다.
JMP의 숨겨진 기능을 누구나 쉽게 찾을 수 있도록 합니다. 전 세계 기업들은 30년 이상 JMP의 가치를 활용해 왔습니다. 하지만 때때로 JMP의 기능은 대부분의 사용자가 찾지 못하는 빨간색 삼각형 메뉴나 플랫폼 옵션 뒤에 숨겨져 있는 경우가 있습니다. 자연어 인터페이스를 통해 이러한 도구들을 누구나 사용할 수 있게 됩니다. 사용자는 원하는 작업을 설명하여 JMP 내에서 해당 도구를 바로 찾을 수 있습니다. 메뉴에서 해당 도구를 찾지 못했더라도 말이죠.
JMP 워크플로 내에서 자유 형식 텍스트 분석을 활성화합니다. LLM 프롬프트 러너 확장 프로그램을 사용하면 데이터 테이블 콘텐츠를 LLM으로 직접 전달하고 감정 분석, 근본 원인 추출 또는 분류와 같은 구조화된 결과를 다시 데이터 테이블로 반환할 수 있습니다. 사용자는 JMP 워크플로를 유지하면서 자신이 진정으로 강점을 발휘하는 작업에 LLM 기능을 활용할 수 있습니다.
우리가 구축하고 있는 인프라
JMP Scripting Index JMP 스크립팅 색인 JMP는 특정 벤더에 의존하지 않고 최대한의 유연성을 제공하도록 구축되고 있습니다. 단일 LLM 제공업체가 승리할 것이라고 가정하지 않습니다. 우리의 초점은 고객이 JMP를 자사의 표준 및 환경에 맞는 모델과 서비스에 연결할 수 있도록 하는 인프라와 인터페이스에 있습니다.
이것이 어떻게 종합되는지 설명해 드리겠습니다.
첫째, 지식 기반입니다. 저희는 JSL.jmp.com 에 2만 개 이상의 JSL 스크립트 스니펫을 LLM(언어 치료사)이 쉽게 해석할 수 있는 형식으로 게시했으며, 1만 개 이상을 추가로 게시할 예정입니다. 그 결과, LLM들은 JSL을 이해하고 작성하는 능력이 크게 향상되었으며, 앞으로도 계속 발전할 것입니다.
둘째, 번역 계층입니다. 검색 증강 생성(RAG)을 사용하여 오류를 최소화하고 사용자가 질문할 때 정확하고 관련성 있으며 최신 JMP 콘텐츠를 기반으로 한 답변을 제공하도록 합니다.
세 번째로, 연결성 개선입니다. 엔드포인트 커넥터를 통해 JMP를 원하는 LLM과 더욱 쉽게 연결할 수 있도록 하여 고객이 특정 공급업체에 종속되지 않도록 할 예정입니다. 이 기능은 2027년 3월에 출시될 예정이며, 먼저 사용해 보고 싶으시다면 JMP 얼리 어답터 프로그램에 참여해 주세요. 여러분의 소중한 의견을 기다립니다.
넷째, 도구입니다. JMP는 사용자를 지원하고 워크플로를 개선하며 코딩 필요성을 줄이는 고부가가치 AI 및 ML 확장 기능 라이브러리를 지속적으로 구축하고 있습니다. 사용자는 이러한 확장 기능을 설치하고 조직 정책에 맞게 구성한 다음 필요에 따라 수정할 수 있습니다.
마지막으로 JMP 마켓플레이스입니다. 고객은 JMP 마켓플레이스를 통해 자신의 필요에 맞는 LLM 또는 AI 확장 기능을 선택할 수 있습니다. JMP는 이러한 확장 기능을 핵심 제품에 내장하는 대신 JMP 마켓플레이스를 통해 제공함으로써 AI를 선택 사항으로 유지하고 강제하지 않습니다.
보안, 개인정보 보호 및 규정 준수 – 귀사의 조건에 맞춰 제공합니다.
특히 AI가 관련된 경우 데이터 개인정보 보호, 보안 및 규정 준수가 최우선 과제라는 점을 잘 알고 있습니다. JMP는 보안 및 규정 준수 팀이 필요로 하는 해답을 간편하게 찾을 수 있도록 지원합니다.
