서비스 관리에서의 AI
인공지능은 서비스 데스크, 운영, 지식, 변경, 의사결정 지원에서 서비스 관리에 들어옵니다. 각 사용을 오너가 있는 서비스로 다루세요. 해가 생길 수 있는 곳에서는 사람이 결정하고, 오류를 잡아낼 방법이 있으며, 도움이 되는지 재는 척도가 있어야 합니다.
왜 중요한가
AI는 연구 주제에서 서비스 팀이 이미 쓰는 도구의 기능으로 옮겨 왔습니다. 티켓팅 시스템이 범주를 제안합니다. 모니터링 플랫폼이 알림을 묶습니다. 채팅 어시스턴트가 직원의 질문에 답합니다. 코드 편집기가 스크립트 초안을 씁니다. 이 가운데 일부는 벤더가 켜 놓은 것이고, 팀의 누구도 도입을 결정하지 않았습니다.
잠재력은 실재합니다. 서비스 업무의 많은 부분은 읽고, 쓰고, 분류하고, 검색하는 일이며, 현재의 AI는 이런 일을 시간을 절약할 만큼 충분히 잘합니다. 위험도 실재합니다. AI 시스템은 틀릴 수 있는 유창한 답을 내고, 어떻게 결론에 이르렀는지 숨길 수 있으며, 데이터를 유출할 수 있고, 예측하기 어려운 방식으로 실패할 수 있습니다. 오너십, 검토, 척도 없이 AI를 도입하는 팀은 편익 없이 그 위험만 물려받습니다.
이 주제는 이 가이드의 AI 부분에 대한 지도입니다. 서비스 업무에서 AI의 주요 종류와, 어디에서 도움이 되고 어디에서 도움이 되지 않으며, 도입 전에 무엇을 물어야 하는지 설명합니다. 이후 주제가 더 깊이 들어갑니다. 운영(주제 5.2 — AIOps), 서비스 데스크(주제 5.3 — AI 서비스 데스크와 가상 에이전트), 생성형 AI(주제 5.4 — 인시던트, 지식, 변경을 위한 생성형 AI), 행동하는 에이전트(주제 5.5 — 에이전트형 AI와 사람의 감독), 거버넌스(주제 5.6 — AI 거버넌스, 위험, 규정 준수), 프롬프트와 스킬(주제 5.7 — AI 스킬과 프롬프트), 운영 모델(주제 5.8 — AI 운영 모델과 역량)입니다. 최신 ITIL 버전에 대한 소유자의 설명은 AI를 서비스 관리가 다뤄야 할 환경의 일부로 꼽습니다(주제 1.3 — ITIL 5 참조).
핵심 개념
인공지능. 패턴 인식, 언어 이해, 추천처럼 보통 사람의 지능이 필요한 작업을 수행하는 시스템을 가리키는 넓은 용어입니다. Wikipedia의 인공지능 문서가 이 분야와 역사를 설명합니다. 이 용어는 매우 다른 여러 기법을 포괄하며, 사람들이 "AI"라고 할 때의 뜻은 다양합니다. 사용을 논의할 때는 기법과 작업의 이름을 대세요.
머신러닝. 명시적인 규칙을 따르는 대신 데이터에서 패턴을 학습하는 시스템입니다. Wikipedia가 머신러닝과 그 갈래를 설명합니다. 서비스 업무의 예로는 티켓 분류, 비정상 지표 탐지, 고장 예측이 있습니다. 이들은 훈련 데이터에 의존하며, 조건이 바뀌면 성능이 떨어질 수 있습니다. Wikipedia는 이 문제를 개념 드리프트로 설명합니다.
생성형 AI와 대규모 언어 모델. 프롬프트로부터 텍스트, 코드, 이미지 같은 새 콘텐츠를 만드는 시스템입니다. 대규모 언어 모델(LLM)은 방대한 텍스트로 훈련되어 요약, 초안 작성, 번역, 질문 응답을 할 수 있습니다. Wikipedia가 생성형 AI와 대규모 언어 모델을 설명합니다. 출력은 유창하지만 참이라는 보장은 없습니다.
