AI 챗봇 이란? - 정의, 원리, GPT, 구축 과정 [AI 챗봇의 시작부터 성공 노하우까지 완벽 정리]

AI 챗봇 이란? - 정의, 원리, GPT, 구축 과정 [AI 챗봇의 시작부터 성공 노하우까지 완벽 정리]

 

챗봇 이란?

‍

AI 챗봇의 정의

챗봇(Chatbot)은 인간과 자연스럽게 대화할 수 있는 소프트웨어 애플리케이션을 의미합니다. AI 챗봇은 음성 명령이나 텍스트 채팅 또는 두 가지 모두를 통해 인간의 대화를 시뮬레이션하는 컴퓨터 프로그램입니다. AI 챗봇은 Chatterbot의 줄임말로, ‘Talkbot’ ‘interactive agent’ 또는 ‘Artificial conversation entity’ 등 다양한 동의어를 가지고 있습니다.

AI 챗봇은 사람처럼 고객과 상호 작용하는 자동화된 프로그램이기 때문에, 활동 자체에는 비용이 거의 들지 않는다고 볼 수 있습니다. AI 챗봇은 하루종일 고객을 응대하며 시간이나 물리적 위치에 제한을 받지 않습니다. 24시간 내내 직원이 일할 수 없거나, 그럴 재정 자원이 충분하지 않은 기업에게 매력적인 기술이죠. 직원의 시간을 더 효율적으로 사용할 수 있을 뿐만 아니라, 비용 절감 효과도 누릴 수 있습니다.

‍

AI 챗봇 활용 분야

AI 챗봇은 인공지능을 통해 일상적인 작업을 효율적으로 수행하는 대화형 도구입니다. 특히 B2C (Business to Consumer) 및 B2B(Business to business) 환경에서 간단한 작업을 처리하기 위해 챗봇을 사용합니다.

AI 챗봇은 자연어 처리를 사용하여 사용자의 텍스트나 그래픽, 음성을 통해 웹 서비스나 앱과 상호작용합니다. 또한 예측 인텔리전스 및 분석을 통해 사용자의 선호도를 학습하고, 이 지식을 이용하여 고객에게 권장사항을 제공하거나 고객의 요구사항을 예측할 수도 있죠.

GPT (Generative Pre-trained Transformers)와 같은 AI 챗봇은 자연스러운 인간 언어를 이해하고 인간과의 대화를 에뮬레이션 하며, 사용자가 요구한 작업을 실행할 수 있습니다. 일반적으로 특정 응답에 대응하도록 사전 프로그래밍된 챗봇과 달리, GPT는 머신러닝과 자연어 처리 알고리즘을 사용하여 대화의 맥락과 어조에 따라 응답을 생성하는 특징이 있습니다. ChatGPT, Bard, PaLM과 같은 언어 모델은 사용자의 질문에 대답할 뿐만 아니라 기사, 소셜미디어 게시물, 에세이, 코드 및 이메일 등 다양한 서면 콘텐츠를 작성할 수 있는 것이죠.

‍

NLP vs. NLU

AI 챗봇에 관해 검색이나 자료를 읽다 보면, NLP와 NLU라는 단어가 자주 나오는 것을 확인하실 수 있습니다. NLP는 AI가 자연어를 처리할 수 있도록 만드는 것과 관련된 모든 것을 포함하는 포괄적인 용어입니다. 자연어 이해(NLU, Natural Language Understanding)는 다양한 머신러닝 알고리즘을 사용하여 감정을 식별하고 NER(Named Entity Recognition)을 수행하며 의미론을 처리하는 NLP의 하위 주제입니다.

‍

“Please crack the windows, the car is getting hot.”

여기서 NLP는 문장 그대로의 의미로 텍스트를 처리하는 데에 중점을 둡니다. 반대로 NLU는 문맥과 의도, 즉 의미를 추출하는 데에 중점을 둘 것입니다. 따라서 위 문장을 보았을 때 NLP는 문자 그대로 창을 깨부수려고 할 것입니다. 하지만 NLU는 발화자가 창을 내리려고 했다는 것을 추론할 수 있습니다.

‍

NLP는 문법이나 구조, 관점을 중점적으로 텍스트를 처리합니다. 반면 NLU는 언어나 텍스트 이면에 숨겨진 의도를 추론하는 데에 특화되어 있다고 볼 수 있습니다. 과거의 챗봇은 개발자가 설정한 형식에서 벗어나는 순간 대화를 다시 리셋하거나, 질문을 이해할 때까지 다시 질문했었습니다. 하지만 NLP와 NLU를 결합하면서 챗봇은 대화의 맥락을 이해하고, 맥락을 기반으로 의미를 추출할 수 있게 되었죠.

‍

AI 챗봇은 어떻게 만들까?

최근 많은 기업에서 AI 챗봇을 도입하고 있습니다. AI 챗봇 구축을 위한 빌더도 많이 늘어났죠. 본격적으로 챗봇을 구축하기 전에 알아야 할 것이 무엇인지 살펴보겠습니다.

‍

개발 구조와 챗봇 아키텍처

챗봇은 무궁무진한 사용 방향만큼, 제작을 위한 기본 뼈대에도 여러 선택지가 있습니다. 그 중 대표적인 3가지를 비교해 보겠습니다.