JMP 신뢰 센터에서는 JMP가 사용자의 데이터와 프롬프트를 어떻게 처리하는지, 데이터 개인정보 보호를 어떻게 보장하는지, 어떤 보안 조치를 제공하는지, 그리고 EU 규정 준수 요건을 어떻게 충족하는지에 대한 정보를 제공합니다. JMP 생성형 AI 이용 약관은 LLM 기반 확장 기능을 사용할 때 프롬프트가 어떻게 처리되는지에 대한 구체적인 내용을 명시하고 있습니다. 각 확장 기능에는 사용된 모델을 식별하고 모델 제공업체의 문서 링크를 제공하는 모델 정보 시트가 포함되어 있습니다. 또한 JMP 책임 있는 사용 정책은 윤리적인 AI 사용에 대한 당사의 약속을 설명하고 허용되는 사용 사례와 허용되지 않는 사용 사례를 안내합니다.
이 모든 자료는 공개되어 있으며 보안 및 규정 준수 팀과 공유할 수 있습니다.
JMP가 하지 않는 일
JMP가 무엇을 하지 않는지 명확히 하는 것만큼이나 우리가 무엇을 하고 있는지 설명하는 것도 중요합니다.
- 저희는 JMP 분석 워크플로우를 대체할 챗봇을 개발하는 것이 아닙니다. JMP는 분석 도구이지 대화형 제품이 아닙니다.
- 우리는 LLM이 계산을 하도록 두지 않습니다. JMP가 계산을 하고, LLM은 명령어를 작성합니다.
- 우리는 기초 모델을 학습시키거나 미세 조정하지 않습니다. 왜냐하면 그것은 수십억 달러 규모의 GPU 시장이지 데스크톱 분석 작업이 아니기 때문입니다.
- 저희는 조작된 데이터를 생성하지 않습니다. JMP의 핵심 가치는 통계적 정확성이며, LLM이 조작한 수치로 인해 그 정확성이 훼손되지는 않을 것입니다.
- 저희는 원하지 않는 사용자에게 AI 기능을 강제로 적용하지 않습니다.
전략은 비즈니스 성과와 워크플로를 의미합니다. AI는 이러한 목표를 달성하기 위한 도구 중 하나일 뿐입니다.
결론적으로 말하자면
JMP는 탄탄한 기반과 차별화된 워크플로우를 갖추고 있습니다. 분석 워크플로우(시각적 탐색, 통계적으로 타당한 방법, 반복 가능하고 공유 가능한 분석)는 채팅창에 프롬프트를 입력하는 것과는 완전히 다릅니다. 프롬프트는 도움을 줄 수 있고, 때로는 매우 유용할 수 있지만, JMP가 제공하는 엄밀한 분석 과정과 전체적인 워크플로우를 대체할 수는 없습니다.
우리가 구축하고 있는 것은 인프라입니다. 여기에는 LLM이 JMP를 훨씬 더 잘 이해할 수 있도록 하는 지식 기반, 정확한 콘텐츠에 기반한 응답을 제공하는 번역 계층, 고객이 AI 제공업체를 유연하게 선택할 수 있도록 하는 엔드포인트 커넥터, 그리고 필요에 따라 AI 기능을 제공하는 마켓플레이스가 포함됩니다.
JMP 사용자들은 새로운 지식을 창출합니다. 그들은 어떤 모델도 접해보지 못한 데이터를 가지고, 이전에는 해결되지 않았던 문제들을 연구합니다. 이러한 워크플로는 사라지지 않을 것입니다. 오히려 인공지능 시대에는 더욱 중요해집니다. 왜냐하면 해결 가치가 있는 문제들은 바로 기존의 LLM(학습 모델)이 학습 데이터의 한계에 도달하고 JMP의 강점이 발휘되는 지점이기 때문입니다.
우리는 일시적인 유행을 쫓는 것이 아닙니다. 우리는 장기적인 안목으로, 그리고 여러분을 위해 만들어가고 있습니다.