환각. 그럴듯하지만 거짓이거나 뒷받침되지 않는 출력입니다. Wikipedia가 AI의 환각을 설명합니다. 서비스 업무에서는 지어낸 명령, 꾸며 낸 정책, 자신 있지만 틀린 근본 원인을 뜻할 수 있습니다. 이에 대비하세요. 답을 출처에 근거하게 하고, 출처를 보여 주고, 행동하기 전에 확인하세요.
검색 증강 생성. 시스템이 먼저 지식 문서 같은 관련 문서를 검색한 다음, 모델에게 오직 그 문서만 사용해 답하라고 요청하는 패턴입니다. Wikipedia가 이 접근을 설명합니다. 틀린 답을 줄이지만 없애지는 못하며, 문서의 품질에 달려 있습니다. 주제 3.9 — 지식 관리를 참조하세요.
에이전트. 답하는 데 그치지 않고 도구 호출, 기록 변경, 스크립트 실행 같은 행동을 하는 시스템입니다. Wikipedia가 지능형 에이전트를 일반적으로 설명합니다. 에이전트는 실수가 현실에 영향을 미치므로 위험을 높입니다. 주제 5.5 — 에이전트형 AI와 사람의 감독을 참조하세요.
AI가 서비스 관리에서 도움이 되는 곳. 대표적인 사용은 다섯 묶음으로 나뉩니다.
| 영역 | 예 | 주된 주의점 |
|---|---|---|
| 서비스 데스크 | 티켓 분류와 라우팅, 답변 초안, 흔한 질문 응답 | 사용자에게 가는 틀리거나 지어낸 답 |
| 운영 | 알림 묶기, 이상 탐지, 원인 제안 | 놓친 신호가 드러나지 않음 |
| 지식 | 검색, 요약, 문서 초안 | 오류를 퍼뜨리는 초안 |
| 변경과 전달 | 코드와 테스트 초안, 변경 위험 평가, 릴리스 노트 작성 | 안전하지 않거나 틀린 코드, 과신된 위험 점수 |
| 의사결정 지원 | 데이터 요약, 수요 예측, 패턴 발견 | 빈약한 데이터에서 나온 과신된 결론 |
사람이 루프 안에 있음. 사람이 AI의 출력이나 행동이 효력을 내기 전에 검토하거나 승인합니다. Wikipedia가 휴먼 인 더 루프 시스템을 설명합니다. 이는 통제 수단이며, 그 사람에게 아니라고 말할 시간, 정보, 권한이 있을 때만 작동합니다. Wikipedia는 또한 자동화된 제안에 지나치게 의존하는 경향인 자동화 편향도 설명하며, 이것이 사람의 점검을 형식적인 도장 찍기로 바꿀 수 있습니다.
설명 가능성. 시스템이 왜 어떤 출력을 냈는지 말할 수 있는 능력입니다. Wikipedia가 설명 가능한 AI를 설명합니다. 티켓 순위 매기기 같은 일부 사용에는 대략적인 이유로 충분합니다. 한 사람의 접근이나 급여에 영향을 주는 결정 같은 다른 사용에는 더 필요합니다. 각 사용에 얼마만큼의 설명이 필요한지 정하세요.
편향과 공정성. 과거 데이터로 훈련된 AI는 불공정한 것을 포함한 과거의 패턴을 재현할 수 있습니다. Wikipedia가 알고리즘 편향을 설명합니다. 서비스 업무에서 편향은 누가 더 빠른 도움을 받는지, 누구의 요청이 표시되는지, 시스템이 누구의 언어를 잘 이해하는지에 나타날 수 있습니다.
데이터와 프라이버시. AI 도구는 개인 정보가 담긴 티켓 텍스트처럼 여러분이 주는 데이터를 처리합니다. 데이터가 어디로 가는지, 얼마나 오래 보관되는지, 다른 모델을 훈련시키는지가 핵심 질문입니다. 주제 5.6 — AI 거버넌스, 위험, 규정 준수를 참조하세요.
보안 위험. AI 시스템에는 고유한 약점이 있습니다. 예컨대 프롬프트 인젝션은 문서나 메시지 안의 텍스트가 모델에게 새로운 지시를 주려는 시도입니다. Wikipedia가 프롬프트 인젝션을 설명합니다. 외부에서 온 입력은 신뢰할 수 없는 것으로 다루세요.
