패스트캠퍼스 환급챌린지 15일차 : AI 시대, PM/PO 를 위한 한 번에 끝내는 AI 서비스 기획 실무 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4oKQD6b

251126(수) 15일차

챗봇 구현을 위한 핵심 엔티티 정의하기

 

챗봇과 콜봇은 고객과 소통하는 커뮤니케이션 차이만 있을 뿐 동일하다

AI 서버에 들어와 고객 발화 및 내용 파악이 진행되고 적절한 답변을 처리하는 NLP 과정은 동일

 

AI 서비스 기획 프로세스

고객 불편 탐색 → 서비스 목적 정의 → 기능(인텐트) 구체화 → 슬롯 구성 → 고객발화(코퍼스) 구축 → AI 의도분류를 위한 핵심 엔티티 정의 → 머신러닝을 위한 데이터 분류 → 머신러닝 실행 → 추가 머신러닝 데이터 보강 작업 → 개발 작업 / 고도화

 

고객 불편 탐색

고객이 어떤 불편을 갖고 있는지 생각해보기

 

서비스 목적 정의

고객 불편 해결 방안

도출된 고객 불편 사항을 해결할 수 있는 구체적인 서비스 방안 수립

 

서비스 목표 설정

AI 서비스를 통해 달성하고자 하는 명확한 목표와 성과 지표 정의

 

고객 니즈 연계성

설정된 서비스 목적이 실제 고객 니즈와 어떻게 연결되는지 구체적으로 설명

 

비즈니스 가치 창출

챗봇 서비스가 기업의 비즈니스 목표 달성에 어떻게 기여할 수 있는지 명확히 정리

 

기능(인텐트) 구체화

1. 핵심 기능 정의 2. 인텐트 세분화 3. 기능 상호작용 설계 4. 인텐트 유효성 검증

 

슬롯 구성

정확한 정보 수집, 각 인텐트 실행에 필요한 슬롯 정의, 데이터 유형과 제약 조건 설정

 

고객발화(코퍼스) 구축

발화 유형 분석 : 고객의 실제 문의 내용을 분석해 다양한 발화 유형 패턴 파악

데이터 수집 : 인텐트별로 다양한 표현과 문장 구조를 포함하는 발화 데이터 수집, 지역별, 연령별 수집 차이 고려

데이터 정제 : 수집된 발화 데이터를 검토해 오류를 수정하고 중복을 제거해 일관성 있는 형태로 정제

 

AI 의도분류를 위한 핵심 엔티티 정의

엔티티 식별 : 인텐트와 관련된 주요 개체 식별

속성 정의 : 각 엔티티의 제약조건인 속성을 정의

관계 설정 : 엔티티 간의 관계를 정의해 복잡한 의도 분류 가능

 

머신러닝을 위한 데이터 분류

모델 선택 → 학습 실행 → 성능 평가 → 모델 개선, 데이터 보강

 

 

이번 강의를 통해

챗봇을 구현 하기 위해 준비 단계인 엔티티 정의하기 실습을 

AI 서비스 기획 프로세스에 맞춰 진행해봤는데

인텐트와 연결되는 주요 개체를 식별하고, 엔티티의 속성과 관계를 설정해 의도 분류가 정확하게 작동하도록 했다

학습 문장을 늘리는 것보다 엔티티를 잘 정의해 엔티티의 갯수를 늘려가는 것이 시간상 좋다는 것을 기억하기