이 섹션에서는 Kore.ai 봇 플랫폼과 관련된 주요 용어와 개념 숙지를 도와드립니다.
봇
봇은 사람과 디지털 시스템, 인터넷 활용 사물 간의 지능적인 중개자 역할을 하는 가상 비서의 한 형태입니다. 봇은 지능적입니다. 기계 학습과 자연어 처리, 다른 형태의 고급 소프트웨어를 통해 봇은 복잡한 인간 대화를 처리하고 과거의 상호 작용에서 학습하며 시간이 지남에 따라 응답을 개선할 수 있습니다.
발화
사용자가 챗봇에게 말하는 모든 것은 발화입니다. 예를 들어, 사용자가 다음 주 일요일 올랜도행 항공편 예약을 입력하면 전체 문장은 사용자 발화로 간주됩니다.
의도
사용자가 챗봇에게 원하는 행동을 설명하는 몇 가지 필수 단어입니다. 예를 들어, 위의 사용자 발화인 다음 주 일요일 올랜도행 항공편 예약에서 의도는 항공편 예약입니다.
엔티티
사용자 의도를 충족하려면 봇은 추가 정보 또는 매개 변수가 필요할 수 있습니다. 예를 들어, 항공편을 예약하려면 여행 날짜와 함께 출발지 도시와 목적지 도시가 필요합니다. 위의 사용자 발화의 예인 다음 주 일요일 올랜도행 항공편 예약에서 올랜도 및 다음 주 일요일은 엔티티입니다.
엔티티는 챗봇이 사용자 요청을 완료하는 데 필요한 필드, 데이터 또는 단어입니다. 필요한 엔티티를 확보한 후 봇 플랫폼은 웹 서비스에 접근하여 특정 데이터를 가져오거나 사용자 의도에 따라 조치를 수행할 수 있습니다.
매개 변수 및 사용자 입력에 대한 자세한 내용은 봇 작업 정의하기에서 특정 작업 유형 매개 변수 및 필드를 참조하세요.
| 샘플 발화 | 의도 | 엔티티 |
|---|---|---|
| 올랜도행 항공편 예약 | 항공편 예약 | 도시: 올랜도 |
| 이번 주 일요일에 Bill과 회의 일정 잡기 | 회의 일정 잡기 | 사람 이름: Bill 날짜: 2018년 4월 22일 |
| 장바구니에 적포도주 두 병 추가 | 장바구니에 추가 | 품목: 적포도주 수량: 두 병 |
자연어 처리
봇이 사용자 의도를 식별하고 발화에서 유용한 정보를 추출하고 해당 데이터(의도)를 관련 작업에 매핑하는 프로세스입니다. 이를 통해 봇은 복잡한 메뉴나 프로그래밍 언어가 아닌 텍스트 형식으로 요청을 처리할 수 있습니다.
Kore.ai의 플랫폼은 고유한 NLP 전략을 사용합니다. 최적의 대화 정확도를 위해 기초 의미 및 기계 학습 엔진을 결합합니다. Kore.ai의 플랫폼에 구축된 봇은 다음을 이해하고 처리할 수 있습니다.
- 다중 문장 메시지
- 다중 의도
- 문맥적 참조
- 패턴 및 관용 문장 등.
인공 지능
인간의 행동과 의사 결정을 시뮬레이션하고 음성 인식 및 이해, 언어 번역 등, 일반적으로 인간과 유사한 지능이 필요한 작업을 수행하는 기계 능력입니다.
기계 학습
알고리즘, 패턴, 학습 데이터를 사용하여 명시적으로 프로그래밍하지 않고도 숨겨진 통찰력을 배우고 찾을 수 있는 기계 능력입니다.
엔티티 추출
작업을 완료하기 위해 사용자의 발화에서 관련성이 높고 가치 있는 데이터를 추출하세요. 봇은 사용자 작업 완료를 위한 모든 데이터를 보유하고 있는지 확인할 수 있으며 그렇지 않은 경우 사용자에게 누락된 정보를 입력하라는 메시지를 표시할 수 있습니다.
봇 작업
작업은 개발자가 챗봇에 지정한 다양한 유형의 단순하고 복잡한 작업을 말합니다. 챗봇은 사용자 의도를 이행하기 위해 이러한 작업을 수행합니다.
여행 봇의 경우 작업 이름은 다양한 사용자 의도를 충족하는 티켓 예약, 호텔 검색, 일기 예보 제공 등입니다.
봇이 사용자 의도를 이해하면 웹 서비스에 접근, 현재 기상 상태 보고서 추출, 응답 구문 분석, 사용자에게 데이터 전달과 같은 작업을 수행할 준비가 됩니다.
Kore.ai는 사실상 거의 모든 봇 시나리오를 다루는 다섯 가지 사전 정의된 작업 유형을 제공합니다.
조치 작업
봇은 약속 예약, 제품 검색, 중요한 정보 업데이트와 같은 기록 시스템의 정보를 수집, 수정 및 게시할 수 있습니다.
경고 작업
봇은 백엔드 시스템을 폴링하거나 정기적으로 정보를 가져와서 기업 시스템에서 직접 고객과 직원에게 적시에 관련된 개인화된 알림을 전달할 수 있습니다. 사용자 또는 봇 개발자는 알림을 설정할 수 있습니다.
지식 그래프
봇은 일련의 사전 정의된 정보를 쿼리하여 사용자가 가장 흔히 하는 질문에 대한 답변을 사용자에게 제공할 수 있습니다. 예를 들어, 봇은 운영 시간과 관련된 고객 질문에 답변하는 동시에 반품 정책에 관한 질문에도 답변할 수 있습니다.
정보 작업
봇은 보고서 형식으로 백엔드 시스템에서 데이터를 사용자에게 제공할 수 있습니다. 이러한 보고서는 사용자 선호도, 적용 가능한 필터에 따라 형식이 지정되고 구성되며 향후에 사용할 수 있도록 다운로드할 수 있습니다. 예를 들어, 봇은 영업 관리자에게 지난해 매출 상위 10명의 영업 담당자를 지역별로 상세히 기술한 보고서를 제공할 수 있습니다.
대화 작업
봇은 사람들이 매일 자연스럽게 주고 받는 의견 교환 행위를 모사한 복잡한 대화형 경험을 처리할 수 있습니다.
학습
학습은 챗봇이 새로운 의견과 엔티티를 인식하고, 질문에 올바르게 답변하고, 사용자 발화의 중요한 측면을 식별하는 방법을 말합니다. 학습은 수동이나 자동일 수 있습니다. 그리고 인간과 마찬가지로 봇도 자신이 틀렸을 때와 올바른 조치 또는 응답, 답변이 무엇인지 알아야 합니다.
지도 학습
입력 변수(X)와 출력 변수(Y)가 있고 알고리즘을 사용하여 입력에서 출력으로 매핑하는 함수를 학습하는 형태입니다. 여기서 봇 개발자는 교사 역할을 하며 사실상 봇이 학습하는 내용을 완전히 통제합니다. 이는 알고리즘이 제공된 학습 데이터를 기반으로 예측을 한다는 것을 의미합니다. 봇 크리에이터 개발자는 결과를 정확하거나 부정확한 것으로 표시하여 예측을 수동으로 수정할 수 있습니다. 봇 개발자는 봇이 이해해야 하는 내용을 이미 알고 있으므로 개발자가 결정하거나 모델이 허용 가능한 수행 수준에 도달하는 즉시 학습을 중단할 수 있습니다.
비지도 학습
봇 개발자의 지도가 필요하지 않는 학습 형태입니다. 여기서 봇은 성공적인 발화에서 학습하며, 해당 발화를 봇이 성공적으로 인식했으며 작업이 완료되었음을 의미합니다. 이 결과를 사용하여 충돌 발생 시 사용자가 제공한 의도 확인을 포함하여 모델을 자동으로 확장하고 봇을 재학습시킵니다. 이러한 형태의 학습을 통해 봇은 실패한 발화를 배제하고 인간과의 상호 작용 없이도 언어 능력을 확장하고 정확도를 개선할 수 있습니다.
메시징 채널
채널은 SMS, 이메일, 모바일 앱, 웹 사이트, 메시징 앱 등 로봇이 존재할 수 있는 다양한 커뮤니케이션 플랫폼을 말합니다. 봇 빌더를 사용하면 박스를 체크하는 것만으로 한 번에 챗봇 작업을 설계하고 여러 채널에 배포할 수 있습니다. 또한 메시지 응답을 변경하거나 날짜 선택기, 캐러셀 등과 같은 채널별 UI 요소를 활용하여 교차 채널 경험을 차별화할 수 있습니다.
변수, 컨텍스트, 세션 데이터
개발자가 작업을 생성하고 정의할 때 다음 정보에 접근할 수 있습니다.
- 봇 플랫폼에서 제공하는 세션 변수.
- 개발자가 정의한 사용자 정의 변수.
- 변수의 범위를 정의한 컨텍스트.
예를 들어, 일부 API 요청에서는 작업을 실행하기 전에 세션 변수를 설정해야 합니다. 또는 다음 노드로 전환하려면 세션 변수 접근을 위한 대화 작업 구성 요소가 필요합니다. 대화 작업은 추가 시스템 변수를 사용하여 컨텍스트 개체에 접근할 수도 있습니다. 이러한 세션 변수와 컨텍스트 변수를 사용하여 데이터를 유지하고 저장할 수 있습니다. 예를 들어, 봇은 작업을 실행할 때 상거래, 운송, 가정 배달 중심의 서비스를 위해 사용자의 집 주소를 사용합니다.
봇 플랫폼은 JavaScript를 사용하여 섹션에서 작업을 정의할 때 사용되는 세션 변수를 지원합니다. 세션 변수는 사용되는 컨텍스트 혹은 범위에 따라 다릅니다. 예를 들어, 엔터프라이즈 수준, 봇 수준, 사용자 수준, 세션 수준입니다.