많은 조직은 이렇게 데이터를 실행 가능한 인사이트로 전환하기 위해 데이터 사이언티스트, 데이터 엔지니어, MLOps 엔지니어로 구성된 팀이 필요합니다. 이러한 전환 과정은 데이터 및 AI 라이프사이클이라는 프로세스를 통해 달성되는데, 이는 데이터 관리 및 준비 작업부터 AI 모델의 생성과 최적화 작업, 배포 및 모니터링 작업까지 포괄하는 개념입니다. 데이터와 AI 라이프사이클은 비즈니스 프로세스에서 빼놓을 수 없는 핵심 구성 요소가 되었지만, 정작 이를 담당하는 데이터 및 AI 팀은 각 단계마다 시간, 복잡성, 리소스와 관련한 어려움에 부딪히게 되었습니다. 즉, 이 라이프사이클 전반에 걸쳐 생산성을 높일 수 있는 조직은 보다 빠른 의사결정, 비용 절감, 더 큰 혁신과 같은
강력한 이점을 누릴 수 있습니다.

원활한 데이터 및 AI 라이프사이클 업무에서 무엇보다 중요한 요소는 데이터 및 AI 실무자가 사용하는 각종 툴과 플랫폼입니다. 이번 연구에서는 3종류의 데이터 및 AI 플랫폼에 대한 평가를 진행하여, 이러한 플랫폼이 생산성에 미치는 영향을 중점적으로 살펴봅니다. 생산성을 평가하기 위해 엔지니어가 일반적인 데이터와 AI 작업을 완료하는 데 소요되는 시간을 측정했으며, 이러한 작업에 수반되는 복잡성과 요구되는 기술 역량도 함께 평가했습니다. 이번 연구를 위해 여러 명의 Futurum Group 분석가가 SAS® Viya®와 2종의 대체 솔루션을 실제로 사용하면서 데이터 및 AI 라이프사이클 전체에 대한 평가를 진행했습니다. 연구 결과 눈에 띄는 점은, SAS Viya가 데이터 및 AI 라이프사이클 전반에 걸쳐 비교 대상 솔루션보다 훨씬 높은 수준의 생산성 향상을 실현했다는 것입니다.