WO2020218659A1 - 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치 - Google Patents

인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치 Download PDF

Info

Publication number
WO2020218659A1
WO2020218659A1 PCT/KR2019/005156 KR2019005156W WO2020218659A1 WO 2020218659 A1 WO2020218659 A1 WO 2020218659A1 KR 2019005156 W KR2019005156 W KR 2019005156W WO 2020218659 A1 WO2020218659 A1 WO 2020218659A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
tcr
product sales
insurance product
artificial neural
Prior art date
Application number
PCT/KR2019/005156
Other languages
English (en)
French (fr)
Inventor
박외진
오성식
신길용
정인식
Original Assignee
(주)아크릴
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 (주)아크릴 filed Critical (주)아크릴
Publication of WO2020218659A1 publication Critical patent/WO2020218659A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/243—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G10L15/26—Speech to text systems

Definitions

  • the present invention relates to a device for automating question and answering of insurance products using an artificial neural network.
  • sales QA means reconfirming two things: The first is the process of checking for inappropriate expressions in the process of inducing an insurance counselor to purchase insurance to a customer who has not yet subscribed to the insurance, and the second is to check whether the information that must be notified to customers who wish to purchase insurance has been delivered. This is the process of checking.
  • consultations that actually sell insurance that provide incorrect information to customers or omit key information that must be provided occur occur because the counselor misrecognizes the contents.
  • the insurance product sales team within the insurance company checks the problem by listening to the counseling transcript again.
  • the rule-based sales QA system was previously used.
  • the rule-based insurance product sales question-and-answer system has limitations in handling insurance sales conversations that have a large number of cases.
  • the present invention vectorizes counseling transcripts using word embedding, which has been learned in order to use counseling transcripts as input values of artificial neural networks, and is based on a Topic Clustering Recognition (TCR) model and a Named Entity Recognition (NER) model.
  • TCR Topic Clustering Recognition
  • NER Named Entity Recognition
  • an interface for receiving a text file converted from a voice recording file into a script;
  • a preprocessor for receiving each sentence included in the text file and converting the words of the sentence into vector values using pre-learned word embedding;
  • a TCR model that checks whether there is an inappropriate expression based on the TCR first model and the TCR second model, and checks a script that the counselor should notify the counselee based on the TCR section model;
  • An NER model for classifying the word categories based on machine learning;
  • a post-processing unit that checks the presence or absence of an inappropriate sentence and an omission of a script to be provided based on the key value of the sentence.
  • an automated insurance product sales Q&A device using an artificial neural network capable of determining whether inappropriate expressions exist when selling insurance products and whether or not content that must be notified is omitted. There is.
  • FIG. 1 is a functional block diagram of an automated insurance product sales Q&A device according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a learning process and a calculation process of an automated insurance product sales Q&A device according to an embodiment of the present invention.
  • first, second, A, B, (a), (b) may be used. These terms are only used to distinguish the component from other components, and the nature, order, or order of the component is not limited by the term.
  • a term such as'... unit,' described in the specification means a unit that processes at least one function or operation, which may be implemented by hardware or software or a combination of hardware and software.
  • FIG. 1 is a functional block diagram of an automated insurance product sales Q&A device according to an embodiment of the present invention.
  • an apparatus for automating question-and-answer insurance product sales includes an interface, a preprocessor, a TCR model, an NER model, and a postprocessor.
  • the interface receives a text file in which a voice recording file related to insurance product sales is converted into a script.
  • the interface divides each sentence included in the text file and transmits each sentence to the preprocessor.
  • the preprocessor receives input from the interface for each sentence included in the text file.
  • the preprocessing unit converts each word constituting the sentence into a vector value by using pre-learned word embedding for each sentence to be used as an input value of the artificial neural network.
  • the preprocessing unit vectorizes the input sentence into each word unit and outputs a result value as a number indexed for each word.
  • the dimension of the input vector value of the TCR model consists of (the number of sentences to be input at a time)*(the maximum number of morphemes in one sentence)*(the size of the word embedding dimension of one morpheme).
  • the Topic Clustering Recognition (TCR) model receives vectorized sentences.
  • the TCR model includes a TCR first model, a TCR second model, and a TCR section model.
  • the TCR first model is a model that verifies an inappropriate expression
  • the TCR second model is a model that verifies a value output as an inappropriate expression from the TCR first model.
  • the TCR section model is a model that checks the script that the counselor must notify the counselee. Since inappropriate expressions may exist in various ways, a model for identifying inappropriate expressions has two layers like the TCR first model and the TCR second model, unlike the TCR section model, in order to achieve higher accuracy.
  • the vector value of the sentence is transferred to the TCR second model.
  • the second TCR model only the'positive' and'negative' of the corresponding sentence are learned, and finally, the result of whether the sentence is an inappropriate expression or an appropriate expression is derived.
  • the NER (Named Entity Recognition) model is an entity name recognition model, and it is possible to classify what category a specific word has in a sentence based on machine learning.
  • the NER model may additionally inspect sentences classified through the TCR second model and the TCR section model by classifying categories for each word.
  • Each sentence in the counseling transcript goes through each model and has a unique key value for the corresponding sentences, and the post-processing unit checks whether there are inappropriate sentences for each counseling transcript and whether or not a script that must be provided is omitted based on the key value.
  • the post-processing unit finally classifies each consultation transcript into normal, supplementary, and warning.
  • results predicted through the insurance product sales automation device above are transmitted to the insurance product sales team of the insurance company and used as a reference index when checking numerous counseling transcripts so that a much larger amount of counseling transcripts can be identified compared to the same time. This can be used to reduce losses for the company or to automate the question-and-answer system for insurance product sales by replacing the position of the insurance product sales team.
  • FIG. 2 is a block diagram illustrating a learning process and a calculation process of an automated insurance product sales Q&A device according to an embodiment of the present invention.
  • Raw data refers to a text file divided by sentences.
  • Learning data is created by labeling the key value in a text file.
  • the Neural Net File is transferred to the D/L calculation system to implement the insurance product sales Q&A automation technology as described above. have.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)

