KR102347020B1 - 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법 - Google Patents

인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법 Download PDF

Info

Publication number
KR102347020B1
KR102347020B1 KR1020210139569A KR20210139569A KR102347020B1 KR 102347020 B1 KR102347020 B1 KR 102347020B1 KR 1020210139569 A KR1020210139569 A KR 1020210139569A KR 20210139569 A KR20210139569 A KR 20210139569A KR 102347020 B1 KR102347020 B1 KR 102347020B1
Authority
KR
South Korea
Prior art keywords
customer
inquiry
answer
customer inquiry
information
Prior art date
Application number
KR1020210139569A
Other languages
English (en)
Inventor
길호웅
Original Assignee
주식회사 큐로드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 큐로드 filed Critical 주식회사 큐로드
Priority to KR1020210139569A priority Critical patent/KR102347020B1/ko
Application granted granted Critical
Publication of KR102347020B1 publication Critical patent/KR102347020B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 개시의 몇몇 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법이 개시된다. 상기 방법은: 고객사 단말로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정하는 단계; 상기 고객사의 속성에 대응하는 상기 고객센터의 환경 설정 정보를 추천하는 단계; 상기 고객사 단말로부터 환경 설정 정보를 수신한 경우, 상기 고객센터에 접속 가능한 링크를 생성하는 단계; 상기 링크를 상기 고객사 단말로 전송하는 단계 - 상기 링크는 상기 고객사의 고객들에게 제공됨 -; 상기 링크를 통해 상기 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 상기 고객 문의를 특정 상담원 단말에게 할당하는 단계; 및 상기 특정 상담원 단말로부터 상기 고객 문의에 대한 답변 정보를 획득한 경우, 상기 고객 문의에 대응하는 이메일로 상기 답변 정보를 전송하는 단계;를 포함할 수 있다.