수명주기와 운영. 사용 중인 모델은 모니터링, 재훈련 또는 교체, 버전 관리, 폐기가 필요합니다. Wikipedia가 설명하는 MLOps는 여기에 엔지니어링 규율을 적용합니다. 벤더의 모델이라도 업데이트 뒤의 행동 변화를 추적해야 합니다.
거버넌스 프레임워크. Wikipedia가 설명하는 유럽 연합의 인공지능법은 위험 범주에 따라 법적 의무를 정합니다. ISO/IEC 42001은 AI 관리 시스템을 규정하고, 미국 국립표준기술연구소(NIST)는 AI 위험 관리 프레임워크를 발행합니다. 이들은 거버넌스를 위한 어휘와 구조이며, 법률 자문을 대신하지 않습니다.
렌즈는 어떻게 맞물리는가. AI는 네 가지 렌즈 가운데 하나입니다. 애자일 프랙티스는 실제 사용자와 함께하는 작은 시험과 짧은 피드백을 제안합니다. 자동화는 가장 가까운 이웃입니다. AI가 결정하거나 제안하고, 자동화가 행동합니다. 분석은 AI가 학습하는 데이터와 AI가 도움이 되는지 보여 주는 척도를 공급합니다.
모범 사례
- 도구가 아니라 문제에서 시작합니다. 티켓 분류에 쓰는 시간 같은 구체적인 불편과 개선의 척도를 이름 붙이세요. 그런 다음 AI가 맞는 답인지, 더 단순한 해법이 통하는지 물으세요.
- AI 사용의 재고를 유지합니다. 벤더 기능과 직원이 업무에 쓰는 개인 도구를 포함해 사용 중인 모든 AI 기능과 도구를 나열하세요. 목적, 데이터, 오너, 상태를 기록하세요.
- 각 사용에 오너를 지정합니다. 한 사람이 AI가 하는 일, 쓰는 데이터, 틀렸을 때 일어나는 일에 책임집니다. 오너가 없으면 아무도 성능 저하를 알아채지 못합니다.
- 사람이 결정하는 곳을 정합니다. 각 사용에 대해 AI가 혼자 해도 되는 것, 검토가 필요한 것, 절대 해서는 안 되는 것을 적으세요. 검토를 실질적으로 만드세요. 검토자에게 시간과 맥락을 주세요.
- 답을 자신의 출처에 근거하게 합니다. 검토된 지식에서 검색해 쓰고, 출처를 사용자에게 보여 주고, 어떤 출처도 답을 뒷받침하지 않으면 분명히 그렇게 말하세요.
- 출시 전과 후에 시험합니다. 어색한 것과 적대적인 것을 포함해 답이 알려진 현실적인 시험 사례 집합을 만드세요. 출시 전과 모델이나 데이터가 바뀔 때마다 돌리세요.
- 가치와 오류를 측정합니다. 절약한 시간, 출력의 품질, 사람의 수정, 사용자 불만, 비용을 추적하세요. 출력을 정기적으로 표본 추출하세요.
- 데이터를 보호합니다. 어떤 데이터를 어떤 도구에 보내도 되는지 정하고, 가능하면 개인 및 민감한 세부 사항을 제거하고, 보존과 훈련 사용에 대한 계약 조건을 확인하세요.
- 실패에 대비합니다. AI 기능을 끄고, 사람에게 라우팅하고, 복구하기 쉽게 만드세요. 의존하는 AI 서비스의 실패를 연습하세요.
- 스킬을 쌓고 학습을 공유합니다. 사람들이 AI를 잘 쓰고 의심할 수 있도록 훈련하세요. 무엇이 통하고 무엇이 실패하는지 팀 사이에 공유하세요. 주제 5.7 — AI 스킬과 프롬프트를 참조하세요.
팀과 논의할 질문
우리가 이미 AI를 쓰는 곳은 어디입니까? 우리가 고르지 않은 기능과 사람들이 스스로 쓰는 도구도 포함해서요. 모두에게 묻고 벤더 설정을 확인하세요. 누구의 예상보다 긴 목록이 예상됩니다. 더 깊이 들어가려면, 각 사용을 오너와 함께 기록하세요.
