6.1 AI 전략과 준비도

개요와 동기

인공지능은 연구의 신기한 대상에서, 대규모 조직이 이제 책임 있게 그리고 규모에 맞게 배치하리라 기대되는 핵심 역량이 되었습니다. 기업과 정부 기관에게 진짜 질문은 더 이상 AI가 시연에서 인상적인 일을 할 수 있는지가 아닙니다. 특정 투자가 대안보다 실제 문제를 더 잘 해결하는지, 여러 해 동안 안전하게 운영될 수 있는지, 감사, 조달, 대중의 검증을 견딜 수 있는지입니다. AI 전략은 AI를 어디에 적용하고, 어디서 피하고, 첫 모델이 프로덕션에 닿기 전에 어떤 기반이 필요한지 결정하는 규율입니다.

큰 팀에게는 규모와 관성이 판돈을 올립니다. 잘못 구성된 이니셔티브는 예산을 태우고, 재능 있는 엔지니어의 주의를 흩뜨리며, 공개적으로 실패할 때 규제 기관과 시민의 신뢰를 갉아먹을 수 있습니다. 잘 고른 이니셔티브는 허드렛일을 자동화하고, 예전에는 닿을 수 없던 데이터에서 통찰을 드러내며, 숙련된 사람들을 더 가치 있는 일에 풀어 줄 수 있습니다. 차이는 좀처럼 모델 자체에 있지 않습니다. 문제를 얼마나 잘 구성했는지, 데이터와 인재가 얼마나 준비되었는지, 비즈니스 사례가 얼마나 정직한지로 귀결됩니다.

정부와 규제 맥락은 제약을 더합니다. 공공 기관은 지출을 정당화하고, 투명성을 보장하고, 위법한 차별을 피하고, 선출직 공직자와 대중에게 책임을 져야 합니다. 조달 규칙은 단일 공급자 종속을 금지하고, 설명 가능성을 요구하며, 벤더가 모델 행동을 공개하도록 요구할 수 있습니다. 여기서는 컴플라이언스, 감사 가능성, 퇴출 옵션을 사후 고려가 아니라 일급 요건으로 다루십시오.

핵심 원칙

용도를 찾는 기술이 아니라 풀 가치가 있는 문제에서 시작하십시오.
필요를 충족하는 가장 단순한 접근을 선호하십시오. AI는 많은 선택지 중 하나이며, 대개 최선은 아닙니다.
데이터 준비도, 인재, 플랫폼 성숙도를 나중에 정리할 병렬 작업 흐름이 아니라 전제 조건으로 다루십시오.
빌드 대 구매 결정을 명시적으로 내리고, 시장과 역량이 바뀜에 따라 다시 검토하십시오.
라이선스나 시범 사업만이 아니라 운영, 모니터링, 결국의 교체를 포함한 총소유비용을 정량화하십시오.
첫날부터 퇴출을 위해 설계하십시오. 벤더나 모델을 바꾸는 데 엄청난 비용이 드는 아키텍처를 피하십시오.
규제 및 공공 환경에서는 투명성, 조달 컴플라이언스, 책무를 설계 제약으로 다루십시오.
행동하지 않는 비용을 행동하는 비용과 나란히 측정하십시오.

권장 사항

기술을 고르기 전에 문제를 구성한다

한 페이지짜리 문제 진술을 쓰십시오. 개선하고 싶은 결정이나 과업, 현재 기준선, 원하는 측정 가능한 성과, 시스템이 틀릴 때 일어나는 일의 이름을 대십시오. 그다음 문제가 애초에 AI에 맞는지 물으십시오. 관련 데이터가 충분한가? 과업이 규칙 기반이 아니라 패턴 기반인가? 확률적 답을 감내할 수 있는가? 사람이 출력을 확인할 수 있는가? 많은 문제는 결정론적 소프트웨어, 더 나은 프로세스 설계, 또는 그저 더 나은 데이터 위생으로 더 잘 풀립니다. AI가 맞지 않는 곳을 명시적으로 적어 두십시오. 예컨대 법적으로 완벽하게 설명 가능해야 하는 결정이나, 드문 오류의 비용이 파국적이고 잡아내는 것이 불가능한 경우입니다.

프롬프트, 미세 조정, 구매, 빌드의 결정 트리를 쓴다

가장 싸고 빠른 것에서 가장 비싸고 가장 통제된 것으로 이동하십시오.

