IT Solutions/Mobile

왜 지능형 챗봇인가? 왜 지금인가?

2018.02.26 09:30


가트너(Gartner)의 하이프 사이클(Hype Cycle)은 ICT 신기술의 성숙도를 판단하고 기업이 해당 신기술을 도입 여부를 판단하는 좋은 잣대로 사용됩니다. 가상 개인 비서(Virtual Personal Assistants), 자연어 질의응답(Natural-Language Question Answering), 대화형 UI(Conversational User Interface)로 대표되는 지능형 챗봇 기술은 하이프 사이클의 어떤 위치에 놓여 있을까요?


l 가트너, 하이프 사이클 

(출처: https://www.gartner.com/technology/research/methodologies/hype-cycle.jsp)


가상 개인 비서 기술과 대화형 UI 기술은 기술이 관심을 받기 시작하는 초기 단계인 혁신의 촉발 단계(Innovation Trigger)와 일부 기업이 실제 사업에 착수를 시작하는 부풀려진 기대의 정점 단계(Peak of Inflated Expectations) 사이에 놓여 있습니다. 미디어를 통한 대중의 관심이 폭발적으로 늘어나고 있으며 실제로 구축 사례 또한 생겨나고 있는 단계라고 할 수 있습니다.


하지만 지능형 챗봇의 기술 중 하나인 자연어 질의응답 기술은 앞서 말한 두 기술보다 앞선 단계인 환멸 단계(Trough of Disillusionment)에 놓여 있습니다. 환멸 단계에서는 실제 제품화를 하였으나 대중의 기대 수준을 맞추지 못해 실패 사례들이 생기는 단계라고 할 수 있습니다.



전체적으로 보면 지능형 챗봇 기술에 대한 대중의 기대 수준은 매우 높지만, 실제 구축을 통해 만들어진 서비스 품질은 대중의 기대 수준을 밑도는 단계라고 볼 수 있습니다. 그렇다면 지능형 챗봇 도입을 검토하고 있거나 준비 중인 기업들은 관련 기술들이 가트너 하이프 사이클의 마지막 단계인 생산성 안정 단계(Plateau of Productivity)에 다다르기를 기다려야 할까요?


지금이 챗봇 서비스를 도입하기에 가장 적합한 시기라는 것이 지능형 챗봇 서비스를 구축해본 경험을 가진 필자의 의견입니다. 이는 지능형 챗봇 구축의 특징에 기인하는데요. 지능형 챗봇 서비스가 성공하기 위해서는 두 가지의 요건이 필수적입니다.


첫 번째로는 다량의 고품질 학습 데이터를 보유하고 있어야 하며, 두 번째로는 명확한 서비스의 목표를 가지고 있어야 한다는 점입니다. 이 두 가지 요건의 특성으로 인해 아직 성숙하지 않은 기술이지만 지능형 챗봇 서비스를 빠르게 도입해야 합니다.


첫 번째 요건인 다량의 고품질 학습 데이터는 서비스를 구축하기 전에 준비하기는 어렵습니다. 다량의 고품질 학습 데이터를 보유하기 위해서는 서비스가 운영되어야 하며, 운영되는 서비스를 통해 얻어질 수 있습니다. 따라서 기술이 성숙해진 이후에 서비스를 검토하면 학습 데이터 측면에서 다른 경쟁사보다 우위에 있을 수 없습니다.


고품질의 학습 데이터를 꾸준히 내재화하며 실제 서비스가 실패하지 않기 위해서는 두 번째 요건을 깊이 있게 고려해야 합니다. 지능형 챗봇 기술을 만능으로 여기지 않고, 현재 기술의 단계에서 가장 적합한 서비스를 선택하고 기획한다면 성공적인 지능형 챗봇 서비스를 만들 수 있습니다.


 무슨 일을 시키지?


앞선 연재에서 소개된 대로 지능형 챗봇은 고객 상담 역할, 홍보•추천•판매 역할, 업무 비서 역할 이 세 가지 영역에서 사용될 수 있습니다.


고객 상담 역할을 맡아 상담원을 대신하여 단답형 질의에 응대할 수 있습니다. 많은 기업이 지능형 챗봇 도입을 고려할 때 처음으로 적용하고자 하는 영역이 바로 고객 상담 영역입니다. 고객 상담 역할을 수행할 수 있는 지능형 챗봇을 도입하면, 기존에 전화 상담원이 근무하지 않는 시간에도 고객에게 서비스를 제공할 수 있다는 강점을 가지게 됩니다.


또한, 많은 비중을 차지하고 있는 단답형 질의에 대한 응대를 챗봇이 대신해주면서 기존의 전화 상담 대기 시간을 줄여줄 수 있습니다.


l U+ 홈페이지 챗봇 예시


홍보•추천•판매 영역에서 지능형 챗봇을 사용하면, 자사의 브랜드 및 제품을 홍보할 수 있으며, 추천 알고리즘과의 연계로 상품추천을 통해 판매량을 높일 수 있습니다. 챗봇 서비스를 도입한 회사의 브랜드 이미지를 첨단 기술의 적용이라는 이미지와 연결해 보다 긍정적으로 소비자에게 인식시킬 기회도 얻을 수 있습니다.


세 번째 영역인 업무 비서 역할은 B2E(Business to Enterprise)에 해당하며, 복잡하고 다양한 기업의 내부 직원용 시스템을 쉽게 자연어로 접근해 사용할 수 있도록 도움을 줄 수 있습니다. LG CNS 업무포털에 적용된 ‘엘비(LVI)’ 서비스는 내부 직원들이 회계처리, 연락처 검색, 일정 등록 등 자주 사용하는 업무를 대화형 UI를 통해 빠르고 쉽게 찾아 해결할 수 있다는 강점을 가진 대표적인 업무 비서용 지능형 챗봇입니다.


앞서 소개한 세 가지 영역에서 지능형 챗봇을 도입하기만 하면 성공적인 서비스를 만들 수 있을까요? 필자의 구축 경험을 기반으로 두 가지 중요한 고려사항을 선정했습니다.



첫 번째, 서비스의 목적을 명확히 하고 업무의 범위를 최소화해야 합니다.

지능형 챗봇 서비스 도입 시 많은 사람이 범하는 오류는 챗봇이 모든 걸 해줄 수 있다는 믿음을 갖는다는 것입니다. 챗봇의 자연어처리 기반 의도 추론 알고리즘은 확률의 경합입니다. 1,000개의 보기 중에 하나의 답을 찾는 것보다 100개의 보기 중 하나를 찾는 것이 더 쉬운 이치와 같습니다.


‘모바일 서비스의 65개 업무영역에 대한 단답형 답변을 할 수 있는 고객 상담 챗봇’, ‘배송조회가 가능한 챗봇’, ‘영화를 예매할 수 있는 챗봇’처럼 지능형 챗봇으로 구축 시에 고객이 많이 사용할 수 있는 서비스 영역을 선정하고 해당 영역에 특화된 챗봇을 구축하는 것이 효과적입니다. 처음부터 백화점식의 챗봇을 구축하기보다는 작은 업무부터 구축하고 그 기반으로 업무 영역을 넓혀 나가는 방식을 추천합니다.


두 번째, 서비스의 KPI를 현실적으로 설정해야 합니다.

지능형 챗봇 서비스 도입 의지를 가진 다양한 고객을 만나보면 공통적인 질문으로 받는 것이 “챗봇 도입하면 사람을 줄일 수 있나요?” 입니다. 결과적으로 말씀드리면, “챗봇 도입으로 사람을 줄일 수 없습니다.”라는 답변을 드리고 있습니다.


챗봇을 도입함으로써 새로운 대고객 채널이 생기고, 고객의 소리를 더 귀 기울여 들을 수 있다는 강점을 가지고는 있으나 기존의 상담원을 대체하거나 단순 업무 응대를 위해 야근을 하던 내부 직원의 업무를 챗봇으로 완벽히 대체할 수는 없습니다.



사람과 사람 간의 대화에도 많은 오류가 존재합니다. 모두 같은 의견으로 결론이 났던 중요한 회의가 끝났지만 각자 자신이 유리한 대로 기억을 하고 있던 경험은 대부분 직장인이라면 가지고 있을 겁니다. 하물며 사람 간의 대화도 그러한데 지능형 챗봇이 어떻게 사람의 의도를 정확히 파악하여 대체할 수 있을까요?


