챗봇의 가장 기본적이면서 중요한 기능은 무엇일까요? 바로 화자의 의도(Intent)를 파악하고, 그에 맞는 적절한 답변을 제공하는 것이 챗봇의 가장 기본이자 핵심 기능 입니다. 화자의 의도를 파악하는 방법에는 Rule 관리를 통한 방법과 인공지능을 통해 파악하는 방법 두 가지가 있습니다. 이 두 가지의 차이에 대해 간단하게 설명하도록 하겠습니다.

 Rule 기반의 챗봇은 문장을 형태소 단위로 분석하고, 이 형태소에서 중요 단어(Keyword)를 뽑아내 이 단어 사이의 관계를 통해 화자의 의도를 파악하는 방식입니다. 예를 들어 "내 뷰티포인트 몇 점인지 알려줘"라고 화자가 챗봇에게 해당 문장을 질의하면 Rule 기반 챗봇에서는 문장에서 '뷰티포인트'와 '알려줘'를 추출해서 동사인 '알려줘'와 명사인 '뷰티포인트'를 조합해서 화자의 의도를 파악하게 됩니다.

 반면 인공지능 챗봇은 사용자의 동일 의도에 따른 다른 유형의 문장(질문)들을 함께 훈련하여 사용자의 의도를 파악하는 방식입니다. 예를 들어, "내 뷰티포인트 몇 점인지 알려줘", "내 포인트 얼마야?", "포인트 얼마 남았지?" 등의 말뭉치(Corpus)들을 미리 하나의 의도로 학습을 해두게 됩니다. 머신러닝(Machine Learning)에서 말하는 지도학습(Supervised Learning)을 통해 학습을 진행한다고 이해하시면 됩니다. 그 후에 동일한 문장 또는 유사한 문장(ex, "포인트 알고 싶어")이 챗봇에 질의되면 인공지능 챗봇은 해당 문장을 벡터(Vector)로 변환하고, 벡터에 대한 연산을 통해 통계적으로 어느 의도에 가장 가까운지를 계산하는 방식으로 사용자의 의도를 파악하게 됩니다. 이 과정에서 Rule 기반의 챗봇과 유사한 개체(Entity) 인식을 함께 활용할 수 있는데, 이를 통해 사용자의 의도 파악을 조금 더 정확하게 할 수 있습니다.

 이 두 가지 차이는 간단해 보이지만 문장이 점점 더 많아지고 문장의 구조가 복잡해질수록 많은 차이가 나타나게 됩니다. 아래 예를 보시면 조금 더 이해가 빠를 것 같습니다.

 위 예시처럼 문장이 복잡해질수록 한 문장에 복합 Rule(뷰티포인트 조회, 뷰티포인트 사용)이 존재할 수도 있고, 모든 Rule에 대한 경우의 수를 사람이 파악하고 관리하기에는 한계가 있기 때문에 Rule 기반의 챗봇 역시 한계를 가질 수 밖에 없습니다. 반면 인공지능 챗봇은 대응하고자 하는 문장을 어느 의도로 학습할 것인지 결정하고 학습하면 되기 때문에, 훨씬 더 유연성이 높다고 할 수 있습니다. 그리고 일하는 방식도 아래와 같이 차이를 만들 수 있습니다. 가장 큰 차이가 있다면 기존에는 IT 담당자가 요건을 듣고 그에 맞게 Rule을 설정하고, 이를 테스트 하는 방식이었다면 인공지능 챗봇은 사업부서 담당자가 직접 훈련할 수 있고, 즉시 적용할 수 있다는 점을 꼽을 수 있습니다.

 앞서 Rule 기반의 챗봇과 인공지능 챗봇에 대해 설명드렸고, 이번 인공지능 챗봇 프로젝트를 통해 제가 느꼈던 Lessons learned에 다섯 가지 정도 소개해드리도록 하겠습니다.

 챗봇이 모든 상담과 고객을 대응해주면 좋겠지만 아직 제한이 많은 것은 명확한 사실입니다. 실제 챗봇을 아무리 정밀하게 학습시키고 답변 로직을 제공한다고 해도 사람과 동일하게 상담과 고객 대응을 할 수는 없습니다. 따라서 챗봇을 통해 대응할 수 있는 영역을 찾고 이에 집중하는 것이 반드시 필요합니다. 이를 위해 사람들이 단순/반복적으로 하는 작업 또는 대응하고 있는 영역을 먼저 찾아보고 프로세스를 그려보는 작업이 필요하며, 이를 기반으로 챗봇이 잘 할 수 있는 영역과 아닌 영역을 분리하는 작업이 선행되어야 합니다. 그 결과를 기반으로 챗봇이 잘할 수 있는 영역을 프로젝트의 메인 Scope으로 잡고 프로젝트를 수행하는 것이 중요합니다.

 챗봇의 기본이자 가장 중요한 기능이 화자의 의도(Intent)를 파악하는 것이라고 말씀 드렸었는데요. 화자의 의도 파악을 위해 실제 고객이 사용하는 문장(발화: Utterance)을 통해 학습하는 것이 챗봇 프로젝트에 있어 가장 중요한 요소가 아닐까 싶습니다. 그 이유는 챗봇을 사용할 주 고객들이 주로 사용하는 문장(질문)을 통해 학습했을 때 가장 좋은 효과를 나타낼 수 있기 때문입니다. 이를 위해 고객의 문장(질문)을 수집하는 과정이 매우 중요하고 반드시 필요하며, 질문을 수집하는 채널(웹 사이트, 모바일 웹, 모바일 App, 기타 등) 또한 고객들이 실제 많이 사용할 곳을 통해 수집하는 것이 더 좋습니다. 웹 사이트와 모바일에서의 채팅 경험을 비교해서 떠올려보시면 채널에 따라 입력하는 문장이 다르다는 것을 느낄 수 있을 것입니다. 따라서 고객의 질문을 어떻게 효율적으로 수집할 것인지에 대한 고민을 해야 하고, 이를 통해 수집한 질문으로 학습을 하는 것이 반드시 필요합니다.

 일반적인 IT 프로젝트를 수행함에 있어 사업부서(이하 현업) 담당자의 주된 역할은 프로젝트에 대한 기획, 요구사항 정리, 전체적인 진행 상황 체크, 결과물 검증 등을 꼽을 수 있습니다. 실제 프로젝트에 대한 구현은 IT부서 담당자가 수행을 하는 것이 일반적입니다. 그러나 인공지능 챗봇 프로젝트의 경우는 현업 담당자가 앞선 2번의 과정을 통해 수집한 문장(질문)을 분류하여 어느 의도에 학습시킬 것인지 결정하고, 학습(Supervised Learning)시키며, 그에 대한 답변 등을 모두 직접 진행해야 합니다. 그 이유는 비즈니스 상에서 고객들의 니즈를 제일 잘 파악하고 있는 것은 현업 부서의 담당자이고 이에 맞는 대응을 가장 잘 할 수 있는 사람 또한 현업 담당자이기 때문입니다. 그러므로 문장(질문)에 대한 의도 분류, 학습, 답변 문구 작성 등이 챗봇 프로젝트 중에서 매우 큰 작업의 범위를 갖고 있어 챗봇 프로젝트가 성공하기 위해서는 현업 담당자의 매우 적극적인 참여가 반드시 선행되어야 합니다.

 앞서 1번에서 말씀 드렸듯이 현재 챗봇이 대응할 수 있는 영역에는 한계가 있습니다. 그러나 아직까지 많은 분들이 인공지능이라고 하면 굉장히 지능적이고 전지전능하다고 생각하곤 합니다. 하지만 그 것은 큰 오해입니다. 알파고를 예를 들어 말씀드리면, 알파고는 바둑에 최적화된 인공지능일 뿐이지 다른 분야까지 최적화 되어 있는 것은 아닙니다. 물론 다른 분야를 위해 훈련을 한다면 조금 다른 얘기가 되겠지만요. 이와 마찬가지로 인공지능 챗봇도 사용자의 질문을 척척 알아듣고 답할 수 있는 분야보다는 알아듣지도 못하고 답변도 제대로 하지 못하는 영역이 훨씬 더 많습니다. 그러므로 인공지능 챗봇이라서 "이런 건 기본적으로 알아듣고 답해야 하는 것 아니냐!"라는 기대보다는 "이러한 부분도 쉽게 할 수 있구나!"라는 관점에서 접근할 필요가 있다고 생각합니다.

 액센츄어 기술트렌드 보고서 발표에 따르면, '인공지능은 새로운 UI/UX'라는 내용이 있는 것처럼 이번 프로젝트를 통해 느낀 것은 인공지능 분야 중 하나인 챗봇 역시 새로운 UI/UX인 것 같다라는 점입니다. 기존의 정보를 얻는 방식이 웹 사이트 검색이나 버튼 클릭이 아니라 대화라는 차이점과 더불어 이 대화를 어떻게 설계하느냐에 따라 고객들의 경험이 달라질 수 있다고 느꼈기 때문입니다. 대화의 설계를 통해 기존 고객 채널에서 줄 수 있는 Tone & Manner나 고객 경험을 다르게 제공하는 것이 충분히 가능합니다. 단순하게 예를 들어, "크림 추천해줘"라고 챗봇을 통해 문의를 했을 때 추천 결과를 바로 보여줄 수도 있고, 아니면 챗봇이 "남자 크림을 추천해 드릴까요? 아니면 여자 크림을 추천해 드릴까요?" 라고 물어본 후 답변에 따라 결과를 보여줄 수도 있습니다. 이와 같이 어떻게 대화를 이끌어가느냐에 따라 고객에게 다른 경험을 줄 수 있어 챗봇은 새로운 UI/UX가 맞는 것 같고, 이를 잘하기 위한 UI/UX 디자이너 또한 필요하다고 생각합니다.