AI, 뉘앙스 감정분석으로 머신-인간 의사소통 도전

# 구글(Google)은 최근 듀플렉스(Duplex) 데모에서 AI 프로그램이 알아서 업체들에 전화를 하고 사람과 의사소통을 통해 약속을 잡는 것을 시연했다. 한때 과학 소설처럼 보였던 것이 이제 현실이 되고 있다. 수년간의 딥러닝과 NLP 연구결과가 적용된 사례다.

언어는 인간만이 가진 고유의 능력과 지능의 표현이었다. 인공지능 시대, 자연 언어 처리(Natural Language Processing)를 통해 발달된 언어 능력을 갖춘 기계가 나오기 전까지는 그랬다. 이제 우리 인간은 기계와 상호작용을 하는 새로운 가능성에 직면했다.

25일(현지시간) 하버드비즈니스리뷰(HBR)에 따르면 AI만큼 오래 된 연구 분야인 NLP는 아직 시작 단계다. 인간 – 기계가 공감하는 단계를 위해서는 기계가 더 직관적이고 상황에 맞는 자연스러운 대화를 할 수 있어야 한다. 언어의 복잡성과 인간이 의사 소통하는 방식을 이해해야 하는 부분이다. 정서 분석, 질문-응답 등 다중학습 연구의 진전은 AI가 인간의 의사소통 방식을 진정으로 이해할 수 있게 만들어가고 있다.

감정 분석 : AI, 긍정-부정 화자 태도 분석

감정분석은 AI를 활용해 주어진 발언의 감정적 입장을 확인 할 수 있다. 브랜드 설명이나 필름 리뷰가 긍정적 인지, 부정 또는 중립적인지 등 여부와 같은 특정 내용을 이해할 수 있다. 화자의 태도와 발언 의도 같은 것을 알아낼 수도 있다.

고객 서비스에서부터 온라인 커뮤니티 중재, 알고리즘 거래에 이르기까지 수천 개의 트윗이나 수백 가지의 제품 리뷰를 즉시 분석해 브랜드에 대한 대중의 정서를 이해하는 것은 기업에 매우 중요하다.

그동안 정확성에 문제가 있었던 감정분석은  NLP 연구의 발전에 따라 변화하고 있다. 리차드 소처(Richard Socher) 세일스포스 수석과학자는 HBR에서 “Einstein AI 서비스를 통해 브랜드는 전자 메일, 소셜 미디어 및 채팅 텍스트에서 정서를 실시간으로 분석해 더 나은 고객 경험을 제공 할 수 있다”며 “정확한 감정 분석을 통해 예를 들어 서비스 직원은 불만족 고객에게 먼저 도움을 주거나 홍보 쿠폰을 연장 할 사람을 파악할 수 있다. 또한 제품 결함을 파악하고 전반적인 제품 만족도를 측정하고 소셜 미디어 채널 전반에서 브랜드 인지도를 모니터링하는 것도 가능하다”고 말한다.

분석이 정확하려면 맥락이 주어져야 한다. 맥락을 이해시키기 위해 문장 구성 요소의 모든 가능한 의미를 파싱하고 주어진 상황에서 사람이 의도하는 것을 이해하도록 AI를 훈련하는 것은 NLP 연구에서 커다란 난제 중 하나다. 모델 트레이닝을 향상시키기 위한 구별된 데이터와 문맥을 배우고 다양한 종류의 작업에서 지식을 동시에 공유 할 수있는 새로운 모델을 필요로한다.

NLP 텍스트 파싱 개선 통한 aI 지능 향상…임의의 질문에도 좋은 답변 가능

NLP가 텍스트의 의미를 더 잘 파싱함에 따라 우리 삶에서 도움이되는 디지털 조력자의 지능도 향상 될 것이다. 시리(Siri)와 구글 어시스턴트(Google Assistant)와 같은 응용 프로그램은 이미 일반적인 질문에 대한 좋은 답변을 제공하고 매우 간단한 명령을 실행한다. 그럼에도 이상적으로 우리는 컴퓨터에 임의의 질문을 하고 여전히 좋은 답변을 얻을 수 있어야한다.

더 좋은 답변을 얻는 한 가지 방법은 컴퓨터가 질문을 이해하는지 확인하는 것이다. 컴퓨터는 의미론에 대한 깊은 이해와 상황에 맞는 데이터를 더 스마트하게 사용해 우리의 의미를 더 잘 추측하고 있다. NLP를 통해 우리는 AI가 한 번에 모든 것을 처리 할 수 있고 중요한 정보를 놓치지 않도록 각 계층의 컨텍스트를 학습하는 방법을 알아가고 있다.

예를 들어, 동적 협동 네트워크는 “어떤 팀이 Super Bowl 50의 NFC를 대표 했습니까?”또는 “4 쿼터에 누가 터치 다운을 기록 했습니까?”와 같은 다양한 질문에 따라 단일 문서를 다르게 해석 할 수 있다. 이런 조건부 해석으로, 가장 정확하고 정확한 결과를 얻기 위한 여러 답변을 반복적으로 가정할 수 있다.

통합된 작업에 복잡성 계층 추가하기

연합 다중학습(Joint Multi-Task Learning)

과학 커뮤니티는 단일 작업을 수행하는 AI 모델을 작성하는 데는 어려움이 없다. 그러나 보다 직관적이고 대화에 기반한 상황별 인터페이스는 지속적으로 학습하는 AI 모델을 필요로 한다. 새로운 작업을 이전 작업과 통합하고 그 과정에서 더욱 복잡한 작업을 수행하는 방법을 배우는 과정이 필요하다. 유연성이 필요한 언어의 경우 특히 그렇다.

“고객은 누구인가?”라는 질문에 대한 대답은 고객 목록을 만드는 간단한 작업이면 된다. 그러나 “특정 제품에 대한 태평양 북서부의 최고의 고객은 누구입니까?”라는 질문은 어떤가. 이 물음에 대답하기 위해 여러 가지 통합된 작업이 필요한 복잡성 계층이 추가된다. 한정된 각 고객의 위치는 어디인가, 한 고객이 한 제품에 관심을 갖는 데 기여하는 요인은 무엇인가, 하나의 항목을 쿼리에 추가하면 질문의 복잡성이 극적으로 증가한다.

세일즈포스리서치는 최근 질의 응답, 기계 번역, 요약, 자연 언어 추론, 정서 분석, 의미론적 역할 라벨링, 관계 추출, 목표 중심 대화, 데이터베이스 쿼리 생성 및 대명사 분석 등과 같은 NLP의 어려운 작업 10 개를 단일 모델에서 다루기 위해 질문 응답의 힘을 활용하는 솔루션(Natural Language Decathlon)을 만들었다.

각 작업을 하나의 질문 응답 양식으로 제시하는 멀티 태스킹 질문 응답 모델을 사용하여, 단일 작업 모델은 특정 매개 변수 나 모듈없이 여러 작업을 공동으로 학습하고 처리한다. 데이터 과학자들이 더 이상 각 작업에 대한 개별 모델을 구축하고, 훈련하고, 최적화 할 필요가 없을뿐만 아니라, 모델에 제로 샷 학습 기능이 있다는 것을 의미한다. 즉, 모델은 전에 없었던 또는 특별하게 트레이닝 됐던 작업을 처리 할 수​있다.

연구원들이 이와 같은 모델을 지속적으로 개선함에 따라 AI 인터페이스가보다 복잡한 작업을 수행, 더 스마트하게 성장하는 것을 보게 될 것이다.

서처는 “아직 초기 단계다. NLP가 향상되면 AI가 시스템과의 상호 작용에 대한 모든 것을 바꿀 수 있기를 바란다”고 말했다.

*참고:AI’s Next Great Challenge: Understanding the Nuances of Language