앞선 콘텐츠를 통해 언어 AI의 다양한 적용 사례를 살펴보았습니다.
● 챗봇부터 음성봇까지! ‘언어 AI’가 나타났다: https://blog.lgcns.com/2282
언어 AI의 대표 주자인 챗봇 서비스는 이제 비즈니스의 필수적인 요소가 되었다고 해도 과언이 아닙니다. 유통과 금융 산업의 고객센터 업무를 중심으로 빠르게 성장하고 있는 챗봇 시장은 비즈니스 관점의 운영 효율성 증대와 사용자 관점의 서비스 접근 편의성이라는 두 장점에 힘입어 앞으로도 폭발적으로 성장할 것으로 기대됩니다.
이렇게 챗봇이 유용하다는데, 이 글을 읽는 분들 중에서도 우리 비즈니스도 챗봇 서비스를 도입해야 하지 않을까 하는 고민을 하시는 분들이 있지 않을까 싶습니다.
챗봇 서비스의 성능은 도메인 지식을 얼마나 잘 습득하느냐가 가장 결정적이긴 하지만, 챗봇 서비스의 구조는 대부분 비슷한 양상을 보입니다. LG CNS는 이러한 구조를 템플릿으로 제공해 누구나 자신이 알고 있는 지식을 활용해 쉽게 챗봇 서비스를 만들 수 있는 챗봇 빌더 플랫폼 DAP Talk(Data Analytics & AI Platform Talk)을 제공하고 있습니다.
지금부터는 챗봇 서비스에 대해 좀 더 자세하게 알아보고 LG CNS의 DAP Talk을 활용해 클릭 몇 번으로 완성되는 챗봇을 만들어 보도록 하겠습니다.
챗봇 빌더 서비스란?
챗봇 빌더란, 챗봇 시스템을 구성하는 기능들을 템플릿으로 제공하고 고객이 챗봇을 활용하려는 업무 영역의 도메인 지식만 추가해서 별도의 시스템 구축 없이 챗봇을 바로 서비스할 수 있도록 도와주는 플랫폼을 말합니다.
챗봇은 말 그대로 대화를 하는 프로그램이기 때문에 대화를 위한 2가지 요소 ‘잘 듣기’와 ‘적절하게 말하기’ 기능이 필요합니다. 여기서 사람의 자연어를 잘 알아듣는 ‘잘 듣기’를 담당하는 기술을 NLU(Natural Language Understanding), 알아들은 말에 대해 어떻게 대답할지 ‘적절하게 말하기’를 담당하는 기술을 Dialog Manager라고 일반적으로 표현합니다.
즉, 챗봇 빌더는 챗봇을 위한 NLU와 Dialog Manager를 쉽게 만들 수 있도록 도와주는 플랫폼이라고 할 수 있습니다.
똑똑하게 알아듣자! Hybrid NLU
아직 많은 챗봇 서비스가 특정 명령어 기반으로 동작하는 ‘규칙 기반’ 챗봇이긴 하지만, 자연어 처리를 위한 머신러닝 기술을 기반으로 사용자가 평소에 사용하는 말을 알아듣는 AI 챗봇들도 이제는 훌륭한 성능을 보여주고 있습니다.
더 나아가 최근에는 MRC(Machine Reading Comprehension) 기술을 결합해 챗봇이 스스로 대답할 내용을 찾기도 하고, Digital Transformation을 가속화하는 기술로 각광받는 RPA(Robotics Process Automation)를 결합해 사무 자동화를 극대화하는 챗봇도 선보이고 있습니다.
DAP Talk의 NLU는 이미 알고 있는 발화를 이해하는 것은 물론이고 다양한 머신러닝 기반의 분류기와 MRC 기술을 결합해 사용자의 다양한 말을 더 잘 알아듣고 스스로 답변도 생성할 수 있도록 하는 Hybrid NLU 서비스를 제공하고 있습니다.
예를 들어, 영화 예매 사이트에서 사용자의 말을 알아듣고 알아서 영화를 예매해 주는 영화 예매봇을 구축하려고 한다고 가정해 보겠습니다.
사용자와 대화하기에 앞서 챗봇은 사람들이 자신에게 어떤 말들을 하게 될지를 학습하고, 자신의 정체성을 파악하는 작업이 필요합니다. 누군가는 영화를 예매하기 위해, 누군가는 본인의 예매 내역을 확인하기 위해, 그리고 아마도 그냥 한번 말 걸어 보고 싶어서 아무 말이나 하는 사람들도 있을 것 같습니다.
이렇게 여러 가지 생각을 가지고 챗봇에게 말을 거는 사람들의 ‘의도(Intent)’를 파악하는 것을 챗봇의 ‘의도 분류’라고 합니다.
챗봇 디자이너는 위 의도 예시처럼 서비스할 챗봇이 파악할 수 있는 의도를 정의하고 그 의도를 가지고 있는 사람들이 할 법한 말을 정의해서 챗봇에게 알려줍니다. 챗봇은 디자이너가 제공한 예문뿐만 아니라 이 예문을 형태소 단위로 잘게 쪼갠 토큰들까지 학습해 예문과 비슷한 말들도 알아 들을 수 있도록 진화하게 됩니다.
DAP Talk은 사용자의 질문을 잘 이해하는데 그치지 않고, 다양한 형식의 문서를 보관하고 있는 지식 창고에서 스스로 질문에 대한 답을 찾는 MRC 기술을 활용한 자연어 QA 서비스도 제공하고 있습니다.
기존 단순 상담 업무를 처리하기 위해서 모든 사용자의 질문을 예상하고 예상 질문에 대한 답변을 하나하나 챗봇에게 학습시켰던 일련의 작업들을 이제 자연어 QA 서비스를 통해 원본 매뉴얼만 있으면 챗봇이 알아서 사용자에게 답을 제공하도록 구성이 가능합니다.
클릭 몇 번으로 사용자와 대화하는 가장 간단한 대화 기능, Chatflow
기계학습을 통해 사용자의 자연어를 이해한 챗봇은 이제 사용자에게 대답할 준비를 해야 합니다. 언어 AI의 기술의 발전으로 인공지능이 스스로 사람의 자연어를 생성해 내는 기술인 NLG( Natural Language Generation)가 화두가 되고 있긴 하지만, 아직 상용 서비스 수준은 아니기 때문에 챗봇을 서비스하려면 사용자의 의도에 따라 어떤 대화를 이어 나갈지를 디자이너가 직접 정의해야 합니다.
챗봇이 의도별로 챗봇 디자이너가 정의한 말만 한다면 우리는 그 챗봇과 대화를 한다고 할 수 있을까요? 같은 의도를 가지고 말을 하더라도 대화의 맥락이나, 사용자가 제공하는 대화 속 정보에 따라 여러 가지 대화 시나리오가 발생할 수 있기 때문에 대화 시나리오를 유연하게 설계할 수 있는 Dialog Manager 기술은 챗봇의 성능을 좌우한다고도 해도 과언이 아닙니다.
DAP Talk에서는 챗봇을 처음 만들어 보는 사람도 쉽게 유연한 대화 시나리오를 만들 수 있도록 UI 기반의 시나리오 디자인 기능을 제공합니다. DAP Talk의 Chatflow는 캔버스처럼 보이는 화면 위에서 Drag&Drop 방식으로 필요한 기능을 추가하며 대화 흐름을 설계할 수 있는 Flow chart 형식의 대화 관리 기능입니다.
Chatflow를 활용해 챗봇 디자이너는 원하는 만큼 Node를 추가해 가면서 답변 기능을 확장할 수 있습니다. Node는 Chatflow의 기능 단위로 사용자에게 말을 건네거나, 사용자로부터 대화를 진행하는데 더 필요한 정보를 수집하거나, 사용자에게 원하는 답을 하기 위해 숨은 작업을 하는 등 다양한 기능을 가지고 있습니다. 다양한 Node를 적절하게 연결하면 다채로운 대화 시나리오를 만들 수 있습니다.
위에 설계되어 있는 대화 시나리오를 보면서 영화 예매 의도에 따른 대화 시나리오를 살펴보면,
- 사용자의 말에서 ‘영화 예매’의 의도가 파악되면(Listen)
- 상영작을 포스터와 함께 보여줘 원하는 영화를 선택하도록 유도하고(Carousel)
- 사용자가 선택한 영화가 현재 예매가 가능한지를 영화 예매 Legacy 시스템을 호출해 확인한 후(API)
- 영화 예매 관련 이벤트가 있어 해당 안내를 사용자에게 말해주고(Speak)
- 이벤트에 참여할 건지를 선택하도록 사용자에게 질문을 하고(Slot)
- 사용자가 선택한 이벤트 참여 여부에 따라(Split)
- 이벤트 참여 시나리오로 이동하거나(Jump) 또는 예매를 이어서 하기 위한 예매 상세정보를 수집하고(Slot)
- 사용자가 말한 예매 상세 정보에 따른 총 결제 금액을 계산해서(Function)
- 영화 예매 시스템에 예매 정보를 등록하고(API)
- 예매 내역을 출력(Speak)
이렇게 한눈에 흐름을 이해할 수 있으며, 이 대화 시나리오 내에 모든 기능은 Chatflow의 Node를 엮어 구현이 가능합니다.
지금까지 AI를 활용한 서비스 개발이라는 주제를 가지고 LG CNS의 챗봇 빌더 플랫폼인 DAP Talk솔루션을 활용해 코딩 없이 자연스러운 대화를 이어가는 챗봇을 구현하는 방법에 대해 살펴보았습니다. 다음 시간에는 시각 AI 기술을 활용한 LG CNS DAP Vision 솔루션을 살펴보도록 하겠습니다.
글 l LG CNS AI빅데이터연구소
[참고 문헌]
https://www.grandviewresearch.com/industry-analysis/chatbot-market
Chatbot Market Size, Share & Trends Analysis Report By End User, By Application/Business Model, By Type, By Product Landscape, By Vertical, By Region, And Segment Forecasts, 2018 – 2025
