IBM 왓슨 챗봇을 활용한 노동법 상담 시스템

본격적인 데이터 수집에 앞서 사용자의 니즈(Needs)를 파악하기 위하여 고용노동부 사이트의 ‘자주하는 질문’페이지 내의 데이터를 기초 데이터로 활용하였다. 해당 데이터를 바탕으로 사용자가 가장 필요로 하는 고용노동법의 키워드를 파악하고 이들의 우선순위를 책정하였다. <표2>에서 보는 것과 같이, ‘자주하는 질문’으로 선정된 104건의 질문 중 보험 관련 질문이 47건(약 45%)으로 1위, 임금 관련 질문이 45건(약 43%)으로 2위, 계약서 관련 질문이 11건(약 10%)으로 3위로 파악되었다[7].

Table 2.

Priority List of Keywords in Labor Law

정확한 사용자의 니즈(needs) 파악을 위하여 책정된 핵심 키워드를 중심으로 세부 키워드를 분류하였다. 또한 분류한 내용을 토대로 국가법령정보센터에서 제공하는 고용정책 기본법, 근로 기준법, 최저임금법 등의 법령을 수집 및 분석하였다. 분석 결과는 각 제도의 기본 개념, 납부 대상자, 임금 지급 조건 등을 포함하며, <표3>은 전체 분석 내용 중 가장 핵심적인 내용을 담은 분석 결과를 보여준다.

Table 3.

Specific Keywords in Labor Law

질의어 처리를 위하여 IBM Watson 챗봇 서비스를 활용하였다. IBM Watson 챗봇 서비스는 질의어 처리의 단계를 <표4>와 같이 ‘Intents - Entities - Dialog’의 3단계로 진행한다. Intents 단계에서는 사용자의 입력 데이터 중 서술어 정보를 활용하여 사용자의 잠정적인 질문 의도를 파악한다. 다음 단계인 Entities 단계에서는 입력 데이터 중 핵심 키워드를 찾아내 정확한 질문 의도를 파악한다. 마지막 단계 Dialog에서는 사용자의 질문에 적합한 응답을 제공한다.

Table 4.

Phases of Chatbot Query Processing

(1) Intents 단계

본 시스템에서는 사용자의 질문 상황을 ‘노동법 질문, 조건 질문, 긍정, 부정, 인사’의 5가지 인텐트(Intents)로 분류하였다. ‘노동법 질문’은 사용자가 노동법 관련 개념을 질문하는 상황을 나타내며, ‘조건 질문’은 임금 및 계약서 관련 조건에 자신의 적합성 여부를 묻고자 하는 상황을 위한 인텐트이다. ‘긍정과 부정’은 시스템의 유도 질문에 대해서 사용자가 긍정‧부정의 대답을 하는 상황을 위한 인텐트이며 ‘인사’는 시스템과 사용자가 간단한 인사를 나누는 상황을 나타낸다. 해당 인텐트는 앞서 수집한 고용노동법 데이터를 토대로 사용자가 질문할 것이라 예측되는 상황을 집합으로 분류한 것이다.

각 인텐트에 대하여 사용자가 입력할 것으로 예상되는 서술어를 시스템에게 입력하여 학습시켰다. <표5>는 인텐트 별로 사용자가 입력하는 서술어를 분류한 표이다. 또한 (그림3)은 챗봇 개발 환경인 IBM Watson Assistant에서 Intents 단계의 실제 화면이다. 결론적으로 사용자가 “야간 수당이 뭐야?” 라고 질의하면 시스템은 Intents 단계를 통해 ‘뭐야?’ 라는 서술어를 토대로 사용자가 노동법을 질문했다는 잠정적인 의도를 파악할 수 있다.

Table 5.

Predicates of Intents

Fig 3.

A capture screen of the Intent step

(2) Entities 단계

Entities 단계에서는 이전 단계인 Intents 단계에서 파악한 잠정적인 의도와 함께 질문의 키워드(주로 명사)를 토대로 사용자의 질의를 더욱 정확하게 파악한다. 예를 들어 위에서 살펴본 “야간 수당이 뭐야?”라는 질의의 경우, 먼저 이전 단계인 Intents 단계를 통해‘뭐야?’라는 서술어를 활용하여 잠정적 질문 의도를 파악한다. 이후 Entities 단계에서 ‘야간 수당’이라는 명사를 파악하여 해당 질의가 노동법 중 야간 수당에 대해 질의한다는 정확한 질문 의도를 파악한다.

본 시스템에서는 데이터 수집 단계에서 분석한 고용노동법 세부 키워드를 시스템에게 입력하여 시스템이 사용자의 질의 중 핵심 단어를 찾아내고 이를 통해 정확한 질문 의도를 파악하도록 설계하였다. 다음 <표6>은 시스템에 입력된 Entities이다. <표6>의 values는 사용자로부터 입력될 수 있는 노동법 핵심 키워드이다. 또한 (그림4)는 챗봇 개발 환경인 IBM Watson Assistant에서 Entities 단계의 실제 화면이다.

Table 6.

Keyword of Entities

Fig 4.

A capture screen of the Entities step

아울러 Entities 단계에서 시스템이 다양한 키워드를 학습할 수 있도록 각 키워드의 동의어를 함께 입력했다. (그림5)와 같이 챗봇 개발 환경인 IBM Watson Assistant에서 Synonyms 탭을 통해 추가할 수 있다. (그림6)은 ‘고용노동부’와 ‘노동청’이 동의어인 것을 학습하고 같은 답변을 제공하는 챗봇의 모습이다.

Fig 5.

A capture screen of adding synonyms

Fig. 6.

Chatbot Responses of 1-time Conversation

(3) Dialog 단계

Dialog 단계는 대화의 흐름을 파악 및 조절하고 사용자에게 적합한 응답을 제공하는 단계이다. 본 시스템에서는 일회성 대화와 핑퐁(Ping-Pong) 대화를 제공한다. 전자가 사용자가 질문하고 시스템이 응답한 후 대화가 종료되는 일회적인 대화라면 후자는 시스템이 필요한 정보를 수집하기 위하여 유도 질문을 이용하여 대화의 흐름을 조절하는 대화이다.

시스템은 Entities 단계에서 파악한 질문의 정확한 의도를 바탕으로 대화 흐름 조절을 위한 두 종류의 Flag 변수를 사용한다. 첫 번째 Flag 변수는 일회성 대화인지, 핑퐁 대화인지를 결정하는 오직 하나의 부울형(Boolean Type) Flag 변수이다. 두 번째 Flag 변수는 핑퐁 대화 시 조건 만족 여부를 결정하기 위한 부울형 배열(Boolean Array Type) Flag 변수이다. 결론적으로 본 시스템은 일회성 대화일 경우에는 첫 번째 Flag 변수만을 사용하며, 핑퐁 대화의 경우에는 두 가지 Flag 변수 모두 사용한다.

일회성 대화 시 Flag 변수의 변화를 설명하기 위하여 앞서 제시한 “노동고용부가 뭐야?” 라는 질의를 예로 제시한다. 해당 질의는 일회성 대화에 부합하는 질의이다. 따라서 시스템은 현 Diglog가 일회성 대화라는 것을 의미하도록 첫 번째 Flag의 값에 FALSE를 대입한다. 이러한 변수의 사용은 일회성 대화 시 추가적인 작업 없이 시스템이 안정적으로 종료되기 위함이다.

다음으로 핑퐁 대화 시 Flag 변수의 변화를 설명하기 위하여 (그림7)의 “주휴수당을 받을 수 있을까?”라는 질의를 예로 제시한다. 해당 질의는 사용자가 주휴수당 지급 자격에 적합한 자인지를 결정하기 위하여 자료 수집이 필요한 핑퐁 대화이다. 따라서 시스템은 현 Dialog가 핑퐁 대화를 의미하도록 첫 번째 Flag의 값에 TRUE를 대입한다.

Fig. 7.

Chatbot Responses of Ping Pong Conversation

앞서 언급했던 것처럼 핑퐁 대화 시에는 두 번째 Flag의 사용이 필요하다. 주휴수당을 받기 위해서 사용자는 첫째, 주 15시간 이상 근무해야 하며 둘째, 약속된 근무일에 모두 출근해야 한다. 이에 대한 정보를 수집하기 위하여 시스템은 (그림7)와 같이 두 개의 유도 질문을 통하여 데이터를 수집한다. 이 때 전자의 조건 충족 여부를 결정하기 위하여 Flag[0]을 사용하며 후자의 조건 충족 여부를 결정하기 위하여 Flag[1]을 사용한다. 결과적으로 시스템은 Flag[0]과 Flag[1]이 모두 참일 시(AND 조건) “주휴수당을 받을 수 있다”라고 응답한다.

본 시스템의 목적인 노동법 상담은 특성상 조건 충족 여부를 결정하는 Dialog가 대다수이다. 이에 따라 부울 변수 자료구조를 사용하여 시스템을 개발하였다. 실제로 해당 시스템에서는 주휴 수당 뿐 아니라 야간 수당, 퇴직금 등의 상담 시에도 부울 변수를 기반으로 한 알고리즘을 사용한다. 그러나 챗봇 시스템의 목적에 따라 시스템 개발자의 유연하고 적합한 자료구조 선택이 중요하다.

본 시스템에서는 사용자의 접근성을 높이기 위해 카카오톡 플러스친구와 연동하였다. 카카오톡의 YellowID 라는 서비스를 이용하여 플러스 친구를 생성할 수 있다. 카카오톡 플러스 친구에서는 버튼 형식으로 사용자의 응답을 받을 수 있는 FAQ 형식과 텍스트형 키보드를 통해 사용자의 응답을 받을 수 있는 API 형식을 제공한다. 본 연구에서는 Watson Conversation과 카카오톡 API를 연결하여 사용자가 상담 시스템과 텍스트 형식으로 대화할 수 있도록 구현하였다. 카카오톡으로부터 오는 메시지를 Watson Conversation 서비스의 입력으로 전달하고, Watson Conversation 서비스의 출력을 카카오톡의 응답으로 보내지도록 설정하였다. (그림8)는 사용자 메시지 수신 및 자동 응답을 위한 카카오톡 API를 보여준다. 이를 참고하여, 해당 URL에 대하여 POST 형식 메소드를 구현하여 사용자의 입력에 대한 처리가 가능하도록 하였다.

Fig. 8.

Cacao Talk API

그 결과, (그림9)은 사용자의 질문에 대하여 본 시스템이 일회성 응답을 하는 화면을 보여준다. “최저임금이 뭐야?”, “최저임금 알려줘”와 같은 질문에 대하여 적절한 응답을 하는 것을 볼 수 있다.

Fig. 9.

1-time Conversation using Cacao Talk

(그림10)은 본 시스템과 사용자의 핑퐁 대화를 서비스하는 화면을 보여준다. 이를 위해 사용자와의 대화를IBM Cloudant 서비스를 이용하여 저장하는데, 카카오톡 API에서 제공하는 유저 키(User Key) 값을 id로 하여 context를 Cloudant에 저장한다. 카카오톡에서는 이용자의 개인정보를 외부에 제공하지 않기 때문에 챗봇 서버에서 카카오톡의 이용자를 구분하기 위해서는 API에서 제공하는 유저 키를 응답받아서 구분한다. 유저 키는 카카오톡 이용자를 구분할 수 있는 일종의 해시 값이다.

Fig. 10.

Ping-pong Conversation using Cacao Talk