2024년 4월 2일
인공지능의 힘으로 고객 경험 기술이 기하급수적으로 발전하고 있습니다. 본 글은 AI 어시스턴트의 내부 작동 방식을 살펴보고, 고객 문의에 직접 답변을 제공하는 능력을 보여줍니다.
먼저 AI 용어에 대한 포괄적인 검토를 통해 기초를 다집니다. 그런 다음 지식 콘텐츠와 보호 조치의 핵심 측면을 살펴봅니다. 마지막으로 고객 대상 AI 어시스턴트 구축의 역할, 프로세스 및 일정을 심층적으로 분석합니다.
이러한 개념을 생생하게 이해하려면 솔루션 및 서비스 제공업체들이 이를 실제로 어떻게 적용하는지 살펴보는 것이 도움이 됩니다. Quiq의 기술 솔루션이 이를 잘 보여줍니다. 이 플랫폼은 첨단 AI와 실무적 배포 전문성을 결합하여 기업이 대규모로 정확하고 브랜드 정체성에 부합하는 응답을 제공할 수 있도록 지원합니다. Quiq의 접근 방식을 분석하면 LLM 기반 어시스턴트 이론이 안전하면서도 효과적인 실제 고객 상호작용으로 어떻게 구현되는지 알 수 있습니다.
인공지능 용어 이해하기
생성형 AI:훈련 정보를 바탕으로 데이터 시퀀스를 예측하도록 훈련된 알고리즘입니다. 이들이 생성하는 가장 일반적인 두 가지 시퀀스는 텍스트와 이미지입니다.
대규모 언어 모델(LLMs):LLMs는 텍스트 및 이미지 생성에 중점을 둔 생성형 AI의 하위 집합입니다. LLMs는 방대한 데이터 세트로 훈련되었기 때문에 독특합니다. 이러한 훈련을 통해 기존에 보아온 어떤 AI보다 뛰어난 능력을 갖추게 되었습니다. 대표적인 예로는 OpenAI의 ChatGPT, Google의 Bard, Meta의 Llama 등이 있습니다.
LLM의 마법
LLM은 두 가지 기술에서 탁월합니다: 언어 읽기와 쓰기, 그리고 훈련에 사용된 정보로부터 질문에 답하는 능력입니다. 이는 방대한 양의 데이터로 훈련하고 반복적인 미세 조정을 통해 달성됩니다. AI는 언어의 미묘한 차이와 패턴을 학습하여 단어를 예측하고 의미 있는 응답을 생성합니다.
미세 조정 과정에는 인간의 상호작용이 포함됩니다. 전문가들은 AI와 상호작용하며 응답에 점수를 매기고 수정 피드백을 제공합니다. 이러한 인간과 AI의 시너지는 모델이 정확한 답변을 제공하는 능력을 정교하게 다듬습니다.
LLM은 지식처럼 보이는 것을 보여줄 수 있지만 진정한 이해력은 결여되어 있다. 이들은 훈련과 피드백 루프에 기반해 응답함으로써 지식과 이해의 경계를 모호하게 만든다.
관련
CX 기술 컨설팅
기술과 전문성을 융합하여 탁월한 서비스 여정을 설계하고 제공합니다
정확성과 안전성 보장정확성과 안전성 보장
지금쯤이면 이 글을 읽고 있는 모든 분이 ChatGPT를 사용해 보셨을 것입니다. ChatGPT가 질문을 이해하고 잘 쓰인 답변을 생성하는 능력은 인상적입니다. 그러나 훈련 데이터가 최근에 수집된 것들인 만큼, 여러분도 틀린 답변과 한계점을 경험해 보셨을 것입니다.
인공지능 기반 고객 지원에는 정확성과 안전성이라는 두 가지 핵심 과제가 있습니다. 퀴크(Quiq)는 대규모 언어 모델(LLM) 기반 대화형 인공지능 분야의 선도 기업입니다. 이 회사는 LLM의 언어 이해 및 생성 능력을 활용하면서도, 훈련 데이터에 기반한 질문 응답 기능은 비활성화합니다.
이를 LLM에 기억상실증을 유발하는 것이라고 표현합니다. 마치 기억상실증 환자가 언어로 소통은 가능하지만 아무것도 기억하지 못하는 것과 같습니다. '기억상실증'을보호 장치로 생각하십시오. AI는 방대한 훈련 데이터에 의존하지 않고 해당 기업의 정보만을 사용합니다. 방대한 훈련 정보는 "내 주문은 어디 있나요?"와 같은 질문에 답하는 데 유용하지 않습니다.
우리는 자체 정보를 입력하고 LLM이 기존에 알고 있던 모든 것을 잊게 해야 합니다. 이 방법론은 기업이 환각(LLM이 사실이 아닌 답변을 만들어내는 현상) 없이 안전하고 정확하며 브랜드 특화된 응답을 제공할 수 있도록 합니다.
정확한 정보로 질문에 답하는 것(정확성)만큼 중요한 것은 AI가 부끄러운 말을 하지 않도록 하는 것입니다(안전성). 예를 들어, "당사 제품의 한계는 무엇인가요?" 또는 "당사 제품은 경쟁사 X와 비교해 어떤가요?"와 같은 질문에는 신중하게 답변해야 합니다. 브랜드 안전성의 또 다른 측면은 AI가 브랜드의 어조와 목소리를 유지하며 질문에 답하도록 보장하는 것입니다.
이 모든 것이 부담스럽게 들릴 수 있지만, 최신 AI가 달성할 수 있는 것에 대한 열정을 꺾지 마십시오. 적절한 AI 플랫폼과 전문 파트너와 함께라면, LLM의 힘을 활용하여 고객에게정확하고 안전한 답변을제공할 수 있습니다.
LLM AI 어시스턴트 제작: 역할, 프로세스 및 일정LLM AI 어시스턴트 제작: 역할, 프로세스 및 일정
최신 AI를 활용하는 것은 개발자가 OpenAI 같은 상용 대규모 언어 모델(LLM) 옵션의 API를 사용하는 것처럼 쉬워 보일 수 있습니다. 하지만 이는 엔지니어에게 LLM API 호출을 맡기는 것 이상입니다. 고객의 질문에 답변할 효과적인 AI 어시스턴트를 구축하고 배포하려면 다양한 역량을 갖춘 팀이 필요합니다.
LLM AI 어시스턴트 개발에는 여러 요소가 필요합니다.
팀: 엔지니어외에도다양한 역할이 AI 어시스턴트 개발에 기여합니다. 개발 과정에는 대화형 디자이너, UX 엔지니어 또는 제품 관리자가 필요합니다:
- 고객 여정을 매핑하고 고객이 묻는 질문 유형을 파악하십시오
- 그 질문들에 어떻게 답할지 결정하십시오
- 필요한 데이터가 어디에 존재하는지 파악하십시오
인공지능의 성능이 어느 정도인지, 그리고 개선이 필요한 부분이 어디인지 파악하는 것이 필수적입니다. 성능을 이해하기 위해서는 비즈니스/데이터 분석가 또는 데이터 과학자에 의한 데이터 분석이 필요합니다.
디자인:사용자 친화적인 대화 설계는 고객 여정을 솔루션으로 매핑하는 것에서 시작됩니다. LLM 상호작용은 각 대화를 사전에 스크립트화해야 했던 기존 세대 챗봇과는 다릅니다. LLM은 언어에 능숙하므로, 대화 설계는 각 발화를 스크립트화하기보다 LLM에 지시하는 데 중점을 둡니다.
프로세스:AI 어시스턴트 구축은 정의된 단계를 따르며, 설계 및 경험 창출 단계가 가장 중요합니다.
모든 AI 어시스턴트는 고객의 질문에 답변할 때 유사한 패턴을 따릅니다:
고객 문의: 프로세스는 고객이 질문을 하는 것으로 시작됩니다.
분해:AI는 질문을 다양한 특성으로 분할하여 추후 정보를 찾기 위한 특징을 생성합니다. 예를 들어, AI 어시스턴트가 자동차 보험 관련 질문에 답변할 경우, 고객의 위치, 보험 계약 상태, 잠재 고객 또는 기존 고객과 같은 세부 정보가 질의 의도(예: 보험금 청구 또는 보험 계약 구매)와 더불어 유용할 것입니다.
반복적 분류: 일부 특성을 식별한 후에는, 이미 파악한 내용을 바탕으로 추가적인 요소들을 도출해내는 것이 도움이 될 수 있습니다.
자동차 보험 사례를 예로 들면, 고객이 보험금 청구에 대해 문의할 경우 해당 문의가 신규 청구인지 기존 청구인지 판단해야 할 수 있습니다. LLM이 수집해야 할 정보 계층 구조를 결정하는 것은 여정 매핑 설계 과정의 일부입니다.
정보 검색:필요한 모든 특성을 확보한 후, 고객의 질문에 대한 답변을 얻기 위해 해당 기업의 정보를 활용합니다. 이 정보에는 지식베이스와 API를 통해 획득하는 정적 지식 및 데이터가 포함될 수 있습니다. AI가 답변을 위한 정보를 수집하지 않으므로 부정확성의 위험이 제거된다는 점을 유의하십시오.
언어 생성: AI 어시스턴트는LLM의 언어 생성 기능을 활용하여 특정 질문에 대한 맞춤형 응답을 생성합니다. 이는 단순히 표준화된 정적 텍스트를 반환하는 방식과는 다릅니다.
사실 확인 및 안전 장치:정확성과 브랜드 안전성을 보장하기 위해 사실 확인 및 안전 장치를 적용합니다. 이 단계에서는 LLM의 응답이 주어진 질문에 정확하고 적절하며, 응답에 회사 정보만을 사용하도록 검증합니다.
이러한 단계를 따름으로써 AI 어시스턴트는 고객의질의에정확하고매우개인화된응답을 제공할 수 있습니다. 이 접근 방식은 대규모 언어 모델(LLM)의 놀라운 역량을 활용하여 고객 경험 기술을 강화하는 동시에 잠재적 위험을 완화합니다.