Abstract

본 발명의 실시예는 상담 녹취록을 인공 신경망의 입력값으로 사용하기 위해 기 학습된 워드 임베딩(Word Embedding)을 이용하여 상담 녹취록을 벡터화시키고, TCR(Topic Clustering Recognition) 모델 및 NER(Named Entity Recognition) 모델을 기반으로 보험상품 판매 시, 부적절한 표현의 존재 여부 및 반드시 고지해야 하는 내용의 누락 여부 등을 파악하는 장치를 제공한다.

Description

인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치
본 발명은 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
보험에서 보험 상품 판매 질의응답(Sales QA)이란 다음과 같은 두 가지 내용을 재확인하는 것을 의미한다. 첫째는 보험 상담사가 아직 보험 가입 전인 고객에게 보험에 가입할 수 있도록 유도하는 과정에서 부적절한 표현 사용 여부를 확인하는 과정이고 둘째는 보험 가입을 원하는 고객에게 필수적으로 고지해야 하는 내용을 빠짐없이 전달했는지를 확인하는 과정이다.
실제 보험을 판매하는 상담 내용 중에서 상담사가 내용을 잘못 인지하고 있어 잘못된 정보를 고객에게 제공하거나 반드시 제공해야 하는 주요 정보를 누락하는 상담이 발생한다. 이를 위해 보험사 내에 보험상품 판매팀에서 상담 녹취록을 직접 다시 들으며 문제를 확인한다. 이런 상담 녹취록을 재확인하는 프로세스를 위해 기존에는 규칙 기반 보험상품 판매 질의응답 시스템(Rule-based Sales QA system)을 이용했다. 하지만, 규칙 기반 보험상품 판매 질의응답 시스템은 많은 경우의 수를 가지고 있는 보험 판매 대화를 처리하기에는 한계가 있다.
본 발명은 상담 녹취록을 인공 신경망의 입력값으로 사용하기 위해 기 학습된 워드 임베딩(Word Embedding)을 이용하여 상담 녹취록을 벡터화시키고, TCR(Topic Clustering Recognition) 모델 및 NER(Named Entity Recognition) 모델을 기반으로 보험상품 판매 시, 부적절한 표현의 존재 여부 및 반드시 고지해야 하는 내용의 누락 여부 등을 파악하는 장치를 제안한다.
본 발명의 일 측면에 의하면, 음성녹취 파일이 스크립트로 변환된 텍스트 파일을 입력받는 인터페이스; 상기 텍스트 파일에 포함된 각각의 문장을 입력받아 기 학습된 워드 임베딩(Word Embedding)을 이용하여 상기 문장의 단어들을 벡터값으로 변환시키는 전처리부; TCR 제 1 모델과 TCR 제 2 모델을 기반으로 부적절한 표현의 존재 여부를 확인하고, TCR 섹션 모델을 기반으로 상담자가 피상담자에게 고지해야 하는 스크립트를 확인하는 TCR 모델; 기계 학습(Machine Learning)을 기반으로 상기 단어의 카테고리를 분류하는 NER 모델; 및 상기 문장의 키값을 기반으로 부적절한 문장의 유무와 필수적으로 제공해야 하는 스크립트의 누락 여부를 확인하는 후처리부를 포함하는 것을 특징으로 하는 보험상품 판매 질의응답 자동화 장치를 제공한다.
본 발명의 일 실시예에 따르면, 보험상품 판매 시 부적절한 표현의 존재 여부 및 반드시 고지해야 하는 내용의 누락 여부 등을 파악할 수 있는 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치를 제공할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른, 보험상품 판매 질의응답 자동화 장치의 기능적인 블록도이다.
도 2는 본 발명의 일 실시예에 따른, 보험상품 판매 질의응답 자동화 장치의 학습 과정 및 연산 과정을 도시한 블록도이다.
(국문) 이 발명특허는 과학기술정보통신부의 SW컴퓨팅산업원천기술개발(R&D, 정보화)사업의 지원을 받아 주관 수행기관인 (주)아크릴에서 출원한 발명특허임(과제번호: R0114-16-0012).
이하, 본 발명의 일부 실시예들을 예시적인 도면을 이용하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '...부,' 와 같은 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부도면을 참조하여 본 발명의 실시예들에 따른 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치를 설명하면 다음과 같다.
도 1은 본 발명의 일 실시예에 따른, 보험상품 판매 질의응답 자동화 장치의 기능적인 블록도이다.
도 1을 참조하면, 보험상품 판매 질의응답 자동화 장치는 인터페이스, 전처리부, TCR 모델, NER 모델 및 후처리부를 포함한다.
인터페이스는 보험 상품 판매와 관련된 음성녹취 파일이 스크립트로 변환된 텍스트 파일을 입력받는다. 인터페이스는 텍스트 파일에 포함된 각각의 문장을 나누어 문장 별로 전처리부로 전송한다.
전처리부는 인터페이스로부터 텍스트 파일에 포함된 각각의 문장 별로 입력받는다. 전처리부는 인공신경망의 입력값(Input)으로 사용하기 위해 각각의 문장을 기 학습된 워드 임베딩(Word Embedding)을 이용해 문장을 구성하는 각각의 단어들을 벡터값으로 변환시킨다. 전처리부는 입력된 문장을 각각의 단어 단위로 벡터화시키고, 단어 별로 인덱싱(Indexing)된 숫자로 결과값을 출력한다. TCR 모델의 입력 벡터값의 차원은 (한 번에 입력하는 문장의 개수)*(한 문장의 형태소 최대 개수)*(하나 형태소의 워드 임베딩 차원 크기)로 구성된다.
TCR(Topic Clustering Recognition) 모델은 벡터화된 문장을 입력받는다. TCR 모델은 TCR 제 1 모델, TCR 제 2 모델 및 TCR 섹션 모델을 포함한다. TCR 제 1 모델은 부적절한 표현을 확인하는 모델이고, TCR 제 2 모델은 TCR 제 1 모델에서 부적절한 표현으로 출력한 값을 검증하는 모델이다. TCR 섹션 모델은 상담자가 피상담자에게 반드시 고지해야 하는 스크립트(Script)를 확인하는 모델이다. 부적절한 표현은 다양하게 존재할 수 있으므로, 부적절한 표현을 확인하는 모델은 더욱 높은 정확도를 가지도록 구현하기 위해 TCR 섹션 모델과 달리 TCR 제 1 모델 및 TCR 제 2 모델과 같이 2개의 계층을 가진다. TCR 제 1 모델_1, TCR 제 1 모델_2에서 동일한 결과값을 출력하는 경우에는 해당 문장의 벡터값을 TCR 제 2 모델로 전달한다. TCR 제 2 모델은 해당 문장의 '긍정(Positive)'과 '부정(Negative)'만이 학습되고, 최종적으로 부적절한 표현인지 적절한 표현의 문장인지의 결과를 도출한다.
NER(Named Entity Recognition) 모델은 개체명 인식 모델로서, 기계 학습(Machine Learning)을 기반으로 한 문장 안에서 특정 단어가 어떤 카테고리를 가지는지 분류할 수 있게 된다. NER 모델은 TCR 제 2 모델 및 TCR 섹션 모델을 통해 분류된 문장을 각각의 단어 별로 카테고리를 분류하여 추가적으로 검사할 수 있다.
상담 녹취록의 각 문장들은 각 모델을 모두 거쳐 해당 문장들의 고유한 키값을 가지게 되고, 후처리부는 키값을 기반으로 각 상담 녹취록 별로 부적절한 문장의 유무와 필수적으로 제공해야 하는 Script의 누락 여부를 확인한다. 후처리부는 최종적으로 각각의 상담 녹취록을 정상, 보완, 경고 등으로 분류한다.
위 보험상품 판매 자동화 장치를 통해 예측된 결과들은 보험사의 보험상품 판매팀에 전달되어 수많은 상담 녹취록을 확인할 때에 참고 지표로 활용되어 동시간 대비 훨씬 많은 양의 상담 녹취록을 확인할 수 있도록 한다. 이를 통해 회사의 손실을 줄이거나, 보험상품 판매팀의 자리를 대체하여 보험상품 판매 질의응답 시스템 자동화에 사용될 수 있다.
도 2는 본 발명의 일 실시예에 따른, 보험상품 판매 질의응답 자동화 장치의 학습 과정 및 연산 과정을 도시한 블록도이다.
로데이터(Raw Data)는 문장별로 나누어진 텍스트 파일을 의미한다. 텍스트 파일에 키값을 라벨링(Labeling)하여 학습 데이터를 생성한다. D/L 학습 시스템 상에서 라벨링된 학습 데이터를 기반으로 TCR 모델을 학습한 후, D/L 연산 시스템으로 뉴럴넷 파일(Neural Net File)을 이관하여 전술한 바와 같이 보험상품 판매 질의응답 자동화 기술을 구현할 수 있다.

Claims (1)

  1. 음성녹취 파일이 스크립트로 변환된 텍스트 파일을 입력받는 인터페이스;
    상기 텍스트 파일에 포함된 각각의 문장을 입력받아 기 학습된 워드 임베딩(Word Embedding)을 이용하여 상기 문장의 단어들을 벡터값으로 변환시키는 전처리부;
    TCR 제 1 모델과 TCR 제 2 모델을 기반으로 부적절한 표현의 존재 여부를 확인하고, TCR 섹션 모델을 기반으로 상담자가 피상담자에게 고지해야 하는 스크립트를 확인하는 TCR 모델;
    기계 학습(Machine Learning)을 기반으로 상기 단어의 카테고리를 분류하는 NER 모델; 및
    상기 문장의 키값을 기반으로 부적절한 문장의 유무와 필수적으로 제공해야 하는 스크립트의 누락 여부를 확인하는 후처리부
    를 포함하는 것을 특징으로 하는 보험상품 판매 질의응답 자동화 장치.
PCT/KR2019/005156 2019-04-26 2019-04-29 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치 WO2020218659A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190049212 2019-04-26
KR10-2019-0049212 2019-04-26

Publications (1)

Publication Number Publication Date
WO2020218659A1 true WO2020218659A1 (ko) 2020-10-29

Family

ID=72940931

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/005156 WO2020218659A1 (ko) 2019-04-26 2019-04-29 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치

Country Status (2)

Country Link
KR (2) KR20200125526A (ko)
WO (1) WO2020218659A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102698024B1 (ko) * 2021-09-07 2024-08-23 주식회사 부뜰정보시스템 인공지능 기반 인슈어런스 서비스를 제공하는 시스템
KR102424848B1 (ko) * 2021-10-07 2022-07-25 주식회사 두유비 인공지능을 기반으로 우수 상담사의 상담 패턴 모델을 활용하는 전자 장치의 실시간 상담 품질 평가 방법, 및 시스템
KR102703332B1 (ko) * 2021-12-06 2024-09-06 삼성생명보험주식회사 상담 품질을 평가하기 위한 방법
KR102708999B1 (ko) * 2022-01-27 2024-09-24 주식회사 부뜰정보시스템 실시간 상담 평가 시스템
US20230297785A1 (en) * 2022-03-18 2023-09-21 Capital One Services, Llc Real-time notification of disclosure errors in interactive communications
KR102503260B1 (ko) * 2022-03-31 2023-02-23 유대건 고객상담 및 사후관리를 인공지능 기반으로 분석하여 고객별 병원의 대응을 개선하는 병원고객관리시스템
KR102537168B1 (ko) * 2022-04-28 2023-05-26 주식회사 애자일소다 불완전판매 모니터링 장치 및 방법
KR20230163649A (ko) * 2022-05-24 2023-12-01 옵스나우 주식회사 실시간 음성 상담 지원을 위한 지능형 답변 추천 시스템 및 그 방법
KR102714643B1 (ko) * 2023-12-06 2024-10-11 주식회사 유니메오 딥러닝 기반의 가상휴먼 간병챗봇으로 식단 및 운동현황을 관리하는 돌봄서비스시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8489401B1 (en) * 2001-02-15 2013-07-16 West Corporation Script compliance using speech recognition
KR20150138918A (ko) * 2014-05-30 2015-12-11 주식회사 루키스 상담 품질 측정을 위한 콜센터 시스템 및 상담 품질 측정 방법
JP2018533148A (ja) * 2015-10-02 2018-11-08 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ データのカテゴリ分類のための方法およびシステム
KR101949427B1 (ko) * 2018-06-28 2019-02-18 주식회사 부뜰정보시스템 상담내용 자동평가 시스템 및 그 방법
KR20190038243A (ko) * 2017-09-28 2019-04-08 한국과학기술원 맥락을 이용하여 문서를 검색하는 시스템 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101662383B1 (ko) 2013-07-16 2016-10-10 삼성생명보험주식회사 보험상품 판매 정보 제공 방법 및 장치
KR101735421B1 (ko) * 2016-02-29 2017-05-16 (주)복스유니버스 음성 분석 기반 상담품질 평가 시스템, 이의 방법
KR20170137419A (ko) * 2016-06-03 2017-12-13 오영재 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR101824242B1 (ko) * 2017-07-11 2018-01-31 농협은행(주) 상담품질 전수평가 장치
KR20190010929A (ko) * 2017-07-24 2019-02-01 얄리주식회사 사람 - 인공지능 협업 콜센터 시스템 및 서비스 방법
KR20190024324A (ko) 2017-08-31 2019-03-08 이수연 딥러닝을 이용한 보험 상품 제공 방법
KR101970899B1 (ko) 2017-11-27 2019-04-24 주식회사 머니브레인 문맥 기반으로 음성 인식의 성능을 향상하기 위한 방법, 컴퓨터 장치 및 컴퓨터 판독가능 기록 매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8489401B1 (en) * 2001-02-15 2013-07-16 West Corporation Script compliance using speech recognition
KR20150138918A (ko) * 2014-05-30 2015-12-11 주식회사 루키스 상담 품질 측정을 위한 콜센터 시스템 및 상담 품질 측정 방법
JP2018533148A (ja) * 2015-10-02 2018-11-08 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ データのカテゴリ分類のための方法およびシステム
KR20190038243A (ko) * 2017-09-28 2019-04-08 한국과학기술원 맥락을 이용하여 문서를 검색하는 시스템 및 방법
KR101949427B1 (ko) * 2018-06-28 2019-02-18 주식회사 부뜰정보시스템 상담내용 자동평가 시스템 및 그 방법

Also Published As

Publication number Publication date
KR20200125526A (ko) 2020-11-04
KR102687797B1 (ko) 2024-07-26
KR20230084441A (ko) 2023-06-13

Similar Documents

Publication Publication Date Title
WO2020218659A1 (ko) 인공신경망을 활용한 보험상품 판매 질의응답 자동화 장치
CN110188202B (zh) 语义关系识别模型的训练方法、装置及终端
AU2022305355A1 (en) Ai-augmented auditing platform including techniques for automated document processing
CN109858626B (zh) 一种知识库构建方法及装置
CN112783825B (zh) 数据归档方法、装置、计算机装置及存储介质
Lippi et al. Automated detection of unfair clauses in online consumer contracts
CN114328277A (zh) 一种软件缺陷预测和质量分析方法、装置、设备及介质
CN118013963B (zh) 敏感词的识别和替换方法及其装置
Hirata et al. Uncovering the impact of COVID-19 on shipping and logistics
Ripoll et al. Multi-Lingual Contextual Hate Speech Detection Using Transformer-Based Ensembles.
WO2024050528A2 (en) Granular taxonomy for customer support augmented with ai
CN111198943B (zh) 一种简历筛选方法、装置及终端设备
CN116701604A (zh) 问答语料库的构建方法和装置、问答方法、设备及介质
Hake et al. Supporting complaint management in the medical technology industry by means of deep learning
CN115098629B (zh) 文件处理方法、装置、服务器及可读存储介质
CN114254109B (zh) 用于确定行业类别的方法及装置
CN115186657A (zh) 错敏信息检测方法、装置、计算机设备及存储介质
Hirsch et al. Detecting non-natural language artifacts for de-noising bug reports
CA3170100A1 (en) Text processing method and device and computer-readable storage medium
Landhaußer et al. Denom: a tool to find problematic nominalizations using nlp
Oswal Identifying and categorizing offensive language in social media
CN112418354B (zh) 货源信息分类方法、装置、电子设备、存储介质
US20240211503A1 (en) System and method for classifying textual data blocks
WO2024158683A1 (en) Information extraction from domain-specific documents
Aswin Automated Community Feedback and Monitoring Assistant

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19926695

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19926695

Country of ref document: EP

Kind code of ref document: A1