질문이 무엇이든 해답은 생성형 AI

Tom Godden(00:10):
우리는 흔히 생성형 AI가 해답이라고 말합니다. 그 질문이 무엇이든지요. 생성형 AI는 정말 흥미로운 신기술입니다. 혁신적인 기술이지요. 사실 우리는 생성형 AI가 인쇄기, 전기, 개인 컴퓨팅, 인터넷, 심지어 클라우드와 같은 혁신적인 기술에 거의 버금가는 것이라고 생각합니다.

Phil Le-Brun:
새롭다고 하셨는데, 어떤 면에서는 60년에 걸쳐 쌓아온 발전이라고 할 수 있죠. 클라우드가 저비용 컴퓨팅을 가능하게 했고, 통계 기법에서의 발전, 현재 생성형 AI에 사용되고 있는 트랜스포머 모델 등이 모두 합쳐져 이것이 가능해졌습니다. 이처럼 새로운 혁신이 축적되어 이제 조직에서 정말 놀라운 일을 수행할 수 있는 발전이 현실화되었습니다.

Miriam McLemore:
제가 하나 덧붙이고 싶은 것은 데이터입니다. 그렇죠? 우리는 모두 데이터에 대해 걱정해 왔습니다. 모두가 데이터에 파묻혀 있다고 할 수 있죠. 생성형 AI는 개선된 챗봇, 콜센터, 콘텐츠 제작 등 방금 설명한 몇 가지 작업에 실제로 데이터를 사용하고 생산적으로 사용할 수 있는 길을 열어줍니다. 최근 HealthScribe에 대해 새로운 소식을 발표했었죠. 지금까지 여러분은 진료실에 앉아 의사가 컴퓨터로 입력하는 것을 지켜보셨을 것입니다. 이제 의사를 환자와 함께 방으로 돌아오게 합시다. 몇 가지 훌륭한 새 기능이 있는데, 바로 데이터 활용에 관한 것입니다.

Tom Godden:
우리는 모든 파운데이션 모델, 대규모 언어 모델에 대한 생성형 AI에 열광하고 있습니다. 사람들은 과정은 건너뛰고 생성형 AI를 사용하고 싶어합니다. 하지만 차이를 만드는 것은 바로 데이터입니다. 탄탄한 데이터 기반이 없다면 생성형 AI를 사용하여 영리한 속임수를 쓰는 일 외에는 아무것도 할 수 없을 것입니다. 사업을 운영하는 기업은 예측 가능성과 컨텍스트 정보를 얻어야 하며, 데이터가 이 부분에서 차이를 만들어 낼 것입니다.

Miriam McLemore:
제가 마음에 드는 점은 데이터가 백 오피스에서 까다로운 업무로 규정되어 왔지만, 이제 경영진이 이러한 데이터 전략에 관심을 기울여야 한다는 것입니다.

Phil Le-Brun:
그리고 현 시점에서 기업은 기계 학습과 AI를 대중화하는 여정을 밟고 있지만, 이 여정은 대부분 기술 지식을 보유한 사람들을 위한 것이었습니다. 이제는 이 경쟁의 장이 공평해졌습니다. McKinsey 데이터를 일부 살펴보면 생성형 AI의 이점 중 75%가 고객 운영(콜센터 등), 영업 및 마케팅, 연구 및 개발, 소프트웨어 개발이라는 네 가지 영역에서 나타날 것이라고 합니다. 예를 들어, 챗봇에 대해 말씀하셨죠. 브랜드와 대화할 수 있는 능력, 즉 소비자로서 제가 필요로 하는 것을 얻을 수 있는 대화를 할 수 있을 뿐만 아니라 회사 입장에서도 비용을 절감할 수 있는 능력, 고객 여정에서 마찰을 제거할 수 있는 능력, 바로 이런 것들이 경쟁 우위가 될 것입니다.

Miriam McLemore(03:20):
전에 우리 고객 중 한 명과 함께 있었는데, 그들은 일상 업무와 바쁘게 만드는 일에서 벗어나기 위해 정말 열심히 노력하고 있습니다. 하지만 앞을 멀리 내다보지도 않고 중요하게 생각하지도 않았죠. 리더로서 우리는 어떻게 이런 모델을 깨뜨릴 수 있을까요? 어떻게 해야 아웃사이드 인 방식으로 볼 수 있고, 변화를 예측할 수 있을까요? 우리는 남다른 리더가 되어야 하며, 이 말은 즉 우리를 가로막는 관료주의를 해결해야 합니다.

Tom Godden:
이건 클라우드 컴퓨팅과 마찬가지로, 디지털 트랜스포메이션과 같은 혁신적인 변화입니다. 그리고 저는 우리의 예전 관행 중 많은 부분이 도움이 된다고 생각합니다. 문화를 제대로 이해해야 합니다. 조직을 제대로 이끌어 나가야 합니다. 우리가 흔히 말하는 프로세스나 메커니즘을 자세히 살펴보고 올바른 위치에 배치해야 합니다. 그렇지 않으면 초고속 경주용 자동차를 사더라도 레이싱 지원 인원과 드라이버가 훈련도 준비도 되지 않은 상태일 수 있는 것입니다. 그렇다면 경주를 할 수 없는 것이죠. 아마 어느 정도 이점을 얻을 수는 있겠지만, 우리가 혁신에 대해 이야기하는 이유는 그게 바로 관심사이기 때문입니다. 경쟁자들이 가만히 앉아 있는 게 아니잖아요, 그렇죠? 경쟁자들은 끊임 없이 나아가고 있습니다. 그리고 이 분야에서는 가장 먼저 행동하는 사람이 얻을 수 있는 이점이 있습니다. 따라서 혁신적이거나 더 나아가 업계 내에서 파괴적인 존재가 되려면 이 모든 요소가 필요합니다.

Phil Le-Brun:
Scott Galloway 교수는 AI가 기업에 미칠 영향에 대해 걱정할 필요가 없다고 말합니다. AI를 사용하여 기업을 혁신하는 방법을 아는 사람들이 어떤 영향을 미칠지에 대해 걱정해야 한다고 말하죠. Miriam 씨, “크게 생각하고, 작게 시작하고, 빠르게 확장하라”라는 말이 있습니다. 저는 이것이 바로 우리가 해야 할 일이라고 생각합니다. 과한 망상에 빠지면 안 되지만, 작은 생각은 자기실현적 예언(self-fulfilling prophecy)입니다. 따라서 기업을 어떻게 혁신할 수 있을지 거시적으로 생각하되, 지금 당장 시작하고, 관성을 극복하고, 이를 어떻게 활용할 수 있는지 알아보세요. 직접 실행하는 것은 조직에서 무엇이 효과가 있는지 가장 빨리 배울 수 있는 방법입니다.

Tom Godden(05:27):
‘질문이 무엇이든 해답은 생성형 AI’ 질문으로 다시 돌아오죠. 가치를 높일 수 있는 일이기 때문에 해야만 합니다. 적합한 도구이기 때문에 사용해야 합니다. 우리는 종종 ‘단순한’ 데이터 분석이나 ‘일반적인’ AI, ‘일반적인’ 기계 학습을 보게 되는데, 우스운 것은 6개월 전만 해도 이런 기술들이 엄청나게 진보된 기술로 여겨졌다는 것입니다. 때로는 이러한 것들이 해결이 필요한 문제에 대해 목적에 더 적합할 수 있습니다. 그리고 이러한 작업을 처리하기 위해 생성형 AI에 많은 노력과 수고를 들일 필요가 없습니다. 가치를 높일 수 있는 방향으로 나아가세요. 근사해 보이는 사람들이 다 한다고 해서 무작정 따라하지 마세요.

Miriam McLemore:
하지만 관심은 기울여야죠.

Tom Godden:
자, 어서 시작하세요. 느긋하게 굴어서는 안 됩니다. 가장 먼저 행동하는 사람(first mover)의 이점이 있습니다. 이 변화는 혁신적입니다. 다시 말씀드리지만, 이 변화는 지금까지 보아온 다른 대규모 혁신과 비슷한 수준이므로, 앞서 나갈 수 있도록 행동해야 합니다. 직접 실천해야 합니다.

Phil Le-Brun:
지금 당장 시작하는 데 방해되는 것은 아무것도 없습니다. AWS SageMaker JumpStart를 통해 대규모 언어 모델을 지금 바로 사용할 수 있습니다. 필요한 모든 것이 지원됩니다. 사용량에 따라 요금이 부과되는 모델이므로, 설치해서 사용해 보세요. 효과가 없으면 사용을 중지하면 됩니다.