시간대와 현실
인공지능 어시스턴트 개발의 가장 매력적인 측면 중 하나는 비교적 빠른 개발 주기입니다. 대규모 언어 모델(LLM)을 활용함으로써 이전 세대 인공지능에서 필요했던 많은 수고스러운 훈련 과정을 생략할 수 있게 되어 개발 과정이 가속화되었습니다.
AI 어시스턴트 제작에는 설계, 검토 및 불가피한 인적 요인에 의한 지연까지 포함해 약 한 달이 소요됩니다. 사용자별 내부 데이터가 포함된 복잡한 사용자 여정은 일정을 1~2개월 정도만 연장시킬 뿐입니다.
긴 프로젝트라는 인식과 달리, 언어 생성 및 이해를 위한 대규모 언어 모델(LLM)의 활용 덕분에 AI 어시스턴트 구축은 효율적인 과정입니다.
CX 혁신의 관문
인공지능 어시스턴트 개발의 길을 걸어가면서, 역할이 엔지니어를 넘어 확장된다는 점이 분명해집니다. 일정 역시 예상보다 훨씬 합리적입니다. 창의성, 전략, 기술의 융합이 바로 이 과정 자체를 특징짓습니다.
퀵의 역할: 인공지능 환경 탐색하기
인공지능 환경이 진화함에 따라, Quiq는 향상된 고객 상호작용을 위해 인공지능을 활용하는 핵심 기업입니다.
Quiq의 전문성은 비동기 메시징과 첨단 AI 기능을 융합하여 기업에 포괄적인 플랫폼을 제공하는 데 있습니다. Quiq는 생성형 AI를 통해 차세대 고객 경험을 선도하고 있습니다.
고객 상호작용의 미래는 기술과 인간의 전문성이 만나는 지점에 있습니다. Quiq를 통해 기업은 AI의 잠재력을 활용하면서도 인간적 연결의 본질이 그대로 유지되도록 할 수 있습니다.
COPC의 역할: 성공을 위한 협력
비전, 지식, 세심한 디자인, 그리고 거의 완벽에 가까운 실행력이 조화를 이룰 때 고객 경험에서 탁월함을 달성할 수 있다.
COPC는 글로벌 선도 기업들과 협력하여 고객 경험 전략 수립 및 실행을 지원합니다. 이를 위해 팀의 역량 강화와 동기 부여, 모범 사례에 기반한 체계적인 프로세스 구축, 첨단 기술 도입을 통해 성과를 창출합니다.
COPC는 고객 경험(CX) 기술 관련 모든 과제를 해결하기 위한 다양한 평가, 전환 및 역량 강화 서비스를 제공합니다. 기술과 전문성을 융합하여 COPC는 조직이 탁월한 서비스 여정을 설계하고 제공할 수 있도록 지원합니다.
결론
인공지능 어시스턴트의 진화는 고객 경험 영역에서 흥미진진한 장을 열고 있습니다. 퀵(Quiq)을 기술 솔루션으로, COPC를 가이드로 삼으면 자신감과 목적의식, 명확한 로드맵을 바탕으로 차세대 AI를 탐구할 수 있습니다.
언어 생성 및 이해를 위해 대규모 언어 모델(LLM)을 활용함으로써, 초점은 훈련 데이터 생성에서 고객 경험 설계로 전환됩니다. Quiq을 통해 기업은 인간적 연결의 본질이 그대로 유지되도록 하면서 AI의 잠재력을 활용할 수 있습니다.
브랜드 톤과 안전성을 유지하는 것은 AI 역량과 인간적 지침 사이의 섬세한 균형이다. AI에 제공된 지침, 사실 확인 및 안전 장치는 AI 응답이 일관되고 적절하며 브랜드 정체성과 부합하도록 보장한다.
고객 경험에 AI를 통합하는 데는 고객 경험, 운영 및 기술 분야의 전문가로 구성된 적절한 팀이 필요합니다. COPC 컨설턴트는 선도적인 기술 솔루션 제공업체와 긴밀히 협력하여 AI, 기술 및 인간 상호작용이 교차하는 지점을 성공적으로 탐색하도록 지원합니다.
기업들이 AI를 지속적으로 도입함에 따라, 인간의 전문성과 AI 역량의 융합은 고객 상호작용에 역동적인 미래를 약속합니다. AI가 효율성을 높이는 반면, 인간적 요소는 관계 구축에 여전히 핵심적입니다. 앞으로 나아갈 길은 자동화된 AI 상호작용과 맞춤형 인간적 교류 사이의 조화로운 균형을 이루는 데 있습니다.
우수한 브랜드는 탁월한 고객 경험(CX)을 통해 경쟁사를 뛰어넘습니다. 그러나 이러한 수준의 서비스를 제공하는 것은 때로 생각보다 복잡할 수 있습니다. CX 컨설턴트로서 저희의 전문성은 조직이 CX 산업 변화를 헤쳐나가며 가장 중요한 문제를 해결하고 일상적인 과제를 극복하도록 돕는 데 있습니다.COPC가 귀사의 조직이 탁월해지는 데 어떻게 도움이 될 수 있는지 자세히 알아보세요.