‍

‍

• 생성 AI 모델

• 대규모 데이터 세트에서 AI 챗봇을 교육한 모델
• 기존 방식보다 더 자연어를 잘 이해함
• 대규모 언어 모델로 개발된 ChatGPT, Bard 등 생성 AI 챗봇이 대표적인 사례
• 최근 Google은 이러한 생성 모델을 검색 엔진으로까지 확대하여 범용화를 시도하고 있음

• 패턴 기반 휴리스틱

• 패턴이 있는 일련의 규칙을 적용하는 모델
• 휴리스틱이란, 시간이나 정보가 부족하여 합리적인 판단을 할 수 없거나 체계적인 판단이 굳이 필요하지 않은 상황에서 모델이 빠른 의사결정을 할 수 있도록 고안된 컴퓨터 알고리즘
• 따라서 규칙과 패턴에 기반하여 휴리스틱을 발동하는 방식
• 주로 엔터테인먼트 챗봇에 사용

‍

Intent Classification to Classify User Inputs into Predefined Intents

‍

• 의도 분류 알고리즘

• 의도 분류 (Intent Classification) 이란, 챗봇 대화에서 사용자 쿼리 이면의 의도를 식별하는 프로세스
• 공통된 키워드가 들어가더라도 사용자의 요청은 다양하게 분류할 수 있음
• 챗봇 의도 교육을 선행하여 비즈니스 및 고객 요구 사항의 종류에 따라 분류
• 같은 키워드가 들어가도 요청사항의 맥락이 제각각인 케이스에 대응하기 위한 방식

‍

한국어 공개 데이터

한국어 데이터는 그간 영어에 비해 미진한 성과를 거두었습니다. 원래도 복잡하고 까다로운 자연어 처리 과정에, 한국어 데이터는 훨씬 더 어려운 구조를 가지고 있기 때문입니다. 특히 한국어는 조사가 없는 영어에 비해 어절 단위로 토큰화를 하는 것이 까다롭습니다. 또한 어순이 바뀌거나 띄어쓰기가 되지 않아도 의미가 통하는 경우가 많고, 인공지능은 문장부호 없이 텍스트만 보고는 의미 구분을 하지 못하기 때문입니다.

구글이 선보인 인공지능 챗봇 Bard는 한국어 문장을 자연스럽게 구사할 수 있습니다. 구글은 그간 기술적인 어려움을 겪고 있던 한국어 데이터 시장을 먼저 선점하겠다는 의도를 보였죠. 구글 최고 경영자는 “한국어를 통해 우리에게 무엇이 더 필요한지 확인하겠다”라고 설명했습니다. 이에 따라 국내 기업도 더 많은 양질의 한국어 데이터를 가지고 있음을 내세워, ‘한국어 대규모 언어 모델’ 구축에 박차를 가하겠다는 의지를 보여주고 있습니다.

지난해 1월 인공지능 챗봇 심심이의 한국어 대화형 AI 기술을 돕는 데이터셋 구축이 완료되었다는 소식이 보도되었습니다. 여기에 포함된 데이터는 ‘공감형 대화’ 데이터와 ‘지식 검색 대화’ 데이터, 그리고 ‘일상형 대화’ 데이터가 포함되어 있습니다. 이는 사실 기반의 대화와 페르소나 유지, 공감 능력까지 갖춘 대형 언어 모델 제작의 기반이 만들어진 셈입니다.

‍

‍

AI HUB는 AI 기술 및 제품, 서비스 개발에 필요한 AI 인프라를 누구나 활용하고 참여할 수 있도록 지원하는 AI 통합 플랫폼입니다. 사용자는 AI 허브에서 지원하는 AI 데이터, AI SW API, 컴퓨팅 자원 등의 인프라 서비스를 자유롭게 활용할 수 있습니다. AI 허브에서 데이터바우처 사업 등을 통해 수집한 공공 데이터나 R&D 데이터, 민간 데이터 등을 가지고 AI 추론 학습용 데이터를 제작하고, 이를 각종 산업체나 연구 개발에 사용할 수 있도록 공유하는 것이죠.

구축이 어려운 한국어 데이터 역시 AI HUB에서 찾을 수 있습니다. [분류 분석], [유사도 판별], [자연어 질의응답], [번역] 등 많은 데이터가 준비되어 있죠. 특히 대화모델 학습용 데이터가 많이 포진되어 있습니다.

‍

 

실제 적용까지의 과제

챗봇은 일상적이고 반복적인 프로세스를 자동화하는 데에 특화되어 있습니다. 여기에 인공지능을 더해 더욱 효과적인 업무 처리가 가능해졌죠. 그러나 챗봇이 역량 이상을 요구받거나, 챗봇이 수행해야 하는 작업이 모델 성능에 비해 복잡하면 제 기능을 하지 못할 가능성이 높습니다.

또한 인공지능 챗봇은 다양한 소스로부터 액세스 된 데이터를 사용합니다. 그런데 데이터 품질이 나쁘다면 오히려 데이터가 챗봇의 기능을 제한하게 됩니다. 즉 챗봇의 품질은 엔지니어가 챗봇에 사용한 AI 모델과 데이터 품질에 따라 결정된다고 볼 수 있습니다.

그렇다면 챗봇 구축을 위해서는 보다 구체적인 설계가 필요하다는 것을 알 수 있습니다. 특히 잘못 설계된 챗봇은 사용자 신뢰도를 저하하고 브랜드에 대한 나쁜 인상을 줄 수 있습니다. AI 챗봇의 개발 및 구축 단계에서 고려해야 하는 것들의 예시를 들자면 아래와 같습니다.

‍

• AI 챗봇의 주요 목적과 Target
• 어디에 챗봇을 구현할 것인가?

• 일반적으로 비즈니스 웹사이트에 구현하지만, 모바일 애플리케이션 등 다른 플랫폼에 구축할 수도 있습니다.

• 구체적인 챗봇의 기능 정의

• GPT를 활용할 수도 있으며, CTA와 같은 링크로 연결되도록 유도할 수 있습니다.
• 더 빠른 온라인 커뮤니케이션을 위해 음성 인식 기능을 구축할 수도 있습니다.

• 모니터링 및 유지 관리 계획

‍

AI 챗봇의 제반 설계부터 철저히 해야 하는 이유는 최근 사용자가 AI 챗봇을 통해 기대하는 것들이 더 많아졌기 때문입니다. 자세한 내용은 아래 섹션에서 정리하겠습니다.

‍

AI 챗봇의 인터랙션

대화형 사용자 경험 (Conversational UX)

대화형 사용자 경험(CUX, Conversational UX)란 자연어를 기반으로 한 상호작용 방식을 의미합니다. 인간은 서로 상호작용할 때 아이디어나 개념, 데이터 및 감정 정보를 전달하기 위해 대화를 사용합니다.

CUX의 개념이 등장하기 전까지 사용자는 시스템을 사용하기 위해 기꺼이 복잡한 가이드를 배우고 적응해야 했습니다. 하지만 시스템이 자연어 처리 기술을 통해 비로소 인간과 소통할 수 있게 되자, 사용자는 많은 학습 없이도 인터페이스를 이해하고 사용할 수 있게 되었습니다. 뿐만 아니라 시스템과 연속적이고 맥락 있는 대화를 이어나갈 때에 사용자 경험이 더욱 연속적이며 확장되는 것을 확인할 수 있었습니다. 이를 Microsoft는 ‘사용자가 시스템을 배우는 것이 아니라, 시스템이 배우는 것이다’라고 설명했죠.

‍

‍

대화 디자인은 UX의 미래입니다

대규모로 고객과 더 나은 관계를 구축하는 대화를 설계하는 방법을 살펴보세요.

 

회사의 앱이나 웹사이트를 통해 마지막으로 고객 지원을 받았거나 휴대폰이나 스마트 스피커에서 Alexa 또는 Siri와 대화한 때를 생각해 보십시오. 자동화된 음성 또는 텍스트 메뉴를 탐색했습니까? 그것은 대화였으며 대화 디자인(CxD, 줄여서)에 의해 알려졌습니다.

당신이 다루고 있는 브랜드에 대한 당신의 인상은 그들이 그 대화를 얼마나 잘 설계했는지에 따라 의심할 여지없이 영향을 받았습니다. 저는 대화가 사용자 경험의 다음 물결이라고 믿습니다. Salesforce의 Conversation Design Principal로서 저는 기업이 사용자 신뢰를 구축하는 대화 경험을 만들 수 있도록 지원합니다.

 

모든 대화는 새로운 고객을 확보하든 브랜드의 오랜 팬과의 유대를 강화하든 상관없이 관계 구축을 위한 기회입니다. 성공적인 기업은 대화 디자인을 활용하여 문제점을 최소화하고 고객 신뢰를 구축합니다. 좋은 대화 설계에는 위험이 따릅니다. 미국에 기반을 둔 설문 조사에 따르면 참가자의 거의 73%가 나쁜 경험을 한 회사의 봇을 다시는 사용하지 않을 것이라고 합니다.

위의 이미지는 커피 바리스타 챗봇인 Verona Bot과 사용자 간의 대화 내용을 보여줍니다. 사용자는 자신을 반복해야 하고 좌절하게 됩니다.

반대로, 형편없는 대화 디자인은 신뢰를 빠르게 떨어뜨릴 수 있습니다! 그것은 인식과 의도의 부족에서 비롯된 죄입니다. 내 말은, 회사가 고객을 소외시키는 대화를 설계하는 이유는 무엇입니까? 어떤 브랜드가 의도적으로 인종에 구애받지 않는 챗봇을 만들까요? 이러한 끔찍한 경험은 궁극적으로 잘못된 디자인으로 이어지는 무지와 언어 가정의 조합으로 인해 발생합니다.

그렇다면 대화 디자인이란 무엇입니까? 사용자 인터페이스의 시각적 요소에 기반을 두고 시각적 공간에서 텍스트를 구성하는 그래픽 UX나 대화형 UI가 아닙니다. 오히려 CxD는 단어, 이모지, 문자, 어조 및 사용자가 순서를 바꾸는 패턴으로 상호 작용하는 전반적인 언어에 관한 것입니다.

 

예를 들어, 웹사이트의 카피는 대화 디자인이 아니라 카피라이팅입니다. 아무것도 다시 입력하지 않고 정적 텍스트를 읽고 있습니다. 그러나 사용자는 SMS(단문 메시지 서비스)를 통해 대화를 나누는 챗봇과 상호 작용합니다. 이것은 대화 디자인입니다. CxD는 말하는 내용과 말하는 방식에 대해 전략적이고 체계적입니다. 운 좋게도 우리는 대화가 명확한 패턴을 보인다는 것을 보여주기 위해 언어학에 대한 수십 년간의 연구를 가지고 있습니다. 오늘날 대화에서 활용할 수 있는 패턴과 통찰력.

 

대화가 어떻게 관계의 중심에 있는지 살펴보겠습니다. 그리고 회사, 고객 및 나머지 세계( 관계 설계라고도 함 ) 간에 더 나은 관계를 구축하는 사용자 경험을 만드는 방법을 배움으로써 전문성을 확장하십시오.

 

다음은 더 훌륭하고 포괄적인 대화를 설계하기 위한 5가지 팁입니다.

 

대화 스타일 결정

브랜드가 무엇을 하고 누구와 대화하는지에 따라 대화 스타일이 가볍고 재미있는지 또는 진지하고 전문적인지 결정할 수 있습니다. COVID-19 접촉 추적을 위한 챗봇 설계를 고려해 봅시다. 봇이 논의하는 건강 뉴스의 심각성을 고려할 때 사용자와 배려하면서도 신뢰할 수 있는 방식으로 소통하고 싶을 것입니다. 배달을 위해 신선한 과일을 주문하는 데 도움이 되는 봇의 경우에는 그렇지 않을 수 있습니다. 이와 같은 봇의 적절한 페르소나는 현지 농산물 시장의 친절한 판매자가 될 수 있습니다. 편안하고 행복합니다.

 

대화 스타일은 특별히 특별하지 않습니다. 단지 말하거나 채팅하는 방식일 뿐입니다. 사용자가 웹 페이지가 조직의 브랜드를 시각적으로 전달하기를 기대하는 것과 마찬가지로 사용자는 봇이 사용하는 언어를 통해 브랜드 스타일을 표현하기를 기대합니다.

 

사람들은 주변 커뮤니티(가족, 친구, 동료)와 대화를 나누면서 개인적인 대화 스타일을 개발합니다. 사회언어학자 Deborah Tannen은 1984년에 궁극적으로 한 그룹의 사람들이 대화하는 방법에 대해 "적절"하거나 "정상"이라고 생각하는 것이 다른 사람들에게는 실망스러운 것으로 보일 수 있음을 발견했습니다. 예를 들어, 겹치는 말은 뉴욕의 일부 커뮤니티에서는 방해로 간주되지 않는 반면, 캘리포니아와 같은 곳의 스타일은 자신에게 차임 하기 전에 대화가 일시 중지될 때까지 기다리는 경향이 있습니다. 봇의 응답 지연을 조정하면 배려나 참여에 더 기울어지는 방식이 될 수 있습니다. 이는 모두 사용자, 브랜드 및 목적에 가장 적합한 스타일에 달려 있습니다!

 

설명적이어야 합니다.

대화 설계자는 항상 포괄적이고 관찰력이 뛰어나며 설명적이어야 합니다. 사용자는 자신의 언어를 통해 자신의 사회적 정체성을 나타냅니다. 즉, 언어는 살아 있고 규칙은 항상 변합니다. 언어가 실제로 어떻게 작동하는지에 대한 설명적이고 관찰적인 입장에서 설계하는 대신 언어가 어떻게 작동해야 하는지에 대한 선입견을 허용하면 사용자를 소외시킬 위험이 있습니다. 기껏해야 사용성 문제가 되고 최악의 경우 형평성 문제가 됩니다.

이 챗봇 대화에서 사용자는 "come thru"로 응답하여 챗봇의 작업에 대한 승인을 표시하고 봇은 "죄송합니다. 잘 이해하지 못했습니다."라고 응답합니다. 이 봇을 설계한 사람은 다른 언어 스타일을 이해할 수 있는지 확인하지 않았으며, 이는 이 사용자에게 소외됩니다.

기억:

• 언어는 연습입니다. 끊임없이 변화하고 있습니다. 아무도 어딘가에 앉아서 우리 모두가 따라야 하는 규칙을 작성하지 않습니다. 우리는 사회로서 우리 언어의 관행을 협상합니다.
• 사람들이 "적절한 문법"을 언급하거나 어떤 것이 "문법적으로 정확하다"면 그들은 실제로 사회적으로 허용되는 대화에 대한 자신의 생각을 사람들에게 강요하는 것입니다. 대화를 나누는 데 옳고 그른 방법은 없습니다.
• 맞춤법이 만들어집니다. 우리가 실제로 생성하는 소리에 정확한 방식으로 언어를 표현하는 경우는 거의 없습니다. 철자 오류 같은 것은 없습니다. 다시 말하지만 언어는 하나의 습관이며 진화하기 때문입니다. 사용자 입력을 인식하도록 봇을 훈련할 때 모든 철자 변형에 개방적이고 이를 고려하십시오.

의도적으로 표시

나는 이별 때문에 대학에서 회화 언어학에 들어갔다. 2학년 때 이 남자와 사귀던 걸로 기억합니다. 우리는 정말 일상적인 방식으로 항상 인스턴트 메시징을 통해 소통했습니다. 우리는 문장의 시작 부분을 대문자로 사용하지 않았거나 구두점을 많이 사용하지 않았습니다. 시간이 지남에 따라 그는 사람, 장소 및 사물을 대문자로 표시하고 문장 끝에 마침표를 포함하는 등 메시지에 격식을 더하기 시작했습니다. 그리고 나는 그가 멀어지는 것 같은 느낌이 들었습니다. 그리고 보라, 우리는 헤어졌다.

 

그 당시에는 큰 비탄이었기 때문에 알아내기로 결심했습니다. 물론 언어학을 공부하는 학생으로서 언어를 분석하고 싶었기 때문에 교내에서 Text and Talk라는 수업을 찾았습니다. 문자 메시지를 분석하는 방법에 관한 것이라고 생각했습니다. 그런 종류의 연구를 하기에는 약 6년이 너무 이른 것으로 밝혀졌습니다. 그러나 담론을 분석하는 방법과 대화가 작동하는 방식에 대한 원칙을 보여주었습니다.

