KR101950387B1 - 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 - Google Patents
학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 Download PDFInfo
- Publication number
- KR101950387B1 KR101950387B1 KR1020180016712A KR20180016712A KR101950387B1 KR 101950387 B1 KR101950387 B1 KR 101950387B1 KR 1020180016712 A KR1020180016712 A KR 1020180016712A KR 20180016712 A KR20180016712 A KR 20180016712A KR 101950387 B1 KR101950387 B1 KR 101950387B1
- Authority
- KR
- South Korea
- Prior art keywords
- present disclosure
- interactive
- entity information
- conversation
- user
- Prior art date
Links
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 18
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 title 1
- 238000002372 labelling Methods 0.000 title 1
- 238000010276 construction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 45
- 230000004044 response Effects 0.000 description 36
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
컴퓨터 장치에 의해 수행되는 방법이 제공된다. 본 방법은, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 자동으로 구축 또는 갱신하기 위한 것이며, 서로 연관된 일련의 대화 로그들을 수신하는 단계; 수신된 대화 로그들 각각으로부터, 소정의 기준에 따라, 비식별화가 필요하다고 판정되는 엔티티 정보 - 엔티티 정보는, 엔티티 유형 및 값을 포함함 - 를 식별하는 단계; 각각의 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체하는 단계 - 레이블은, 대응하는 엔티티 정보의 엔티티 유형을 식별하게 하는 식별자이며, 대화 로그들 중에 포함되는 동일한 유형의 동일한 값을 갖는 엔티티 정보들은 동일한 레이블로 교체됨 -; 및 식별된 엔티티 정보의 값이 각 대응하는 레이블로 교체된, 대화 로그들을 이용한 학습에 따라, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 구축 또는 갱신하는 단계를 포함한다.
Description
본 개시는, 대화형 AI 에이전트 시스템의 학습에 관한 것이며, 보다 구체적으로는 대화형 AI 에이전트 시스템을 위한 학습 데이터를 처리하고 그 처리된 학습 데이터를 이용하여 대화형 AI 에이전트 시스템을 학습시키는 방법 등에 관한 것이다.
근래, 인공지능 분야, 특히 자연어 이해 분야의 기술 발전에 따라, 전통적인 기계 중심의 명령 입출력 방식에 따른 기계 조작에서 벗어나, 사용자로 하여금, 보다 사람 친화적인 방식, 예컨대 음성 및/또는 텍스트 형태의 자연어를 매개로 한 대화 방식으로 기계를 조작하고 기계로부터 원하는 서비스를 얻을 수 있도록 하는 대화형 AI 에이전트 시스템의 개발 및 활용이 점차 늘어나고 있다. 그에 따라, 온라인 상담 센터나 온라인 쇼핑몰 등을 비롯한 (그러나 이에 한정되지 않은 더 많은) 다양한 분야에서, 사용자는, 음성 및/또는 텍스트 형태의 자연어 대화를 제공하는 대화형 AI 에이전트 시스템을 통하여 원하는 서비스를 제공받을 수 있게 되었다.
대화형 AI 에이전트 시스템은, 사용자로부터의 입력에 따른 사용자의 인텐트를 이해하고 그에 부합하는 적절한 대화를 진행하기 위하여 다양한 지식베이스 모델을 구축 및 활용한다. 특히 최근에는, 고정 시나리오 기반의 간단한 문답 형태의 대화 서비스만을 제공하던 종래의 대화형 AI 에이전트 시스템을 넘어서서, 자유 발화 형태의 음성 입력을 기초로 보다 복잡한 도메인의 서비스를 제공하는 대화형 AI 에이전트 시스템에 대한 요구가 늘어나고 있다. 따라서, 대화형 AI 에이전트 시스템은 다양한 지식베이스 모델의 구축 및 갱신을 위하여 지속적 학습을 할 필요가 있으며, 학습을 위한 데이터로는 실제 사람들 간의 대화에 의한 대화 로그들, 예컨대 실제 사람들 간의 대화를 녹취한 녹취록(예컨대, 상담 센터의 고객과 상담원 간의 대화 녹취록) 상의 대화 로그들 등이 대표적으로 활용되는 상황이다.
그런데, 실제 사람들 간의 대화를 녹취한 녹취록에는 다양한 엔티티 정보들, 예컨대 이름, 주민번호, 사용자 ID, 전화번호, 이메일, 주소 등을 비롯한 각종 개인정보 등이 포함되어 있을 수 있다. 이러한 정보는, 개인정보보호법을 비롯한 각종 다른 법률에 의한 요구나 기타 다양한 필요에 의해 비식별화가 요구되는 정보일 수 있다. 또한, 이러한 정보는 대개 그 정보 내용 자체로서는 대화형 AI 에이전트 시스템을 위한 학습에 도움이 되지 않는다.
따라서, 녹취록을 이용하여 대화형 AI 에이전트 시스템을 학습시키기 이전에, 녹취록 상에 나타나는 전술한 비식별화가 필요한 정보를 삭제 또는 적절한 비식별화 처리를 수행할 필요가 있는데, 다만 대화형 AI 에이전트 시스템을 위한 학습의 목적을 해하지 않도록 그러한 처리를 행할 필요가 있다.
본 개시의 일 특징에 의하면, 컴퓨터 장치에 의해 수행되는 방법이 제공된다. 본 개시의 방법은, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 자동으로 구축 또는 갱신하기 위한 것이며, 서로 연관된 일련의 대화 로그들을 수신하는 단계; 수신된 대화 로그들 각각으로부터, 소정의 기준에 따라, 비식별화가 필요하다고 판정되는 엔티티 정보 - 엔티티 정보는, 엔티티 유형 및 값을 포함함 - 를 식별하는 단계; 각각의 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체하는 단계 - 레이블은, 대응하는 엔티티 정보의 엔티티 유형을 식별하게 하는 식별자이며, 대화 로그들 중에 포함되는 동일한 유형의 동일한 값을 갖는 엔티티 정보들은 동일한 레이블로 교체됨 -; 및 식별된 엔티티 정보의 값이 각 대응하는 레이블로 교체된, 대화 로그들을 이용한 학습에 따라, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 구축 또는 갱신하는 단계를 포함한다.
본 개시의 일 실시예에 의하면, 비식별화가 필요하다고 판정되는 엔티티 정보는 개인 정보를 포함하고, 개인 정보는, 이름, 주민번호, 생년월일, 주소, 나이, 전화번호, ID, 이메일 주소 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 비식별화가 필요하다고 판정되는 엔티티 정보를 식별하는 단계는, 개인 정보의 각 기재 형식에 기초하여 비식별화가 필요하다고 판정되는 엔티티 정보를 식별하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 각각의 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체하는 단계는, 대화 로그들 중에 포함되는 동일한 유형의 다른 값을 갖는 엔티티 정보들을 각기 다른 레이블로 교체하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 대화 로그들을 수신하는 단계는, 고객 센터의 고객과 상담원 간의 대화 녹취록으로부터 대화 로그들을 수신하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 지식베이스 모델은, 대화 이해 및 대화 관리를 위한 지식베이스 모델을 포함할 수 있다.
본 개시의 다른 특징에 의하면, 하나 이상의 명령어를 포함하는 컴퓨터 판독 가능 기록 매체로서, 하나 이상의 명령어는, 컴퓨터에 위해 실행되는 경우, 컴퓨터로 하여금, 전술한 방법들 중 어느 하나의 방법을 수행하게 하는, 컴퓨터 판독 가능 기록 매체가 제공된다.
본 개시의 또 다른 특징에 의하면, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 자동으로 구축 또는 갱신하기 위한 컴퓨터 장치로서, 서로 연관된 일련의 대화 로그들을 수집 및 저장하는 대화 로그 수집부; 및 지식베이스 모델 구축/갱신부를 포함한다. 본 개시의 지식베이스 모델 구축/갱신부는, 대화 로그 수집부로부터 일련의 대화 로그들을 수신하고, 수신된 대화 로그들 각각으로부터, 소정의 기준에 따라, 비식별화가 필요하다고 판정되는 엔티티 정보 - 엔티티 정보는, 엔티티 유형 및 값을 포함함 - 를 식별하고, 각각의 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체 - 레이블은, 대응하는 엔티티 정보의 엔티티 유형을 식별하게 하는 식별자이며, 대화 로그들 중에 포함되는 동일한 유형의 동일한 값을 갖는 엔티티 정보들은 동일한 레이블로 교체됨 - 하고, 식별된 엔티티 정보의 값이 각 대응하는 레이블로 교체된, 대화 로그들을 이용한 학습에 따라, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 구축 또는 갱신하도록 구성된다.
본 개시의 실시예에 의하면, 예컨대 녹취록을 이용하여 대화형 AI 에이전트 시스템을 학습시키는 경우, 대화형 AI 에이전트 시스템을 위한 학습의 목적을 해하지 않으면서도, 녹취록 상에 나타나는 비식별화가 필요한 정보를 법률이나 기타 다른 요구에 부합하도록 비식별화 처리를 수행할 수 있다.
도 1은, 본 개시의 일 실시예에 따라, 대화형 AI 에이전트 시스템이 구현될 수 있는 시스템 환경을 개략적으로 도시한 도면이다.
도 2는, 본 개시의 일 실시예에 따른, 도 1의 사용자 단말(102)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3은, 본 개시의 일 실시예에 따른, 도 1의 대화형 AI 에이전트 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 도 3의 대화/태스크 처리부(304)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 5는, 본 개시의 일 실시예에 따라, 도 3의 지식베이스 모델 구축/갱신부(308)에 의해 수행되는 예시적 동작 흐름도이다.
도 2는, 본 개시의 일 실시예에 따른, 도 1의 사용자 단말(102)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3은, 본 개시의 일 실시예에 따른, 도 1의 대화형 AI 에이전트 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 도 3의 대화/태스크 처리부(304)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 5는, 본 개시의 일 실시예에 따라, 도 3의 지식베이스 모델 구축/갱신부(308)에 의해 수행되는 예시적 동작 흐름도이다.
이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
본 개시에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 본 개시에서 사용되는 "및/또는"이라는 용어는, 열거되는 항목들 중 하나 이상의 항목에 의한 임의의 가능한 모든 조합들을 포괄하는 것임이 이해되어야 한다. 본 개시에서 사용되는 '포함하다' 또는 '가지다' 등의 용어는 본 개시 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.
본 개시의 실시예에 있어서 '모듈' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '모듈' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서에 의해 구현될 수 있다.
본 개시의 실시예에 있어서 '대화형 AI 에이전트 시스템'은, 사용자와의 사이에서 음성 및/또는 텍스트 형태의 자연어를 매개로 한 대화형 인터랙션을 통해, 사용자로부터 입력되는 자연어 입력(예컨대, 자연어로 된 사용자로부터의 명령, 진술, 요청, 질문 등)을 수신 및 해석하여 사용자의 인텐트(intent)를 알아내고 그 알아낸 사용자의 인텐트에 기초하여 필요한 동작 수행, 즉 적절한 대화 응답의 제공 및/또는 태스크의 수행을 제공할 수 있는 임의의 정보 처리 시스템을 지칭할 수 있으며, 특정 형태로 제한되는 것은 아니다.
본 개시의 실시예에 있어서, '대화형 AI 에이전트 시스템'에 의해 제공되는 대화 응답은 시각, 청각 및/또는 촉각 형태(예컨대, 음성, 음향, 텍스트, 비디오, 이미지, 기호, 이모티콘, 하이퍼링크, 애니메이션, 각종 노티스, 모션, 햅틱 피드백 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 등 다양한 형태로써 제공될 수 있음을 알아야 한다. 본 개시의 실시예에 있어서 '대화형 AI 에이전트 시스템'에 의해 수행되는 태스크는, 예컨대 정보의 검색, 결재 진행, 메시지 작성, 이메일 작성, 전화 걸기, 음악 재생, 사진 촬영, 사용자 위치 탐색, 지도/내비게이션 서비스 등을 비롯한 각종 다양한 형태의 태스크(다만, 예시일 뿐이며 이로써 제한되는 것은 아님)를 포함할 수 있다.
본 개시의 실시예에 있어서 '대화형 AI 에이전트 시스템'은, 메신저 플랫폼에 기초한 챗봇(chatbot) 시스템, 예컨대 메신저 상에서 사용자와 메시지를 주고받으며 사용자가 원하는 다양한 정보를 제공하거나 태스크를 수행하는 챗봇 시스템을 포함할 수 있으며, 다만 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.
덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 개시에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.
이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.
도 1은, 본 개시의 일 실시예에 따라, 대화형 AI 에이전트 시스템이 구현될 수 있는 시스템 환경(100)을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 시스템 환경(100)은, 복수의 사용자 단말(102a-102n), 통신망(104), 대화형 AI 에이전트 서버(106), 및 외부 서비스 서버(108)를 포함한다.
본 개시의 일 실시예에 의하면, 복수의 사용자 단말(102a-102n) 각각은 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 사용자 단말(102a-102n) 각각은, 예컨대 스마트 폰, 태블릿 PC, 뮤직 플레이어, 스마트 스피커, 데스크탑, 랩탑, PDA, 게임 콘솔, 디지털 TV, 셋탑박스 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 통신망(104)을 통해서, 대화형 AI 에이전트 서버(106)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 통신망(104)을 통해서, 외부 서비스 서버(108)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 외부로부터 음성 및/또는 텍스트 형태의 사용자 입력을 수신할 수 있고, 통신망(104)을 통한 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)와의 통신(및/또는 사용자 단말(102a-102n) 내 처리)을 통해 얻어진, 위 사용자 입력에 대응한 동작 결과(예컨대, 특정 대화 응답의 제공 및/또는 특정 태스크의 수행 등)를 사용자에게 제공할 수 있다.
본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 사용자 입력에 대응한 동작 결과로서의 대화 응답을, 시각, 청각 및/또는 촉각 형태(예컨대, 음성, 음향, 텍스트, 비디오, 이미지, 기호, 이모티콘, 하이퍼링크, 애니메이션, 각종 노티스, 모션, 햅틱 피드백 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 등 다양한 형태로써 사용자에게 제공할 수 있다. 본 개시의 실시예에 있어서, 사용자 입력에 대응한 동작으로서의 태스크 수행은, 예컨대 정보의 검색, 결재 진행, 메시지 작성, 이메일 작성, 전화 걸기, 음악 재생, 사진 촬영, 사용자 위치 탐색, 지도/내비게이션 서비스 등을 비롯한 각종 다양한 형태의 태스크(그러나 이로써 제한되는 것은 아님) 수행을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 통신망(104)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.
본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 통신망(104)을 통해 사용자 단말(102a-102n)과 통신할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 통신망(104)을 통해 사용자 단말(102a-102n)과 필요한 정보를 송수신하고, 이를 통해 사용자 단말(102a-102n) 상에서 수신된 사용자 입력에 대응한, 즉 사용자 인텐트에 부합하는 동작 결과가, 사용자에게 제공되도록 동작할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 예컨대 통신망(104)을 통해 사용자 단말(102a-102n)로부터 음성 및/또는 텍스트 형태의 사용자 자연어 입력을 수신하고, 미리 준비된 지식베이스 모델에 기초해서 그 수신된 자연어 입력을 처리하여 사용자의 인텐트(intent)를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 미리 준비된 대화 흐름 관리를 위한 지식베이스 모델에 기초해서 위 결정된 사용자 인텐트에 대응하는 동작을 수행할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 다양한 경로를 통하여 실제 사람들 간의 대화로부터 획득된 대화 로그들(예컨대, 복수의 사용자 및/또는 시스템 발화 기록의 녹취록 등으로부터 획득된 대화 로드들을 포함할 수 있음)을 수집하고, 그 수집된 대화 로그들을 학습함으로써 사용자 입력의 인텐트 결정 및/또는 대화 흐름의 관리를 위한 다양한 지식베이스 모델들을 구축 및 갱신할 수 있다.
본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 예컨대 사용자 인텐트에 부합하는 특정한 대화 응답을 생성하여 사용자 단말(102a-102n)로 전송할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 위 결정된 사용자 인텐트에 기초하여, 대응하는 대화 응답을 음성 및/또는 텍스트 형태로써 생성하고, 생성된 응답을, 통신망(104)을 통해, 사용자 단말(102a-102n)로 전달할 수 있다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)에 의해 생성되는 대화 응답은, 전술한 음성 및/또는 텍스트 형태의 자연어 응답과 함께, 이미지, 비디오, 기호, 이모티콘 등 다른 시각적 요소들이나, 음향 등의 다른 청각적 요소들이나, 기타 다른 촉각적 요소들을 포함할 수 있다.
본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 상에서 수신된 사용자 입력의 형태(예컨대, 음성 입력인지 아니면 텍스트 입력인지)에 따라, 대화형 AI 에이전트 서버(106) 상에서 동일한 형태의 응답이 생성될 수 있으며(예컨대, 음성 입력이 주어진 경우에는 음성 응답이 생성되고 텍스트 입력이 주어진 경우에는 텍스트 응답이 생성됨), 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 사용자 입력의 형태와 무관하게 음성 및/또는 텍스트 형태의 응답이 생성 및 제공될 수 있음을 알아야 한다.
본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 앞서 언급한 바와 같이, 통신망(104)을 통해서 외부 서비스 서버(108)와 통신할 수 있다. 외부 서비스 서버(108)는, 예컨대 메시징 서비스 서버, 온라인 상담 센터 서버, 온라인 쇼핑몰 서버, 정보 검색 서버, 지도 서비스 서버, 네비게이션 서비스 서버 등일 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)로부터 사용자 단말(102a-102n)로 전달되는, 사용자 인텐트에 기초한 대화 응답은, 예컨대 외부 서비스 서버(108)로부터 검색 및 획득된 데이터 콘텐츠를 포함한 것일 수 있음을 알아야 한다.
본 도면에서는, 대화형 AI 에이전트 서버(106)가 외부 서비스 서버(108)와 통신망(104)을 통해 통신 가능하게 구성된 별도의 물리 서버인 것으로 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 예컨대 온라인 상담 센터 서버 또는 온라인 쇼핑몰 서버 등 각종 서비스 서버의 일부로 포함되어 구성될 수도 있음을 알아야 한다.
도 2는, 본 개시의 일 실시예에 따른, 도 1에 도시된 사용자 단말(102)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 사용자 단말(102)은, 사용자 입력 수신 모듈(202), 센서 모듈(204), 프로그램 메모리 모듈(206), 프로세싱 모듈(208), 통신 모듈(210), 및 응답 출력 모듈(212)을 포함한다.
본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 사용자로부터 다양한 형태의 입력, 예컨대 음성 입력 및/또는 텍스트 입력 등의 자연어 입력(및 부가적으로 터치 입력 등의 다른 형태의 입력)을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 예컨대 마이크로폰 및 오디오 회로를 포함하며, 마이크로폰을 통해 사용자 음성 입력 신호를 획득하고 획득된 신호를 오디오 데이터로 변환할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 예컨대 마우스, 조이스틱, 트랙볼 등의 각종 포인팅 장치, 키보드, 터치패널, 터치스크린, 스타일러스 등 다양한 형태의 입력 장치를 포함할 수 있고, 이들 입력 장치를 통해 사용자로부터 입력된 텍스트 입력 및/또는 터치 입력 신호를 획득할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)에서 수신되는 사용자 입력은, 소정의 태스크 수행, 예컨대 소정의 애플리케이션 실행이나 소정 정보의 검색 등과 연관될 수 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 사용자 입력 수신 모듈(202)에서 수신되는 사용자 입력은, 소정의 애플리케이션 실행이나 정보의 검색 등과는 무관하게 단순한 대화 응답 만을 필요로 하는 것일 수도 있다.
본 개시의 일 실시예에 의하면, 센서 모듈(204)은 하나 이상의 서로 다른 유형의 센서를 포함하고, 이들 센서를 통해 사용자 단말(102)의 상태 정보, 예컨대 해당 사용자 단말(102)의 물리적 상태, 소프트웨어 및/또는 하드웨어 상태, 또는 사용자 단말(102)의 주위 환경 상태에 관한 정보 등을 획득할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 광 센서를 포함하고, 광 센서를 통해 해당 사용자 단말(102)의 주변 광 상태를 감지할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 이동 센서를 포함하고, 이동 센서를 통해 해당 사용자 단말(102)의 이동 상태 여부를 감지할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 속도 센서 및 GPS 센서를 포함하고, 이들 센서를 통해 해당 사용자 단말(102)의 위치 및/또는 배향 상태를 감지할 수 있다. 본 개시의 다른 실시예에 의하면, 센서 모듈(204)은 온도 센서, 이미지 센서, 압력 센서, 접촉 센서 등을 비롯한 다른 다양한 형태의 센서를 포함할 수 있음을 알아야 한다.
본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)은, 사용자 단말(102) 상에서 실행될 수 있는 각종 프로그램, 예컨대 각종 애플리케이션 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)에는, 예컨대 전화 걸기 애플리케이션, 이메일 애플리케이션, 인스턴트 메시징 애플리케이션, 카메라 애플리케이션, 음악 재생 애플리케이션, 비디오 재생 애플리케이션, 이미지 관리 애플리케이션, 지도 애플리케이션, 브라우저 애플리케이션 등을 비롯한 다양한 애플리케이션 프로그램들과 이들 프로그램의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)은, DRAM, SRAM, DDR RAM, ROM, 자기 디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.
본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 사용자 단말(102)의 각 컴포넌트 모듈과 통신하고 사용자 단말(102) 상에서 각종 연산을 수행할 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 프로그램 메모리 모듈(206) 상의 각종 애플리케이션 프로그램을 구동 및 실행시킬 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 필요한 경우, 사용자 입력 수신 모듈(202) 및 센서 모듈(204)에서 획득된 신호를 수신하고, 이들 신호에 관한 적절한 처리를 수행할 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 필요한 경우, 통신 모듈(210)을 통해 외부로부터 수신되는 신호에 대해 적절한 처리를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 통신 모듈(210)은, 사용자 단말(102)이 도 1의 통신망(104)을 통하여, 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)와 통신할 수 있게 한다. 본 개시의 일 실시예에 의하면, 통신 모듈(212)은, 예컨대 사용자 입력 수신 모듈(202) 및 센서 모듈(204) 상에서 획득된 신호가 소정의 프로토콜에 따라 통신망(104)을 통하여 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)로 전송되도록 할 수 있다. 본 개시의 일 실시예에 의하면, 통신 모듈(210)은, 예컨대 통신망(104)을 통하여 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)로부터 수신된 각종 신호, 예컨대 음성 및/또는 텍스트 형태의 자연어 응답을 포함한 응답 신호 또는 각종 제어 신호 등을 수신하고, 소정의 프로토콜에 따라 적절한 처리를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 사용자 입력에 대응하는 응답을 시각, 청각 및/또는 촉각 등 다양한 형태로써 출력할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 예컨대 LCD, LED, OLED, QLED 등의 기술에 기초한 터치 스크린 등의 각종 디스플레이 장치를 포함하고, 이들 디스플레이 장치를 통해 사용자 입력에 대응하는 시각적 응답, 예컨대 텍스트, 기호, 비디오, 이미지, 하이퍼링크, 애니메이션, 각종 노티스 등을 사용자에게 제시할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 예컨대 스피커 또는 헤드셋을 포함하고, 사용자 입력에 대응하는 청각적 응답, 예컨대 음성 및/또는 음향 응답을 스피커 또는 헤드셋을 통해 사용자에게 제공할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)는 모션/햅틱 피드백 생성부를 포함하고, 이를 통해 촉각적 응답, 예컨대 모션/햅틱 피드백을 사용자에게 제공할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 사용자 입력에 대응하는 텍스트 응답, 음성 응답 및 모션/햅틱 피드백 중 임의의 두 개이상의 조합을 동시에 제공할 수 있음을 알아야 한다.
도 3은, 본 개시의 일 실시예에 따른, 도 1의 대화형 AI 에이전트 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 대화형 에이전트 서버(106)는, 통신 모듈(302), 대화/태스크 처리부(304), 대화 로그 수집부(306) 및 지식베이스 모델 구축/갱신부(308)를 포함한다.
본 개시의 일 실시예에 의하면, 통신 모듈(302)은, 소정의 유선 또는 무선 통신 프로토콜에 따라, 통신망(104)을 통하여, 대화형 AI 에이전트 서버(106)가 사용자 단말(102) 및/또는 외부 서비스 서버(108)와 통신할 수 있게 한다. 본 개시의 일 실시예에 의하면, 통신 모듈(302)은, 통신망(104)을 통해, 사용자 단말(102)로부터 전송되어 온, 사용자로부터의 음성 입력 및/또는 텍스트 입력 등을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 통신 모듈(302)은, 사용자 단말(102)로부터 전송되어 온 사용자로부터의 음성 입력 및/또는 텍스트 입력과 함께 또는 그와 별도로, 통신망(104)을 통해, 사용자 단말(102)로부터 전송되어온, 사용자 단말(102)의 상태 정보를 수신할 수 있다. 본 개시의 일 실시예에 의하면, 상태 정보는, 예컨대 사용자로부터의 음성 입력 및/또는 텍스트 입력 당시의 해당 사용자 단말(102)에 관련된 여러가지 상태 정보(예컨대, 사용자 단말(102)의 물리적 상태, 사용자 단말(102)의 소프트웨어 및/또는 하드웨어 상태, 사용자 단말(102) 주위의 환경 상태 정보 등)일 수 있다. 본 개시의 일 실시예에 의하면, 통신 모듈(302)은, 또한, 위 수신된 사용자 입력에 대응하여 대화형 AI 에이전트 서버(106)에서 생성된 대화 응답(예컨대, 음성 및/또는 텍스트 형태의 자연어 대화 응답 등) 및/또는 제어 신호를, 통신망(104)을 통해, 사용자 단말(102)로 전달하기 위해 필요한 적절한 조치를 수행할 수 있다.
본 개시의 일 실시예에 의하면, 대화/태스크 처리부(304)는, 통신 모듈(302)을 통하여 사용자 단말(102)로부터의 사용자 자연어 입력을 수신하고, 미리 준비된 소정의 지식베이스 모델을 기초로 이를 처리하여, 사용자 자연어 입력에 대응한 사용자의 인텐트(intent)를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화/태스크 처리부(304)는 또한 결정된 사용자 인텐트에 부합하는 동작, 예컨대 적절한 대화 응답 및/또는 태스크 수행을 제공할 수 있다.
본 개시의 일 실시예에 의하면, 대화 로그 수집부(306)는, 임의의 다양한 방식에 의해 수집된 대화 상의 각 대화 로그들을 수신 및 저장할 수 있다. 본 개시의 일 실시예에 의하면, 대화 로그 수집부(306)에서 수신 및 저장되는 대화 로그들은, 예컨대 상담 센터의 고객과 상담원 간의 실제 대화의 녹취록 등과 같은, 실제 사람들 간의 대화의 녹취 기록일 수 있다. 따라서, 대화 로그 수집부(306) 상에 수집 및 저장된 대화 로그 각각은 다양한 엔티티 정보들, 특히 이름, 주민번호, 사용자 ID, 전화번호, 이메일, 주소 등을 비롯한 각종 개인정보와 같은, 법률이나 기타 여러가지 이유에 의해 비식별화가 요구되는 정보를 포함하고 있을 수 있다.
본 개시의 일 실시예에 의하면, 지식베이스 모델 구축/갱신부(308)는, 전술한 대화 로그 수집부(306) 상의 각 대화 로그들을 이용한 학습을 통해 대화형 AI 에이전트 서버(106)를 위한 각종 지식베이스 모델(예컨대, 인텐트 결정이나 대화 흐름 관리를 위한 다양한 지식베이스 모델들)을 구축 및/또는 갱신할 수 있다. 그런데, 앞서 언급한 바와 같이, 대화 로그 수집부(306) 상의 각 대화 로그들은, 비식별화가 필요한 각종 엔티티 정보들을 포함하고 있을 수 있다. 전술한 바와 같이, 이러한 엔티티 정보는 대개 그 정보 내용(값) 자체가 대화형 AI 에이전트 시스템을 위한 학습에 도움이 되지는 않는다. 그렇지만, 이러한 학습을 위한 대화 로그들로부터, 전술한 것과 같은 엔티티 정보를 무작위로 삭제할 경우, 해당 대화 로그로부터의 인텐트 획득 자체가 불가능해질 수가 있다(예컨대, A와 B 간의 대화에서, 각자가 자신의 이름이나 전화 번호를 말하는 한편, 제3의 인물 C의 이름과 전화 번호에 대해서도 언급하는 등, 같은 유형의, 그러나 값은 다른 엔티티 정보가 여러 번 사용되는 경우, 이러한 이름이나 전화 번호 등의 정보를 일괄하여 삭제한다면, 각 대화 로그 상의 A와 B의 인텐트 자체가 훼손되거나 모호해질 수 있음). 본 개시의 일 실시예에 의하면, 지식베이스 모델 구축/갱신부(308)는, 대화 로그들을 이용한 학습에 앞서서, 학습하려는 대화 로그 중에 포함된 엔티티 정보에 대한 사전 처리를 수행할 수 있다. 이러한 지식베이스 모델 구축/갱신부(308)에 의한 사전 처리는, 전술한 대화 로그 상의 학습 가능성이 낮고 비식별화가 필요한 각 엔티티 정보를, 무작위로 삭제하는 대신, 해당 값을 임의의 다른 식별자로 교체하는 것일 수 있다. 예컨대, 지식베이스 모델 구축/갱신부(308)는, 사람들 간의 대화로부터 획득된 일련의 대화 로그 중에 각기 다른 사람들의 이름이 나타나는 경우, 각각의 이름 내용 자체(예컨대, 김철수, 이영희, 홍길동 등의 이름값)를 대신하여, 각각의 식별자(예컨대, 이름 1, 이름 2, 이름 3 등의 레이블)를 삽입하는 방식으로 사전 처리를 행할 수 있다. 이러한 사전 처리에 의해, 지식베이스 모델 구축/갱신부(308)는, 대화 로그 중의 엔티티 정보들을, 학습을 위한 목적은 해하지 않는 범위에서, 비식별화 시킬 수 있다. 본 개시의 일 실시예에 의하면, 지식베이스 모델 구축/갱신부(308)는, 사전 처리된 대화 로그들을 이용하여 학습하고, 그 결과에 기초하여 지식베이스 모델들의 구축 및/또는 갱신을 수행할 수 있다.
도 4는, 본 개시의 일 실시예에 따른, 도 3의 대화/태스크 처리부(304)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 대화/태스크 처리부(302)는, 음성-텍스트 변환(Speech-To-Text; STT) 모듈(402), 자연어 이해(Natural Language Understanding; NLU) 모듈(404), 사용자 데이터베이스(406), 대화 이해 지식베이스 모델(408), 대화 관리 모듈(410), 대화 흐름 관리 지식베이스 모델(412), 대화 생성 모듈(414), 및 음성 합성(Text-To-Speech; TTS) 모듈(416)을 포함한다.
본 개시의 일 실시예에 의하면, STT 모듈(402)은, 통신 모듈(302)을 통해 수신된 사용자 입력 중 음성 입력을 수신하고, 수신된 음성 입력을 패턴 매칭 등에 기초하여 텍스트 데이터로 변환할 수 있다. 본 개시의 일 실시예에 의하면, STT 모듈(402)은, 사용자의 음성 입력으로부터 특징을 추출하여 특징 벡터열을 생성할 수 있다. 본 개시의 일 실시예에 의하면, STT 모듈(402)은, DTW(Dynamic Time Warping) 방식이나 HMM 모델(Hidden Markov Model), GMM 모델(Gaussian-Mixture Mode), 딥 신경망 모델, n-gram 모델 등의 다양한 통계적 모델에 기초하여, 텍스트 인식 결과, 예컨대 단어들의 시퀀스를 생성할 수 있다. 본 개시의 일 실시예에 의하면, STT 모듈(402)은, 수신된 음성 입력을 패턴 매칭에 기초하여 텍스트 데이터로 변환할 때, 후술하는 사용자 데이터베이스(406)의 각 사용자 특징적 데이터를 참조할 수 있다.
본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 통신 모듈(302) 또는 STT 모듈(402)로부터 텍스트 입력을 수신할 수 있다. 본 개시의 일 실시예에 의하면, NLU 모듈(404)에서 수신되는 텍스트 입력은, 예컨대 통신 모듈(302)에서 통신망(104)을 통하여 사용자 단말(102)로부터 수신되었던 사용자 텍스트 입력 또는 통신 모듈(302)에서 수신된 사용자 음성 입력으로부터 STT 모듈(402)에서 생성된 텍스트 인식 결과, 예컨대 단어들의 시퀀스일 수 있다. 본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 텍스트 입력을 수신하는 것과 함께 또는 그 이후에, 해당 사용자 입력과 연관된 상태 정보, 예컨대 해당 사용자 입력 당시의 사용자 단말(102)의 상태 정보 등을 수신할 수 있다. 전술한 바와 같이, 상태 정보는, 예컨대 사용자 단말(102)에서 사용자 음성 입력 및/또는 텍스트 입력 당시의 해당 사용자 단말(102)에 관련된 여러가지 상태 정보(예컨대, 사용자 단말(102)의 물리적 상태, 소프트웨어 및/또는 하드웨어 상태, 사용자 단말(102) 주위의 환경 상태 정보 등)일 수 있다.
본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 후술하는 대화 이해 지식베이스 모델(408)에 기초하여, 위 수신된 텍스트 입력을 하나 이상의 사용자 인텐트(intent)에 대응시킬 수 있다. 여기서 사용자 인텐트는, 그 사용자 인텐트에 따라 대화형 AI 에이전트 서버(106)에 의해 이해되고 수행될 수 있는 일련의 동작(들)과 연관될 수 있다. 본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 수신된 텍스트 입력을 하나 이상의 사용자 인텐트에 대응시킴에 있어서 전술한 상태 정보를 참조할 수 있다. 본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 수신된 텍스트 입력을 하나 이상의 사용자 인텐트에 대응시킴에 있어서 후술하는 사용자 데이터베이스(406)의 각 사용자 특징적 데이터를 참조할 수 있다.
본 개시의 일 실시예에 의하면, 사용자 데이터베이스(406)는, 각 사용자별 특징적 데이터를 저장 및 관리하는 데이터베이스일 수 있다. 본 개시의 일 실시예에 의하면, 사용자 데이터베이스(406)는, 예컨대 각 사용자별로 해당 사용자의 이전 대화 기록, 사용자의 발음 특징 정보, 사용자 어휘 선호도, 사용자의 소재지, 설정 언어, 연락처/친구 목록, 기타 다양한 사용자 특징적 정보를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 전술한 바와 같이, STT 모듈(402)은, 음성 입력을 텍스트 데이터로 변환할 때 사용자 데이터베이스(406)의 각 사용자 특징적 데이터, 예컨대 각 사용자별 발음 특징을 참조함으로써, 보다 정확한 텍스트 데이터를 얻을 수 있다. 본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 사용자 인텐트를 결정할 때 사용자 데이터베이스(406)의 각 사용자 특징적 데이터, 예컨대 각 사용자별 특징이나 맥락을 참조함으로써, 보다 정확한 사용자 인텐트 결정을 할 수 있다.
본 도면에서는, 각 사용자별 특징적 데이터를 저장 및 관리하는 사용자 데이터베이스(406)가 대화형 AI 에이전트 서버(106)에 배치되는 것으로 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 각 사용자별 특징적 데이터를 저장 및 관리하는 사용자 데이터베이스는, 예컨대 사용자 단말(102)에 존재할 수도 있고, 사용자 단말(102) 및 대화형 AI 에이전트 서버(106)에 분산되어 배치될 수도 있음을 알아야 한다.
본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은, NLU 모듈(404)에 의해 결정된 사용자 인텐트에 따라, 그에 대응하는 일련의 동작 흐름을 생성할 수 있다. 본 개시의 일 실시예에 의하면, 대화 관리 모듈(310)은, 대화 흐름 관리 지식베이스 모델(412)에 기초하여, NLU 모듈(404)로부터 수신된 사용자 인텐트에 대응하여 어떠한 동작, 예컨대 어떠한 대화 응답 및/또는 태스크 수행을 행하여야 할지를 결정하고, 그에 따른 세부 동작 흐름을 생성할 수 있다.
본 개시의 일 실시예에 의하면, 대화 이해 지식베이스 모델(408)은, 예컨대 미리 정의된 온톨로지 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 온톨로지 모델은, 예컨대 노드들 간의 계층 구조로 표현될 수 있는데, 각 노드는 사용자의 인텐트에 대응한 "인텐트" 노드 또는 "인텐트" 노드에 링크된 하위 "속성" 노드("인텐트" 노드에 직접 링크되거나 "인텐트" 노드의 "속성" 노드에 다시 링크된 하위 "속성" 노드) 중 하나일 수 있다. 본 개시의 일 실시예에 의하면, "인텐트" 노드와 그 "인텐트" 노드에 직접 또는 간접 링크된 "속성" 노드들은 하나의 도메인을 구성할 수 있고, 온톨로지는 이러한 도메인들의 집합으로 구성될 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 지식베이스 모델(408)은, 예컨대 대화형 AI 에이전트 시스템이 이해하고 그에 대응한 동작을 수행할 수 있는 모든 인텐트들에 각각 대응하는 도메인들을 포함하도록 구성될 수 있다. 본 개시의 일 실시예에 의하면, 온톨로지 모델은, 노드의 추가나 삭제, 또는 노드 간의 관계의 수정 등에 의해 동적으로 변경될 수 있음을 알아야 한다.
본 개시의 일 실시예에 의하면, 온톨로지 모델 내의 각 도메인의 인텐트 노드 및 속성 노드들은, 그에 대응하는 사용자 인텐트 또는 속성들에 관련된 단어들 및/또는 구절들과 각각 연관될 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 지식베이스 모델(408)은, 온톨로지 모델을, 계층 구조의 노드들과, 각 노드 별로 연관된 단어들 및/또는 구절들의 집합으로 구성된, 예컨대 어휘 사전 형태(구체적으로 도시되지 않음)로 구현할 수 있고, NLU 모듈(404)은 이와 같이 어휘 사전 형태로 구현된 온톨로지 모델에 기초하여 사용자 인텐트를 결정할 수 있다. 예컨대, 본 개시의 일 실시예에 의하면, NLU 모듈(404)은, 텍스트 입력 또는 단어들의 시퀀스를 수신하면, 그 시퀀스 내의 각 단어들이 온톨로지 모델 내의 어떤 도메인의 어떤 노드들에 연관되는지 결정할 수 있고, 그러한 결정에 기초하여 대응하는 도메인, 즉 사용자 인텐트를 결정할 수 있다.
본 개시의 일 실시예에 의하면, 대화 흐름 관리 지식베이스 모델(412)은, 사용자 입력에 대응하는 인텐트에 부합하는 서비스를 제공하기 위하여 필요한 대화 또는 동작의 순차적 흐름 분포 모델을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 구체적으로 도시되지는 않았으나, 대화 흐름 관리 지식베이스 모델(412)은, 각 인텐트에 대응하는 대화 패턴들의 라이브러리를 포함할 수 있다.
본 개시의 일 실시예에 의하면, 대화 생성 모듈(414)은, 대화 관리 모듈(410)에 의해 생성된 대화/동작 흐름에 기초하여 필요한 대화 응답을 생성할 수 있다. 본 개시의 일 실시예에 의하면, 대화 생성 모듈(414)은, 대화 응답 생성시, 예컨대 전술한 사용자 데이터베이스(406)의 사용자 특징적 데이터(예컨대, 사용자의 이전 대화 기록, 사용자의 발음 특징 정보, 사용자 어휘 선호도, 사용자의 소재지, 설정 언어, 연락처/친구 목록, 각 사용자별로 해당 사용자의 이전 대화 기록 등)를 참조할 수 있다.
본 개시의 일 실시예에 의하면, TTS 모듈(416)은, 대화 생성 모듈(414)에 의해 사용자 단말(102)로 전송되도록 생성된 대화 응답을 수신할 수 있다. TTS 모듈(418)에서 수신되는 대화 응답은 텍스트 형태를 갖는 자연어 또는 단어들의 시퀀스일 수 있다. 본 개시의 일 실시예에 의하면, TTS 모듈(418)은, 다양한 형태의 알고리즘에 따라, 위 수신된 텍스트 형태의 입력을 음성 형태로 변환할 수 있다.
도 1 내지 4를 참조하여 전술한 본 개시의 실시예에서는, 대화형 AI 에이전트 시스템이 사용자 단말(102)과 대화형 AI 에이전트 서버(106) 간의 클라이언트-서버 모델, 특히 클라이언트는 오로지 사용자 입출력 기능만을 제공하고 그 외 대화형 AI 에이전트 시스템의 다른 모든 기능들을 서버에 위임된, 소위 "씬 클라이언트-서버 모델"에 기초하여 구현된 것과 같이 설명되어 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 대화형 AI 에이전트 시스템은 그 기능들이 사용자 단말과 서버 사이에 분배되어 구현될 수 있고, 또는 그와 달리 사용자 단말 상에 설치된 독립형 애플리케이션으로 구현될 수도 있음을 알아야 한다. 또한, 본 개시의 일 실시예에 따라 대화형 AI 에이전트 시스템이 그 기능들을 사용자 단말과 서버 사이에 분배하여 구현하는 경우, 클라이언트와 서버 사이의 대화형 AI 에이전트 시스템의 각 기능의 분배는 실시예마다 달리 구현될 수 있음을 알아야 한다. 또한, 도 1 내지 4를 참조하여 전술한 본 개시의 실시예에서는, 편의상 특정 모듈이 소정의 동작들을 수행하는 것처럼 설명되었으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 위 설명에서 어느 특정 모듈에 의해 수행되는 것과 같이 설명된 동작들이, 그와 다른 별개의 모듈에 의해 각각 수행될 수 있음을 알아야 한다.
도 5는, 본 개시의 일 실시예에 따른, 도 3의 지식베이스 모델 구축/갱신부(308)에 의해 수행되는 예시적 동작 흐름도이다.
단계(502)에서, 지식베이스 모델 구축/갱신부(308)는, 임의의 다양한 방식으로 수집된 한 그룹의 대화 로그들이 지식베이스 모델 구축/갱신부(308) 상에서 수신될 수 있다.
그런 다음, 단계(504)에서, 수신된 대화 로그들 중에 포함된, 사전 처리가 필요한 엔티티 정보가 식별될 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 사전 처리가 필요한 엔티티 정보는, 개인 정보 등과 같이 비식별화가 필요한 소정 유형의 정보일 수 있다. 본 개시의 일 실시예에 의하면, 비식별화가 필요한 개인 정보는, 예컨대 이름, 주민번호, 생년월일, 주소, 나이, 전화번호, ID, 이메일 주소 등의 정보일 수 있으며, 다만 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 이러한 정보는, 예컨대 이들 각 정보의 표기 방식 등에 기초하여 식별될 수 있다.
단계(506)에서, 대화 로그들 상에 나타난, 위 식별된 엔티티 정보의 각 유형을 판정하고, 각 유형마다 각기 다른 레이블을 이용해서 해당 엔티티 정보를 교체할 수 있다. 본 개시의 일 실시예에 의하면, 예컨대 해당 그룹 내의 대화 로그들 상에서 복수 개의 이름 정보가 나타나는 경우, 이들 각각의 이름 값(예컨대, "김철수", "이영희", "홍길동" 등)을 대신하여, "이름 1", "이름 2", ..., "이름 n" 형태의 레이블로 교체할 수 있다. 이때, 동일한 이름 값에는 동일한 레이블을 부여해야 하는 점을 알아야 한다(즉, 소정의 대화 로그에 나타난 어느 하나의 이름 값, 예컨대 "홍길동"에 "이름 1"을 부여하였다면, 그 대화 그룹 상의 해당 대화 로그 및 다른 대화 로그 중에 나타난 동일한 이름 값 "홍길동"에 대해서도 "이름 1"을 부여해야 함).
그런 다음, 단계(508)에서, 지식베이스 모델 구축/갱신부(308)는, 단계(506)에서 처리(즉, 식별된 엔티티 정보들의 레이블에 의한 교체 처리)된 대화 로그들을 학습에 활용하고 그에 따라, 대화형 AI 에이전트 시스템을 위한 다양한 지식베이스 모델들을 구축 및 갱신할 수 있다.
당업자라면 알 수 있듯이, 본 개시가 본 명세서에 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 본 명세서에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있음을 알아야 한다.
본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.
Claims (8)
- 컴퓨터 장치에 의해 수행되는 방법으로서, 상기 방법은, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 자동으로 구축 또는 갱신하기 위한 것이며,
서로 연관된 일련의 대화 로그들을 수신하는 단계;
상기 수신된 대화 로그들 각각으로부터, 소정의 기준에 따라, 비식별화가 필요하다고 판정되는 엔티티 정보 - 상기 엔티티 정보는, 엔티티 유형 및 값을 포함하고, 상기 소정의 기준은 적어도 상기 엔티티 정보의 각 기재 형식을 포함함 - 를 식별하는 단계;
각각의 상기 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체하는 단계 - 상기 레이블은, 대응하는 엔티티 정보의 엔티티 유형을 식별하게 하는 식별자이며, 상기 대화 로그들 중에 포함되는 동일한 유형의 동일한 값을 갖는 엔티티 정보들은 동일한 레이블로 교체되고, 상기 대화 로그들 중에 포함되는 동일한 유형의 다른 값을 갖는 엔티티 정보들은 각기 다른 레이블로 교체됨 -; 및
상기 식별된 엔티티 정보의 값이 각 대응하는 레이블로 교체된, 상기 대화 로그들을 이용한 학습에 따라, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 구축 또는 갱신하는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 비식별화가 필요하다고 판정되는 엔티티 정보는 개인 정보를 포함하고, 상기 개인 정보는, 이름, 주민번호, 생년월일, 주소, 나이, 전화번호, ID, 이메일 주소 중 적어도 하나를 포함하는, 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 대화 로그들을 수신하는 단계는, 고객 센터의 고객과 상담원 간의 대화 녹취록으로부터 상기 대화 로그들을 수신하는 단계를 포함하는, 방법. - 제1항에 있어서,
상기 지식베이스 모델은, 대화 이해 및 대화 관리를 위한 지식베이스 모델을 포함하는, 방법. - 하나 이상의 명령어를 포함하는 컴퓨터 판독 가능 기록 매체로서,
상기 하나 이상의 명령어는, 컴퓨터에 위해 실행되는 경우, 상기 컴퓨터로 하여금, 제1항, 제2항, 제5항, 및 제6항 중 어느 한 항의 방법을 수행하게 하는, 컴퓨터 판독 가능 기록 매체. - 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 자동으로 구축 또는 갱신하기 위한 컴퓨터 장치로서,
서로 연관된 일련의 대화 로그들을 수집 및 저장하는 대화 로그 수집부; 및
지식베이스 모델 구축/갱신부를 포함하고,
상기 지식베이스 모델 구축/갱신부는, 상기 대화 로그 수집부로부터 상기 일련의 대화 로그들을 수신하고,
상기 수신된 대화 로그들 각각으로부터, 소정의 기준에 따라, 비식별화가 필요하다고 판정되는 엔티티 정보 - 상기 엔티티 정보는, 엔티티 유형 및 값을 포함하고, 상기 소정의 기준은 적어도 상기 엔티티 정보의 각 기재 형식을 포함함 - 를 식별하고,
각각의 상기 식별된 엔티티 정보의 값을, 각 대응하는 레이블로 교체 - 상기 레이블은, 대응하는 엔티티 정보의 엔티티 유형을 식별하게 하는 식별자이며, 상기 대화 로그들 중에 포함되는 동일한 유형의 동일한 값을 갖는 엔티티 정보들은 동일한 레이블로 교체되고, 상기 대화 로그들 중에 포함되는 동일한 유형의 다른 값을 갖는 엔티티 정보들은 각기 다른 레이블로 교체됨 - 하고,
상기 식별된 엔티티 정보의 값이 각 대응하는 레이블로 교체된, 상기 대화 로그들을 이용한 학습에 따라, 대화형 AI 에이전트 시스템을 위한 지식베이스 모델을 구축 또는 갱신하도록 구성된,
컴퓨터 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180016712A KR101950387B1 (ko) | 2018-02-12 | 2018-02-12 | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 |
| PCT/KR2019/001693 WO2019156536A1 (ko) | 2018-02-12 | 2019-02-12 | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180016712A KR101950387B1 (ko) | 2018-02-12 | 2018-02-12 | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190017196A Division KR20190103951A (ko) | 2019-02-14 | 2019-02-14 | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101950387B1 true KR101950387B1 (ko) | 2019-02-20 |
Family
ID=65562265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180016712A KR101950387B1 (ko) | 2018-02-12 | 2018-02-12 | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101950387B1 (ko) |
| WO (1) | WO2019156536A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210063172A (ko) | 2019-11-22 | 2021-06-01 | 아시아나아이디티 주식회사 | 객실 승무원의 업무정보 관리를 위한 방법 및 컴퓨터 판독가능 기록매체 |
| CN113535980A (zh) * | 2021-07-20 | 2021-10-22 | 南京市栖霞区民政事务服务中心 | 一种基于人工智能的智慧社区知识库体系的快速建立方法 |
| WO2024205070A1 (ko) * | 2023-03-27 | 2024-10-03 | 삼성전자 주식회사 | 개인 정보를 나타내는 위치 정보를 가상의 위치 정보로 변환하는 서버, 이의 동작 방법 및 기록 매체 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990637B (zh) * | 2019-10-14 | 2022-09-20 | 平安银行股份有限公司 | 网络图谱的构建方法及其装置 |
| CN114297207A (zh) * | 2021-12-07 | 2022-04-08 | 腾讯数码（天津）有限公司 | 实体库更新方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016040730A (ja) * | 2015-10-13 | 2016-03-24 | 洋彰 宮崎 | 言語入力により自律的に知識体系を構築する人工知能装置 |
| KR20160062668A (ko) * | 2014-11-25 | 2016-06-02 | 한국전자통신연구원 | 개방형 건강 관리 장치 및 방법 |
| KR101730600B1 (ko) * | 2015-12-22 | 2017-04-26 | 한양대학교 산학협력단 | 거짓 개인정보를 이용한 개인정보 유출 탐지 장치 및 방법 |
| KR20180003417A (ko) | 2017-04-21 | 2018-01-09 | 주식회사 엔터플 | 챗봇을 이용한 콘텐트 제공 방법 및 장치 |
| KR101827320B1 (ko) * | 2017-06-08 | 2018-02-09 | 윤준호 | 인공지능 콜센터 서버 |
-
2018
- 2018-02-12 KR KR1020180016712A patent/KR101950387B1/ko active IP Right Grant
-
2019
- 2019-02-12 WO PCT/KR2019/001693 patent/WO2019156536A1/ko active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160062668A (ko) * | 2014-11-25 | 2016-06-02 | 한국전자통신연구원 | 개방형 건강 관리 장치 및 방법 |
| JP2016040730A (ja) * | 2015-10-13 | 2016-03-24 | 洋彰 宮崎 | 言語入力により自律的に知識体系を構築する人工知能装置 |
| KR101730600B1 (ko) * | 2015-12-22 | 2017-04-26 | 한양대학교 산학협력단 | 거짓 개인정보를 이용한 개인정보 유출 탐지 장치 및 방법 |
| KR20180003417A (ko) | 2017-04-21 | 2018-01-09 | 주식회사 엔터플 | 챗봇을 이용한 콘텐트 제공 방법 및 장치 |
| KR101827320B1 (ko) * | 2017-06-08 | 2018-02-09 | 윤준호 | 인공지능 콜센터 서버 |
Non-Patent Citations (1)
| Title |
|---|
| SPRI소프트웨어정책연구소 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210063172A (ko) | 2019-11-22 | 2021-06-01 | 아시아나아이디티 주식회사 | 객실 승무원의 업무정보 관리를 위한 방법 및 컴퓨터 판독가능 기록매체 |
| CN113535980A (zh) * | 2021-07-20 | 2021-10-22 | 南京市栖霞区民政事务服务中心 | 一种基于人工智能的智慧社区知识库体系的快速建立方法 |
| WO2024205070A1 (ko) * | 2023-03-27 | 2024-10-03 | 삼성전자 주식회사 | 개인 정보를 나타내는 위치 정보를 가상의 위치 정보로 변환하는 서버, 이의 동작 방법 및 기록 매체 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019156536A1 (ko) | 2019-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111837116B (zh) | 自动构建或更新对话式ai系统的对话流管理模型的方法 | |
| KR101950387B1 (ko) | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 | |
| KR101891492B1 (ko) | 답변을 변형하여 상황에 맞는 자연어 대화를 제공하는 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR101945983B1 (ko) | 대화 이해 ai 서비스 시스템과 연관된 대화 세션 중의 특정 시점에서 목표 달성을 위한 최적의 대화 패턴을 결정하는 방법, 목표 달성 예측 확률을 결정하는 방법, 및 컴퓨터 판독가능 기록 매체 | |
| KR101959292B1 (ko) | 문맥 기반으로 음성 인식의 성능을 향상하기 위한 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR102120751B1 (ko) | 대화 이해 ai 시스템에 의하여, 머신러닝을 대화 관리 기술에 적용한 하이브리드 계층적 대화 흐름 모델을 기초로 답변을 제공하는 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR101891498B1 (ko) | 대화형 ai 에이전트 시스템에서 멀티 도메인 인텐트의 혼재성을 해소하는 멀티 도메인 서비스를 제공하는 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR101891496B1 (ko) | 사용자간 대화 세션에 대한 능동적 모니터링 및 개입을 제공하는 대화형 ai 에이전트 시스템, 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR101891489B1 (ko) | 적시에 간투사 답변을 제공함으로써 자연어 대화를 제공하는 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR20190103951A (ko) | 학습 데이터 중 식별 가능하지만 학습 가능성이 없는 데이터의 레이블화를 통한, 대화형 ai 에이전트 시스템을 위한 지식베이스 모델의 구축 또는 갱신 방법, 컴퓨터 장치, 및 컴퓨터 판독 가능 기록 매체 | |
| KR101924215B1 (ko) | 소정의 목표를 갖는 대화 이해 ai 서비스 시스템을 위한 대화 템플릿의 생성 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR101932264B1 (ko) | 복수 개의 같은 유형의 엔티티 정보의 분석에 기초한 인텐트 결정을 제공하는 방법 및 대화형 ai 에이전트 시스템, 및 컴퓨터 판독가능 기록 매체 | |
| KR101932263B1 (ko) | 적시에 실질적 답변을 제공함으로써 자연어 대화를 제공하는 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR101914583B1 (ko) | 보안 등과 관련된 서비스를, 사용자간 대화 세션에 대한 모니터링에 기초하고 대화 세션 또는 별도의 세션을 통해, 능동적으로 제공하는 대화형 ai 에이전트 시스템, 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR101927050B1 (ko) | 서버에 대한 액세스 없이, 개인화 데이터를 이용하여 학습 가능하도록 구성된 사용자 맞춤형 학습 모델을 포함하는 사용자 단말 및 컴퓨터 판독가능 기록매체 | |
| KR101949470B1 (ko) | 보안성을 강화한 사용자 문맥 기반 인증 방법, 대화형 ai 에이전트 시스템 및 컴퓨터 판독가능 기록 매체 | |
| KR20190094087A (ko) | 머신러닝 기반의 대화형 ai 에이전트 시스템과 연관된, 사용자 맞춤형 학습 모델을 포함하는 사용자 단말 및 사용자 맞춤형 학습 모델이 기록된 컴퓨터 판독가능 기록 매체 | |
| KR101970899B1 (ko) | 문맥 기반으로 음성 인식의 성능을 향상하기 위한 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체 | |
| KR102017544B1 (ko) | 메신저 플랫폼에 관계없이 복수의 메신저를 이용하는 사용자간 다양한 형식의 채팅 서비스를 제공하는 대화형 ai 에이전트 시스템, 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR20210045704A (ko) | 엔티티 정보의 분석에 기초한 인텐트 결정을 제공하는 방법 및 대화형 ai 에이전트 시스템, 및 컴퓨터 판독가능 기록 매체 | |
| KR20190038489A (ko) | 보안성을 강화한 사용자 문맥 기반 인증 방법, 대화형 ai 에이전트 시스템 및 컴퓨터 판독가능 기록 매체 | |
| KR101914582B1 (ko) | 보안성을 강화한 의미-무관 사용자 성문 인증을 제공하는 방법, 대화형 ai 에이전트 시스템 및 컴퓨터 판독가능 기록 매체 | |
| KR20190091224A (ko) | 대화 이해 ai 서비스 시스템과 연관된 대화 세션 중의 특정 시점에서 목표 달성을 위한 최적의 대화 패턴을 결정하는 방법, 목표 달성 예측 확률을 결정하는 방법, 및 컴퓨터 판독가능 기록 매체 | |
| KR101934583B1 (ko) | 대화형 ai 에이전트 시스템을 위한 지식베이스의 시각화 방법 및 컴퓨터 판독가능 기록 매체 | |
| KR102120749B1 (ko) | 대화 이해 ai 시스템에 의하여, 키워드 기반 북마크 검색 서비스 제공을 위하여 북마크 정보를 저장하는 방법 및 컴퓨터 판독가능 기록 매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |