https://blog.lgcns.com/1872?category=648149

"서비스를 구현할 때 음성인식이나 자연어 처리 기술만 있으면 된다는 오해가 존재합니다. 물론 음성인식과 자연어 처리는 당연히 높은 수준으로 제공되어야 우리가 기대하는 많은 지능형 서비스가 구현될 수 있습니다. 그런데 챗봇과 음성봇 서비스에서 주의할 점은 바로 대화맥락을 구현하는 것도 매우 중요합니다."

"이렇게 복잡한 대화맥락을 기획자가 모두 고려하여 구현할 수 있다면 좋겠지만 기대가 큰 만큼 실망도 클 수밖에 없기에 대대적으로 홍보를 했던 AI 서비스들이 실패(?)라는 오명을 쓰게 된 것도 이런 구조적인 이유 때문입니다."

대화 서비스에서 가장 어려운 부분은 연속적인 문맥을 처리하는 것입니다. 보통 규칙기반 챗봇은 대화의 흐름이 미리 사람이 설계합니다. 이전에 했던 말에서 중요한 엔티티들을 변수로 저장하고, 다음 턴에서 그 정보를 고려하여 답변을 합니다. 문제는 이걸 모두 사람이 일일이 작성하기 때문에 시간과 노력이 너무 많이 든다는 점입니다.

요즘은 딥러닝으로 구현하려는 추세이지만 아직까지 매우 어려운 과제입니다. 일상대화는 그나마 쉬운 편입니다. 스캐터랩의 핑퐁이나 GPT-3를 보면 상당히 자연스럽게 대화하는걸 볼 수 있습니다. 이전 몇 턴의 문장들을 모두 입력으로 받아, 그 사이의 문맥을 고려하여 대답을 합니다.

그러나 목적지향 대화는 우선 학습 데이터를 만들기가 까다롭습니다. 예를 들어, 쇼핑몰에서 사람과 상담원의 기록을 데이터로 변환한다고 생각해보겠습니다. 단순히 문장을 그대로 옮기는 걸로는 부족합니다. 먼저 특정 상품을 가르키는 엔티티로 단어를 변환합니다. 주문/교환/배송조회 등 작업을 처리할 수 있도록 대화 문장도 의도로 라벨링합니다. 또한 DB나 프로그램과 연동할 수 있는 특수한 태그도 필요합니다.

몇 년 전 페이스북이 M이라는 가상비서를 운영한 적이 있습니다. 처음에는 사람이 처리를 하면서 데이터를 축적하고, 점차 인공지능으로 자동화를 하려는 계획이었습니다. 하지만 얼마 지나지 않아 결국 서비스를 종료했습니다. 그만큼 아직 이런 목적지향 챗봇은 글로벌 대기업에게도 어렵다는 증거입니다. 당분간은 일상 대화에서 딥러닝이 큰 역할을 하게 될 것입니다. 머지않아 목적지향 대화도 사람의 설계가 아니라 학습을 통해 구현될 날이 올거라 생각합니다.