기존 호스팅 모델에 프롬프트를 쓴다. 범용 모델(Anthropic의 Claude, 또는 다른 제공자의 비슷한 제품 등)이 신중한 프롬프팅과 검색으로 문제를 해결한다면 그것부터 하십시오. 가장 낮은 비용, 가장 빠른 반복, 학습 인프라 없음.
검색이나 도구로 보강한다. 간극이 지식이나 행동에 있다면, 모델 가중치를 건드리기 전에 질의 시점에 관련 문서를 가져와 모델에 컨텍스트로 제공하는 검색 증강 생성(RAG)과 도구 사용을 더하십시오.
미세 조정하거나 적응시킨다. 프롬프팅이 필요한 정확도, 어조, 형식을 일관되게 달성하지 못한다면, 여러분의 데이터로 더 작은 모델을 미세 조정하십시오. 곧 사전 학습된 모델을 여러분의 예시로 추가 학습시켜 특화하는 것입니다. 이는 MLOps(머신러닝 운영) 파이프라인을 대가로 통제를 사는 것입니다.
특화된 제품을 산다. 잘 정의된 영역(문서 처리, 사기 점수화)에서는 성숙한 벤더 제품이 직접 만드는 어떤 것보다 나을 수 있습니다.
처음부터 만든다. 파운데이션 모델(넓은 데이터로 사전 학습되어 많은 과업에 적응할 수 있는 큰 모델)의 학습은 고유한 데이터, 깊은 인재, 전략적 이유가 있는 조직을 위해 남겨 두십시오. 거의 모든 기업과 기관에게 이것은 잘못된 선택입니다.

데이터, 인재, 플랫폼의 전제 조건을 확립한다

데이터의 가용성, 품질, 레이블링, 계보, 사용의 법적 근거를 감사하십시오. 개인 데이터나 제3자 데이터를 포함해, 실제로 AI에 쓸 권리가 있는지 확인하십시오. 인재를 솔직하게 평가하십시오. 데이터 과학자가 필요하고, 마찬가지로 ML 엔지니어, 데이터 엔지니어, 확률적 시스템을 이해하는 제품 관리자, 출력을 평가할 수 있는 리뷰어가 필요합니다. 규모를 키우기 전에 플랫폼 기준선을 세우십시오. 실험 추적, 모델 레지스트리(학습된 모델 버전과 승인 상태의 기록 시스템), 모니터링, 보안 서빙으로, 새 사용 사례마다 운영을 다시 발명하지 않게 합니다.

규제 및 정부 맥락을 의도적으로 다룬다

조달, 법무, 위험 팀을 일찍 참여시키십시오. 벤더에게 모델 출처, 학습 데이터 관행, 평가 결과, 알려진 한계를 공개하도록 요구하십시오. 데이터와 프롬프트의 이식성을 보장하는 계약을 선호하고, 여러분을 가두는 독점 형식을 피하십시오. 적절한 곳에서는 대중 대면 AI 시스템의 목적과 보호 장치를 공개하고, 사람들이 자동화된 결정에 이의를 제기할 채널을 주십시오. 감사가 문서화되고 방어 가능한 프로세스를 찾도록 인정된 프레임워크(6.5장 참조)에 맞추십시오.

총소유비용을 계산하고 종속에 대비한다

전체 수명 주기 비용을 모델링하십시오. 추론이나 라이선스, 데이터 파이프라인, 사람 리뷰, 모니터링, 재학습, 사고 대응, 폐기입니다. 이를 현상 유지의 비용과 대안의 비용에 견주십시오. 모델을 내부 인터페이스 뒤에 두고, 프롬프트와 평가 데이터셋을 이식 가능하게 유지하고, 가끔 두 번째 제공자를 테스트하여 종속을 줄이십시오.