Description

인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법{Method for providing customized customer center solution through artificial intelligence-based characteristic analysis}
본 개시는 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법에 관한 것으로서, 구체적으로 고객사 맞춤형 고객센터를 생성하고 고객센터를 통해 고객 문의를 처리하는 방법에 관한 것이다.
일반적으로, 기업의 고객 센터는 고객의 불만, 문의사항, 제안 의견 등을 주로 전화 또는 웹 페이지 등을 통해 접수 받고 있다.
예를 들어, 전화(콜센터)를 통해 고객 문의를 접수 받는 경우, 고객이 유선 또는 무선을 통하여 상담원에게 정보를 요청하게 되고, 상담원은 각종 DB를 포함하는 정보제공 서버로부터 정보를 검색하여 고객에게 검색된 해당 정보를 음성 또는 데이터로 전송하게 된다. 여기서, 각 상담원은 주요 상담 지식을 인쇄물 형태로 보관하거나 주요 상담 내용을 암기하여 고객 문의에 대응하고 있는 것이 현실이다.
다른 예를 들어, 웹 페이지를 통해 고객 문의를 접수 받는 경우, 고객이 웹 페이지에 접속하여 상담원에게 정보를 요청하게 되고, 상담원이 문의에 대한 답변을 고객에게 전송하게 된다. 이 경우, 기업은 언제 발생될지 모르는 고객 문의를 접수 받기 위해 고객센서 운영을 위한 웹 페이지를 상시 유지하고 있는 것이 현실이다.
이러한 종래의 고객 센터 운영 방식은 스타트 업과 같은 작은 규모의 기업에게 운용 비용적인 측면에서 상당한 부담이 되고 있다. 또한, 고객센터의 운영이 원활하게 이루어지지 않는 경우, 기업의 평판 또는 수익에 차질이 발생될 우려가 존재한다.
따라서, 효율적인 고객센터 솔루션에 대한 수요가 당업계에 존재한다.
이와 관련하여 한국의 공개특허공보 제10-2019-0095707호는 인스턴트 메신저를 이용한 고객센터 운영 장치 및 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법을 제공하고자 하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법이 개시된다. 상기 방법은: 고객사 단말로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정하는 단계; 상기 고객사의 속성에 대응하는 상기 고객센터의 환경 설정 정보를 추천하는 단계; 상기 고객사 단말로부터 환경 설정 정보를 수신한 경우, 상기 고객센터에 접속 가능한 링크를 생성하는 단계; 상기 링크를 상기 고객사 단말로 전송하는 단계 - 상기 링크는 상기 고객사의 고객들에게 제공됨 -; 상기 링크를 통해 상기 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 상기 고객 문의를 특정 상담원 단말에게 할당하는 단계; 및 상기 특정 상담원 단말로부터 상기 고객 문의에 대한 답변 정보를 획득한 경우, 상기 고객 문의에 대응하는 이메일로 상기 답변 정보를 전송하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 고객 문의를 특정 상담원 단말에게 할당한 경우, 상기 고객 문의에 대응하는 추천 답변을 생성하는 단계; 및 상기 추천 답변을 상기 특정 상담원 단말로 전송하는 단계;를 더 포함할 수 있다.
또한, 상기 고객 문의를 특정 상담원 단말에게 할당한 경우, 상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는, 상기 고객 문의를 사전 학습된 자연어 처리 모델에 입력하여, 상기 고객 문의로부터 추출된 핵심 정보에 대응되는 상기 추천 답변을 생성하는 단계; 를 포함하고, 상기 핵심 정보는, 상기 고객 문의의 타입에 대한 정보 및 상기 고객 문의의 태도에 대한 정보를 포함할 수 있다.
또한, 상기 고객 문의를 특정 상담원 단말에게 할당한 경우, 상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는, 메모리에 저장된 상기 고객 문의를 접수한 고객의 문의 히스토리를 분석하여, 상기 고객의 속성 파라미터를 획득하는 단계; 및 상기 고객 문의 및 상기 속성 파라미터를 이용하여, 상기 추천 답변을 생성하는 단계;를 포함하고, 상기 속성 파라미터는, 상기 고객이 이전에 문의한 문의들의 타입에 대한 정보, 상기 고객이 이전에 문의한 문의들의 태도에 대한 정보, 상기 고객이 이전에 문의한 문의들의 답변 만족도에 대한 정보를 포함할 수 있다.
또한, 상기 고객 문의를 특정 상담원 단말에게 할당한 경우, 상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는, 챗봇에게 상기 고객 문의를 입력하여, 상기 고객 문의에 대한 답변 및 상기 답변에 대한 정확도를 획득하는 단계;를 포함하고, 상기 특정 상담원 단말로부터 상기 답변에 대한 컨펌을 수신한 경우, 상기 챗봇으로부터 획득된 상기 답변을 상기 고객 문의에 대한 답변으로 결정할 수 있다.
또한, 상기 링크를 통해 상기 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 상기 고객 문의를 특정 상담원 단말에게 할당하는 단계는, 상기 고객 문의를 사전 학습된 제 1 신경망 모델에 입력하여, 상기 고객 문의의 타입을 결정 하는 단계; 현재 접속 중인 복수의 상담원 단말들 중 상기 타입에 대응하는 적어도 하나의 상담원 단말을 인식하는 단계; 사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 상담원 단말 각각에 할당된 문의의 처리 시간을 예측하는 단계; 및 상기 예측된 처리 시간이 가장 짧은 상기 특정 상담원 단말에게 상기 고객 문의를 할당하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 고객 문의의 타입에 기초하여, 챗봇 답변의 가부를 결정하는 단계;를 더 포함하고, 상기 챗봇 답변이 불가능하다고 판단한 경우, 상기 특정 상담자 단말에게 상기 고객 문의를 할당할 수 있다.
또한, 상기 고객 문의의 타입에 기초하여, 챗봇 답변의 가부를 결정하는 단계는, 챗봇에게 상기 고객 문의를 입력하여, 상기 고객 문의에 대한 답변 및 상기 답변에 대한 정확도를 획득하는 단계; 및 상기 답변에 대한 정확도가 기 설정된 값을 초과하는 경우 상기 챗봇 답변이 가능하다고 판단하고, 상기 답변에 대한 정확도가 기 설정된 값 이하인 경우 상기 챗봇 답변이 불가능하다고 판단하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 고객 문의에 대한 처리 결과 통계를 생성하는 단계; 및 상기 처리 결과 통계를 이용하여, 복수의 상담원 단말 각각의 성과 리포트를 생성하는 단계;를 더 포함할 수 있다.
또한, 상기 방법은, 상기 답변 정보에 포함되는 인사말, 서명 및 공통 답변 중 적어도 하나를 복수의 상담원 단말들 간 공유 가능한 공유 폴더를 상기 복수의 상담원 단말들 각각에게 제공하는 단계;를 더 포함할 수 있다.
또한, 상기 방법은, 상기 고객센터를 통해 접수된 복수 개의 고객 문의의 타입 별로 작성 시간의 평균 값을 산출하는 단계; 상기 평균 값에 기초하여, 허위 고객 문의 여부를 판단하기 위한 임계 값을 결정하는 단계; 상기 고객 문의가 수신된 경우, 상기 고객 문의가 작성된 시간에 대한 정보를 획득하는 단계; 및 상기 고객 문의가 작성된 시간이 상기 임계 값 미만인 경우, 상기 고객 문의를 허위 문의로 판단하는 단계;를 더 포함하고, 상기 고객 문의가 허위 문의로 판단된 경우, 상기 고객 문의를 특정 상담원 단말에게 할당하지 않을 수 있다.
또한, 상기 방법은, 상기 고객 문의가 수신된 경우, 상기 고객 문의를 구성하는 글자들의 제 1 개수를 인식하는 단계; 상기 고객 문의를 구성하는 글자들 중 미완성 글자들의 제 2 개수를 인식하는 단계; 및 상기 제 1 개수 및 상기 제 2 개수를 이용하여, 상기 고객 문의가 허위 문의인지 여부를 판단하는 단계;를 더 포함하고, 상기 고객 문의가 허위 문의로 판단된 경우, 상기 고객 문의를 특정 상담원 단말에게 할당하지 않을 수 있다.
또한, 상기 제 1 개수 및 상기 제 2 개수를 이용하여, 상기 고객 문의가 허위 문의인지 여부를 판단하는 단계는, 상기 제 2 개수가 기 설정된 개수를 초과하는 경우 또는 상기 제 1 개수에 기 설정된 비율 값을 곱한 제 3 개수보다 상기 제 2 개수가 크거나 같은 경우, 상기 고객 문의를 허위 문의로 판단하는 단계;
또한, 상기 방법은, 상기 허위 문의로 판단된 고객 문의를 기 설정된 횟수 이상 접수한 특정 단말 또는, 특정 계정을 인식하는 단계; 및 상기 특정 단말 또는 상기 특정 계정을 통해 고객 문의를 접수하지 못하도록 상기 특정 단말 또는 상기 특정 계정을 차단하는 단계;를 더 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 고객사 단말로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정하는 단계; 상기 고객사의 속성에 대응하는 상기 고객센터의 환경 설정 정보를 추천하는 단계; 상기 고객사 단말로부터 환경 설정 정보를 수신한 경우, 상기 고객센터에 접속 가능한 링크를 생성하는 단계; 상기 링크를 상기 고객사 단말로 전송하는 단계 - 상기 링크는 상기 고객사의 고객들에게 제공됨 -; 상기 링크를 통해 상기 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 상기 고객 문의를 특정 상담원 단말에게 할당하는 단계; 및 상기 특정 상담원 단말로부터 상기 고객 문의에 대한 답변 정보를 획득한 경우, 상기 고객 문의에 대응하는 이메일로 상기 답변 정보를 전송하는 단계;를 포함할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법은 사전 학습된 신경망 모델을 이용하여 고객사 맞춤형 고객센터를 생성하고, 고객센터로 접수된 고객 문의를 효율적으로 처리할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 다양한 양태가 구현될 수 있는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법의 일례를 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 추천된 환경 설정 정보의 일례를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 고객 문의를 특정 상담원 단말에게 할당하는 방법의 일례를 설명하기 위한 도면이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
또한, 다양한 양상들 및 특징들이 하나 이상의 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 용어 "컴퓨터 프로그램", "컴포넌트", "모듈", "시스템" 등은 서로 호환가능하게 사용될 수 있으며, 그리고 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다.
또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 개시의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, "X는 A 또는 B를 이용한다"는 의미는 X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시내용의 청구범위에서의 단계들에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 단계로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계 이전에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.
도 1은 본 개시의 다양한 양태가 구현될 수 있는 컴퓨팅 장치의 블록 구성도이다.
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), 통신부(120) 및 메모리(130)를 포함할 수 있다. 다만, 상술한 구성요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 고객센터 솔루션을 제공하기 위한 시스템 또는 고객센터 솔루션을 제공하기 위한 서버일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 고객센터 솔루션은 고객센터가 필요한 고객사에게 고객센터(구체적으로, 온라인 고객센터 또는 모바일 고객센터)를 제공하는 서비스를 포함할 수 있다. 예를 들어, 고객사는 본 개시의 고객센터 솔루션을 통해 자체적으로 고객센터를 생성하거나 이를 유지하기 위해 사용되는 비용을 절약할 수 있다.
한편, 고객사의 고객은 개인 단말(예를 들어, 스마트폰 또는 PC)을 이용하여, 본 개시의 솔루션을 통해 생성된 고객센터에 접속할 수 있다. 또한, 고객은 개인 단말을 이용하여 고객사에 대한 문의를 접수할 수 있다.
컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)의 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리(130)에 저장된 응용 프로그램을 구동하기 위하여, 컴퓨팅 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 컴퓨팅 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객사 단말로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정할 수 있다. 여기서, 고객사의 속성은 고객사의 업태에 관한 정보를 포함할 수 있다. 예를 들어, 고객사의 속성은 온라인 서비스(예컨대, 게임 또는 SNS 등), 온라인 상품 판매, 오프라인 상품 판매(예컨대, 음식점 또는 공연장 등)를 포함할 수 있다.
본 개시의 사전 학습된 분류 모델은 고객사의 정보(또는 기업 정보)가 입력되었을 때, 고객사의 속성을 분류하도록 사전에 학습된 모델일 수 있다. 예를 들어, 분류 모델은 학습용 입력 데이터인 기업 정보와 상기 기업 정보에 속성(클래스)이 라벨링된 학습용 정답 데이터를 이용하여, 기업 정보(또는, 고객사 정보)가 입력되었을 때, 입력된 기업 정보에 대응하는 속성을 출력하도록 사전에 학습될 수 있다. 여기서, 기업 정보는 컴퓨팅 장치(100)의 프로세서(110)에 의해 웹 크롤링을 통해 수집될 수 있다. 다만, 이에 한정되는 것은 아니다.
이하, 분류 모델을 구성하는 네트워크 함수에 관한 설명은 도 2를 참조하여 후술한다.
컴퓨팅 장치(100)의 프로세서(110)는 고객사의 속성을 결정한 경우, 고객사의 속성에 대응하는 고객센터의 환경 설정 정보를 추천할 수 있다. 또한, 프로세서(110)는 고객사 단말로부터 환경 설정 정보를 수신한 경우, 고객센터에 접속 가능한 링크를 생성할 수 있다. 또한, 프로세서(110)는 링크를 고객사 단말로 전송할 수 있다. 여기서, 링크는 고객사의 고객들에게 제공될 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 링크를 통해 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 고객 문의를 특정 상담원 단말에게 할당할 수 있다.
따라서, 본 개시의 사전 학습된 신경망 모델은 고객 문의를 상대적으로 정확하고, 신속하게 처리 가능한 상담원의 단말에게 할당하도록 야기할 수 있다. 예를 들어, 사전 학습된 신경망 모델은 고객 문의의 타입을 분류하기 위한 제 1 신경망 모델 및 복수의 상담원 단말들 각각에 할당된 문의의 처리 시간을 예측하기 위한 제 2 신경망 모델을 포함할 수 있다.
즉, 컴퓨팅 장치(100)는 사전 학습된 제 1 신경망 모델 및 제 2 신경망 모델을 이용하여, 고객 문의의 타입과 예상 처리 시간을 고려하여 고객 문의를 특정 상담원 단말에게 할당할 수 있다.
이하, 제 1 신경망 모델 및 제 2 신경망 모델을 구성하는 네트워크 함수에 관한 설명은 도 2를 참조하여 후술한다.
컴퓨팅 장치(100)의 프로세서(110)는 고객 문의가 할당된 특정 상담원 단말로부터 고객 문의에 대한 답변 정보를 획득한 경우, 고객 문의에 대응하는 이메일(즉, 고객 문의를 접수한 사용자의 이메일)로 답변 정보를 전송할 수 있다.
상술한 바와 같이, 본 개시의 컴퓨팅 장치(100)는 고객센터 솔루션을 고객사에게 제공하여, 고객센터 생성 및/또는 유지에 관한 고객사의 부담을 절감시킬 수 있다. 또한, 컴퓨팅 장치(100)는 고객사의 속성에 적절한 환경 설정 정보를 추천하여, 용이하게 고객센터의 환경을 설정할 수 있도록 야기할 수 있다.
또한, 고객의 이메일로 답변을 전달하기 때문에, 계정 도용을 사전에 차단하고, 이메일 유출을 방지할 수 있다.
이하, 컴퓨팅 장치(100)의 프로세서(110)가 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션을 제공하는 방법에 관한 좀더 구체적인 설명은 도 3 내지 도 5를 참조하여 후술한다.
컴퓨팅 장치(100)의 통신부(120)는 컴퓨팅 장치(100)와 고객사 서버 사이 및 컴퓨팅 장치(100)와 사용자 단말(예를 들어, 상담원 단말 또는 고객사의 관리자 단말) 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(120)는, 컴퓨팅 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 통신부(120)는 고객사 단말(또는, 서버)로부터 고객센서 생성 요청 신호를 수신할 수 있다. 또한, 통신부(120)는 고객사 단말에게 고객센터에 접속 가능한 링크를 전송할 수 있다. 또한, 통신부(120)는 고객사의 고객 단말로부터 고객 문의를 수신할 수 있다. 또한, 통신부(120)는 고객 문의에 대응하는 이메일로 고객 문의에 대한 답변 정보를 전송할 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)와 사용자 단말 사이 및 컴퓨팅 장치(100)와 서버 사이의 통신을 연결하는 네트워크는 공중전화 교환망(PSTN:Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 원거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW:World Wide Web)일 수 있으며, 적외선(IrDA:Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
컴퓨팅 장치(100)의 메모리(130)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메모리(130)는 고객사의 속성을 결정하기 위해 사전 학습된 분류 모델을 저장하고 있을 수 있다. 또한, 메모리(130)는 고객사의 속성에 대응하는 고객센터의 환경 설정 정보를 저장하고 있을 수 있다. 다만, 이에 한정되는 것은 아니다.
여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 및 저장매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 컴퓨팅 장치(100)의 프로세서(110) 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 컴퓨팅 장치(100)의 메모리(130)에 저장되고, 컴퓨팅 장치(100)의 프로세서(110)에 의해 실행될 수 있다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 몇몇 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 몇몇 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 몇몇 실시예에 따른 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법의 일례를 설명하기 위한 도면이다.
도 3을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 고객사 단말(또는, 서버)로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정할 수 있다.
구체적으로, 프로세서(110)는 고객센터 생성 요청 신호가 수신된 경우, 고객사의 기업 정보를 획득할 수 있다. 예를 들어, 프로세서(110)는 웹 크롤링을 통해 고객사의 기업 정보를 획득하거나, 고객사 단말로부터 고객사의 기업 정보를 수신할 수 있다.
그리고, 프로세서(110)는 고객사의 기업 정보 획득한 경우, 이를 분류 모델에 입력할 수 있다. 또한, 프로세서(110)는 분류 모델의 출력 값을 이용하여 고객사의 속성을 결정할 수 있다.
즉, 사전 학습된 분류 모델은 고객사의 기업 정보가 입력되었을 때, 고객사의 속성을 분류하도록 사전에 학습된 모델일 수 있다.
예를 들어, 사전 학습된 분류 모델은 학습용 입력 데이터인 기업 정보와 상기 기업 정보에 속성(클래스)이 라벨링된 학습용 정답 데이터를 이용하여, 기업 정보(또는, 고객사 정보)가 입력되었을 때, 입력된 기업 정보에 대응하는 속성을 출력하도록 사전에 학습될 수 있다.
자세히 예를 들어, 분류 모델은 고객사의 정보에 포함된 기업 명칭, 기업 제품, 기업의 고객군 등과 같은 입력 데이터가 입력되었을 때, 이에 대응되는 고객사의 속성을 출력할 수 있다. 여기서, 속성은 고객사의 업태에 관한 정보를 포함할 수 있다. 예를 들어, 고객사의 속성은 온라인 서비스(예컨대, 게임 또는 SNS 등), 온라인 상품 판매, 오프라인 상품 판매(예컨대, 음식점 또는 공연장 등)을 포함할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 고객사의 속성을 결정한 후, 고객사의 속성에 대응하는 모바일 고객센터의 환경 설정 정보를 추천할 수 있다(S120). 즉, 프로세서(110)는 추천하는 환경 설정 정보를 고객사 단말로 전송하도록 통신부(120)를 제어할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 메모리(130)에는 사전 설정된 복수 개의 속성들 각각에 대응하는 환경 설정 정보를 저장하고 있을 수 있다. 예를 들어, 메모리(130)는 제 1 속성에 대응하는 제 1 환경 설정 정보, 제 2 속성에 대응하는 제 2 환경 설정 정보 및 제 3 속성에 대응하는 제 3 환경 설정 정보를 저장하고 있을 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 메모리(130)에 사전 저장된 복수의 환경 설정 정보들 중 고객사의 속성에 대응하는 특정 환경 설정 정보를 추천할 수 있다.
예를 들어, 고객사의 속성이 온라인 서비스인 게임으로 결정된 경우, 게임사에서 일반적으로 제공하는 고객센터와 관련된 환경 설정 정보(예를 들어, ‘문의 유형’ 항목에 ‘버그 신고 메뉴’ 및 ‘해킹 신고 메뉴’가 기본 값으로 설정된 환경 설정 정보)를 추천할 수 있다. 다만, 이에 한정되는 것은 아니다.
이하, 컴퓨팅 장치(100)가 고객사의 속성에 대응하는 고객센터의 환경 설정 정보를 추천하는 추가적인 예시는 도 4를 참조하여 후술한다.
컴퓨팅 장치(100)의 프로세서(110)는 환경 설정 정보를 추천한 후, 고객사 단말로부터 환경 설정 정보를 수신할 수 있다. 이 경우, 프로세서(110)는 고객센터에 접속 가능한 링크를 생성하고, 링크를 고객사 단말로 전송할 수 있다(S130). 이 경우, 고객사는 고객사의 고객들에게 링크를 제공하여, 고객센터를 운용할 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 링크를 통해 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 고객 문의를 특정 상담원 단말에게 할당할 수 있다(S140).
구체적으로, 프로세서(110)는 고객 문의의 타입을 분류하기 위한 제 1 신경망 모델과 복수의 상담원 단말들 각각에 할당된 문의의 처리 시간을 예측하기 위한 제 2 신경망 모델을 이용하여, 신속하고 정확한 답변을 제공할 수 있는 특정 상담원 단말에게 고객 문의를 할당할 수 있다.
이하, 컴퓨팅 장치(100)가 신경망 모델을 이용하여 특정 상담원 단말에게 고객 문의를 할당하는 방법에 대한 구체적인 설명은 도 5를 참조하여 후술한다.
본 개시의 추가적인 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의를 특정 상담원 단말에게 할당한 경우, 상기 고객 문의에 대응하는 추천 답변을 생성할 수 있다. 그리고, 프로세서(110)는 추천 답변을 특정 상담원 단말로 전송하도록 통신부(120)를 제어할 수 있다.
일례로, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의를 사전 학습된 자연어 처리 모델에 입력하여, 고객 문의로부터 추출된 핵심 정보에 대응되는 추천 답변을 생성할 수 있다. 여기서, 핵심 정보는 고객 문의의 타입에 대한 정보 및 고객 문의의 태도에 대한 정보를 포함할 수 있다. 고객 문의의 타입에 대한 정보는 불만사항 접수, 단순 질문, 신규 기능/제품 추가(요청), 감사 등에 대한 정보를 포함할 수 있다. 고객 문의의 태도에 대한 정보는 긍정, 부정, 중립 등에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
구체적으로, 자연어 처리 모델은 고객 문의에 포함된 문장들 중 표현들을 표준화하고, 불필요한 단어(예컨대, 부사)를 삭제할 수 있다. 또한, 자연어 처리 모델은 전처리된 문자열(string)을 다차원 벡터로 변환(또는, 임베딩)할 수 있다. 좀더 구체적으로, 자연어 처리 모델은 형태소를 이용한 임베딩을 통해 문자열을 단어, 형태소 등의 토큰으로 분해할 수 있다. 또한, 자연어 처리 모델은 토큰 각각에 고유한 벡터 값을 부여할 수 있다. 또한, 자연어 처리 모델은 임베딩 알고리즘(예를 들어, Word2Vec, SentencePiece)을 이용해 토큰들 간의 유사도를 결정할 수 있다. 그리고, 자연어 처리 모델은 토큰들의 임베딩을 모두 더하거나 평균치를 이용하여, 고객 문의의 타입 및/또는 고객 문의의 태도에 대한 정보를 포함하는 핵심 정보를 출력할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 자연어 처리 모델을 통해 핵심 정보를 획득한 경우, 고객 문의의 타입과 고객 문의의 태도를 고려한 추천 답변을 생성할 수 있다.
예를 들어, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의의 타입과 태도에 대응하도록 구성된 답변 테이블을 이용하여, 추천 답변을 결정할 수 있다. 여기서, 답변 테이블은 고객 문의의 타입에 대응하는 열과 고객 문의의 태도에 대응하는 행으로 구성될 수 있다. 예를 들어, 프로세서(110)는 고객 문의가 제 1 타입이고, 제 1 태도를 갖는 경우, 답변 테이블의 1행 1열에 저장된 답변을 추천 답변으로 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
다른 일례로, 컴퓨팅 장치(100)의 프로세서(110)는 메모리(130)에 저장된 고객 문의를 접수한 고객의 문의 히스토리를 분석하여, 고객의 속성 파라미터를 획득할 수 있다. 그리고, 프로세서(110)는 고객 문의 및 속성 파라미터를 이용하여, 추천 답변을 생성할 수 있다. 여기서, 속성 파라미터는 고객이 이전에 문의한 문의들의 타입에 대한 정보, 고객이 이전에 문의한 문의들의 태도에 대한 정보, 고객이 이전에 문의한 문의들의 답변 만족도에 대한 정보를 포함할 수 있다.
구체적으로, 프로세서(110)는 고객 문의를 접수한 고객이 이전에 동일한 타입 및/또는 동일한 태도로 문의한 이력이 존재하는지 여부를 인식할 수 있다. 프로세서(110)는 고객 문의를 접수한 고객이 이전에 동일한 타입 및/또는 동일한 태도로 문의한 이력이 존재한다고 인식한 경우, 해당 문의에 대한 답변과 해당 답변에 대한 만족도를 인식할 수 있다. 여기서, 고객이 이전에 문의한 문의들의 타입에 대한 정보, 고객이 이전에 문의한 문의들의 태도에 대한 정보, 고객이 이전에 문의한 문의들의 답변 만족도에 대한 정보 등은 컴퓨팅 장치(100)의 메모리(130)에 저장되어 있을 수 있다. 그리고, 프로세서(110)는 답변에 대한 만족도가 상대적으로 높은 이력을 갖는 답변을 추천 답변으로 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
상술한 바와 같이, 본 개시의 컴퓨팅 장치(100)는 추천 답변을 생성(또는 결정)하고, 이를 상담원에게 제공하여 상담원이 고객 문의에 대한 답변을 용이하게 작성하도록 야기할 수 있다. 이 경우, 고객센터 운영에 관한 생산성이 향상될 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 특정 상담원 단말로부터 고객 문의에 대한 답변 정보를 획득한 경우, 고객 문의에 대응하는 이메일로 답변 정보를 전송할 수 있다(S150).
본 개시의 다른 추가적인 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 챗봇에게 고객 문의를 입력하여, 고객 문의에 대한 답변 및 상기 답변에 대한 정확도를 획득할 수 있다. 그리고, 프로세서(110)는 이를 특정 상담원 단말로 전송하도록 통신부(120)를 제어할 수 있다.
그리고, 프로세서(110)는 챗봇으로부터 획득된 답변에 대한 컨펌을 특정 상담원 단말로부터 수신한 경우, 상기 답변을 고객 문의에 대한 답변으로 결정할 수 있다.
여기서, 챗봇은 입력된 고객 문의에 포함된 문장에 대하여 유사한 문장을 챗봇용 문장 데이터베이스에서 검색하고 그에 해당하는 답변과 답변에 대한 정확도를 출력할 수 있다. 추가적으로, 본 개시의 챗봇은 인공지능 기술을 활용하여, 챗봇용 문장 데이터베이스에서 고객 문의에 포함된 문장에 대응하는 문장을 검색하는 것과 함께 의미적으로 유사한(semantically similar) 다른 문장을 구분하기 위한 자연어 처리 모델(구체적으로, 의미적 유사도 모델)을 이용하여 문장을 검색하고, 이에 대응하는 답변과 답변에 대한 정확도를 출력할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의에 대한 처리 결과 통계를 생성할 수 있다. 또한, 프로세서(110)는 처리 결과 통계를 이용하여, 복수의 상담원 단말 각각의 성과 리포트를 생성할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의의 유형별 처리 현황, 실시간 고객 문의 처리량 및 처리율 등과 같은 처리 결과 통계를 생성할 수 있다. 또한, 프로세서(110)는 이에 관한 성과 리포트를 생성할 수 있다. 그리고, 프로세서(110)는 성과 리포트를 고객사 단말로 전송하도록 통신부(120)를 제어할 수 있다.
따라서, 고객사(또는 고객사의 관리자)는 고객 문의를 수동으로 분배할 경우, 효율적으로 분배할 수 있다. 또한, 고객사는 상담원의 성과를 용이하게 관리할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 답변 정보에 포함되는 인사말, 서명 및 공통 답변 중 적어도 하나를 복수의 상담원 단말들 간 공유 가능한 공유 폴더를 복수의 상담원 단말들 각각에게 제공할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 클라우드를 기반으로 답변 정보에 포함될 수 있는 템플릿을 상담원간 공유 가능한 공유 폴더에 접근할 수 있는 접근 권한을 복수의 상담원 단말 각각에 할당할 수 있다. 이 경우, 고객센터 운영에 관한 생산성이 향상될 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의가 외국어로 접수된 경우, 자동 번역 기능을 제공할 수 있다. 즉, 프로세서(110)는 외국어로 접수된 고객 문의를 국문으로 번역하여 특정 상담자 단말에게 할당할 수 있다.
그리고, 프로세서(110)는 특정 상담원 단말로부터 고객 문의에 대한 답변 정보를 획득한 경우, 답변 정보를 외국어로 번역하여, 고객 문의에 대응하는 이메일로 답변 정보를 전송할 수 있다.
즉, 본 개시의 컴퓨팅 장치(100)는 고객사의 외국인 고객을 대응할 수 있는 고객센터 솔루션을 제공하여, 고객사의 고객 관리를 용이하게 할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객센터를 통해 접수된 고객 문의가 허위 문의인지 여부를 판단할 수 있다. 또한, 프로세서(110)는 고객 문의가 허위 문의로 판단된 경우, 상기 고객 문의에 대한 할당을 하지 않을 수 있다.
일례로, 컴퓨팅 장치(100)의 프로세서(110)는 고객센터를 통해 접수된 복수 개의 고객 문의의 타입 별로 작성 시간의 평균 값을 산출할 수 있다. 또한, 프로세서(110)는 평균 값에 기초하여, 허위 고객 문의 여부를 판단하기 위한 임계 값을 결정할 수 있다. 또한, 프로세서(110)는 고객 문의가 작성된 시간에 대한 정보를 획득할 수 있다. 그리고, 프로세서(110)는 고객 문의가 작성된 시간이 임계 값 미만인 경우, 고객 문의를 허위 문의로 판단할 수 있다.
예를 들어, 프로세서(110)는 복수 개의 고객 문의의 타입 별로 작성 시간을 수집한 후, 평균 값에 기 설정된 값을 곱하여 임계 값을 결정할 수 있다. 자세히 예를 들어, 프로세서(110)는 제 1 타입의 고객 문의가 작성된 시간의 평균 값이 1분 30초인 경우, 기 설정된 값인 0.5를 곱하여 임계 값으로 45초를 결정할 수 있다. 그리고, 프로세서(110)는 접수된 고객 문의가 45초 미만인 시간 동안 작성된 경우, 상기 고객 문의를 허위 문으로 판단할 수 있다. 여기서, 기 설정된 값은 고객사 단말로부터 수신하거나 초기 값이 사전에 설정되어 있을 수 있다.
한편, 프로세서(110)는 고객 문의가 허위 문의로 판단된 경우, 고객 문의를 특정 상담원 단말에게 할당하지 않을 수 있다. 따라서, 본 개시의 컴퓨팅 장치(100)는 불필요한 리소스 사용을 방지하여, 고객센터 운영에 대한 생산성을 향상시킬 수 있다.
다른 일례로, 컴퓨팅 장치(100)의 프로세서(110)는 고객 센터를 통해 고객 문의가 수신된 경우, 고객 문의를 구성하는 글자들의 제 1 개수를 인식할 수 있다. 또한, 프로세서(110)는 고객 문의를 구성하는 글자들 중 미완성 글자들의 제 2 개수를 인식할 수 있다. 여기서, 미완성 글자는 모음 또는 자음의 조합이 완벽하지 않은 글자를 의미할 수 있다. 예를 들어, 미완성 글자는 ‘ㄴ’, ‘ㅏ’와 같은 글자를 포함할 수 있다.
프로세서(110)는 제 1 개수 및 제 2 개수를 인식한 경우, 상기 제 1 개수 및 상기 제 2 개수를 이용하여, 고객 문의가 허위 문의인지 여부를 판단할 수 있다.
예를 들어, 프로세서(110)는 제 2 개수가 기 설정된 개수를 초과하는 경우, 고객 문의를 허위 문의로 판단할 수 있다. 여기서, 기 설정된 개수는 고객사 단말로부터 수신하거나 초기 값이 사전에 설정되어 있을 수 있다.
다른 예를 들어, 프로세서(110)는 제 1 개수에 기 설정된 비율 값을 곱한 제 3 개수보다 제 2 개수가 크거나 같은 경우, 고객 문의를 허위 문의로 판단할 수 있다. 자세히 예를 들어, 프로세서(110)는 고객 문의를 구성하는 총 글자수(즉, 제 1 개수)가 24개이고, 기 설정된 비율 값이 0.5인 경우, 총 글자수에 기 설정된 비율 값을 곱하여 제 3 개수인 12를 산출할 수 있다. 그리고, 프로세서(110)는 접수된 고객 문의를 구성하는 미완성 글자수가 12개 이상인 경우, 상기 고객 문의를 허위 문으로 판단할 수 있다. 여기서, 기 설정된 비율 값은 고객사 단말로부터 수신하거나 초기 값이 사전에 설정되어 있을 수 있다.
한편, 프로세서(110)는 고객 문의가 허위 문의로 판단된 경우, 고객 문의를 특정 상담원 단말에게 할당하지 않을 수 있다. 따라서, 본 개시의 컴퓨팅 장치(100)는 불필요한 리소스 사용을 방지하여, 고객센터 운영에 대한 생산성을 향상시킬 수 있다.
추가적으로, 컴퓨팅 장치(100)의 프로세서(110)는 허위 문의로 판단된 고객 문의를 기 설정된 횟수 이상 접수한 특정 단말 또는, 특정 계정을 인식할 수 있다. 그리고, 프로세서(110)는 특정 단말 또는 특정 계정을 통해 고객 문의를 접수하지 못하도록 특정 단말 또는 특정 계정을 차단할 수 있다.
따라서, 본 개시의 컴퓨팅 장치(100)는 악의적인 사용자에 의해 고객센터가 공격(서버의 부하를 높이도록 허위 문의를 지속적으로 접수하는 방식의 공격) 받는 것을 방지하여, 고객센터 운영에 대한 안정성을 확보할 수 있다.
도 4는 본 개시의 몇몇 실시예에 따른 추천된 환경 설정 정보의 일례를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따르면, 고객사 단말(또는, 서버)로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정할 수 있다. 그리고, 프로세서(110)는 고객사의 속성에 대응하는 모바일 고객센터의 환경 설정 정보를 추천할 수 있다. 예를 들어, 고객사의 속성은 온라인 서비스(예컨대, 게임 또는 SNS 등), 온라인 상품 판매, 오프라인 상품 판매(예컨대, 음식점 또는 공연장 등)을 포함할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 메모리(130)에는 사전 설정된 복수 개의 속성들 각각에 대응하는 환경 설정 정보를 저장하고 있을 수 있다. 예를 들어, 메모리(130)는 제 1 속성에 대응하는 제 1 환경 설정 정보, 제 2 속성에 대응하는 제 2 환경 설정 정보 및 제 3 속성에 대응하는 제 3 환경 설정 정보를 저장하고 있을 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 메모리(130)에 사전 저장된 복수의 환경 설정 정보들 중 고객사의 속성에 대응하는 특정 환경 설정 정보를 추천할 수 있다.
예를 들어, 도 4를 참조하면, 고객센터 설정 화면의 일례를 도시한다.
본 개시의 고객센터 설정 화면(40)은 설정 메뉴 인디케이터 영역(41), 설정 메뉴 정보 선택 영역(42), 설정 메뉴 기본 설정 영역(43) 및 설정 메뉴 입력 정보 설정 영역(44)을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
도시된 바와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 기본 값들이 사전 설정된 고객센터 설정 화면(40)을 고객사 단말에게 제공할 수 있다.
예를 들어, 고객사의 속성이 온라인 상품 판매인 경우, 프로세서(110)는 설정 메뉴 인디케이터 영역(41)에 프로젝트 관리, 문의유형 관리, 권한 설정 및 FAQ 관리 인디케이터를 기본 값으로 설정하여 고객사 단말로 제공할 수 있다. 또한, 프로세서(110)는 문의유형 관리와 관련된 설정 메뉴 정보 선택 영역(42)에서 회원정보수정, 결제 및 취소, 이벤트를 기본 값으로 설정하여 고객사 단말로 제공할 수 있다. 또한, 프로세서(110)는 결제 및 취소와 관련된 설정 메뉴 기본 설정 영역(43)에서 결제 및 취소와 관련된 문의 유형을 사용하는 것을 기본 값으로 설정하여 고객사 단말로 제공할 수 있다. 또한, 프로세서(110)는 결제 및 취소와 관련된 설정 메뉴 입력 정보 설정 영역(44)에서 기기 모델명, 결제 상품 선택 여부, 이메일, 내용 등을 입력 받는 것을 기본 값으로 설정하여 고객사 단말로 제공할 수 있다.
이 경우, 고객사 단말은 기본 값을 그대로 이용하거나, 필요에 따라 추가, 수정 또는 삭제하여 고객센터 설정을 간편하게 완료할 수 있다.
따라서, 본 개시의 컴퓨팅 장치(100)는 고객사의 편의성을 높여, 사용자 경험(User Experience)을 향상시킬 수 있다. 또한, 컴퓨팅 장치(100)는 고객센터를 처음 설정 또는 세팅하는 고객사(예컨대, 신규 기업 또는 스타트 업 등)에게 가이드를 제공할 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른 고객 문의를 특정 상담원 단말에게 할당하는 방법의 일례를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 고객센터에 접속 가능한 링크를 통해 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 고객 문의를 특정 상담원 단말에게 할당할 수 있다.
구체적으로, 도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 고객 문의를 사전 학습된 제 1 신경망 모델에 입력하여, 고객 문의의 타입을 결정할 수 있다(S141). 여기서, 고객 문의의 타입은 불만사항 접수, 단순 질문, 신규 기능/제품 추가(요청), 감사 중 적어도 하나일 수 있다.
구체적으로, 프로세서(110)는 사전 학습된 제 1 신경망 모델인 자연어 처리 모델에 고객 문의에 포함된 적어도 하나의 문장 또는 단어를 입력하여, 고객 문의의 타입을 인식할 수 있다.
다만, 이에 한정되는 것은 아니고, 고객 문의의 타입은 문의가 접수될 때, 고객 문의에 태깅된 상태로 수신될 수 있다. 이 경우, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 신경망 모델을 이용하여 고객 문의의 타입을 인식하는 과정을 생략할 수도 있다.
컴퓨팅 장치(100)의 프로세서(110)는 고객 문의의 타입을 인식한 경우, 현재 접속 중인 복수의 상담원 단말들 중 고객 문의의 타입에 대응하는 적어도 하나의 상담원 단말을 인식할 수 있다(S142).
구체적으로, 복수의 상담원 단말들 각각에 대해서, 주요 상담 타입이 사전에 할당되어 메모리(130)에 저장되어 있을 수 있다. 그리고, 프로세서(110)는 메모리(130)에 저장된 데이터를 이용하여, 고객 문의의 타입에 대응하는 적어도 하나의 상담원 단말을 식별할 수 있다.
예를 들어, 프로세서(110)는 불만사항 접수가 고객 문의의 타입인 경우, 불만사항 접수에 관한 상담이 주요 상담 타입인 적어도 하나의 상담원 단말을 식별할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 고객 문의의 타입에 대응하는 적어도 하나의 상담원 단말을 인식한 경우, 사전 학습된 제 2 신경망 모델을 이용하여 적어도 하나의 상담원 단말 각각에 할당된 문의의 처리 시간을 예측할 수 있다(S143). 그리고, 프로세서(110)는 예측된 처리 시간이 가장 짧은 상기 특정 상담원 단말에게 상기 고객 문의를 할당할 수 있다(S144).
구체적으로, 사전 학습된 제 2 신경망 모델은 적어도 하나의 상담원 단말 각각에 할당된 적어도 하나의 문의 각각의 특성(예컨대, 문의의 타입, 문의의 난이도 등)을 이용하여 예상 처리 시간을 예측하도록 사전에 학습될 수 있다. 이 경우, 컴퓨팅 장치(100)의 프로세서(110)는 예상 처리 시간의 합이 가장 작은 특정 상담원 단말에게 고객 문의를 할당할 수 있다.
따라서, 본 개시의 컴퓨팅 장치(100)는 고객 문의가 수신된 경우, 신속하고 정확한 답변을 제공할 수 있는 특정 상담원 단말에게 고객 문의를 할당할 수 있다. 이 경우, 고객 문의에 대한 높은 만족도를 기대할 수 있다.
본 개시의 추가적인 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 단계(S141)에서, 고객 문의의 타입을 결정한 경우, 고객 문의의 타입에 기초하여 챗봇 답변의 가부를 결정할 수 있다.
구체적으로, 프로세서(110)는 챗봇에게 고객 문의를 입력하여, 고객 문의에 대한 답변 및 답변에 대한 정확도를 획득할 수 있다. 그리고, 프로세서(110)는 답변에 대한 정확도가 기 설정된 값을 초과하는 경우 챗봇 답변이 가능하다고 판단할 수 있다.
한편, 프로세서(110)는 답변에 대한 정확도가 기 설정된 값 이하인 경우 챗봇 답변이 불가능하다고 판단할 수 있다. 이 경우, 프로세서(110)는 고객 문의를 특정 상담원 단말에게 상기 고객 문의를 할당할 수 있다.
즉, 본 개시의 컴퓨팅 장치(100)는 상담원에게 고객 문의를 할당하기 전에, 챗봇 답변이 가능한지 여부를 판단하고, 챗봇 답변이 불가능하다고 판단된 경우에만 상담원에게 고객 문의를 할당할 수 있다. 이 경우, 상담원의 업무 부하가 절감되어, 효율적인 상담 업무를 진행할 수 있다. 또한, 고객사의 고객센터 운용 비용이 절감될 수 있다.
다양한 실시 예에서, 프로세서(110)는 답변 정확도를 학습하고 이에 따른 적절한 대응을 위해, 상담원에 의해 직접 응대가 진행되는 문의 건에 대해서도 자체적으로 답변을 생성하고, 생성된 답변과 상담원의 답변을 비교할 수 있다. 프로세서(110)는 답변 비교 결과에 기초하여 챗봇의 답변 정확도를 판단하고, 정확도가 기 설정된 기준값 이상인 경우 해당 문의는 챗봇이 직접 수행할 수 있었던 것으로 재학습할 수 있다.
다양한 실시 예에서, 프로세서(110)는 복수의 후보 답변을 생성하고, 복수의 후보 답변의 우선순위를 결정할 수 있다. 프로세서(110)는 상담원의 답변이 복수의 후보 답변 중 적어도 하나와 기 설정된 기준값 이상의 정확도를 가지는지 여부를 판단할 수 있다. 만일 프로세서(110)가 가장 높은 우선순위로 결정한 답변이 상담원의 답변과 기 설정된 기준값 이상의 정확도를 갖는 경우, 프로세서(110)는 해당 유형의 문의사항은 챗봇이 직접 답변할 수 있는 것으로 판단하고 학습할 수 있다. 만일 프로세서(110)가 가장 높은 우선순위를 결정하지는 않았지만, 후보로 생성한 답변 중 하나가 상담원의 답변과 기 설정된 기준값 이상의 정확도를 갖는 경우, 프로세서(110)는 답변의 우선순위를 학습할 수 있고, 해당 유형의 문의사항은 챗봇이 직접 답변할 수는 없지만, 상담원에게 후보 답변을 제공하고 상담원이 이를 선택하도록 함으로써 답변을 빠르게 수행할 수 있는 것으로 학습할 수 있다.
이를 통해 학습된 모델을 이용하여, 프로세서(110)는 문의사항의 유형에 따라 챗봇으로 직접 응답하는 유형, 상담원에게 후보 답변을 제시하고 선택하도록 하는 유형, 혹은 상담원이 직접 응답하도록 하는 유형 중 하나를 선택하여 이에 따라 동작할 수 있다.
또한, 프로세서(110)는 챗봇의 답변과 상담원의 답변을 비교하여, 답변내용이 일치하는 부분과, 일치하지 않는 부분을 학습할 수 있다. 예를 들어, 문장을 구성하는 단어들 중 핵심적인 키워드를 제외한 나머지 부분들은 이를 수식하거나 문장구조를 완성하기 위해 사용되는 것으로, 챗봇이 상대적으로 높은 정확도로 생성할 수 있다. 반면, 문의사항에 대한 핵심을 파악하고 이에 대해 정확한 응답을 제시해야 하는 부분, 즉 문장의 핵심 키워드에 해당하는 부분은 상대적으로 정확한 답변이 어려울 수 있고, 또한 답변이 잘못되었을 경우 문제가 될 수 있다. 따라서, 프로세서(110)는 챗봇을 이용하여 응답을 생성하되, 응답 정확도가 낮은 것으로 판단되는 부분에 대해서는 공란으로 표시하여 상담원이 직접 입력할 수 있도록 하거나, 응답을 표시하되 하이라이트 등 다양한 방식으로 해당 부분을 다르게 표시하고, 상담원이 이를 선택하면 바로 공란으로 변경되어 정확한 응답을 입력할 수 있도록 하는 사용자 인터페이스를 제공함으로써, 상담원이 빠르게 응답을 진행하도록 보조할 수 있다. 예를 들어, 사용자가 "어제 아이템을 결제했는데 오류가 있는 것 같다"는 문의를 하였을 경우, 이에 대한 응답으로 "안녕하세요 고객님. 문의하여 주신 아이템 결제 건에 대하여 안내드리겠습니다. 확인 결과 OOO에 문제가 있으며, OOO와 같이 조치해 드리겠습니다" 와 같이, 중요한 부분만 상담원이 입력하여 바로 응대할 수 있도록 하는 인터페이스가 제공될 수 있다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (15)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법에 있어서,
    고객사 단말로부터 고객센터 생성 요청 신호가 수신된 경우, 사전 학습된 분류 모델을 이용하여, 고객사의 속성을 결정하는 단계;
    상기 고객사의 속성에 대응하는 상기 고객센터의 환경 설정 정보를 추천하는 단계;
    상기 고객사 단말로부터 환경 설정 정보를 수신한 경우, 상기 환경 설정 정보가 반영된 고객센터에 접속 가능한 링크를 생성하는 단계;
    상기 링크를 상기 고객사 단말로 전송하는 단계 - 상기 링크는 상기 고객사의 고객들에게 제공됨 -;
    상기 링크를 통해 상기 고객사의 고객으로부터 고객 문의가 수신된 경우, 사전 학습된 신경망 모델을 이용하여, 상기 고객 문의를 특정 상담원 단말에게 할당하는 단계; 및
    상기 특정 상담원 단말로부터 상기 고객 문의에 대한 답변 정보를 획득한 경우, 상기 고객 문의에 대응하는 이메일로 상기 답변 정보를 전송하는 단계;
    를 포함하고,
    상기 고객 문의를 특정 상담원 단말에게 할당하는 단계는,
    상기 고객 문의를 사전 학습된 제 1 신경망 모델에 입력하여, 상기 고객 문의의 타입을 결정 하는 단계;
    현재 접속 중인 복수의 상담원 단말들 중 상기 타입에 대응하는 적어도 하나의 상담원 단말을 인식하는 단계;
    사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 상담원 단말 각각에 할당된 문의의 처리 시간을 예측하는 단계; 및
    상기 예측된 처리 시간이 가장 짧은 상기 특정 상담원 단말에게 상기 고객 문의를 할당하는 단계;
    를 포함하고,
    상기 고객 문의를 특정 상담원 단말에게 할당하는 단계는,
    상기 고객 문의에 대응하는 추천 답변을 생성하는 단계; 및
    상기 추천 답변을 상기 특정 상담원 단말로 전송하는 단계;
    를 포함하고,
    상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는,
    상기 고객 문의를 사전 학습된 자연어 처리 모델에 입력하여, 상기 고객 문의로부터 추출된 핵심 정보에 대응되는 상기 추천 답변을 생성하는 단계;
    를 포함하고,
    상기 핵심 정보는,
    상기 고객 문의의 타입에 대한 정보 및 상기 고객 문의의 태도에 대한 정보를 포함하고,
    상기 추천 답변을 생성하는 단계는,
    상기 생성된 추천 답변을 구성하는 부분들 각각의 정확도를 판단하는 단계;
    상기 부분들 중 정확도가 기 설정된 기준값 미만인 것으로 판단되는 부분을 하이라이트 표시하는 단계; 및
    상기 하이라이트 표시된 부분에 대한 상담원의 선택 입력을 수신하는 단계;
    상기 하이라이트 표시된 부분을 공란으로 변경하여 표시하는 단계;
    상기 공란에 대한 상담원의 입력을 획득하여 답변을 완성하는 단계; 를 포함하고,
    상기 고객센터를 통해 접수된 복수 개의 고객 문의의 타입 별로 작성 시간의 평균 값을 산출하는 단계;
    상기 평균 값에 기초하여, 허위 고객 문의 여부를 판단하기 위한 임계 값을 결정하는 단계;
    상기 고객 문의가 수신된 경우, 상기 고객 문의가 작성된 시간에 대한 정보를 획득하는 단계;
    상기 고객 문의를 구성하는 글자들의 제 1 개수를 인식하는 단계;
    상기 고객 문의를 구성하는 글자들 중 미완성 글자들의 제 2 개수를 인식하는 단계; 및
    상기 고객 문의가 작성된 시간이 상기 임계 값 미만이거나, 상기 제 1 개수에 기 설정된 비율 값을 곱한 제 3 개수보다 상기 제 2 개수가 크거나 같은 경우, 상기 고객 문의를 허위 문의로 판단하는 단계;
    를 더 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  2. 삭제
  3. 삭제
  4. 제 1 항에 있어서,
    상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는,
    메모리에 저장된 상기 고객 문의를 접수한 고객의 문의 히스토리를 분석하여, 상기 고객의 속성 파라미터를 획득하는 단계; 및
    상기 고객 문의 및 상기 속성 파라미터를 이용하여, 상기 추천 답변을 생성하는 단계;
    를 포함하고,
    상기 속성 파라미터는,
    상기 고객이 이전에 문의한 문의들의 타입에 대한 정보, 상기 고객이 이전에 문의한 문의들의 태도에 대한 정보, 상기 고객이 이전에 문의한 문의들의 답변 만족도에 대한 정보를 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  5. 제 1 항에 있어서,
    상기 고객 문의에 대응하는 추천 답변을 생성하는 단계는,
    챗봇에게 상기 고객 문의를 입력하여, 상기 고객 문의에 대한 답변 및 상기 답변에 대한 정확도를 획득하는 단계;
    를 포함하고,
    상기 특정 상담원 단말로부터 상기 답변에 대한 컨펌을 수신한 경우, 상기 챗봇으로부터 획득된 상기 답변을 상기 고객 문의에 대한 답변으로 결정하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  6. 삭제
  7. 제 1 항에 있어서,
    상기 고객 문의의 타입에 기초하여, 챗봇 답변의 가부를 결정하는 단계;
    를 더 포함하고,
    상기 챗봇 답변이 불가능하다고 판단한 경우, 상기 특정 상담원 단말에게 상기 고객 문의를 할당하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  8. 제 7 항에 있어서,
    상기 고객 문의의 타입에 기초하여, 챗봇 답변의 가부를 결정하는 단계는,
    챗봇에게 상기 고객 문의를 입력하여, 상기 고객 문의에 대한 답변 및 상기 답변에 대한 정확도를 획득하는 단계; 및
    상기 답변에 대한 정확도가 기 설정된 값을 초과하는 경우 상기 챗봇 답변이 가능하다고 판단하고, 상기 답변에 대한 정확도가 기 설정된 값 이하인 경우 상기 챗봇 답변이 불가능하다고 판단하는 단계;
    를 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  9. 제 1 항에 있어서,
    상기 고객 문의에 대한 처리 결과 통계를 생성하는 단계; 및
    상기 처리 결과 통계를 이용하여, 복수의 상담원 단말 각각의 성과 리포트를 생성하는 단계;
    를 더 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  10. 제 1 항에 있어서,
    상기 답변 정보에 포함되는 인사말, 서명 및 공통 답변 중 적어도 하나를 복수의 상담원 단말들 간 공유 가능한 공유 폴더를 상기 복수의 상담원 단말들 각각에게 제공하는 단계;
    를 더 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 제 1 항에 있어서,
    상기 허위 문의로 판단된 고객 문의를 기 설정된 횟수 이상 접수한 특정 단말 또는, 특정 계정을 인식하는 단계; 및
    상기 특정 단말 또는 상기 특정 계정을 통해 고객 문의를 접수하지 못하도록 상기 특정 단말 또는 상기 특정 계정을 차단하는 단계;
    를 더 포함하는,
    인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법.
  15. 삭제
KR1020210139569A 2021-10-19 2021-10-19 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법 KR102347020B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210139569A KR102347020B1 (ko) 2021-10-19 2021-10-19 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210139569A KR102347020B1 (ko) 2021-10-19 2021-10-19 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법

Publications (1)

Publication Number Publication Date
KR102347020B1 true KR102347020B1 (ko) 2022-01-04

Family

ID=79342617

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210139569A KR102347020B1 (ko) 2021-10-19 2021-10-19 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법

Country Status (1)

Country Link
KR (1) KR102347020B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102429568B1 (ko) * 2022-03-29 2022-08-04 주식회사 에이알케이 미디어 인공지능 기반 사용자 상담요청에 따른 무속인 매칭 방법, 장치 및 시스템
KR102541600B1 (ko) 2022-05-03 2023-06-13 주식회사 페르미 실물 객체 인식 기반 상담 서비스 제공 장치 및 방법
KR102558407B1 (ko) * 2022-10-19 2023-07-24 씨에스쉐어링 주식회사 숙련자 상담 데이터 및 자유 발화 감정 분석에 기반한 ai 기능이 부가된 cs를 위한 지식 관리 시스템
KR102590464B1 (ko) * 2022-10-19 2023-10-17 씨에스쉐어링 주식회사 Cs 관리자 대행을 위한 자유 발화 감정 분석에 기반한 ai 아바타 코칭 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060043333A (ko) * 2004-03-01 2006-05-15 마이크로소프트 코포레이션 데이터의 의도를 판정하고 의도에 기초하여 데이터에 응답하는 시스템 및 방법
KR20070079773A (ko) * 2006-02-03 2007-08-08 주식회사 위더스정보 스팸 게시물 차단 시스템 및 그 운영방법
KR20140087276A (ko) * 2012-12-28 2014-07-09 장현우 문자 메시지, 웹 및 콜센터 서비스 통합 관리 시스템 및 그 방법
KR20180022762A (ko) * 2018-02-26 2018-03-06 오영재 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR20200143991A (ko) * 2019-06-17 2020-12-28 주식회사 오니온파이브 텍스트의 내용 및 감정 분석에 기반한 답변 추천 시스템 및 방법
KR20200144636A (ko) * 2019-06-18 2020-12-30 주식회사 씽크풀 컨텐츠 제공방법 및 그 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060043333A (ko) * 2004-03-01 2006-05-15 마이크로소프트 코포레이션 데이터의 의도를 판정하고 의도에 기초하여 데이터에 응답하는 시스템 및 방법
KR20070079773A (ko) * 2006-02-03 2007-08-08 주식회사 위더스정보 스팸 게시물 차단 시스템 및 그 운영방법
KR20140087276A (ko) * 2012-12-28 2014-07-09 장현우 문자 메시지, 웹 및 콜센터 서비스 통합 관리 시스템 및 그 방법
KR20180022762A (ko) * 2018-02-26 2018-03-06 오영재 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR20200143991A (ko) * 2019-06-17 2020-12-28 주식회사 오니온파이브 텍스트의 내용 및 감정 분석에 기반한 답변 추천 시스템 및 방법
KR20200144636A (ko) * 2019-06-18 2020-12-30 주식회사 씽크풀 컨텐츠 제공방법 및 그 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102429568B1 (ko) * 2022-03-29 2022-08-04 주식회사 에이알케이 미디어 인공지능 기반 사용자 상담요청에 따른 무속인 매칭 방법, 장치 및 시스템
KR102541600B1 (ko) 2022-05-03 2023-06-13 주식회사 페르미 실물 객체 인식 기반 상담 서비스 제공 장치 및 방법
KR20230155370A (ko) 2022-05-03 2023-11-10 주식회사 페르미 음성 메시지 및 물품 이미지 분석을 통한 대상물품 식별 시스템
KR102558407B1 (ko) * 2022-10-19 2023-07-24 씨에스쉐어링 주식회사 숙련자 상담 데이터 및 자유 발화 감정 분석에 기반한 ai 기능이 부가된 cs를 위한 지식 관리 시스템
KR102590464B1 (ko) * 2022-10-19 2023-10-17 씨에스쉐어링 주식회사 Cs 관리자 대행을 위한 자유 발화 감정 분석에 기반한 ai 아바타 코칭 시스템

Similar Documents

Publication Publication Date Title
KR102347020B1 (ko) 인공지능 기반 특성분석을 통한 맞춤형 고객센터 솔루션 제공방법
US20210232762A1 (en) Architectures for natural language processing
US11816439B2 (en) Multi-turn dialogue response generation with template generation
US11676067B2 (en) System and method for creating data to train a conversational bot
WO2020177282A1 (zh) 一种机器对话方法、装置、计算机设备及存储介质
US20200143247A1 (en) Systems and methods for improved automated conversations with intent and action response generation
US11593572B2 (en) System and method for language processing using adaptive regularization
US11461420B2 (en) Referring expression generation
US11669687B1 (en) Systems and methods for natural language processing (NLP) model robustness determination
US20230100508A1 (en) Fusion of word embeddings and word scores for text classification
El-Ansari et al. Sentiment analysis for personalized chatbots in e-commerce applications
CN117296058A (zh) 作为简单有效的对抗攻击方法的变体不一致攻击（via）
KR102344804B1 (ko) 인공지능 기반 모니터링 기술을 이용한 유저 피드백 정보 관리방법
US11880660B2 (en) Interpreting text classifier results with affiliation and exemplification
Tascini AI-Chatbot using deep learning to assist the elderly
US10896034B2 (en) Methods and systems for automated screen display generation and configuration
US11314488B2 (en) Methods and systems for automated screen display generation and configuration
Ouamane et al. Deep Reinforcement Learning Applied to NLP: A Brief Survey
CA3178952A1 (en) Systems and method for intent messaging
Rudnichenko et al. Intellectual Information System for Supporting Text Data Rephrasing Processes Based on Deep Learning.
Chawla et al. Counsellor chatbot
US11922126B1 (en) Use of semantic confidence metrics for uncertainty estimation in large language models
US20240127026A1 (en) Shallow-deep machine learning classifier and method
US20230351184A1 (en) Query Classification with Sparse Soft Labels
US20230315999A1 (en) Systems and methods for intent discovery

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant