챗봇이란 무엇인가요? 챗봇은 사용자와 사람처럼 대화할 수 있는 소프트웨어입니다. 사용자는 채팅 애플리케이션을 통해 챗봇에게 말을 걸거나 메시지를 보낼 수 있으며, 챗봇은 말하거나 무언가를 입력하거나 그래픽을 보여줌으로써 적절하게 응답합니다. 현재 chatbots 의 주요 사용 사례는 고객 지원 분야에서 단순하고 반복적인 질문에 답변하고 복잡한 질문은 상담원에게 에스컬레이션하는 데 사용됩니다.
대화형 인터페이스가 고객 지원 기능에 광범위하게 사용되기 전에 해결해야 할 몇 가지 문제가 있지만(아마존 알렉사 제품 주문 및 기타 몇 가지 예를 넘어서), 고객 지원 기능에 대화형 인터페이스가 빠르게 채택되고 있습니다.
비즈니스 관점에서 챗봇 프로젝트는 다른 프로젝트와 마찬가지로 위험과 수익 측면에서 평가해야 합니다.
이 백서에서는 챗봇 구현 시 발생할 수 있는 문제와 이를 방지하는 방법을 살펴봅니다.
얼리 어답터가 직면한 많은 문제가 이제 잘 알려져 있기 때문에 여기에 강조된 위험 중 상당수는 피할 수 있습니다.
많은 경우 챗봇의 ROI가 1,000% 이상이며, 이는 비용 절감뿐만 아니라 고객 참여와 만족도 증가, 그로 인한 수익 기회로 이어지기 때문에 chatbots 및 음성이 곧 고객 지원에 널리 채택될 것은 불가피한 일입니다.
봇 플랫폼은 이제 기업에게 더 이상 어려운 일이 아닐 정도로 성숙해졌습니다. chatbots 은 고객 지원에 널리 사용될 뿐만 아니라 사용 사례가 고객 지원으로 빠르게 확장되어 결국 고객 지원이 주요 사용 사례로 자리 잡게 될 것입니다.
과대 광고 그 이상
새로운 기술을 평가하기가 어려운 이유는 제품에 대한 일부 과대 광고가 그저 과대 광고에 불과하다는 것을 알기 때문입니다. 기술 회사들은 자사의 기술을 구현할 때 어떤 일이 일어날지에 대해 온갖 종류의 대담한 약속을 하지만, 물론 그것이 그렇게 쉬운 일이 아니며 보장되는 것은 아무것도 없으며 단점을 강조하지 않는다는 것을 알고 있습니다. chatbots 도 마찬가지입니다.
Chatbots 는 여러 단계의 과대광고를 거쳤습니다. 이러한 과대광고의 대부분은 chatbots 의 기능을 과대평가하는 것과 관련이 있습니다.
지난 몇 년 동안 챗봇 관련 AI 분야에서 진정한 혁신이 있었던 것은 사실이며, 이러한 혁신을 이해해야 chatbots 에서 무엇을 기대할 수 있는지에 대한 진정한 그림을 그릴 수 있습니다.
주요 혁신은 자연어 처리(NLP), 대규모 음성 인식(음성 어시스턴트용), 자연어 생성이라는 세 가지 주요 기술에서 이루어졌습니다.
자연어 처리 기술을 사용하면 챗봇이 동일한 의미를 가진 서로 다른 자연어 구문 뒤에 숨겨진 공통 의도를 식별할 수 있습니다. 예를 들어 "항공편 예약" 또는 "파리로 비행기를 타고 싶어요"는 "항공편 예약"이라는 동일한 의도를 가지고 있습니다. 소프트웨어 개발자는 이러한 의도를 파악한 후 수행할 작업을 코딩할 수 있습니다.
음성 인식은 음성 단어를 텍스트로 변환하는 기술을 사용합니다. 음성 인식은 오래전부터 사용되어 왔지만, 컴퓨터의 성능과 cloud 에 작업을 위임할 수 있는 기능이 발전하면서 알고리즘이 매우 연산 집약적이기 때문에 이러한 시스템이 수백만 개의 단어를 식별할 수 있게 되었습니다.
자연어 생성은 일련의 매개변수를 입력받아 문법적으로 올바른 자연어 문장을 생성합니다.
이러한 모든 기술은 최근 컴퓨팅 성능의 발전으로 인해 어느 정도 발전했습니다.
극단적인 예로 chatbots 이 곧 인간 상담원을 완전히 대체할 것이라는 과대 광고가 있습니다. 실제로 chatbots 는 문맥이 제한된 좁은 도메인 내에서 매우 우수한 성능을 발휘하며 문맥이 없는 일회성 질문에 답할 때 가장 좋은 성능을 발휘합니다.
그렇다고 해서 기본 기술이 강력하고 유용하지 않다는 의미는 아닙니다. 그렇습니다. 그렇다고 해서 chatbots 가 엄청난 투자 수익률(ROI)을 창출할 수 없다는 의미는 아닙니다. 가능합니다.
하지만 챗봇 경험은 이러한 한계를 염두에 두고 제작해야 합니다.
챗봇 프로젝트에서 흔히 저지르는 실수
잘못된 목표
챗봇을 구현할 때 선택한 목표가 잘못될 수 있는 방법은 여러 가지가 있습니다. 존재하지 않는 문제를 해결한다거나, 그래픽 인터페이스로 더 잘 할 수 있는 일을 챗봇을 사용하여 해결한다거나 하는 등 목표를 설정하는 데는 많은 문제가 있을 수 있습니다.
가장 큰 실수는 과대 광고에 현혹되어 거의 인간 수준으로 고객과 대화하는 인간과 같은 챗봇을 구현하려고 시도하는 것입니다. 많은 기업이 이를 시도했지만 실패했습니다. 챗봇이 정말 잘하는 일의 범위를 벗어나서 챗봇을 구축하려고 하면 항상 문제가 됩니다.
최고의 챗봇 경험은 개방형 대화 경험이 아닌 안내형 대화 경험입니다. 예를 들어 Botpress 소프트웨어는 소프트웨어가 사용자를 계속 안내하는 데 필요한 안내 경로인 행복 경로를 정의합니다. 사용자가 이 경로에서 벗어나면 소프트웨어는 사용자를 다시 행복한 경로로 돌아오게 하거나 다른 경로를 시작할 수 있는 기회를 제공하지만, 사용자가 다른 경로로 이탈하는 것은 허용하지 않습니다.
잘못된 설계 및 개발 문제
잘못 설계된 챗봇은 사용자가 의도하지 않은 방식으로 챗봇을 사용하게 만듭니다. 이는 분명히 불만을 야기하고 모든 종류의 부정적인 영향을 미칩니다.
Chatbots 는 보수적으로 설계해야 하며, 범위를 매우 명확하게 설정해야 하며, 대화를 너무 자주 하지 말고 너무 자주 사람에게 에스컬레이션해야 합니다(또는 해당 사용 사례에 맞는 동등한 전략을 사용해야 합니다).
봇을 개발하는 개발자가 이 분야의 모범 사례를 숙지하고 유능해야 하는 것은 말할 필요도 없습니다.
잘못된 기술적 접근 방식
Chatbots 오늘날에는 NLP와 의사 결정 트리가 혼합되어 있습니다. NLP는 사용자가 매우 좁은 영역에서 개방형 질문을 할 수 있게 해주고, 의사 결정 트리는 문제를 해결하거나 작업을 완료하기 위해 의사 결정 트리(행복한 경로)를 통해 사용자를 안내합니다. 우회 경로에 대해 위에서 언급했듯이 사용자가 행복한 경로에서 벗어날 수 있는 범위는 제한되어 있습니다.
대화에 블랙박스 접근 방식을 선택하는 것은 실수입니다. 블랙박스 솔루션은 로직이 기본적으로 AI 알고리즘에 있는 데이터 기반 솔루션입니다. 이 솔루션의 문제점은 아무도 AI 솔루션이 어떤 기능을 수행할지 확실히 알 수 없고, 디버깅이 매우 어렵고, 포괄적으로 테스트할 수 없으며, 새로운 정보로 인해 동작이 변경될 수 있다는 것입니다.
Botpress 에서도 이 기술의 일부를 사용하지만, 이 '블랙박스' AI가 작동할 수 있는 영역은 행복한 경로 주변의 좁은 범위로 제한됩니다. 따라서 AI의 목표는 항상 사용자를 행복한 경로로 돌아가게 하거나 새로운 경로로 전환할 수 있도록 하는 것입니다. 이렇게 하면 이해하고 디버깅하기가 훨씬 쉽습니다.
이 "블랙박스" AI는 경계가 명확하고 관련 데이터가 방대하게 존재하는 영역에서 매우 잘 작동한다는 점을 언급하고 싶습니다. 이것이 바로 AI가 게임을 잘 할 수 있는 이유입니다. 언어의 문제는 모든 진술이 이전에 이루어진 진술과 대화 에이전트가 알고 있어야 하는 기타 관련 정보를 포함하는 문맥에 따라 다른 의미를 갖기 때문에 무한한 차원을 가지고 있다는 것입니다.
현재의 기술 수준으로 대화를 위한 블랙박스 AI를 구현하는 것은 개방형 챗봇을 구현하는 실수와 비슷합니다.
또한 위에서 언급한 결점에도 불구하고 이러한 종류의 블랙박스 접근 방식은 데이터 집약적이기 때문에 구현하는 데 많은 비용이 듭니다. 그리고 블랙박스라는 사실은 공급업체를 바꾸기가 매우 어렵다는 것을 의미하며, 이는 매우 높은 전환 비용을 의미하고 따라서 종속된다는 것을 의미합니다.
간단한 자연어 처리 및 의사 결정 트리 기술을 사용하여 봇을 구축한 다음, 사용자가 당면한 작업을 완료할 수 있도록 가장자리에서 제한된 범위의 AI를 사용하는 것이 더 좋습니다. 실제로 기업들이 이 기술을 얼마나 쉽고 간편하게 사용할 수 있는지에 대해 놀라워하는 것을 발견했습니다. 유능한 개발자는 단 몇 시간 만에 NLP와 의사 결정 트리를 사용하는 봇을 구축하는 방법을 배울 수 있습니다.
chatbots 와의 대화가 사람과의 대화를 복제해서는 안 된다는 점을 이해하는 것도 중요합니다. 예를 들어 그래픽 인터페이스는 텍스트나 음성보다 많은 경우에 훨씬 더 효율적으로 사용할 수 있습니다. 응답을 입력하거나 말하는 것보다 옵션 버튼을 클릭하는 것이 더 빠릅니다. 이는 인간 수준의 챗봇을 만들 수 있다고 해도 마찬가지입니다. 블랙박스나 주로 단어 기반 AI 접근 방식을 사용할 때 이러한 현실을 간과하는 경우가 많습니다.
잘못된 플랫폼
잘못된 봇 프레임워크를 선택했을 때의 문제점은 당장 드러나지 않을 수 있지만 시간이 지나면 분명해집니다.
챗봇을 구축하는 가장 빠른 방법은 드래그 앤 드롭 플랫폼을 사용하는 것입니다. 문제는 대부분의 경우 개발자가 곧 한계에 부딪힌다는 것입니다. 또한 일반적인 접근 방식을 사용하면 단순해야 할 기능이 시스템에 해킹되어 관리자가 봇을 사용하기가 어렵고 투박해집니다.
다른 하나는 개발자가 봇을 처음부터 코딩할 수 있는 코드 기반 독점 플랫폼입니다. 이 접근 방식의 문제점은 간단한 봇을 구축하는 데에도 매우 오랜 시간이 걸린다는 것입니다.
가장 좋은 접근 방식은 드래그 앤 드롭 인터페이스를 포함하여 필요한 모든 구성 요소와 시각적 인터페이스를 기본으로 제공하면서 동시에 이러한 모든 구성 요소와 인터페이스를 당면한 작업에 맞게 쉽게 사용자 지정할 수 있는 프레임워크입니다.
봇 스폰서는 일반적으로 봇이 최종 사용자에게 어떻게 작동할지에 대해 대부분의 관심을 집중하기 때문에 이 점이 특히 중요합니다. 문제는 관리자( 챗봇 분석을 모니터링하고 백엔드 액세스를 관리하려는), 기술 및 비기술 크리에이터(봇 동작 및 콘텐츠를 수정하려는), 인간 상담원(봇에 의해 에스컬레이션된 대화에 응답하는) 등 봇의 다른 사용자들에게도 중요한 구성 요소와 인터페이스가 많다는 점입니다.
이러한 구성 요소를 처음부터 구축하는 것은 매우 많은 시간이 소요됩니다. 물론 간단한 드래그 앤 드롭 프레임워크는 이 기능이 매우 일반적이고 제한적이며 쉽게 사용자 지정할 수 없습니다.
사용자 지정 기능은 최종 사용자 봇 자체에 필수적인 기능이며, 이는 사전에 명확하지 않더라도 마찬가지입니다. 예를 들어 드래그 앤 드롭 플로우 빌더를 사용하여 플로우를 구축할 때 회사 시스템으로 사용자를 인증하거나 결제를 처리하는 등 여러 플로우에서 계속해서 반복해야 하는 작업이 있을 수 있습니다.
프레임워크에서는 이러한 구성 요소를 플로우 빌더에 시각적 구성 요소로 추가할 수 있어야 기술 수준이 낮은 콘텐츠 제작자도 이러한 기능을 프로세스에 쉽게 추가할 수 있습니다.
쉽게 커스터마이징할 수 없는 플랫폼은 프레임워크를 '해킹'해야 하기 때문에 비기술적인 사용자에게 콘텐츠를 업데이트할 수 있는 방법을 제공하기 어렵습니다. 모든 것을 사용자 지정할 수 있는 프레임워크는 비전문가도 쉽고 직관적으로 사용할 수 있는 목적에 맞는 화면을 쉽게 만들 수 있어야 합니다.
또한 개발자가 시스템의 기본 소스 코드에 액세스할 수 있는 것도 매우 유용합니다. 이를 통해 개발자는 작업 방법을 더 빨리 이해할 수 있고 문제가 발생할 경우 신속하게 식별할 수 있습니다.
프레임워크에서 매우 중요한 것은 데이터를 제어하고 마이그레이션할 수 있는 기능입니다. 플랫폼은 기업이 프라이빗( cloud ) 또는 온프레미스(내부 서버) 등 원하는 곳에 봇을 배포할 수 있어야 합니다.
ROI는 플랫폼 측면에서도 중요한 고려 사항입니다. 플랫폼은 한 봇의 작업을 다른 봇에 재사용할 수 있어야 합니다. 즉, 한 봇에 대한 기능을 구축하면 다음 봇을 더 쉽게 구축할 수 있습니다. 이렇게 하면 한 봇에서 여러 봇으로 확장하는 데 드는 비용이 점차 저렴해져 전체 ROI를 개선하는 데 영향을 미칩니다.
한 가지 예로, 잘못 설계된 플랫폼은 단순히 동일한 콘텐츠를 다른 언어로 제공하는 것이 아니라 새로운 언어를 추가할 때마다 새로운 봇을 만들어야 합니다. 플로우 디자인과 콘텐츠를 분리하지 않으면 기술 전문가가 아닌 직원이 단순히 콘텐츠를 업데이트하는 것이 아니라 실제 플로우를 편집해야 하므로 콘텐츠 관리가 더 어려워지고 오류가 발생하기 쉽습니다.
관리자와 기타 백엔드 사용자가 효율적이고 쉬운 방법으로 작업을 수행할 수 있도록 지원하면 시간이 절약되고 실수가 줄어들어 ROI가 향상됩니다.
공급업체 종속
공급업체 종속은 여러 가지 면에서 문제가 됩니다.
플랫폼에서 타사 구성 요소를 사용할 수 없는 경우와 같이 해당 기술을 사용해야 하는 경우, 모든 구성 요소가 영원히 동급 최고가 될 것이라는 데 베팅하는 것입니다. 그렇지 않다면 나머지 시장이 발전하는 동안 구식 기술을 사용하거나 비용이 많이 드는 전환 작업을 거쳐야 할 것입니다.
누락된 구성 요소가 있거나 작동 방식을 변경해야 하는 경우, 사용자 지정 개발에 의존해야 하므로 지연이 발생할 뿐만 아니라 비용이 많이 들 수 있습니다.
마지막으로, 캡티브 고객인 경우 매우 비싼 가격을 책정할 수 있습니다. 특히 데이터와 코드를 다른 플랫폼으로 마이그레이션하기 어렵게 만드는 경우 전체 전환 비용이 매우 높을 수 있다는 것을 알고 있습니다.
개방형 시스템이 아닌 독점 시스템을 사용하면 종속 가능성이 높아지고 전환 비용이 높아집니다. 또한 데이터 전문가만 구현할 수 있는 chatbots 에 대한 복잡한 접근 방식을 선택하면 종속에서 벗어나기가 더욱 어려워지고 종속 비용이 더 높아집니다.
이해 관계자의 참여 미흡
이는 기존 동작을 변경해야 하는 모든 소프트웨어 프로젝트에서 흔히 발생하는 명백한 실수이며, 이에 대한 해결책은 잘 알려져 있습니다. 물론 고객 서비스 상담원은 봇 기술에 위협을 느낄 수 있기 때문에 봇 세계에서 특히 중요합니다. 봇이 제공하는 서비스를 보완하는 일련의 서비스를 제공하기 위해, 특히 봇이 해결할 수 없는 복잡한 요구 사항을 가진 고객에게 보다 심층적인 서비스를 제공하기 위해 상담원을 재교육해야 합니다.
ROI 무시
ROI를 무시하면 실패로 이어질 수 있는 두 가지 방법이 있습니다. 첫 번째는 설득력 있는 ROI 수치가 없으면 기술을 입증하기 위한 POC에 대한 후원이 있더라도 프로젝트가 후원을 받지 못한다는 것입니다. 두 번째는 프로젝트의 이해관계자가 프로젝트가 실행되고 나면 ROI가 없다는 것을 깨닫는 것입니다.
예상 ROI를 미리 계산한 다음 사용 사례와 상황에 대한 자세한 정보를 얻으면 이 수치를 업데이트하지 않을 이유가 없습니다. ROI가 매우 높은 사용 사례가 많으므로 사용 사례를 찾는 것은 어렵지 않습니다.
봇을 점진적으로 구축하지 않음
물론 봇을 점진적으로 구현하는 접근 방식을 따르면 위의 위험 중 많은 부분을 피할 수 있습니다.
점진적으로 테스트할 수 있는 솔루션을 구축하는 것은 매우 쉽습니다. 단일 사용 사례 POC로 시작하여 몇 명의 최종 사용자를 봇으로 라우팅하여 성능을 평가하세요. 이렇게 하면 사용자의 반응을 포함한 솔루션의 효과를 각 단계에서 저렴하게 테스트하고 개선할 수 있습니다.
물론 이 연습을 위해 사용 사례를 선택할 때 가장 '위험'한 가정에 도전하는 사용 사례를 선택하여 가장 불확실하고 중요한 가정을 미리 테스트하는 것이 중요합니다.
많은 벤더는 사용자에게 작동하는 봇, 심지어 POC를 제공하기 전에 많은 작업과 노력이 선행되는 빅뱅 접근 방식을 사용하도록 유도하고 싶어 합니다. 뿐만 아니라 벤더들은 고가의 컨설턴트만이 봇을 관리하고 모니터링할 수 있다고 주장합니다. 이는 큰 위험 신호가 될 수 있습니다.
결론
챗봇을 구축할 때 염두에 두어야 할 고려 사항은 많습니다. 주요 리스크를 인지하고 점진적으로 구현하는 접근 방식을 취한다면 성공적인 챗봇을 구축하고 그에 따른 경이로운 ROI를 달성할 가능성이 높습니다.
공유하세요:
AI에 대한 최신 정보를 확인하세요. chatbots