장단점

접근	장점	단점	가장 적합한 때
호스팅 모델에 프롬프트	빠르고 싸며 인프라 없음. 바꾸기 쉬움	통제가 적음. 호출당 비용. 데이터 공유 문제	프로토타입, 넓은 과업, 불확실한 요건
검색 증강	답을 여러분의 데이터에 근거시킴. 갱신 가능	검색 품질이 어려움. 인프라 추가	지식 집약적 과업
더 작은 모델 미세 조정	통제. 규모에서 호출당 비용이 낮음. 온프레미스 옵션	MLOps, 데이터, 유지가 필요	안정적이고 대량이며 특화된 과업
제품 구매	검증됨. 지원됨. 가치까지 빠름	라이선스 비용. 종속. 제한된 적합	잘 정의된 범용 문제
파운데이션 모델 빌드	최대의 통제와 차별화	막대한 비용. 희귀한 인재. 높은 위험	최첨단 연구소 밖에서는 거의 없음

지배적 트레이드오프는 통제 대 비용과 속도입니다. 프롬프팅은 가장 많은 속도와 유연성을 주지만 통제는 가장 적고, 빌드는 가장 많은 통제를 주지만 소수의 조직만 쓸 만한 자원을 요구합니다. 대부분의 큰 팀은 중간에 있어야 합니다. 먼저 프롬프트와 검색을 하고, 선택적으로 미세 조정하고, 범용 필요는 구매하십시오. 종속은 단기적 편의를 장기적 위험과 맞바꾸는 것이며, 여러 해의 퇴출 의무가 흔한 정부에서 특히 중요합니다.

팀과 논의할 질문

가장 유력한 세 사용 사례 각각은 프롬프트-검색-미세 조정-구매-빌드 사다리의 어디에 있으며, 한 단을 옮기려면 어떤 증거가 필요합니까? 이것이 중요한 이유는 대부분의 낭비된 AI 지출이 한 단 너무 높게 시작하는 데서 나오기 때문입니다. 신중한 프롬프팅으로 됐을 일에 모델을 학습시키는 것입니다. 큰 팀에서 사다리를 공유된 기본값으로 합의하면 각 그룹이 비싼 파이프라인을 다시 발명하는 것을 막습니다. 각 후보의 한 페이지 문제 진술, 현재 기준선, 간극이 지식(검색), 일관성(미세 조정), 해결된 범용 문제(구매) 중 어느 것인지에 대한 정직한 판독을 가져오십시오. 기업과 정부 환경에서는 각 단의 조달 및 감사 비용을 더하십시오. 미세 조정된 모델은 호스팅 호출에는 없는 MLOps 부담을 끌고 오기 때문입니다. 답은 그 자리에서 범위가 과도한 프로젝트를 적어도 하나는 접거나 격하하게 해 줄 것입니다.
가장 많이 의존하는 벤더나 모델에 대한 구체적인 퇴출 계획은 무엇이며, 실제로 테스트해 봤습니까? 종속은 받아들이기 싸고 풀기 비싸며, 정부에서는 예행연습을 해 본 적이 없다면 충족할 수 없는 여러 해의 퇴출 의무를 질 수 있습니다. 의존하는 독점 기능 목록, 프롬프트와 평가 데이터셋이 이식 가능한지, 모델이 내부 인터페이스 뒤에 어떻게 놓여 있는지(혹은 놓여 있지 않은지)를 가져오십시오. 지켜볼 신호는 누군가 두 번째 제공자에 대해 평가 스위트를 돌려 본 적이 있는지입니다. 없다면 퇴출 계획은 계획이 아니라 희망입니다. 정직한 답이 전환에 몇 달이 걸리고 핵심 코드를 다시 써야 한다는 것이라면, 그것을 나중에 건널 다리가 아니라 지금 고칠 설계 결함으로 다루십시오.