물론 기술의 발전 방향은 사람을 대체할 수 있는 방향으로 진화하고 있으나 현시점에서는 서비스의 KPI를 ‘사람의 대체’로 잡는 것은 훌륭한 서비스를 만들어 놓고도 실패라는 오명을 쓸 수 있는 지름길이라고 생각합니다. 지능형 챗봇 서비스의 KPI로 알맞은 것을 추천한다면, ‘서비스의 사용률을 높인다.’, ‘24시간 끊기지 않는 단순 응대 서비스를 구축한다.’, ‘챗봇으로 추천되는 상품의 구매율을 높인다.’ 입니다.


챗봇에게 일을 시킬 때 작고 명확한 목표를 가진 챗봇을 구현하고, 실현 가능한 KPI를 설정한다면 서비스의 성공 확률이 매우 높아질 것이라고 확신합니다.


 어디서 일하게 하지?


지능형 챗봇 서비스 기획 단계에서 고려해야 할 또 다른 중요한 사항은 ‘지능형 챗봇이 어떤 채널에서 일하게 할 것인가?’ 입니다. 각각의 채널 별로 서비스 구축 시 장단점 및 고려해야 할 사항을 정리해 보았습니다.



모바일 앱(App): 회사가 보유하고 있는 모바일 앱에 챗봇 서비스를 구축하는 경우입니다. 기존 앱 사용자들에게 별도의 홍보없이 챗봇 서비스를 알릴 수 있다는 강점이 있습니다. 웹(Web) 구축 대비, 사용자 인터렉션을 자유롭게 구현할 수 있다는 것 또한 큰 강점입니다. 대부분의 메신저 서비스를 웹보다는 앱으로 구축하는 이유이기도 합니다. 하지만 Android와 iOS 버전 두 가지를 모두 준비해야 하며, 배포가 느릴 수 있습니다. 그리고 다양한 디바이스를 지원하기 위한 공수가 많이 들며 앱을 사용하지 않는 사용자에게 서비스할 수 없다는 단점도 있습니다.


웹(Web): 기업의 홈페이지(모바일, PC)에 챗봇 서비스를 적용하는 경우입니다. 별도로 앱을 설치하지 않아도 브라우저만 있다면 누구나 접근할 수 있는 강점이 있으며, 구축의 자유도가 높습니다. 홈페이지의 컨셉에 맞게 새롭게 디자인하고 신규 기능들을 추가할 수 있지만, 모바일 앱과 마찬가지로 초기 구축비가 높습니다.


채팅 플랫폼: 카카오톡, 라인, 페이스북과 같이 사용자가 많아 네트워크 효과(Network Effect)가 이미 높은 기존의 채팅 플랫폼 위에 지능형 챗봇 서비스를 구축하는 경우입니다. 별도의 채널 구축에 대한 부담이 줄어 구축 비용이 낮아진다는 강점이 있습니다. 하지만 서비스 기획 시 채팅 플랫폼에 따라 기능의 제약이 있으며, 개인정보 취급에 민감한 경우 채팅 플랫폼 내부로 대화 기록이 넘어간다는 단점이 존재합니다. 플랫폼에 따라서는 대화 건당 별도의 비용이 발생할 수 있습니다.


디바이스 플랫폼: 네이버의 클로바(Clova), 아마존의 알렉사(Alexa)와 같은 VPA 플랫폼에 챗봇 서비스를 구현할 수 있습니다. 아직 많이 시도되고 있지는 않지만, 별도의 채널을 구축하지 않아도 된다는 강점과 강력한 플랫폼 위에서 다른 서비스와의 연계가 손쉽다는 강점이 있습니다. 하지만 아직 IoT, 주문 등과 같이 제한적인 영역에서만 구축 사례가 존재합니다.



챗봇이 어떤 일을 하도록 설계하는 것 못지않게 어느 채널에서 서비스하게 할지를 결정하는 것도 매우 중요한 설계 요소입니다. 최종 사용자 즉, 고객에게 가장 접근성이 좋고 편리한 서비스를 제공할 수 있는 채널을 선택하는 것 또한 중요하며, 이미 구축한 지능형 챗봇 서비스를 더욱 똑똑하게 만들어줄 수 있는 품질 좋은 학습 데이터를 내재화할 수 있는 채널을 선택하는 것도 중요합니다.


 어떻게 교육 시키지?


지능형 챗봇 서비스가 성공적으로 고객의 삶 속에 안착하려면, 서비스 오픈 시의 품질도 중요합니다만 그 후에 품질이 꾸준히 향상되는가도 중요합니다.



일반적인 인공지능의 학습 방식은 지도 학습(Supervised Learning) 방식과 비지도 학습(Unsupervised Learning) 방식으로 나뉩니다.

지도 학습은 정답지를 사람이 작성하여 기계로 하여금 올바른 정답을 찾아갈 수 있도록 학습하는 방식이며, 비지도 학습은 사람이 정답을 알려주지 않아도 기계가 스스로 정답을 찾아갈 수 있도록 하는 학습 방식입니다. 

2016년 이세돌 9단을 이겨 세계를 떠들썩하게 했던 딥마인드의 알파고(AlphaGo)는 당시 지도 학습 방식으로 기보를 학습했지만, 최근 발표한 알파고 제로(AlphaGo Zero) 버전은 비지도 학습 방식으로 기존보다 더욱 똑똑한 인공지능으로 구현되었습니다.

비지도 학습 방식에 비해 지도 학습 방식은 기계가 학습을 하도록 하는 주체가 정답지를 만들어야 하며, 그 정답지의 품질이 곧 기계학습 모델의 품질로 직결됩니다. 따라서 사람의 공수가 많이 필요한 방식이라고 할 수 있습니다. 그렇다면 지능형 챗봇에서도 비지도 학습으로 더욱 똑똑한 챗봇을 만들 수 있을까요?

2016년 마이크로소프트에서 발표한 대화형 인공지능 챗봇 ‘테이’는 인종차별적 답변으로 물의를 빚었고 마이크로소프트는 16시간 만에 공식 사과와 함께 서비스를 중단했습니다. 스스로 대화의 패턴을 학습하는 방식으로 재학습을 하는 ‘테이’는 사용자가 의도적으로 잘못된 지식을 학습시킬 가능성이 존재했으며, 실제로 그런 상황이 발생했습니다.


seq2seq(Sequence To Sequence) 방식을 사용하여 대화를 입력받아 학습하는 방식으로 구현하면 비지도 학습 방식으로 챗봇을 구현할 수 있지만, 비즈니스에 적용할 챗봇에는 적합하지 않습니다.

회사의 제품에 대해 문의를 했는데 엉뚱한 답을 하고, 일정을 물어보았는데 잘못된 일정을 알려주는 챗봇이라면 실제 비즈니스에 적용할 수가 없습니다. 따라서 비즈니스에 적용할 지능형 챗봇은 비지도 학습 방식보다는 좀 더 정확한 답변을 위한 지도 학습 방식으로 재학습을 하는 것이 일반적이고, 안전한 방식으로 평가받고 있습니다.

그렇다면 비즈니스용 지능형 챗봇을 구축하기 위해 관리자가 끝없는 공수를 투자하여 재학습 하는 것이 최선의 방법일까요? LG CNS의 단비 플랫폼은 지도 학습 방식이면서도 최소의 공수로 지도 학습용 데이터를 발췌할 수 있는 방법론을 적용하여 관리자의 공수를 최소화하고 있습니다.

l 단비 플랫폼의 학습 추천 기능


예를 들어 사용자가 ‘싫어요’ 피드백을 남긴 대화를 모아서 스스로 학습할 수 있습니다. 또한, 사용자의 질의가 모호하거나 질의에 대한 의도 추론 결과가 여러 건이 발생한 경우 재질의를 통해 사용자의 정확한 의도를 추론하는데요. 이때 사용자가 선택한 답변과 최초의 질의를 연결해 재학습이 가능합니다.


더불어 사용자의 질의를 추론한 결과가 임계치 이상인 질의를 발췌하여 관리자의 검토 후 재학습 하는 방식처럼 다양한 방법론을 적용하여 적은 공수로 품질 좋은 재학습 데이터를 만들 수 있도록 지원하고 있습니다.


이처럼 같은 비즈니스용 지능형 챗봇이라 하더라도 봇빌더(Chatbots Builder)의 역량에 따라 관리자의 공수가 달라지고, 만들어진 서비스가 더욱 똑똑해질 수 있습니다.


글 | LG CNS 미래신사업담당



* 해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 LG CNS 블로그에 저작권이 있습니다.

* 해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.





Posted by IT로 만드는 새로운 미래를 열어갑니다 LG CNS
위로