 

전 애인과의 문자 메시지를 분석하면서 나는 우리의 기준선 또는 표시되지 않은 의사소통 방식이 비공식적이며 친밀감으로 매핑될 수 있음을 발견했습니다. 그래서 그가 더 많은 형식을 도입했을 때, 그것은 본질적으로 두 가지 이유로 거리를 만들었습니다. 첫째, 그것은 비정형이거나 표시되었습니다. 좀 더 구체적으로 말하자면, 그는 우리의 평소 대화 방식에서 의도적으로 벗어나 차갑고 화난 대화 스타일을 만들어 냈습니다. 둘째, 그의 어조를 바꾸고 좀 더 공식적인 서면 관습을 불러일으킴으로써 그는 우리 관계가 예전만큼 가깝지 않다는 메타 메시지를 나에게 보내고 있었습니다.

 

의도치 않게 대화 디자인의 기본 스타일에서 벗어나는 경우 고객에게 상호 작용 및 관계의 상태에 대한 메타 메시지를 보냅니다. 고객과 소통하는 기본 패턴을 선택한 후에는 이를 고수하고, 그것에서 벗어나기로 결정했다면 의도적으로 그렇게 하십시오.

 

녹색 의자로 가득 찬 경기장, 오른쪽 상단 사분면에 외로운 노란색 의자가 있습니다. 사진 c/o Shutterstock.

동사로 시작

봇 작업을 하는 누군가가 “하지만 주제는 어떻습니까? 봇이 주제에 집중할 수 있습니까? 봇은 어떤 주제를 다룰까요?” 불행히도 주제는 전체의 절반에 불과합니다. 대화는 또한 행동에 관한 것입니다. 사용자가 무엇을 하려고 하는지 고려하지 않고서는 실제로 사용자를 위해 대규모 작업을 완료할 수 없습니다.

 

다른 언어를 배우려고 한다고 상상해 보십시오. 여기서는 요구르트를 예로 들어 보겠습니다(안 되는 이유는 무엇입니까?). 요구르트에 대해 이야기하는 방법을 배우고 싶지는 않을 것입니다. 당신은 그것을 사고, 비판하고, 칭찬하는 방법을 알고 싶을 것입니다. 이 예에서 요구르트는 주제이고 동사는 주제와 관련된 동작을 전달합니다.

 

CxD의 맥락에서 사용자는 어떤 문제를 해결하기 위해 항상 봇에 올 것입니다(그들은 아마도 어울리기 위해 거기에 있지 않을 것입니다). 따라서 예를 들어 사용자가 담당자와 대화를 원할 경우 문제를 신속하게 해결하도록 돕기 위해 단순히 "대표"라고 말하는 프롬프트는 불완전하고 도움이 되지 않습니다. 그러나 “대표와 상의하라”는 지시는 분명하다.

 

시작하려면 일상생활에서 언어를 활성화할 기회를 찾으십시오. 다음에 앱이나 챗봇을 사용할 때 대화를 시작하기 위해 동사를 사용하는지 알아차리시겠습니까? 그렇지 않다면 그러한 상황에서 어떤 동사를 사용하시겠습니까?

 

담화 마커 사용

여기서 "담화"라는 단어에 겁먹지 마십시오. 그것은 단지 서면 또는 구두 의사소통을 의미합니다. 이 경우 "so", "uh" 및 "oh"와 같이 종종 필러 단어로 오인되는 단어에 대해 이야기하고 있습니다. 불필요한 것처럼 보일 수 있지만 담화 마커는 실제로 대화 언어의 기둥 중 하나입니다. 대화의 자연스러운 흐름을 만드는 데 정말 중요합니다.

 

담화 마커는 서로 다른 문장과 아이디어 사이의 응집력과 이들이 서로 어떻게 관련되어 있는지를 보여줍니다(Schiffrin, 1987). 그것들을 접속사로 생각할 수 있습니다. 예를 들어 "and"를 사용하면 아이디어를 기반으로 구축하고 있음을 의미합니다. 반면 "아직"은 두 가지를 비교하고 있음을 의미합니다. 이러한 연결 단어를 생략하는 것과 마찬가지로 담화 마커를 사용하지 않으면 봇이 경직되고 심지어 혼란스러워 보일 수 있습니다. 그러나 담화 마커를 포함하면 인간으로서의 자연스러운 대화와 더 유사한 경험을 디자인할 수 있습니다. 그리고 자연스러운 대화 경험을 만들어 고객과의 관계를 더욱 강화할 수 있습니다.

 

특히 음성 상호 작용에 적합합니다. 그리고 메시지가 붐비는 것을 피하기 위해 채팅 상호 작용에서 좀 더 드물게 사용합니다. 하지만 저는 이러한 금지된 담화 마커(흠, 어, 음)를 사용하지 않습니다. 기계가 할 수 없는 인지 처리를 의미하기 때문입니다.

담화 표지자 "오", "그래서", "글쎄", "좋아요" 목록과 대화에서 각각의 기능.

대화는 사람들과 협상하고 관계를 구축하는 통화입니다. 기본적으로 고객과 함께 구축한 성과인 협업입니다. CxD를 활용하면 브랜드에 대한 고객의 전반적인 경험에서 더 매력적이고 유익하며 궁극적으로 의미 있는 상호 교환을 만들 수 있습니다. 그리고 디자인에서 그들의 방언이나 대화 스타일을 축하함으로써 더 많은 사람들에게 다가갈 수 있습니다. 대화 디자인은 다른 어떤 디지털 경험도 할 수 없는 방식으로 더 긴밀한 관계를 자연스럽게 조성하기 때문에 UX의 미래입니다.

챗봇을 설계하는 경우, 훌륭한 대화식 사용자 경험을 보장하는 것이 최우선 과제가 되어야 합니다. 잘 만들어진 대화형 챗봇은 사용자가 너무 많이 입력하거나, 너무 많이 말하거나, 여러 번 반복하거나, 봇에게 설명할 필요 없이 문제를 해결할 수 있어야 합니다.

 

그러나 AI 챗봇 업계는 챗GPT 이전까지 CUX를 제대로 수립했다고 보기는 어려웠습니다. 사용자의 기대만큼 시스템의 대화 시나리오는 매우 한정적이었으며, 기능의 확장성도 매우 제한적이었죠. 또한 대화에 국한된 인터랙션 방식 탓에 맥락을 이해하지 못한 채 단답식이 많았고, 소통 과정이 부자연스러워 사용자에게 많은 불편을 주었습니다.

 

따라서 이런 한계를 보완하기 위해, 챗봇을 구축하기 전에 인터랙션 유형을 명확하게 이해하고 적절히 혼용해 구현할 필요가 있습니다.

‍

시스템 중심 유형

에이전트는 하나의 클래스에 해당하는 사용자의 명령만 인식하고 응답합니다. 일반적으로 웹 검색이나 음성 제어에 사용되는 유형으로, 사용자가 응답에 이어 추가적인 대화를 이어가고자 할 경우 시스템이 이를 더 이상 인식하지 못하는 단점이 있습니다. 따라서 사용자가 연속적으로 여러 명령을 요청하더라도, 이전의 대화 내용이나 맥락을 기억하지 않고 새로운 대화로 인식합니다.

‍

콘텐츠 중심 유형

콘텐츠 중심 유형은 시스템 중심 유형과 유사한 패턴을 가지고 있어 2 턴 이하의 시퀀스로 제한되어 있습니다. 그러나 텍스트 기반의 길고 자세한 설명을 제공하는 방식이라는 점이 다소 다릅니다. 이 유형의 에이전트는 사용자의 질문에 대해 세부사항과 예시를 가지고 자세한 응답을 제시하려고 합니다. 요컨대, 챗GPT가 대표적인 콘텐츠 중심 유형의 에이전트죠.

‍

시각 중심 유형

웹 및 모바일 인터페이스를 보조하는 형태의 시각 중심 유형은 자연어와 텍스트 중심의 인터랙션을 제공합니다. 자연어 응답과 함께 버튼이나 목록과 같은 그래픽 기반의 인터랙션을 보신 적이 있을 것입니다. 이 유형은 예측 가능한 사용자 패턴을 정형화한 카테고리를 기반으로 버튼이나 목록을 제시하여 직관적인 인터페이스를 구축했으며, 사용자는 보다 빠르게 원하는 응답을 찾을 수 있습니다. 만약 사용자가 원하는 명령이 없을 경우 직접 텍스트를 타이핑해 작업을 요청할 수도 있습니다.

‍

대화 중심 유형

대화 중심의 인터랙션은 챗봇이 사용자와 자연스럽고 매력적인 대화를 나누도록 설계되어 있습니다. 대화 중심 챗봇은 대화 스타일이 보다 인간과 유사하도록 프로그래밍되었습니다. 따라서 자연어를 사용하면서 대화 단서를 따라갈 수 있고, 사용자의 어조와 스타일에 따라 응답을 조정할 수 있다는 특징이 있습니다. 또한 유머나 스토리텔링 등을 사용하여 사용자가 대화에 지속적인 관심을 가질 수 있도록 유도합니다. 

대화 중심 유형 중 일부는 사용자와 친밀감을 쌓고 유대감을 형성하려고 노력합니다. 즉, 사용자의 필요에 따라 여러 턴에 걸쳐 대화하면서 주제를 확장할 수 있죠. 또한 목록이나 문서를 제공하는 것 대신 구체적이고 요약된 답변을 사용자에게 제공하기도 합니다. 일반적으로 짧은 단위의 대화로 구성되어 있기 때문에, 모바일뿐만 아니라 스피커에서도 구현되기도 합니다.

‍

AI 챗봇 성공 조건

사용자 경험 설계에 따른 인터랙션 활용

최근 많은 기업이 대화 우선 전략을 도입한 사용자 친화적인 AI 챗봇에 도전하고 있습니다. 그러나 상황에 따라 대화가 오히려 다른 인터페이스보다 비효율적이거나 사용자를 불편하게 할 수도 있습니다. 따라서 사용자의 목적이나 방식에 맞게 여러 유형을 혼용하는 것이 기본적인 과제입니다.

‍

‍

Microsoft 365 Copilot 수신 – 차세대 AI

이미지 출처: 구글

 

MICROSOFT 365 COPILOT에 대한 모든 이야기는 무엇입니까?

최근에 Microsoft는 365 앱 제품군에 곧 추가될 Microsoft 365 Copilot을 발표했습니다. Chat GPT 4 및 Microsoft Graphs로 구축되어 Excel, Outlook, Power Platform, PowerPoint, Teams 및 Word와 같은 일상적인 Microsoft 365 응용 프로그램에 통합되어 더 나은 성과를 낼 수 있습니다.  

 

마이크로소프트 회장 겸 CEO인 사티아 나델라(Satya Nadella)는 “오늘은 우리가 컴퓨팅과 상호 작용하는 방식의 진화에서 중요한 다음 단계로, 우리가 일하는 방식을 근본적으로 바꾸고 생산성 향상의 새로운 물결을 열 것”이라고 말했습니다.

스파타로, J., 2023

Microsoft가 차세대 AI의 힘에 대해 가지고 있는 미래 지향적인 이해와 이해는 칭찬할 만합니다. 본질적으로 Microsoft Copilots의 고유한 기능을 통해 Microsoft 365 앱에서 이전 커뮤니케이션을 제공할 수 있습니다.   

가장 좋은 부분은 무엇입니까? Copilot에 의해 생성된 출력은 자연어의 영향으로 발생하여 프로세스가 귀하의 말로 시작되고 귀하의 지시에 따라 진행됩니다.  

 

비즈니스 목표에 대한 책임 유지  

안심하십시오. 당신은 여전히 ​​권력을 가지고 있습니다. 따라서 수석 조종사의 명령에 응답하는 조종사를 의미하는 'Copilot'이라는 이름이 붙여졌습니다. 이 경우 당신. 실제로 Copilot이 프롬프트에서 강조 표시한 값을 사용하도록 제한되지 않습니다. Microsoft Copilot이 프롬프트에서 만드는 값을 편집, 제거 또는 추가하여 사용자에게 친숙한 도구로 만들 수 있습니다. 

 

당신의 도움의 손길  

솔직히 말해서 우리 모두는 때때로 약간의 영감을 원합니다. 운 좋게도 Microsoft Copilot은 정확히 그것을 제공할 수 있습니다. Copilots의 대규모 데이터 세트를 빠르게 분석하고 그에 따라 선택 및 구조화하는 기능은 일일 앱 검색과 같은 수동 작업에 소요되는 시간을 줄여줍니다. Copilot으로 시간과 에너지를 절약하십시오. 

간단한 자연어 프롬프트를 사용하여 Excel에서 데이터를 시각화하고 추세를 분석하고 , 이메일 스레드를 소화 가능한 조각으로 나누고 Outlook에서 한 입 크기의 응답 초안을 작성하고, Power Platform에서 수동 작업을 자동화하고 , PowerPoint 에서 프로젝트의 미적 프레젠테이션을 만들고 캡처합니다. 몇 초 만에 Teams의 마지막 비즈니스 미팅에서 누가 말한 주요 테이크 아웃이 Word 문서에서 유리하게 시작됩니다. 기회는 무궁무진합니다. 이러한 기회는 Microsoft Copilot의 다양한 기능 중 일부에 불과합니다.  

 

최고의 팁: Microsoft Copilot에 질문을 입력할 때 주제에 대해 가능한 한 구체적이어야 합니다. 결국 기계는 우리가 공급하는 만큼만 훌륭합니다. 인간의 핸들링은 AI가 효율적이고 효과적으로 작동할 수 있도록 항상 최전선에 있습니다.  

출시 및 가격  

즉, Microsoft Copilot은 아직 대중에게 완전히 공개되지 않았습니다. 제품 개발의 테스트 마케팅 단계에 있습니다. 필요한 경우 개선하기 위해 소그룹에서 샘플링하고 있습니다. 저울 출시는 나중에 발생할 수 있는 비용과 시간 소모적인 실수를 방지하기 위해 위험을 완화합니다. 전반적으로 최고 품질의 버전을 제공하는 것은 Microsoft의 고객에 대한 최선의 이익입니다. 걱정하지 마십시오. Microsoft Copilot은 곧 모든 사용자가 사용할 수 있게 될 것입니다. 눈을 떼지 마십시오! 

또한 Microsoft Copilot의 비용도 아직 결정되지 않았습니다. 선택한 패키지, 비즈니스 규모 등과 같은 요인에 따라 가격이 달라질 것으로 예상됩니다.  

 

AI가 따라잡고 앞서 나가도록 돕습니다. 

Copilot은 협업하고 창의성을 발휘하는 방식 측면에서 미래의 작업에 대한 투자가 될 것입니다. 우리는 그것이 우리를 어디로 데려가는지 보게 되어 매우 기쁩니다. 그리고 여러분도 그러기를 바랍니다! 

Microsoft 365의 co-pilot은 대화형 인터페이스와 문서 작업을 연동하여 사용자가 요청한 결과물을 즉시 시각적으로 확인할 수 있도록 구축했습니다. 작업의 대상이 되는 플랫폼, 챗봇과의 대화, 버튼 인터랙션을 잘 엮어 연속적인 사용자 경험 선상에서 AI를 가장 효과적으로 사용하는 구조를 이뤄낸 셈이죠. 만약 코파일럿이 대화 중심 유형으로, 요청한 작업 해결보다도 사용자와의 유대감 형성에 목적을 뒀다면 성공적이라고 보기는 어려웠겠죠.

‍

AI 챗봇의 학습 데이터 설계부터 중요

정리하자면 성공적인 챗봇 구축을 위해서는 4가지 인터랙션 패턴을 적절히 섞어서 구성하면서, 대화의 목적에 맞는 시나리오를 구성해야 합니다. 특히 여기서 대화 시나리오를 구성하는 데에는 산업별로 구체적인 상황에 대응할 수 있는 데이터가 필요합니다.

도메인 지식이란, 모델링하려는 문제 또는 도메인과 관련된 특정 정보 및 전문 지식을 의미합니다. 챗봇이 사용자와 유의미하고 유익한 대화를 나누기 위해서는 특정 주제에 대해 알아야 할 것들이 있습니다. 예를 들자면 아래와 같습니다.

• 도메인의 어휘와 문법
• 도메인 내의 개념 및 관계
• 도메인에 대한 사용자의 일반적인 질문과 요청
• 사용자가 자신의 필요와 욕구를 표현하는 다양한 방법

도메인 지식은 챗봇이 대화의 맥락을 이해하고 적절한 응답을 생성하도록 하는 중요한 열쇠입니다. 예를 들어 챗봇이 고객 지원 서비스를 수행하도록 설계된 경우, 회사의 제품 및 서비스에 대한 제반 지식이 필요할 것입니다. 또한 다양한 유형의 고객 문의사항을 이해할 수 있어야 합니다. 이런 구체적인 지식이 포함된 데이터를 가지고 학습해야만 챗봇이 제 성능을 발휘할 수 있습니다. 따라서 챗봇 구축을 위해서는 데이터 수집 및 가공 능력과 더불어 산업에 대한 이해와 지식이 중요한 것입니다.

‍

데이터헌트 AI 챗봇 구축 사례

세분화된 감정 분석을 통한 대화 시나리오 분석

심리 상담을 위한 멀티모달 감정 분석 모델은 감정을 감지하고 상담자의 목소리 톤과 피치를 분석하여 상담 세션의 효과를 분석하는 기능을 포함하고 있습니다. 데이터헌트는 이 프로젝트를 진행하기 전에 텍스트 데이터와 연관된 시청각 자료를 제공받고, 이를 토대로 대화의 앞뒤 문맥과 발화자의 감정을 파악하고자 했죠.

‍

NLP 데이터라벨링 - 대화문의 영상과 스크립트를 비교하여 감정을 태깅한 자료

‍작업자들은 먼저 텍스트 대화문에 해당하는 영상을 시청하고 대화문의 영상과 스크립트를 비교합니다. 각 스크립트에는 Text/video Intent와 주제, 소주제, 감정을 표시할 수 있습니다. 또한 하나의 대사에 복합적인 감정이 포함되어 있어 단일 감정으로 분류하기 어려운 경우, 감정 2 칼럼에 캐깅하는 방식으로 유연하게 대응할 수 있도록 설계했죠.

이를 통해 데이터헌트는 약 79,346개 문장에 대한 멀티모달 음성전사 작업을 마쳤습니다. 정확도는 무려 99.995%를 달성했습니다. 일반적으로 2-3개 정도의 감정값만을 태깅하는 기존 방식과 달리, 무려 8개의 속성값을 태깅함으로써 정교한 데이터를 구축한 결과였습니다.

‍

선생님의 대화 방식 데이터를 토대로 만든 AI튜터

고객사에서 구축하고자 한 SaaS 플랫폼은 Text recognition, Translate 과정과 번역 과정 검수가 Step별로 이루어지는 구조였습니다. 라벨러가 데이터를 입력하면 기초과학/인문 등에 대한 텍스트 데이터 구성 및 단어에 대한 개체 인식이 이루어지고, 이후 텍스트에 대한 외국어 번역이 이루어집니다. 마지막으로 작업 결과를 검수하는 과정을 더해 정확도를 끌어올렸죠.

👉 NER로 AI튜터와 스마트러닝 플랫폼 구축

‍

결론: AI 챗봇 구축을 위해서는 사전 지식과 정확한 데이터 설계가 필요

향후 AI 챗봇은 기존 제품이나 플랫폼과 결합하여 더욱 개인화된 에이전트 경험을 제공할 것으로 기대됩니다. 그러나 인공지능 챗봇은 본질적으로 사용자가 접하는 정보 자체에 대한 신뢰도가 낮다는 문제점을 꾸준히 지적받고 있습니다. 특히 생명이나 금융 등과 연관된 분야에 대응할 때, 웹 정보를 기반으로 하는 GPT는 치명적인 문제를 유발할 수 있습니다. AI 챗봇에 막연한 관심을 가지고 GPT를 토대로 챗봇을 제작했을 때, 실제 적용 시 기대한 성능을 뽑지 못하는 이유도 여기에 있습니다.

따라서 정확한 정보 전달이 필요한 분야일수록 신뢰할 수 있는 도메인 지식을 쌓아두는 데이터 베이스를 형성하고, 해당 지식을 기반으로 추론 및 응답이 이루어질 수 있도록 제반 작업을 설계하는 것이 중요합니다. 언어 학습 그 이상의 데이터를 정의하면서 복합적인 학습 데이터를 구축하는 프로젝트를 통해 연결성 있고 신뢰할 수 있는 사용자 경험을 보장할 수 있습니다.

‍

궁극적으로 성공적인 대화형 AI 챗봇 구축을 위해서는 비즈니스와 AI 생태계에 대해 깊이 이해하고 있는 전문적인 파트너가 필요합니다. 데이터헌트 역시 ChatGPT의 비전을 이어가기 위해 꾸준한 연구와 개발을 이어가고 있습니다.

‍

요약

1. AI 챗봇은 인간과 자연스럽게 대화할 수 있는 소프트웨어 애플리케이션입니다. 챗봇을 도입함으로써 조직의 시간을 더욱 효율적으로 사용할 수 있으며, 실시간 에이전트를 사용할 수 없는 시간동안 조직이 서비스를 제공할 수 있습니다.
2. 챗봇은 자연어 처리를 사용하여 사용자의 텍스트나 그래픽, 음성을 통해 웹 서비스 혹은 앱과 상호작용하도록 설계되어 있습니다. 챗봇은 상호작용 유형에 따라 아키텍처와 어트랙션을 선택할 수 있습니다. 최근 가장 많은 관심을 받고 있는 어트랙션은 대화 중심 구조이나, 구축하고자 하는 인공지능 챗봇의 의도나 목적에 따라 적절한 유형을 선택해야 합니다.
3. 인공지능 챗봇이 성공하기 위해서는 사용자 의도와 맥락을 파악하는 대화 시나리오를 개발하고 이를 학습 데이터에 반영해야 합니다. 모든 AI 챗봇이 GPT를 기반으로 한다 해서 기대 성능을 내기는 어렵습니다. 따라서 언어 학습 데이터 구축 시 도메인 지식을 기반으로 한 복합적인 프로젝트 설계가 필요합니다.