정직한 준비도 점수표는 우리 데이터 권리에 대해 무엇을 말하며, 오늘 어떤 사용 사례를 부적격으로 만듭니까? 데이터 준비도를 건너뛰는 것은 시범 사업을 조용히 가라앉히는 실패입니다. 모델은 동작하지만 데이터를 쓸 법적 근거가 애초에 없었거나, 레이블이 없고 계보가 없습니다. 큰 조직에서 개인 데이터와 제3자 데이터는 관할과 데이터셋마다 다른 동의와 계약상의 한계를 제기합니다. 각 후보의 가용성, 품질, 레이블링, 계보, 법적 근거 감사를 가져오고, 데이터 기반이 갖춰질 때까지 일부 사용 사례를 차단됨으로 표시할 의향을 가지십시오. 규제 및 공공 환경에서 쓸 수 없는 법적 근거는 지연이 아니라 하드 스톱이며, 준비도 작업에 자금을 대는 것은 사후 고려가 아니라 계획의 명시적 항목이어야 합니다.
운영 중인 AI 사용 사례가 실제로 동작하는지 어떻게 알며, 어떤 증거가 있으면 접겠습니까? 대부분의 AI 포트폴리오에는 좀비가 쌓입니다. 출하되고, 누군가를 감탄시키고, 지금은 아무도 여전히 비용만큼 값하는지 확인하지 않은 채 영원히 도는 시범 사업입니다. 출시 전에 기준선과 성공 지표를 합의하고 명시적인 중단 임계값을 정해, 멈추는 결정이 그 순간에 방어되는 것이 아니라 미리 내려지게 하십시오. 현재 지표, 성과당 사람 감독 비용, 출시 이후 본 드리프트를 가져오십시오. 기업과 정부 포트폴리오에서는 누가 각 시스템을 고정된 주기로 리뷰하고 누가 그것을 퇴역시킬 권한을 갖는지 이름을 정하십시오. 아무도 리뷰할 책임이 없는 사용 사례는 아무도 끄지 않을 사용 사례입니다.
사람은 어디서 루프에 남으며, 그 감독에는 비용이 얼마나 들고, 실제로 예산을 잡았습니까? 가장 싸 보이는 AI 사용 사례는 조용히 완전 자동화를 가정한 것이고, 그다음 현실이 다시 밀어 넣는 리뷰, 수정, 에스컬레이션으로 비용이 샙니다. 어떤 결정을 사람이 확인해야 하는지, 모델이 단독으로 내려도 되는지, 결코 내려서는 안 되는지를 의도적으로 정한 뒤, 그것이 함축하는 사람의 시간에 가격을 매기십시오. 낮은 확신 사례의 양, 틀린 답의 비용, 현재의 에스컬레이션 경로를 가져오십시오. 규제 및 공공 환경에서는 자동화된 각 결정을 책임 있는 담당자와 이의 제기 경로에 묶으십시오. 설명할 수 없는 감독은 갖고 있지 않은 감독이기 때문입니다.
제안하는 것을 운영할 인재와 플랫폼이 있습니까, 아니면 없는 역량을 조용히 가정하고 있습니까? 야심 찬 AI 계획은 모델보다 화려하지 않은 기반에서 더 자주 실패합니다. 파이프라인을 유지할 사람이 없고, 출력을 평가할 사람이 없고, 배포할 플랫폼이 없습니다. 각 후보 사용 사례를 실제로 필요한 기술과 인프라에 맞추고, 간극이 채용, 파트너, 또는 만들지 않을 이유 중 어느 것인지 솔직해지십시오. 각 시스템을 프로덕션에서 소유할 수 있는 사람, 그것이 돌아갈 플랫폼, 사야 할 역량의 목록을 가져오십시오. 크거나 공공 조직에서는 조달과 채용의 리드 타임을 더하십시오. 해당 기간에 모집할 수 없는 인재에 의존하는 계획은 전달에 못 미치게 될 계획이기 때문입니다.

분야별 관점

스타트업. 속도와 생존이 지배합니다. 핵심 가치에 닿는 좁은 사용 사례 하나를 골라 얇은 인터페이스 뒤의 호스팅 모델로 출하하고, 지출을 엄격하게 제한하십시오. 인프라를 만들거나 모델을 학습시키는 것을 피하십시오. 가장 희소한 자원은 엔지니어링의 주의이고, 유지할 수 없는 미세 조정 파이프라인은 해자가 아니라 부채입니다. 빠르게 움직이는 시장을 따라갈 수 있도록 전환 비용을 싸게 유지하십시오.

소기업. 데이터 과학자도 빠듯한 예산도 있을 테니, AI를 인력을 두는 프로그램이 아니라 이미 쓰는 도구에 내장되어 사는 것으로 다루십시오. 준비도를 머신러닝 프로젝트가 아니라 데이터 위생과 프라이버시의 문제로 구성하십시오. 어떤 고객 데이터를 보유하는지, 그것으로 무엇을 할 수 있는지, 틀린 자동화 답이 어디서 고객을 잃게 할지 아십시오. AI를 선택적이고, 투명하고, 끄기 쉽게 만드는 벤더를 선호하십시오.

대기업. 문제는 많은 팀에 걸친 포트폴리오 거버넌스입니다. 공유된 빌드 대 구매 사다리, 일관된 준비도 평가, 그룹들이 비싼 파이프라인을 다시 발명하지 않도록 하는 종속 및 총비용 분석입니다. MLOps와 사람 감독 부담을 명시적으로 예산에 잡고, 제공자가 교체 가능하도록 인터페이스 계층을 표준화하고, AI 사용 사례를 흩어진 시범 사업이 아니라 분명한 지표와 중단 기준이 있는 포트폴리오로 관리하십시오.

정부. 투명성, 조달 규칙, 책무가 모든 선택을 형성합니다. 정책을 생성하기보다 공식 출처를 인용하는 시스템을 선호하고, 중대한 결정에는 책임 있는 사람을 두고, 계약에서 데이터 이식성과 모델 한계의 공개를 요구하십시오. 쉬운 언어의 설명과 이의 제기 경로를 공개하고, 서명하는 여러 해의 퇴출 의무를 지키고, 책임 있는 담당자에게 있어야 하는 최종 평가 결정에서는 AI를 배제하십시오.

사례

스타트업. 다섯 명의 일정 관리 스타트업은 두 엔지니어를 핵심 제품에서 빼지 않고 자연어 “회의 잡아 줘” 기능을 더하고 싶었습니다. 중요한 가장 작은 문제인 요청을 제안 시간으로 파싱하는 것을 골랐고, 나중에 제공자를 바꿀 수 있도록 얇은 내부 API 뒤의 호스팅 모델로 출하했습니다. 팀은 월간 지출 상한을 엄격히 정하고, 사용자가 제안된 시간을 받아들이는지 추적하고, 물량이 추가 작업을 정당화할 때만 미세 조정 모델을 다시 검토하기로 합의했습니다.

기업. 한 다국적 보험사는 보험금 청구 분류를 빠르게 하고 싶었습니다. 맞춤 모델을 학습시키는 대신 문제를 좁게(들어오는 청구를 분류하고 요약) 구성하고, 호스팅 모델에 정책 문서에 대한 검색을 더해 프로토타이핑하고, 사람의 처리 시간과 정확도에 견주어 측정했습니다. 가치를 입증한 뒤에야 호출당 비용을 줄이려고 물량이 가장 많은 청구 유형에 더 작은 모델을 미세 조정했습니다. 제공자를 바꿀 수 있도록 모델을 내부 API 뒤에 두었고, 낮은 확신 사례의 사람 리뷰를 포함한 3년 총소유비용을 모델링했습니다.

정부. 한 국세청은 직원이 시민 문의에 답하도록 돕는 AI 보조 도구를 검토했습니다. 그 답이 법적 의무에 닿으므로 기관은 투명성을 고집했습니다. 시스템은 인용과 함께 공식 안내만 보여 줄 수 있고 결코 정책을 지어내지 못했으며, 사람이 모든 자동 제안을 나가기 전에 리뷰했습니다. 조달은 벤더에게 모델 한계의 공개와 데이터 이식성 보장을 요구했고, 기관은 시스템의 쉬운 언어 설명과 이의 제기 경로를 공개했습니다. AI는 최종 평가 결정에서 완전히 배제하고, 그것을 책임 있는 담당자에게 남겼습니다.

비즈니스 사례: 동기, ROI, TCO

AI 전략은 서로 거울상인 두 실패를 피하도록 돕기 위해 존재합니다. 결코 보답하지 않는 AI에 과잉 투자하는 것, 그리고 경쟁사나 동급 기관이 앞서가는 동안 과소 투자하는 것입니다. ROI는 절감된 노동, 단축된 주기 시간, 낮아진 오류율, 가능해진 새 역량에서 나옵니다. 이를 진짜 기준선에 견주어 측정하고, 좀처럼 사라지지 않는 사람 감독의 실제 비용을 할인하십시오.

TCO에는 화려하지 않은 항목이 들어가야 합니다. 데이터 파이프라인, 모니터링, 세상이 드리프트함에 따른 재학습, 보안 리뷰, 결국의 폐기입니다. 싸 보이는 시범 사업이 여러 해 동안 규모에서 돌면 비싸질 수 있습니다. 도입하지 않는 비용도 제시하십시오. 더 느린 서비스, 더 높은 수작업 비용, 전략적 표류입니다. 리더십에는 포트폴리오 관점으로 설득하십시오. 확신이 높은 소수의 내기, 분명한 성공 지표, 실패를 위한 중단 기준, 데이터와 인재의 기반이 있음을 보이는 준비도 평가입니다. 리더에게 준비도에 명시적으로 자금을 대 달라고 요청하십시오. 건너뛰면 비싼 재작업이 보장됩니다.

안티패턴과 함정

문제를 찾는 해법. 동급이 해서 AI를 사 놓고 용도를 찾아 헤매는 것.
데이터 준비도 건너뛰기. 가용하지 않거나, 레이블이 없거나, 법적으로 쓸 수 없는 데이터 위에서 모델을 출시하는 것.
시연 주도 결정. 프로덕션 수준의 평가 없이 세련된 시연에 근거해 약속하는 것.
사람 루프 무시. 완전 자동화를 가정하고 대부분의 비용이 숨은 리뷰에 과소 예산을 잡는 것.
조용한 종속. 퇴출 계획 없이 한 벤더의 독점 기능 위에 깊이 만드는 것.
운영 과소평가. 배포를 유지보수 의무의 시작이 아니라 결승선으로 다루는 것.
사후 고려로서의 컴플라이언스. 설계 뒤에 투명성과 감사 가능성을 몇 배의 비용으로 보강하는 것.

성숙도 모델

시작. 즉흥적 실험, 공유된 전략 없음, 과대 광고와 개인의 열의가 이끄는 결정.
발전. 일부 프로젝트에 문제 구성이 있고, 첫 플랫폼 기준선이 나타나며, 빌드 대 구매가 논의되지만 일관되지 않습니다.
표준화. 분명한 지표, 문서화된 결정 트리, 준비도 평가, 종속 및 총소유비용 분석을 갖춘 AI 사용 사례 포트폴리오가 팀 전반에 일관되게 적용됩니다.
관리. 포트폴리오가 측정됩니다. 준비도, ROI, TCO, 사람 감독 비용이 기준선에 대해 추적되고, 중단 기준이 증거에 따라 시행되며, 전달과 품질 영향이 각 진행 또는 중단 결정을 이끕니다.
오케스트레이션. AI 전략이 비즈니스 및 위험 계획과 통합되고, 준비도가 지속적으로 유지되며, 조직이 증거에 근거해 AI 시스템을 일상적으로 퇴역시키고, 교체하고, 범위를 다시 정하여, 시장과 위험 상황이 이동함에 따라 포트폴리오의 균형을 다시 맞춥니다.

논의를 위한 아이디어

문제가 AI에 진정으로 맞지 않는다고 언제 판단하며, 거절할 권한은 누구에게 있습니까?
어떤 준비도 임계값이 프로젝트를 시범 사업에서 프로덕션으로 관문 통제해야 합니까?
더 빠른 가치 실현의 대가로 얼마나 많은 종속이 허용됩니까?
정부에서 투명성 의무는 빌드 대 구매 선택을 어떻게 형성해야 합니까?
벤더와 열성가가 과소 진술할 유인이 있을 때 TCO 추정을 어떻게 정직하게 유지합니까?
누가 AI 포트폴리오를 소유하며, 중단 결정은 어떻게 내려집니까?

핵심 요점

전략은 기술이 아니라 실제 문제와 정직한 기준선에서 시작합니다.
가장 단순한 선택을 선호하십시오. 프롬프트, 그다음 검색, 그다음 미세 조정, 그다음 구매이고, 처음부터 만드는 일은 드뭅니다.
데이터, 인재, 플랫폼 준비도는 전제 조건이며, 그에 자금을 대는 것은 계획의 일부입니다.
규제 및 정부 맥락은 설계에서부터 투명성, 조달 컴플라이언스, 퇴출 옵션을 요구합니다.
전체 TCO와 무행동의 비용을 모델링하고, 첫 아키텍처 결정부터 벤더 종속에 대비하십시오.

참고 문헌과 더 읽을거리

Ajay Agrawal, Joshua Gans, and Avi Goldfarb, Prediction Machines: The Simple Economics of Artificial Intelligence.
Eric Siegel, The AI Playbook: Mastering the Rare Art of Machine Learning Deployment.
Andriy Burkov, The Hundred-Page Machine Learning Book.
National Institute of Standards and Technology, AI Risk Management Framework (AI RMF 1.0).
Organisation for Economic Co-operation and Development, OECD AI Principles.
Thomas H. Davenport, The AI Advantage: How to Put the Artificial Intelligence Revolution to Work.