Miriam McLemore:
지금 바로 데이터 전략을 세울 수 있습니다. 더 일찍 했어야 하는데 말이죠.

Tom Godden:
생성형 AI를 사용하든 사용하지 않든, 여러분에게 유용할 것입니다. 그리고 클라우드 하우스를 정리하세요. 아직 탄탄한 기반을 구축하지 못했다면 클라우드 혁신 센터(CCoE)를 이용하여 팀이 이러한 목표를 추구할 수 있도록 준비하세요. 그냥 좋은 생각이라서 하는 것이 아니라, 필요해질 것이므로 해야 합니다. 이건 ‘테이블 스테이크(table stakes)’예요. 생성형 AI의 기본적인 요소라는 뜻이죠.

Phil Le-Brun:
그리고 이 일을 CIO에게만 맡기지 마세요. CIO를 무시하는 것은 아니지만, 이 일은 비즈니스 과제입니다. 즉, 기업의 임원들은 재무와 인력 관리를 이해해야 한다는 것입니다. 저는 이제 기업 임원들이 기술과 데이터의 세계에 관심을 기울이고 알아야 할 것이 무엇인지 파악해야 한다고 생각합니다. Tom 씨가 말씀하신 대로, 이건 마법이 아닙니다. 기술, 비즈니스 프로세스 변화, 인력 변화의 결합이 될 것입니다. 이것들을 어떻게 결합할 수 있을까요? 이 작업을 IT 팀에만 맡길 수는 없습니다.

Tom Godden(07:26):
이러한 전환의 일환으로, 우리는 책임감 있는 AI를 총체적으로 살펴봐야 합니다. 이미 AI와 ML을 사용하고 있다면 책임감 있는 AI 프로그램이 갖춰져 있어야 합니다. 그러나 생성형 AI는 그 생성적 특성 때문에 사물의 편향을 완화하는 방법과, 시스템 내부에서 할루시네이션이 발생하는 것을 방지하는 방법을 이해하기 위한 노력을 두 배로 늘려야 합니다. 적절한 구조가 갖춰져 있지 않으면 유해한 결과도 발생할 수 있습니다. 이와 관련하여 많은 얘기를 했었는데요. Galloway 씨의 말처럼 사람들이 생성형 AI를 사용하는 방법을 이해하는 것도 중요하지만, 가장 중요한 것은 인간의 감독일 것입니다. 우리는 아직 생성형 AI와 관련하여 인간을 완전히 배제할 준비가 되어 있지 않습니다. 이제 프로덕션 환경에서는 가능할 수도 있겠지만, 그건 인간의 감독 하에 작동 방식을 계속해서 테스트했기 때문에 가능한 것입니다. 생성형 AI는 우리가 지금까지 개발해 왔던 많은 소프트웨어와는 달리 테스트해서 작동하면 프로덕션에 적용하고, “좋아요, 그럼 넘어갑시다. 나중에 돌아와서 테스트하죠. 나중에 다시 해보죠”라며 넘길 수 있는 것이 아닙니다. 정기적으로 사용 사례와 테스트를 실행해야 할 것입니다. 즉 매일, 심지어 어쩌면 매시간 잘 통제되고 있는지 확인해야 할 수 있습니다.

Miriam McLemore:
Tom 씨의 지적에 동의합니다. Phil 씨도 종종 하시는 말씀이지만 예측에 중독되지 않도록 조심해야 합니다. 왜냐하면 자신이 믿고 있는 것을 말하고 재확인하기 위해 이 기술을 사용할 수 있으니까요. 따라서 신중하게 데이터를 검토해야 하고, 이러한 작업을 통해 새로운 길을 열고 새로운 접근 방식을 고려해야 합니다.

Phil Le-Brun:
데이터와 관련된 문제의 75% 이상이 사람, 조직, 문화에 대한 것이며 이는 리더십에서 시작됩니다. 그리고 그 출발점은 리더십에 있습니다. 리더로서 행동의 롤 모델링이 되고 있는가? 데이터에 의문을 제기하고 있는가? 올바른 질문을 하고 있는가? 이미 내린 결정을 확인하려고만 하지는 않는가? 그렇지만 지금은 정말 흥미롭고 흥분되는 시기인 것 같습니다. 현재 비즈니스 임원이라면 잠재력뿐만 아니라 책임감 있는 AI에 대한 의무감도 있습니다. 윤리나 편견 같은 것뿐만 아니라, 지금 하고 있는 일의 의미에 대해 알아야 한다는 것입니다. 저는 우리가 Amazon Bedrock을 통해 옳은 일을 하고 있다고 생각합니다. 즉, 사용자의 데이터를 가져와 공개 모델에 넣는 것이 아니라 안전한 환경에서 사용자의 데이터를 사용하여 모델을 학습시키는 것이죠. 하지만 단 하나로 모든 문제를 해결할 수 있는 파운데이션 모델은 없다는 점도 잘 알고 있습니다.

Tom Godden:
이것이 바로 Bedrock의 진정한 강점이라고 할 수 있습니다. API를 통해 이러한 언어 모델에 액세스할 수 있고 필요에 따라 피벗 및 이동하거나 새로운 사용 사례에 맞춰 새 언어 모델에 액세스할 수 있지만, 다른 모든 AWS 서비스와 마찬가지로 매우 빠르고 신속하게 수행할 수 있는 기능이죠. 필요에 따라 사용량을 확장하거나 축소할 수 있습니다.

Phil Le-Brun(10:28):
자신만의 모델을 만들고 싶다면, 조급하게 굴지 마세요. 아... 저런! 그래도 성급히 뛰어들지는 마세요. 천만 또는 일억 달러를 지출하게 될 수도 있습니다. 하지만 그렇게 해야 할 실제 비즈니스 사례가 있다면 먼저 현재 보유한 기술로 무엇을 해야 하는지부터 파악해야 합니다. 하지만 그 다음에는 클라우드 내의 인프라가 있습니다. 추론 및 훈련 비용을 절감할 수 있는 AWS Trainium과 Inferentia 같은 기능이 있는 거죠. 따라서 나중에 어느 방향으로 나아가든 데이터 전략을 세우고 클라우드에 두고 싶을 것입니다. 집에서는 시도하고 싶지 않으실 겁니다.

Tom Godden:
파운데이션 모델과 관련된 허영 지표(vanity metrics)에 대해 잠시 이야기해 보겠습니다. 최신 통계에 따르면, 가장 큰 파운데이션 모델에는 5,000억 개 이상의 파라미터가 있다고 합니다. 정말 멋지네요. 좋습니다. 다섯 개 주세요. 8,000억 개는 왜 안 되나요? 하지만 제 생각에, 때로는 그렇게 큰 규모가 필요하지 않을 수도 있습니다. 오히려 더 잘못된 결과와 답변을 만들어 낼 수도 있습니다. 공개 오픈 소스일지라도 하려는 일의 사용 사례와 목적에 맞게 설계되고 상황에 맞는 비즈니스 정보를 기반으로 조정된 것이라면, 사실 이러한 허영 지표보다 더 나은 결과와 효과를 가져올 가능성이 높습니다. 5,000억 개의 파라미터는 정말 놀랍게 들리지만, 문제를 해결하는 데 반드시 필요한 것은 아닐 수도 있습니다.

Miriam McLemore:
맞습니다. 적절한 문제에 적절한 데이터가 필요하죠. 그리고 말씀하신 것처럼, 문제에서부터 시작하세요. 자신이 추구할 수 있는 비즈니스 가치를 기준으로 거꾸로 작업하세요. 그 가치에 집중하고, 시작할 곳을 선택하세요. 이 작업은 흥미진진한 시간이 되겠지만, 자신만의 페이스를 파악하고 접근 방식에 가치를 더하는 요소를 알아내는 데는 시간이 좀 걸릴 것입니다. 저는 우리 모두가 본받을 수 있는 놀라운 사례를 이미 실현하고 있는 고객들을 보고 놀랐습니다. 이처럼 AWS 세션에서의 가장 좋은 점 중 하나는 다른 고객의 사용 사례에 관심을 갖고, 이미 경험해 본 고객들을 통해 배울 수 있다는 점이라고 생각합니다. 모든 것을 직접 할 필요는 없습니다.

Tom Godden:
Code Whisperer에 대해 이야기했었죠. 고객 센터에도 많은 사람들이 관심을 보이고 있습니다. 타겟이 풍부한 환경입니다. 고객과 직접적인 관계를 맺고 있기 때문에 조심해야 하지만, 의료 산업에서 새로운 다음 치료제를 개발하는 데 있어서는 위험이 덜합니다. 얼른 해 보세요. 우리에겐 그런 발전이 필요해요. 하지만 지금은 위험도가 정말 높아졌습니다. 정말, 정말 복잡하죠. 인트라넷을 들여다보는 사람들도 보이는데, 제가 아는 인트라넷을 생각해 보자면 그곳은 정보가 사라지는 곳입니다. 거의 아무것도 찾을 수 없는 대단한 검색 엔진도 있었죠. 하지만 이제는 조직 내에서 모든 정보를 가져와 활용할 수 있는 좋은 기회가 생겼을 뿐만 아니라, 사람들이 그 잠재력을 확인하고 위험도가 낮은 방식으로 이를 실현할 수 있는 좋은 방법이기도 합니다. 이를 통해 많은 가치가 추가됩니다. 가서 해 보세요. 얼른요.

Miriam McLemore(13:35):
우리가 했던 중요한 발표 중 하나가 바로 교육에 관한 것이었죠? 교육하는 법을 어떻게 배울 수 있을까요? 직접 나서서, 팀을 교육하고, 경영진을 교육하는 것을요. AWS는 고객이 조직을 교육하기 위해 어디서 시작해야 하는지, 어떤 도구를 사용해야 하는지 돕는 다양한 서비스를 제공합니다. 따라서 고객은 회사에 적합한 접근 방식을 직접 결정할 수 있습니다.

Phil Le-Brun:
학습하고 호기심을 가지세요. 교육 및 자격증에 경영진 과정이 있습니다. 정말 간단합니다. “생성형 AI란 무엇인가요?” 같은 내용입니다. 이제 Coursera 과정도 개설되었고, 정말 훌륭합니다. 데이터와 파라미터 양, 컴퓨팅 사이의 적절한 균형을 찾는 것과 언급했던 내용에 대한 핵심적인 것을 알고 싶다면 이 과정을 수강하세요. 필요한 모든 내용을 배울 수 있습니다. 그중 대부분이 퍼블릭 도메인입니다. 지금 바로 하세요. 바로 학습을 시작하세요. 언제 시작해도 너무 이른 것은 아닙니다.

Tom Godden:
그리고 이러한 교육은 사람들을 끌어들이는 데 도움이 될 것입니다. 솔직히 말해서, 이 기술은 혁신적이지만 파괴적일 수도 있기 때문입니다. 일부 사람들은 당연히 이에 대해 매우 우려하고 있습니다. “이게 의미하는 게 뭐지?” “내 직업에만 영향을 끼치는 게 아닌가?” “집세도 내야 하고, 담보 대출도 있고, 대학에 보내야 할 애들이 있어.” “엄청나게 흥미진진하고 변화하는 이 새로운 세상에서 내가 할 수 있는 역할이 아직 남아 있을까?” “이게 사회에 어떤 영향을 미칠까?” 저는 이들이 자신의 역할을 인식하도록 돕고, 교육을 통해 자신이 어떤 역할을 할 수 있는지 이해하도록 돕고 지원하는 것이 우리가 목격해 왔던 다른 혁신적인 진화보다 훨씬 더 중요해질 것이라고 생각합니다.

Phil Le-Brun:
사고의 장벽을 깨세요. Tom 씨가 편향에 대해 말씀하셨잖아요. 편향을 완화하는 가장 좋은 방법은 고객 기반을 대표하는 팀을 구성하는 것입니다. 게다가 우리는 생성형 AI는 물론이고 일반적으로 기계 학습이 조직 전반에 걸쳐 영향을 줄 것이라는 점도 알고 있습니다. 이는 조직 구조가 있음에도 영향을 주는 것이지, 조직 구조 때문에 영향을 주는 것이 아닙니다. 그러니 관료주의를 없애세요. 생성형 AI를 사용하면 일부를 없앨 수 있을 것 같지만, 그럼 다시...

Tom Godden:
“새 조직도를 만들어 줄래?”

Phil Le-Brun:
맞아요, “PowerPoint를 자동화해줘.”

Miriam McLemore:
“누가 담당해야 하는지 말해줘.”

Phil Le-Brun:
그런 지점이 약간의 편견이 스며드는 곳이죠. 맞습니다. 하지만 경쟁 우위를 파악하는 데 이를 활용하세요. 생성형 AI를 사용하는 Autodesk 같은 회사를 보면 일부 설계의 무게를 40%까지 줄이고 있습니다. 지속 가능성 측면에서 큰 이점이죠. 그런데 그들은 “우리 조직의 경쟁 우위를 확보하기 위해 이 기술을 어디에 사용할 수 있을까?”를 실제로 파악한 것이죠.

Tom Godden:
가치를 더하는 일이기 때문에 하세요. 멋있는 애들이 한다고 해서 그냥 따라하지 마세요.

Phil Le-Brun(16:11):
제가 흥미롭게 생각하는 것은 종종 “어려운 시기니까 비용을 절감할 것인가?” 아니면 “혁신을 할 것인가?” 사이에 갈등이 생긴다는 것입니다. 저는 이제 더 이상 선택의 문제가 아니라고 생각합니다. 둘 다 해야 합니다. 그리고 현실은 조직에 낭비되는 돈이 너무 많다는 것입니다. 한 연구에 따르면 CXO의 94%가 자신의 조직 구조가 혁신을 방해하고 있다고 답한 것으로 나타났습니다. 바로 관료주의 때문이죠. 결정을 내리는 데 얼마나 걸리나요? 우리가 일종의 우스갯소리로 “관료주의 질량 지수”라고 부르는 것들이요. 결정을 기다리는 시간에 비하면 의미 있는 일을 하는 데 실제로 얼마나 많은 시간을 할애하고 있나요? 이러한 결정을 줄이려면 어떻게 해야 할까요? 그래서 저는 “혁신을 하느냐 아니면 비용을 절감하느냐”의 문제라는 생각이 들지 않습니다. 둘 다 해야 한다고 생각합니다. 차별화되지 않은 업무에 드는 비용을 줄이고 이를 혁신에 투자하면 선순환이 이루어집니다. 심지어 기계 학습, 생성형 AI를 사용하여 실제로 조직의 이러한 비용과 관료주의를 어느 정도 없애기도 합니다.

Miriam McLemore:
우리가 경험해 왔고 고객들에게도 말하는 것인데, 모든 것을 손쉽게 이용할 수 있을 때보다 제약이 있을 때 실제로 혁신을 더 잘 이끌어낼 수 있습니다. 진퇴양난에 빠진 상태에서는 “어떻게 하면 여기서 벗어날 수 있을까?”하며 창의력을 발휘할 수 있습니다. 어려운 경제 상황을 다르게 생각할 수 있는 기회로 활용하는 것이죠. 선택의 여지가 없으니까요. 하지만 말씀하셨듯이 생성형 AI의 가장 큰 가치 중 하나는 생산성 향상과 차별화되지 않은 힘든 업무 일부를 줄여 주는 것이라고 생각합니다. 저는 코카콜라에서 수년간 근무했는데, 콘텐츠 제작, 새로운 사이트 생성, 새로운 경험 생성, 소비자와 고객을 위한 새로운 이미지 생성, POS 자료 생성 등을 진행했었죠. 이건 마테킹 기술의 판도를 바꿀 것입니다.

Tom Godden:
우리는 다른 혁신에서도 이런 변화가 나타나는 것을 보았습니다. 진정한 변화는 항상 기술에만 있는 것이 아니라 기술을 새로운 방식으로 적용하려는 의지에 달려 있습니다. 우리는 전기를 통해 공장 배치와 공장 운영 방식이 바뀌는 것을 목격했습니다. 하루 종일 더욱 안전하게 공장을 운영할 수 있게 되었죠. 다시 말씀드리자면, 기술은 처음엔 조력자 역할이지만, 진정한 변화는 우리가 프로세스를 다시 생각할 때 일어납니다. 그래서 우리는 이러한 새로운 균형을 찾기 위해 프로세스를 되돌아보고 “나는 왜 이 일을 하고 있는가?” “생성형 AI를 사용하면 이 작업을 완전히 다른 방식으로 수행할 수 있는가?”라는 질문을 해야 합니다. 생성형 AI로 과거를 자동화하는 데에만 그치지 마세요. 이런 것들을 다시 생각하고 완전히 다른 방식으로 행할 수 있는 기회로 삼으세요.