우리 모두가 개인 비서의 도움을 받는 세상, 상상이 가시나요? 어쩌면 빠르게 다가올지도 모르겠습니다. 바로 가상 비서, 챗봇 기술의 발전 덕분인데요! 챗봇(chatbot)은 채팅(chatting)과 로봇(robot)의 합성어로 자연어 처리(NLP; Natural Language Processing)와 인공지능(AI)을 이용해 사람과의 대화를 시뮬레이션하고 응답을 도출하는 컴퓨터 프로그램입니다. 쉽게 말해 사람의 이야기에 알맞은 답이나 정보를 제공할 수 있는 기계죠.
단순하고 자동화된 작업을 처리할 때 챗봇을 이용해 시간과 비용을 절약할 수 있습니다. 예를 들어, 챗봇은
- 가족 생일에 대한 알림을 보내고,
- 간단한 명령으로 사용자가 가장 좋아하는 음식을 주문하고,
- 다음 휴양지를 예약하고,
- 계좌 잔액과 도래할 지불 기간을 알려줄 수 있죠.
2017년을 강타한 인공지능 기술, 챗봇
2017년 챗봇은 IT, 금융, 리테일 등 모든 산업에 걸쳐 큰 이슈였지만 여전히 기본적인 수준이었습니다. 그렇지만 2018년은 지능형 가상 비서(IVA; Intelligent Virtual Assistant)라고 불리는 차세대 챗봇의 해가 될 것으로 전망됩니다. 차세대 챗봇은 보다 정교한 자연어 처리와 심층적인 인공지능 기술을 통합해 더 나은 응답을 추론합니다. 행복, 분노, 놀람, 슬픔을 탐지하는 안면 인식 모델을 딥러닝(deep learning)해 감정을 이해할 수 있죠.
챗봇의 핵심 기술인 딥러닝은 분류, 인식, 탐지, 서술, 즉 ‘이해력’을 높이는 데 초점을 맞추고 있습니다. 예를 들어, 챗봇은 딥러닝을 기반으로 이미지를 분류하고, 음성을 인식하고, 물체를 탐지하고, 콘텐츠를 서술합니다. 시리(Siri)와 콘타나(Contana)와 같은 시스템은 모두 딥러닝을 기반으로 작동하죠.
인공지능의 기반 기술 중 하나인 딥러닝은 눈부신 혁신을 거듭하고 있습니다. 텍스트 번역이나 이미지 분류 애플리케이션에 적합한 새로운 수준의 심경망(neural networks)이 개발됐고, 사물인터넷(IoT)의 스트리밍 데이터, 소셜 미디어의 텍스트 데이터, 의사 메모, 수사 내용 등 점점 더 많은 데이터를 이용해 다수의 심층 레이어를 포함한 심경망을 구축할 수 있죠.
딥러닝과 함께 발전하고 있는 차세대 챗봇은 사용자를 더욱 잘 이해하고 지원하기 위해 사용자가 지금 무엇을 하고 있는지 순간의 상태를 분석하고, 원하는 것을 미리 제안하기도 합니다. 사람과의 상호작용을 촉진하기 위해 거래 장소를 파악하고, 사전 동의된 이력 데이터와 머신러닝을 통해 지속적으로 학습하죠. 이처럼 관련성과 지능이 높아질수록 챗봇의 도입률은 훨씬 더 높아질 것입니다.
챗봇의 비즈니스 활용 사례 (1) 텍스트 분석 및 감정 분석
SAS의 고객 중 특히 금융 서비스 기업의 최우선 과제는 지능형 가상 비서에 인공지능을 통합하는 것입니다. 그 중 한 은행은 지도 학습(supervised learning)을 이용해 고객이 필요로 하는 증권이나 자금을 예측하고 제안하는 개인 투자 자문 봇을 개발하고 있습니다. 이 봇은 종목 선택의 과정에서 주식 시장의 감정적인 측면까지 고려합니다. 주식에 대한 기사나 게시물에 텍스트 분석 기술을 적용해 감정을 계산하는데요. 나아가 은행은 이 봇이 ‘원유 상품 가격에 금리가 미치는 영향은 무엇인가?’와 같은 어려운 질문에까지 답할 수 있도록 추진하고 있습니다.
여기서 중요한 고급 분석 기술은 바로 텍스트 분석입니다. 텍스트 분석은 데이터 마이닝, 통계 분석, 예측 분석, 최적화 및 시뮬레이션 등과 같은 고급 분석 기법 중 하나인데요. 오늘날 데이터의 약 90%는 비정형 데이터이며, 갈수록 그 양은 방대해지고 있습니다. 따라서 정교한 언어 규칙과 분석 모델링 툴을 이용해 텍스트 데이터에 숨어있는 인사이트를 도출하는 것은 현대 기업의 핵심 역량이 되었습니다.
또 다른 보험사는 실시간으로 콜 센터 고객의 감정을 계산합니다. 이 봇의 핵심 데이터 포인트는 극성 점수(polarity score)로 문장에 나타난 감정을 측정합니다. 이 점수는 교차 판매와 상향 판매 모델에 대한 또 다른 예측 변수로 사용할 수 있는데요. 이때 극성 점수는 양수나 음수 또는 0일 수 있습니다.
챗봇의 비즈니스 활용 사례 (2) 자금세탁방지(AML)
SAS는 여러 사기 행위 중에서도 특히 자금세탁방지(AML)를 더욱 잘 구현할 수 있는 사기 감시 봇을 구축하고 있습니다. 사기 자체가 드물게 발생하기 때문에 발견하는 것 또한 어려운데요. 때문에 중요한 목표는 오탐율(false positive rate)을 최소화하는 것이므로 사기 탐지 봇은 합법적인 거래를 사기로 분류하지 않습니다. 조사관은 단 몇 분만에 오탐을 가려낼 수도 있지만 대개 8시간 이상이 걸립니다. 그러나 이 봇은 사기를 분류하기 위한 변수를 요약하고, 오탐율을 최소화하기 위해 자동으로 확률 임계 기준값을 선택합니다.
사기 수사 과정은 노동 집약적이기 때문에 은행들은 수요를 충족시키기 위해 점점 더 많은 조사관을 고용하고 있습니다. 강력한 머신러닝 파이프라인을 이용해 사기를 정확하게 탐지하는 봇은 조사 자원을 가장 필요한 곳에 집중시키도록 도와줄 수 있습니다. 또 지속적인 머신러닝을 통해 새로운 사기 수법과 공격에 적응할 수 있죠. 자연어 생성(NLG; Natural Language Generation)은 왜 특정 거래나 일련의 거래 세트가 사기인지 아닌지 서술적 요약을 제공합니다. 이를 통해 조사 프로세스를 단축시키고, 컴플라이언스를 효율적으로 준수할 수 있습니다.
SAS 솔루션으로 가상 비서 만들기
SAS의 또 다른 목표는 봇이나 가상 비서를 만들려는 고객을 위해 확장 가능한 개방형 소프트웨어를 구축하는 것입니다. 그 일환으로 입력된 텍스트 또는 음성 자연어를 특정 애플리케이션에 특화된 실행 코드로 변환하는 자연어 상호작용(NLI; Natural Language Interaction) 서비스를 제공할 계획인데요. 이 서비스는 사용자 명령을 ‘판매 결과 요약’ 또는 ‘사기 방지 스코어링’와 같은 올바른 조치로 자동 매핑합니다. 또 서술적 요약과 템플릿 보고서를 개발하기 위한 자연어 생성 서비스를 포함합니다. 궁극적인 목표는 자연어 상호작용 서비스로 입력에 대해 추론하고, 자연어 생성 서비스로 출력에 대해 설명하는 것이죠.
텍스트 분석, 머신러닝, 딥러닝을 지원하는 통합 분석 플랫폼
인공지능 활용을 위한 통합 분석 플랫폼 SAS 바이야(SAS Viya) 기반의 신규 솔루션 SAS 비주얼 데이터 마이닝 앤드 머신러닝(SAS VDMML; SAS Visual Data Mining and Machine Learning)은 포괄적인 비주얼 인터페이스와 간편한 드래그앤드롭 기능으로 단일 환경에서 텍스트 분석, 머신러닝, 딥러닝 알고리즘을 지원합니다. SAS VDMML의 통합 텍스트 분석 기능은 방대한 양의 텍스트 문서를 검토합니다. 기업의 전체 텍스트 데이터를 탐색하고, 새로운 주제나 관련 내용에 대한 새로운 인사이트를 도출할 수 있습니다.
챗봇을 이용해 비즈니스를 혁신하고 싶으신가요? SAS 블로그를 통해 고객 응대, 투자 자문, 사기 탐지까지 차세대 봇의 놀라운 가능성을 확인해보세요.
