자연어 처리(NLP): 지능형 음성으로 디지털 프로세스 강화하기

지난 10년간 자연어 처리에서 가장 큰 변화는 단어의 전통적인 패턴 인식에서 벗어나 머신러닝과 딥러닝 접근으로 이동한 것입니다.

자연어 처리(NLP)는 컴퓨터가 텍스트를 읽고, 음성을 듣고, 해석하고, 감정을 측정하며, 어느 부분이 중요한지 판단하게 해줍니다. 오늘날 기계는 인간보다 더 많은 언어 기반 데이터를 피로 없이 일관되고 편향되지 않은 방식으로 분석할 수 있습니다.

"NLP는 언어의 모호성을 해소하고, 음성 인식이나 텍스트 분석 같은 많은 다운스트림 애플리케이션을 위해 데이터에 유용한 숫자 구조를 더해주기 때문에 중요합니다."라고 SAS UK & 아일랜드의 분석 컨설턴트 케인 퍼트만(Kayne Putman)은 말합니다. "즉, 사기 및 위험 분석이나 고객 행동 인사이트 추출 같은 다양한 비즈니스 유스케이스에 적용할 수 있습니다. 근본적으로 좋은 데이터 분석을 갖추고 NLP를 환경에 도입하기 전에 무엇을 달성하고자 하는지 아는 것이 필수적입니다."

자연어 처리의 발전

지난 10년간 자연어 처리에서 가장 큰 변화는 단어의 전통적인 패턴 인식에서 벗어나 머신러닝과 딥러닝 접근으로 이동한 것입니다. '단어 임베딩(word embedding)' 기법의 최근 발전으로 개별 단어나 단어 그룹에 어느 정도 의미론적 의미를 부여할 수 있게 되었습니다.

"결과는 고차원 수치 벡터로, 추가 모델 훈련과 분석이 가능하게 합니다."라고 매스웍스(MathWorks)의 수석 엔지니어링 매니저 조스 마틴(Jos Martin)은 말합니다. "일단 의미론적 의미 일부가 수치 공간으로 전이되면, 최근 개발된 많은 딥러닝 기법이 NLP 시스템 설계자에게 활용 가능해집니다."

예를 들어 많은 시스템이 순환 신경망의 일종인 LSTM(Long Short-Term Memory)을 활용해 문장, 문단, 기타 언어 블록 내 단어 간 관계를 더 잘 학습합니다. 이러한 네트워크 유형은 시퀀스에서 다음 단어가 무엇일지 예측하거나 다음 몇 개 단어에 확률을 부여할 수 있게 해줍니다.

단순 챗봇 그 이상

전통적인 자연어 처리에서 단어는 그저 단어였습니다. 더 넓은 맥락이 주는 확립된 의미가 없는, 다소 무의미한 구절들입니다. 이는 우리가 전형적으로 챗봇을 분류하는 방식인데, 실시간으로 제공되는 정보에 제한됩니다.

"고급 자연어 처리에서는 단어를 숫자 벡터로 표현해 문맥 이해를 개선할 수 있습니다."라고 IPsoft의 트랜스포메이션 담당 이사 요한 톨(Johan Toll)은 말합니다. "단어를 그냥 단어로 이해하는 대신, 이 방식은 기계가 단어 유사성과 구문 유사성을 매우 유연한 방식으로 이해하게 해줍니다."

예를 들어 '계약(contract)'이라는 단어가 법률 문맥에서와 갱스터 영화에서 매우 다른 의미를 가짐을 이해하는 것입니다. 실시간 정보와 언어의 단일 스트림만 이해하는 챗봇과 달리, 이는 필요한 문맥과 사용된 언어 유형에 맞춰 맞춤화된 다면적 대화를 가능하게 합니다.

톨에 따르면 고급 NLP는 촉진자(facilitator)입니다. "사실 대부분의 AI 개발과 디지털 혁신에는 어떤 형태의 지능형 프로세스 자동화(IPA)가 포함되며, 맥킨지(McKinsey)는 기업 내 작업의 50~70%가 자동화된다고 추정합니다."라고 그는 덧붙입니다. "NLP가 촉진하는 이 자동화 덕분에 조직은 방대한 양의 가치 있는 정보를 정확하게 소싱, 정리, 식별할 수 있는 새로운 AI 애플리케이션을 개발할 수 있습니다."

고객 경험 증강

이커머스 성장과 글로벌 마켓플레이스 확장으로 그 어느 때보다 많은 소비자가 온라인 쇼핑을 합니다. 이 증가하는 수요를 충족하기 위해 조직들은 NLP를 포함한 차세대 기술 조합을 도입해 고객 경험을 증강하고, 브랜드 평판을 높이며, 매출을 증대시키고 있습니다. Aspect 연구에 따르면 응답자의 92%가 현대 고객 서비스에서 NLP의 가치를 인정합니다.

"미래 지향적 조직의 핵심 요건은 고객이 가상 비서와 데스크톱 또는 모바일 챗봇 같은 자동화된 셀프 서비스 기능은 물론 전통적인 소통 수단도 선택할 수 있는 다재다능한 옴니채널 경험을 제공하는 것입니다."라고 Aspect의 유럽·아프리카 담당 수석 부사장 스티븐 볼(Stephen Ball)은 설명합니다. "자동화된 셀프 서비스의 진정한 보상은 조직이 이러한 신기술을 제대로 구현하고, 자연어 처리(NLP) 기술에 대한 포괄적인 이해를 얻을 때만 거둘 수 있습니다.

"성공적인 NLP 통합은 시간과 노력이 들고, 회사의 니즈에 쉽게 적응할 수 있고, 무엇보다 현대 고객의 복잡하고 변화하는 요구를 충족할 만큼 충분히 진보된 AI 및 관련 기술에 투자해야 한다는 것을 깨닫는 것이 극히 중요합니다. 이를 실현하려면 기업이 직원들에게 NLP와 기술 교육을 제공해 역량을 강화하고, 외부 파트너와 협력해 단기 및 중기적으로 관련 AI 경험을 확보하는 것이 필수적입니다."

자연어 처리에 감정 더하기

누군가가 목소리 톤, 단어 선택, 문장 사이 멈춤으로부터 좌절했는지 화났는지 이해하는 능력은 until recently 독특한 인간 기술로 여겨졌습니다. 꽃피는 연구 분야가 감정 분석(Emotion Analysis)입니다.

감정 분석은 텍스트로부터 작성자의 감정을 판단하려는 자연어 처리의 한 형태입니다. 감정은 공포, 분노, 혐오, 좌절, 초조, 슬픔 등이 될 수 있습니다. "이 매혹적인 기술의 한 적용 사례는 콜센터입니다. 헬프라인 운영자가 발신자가 좌절 수준을 명시적으로 말하지 않아도 조언과 언어를 고객 니즈에 더 잘 맞게 조정할 수 있게 해줍니다."라고 케임브리지 컨설턴츠(Cambridge Consultants)의 머신러닝 엔지니어 샐리 엡스타인(Sally Epstein)은 논평합니다.

더 넓은 혁신 영역은 감성 분석(Sentiment Analysis)입니다. 이는 자유 형식 텍스트의 일부가 긍정, 중립, 부정 중 어느 것인지 판단하는 데 쓰입니다. "감성 분석을 사용하면 방대한 양의 텍스트 문서, 소셜 미디어 게시물, 제품 리뷰를 효율적으로 검색해 의미 있는 트렌드를 추출할 수 있습니다."라고 엡스타인은 덧붙입니다. "이 인사이트는 이미 기업들이 브랜드에 대한 소비자 만족도를 평가하는 데 사용되고 있습니다." 가장 중요한 건 이 기법들이 다양한 지역 방언과 언어에서 인사이트를 도출하도록 빠르게 확장할 수 있다는 점입니다.

자연어 처리의 다음은?

미래를 볼 때, 더 나은 음성 제어와 음성 인식이 NLP의 큰 영역이 될 것입니다. 음성 인식이 지난 몇 년간 상당히 좋아졌지만, 더 널리 쓰일 만큼 충분히 좋아지기까지는 아직 갈 길이 멉니다. 이 분야 발전의 일부는 더 나은 모델과 함께 올 것입니다.

또 다른 큰 영역은 전이 학습(transfer learning)을 자연어 처리에 성공적으로 적용하는 것입니다. 불과 작년에야 NLP에서 전이 학습을 위한 딥러닝 사전 훈련 모델을 갖게 되었는데, 이는 전이 학습이 컴퓨터 비전 분야에는 더 오래전부터 있었기 때문에 중요합니다. 이는 사용자가 약간의 조정만으로 동일한 사전 훈련 모델을 감성 분석부터 질의응답까지 모든 종류의 텍스트 분석 작업에 활용할 수 있게 해주는 엄청난 돌파구입니다.

기사 작성: 마크 베나블스(Mark Venables).