brunch

라이킷 19 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 강코치 May 15. 2017

7편. 지능형 챗봇 기업에 어떻게 도입할 것인가?

부상하는 비즈니스 마케팅 채널 챗봇

LG CNS 블로그를 통해 챗봇(Chatbot)에 관한 글 연재가 벌써 7편에 이르렀네요. 작년 이때쯤 챗봇(Chatbot)의 유용함을 잘 모르시는 분들이 많아 블로그를 통해서 챗봇의 장점을 알려보자는 취지로 쓰게 되었는데요. 실제로 챗봇을 알리는 데 많은 도움이 된 것 같습니다. 이제 7편에 이르는 글의 마무리 차원에서 최근에 이슈가 되고 있는 자연어를 기반으로 한 지능형 챗봇을 어떻게 도입해야 하는지에 대해 써보겠습니다.

채팅으로 주문하면 어떨까?

2015년 4월에 ‘채팅으로 주문하고 카카오페이로 결제하면 어떨까?’라는 생각이 문득 떠올랐습니다. 무심코 지나칠 수 있는 아이디어였지만 세상 어디에도 없는 서비스였기에 꼭 실현해 보고 싶다는 생각이 들어 서비스를 만들어 보려고 여기저기 뛰어다녔던 기억이 나네요.

2년 동안 홈쇼핑을 시작으로 오픈마켓, 포털, 항공, 뷰티, 제조 등 수없이 많은 업종과 기업을 찾아다녔습니다. 그동안 받았던 명함이 360개가 넘었고 거의 이틀에 한 명꼴로 고객을 만났던 것 같습니다. 참으로 열정적으로 뛰어다녔던 기억이 납니다. 그 열정 때문인지 GS SHOP에 이어 CJ오쇼핑, 현대홈쇼핑까지 3대 홈쇼핑에 톡주문 서비스를 상용화시킬 수 있었습니다. 또한, 이니스프리 프로모션 주문이나 풀무원 고객센터와 같은 모델도 도전해 볼 수 있었죠.

360명에 이르는 고객을 설득하는 일도 어려운 일이었지만 고객들이 가끔 던지는 질문 중에 대답하기 난감한 질문들도 많았는데 대표적으로 “저희는 지능형 챗봇이 필요한데.. 지능형 챗봇 솔루션은 없나요?” “지능형 챗봇 도입하려면 어떻게 해야 하나요?”였습니다.

톡주문 서비스를 시작할 때 채팅으로 주문하는 서비스를 만들려고 했던 것이지 지능형 챗봇 솔루션을 만들려고 했던 게 아니어서 “저희는 그냥 주문에만 집중하려고 합니다. 지능형 챗봇은 잘 몰라요.”라고 답변을 했습니다.

그런데 작년 하반기부터는 챗봇이 큰 화두가 되면서 대부분의 기업 담당자분들이 지능형 챗봇에 대한 질문은 필수가 되었습니다. 부득이하게 저도 그 질문에 대한 답을 준비할 수밖에 없었죠. 그래서 선택형 챗봇(자연어와 달리 사용자에게 답변을 선택할 수 있는 선택지를 제공하는 형태를 칭함)의 구축 경험과 지능형에 대한 조사를 통해 기업이 현실적으로 지능형 챗봇을 어떻게 도입해야 하는지 고민하게 되었습니다.

물론 그 전제는 제가 6편에서 쓴 것처럼 기업 서비스에서 주문(거래형)과 추천(정보형)은 전혀 다른 로직이 필요하고 주문과 같은 거래형 서비스는 선택형 챗봇 모델이 최적의 사용자 인터페이스라는 것은 변함이 없는 사실입니다.

● [6편 다시 보기] 챗봇. 어떤 로직을 구현할 것인가?

http://blog.lgcns.com/1379

우리가 버려야 할 ‘지능형에 대한 환상’

4차 산업의 핵심 화두인 지능형에 대한 기대는 어디에서 시작된 것일까요? 아마도 일반인에게 지능형의 환상이 심어진 것은 바로 세기의 바둑 대결 때문이지 않을까 합니다. 놀라울 정도의 지능을 갖춘 컴퓨터가 바둑의 고수를 이기는 장면은 분명 많은 이들을 충격에 빠뜨리기에 충분했습니다. 그 후 기다렸다는 듯 지능형은 IT 기술의 뜨거운 감자로 떠올랐습니다.

2월에 열린 세계 최대 모바일 전시회인 MWC(Mobile World Congress) 2017 행사에서도 마찬가지였죠. 글로벌 기업의 전시장에는 지능을 갖춘(?) 로봇, 스피커, 홀로그램 등으로 가득 찼습니다. 저를 포함한 모든 관람객의 기대도 상당히 높았죠. 그런데 막상 전시회를 가보면 기대했던 지능형의 실체를 좀처럼 찾아보기 어려웠습니다. 아래 그림은 MWC 참관기에서 지능형에 대한 전시 현황을 보고서 제가 정리해본 것입니다.

● 세계 최대 모바일 박람회 MWC 2017 관람기 'MWC 2017: The Next Element' ①

http://blog.lgcns.com/1350

전시장에 등장한 지능형 디바이스는 크게 개인과 홈(가정용), 그리고 기업용으로 구분되어 있었습니다. 대부분은 개인 용도나 가정용이었죠. 그리고 스마트폰이나 로봇, 가전, 그리고 자동차가 지능형을 담아내는 주된 기기였습니다. 여기에 적용된 서비스들은 통역을 해주거나 날씨와 같은 정보를 제공하고, 전등과 같은 것을 켜고 끄는 기능 위주로 되어 있었습니다.

전시장을 찾은 관람객의 눈길을 끌 만했던 것으로 기억합니다. 물론 공짜로 쓴다면 유용한 기능들이지만 수십만 원에 이르는 이런 기기를 위해 고객의 지갑을 열게 하는 것은 여전히 풀어야 할 숙제겠죠.

반면 관람객의 기대가 높았던 기업 시장에서의 지능형 활용 사례는 보기 힘들었습니다. 기대를 모았던 IBM 전시장도 사전 예약된 고객만 참관할 수 있었고 전시된 사례들은 기존 빅데이터 기술 활용 사례라 생각할 만큼 지능형이라 생각하긴 어려웠죠. 제대로 된 지능형 서비스가 있다면 더할 나위 없는 마케팅 기회가 되는데 왜 전시 사례를 보기 힘들었던 것일까요? 제 생각에는 아래와 같은 이유 때문이라 생각됩니다.

어디까지가 지능형인가?

그렇다면 우리가 흔히 지능형 기기라고 부르는 AI 스피커를 자세히 보도록 하죠. AI 스피커를 구조화시켜 본 것이 아래의 그림과 같습니다.

구성도의 맨 왼쪽은 사람이 말을 걸었을 때 음성을 인식하는 영역입니다. 언어가 다르고 목소리나 톤이 달라서 가장 인식하기 어려운 영역 중에 하나죠. 특히 주변 소음이 있나 사투리를 쓴다면 더욱 음성 인식 정확도는 떨어질 수밖에 없습니다. 그동안 음성 인식 기술은 꾸준히 발전되어 왔지만, 여전히 기술적으로 가장 어려운 영역 중의 하나라고 할 수 있습니다.

이렇게 음성이 인식되면 활용할 수 있는 분야가 크게 3가지로 나뉩니다.

첫째, 네이버 파파고나 한컴의 이지톡 서비스와 같이 다른 언어로 통역할 수 있습니다. 해외여행을 가거나 외국인과 대화를 할 때 매우 유용하다 보니 이제 돈 주고 회화 공부할 필요도 없는 세상이 올 거로 생각할 만큼 무궁무진한 시장이 있는 영역이죠.

둘째, 음성을 통해 가전제품이나 집안 기기를 제어할 수 있습니다. 예를 들어 TV를 켜거나 채널을 돌리게 할 수도 있고 에어컨을 작동시킬 수도 있죠. 인터넷이 연결된 IoT(Internet Of Things) 장치는 모두 제어할 수 있을 것입니다. 또한 음악 재생과 같이 특정한 콘텐츠나 어플리케이션을 실행할 수도 있을 것입니다.

마지막으로 필요한 정보를 즉시 제공하는 기능입니다. 오늘 날씨라든지 주요 뉴스를 요약해서 말해주는 것이죠.

그런데 재미있는 점은 많은 분이 지능형의 범위를 음성 인식에서 응용까지 모두 포함하는 것으로 생각한다는 것입니다. 위 그림에서 지능형 기술인 딥러닝(Deep Learning)은 어디에 적용되었을까요? 필자의 판단으로는 바로 언어를 인지하는 영역에 집중되어 있다는 것입니다.

음성을 더 정확하게 이해하고, 다양하게 입력할 수 있는 글자를 표준 언어로 변환하고, 이를 다른 언어로 변환시키는 영역 즉, 대화 분석 영역에 딥러닝이 적용되었다는 것이죠. 그림의 우측에 있는 장치를 제어하거나 정보를 제공하는 것은 딥러닝의 기술이라기보다 정해진 규칙대로 작동되는 응용 영역이라는 것입니다.

즉, Alexa와 같은 플랫폼에서 제공하는 Skill이라든지 연동 API를 통해서 누구나 정해진 규칙으로 TV를 끄고 켤 수 있고 검색 API에서 제공하는 검색 결과로 사용자에게 콘텐츠 정보를 제공할 수 있다는 것이죠.

이 부분을 더 구체적으로 설명해 드리기 위해 AI 스피커가 날씨를 알려주는 서비스를 예로 들어 보겠습니다. 사용자는 ‘내일 서울 날씨를 알려주세요.’라고 하는 표준 문장을 수없이 많은 방식으로 말할 것입니다. ‘내일 서울 날씨는요?’ ‘내일 서울 날씨 어때?’ 등과 같이 평소 말하는 습관이나 상황에 따라 수십에서 수백 가지의 문장이 나올 것입니다.

이렇게 다양한 표현 방식을 사람은 이해할 수 있지만, 기계는 인식하기 어려우므로 문장의 정확한 인식을 위해 어떤 모델링을 통해서 추론하는 방법을 활용합니다. 가능한 모든 문장을 저장해서 일일이 조회한다는 것은 속도 문제가 발생할 수 있고 현실적으로 불가능한 방식이기 때문에 형태소 분석이나 모델링을 통해 표준 문장 패턴을 유사하게 찾아내는 것이죠.

이렇게 해서 찾아낸 ‘내일 서울 날씨를 알려주세요.’라는 표준 문장을 시스템은 기계어(개발자가 만든 개발 언어라고 해야겠죠)로 변경해서 내일 서울 날씨를 기상청 시스템에 조회해보게 됩니다. 아마도 기상청에 저장된 일기예보 데이터베이스에 조회할 기계적인 문장은 DB 쿼리 문장 중의 하나인 Select(조회 시 사용)가 붙은 SQL(Structured Query Language)일 것입니다.

이렇게 서비스가 제공되는 구조를 뜯어봤을 때 딥러닝(Deep Learning)은 사용자가 수없이 많은 패턴으로 입력할 문장을 기계가 인식할 수 있는 하나의 표준 문장으로 전환하기 위해 사용되는 기술이고, 실제 결과물인 날씨 정보를 제공하는 것은 기존의 시나리오 방식과 같은 개발 언어로 구현된다는 것입니다.

AI 스피커를 만드는 데 있어서 수백억에 달하는 일기예보 예측 기능 시스템까지 갖출 필요는 없는 것이죠. AI 스피커는 사람의 말을 인식하고 거기에 필요한 정보를 어딘가에서 찾아서 알려주면 되는 것이지 그 필요한 정보를 직접 만들거나 추정할 필요는 없다는 것입니다.

구조적으로 분해를 해보면 지능형 서비스를 제공하기 위해서는 인식과 정보 제공이라는 두 영역을 동시에 만족하게 해줘야 합니다. 사용자의 말을 정확하게 인식시키는 것과 필요한 정보를 제공할 수 있게 시스템이나 데이터가 뒷받침되어 있어야 하죠. 사람의 말을 알아들었는데 정작 데이터가 없다면 사용자들은 AI 스피커를 지능형으로 생각하지 않을 것입니다.

예를 들어 사용자가 ‘내일 서울 3시경의 초미세먼지 농도를 알려줘.’라고 말을 걸었는데 기상청 시스템에 초미세먼지 농도를 시간 단위가 아닌 일 단위의 정보만 제공한다면 사용자의 질문에 제대로 답을 해주지 못하는 상황이 발생할 것이고 사용자는 지능형을 갖추었다고 판단하기 힘들 것입니다. 반대로 데이터가 잘 갖춰져 있는데 사람의 말을 못 알아듣는다면 이 또한 지능적이라 생각할 수 없겠죠.

사용자는 두 가지가 동시에 만족스러운 수준으로 제공되어야 지능형이라 생각하기 때문에 지능형의 범위를 훨씬 포괄적으로 오해할 수 있는 것입니다. 그나마 개인과 홈(가정용)을 타깃으로 한 지능형 서비스는 이 두 가지를 갖추기가 어렵지 않습니다.

그 이유는 정보나 제어의 경우 조회 수준의 데이터가 있어야하는 경우가 많고, 표준 인터페이스를 통해 기계를 제어할 수 있어서 단방향의 서비스나 표준화하기가 쉽죠. 대부분 AI 플랫폼이 제공하는 기능에 맞춰서 개발하면 되기 때문에 특별한 문제가 생기지 않게 됩니다.

게임의 법칙이 다른 기업 시장. 어떻게 할 것인가?

그렇다면 지능형에 대한 필요성이 훨씬 큰 기업 시장은 어떨까요? 결론적으로 말씀드리면 단방향 서비스 모델이나 표준화된 API 연동 구조로 구현 가능한 홈 시장과 비교하면 기업 시장은 지능형을 도입하기에 훨씬 어렵다는 것입니다. 왜냐하면 모든 기업은 이미 레거시(Legacy)라 불리는 기존 시스템이 있기 때문이죠.

이유 1. 어떤 솔루션이 회사의 기간계 시스템에 모두 맞출 수 있을까?

기업의 레거시 환경이라는 것은 기업이 상품과 서비스를 고객에게 제공하는 과정에 필요한 시스템을 총칭합니다. 온라인 쇼핑몰의 경우 회원이나 상품 시스템, 그리고 결제 시스템 등을 의미하죠. 기업 내부에서 매출이나 원가 관리를 위한 시스템도 포함할 수 있습니다. 레거시 시스템에는 기업이 자체적으로 규정한 정책(회원•상품•거래 등)과 업무 프로세스, 그리고 데이터가 존재하죠. 그래서 레거시 시스템은 업종이나 기업에 따라 서로 다른 환경으로 구성되어 있다고 할 수 있습니다.

홈쇼핑을 예로 들어보겠습니다. LG CNS가 채팅으로 주문하는 톡 간편주문 서비스를 시작하였을 때 타겟 시장을 홈쇼핑에 맞춘 이유는 홈쇼핑의 주문 프로세스는 상당히 비슷할 것이로 생각했기 때문입니다. 그래서 GS SHOP에 주문 프로세스를 구현하면 CJ오쇼핑이나 현대홈쇼핑을 구현할 때 비용이나 기간이 매우 단축될 것이로 생각했죠.

3대 홈쇼핑을 모두 상용화시킨 2년 후 돌아보니 그것은 참 순진한 생각이었던 것 같습니다. 결론적으로 겉보기에는 상품 – 회원 확인 – 주소 – 할인 – 결제 순서로 매우 비슷해 보였던 홈쇼핑의 주문 프로세스가 실제 구현 단계에서는 회사마다 너무나 달랐던 것이죠.

아래는 홈쇼핑의 주문 단계에서 차이가 나는 일부 사례입니다.

● 회원의 경우 GS SHOP과 현대홈쇼핑은 휴대폰 번호 만으로 고객 확인이 가능한 반면 CJ오쇼핑은 휴대폰 번호와 주민 번호 앞 6자리를 확인

● 상품의 경우 GS SHOP과 CJ오쇼핑의 여행상품은 예약만 이뤄지지만 현대홈쇼핑의 경우 예약과 결제가 가능

● 할인의 경우 CJ오쇼핑은 임직원 할인이 구현되어야 하는 반면 현대홈쇼핑은 복합결제라는 복잡한 할인 프로세스가 적용

● 배송지 주소의 경우에도 현대홈쇼핑은 다른 홈쇼핑과 다르게 사용자가 기본 주소지가 아닌 다른 주소지를 선택하면 이 것을 기본 배송지로 변경할 것인지 묻는 기능이 구현

세부 기능 단위가 이렇게 다르다 보니 실제 인터페이스 연동을 위한 인자(Parameter)들도 모두 달랐습니다. 홈쇼핑도 이런 데 다른 업종은 말할 필요가 없겠죠.

매우 뛰어나고 비싼 지능형 솔루션이 적용된다고 하더라도 기존 시스템에 이를 접목하기 위해서는 기간계 시스템의 변경이 불가피하게 됩니다. 그런데 문제는 오직 챗봇이라는 하나의 채널만을 위해 기간계 시스템을 뜯어고칠 수 있는가입니다. 사용자도 충분히 확보되지 않은 채널이면서 그 효과가 아직 검증되지 않은 챗봇 채널을 위해 기간계 시스템을 변경한다는 것은 기업 내부에서 쉽게 결정할 수 있는 사항은 아닐 것입니다.

이유 2. 범용적인 고객 언어가 기업이 필요한 언어와 같을까?

기간계 시스템을 고쳐 지능형을 도입한다 치더라도 발생하는 문제가 있습니다. 바로 고객 언어가 과연 기업마다 다 비슷할 것이냐는 것이죠. 다시 말하면 사람들이 AI 스피커를 통해 나누는 대화 내용과 고객센터의 상담원과 나누는 대화의 내용이 같을 수 있는가입니다. 결론적으로 AI 스피커와 고객센터의 대화 내용은 전혀 다른 언어가 필요합니다.

예를 들어 통신사 고객센터에 전화했을 때는 과다 청구된 요금에 대한 문의나 요금제에 대한 문의들이 주류를 이루겠죠. 이런 대화는 AI 스피커를 통해 날씨를 묻거나 뉴스를 묻는 것과는 다르고 특수하다는 것입니다.

고객센터에서 발생하는 고객의 언어는 그 회사만이 가지고 있는 상품이나 서비스 때문에 발생하는 언어들입니다. 그러다 보니 범용적인 고객 언어 DB는 활용할 수 있는 게 별로 없다는 것이죠. 또한, 특정 기업 고객센터에서 축적한 고객 언어 DB가 다른 회사에 활용하는 게 쉽지 않을 것입니다.

업종이나 기업에 따라 상품이나 사업 모델이 다르듯이 고객의 언어도 다를 수밖에 없습니다. 기업이 보유한 상품 이름조차도 고객이 입력할 수 있는 수많은 대화나 입력 패턴(오타나 띄어쓰기 등)에 맞춰 고객 언어 DB로 쌓아둬야 할 것입니다. 그걸 누가 쌓아야 할까요?

아마도 기업은 당연히 비용을 지급하는 솔루션 업체가 책임을 져야 한다고 생각할 것이지만 솔루션 업체는 도입하려는 기업이 그걸 책임지거나 향후 직접 축적해야 한다고 생각할 것입니다. 문제는 품질이 좋은 고객 DB를 축적하는 데 오랜 시간과 비용이 들 수 있으므로 둘 간의 합의점을 찾아내기가 쉽지 않다는 게 문제이죠.

챗봇의 강점은 지능형이 아닌 접근성이다!

6편에서 지능형 챗봇이라고 해서 기업의 모든 서비스에 적용하는 것은 적합하지 않다고 했는데요. 고객 불만이나 추천과 같은 정보성 서비스는 분명 자연어 방식이 적합하지만, 주문과 같이 거래형에는 자연어보다 오히려 선택지 형식이 더 적합한 방식이라고 한 것이죠. 어떤 서비스를 챗봇으로 구현하느냐에 따라 지능형 도입이 필요한지 결정하는 게 바람직한 과정이라 생각합니다. 또한, 지능형을 도입하기 전에 아래의 사항도 미리 고민해보시는 게 좋습니다.

챗봇은 완전히 검증된 채널이 아닙니다. 업계에 챗봇이 큰 화두가 되고 기업이 큰돈을 지능형 챗봇에 투자해도 실제 고객들은 챗봇이 무엇인지 모를 수 있습니다. 시장의 상황으로 볼 때 초기 단계에 불과하죠. 이 단계에서는 고객들에게 챗봇이 유용한 채널이라는 것을 알리고 경험하게 해줘야 합니다.

이 채널에 들어오면 무엇을 할 수 있는지 예측할 수 있게 하고 그 기대의 100%를 만족하게 해주는 기능부터 제공해야 합니다. 기대를 충족시킬지 확신할 수 없는 지능형 챗봇을 적용했다가 고객의 기대치에 못 미치면 아무 소용이 없을 것입니다.

챗봇에 확실한 기능을 제공하여 자주 쓰게 만들고 유입 고객이 늘어나다 보면 자연스레 지능형의 필요성이 점점 늘어나겠죠. 그런 면에서 볼 때 챗봇은 아직 지능형보다 접근성이 뛰어난 채널이라 할 수 있을 것입니다.

접근성이 좋다는 것은 결국 고객의 목소리를 쉽게 전달받을 수 있다는 것입니다. 음성을 텍스트로 변환하는 과정에서 유실될 수 있는 수많은 고객 목소리를 그대로 전달받을 수 있고 이를 고객 DB로 쉽게 축적할 수 있다는 것이죠.

만능보다는 확실한 가치를 제안하라!

또한, 구현하려는 지능형의 범위에 기업 스스로 제한을 둘 필요가 있습니다. 고객에게 마치 모든 것을 해결해주겠다는 만능주의보다 ‘여기에서는 이런 기능은 확실하게 처리해드립니다.’라고 고객의 기대를 낮춰서 확실한 가치를 제공하는 챗봇 채널을 만들어야 합니다.

반드시 실시간으로 서비스를 처리하지 않아도 됩니다. 실시간이 아니어도 반드시 고객의 요청을 처리하는 채널이라는 가치를 확실하게 전달해야 합니다. 고객이 구태여 고객센터에 전화를 걸어 상담원에게 묻고 답을 듣는 이유는 기업 담당자의 소리를 들으면 반드시 처리해주겠지 하는 기대감 때문입니다. 챗봇을 통해 고객 요청 처리 상황을 실시간으로 알게 해주거나 알림톡으로 처리 결과를 알려준다면 고객은 고객센터에 전화하지 않고 기다려줄 것입니다.

로봇은 산업 시장에서 성장했다

영화에서 보는 로봇을 상상할 때 우린 항상 사람들 옆에서 도와주는 로봇을 생각합니다. 과거부터 현재에 이르기까지 로봇은 늘 그럴 것이다 생각했고 앞으로도 그런 기대는 여전할 것입니다. 그렇지만 아직도 로봇은 우리 가까이 존재하지 않습니다. 로봇에 이런저런 기능들이 탑재되고 있지만, 딱히 뭘 하나 제대로 해결해주지 못하기 때문인지 너무 비싼 탓인지 알 수 없지만 우리 옆에 서기까지 꽤 오랜 시간이 필요할 것입니다.