우리 업무 중 대부분이 읽기, 쓰기, 분류인 것은 무엇이며, 기계가 결정하기를 원하지 않는 것은 무엇입니까? 이는 업무를 적합성으로 분류합니다. 초안 작성에는 합의가, 결정에는 의견 차이가 예상됩니다. 더 깊이 들어가려면, 시험할 위험이 낮은 업무 하나를 고르세요.
우리의 AI 어시스턴트가 사용자에게 자신 있게 틀린 답을 준다면 어떻게 하며, 어떻게 알게 됩니까? 시나리오를 따라가 보세요. 탐지에 공백이 예상됩니다. 더 깊이 들어가려면, 출력을 표본 추출하고 사용자 피드백을 모으는 방법에 합의하세요.
우리는 AI 도구에 어떤 데이터를 보내며, 약관을 읽었습니까? 도구와 데이터를 나열하세요. 개인 계정과 알려지지 않은 약관이 예상됩니다. 더 깊이 들어가려면, 외부 도구에 붙여 넣어서는 안 되는 것에 대한 규칙에 합의하세요.
AI 사용이 비용만큼 가치 있었는지 어떻게 알겠습니까? 편익의 척도와 해악의 척도를 요청하세요. "더 빨라진 느낌"이 예상됩니다. 더 깊이 들어가려면, 사용 하나를 골라 전후 비교 척도에 합의하세요.
우리 사람들이 AI를 잘 쓰는 데 어떤 스킬이 필요하며, 누가 가르칩니까? 좋은 프롬프트 쓰기, 답 확인하기, 한계 알아채기를 생각해 보세요. 자신감의 폭이 넓을 것으로 예상됩니다. 더 깊이 들어가려면, 실제 업무로 하는 짧은 연습 세션을 계획하세요.
실제 적용: 서비스 관리 사례
한 국립 공공 도서관 네트워크의 IT 팀은 200개 분관과 약 6,000명의 직원을 지원합니다. 서비스 데스크는 인쇄, 로그인, 대출 시스템에 관한 반복적인 질문을 대량으로 처리합니다. 서비스 책임자는 AI로 대기열을 줄이려 하는데, 티켓 시스템의 벤더가 방금 AI 어시스턴트를 추가했고 직원용 채팅에 기본으로 켜져 있습니다.
서비스 관리자는 먼저 AI 사용을 나열합니다. 벤더 어시스턴트 말고도, 분석가 두 명이 공개 채팅 도구로 티켓을 요약하고 있고, 개발자 한 명이 답변 초안을 쓰는 스크립트를 만들었음을 발견합니다. 그녀는 각각에 오너를 지정하고 규칙을 정합니다. 공개 도구에 개인 정보를 넣지 않는다는 것입니다. 그다음 개선할 사용 하나를 고릅니다. 승인된 지식 기반만 사용해 "어떻게 하나요" 질문에 답하고, 출처 링크와 사람에게 연결되는 눈에 띄는 버튼이 있는 직원용 어시스턴트입니다.
그녀는 실제 티켓에서 시험 질문 60개를 만들고, 그중 지식 기반이 답할 수 없는 열 개를 포함시킵니다. 올바른 행동은 그렇다고 말하는 것입니다. 첫 버전은 그 열 개 중 세 개에 지어낸 단계로 답합니다. 팀은 지시를 조이고 맞는 문서가 없으면 거절하는 규칙을 더해 실패를 하나로 줄입니다. 첫 한 달 동안은 데스크 상담원이 어시스턴트가 해결하지 못한 모든 대화와 나머지의 표본을 읽습니다.
달라진 점은 어시스턴트가 대화의 약 3분의 1을 티켓 없이 해결하고, 상담원이 반복적인 질문에 쓰는 시간이 줄었다는 것입니다. 여전히 어려운 점은 지식 기반에 어시스턴트가 인용하는 낡은 문서가 있어 팀이 정리해야 한다는 것, 벤더가 예고 없이 기반 모델을 바꿔 한 번은 하룻밤 사이에 행동이 바뀌었다는 것, 작은 분관의 직원은 때로 전화를 선호한다는 것입니다. 관리자는 월간 시험 실행, 모델 변경에 대한 합의된 연락 창구, 전화가 여전히 가능하다는 분명한 메시지를 마련합니다.
네 가지 관점
제품 및 전달 팀
평소의 검토와 파이프라인 점검 아래에서 AI로 코드, 테스트, 문서의 초안을 쓰세요. AI를 쓴 곳을 기록하고, 안전하지 않거나 라이선스가 없는 코드를 경계하세요. 자신의 제품에 있는 AI 기능을 오너가 있는 서비스로 다루세요.
서비스 및 운영 팀
분류, 요약, 검색에 AI를 쓰되, 사용자나 시스템에 영향을 주는 일은 사람이 결정하게 하세요. 오류와 아차 사고를 보고하고, AI가 보는 것과 말하는 것을 조정하는 데 도움을 주세요.
리더십과 거버넌스
재고, 오너, 척도, 실패 계획을 요청하세요. 데이터와 결정에 대한 분명한 규칙을 정하세요. 라이선스만이 아니라 훈련과 시험에 재원을 대세요.
고객과 사용자
AI와 이야기하고 있음을 알아야 하며 사람에게 닿을 수 있어야 합니다. 답이 틀렸거나 도움이 되지 않았을 때 제공자에게 알리세요. 어떤 개인 데이터를 공유하는지 조심하세요.
애자일, AI, 자동화, 분석
애자일
실제 사용자와 함께 작은 시험으로 AI를 시도하고, 피드백에서 배우고, 유지, 변경, 중단을 결정하세요. AI가 해도 되는 일에 이해관계자를 참여시키세요. 주의: 성공한 데모는 사용이 안전하거나 가치 있다는 증거가 아닙니다. 척도를 갖춘 실제 시험을 하세요.
AI
이 주제가 곧 AI 렌즈입니다. 모든 사용에는 오너, 해가 생길 수 있는 곳에서 결정하는 사람, 오류 탐지, 척도가 필요합니다. 주의: 책임을 벤더나 모델에 위임하지 마세요. 여러분의 서비스가 내놓는 결과에 대한 책임은 여전히 여러분에게 있습니다.
자동화
AI가 결정하거나 제안하고, 자동화가 행동합니다. 승인 없이 일어날 수 있는 일에 대한 한도, 로그, 멈추는 방법을 두고 조심스럽게 연결하세요. 주의: 자동화를 촉발하는 AI는 실수를 빠르게 증폭할 수 있으므로, 속도 제한과 검토를 더하세요. 주제 6.1 — 자동화 전략을 참조하세요.
분석
편익, 표본에서 발견한 오류율, 사용자 피드백, 비용을 측정하세요. 주의: 품질이 나쁜데도 사용량 숫자와 사용자 평점은 좋아 보일 수 있으므로, 출력을 표본 추출하고 기준선과 비교하세요. 주제 7.3 — 측정과 보고와 서비스 관리 지표(Service Management Metrics) 책을 참조하세요.
흔한 실패 유형
- 문제보다 앞선 도구. 기능이 켜지고 아무도 편익을 재지 않습니다. 불편과 척도에서 시작하세요.
- 재고 없음. 사용이 보이지 않게 늘어납니다. 모든 AI 사용을 오너와 함께 나열하세요.
- 이름뿐인 사람의 검토. 검토자가 도장만 찍습니다. 시간, 맥락, 권한을 주고 그들의 결정을 표본 추출하세요.
- 자신 있게 틀린 답. 사용자가 지어낸 조언대로 행동합니다. 답을 근거에 두고, 출처를 밝히고, 확신이 없으면 거절하세요.
- 데이터 유출. 민감한 텍스트가 외부 도구로 갑니다. 규칙을 정하고 약관을 확인하세요.
- 모델 변경 무시. 벤더 업데이트 뒤 행동이 바뀝니다. 정기적으로 시험하고 변경에 대한 연락 창구를 두세요.
- 빠져나갈 길 없음. 서비스가 대체 수단 없이 AI에 의존합니다. 사람에게 가는 경로와 끄는 스위치를 제공하세요.
성숙도 모델
| 영역 | 시작 | 발전 | 표준화 | 관리 | 오케스트레이션 |
|---|---|---|---|---|---|
| 재고와 오너십 | 사용을 모른다 | 주요 사용을 나열한다 | 오너와 목적이 있는 재고 | 재고를 검토하고 시험한다 | 재고가 카탈로그 및 거버넌스와 통합된다 |
| 사람의 결정 | 정의되지 않았다 | 비공식적 검토 | 사용마다 정의된 검토 지점 | 검토의 품질을 표본 추출한다 | 위험과 증거에 따라 검토를 조정한다 |
| 시험과 모니터링 | 없음 | 데모 | 시험 집합과 정기적 표본 추출 | 오류와 드리프트를 측정한다 | 모든 사용에 걸친 지속적 평가 |
| 데이터와 위험 | 불분명하다 | 인식한다 | 데이터와 벤더 약관에 대한 규칙 | 규정 준수를 점검하고 감사한다 | 팀과 공급자 전반에서 위험을 관리한다 |
체크리스트
- 벤더 기능과 개인 도구를 포함해 AI 사용의 재고를 유지한다.
- 각 사용에 이름이 있는 오너가 있다.
- 각 AI가 혼자 해도 되는 것, 검토가 필요한 것, 해서는 안 되는 것을 적었다.
- 답이 검토된 출처에 근거하며 출처를 보여 준다.
- 시험 집합이 있고 정기적으로 돌린다.
- 출력을 표본 추출하고 오류, 수정, 피드백을 추적한다.
- 어떤 데이터가 어떤 도구로 가는지에 대한 규칙이 있다.
- 사용자가 사람에게 닿을 수 있고, 각 AI 사용을 끌 수 있다.
AI 프롬프트
우리 도구에 대한 설명에서 AI 사용을 나열합니다.
Here is a description of the tools our team uses and what each does: [paste].
List which tools probably include AI features, what each might do, what data it might process, and a question to ask the vendor or owner. Mark clearly which items are guesses and do not state facts about vendors.
List what you are unsure of.
어시스턴트를 위한 시험 질문의 초안을 작성합니다.
Our assistant answers questions about [topics] using only these documents: [list titles].
Write 30 test questions: 15 that the documents answer, 10 that they do not, and 5 that try to make the assistant ignore its instructions. For each, state the correct behavior. Do not include real personal data.
List what you are unsure of.
AI 사용 검토를 준비합니다.
AI use: [describe]. Owner: [role]. Data used: [list]. Decisions it affects: [list].
Draft a one-page review with: purpose, what it may do alone, what needs human review, how errors are detected, how it is switched off, and open questions. Mark every item you could not fill from my description.
List what you are unsure of.
AI 스킬
- prompt-engineering: 명확하고, 근거가 있고, 시험할 수 있는 프롬프트를 설계할 때 사용합니다.
- machine-learning-model-card: 모델이 하는 일, 데이터, 한계를 문서화할 때 사용합니다.
- risk-register: AI 위험, 오너, 결정을 기록할 때 사용합니다.
- itil-5: 확인되지 않은 주장에 표시를 하며 AI 사용을 소유자의 최신 지침과 연결할 때 사용합니다.
- mlops: 수명주기 전반에 걸쳐 모델을 관리할 때 사용합니다.
주요 출처
- NIST, AI Risk Management Framework: AI 위험을 식별하고 관리하기 위해 널리 쓰이는 구조.
- ISO/IEC 42001 (the standard itself): 인공지능 관리 시스템의 요구 사항으로, 최신 판은 발행처에서 읽으세요.
- PeopleCert, ITIL certification pages: AI를 포함한 ITIL(Version 5)에 대한 소유자의 설명.
- Wikipedia, "Artificial intelligence" and "Large language model": 이 분야와 기술의 개관.
참고 문헌
- Artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Artificial_intelligence
- Machine learning — Wikipedia — https://en.wikipedia.org/wiki/Machine_learning
- Generative AI — Wikipedia — https://en.wikipedia.org/wiki/Generative_AI
- Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
- Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
- Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
- Human-in-the-loop — Wikipedia — https://en.wikipedia.org/wiki/Human-in-the-loop
- Automation bias — Wikipedia — https://en.wikipedia.org/wiki/Automation_bias
- Algorithmic bias — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_bias
- Artificial Intelligence Act — Wikipedia — https://en.wikipedia.org/wiki/Artificial_Intelligence_Act
- ITIL Foundation Bridge (Version 5) — PeopleCert — https://www.peoplecert.org/browse-certifications/it-governance-and-service-management/ITIL-1/itil-foundation-bridge-version-5-4158
- AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework