brunch

매거진 AI 트렌드와 기업 이야기

라이킷 14

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 코아 May 15. 2024

AI 시대! 직장인 필수 AI 용어집

인공지능 용어 20 + 설명

인공지능(AI)은 우리의 삶과 직장 생활에 깊숙이 자리 잡았지만, 많은 사람들에게는 여전히 낯선 영역입니다. 이를 이해하고 활용하기 위해서는 AI 용어에 대한 기본적인 이해가 필요합니다. 따라서 이번 글에서는 가장 중요한 AI 용어를 정리해보았습니다.

인공 지능 (Artificial Intelligence, AI)

컴퓨터 시스템이 인간의 지능을 모방하여 학습, 추론, 문제 해결 등의 작업을 수행하는 기술이다.

인간의 학습능력, 추론능력, 지각능력을 인공적으로 구현하려는 컴퓨터 과학의 세부분야 중 하나이며, 정보공학 분야에 있어 하나의 인프라 기술이기도 하다. AI는 머신러닝 기술을 통해 학습하며, 머신러닝은 컴퓨터가 데이터를 분석하고, 분석을 통해 학습하고, 학습한 내용을 기반으로 판단, 예측을 할 수 있도록 알고리즘과 기술을 개발하는 기술 분야이다.

대화형 인공지능 (Conversational AI)

사람과 자연어(natural language)로 대화를 나눌 수 있는 인공지능 기술이다.

질문을 하면 사람의 말을 이해하고, 적절한 상호작용을 제공한다. 대화형 인공지능에는 자연어 처리(NLP: Natural Language Processing), 기계 학습(ML: Machine Learning), 인공신경망(ANN: Artificial Neural Network) 기술뿐만 아니라 감정 분석, 맥락 이해, 음성인식 및 합성 등 다양한 기술이 포함된다. 대화형 인공지능은 음성인식 비서, 고객 서비스 챗봇, 게임 등에서 질문에 답하고, 정보를 제공하고, 상품을 추천하고, 특정 작업을 실행하는 등의 형태로 서비스된다. 특히 GPT-3와 같은 트랜스포머 모델 기반의 아키텍처가 등장하여 훨씬 더 많은 텍스트 데이터를 학습하고, 맥락을 이해할 수 있게 되면서 사용자와 보다 자연스러운 상호작용이 가능해졌다.

초거대 인공지능 (Hyper-scale AI)

천문학적인 개수의 파라미터를 가지는 인공신경망 모델을 기반으로 복잡한 문제를 해결하는 인공지능 모델이다.

초거대 인공지능은 천문학적인 개수의 파라미터를 가지는 인공신경망 모델을 학습시켜 구현한다. 초거대 규모의 인공신경망 모델을 학습시키기 위해서는 방대한 양의 학습 데이터와 컴퓨팅 자원이 필요하다. 이는 이들 자원이 많을수록 인공지능의 성능이 증가한다는 연구 결과를 기반으로 한다. 초거대 인공지능은 2020년대 초반에 GPT, BERT와 같은 트랜스포머 모델 기반의 대규모 언어 모델(LLM: Large Language Model)이 발전하며 주목받기 시작하였다. 대표적인 초거대 인공지능으로 Open AI사의 언어 모델인 GPT 기반의 대화형 인공지능 서비스 ‘챗 GPT(ChatGPT)’가 있다. 챗 GPT는 사용자와의 대화에서 문맥을 이해하여 자연스러운 응답을 생성하는 특징이 있다. 한편 GPT는 기반 모델로 챗 GPT뿐 아니라 빙(Bing) 검색 엔진, 코드 개발 지원 도구인 코파일럿(Copilot) 등으로 미세 조정되어 다양하게 사용된다.

생성형 인공지능 (Generative AI)

텍스트, 오디오, 이미지 등의 기존 콘텐츠를 활용하여 유사한 콘텐츠를 새로 만들어내는 인공지능(AI) 기술이다.

생성형 인공지능은 단순히 콘텐츠의 패턴을 학습하여 추론 결과로 새로운 콘텐츠를 만들어내는 것을 넘어 콘텐츠의 생성자와 만들어진 콘텐츠를 평가하는 판별자가 끊임없이 서로 대립하고 경쟁하며 새로운 콘텐츠를 생성해내는 기술이다. 특히, 이미지 분야에서는 특정 작가의 화풍을 모사한 그림으로 사진을 재생성하거나 가짜 인간 얼굴을 무제한으로 생성하여 쇼핑, 영화 등의 산업에서 활용한다. 음성 분야에서는 특정 장르의 음악을 작곡하거나 특정 노래를 원하는 가수의 음색으로 재생성하는 등으로 활용한다. 상업적 혹은 사회적인 쟁점으로 가장 대중적으로 알려진 생성형 인공지능으로는 ‘인물 합성 기술(deepfake)’이 있다. 한편 생성형 인공지능은 정치인의 선동 영상 혹은 가짜 뉴스, 특정 인물로 조작된 음란물, 보이스 피싱 등에도 악용될 수 있다. 이로 인한 사회문제는 인공지능 활용의 윤리적 문제에 관한 경각심과 사회적 합의에 관한 쟁점을 일으켰다.

범용 인공지능 (Artificial General Intelligence, AGI)

특정 문제뿐 아니라 주어진 모든 상황에서 생각과 학습을 하고 창작할 수 있는 능력이 있는 인공 지능 이다.

현재 인공 지능 연구는 음성 인식, 바둑 등 특정한 문제에 대해서는 좋은 성과를 보이고 있으나, 아직 사람과 같은 지능을 갖추지는 못하고 있다. 예를 들어, 사람과 대화하며 동시에 바둑도 둘 수 있는 인공 지능 에이전트는 아직 개발되지 않았다. 범용 인공지능은 컴퓨터로 사람과 같은 또는 그 이상의 지능을 구현하는 것을 의미하며 알파고(AlphaGo)처럼 특정 문제만을 해결하는 인공 지능을 좁은 인공 지능(ANI: Artificial Narrow Intelligence)이라 한다.

GPT, Generative Pretrained Transformer

Open AI사에서 트랜스포머(transformer) 모델 기반으로 개발한 자연어 생성 모델이다.

GPT는 대량의 텍스트 데이터를 사전에 학습하고 트랜스포머 모델로 새로운 텍스트를 생성해내는 인공지능 언어 모델이다. 마치 자연어를 이해하고 처리하는 듯한 능력을 가지고 있어서 텍스트를 만들어내고, 번역, 요약, 질문하고 답변하는 분야에서 주로 사용한다. GPT는 인터넷에서 크롤링하여 텍스트 데이터를 수집하며 수집한 텍스트 데이터를 자기지도 학습(self-supervised learning) 방식으로 학습한다. 자기지도 학습 방식에서는 명시적으로 라벨(label)이 제공되지 않은 텍스트 데이터의 일부를 마스킹(masking)하고, 마스킹된 부분을 예측하도록 대규모의 학습 데이터를 스스로 학습한다.

GPT 시리즈 중 3번째인 GPT-3는 1,750억 개의 대규모 인공 신경망 파라미터로 학습된 GPT 모델로 다양한 언어 작업에서 뛰어난 성능을 보여주었다. GPT-3는 문맥과 단어, 문장 사이의 관계를 파악하고, 이를 바탕으로 특정 문맥에 적합한 문장을 생성할 수 있다. 특히, 특별히 명시적 혹은 의도적으로 학습시키지 않은 문학, 의료, 법률 등의 도메인에서도 높은 수준의 질의 처리 성능을 보여 자연어 처리 및 인공지능 개발 방법론에 큰 영향을 미쳤다. Open AI사는 2020년에 논문 「GPT-3: Generative Pre-trained Transformer 3」에서 처음으로 GPT-3를 공개하였는데 자체 성능평가에서 GPT-3로 생성한 문장이 사람이 분류하는 일종의 튜링 테스트를 통과하였다고 주장하였다. 2023년에는 GPT-4를 공개하였다. GPT-4는 문자·음성·이미지 등 다양한 형태의 데이터를 처리하고 생성하는 ’멀티모달‘ 기능을 제공한다. GPT는 인공지능 챗봇, 기계번역, 코드생성기 등 다양한 응용 소프트웨어로 사용 가능하며 의료, 법률, 교육 등 다양한 산업 영역에서 활용할 수 있다.

대규모 언어 모델 (Large Language Model, LLM)

텍스트를 인식하고 생성하는 등의 작업을 수행할 수 있는 일종의 인공 지능(AI) 프로그램이다.

LLM은 방대한 데이터 세트를 학습하므로 "대규모"라는 이름이 붙었고 LLM은 머신 러닝, 특히 트랜스포머 모델이라고 하는 일종의 신경망을 기반으로 한다. 간단히 말해, LLM은 인간의 언어나 기타 복잡한 데이터를 인식하고 해석할 수 있을 만큼 충분한 예제를 제공받은 컴퓨터 프로그램이다. 많은 LLM은 인터넷에서 수집된 수천 또는 수백만 기가바이트에 달하는 텍스트로 학습된다. 하지만 샘플의 품질이 LLM이 자연어를 얼마나 잘 학습할 수 있는지에 영향을 미치므로, LLM의 프로그래머는 보다 엄선된 데이터 세트를 사용할 수 있다.

LLM은 문자, 단어, 문장이 함께 작동하는 방식을 이해하기 위해 딥러닝이라는 일종의 머신 러닝을 사용한다. 딥러닝은 비정형 데이터의 확률적 분석을 포함하며, 결국 딥러닝 모델은 사람의 개입 없이도 콘텐츠 간의 구분을 인식할 수 있다. 그런 다음 튜닝을 통해 추가 학습이 이루어진다. 질문을 해석하고 답변을 생성하거나 한 언어에서 다른 언어로 텍스트를 번역하는 등 프로그래머가 원하는 특정 작업에 맞게 미세 조정되거나 프롬프트 조정된다.

Small Large Language Model (sLLM)

거대 언어 모델(LLM)보다 작은 규모의 대형 언어 모델이다.

sLLM은 LLM과 비교해 매개변수의 수가 수십 억~수백 억개로 비교적 작은 언어 모델이다. sLLM은 균형 잡힌 성능과 자원 사용 사이에서 타협점을 제공하여 큰 언어 모델의 능력을 어느 정도 유지하면서도, 필요한 컴퓨팅 자원을 줄일 수 있다. sLLM은 더 복잡한 NLP 작업에 적합하면서도 전체적인 자원 사용량을 고려한 모델이다. 특히 클라우드를 거치지 않고 기기에 설치돼 인터넷이 연결되지 않아도 활용이 가능한 온디바이스 AI의 수요 증가로 sLLM이 더 주목받을 것으로 전망된다.

Large Multimodal Model, LMM

텍스트, 이미지, 오디오, 비디오와 같은 다양한 데이터 유형 또는 모달리티로부터 정보를 이해하고 생성할 수 있는 고급 인공지능 시스템이다.

기존의 AI 모델이 단일 데이터 유형 처리에 제한되는 반면, LMM은 다양한 데이터 유형을 분석하고 통찰력을 생성할 수 있어 입력 데이터에 대한 보다 포괄적인 이해를 가능하게 한다. LMM의 핵심은 다양한 모달리티에서 데이터를 효율적으로 결합하여 다양한 응용 프로그램에서 이를 최대한 활용하는 데 있다. 이러한 모델들은 통합 및 융합 데이터로부터 복잡한 신경망 아키텍처를 통해 상호 의존성과 관계를 포착하는 능력이 탁월하며, 특히 변환 모델이 주요 선택으로 자리 잡고 있다. 이는 LMM이 다중 소스로부터의 정보를 동시에 처리함으로써, 이전에는 도전적이었던 깊이 있는 이해를 달성하는 작업에서 뛰어난 성능을 발휘한다는 것을 의미한다.

예를 들어, OpenAI의 GPT-4와 같은 상태의 최첨단 LMM은 인간과 유사한 텍스트를 이해하고 생성할 뿐만 아니라 이미지, 오디오, 비디오 데이터를 처리하고 해석하는 능력을 갖추고 있다. GPT-4는 자체 주의 메커니즘 원칙에 작동하며, 입력 데이터 내의 패턴과 관계를 학습하여 문맥적으로 관련된 출력을 생성한다. 이 모델은 웹사이트, 책, 기사 등 다양한 출처로부터의 텍스트와 이미지를 포함한 대규모 데이터셋에 대한 사전 훈련을 통해 언어와 문맥 정보에 대한 광범위한 이해를 얻는다.

대규모 행동 모델 (Large Action Moded, LAM)

사용자의 의도와 행동 패턴을 학습하여 인간의 행동을 추론하는 모델이다.

사용자 행동 패턴을 학습해 웹과 앱을 직접 작동시킬 수 있는 AI입니다. LLM이 문장과 그림, 비디오 등을 생성하는 데에 특화돼 있다면, LAM은 언어적 유창성과 독립적 작업 수행 능력을 결합해 단순히 무언가를 생성하는 데 그치지 않고 직접 작업을 수행하며 인간을 대신해 줄 에이전트이다. 일례로, 마케팅 분야에서 LLM이 카피 작성, 이미지 생성, 웹 레이아웃 생성 등의 역할을 하면, LAM은 이 과정을 자동화할 수 있다. LLM이 은행 대출 초안을 작성했다면, LAM은 은행에 대출 서류를 발송하는 일까지 대신하게 되는 것이다. 즉, 음성이나 문자 입력만으로 AI가 마케팅 자료, 고객 데이터, LLM 등에 접근해 이를 직접 다루는 게 가능해지는 것이다.

LAM의 특징은 크게 세 가지이다.

1. 고급 데이터 처리: LAM은 방대한 데이터 세트를 처리하고 분석할 수 있어 광범위한 데이터 해석이 필요한 애플리케이션에 효과적이다.

2. 효율적인 의사 결정: LAM은 정교한 알고리즘을 통해 의사 결정 과정을 자동화하여 AI 시스템이 더 복잡한 작업을 효과적으로 실행할 수 있도록 지원한다.

3. 확장성과 유연성: LAM은 확장성이 매우 뛰어나므로 간단한 자동화부터 복잡한 문제 해결까지 다양한 앱에 적용할 수 있다.

기계 학습 (Machine Learning, ML)

컴퓨터 시스템이 데이터에서 패턴을 학습하여 결정을 내리는 기술로, 규칙을 프로그래밍하지 않고 자동으로 학습한다.

기계 학습은 자율 주행 자동차, 필기체 문자 인식 등과 같이 알고리즘 개발이 어려운 문제의 해결에 유용하다. 대부분의 기계 학습은 다수의 파라미터로 구성된 모델을 이용하며, 주어진 데이터로 파라미터를 최적화하는 것을 학습이라고 한다. 기계 학습은 학습 문제의 형태에 따라 지도형 기계 학습(supervised learning), 비지도형 기계 학습(unsupervised learning) 및 강화형 기계 학습(reinforcement learning)으로 구분한다.

지도형 기계 학습(supervised learning)은 입력값과 그에 따른 출력값이 있는 데이터를 이용하여 주어진 입력에 맞는 출력을 찾는 학습방법이다. 예를 들어 컴퓨터가 주차장 입구에서 자동차 번호판을 인식할 때 번호판이 오염된 경우 제대로 인식하지 못할 수 있다. 이 경우 다양하게 오염된 번호판 사례와 정상 번호판을 각각 입력과 출력 쌍으로 학습시켜 번호판 인식률을 높일 수 있다.

비지도형 기계 학습(unsupervised learning)은 입력값만 있는 훈련 데이터를 이용하여 입력들의 규칙성을 찾는 학습방법이다. 비지도형 기계 학습의 출력 결과는 지도형 기계 학습의 입력으로 사용되거나, 인간 전문가에 의해 해석된다.

강화형 기계 학습(reinforcement learning)은 주어진 상태(입력)에 대해 최적의 행동값(출력)을 선택하는 학습방법이다. 주어진 입력에 대응하는 행동을 취하는 시스템에 대해 적용하며, 이러한 시스템의 예로 로봇이나 게임의 플레이어 등을 들 수 있다. 강화형 기계 학습에서는 지도 학습과 달리 주어진 입력에 대한 출력, 즉 정답 행동이 주어지지 않는다. 대신 일련의 행동의 결과에 대해 보상(reward)이 주어지게 되며, 시스템은 이러한 보상을 이용해 학습을 행한다.

심층 기계 학습 (Deep learning)

일반적인 기계 학습 모델보다 더 깊은 신경망 계층 구조를 이용하는 기계 학습이다.

주로 여러 개의 은닉층(hidden layer)으로 구성된 인공 신경망을 활용한다. 은닉층 수가 많아질수록 ‘깊다(deep)’라고 표현하며, 깊은 계층 구조는 얕은 구조에 비해 복잡한 함수를 표현할 수 있다. 이러한 구조는 인간 뇌의 신경 회로망을 모사한 것이다. 심층 기계 학습(deep learning)은 문제를 해결하기 위해 스스로 필요한 특징을 찾아 적절하게 표현(feature representation)하는 학습 능력이 뛰어나 사진에서 개체 인식, 기계 번역, 바둑 등의 분야에서 기존의 기계 학습 모델을 뛰어넘는 성능을 보인다. 심층 기계 학습(deep learning)은 컴퓨터 비전, 패턴 인식, 자연어 처리를 비롯한 다양한 분야에서 사용한다.

다양한 심층 기계 학습 모델이 존재하나 인공 신경망의 한 종류인 심층 신경망(DNN: Deep Neural Network)이 널리 활용된다. 그 중에서도 콘볼루션 신경망(CNN: Convolutional Neural Network), 심층 순환 신경망(deep recurrent neural network), 심층 오토인코더(deep autoencoder) 등이 대표적이다. 심층 기계 학습(deep learning)은 1980년대 인공 신경망 연구가 다시 활성화되면서 시도되었으나, 1990년대에 제안된 심층 콘볼루션 신경망을 제외하고는 성공을 거두지 못하였다. 2006년 제프리 힌튼(Geoffrey Hinton)은 심층 신념망(deep belief network)의 학습 알고리즘을 제안하였다. 이후 컴퓨터 하드웨어가 발달하고 효율적인 학습 방법을 개발하면서 빅 데이터를 바탕으로 한 다양한 심층 기계 학습 모델들을 개발하여 사용하고 있다.

자연어 처리 (Natural Language Processing, NLP)

인간의 언어를 기계가 이해하고 처리할 수 있도록 하는 인공지능 분야로, 기계 번역, 감정 분석 등에 활용된다.

자연어는 일반 사회에서 자연히 발생하여 사람이 의사소통에 사용하는 언어로, 컴퓨터에서 사용하는 프로그래밍 언어와 같이 사람이 의도적으로 만든 인공어(constructed language)에 대비되는 개념이다. 자연어 처리에는 자연어 분석, 자연어 이해, 자연어 생성 등의 기술이 사용된다. 자연어 분석은 그 정도에 따라 형태소 분석(morphological analysis), 통사 분석(syntactic analysis), 의미 분석(semantic analysis) 및 화용 분석(pragmatic analysis)의 4 가지로 나눌 수 있다. 자연어 이해는 컴퓨터가 자연어로 주어진 입력에 따라 동작하게 하는 기술이며, 자연어 생성은 동영상이나 표의 내용 등을 사람이 이해할 수 있는 자연어로 변환하는 기술이다.

자연어 처리는 인공 지능의 주요 분야 중 하나로, 1950년대부터 기계 번역과 같은 자연어 처리 기술이 연구되기 시작했다. 1990년대 이후에는 대량의 말뭉치(corpus) 데이터를 활용하는 기계 학습 기반 및 통계적 자연어 처리 기법이 주류가 되었으며, 최근에는 심층 기계 학습(deep learning) 기술이 기계 번역 및 자연어 생성 등에 적용되고 있다.

챗봇 (Chatbot)

문자 또는 음성으로 대화하는 기능이 있는 컴퓨터 프로그램 또는 인공 지능이다.

사람처럼 자연스러운 대화를 진행하기 위해 단어나 구(句)의 매칭만을 이용하는 단순한 챗봇부터 복잡하고 정교한 자연어 처리 기술을 적용한 챗봇까지 수준이 다양하다. 챗봇은 채터봇(chatterbot), 토크봇(talkbot) 등의 이름으로도 불린다. 챗봇은 전자상거래, 은행 등 다양한 분야에서 고객 지원이나 정보 습득과 같은 영역에 활용되고 있다. 대표적으로, 뱅크 오브 아메리카(Bank of America), 스타벅스(Starbucks)와 디즈니(Disney) 같은 기업은 주문 및 고객 응대에 챗봇을 이용하고 있다.

매개 변수 (Parameter)

어떤 함수의 독립 변수와 종속 변수 사이에서 연관을 지어 주는 변수이다.

x＝t-1, y＝t＋1이라 할 때 x와 y 사이에는 y＝x＋2의 관계가 성립하므로 t가 매개 변수가 된다.

프롬프트 (Prompt)

컴퓨터, 프로그램, 또는 기타 시스템에 입력하는 명령이나 질문이다.

자연어처리 언어 모델에서 프롬프트는 언어 모델에게 주어진 입력 문장이나 질문을 말한다.

프롬프트 엔지니어링 (Prompt engineering)

자연어 기반의 프롬프트(prompt)를 다양한 방식으로 반복 조작하여 AI 시스템이 최상의 결과물을 낼 수 있도록 하는 일련의 과정이다.

프롬프트 엔지니어링은 대규모 언어 모델 기반의 생성형 인공지능(generative AI)에서 효과적인 결과를 얻기 위한 프롬프트 구조화 기술 혹은 그 분야를 말한다. 챗GPT(ChatGPT)와 같은 대규모 언어 모델 기반의 생성형 인공지능은 텍스트를 입력받고 이에 대한 응답을 생성하는데, 이때 입력하는 텍스트 또는 질문이 ‘프롬프트(prompt)’다. 대규모 언어 모델 기반의 생성형 인공지능은 대화형 AI, 콘텐츠 생성, 정보 검색, 텍스트 요약, 번역, 감정 분석 등 다양한 작업에 이용되며 모두 입력 프롬프트를 기반으로 결과물을 생성한다. 적절한 결과물을 얻기 위해 프롬프트를 구조화하는 프롬프트 엔지니어링은 텍스트-텍스트 모델, 텍스트-이미지 모델 등 생성형 인공지능 모델에 따라 다를 수 있다. 원하는 결과물을 유도하기 위한 주제, 스타일, 제거, 강조 등의 프롬프트 입력 작업이 포함될 수 있다.

응용 프로그래밍 인터페이스 (Application Programming Interface, API)

운영 체제, 프로그래밍 언어 등에 있는 라이브러리를 응용 프로그램 개발 시 이용할 수 있도록 규칙들을 정의해 놓은 인터페이스이다.

파일 관리, 화면 표시, 프로그램 간 통신 등과 같이 자주 사용되는 다양한 공통 기능들을 OS나 프로그래밍 언어 등에서 라이브러리(library) 형태로 제공하는데, API는 라이브러리를 이용하는 방법과 형식을 규정한다. 즉, 라이브러리는 기능을 구현한 함수들을 모아 놓은 것이고, API는 라이브러리를 이용할 수 있는 도구이다. API를 이용하면 개발자는 동작되는 기능의 세부 사항을 알 필요 없어 개발 시간과 비용, 노력을 절감할 수 있다. 또한 OS 간 공통된 API 사용으로 다른 기종의 컴퓨터 사이에 응용 프로그램의 이식성(portability)이 확보된다.

말뭉치 (Corpus)

언어 연구를 위해 텍스트를 컴퓨터가 읽을 수 있는 형태로 모아 놓은 언어 자료이다.

언어 현실을 총체적으로 드러내 보여줄 수 있는 자료의 집합체로 매체, 시간, 공간, 주석 단계 등의 기준에 따라 다양한 종류가 있으며, 한 덩어리로 볼 수 있는 말의 뭉치라는 뜻이다.

Contact Center

고객과 기업이 다양한 채널을 통해 커뮤니케이션할 수 있는 시설이나 시스템을 말한다.

컨택센터를 통해 기업은 전화, 문자, 이메일, 채팅, 소셜미디어 등 다양한 방식으로 고객과 소통할 수 있다. 컨택센터는 고객 서비스, 마케팅, 영업, 상담 등 다양한 목적으로 사용될 수 있다. 최근 AI의 도입으로 기업과 상담사에 더 높은 효율성을 제공하는 AI 컨택센터로 발전하고 있다.

AICC (AI Contact Center)

음성 인식(STT), 자연어 처리(NLP), 음성 합성(TTS) 등의 인공지능(AI) 기술을 활용하여 컨택센터의 업무를 효율적이고 창의적으로 수행할 수 있도록 도와주는 서비스이다.

AICC는 AI 어시스턴트, AI 콜봇, 챗봇, 스마트콜백, 알림톡, 상담톡 등 다양한 기능을 제공하여 고객 상담 업무를 자동화하거나 최적화한다.

IPCC(IP Contact Center)

인터넷 프로토콜(IP) 기반의 컨택센터를 말한다.

IPCC는 전화망과 인터넷망을 통합하여 고품질의 음성과 영상 서비스를 제공한다. IPCC는 기존의 PSTN(Public Switched Telephone Network) 컨택센터보다 저렴하고 다양한 기능을 제공한다. 최근 AI 기술의 도입으로 IPCC에서 AICC로 확장해 상담사가 고객과 더욱 효율적인 커뮤니케이션을 할 수 있도록 도와준다.