‘전문 지능 보조 서비스(IEA)’와 작업 지향적 규칙 기반 챗봇의 서비스 디자인 중심 비교분석 연구

Chatterbot의 줄임말인 챗봇은 인간과 자연스럽게 대화하는 인공지능 소프트웨어로, 자연어 처리 기술을 사용하여 질문이나 요청을 이해하고 적절한 응답을 제공한다[4]. B2C와 B2B 환경에서 비용을 거의 들이지 않고, 시간과 위치에 제한 없이 고객 서비스를 제공하는 효율적인 도구로 활용된다. 인공지능 챗봇은 매일의 일상에서 다양한 업무를 자동화하여 기업의 고객 지원, 영업, 홍보 활동 등 모든 분야에 걸쳐 지원하고 있다.

글로벌 IT 기업의 경우, Apple의 Siri를 시작으로 챗봇 시장에 차례대로 뛰어들며, Google Now, Cortana, Alexa 등이 출시되어 음성인식과 인공지능 기술 기반으로 사용자의 요청에 대한 더 복잡하고 정교한 반응을 제공하게 되었다. ChatGPT 모델의 등장 이전에도 챗봇은 고객 서비스와 업무 효율성을 높이는 혁신적인 도구로 기대를 모았으나, 기술적 한계로 인한 성능 부족 때문에 많은 사용자가 실망감을 경험하였다.

2022년 11월, OpenAI가 출시한 ChatGPT는 포춘(Fortune) 선정 500대 기업 중 80% 이상에서 채택될 정도로 큰 인기를 얻으며 새로운 챗봇 시대를 열었다. ChatGPT는 GPT(Generative Pre-trained Transformers)라는 사전 학습된 생성형 트랜스포머 아키텍처를 기반으로 하며, 대규모 텍스트 데이터 학습을 통해 발전하므로 양질의 데이터를 많이 학습할수록 성능이 향상되고 있다.

GPT 기반의 챗봇은 인간의 언어와 대화 맥락을 이해하고, 머신러닝과 자연어 처리 기술을 사용하여 사용자의 요구에 맞는 응답을 생성하는데 OpenAI의 경우, 아래 3단계와 같은 강화 학습 기반의 미세조정을 통해 GPT-3.5의 답변 정확도를 향상시켰다[5].

• 1단계: 학습 데이터 준비 및 지도 학습
대량의 질문과 답변 데이터를 활용해 초기 학습을 시행, 잠재적 사용자의 요구에 맞는 출력 생성에 초점을 맞춤. 이 단계는 선생님이 학생을 위한 문제집을 준비하는 과정에 비유됨.
• 2단계: 보상 모델 훈련
다양한 데이터 세트를 사용하여 보상 모델을 훈련 시키고, 여러 결괏값의 순위를 매김으로써 보상 모델을 개선함. 이 단계는 그룹 스터디에서 선생님이 학생들의 답변에 피드백을 제공하는 과정에 비유됨.
• 3단계: 강화 학습 알고리즘 적용
PPO(Proximal Policy Optimization) 알고리즘을 사용해 보상 모델의 정책을 최적화함. 이 단계는 논술 학원에서 글쓰기 훈련을 받고 피드백을 통해 작문 능력을 향상시키는 과정에 비유됨.

GPT-4 버전의 경우, 멀티 모달 기능을 통해 이미지를 인식하고 처리할 수 있으며, 이미지에 대한 텍스트 정보를 생성하는 능력이 추가되었다. 또한, 언어 이해와 처리 능력이 향상되어 영어에서 25,000개의 단어 처리와 장기 기억력에서는 64,000개의 단어 기억이 가능하다. 이러한 개선으로 GPT-4는 더 정교한 언어 이해와 맥락적 대응이 가능하며, 사실과 허구를 구분하는 능력에서도 개선이 이루어졌다. 최신 버전인 GPT-4O는 이미지와 동영상까지 분석할 수 있는 LMM 모델로, 인간의 지성에 가까운 다양한 언어 처리와 인식 기능을 제공한다[6].

물론, GPT 모델들에도 문제점이 존재한다. 대표적인 문제점은 인공지능, 특히 자연어 처리 모델에서 발생하는 문제로 모델이 실제 데이터나 정보에 기반하지 않은 잘못된 또는 허구의 내용을 생성하는 환각 현상이 존재하는데 이에 대한 완벽한 해결책이 필요하다.

챗봇은 크게 GPT 기술 도입 전과 후로 나누어 볼 수 있는데, GPT 기술 도입 전 모델인 작업 지향적 규칙 기반 챗봇의 인간적인 특성부터 살펴보면 크게 아래 5가지로 구분할 수 있다.

첫째, 사회적 실재감(Social Presence)은 개인이 의사소통 과정에서 실제로 상대와 대면하는 것 같은 느낌이 드는 것을 의미하며, 이는 개인이 상대방과의 심리적 연결을 감지하는 척도로 이해된다[7]. 신체적 접촉 없이 다른 인간과 어떻게 연결될 수 있는지를 설명하며, 사용자가 매개적 인터페이스를 통해 타인의 존재를 인식하는 수준을 나타낸다[8],[9]. 인간과 비슷한 외형의 사회적 단서가 사회적 실재감을 증가시키며, 시각적 인지가 글로만 이루어진 인지보다 이를 강화한다고 입증되었다[10]. 인식 과정은 대부분 무의식적으로 이루어지며, 사용자들은 기계와 상호작용을 인간과 상호작용처럼 인식하고 반응하는 것이다[11].

둘째, 의인화(Anthromorphization)는 제품이나 시스템에 인간과 유사한 특성을 부여해 인간처럼 인식하고 반응하도록 만드는 개념이다[12]. 마케팅과 커뮤니케이션에서 사용되어 거부감을 줄이고 친숙함을 높이며, 제품에 대한 호의적인 태도와 구매 의도를 증가시킨다[13]. 이는 대상에 인간과 같은 성격, 의도, 감정을 부여함으로써 소비자 태도에 긍정적인 영향을 미친다[14].

셋째, 개인화(Personalization)는 정보나 서비스를 사용자의 특성이나 요구에 맞게 조정하여 제공하는 개념이다. 이는 고객에게 맞춤형 서비스를 제공하는 중요한 마케팅 전략으로, 개인화된 추천 서비스가 대표적인 예이다[15]. 개인화의 대표적인 방법으로 개인화 추천 서비스가 있는데, 예를 들어 챗봇의 성별 선택이나 고객 이름 사용 및 맞춤 답변 제공 등이 있으며, 이를 통해 고객에게 더 개인적이고 차별화된 경험을 제공한다[16].

넷째, 상호작용성(Interactivity)은 챗봇이 인간과 유사하게 반응하는 능력을 의미하며, 사용자 맞춤형 서비스 제공과 사용자 참여의 핵심적인 역할을 한다. 이는 챗봇이 민감한 주제에 대해 인간처럼 반응하는 정도를 나타내는 중요한 척도로 사용된다[17]. 챗봇의 대화 이해와 반응에 초점을 맞춘 이해성과 달리 상호작용성은 사용자의 통제력에 중점을 둔다. 이 두 요소는 사용자 경험을 결정하는 중요한 요인이다.

마지막으로 공감성(Empathy)은 기업이 개별 고객의 필요와 고민을 인식하고 이에 대응하는 능력이다. 챗봇이 사용자의 감정 상태와 필요를 적절히 인식하고 반응하는 능력으로, 이는 서비스 품질을 결정하는 중요한 요소로 작용한다[18].

인공지능은 인간의 인지, 추론, 판단 능력을 모방해 기계가 인간처럼 작업할 수 있게 하는 기술이다. 많은 데이터를 효과적으로 처리할 수 있기에 다양한 학문을 바탕으로 발전한 인공지능은 데이터 및 자연어 처리 등을 수행하며, 자율주행 자동차, 의료 진단 등 여러 분야에서 활용된다.

그러나, 아직 인공지능은 여전히 더 많은 데이터를 학습해야 하며, 한 번의 경험으로는 학습을 충분히 하기 어렵다. 연구자들은 인공지능 발전을 위해 인간 뇌의 작동 원리를 더 잘 이해할 필요가 있다고 주장한다. 현재 인공지능의 학습 방식이 완전히 이해되지 않았기 때문에, 인공지능을 ‘발명’했다 보다는 ‘발견’했다고 보는 것이 적절하다[19].

전 세계적으로 글로벌 IT 기업들과 연구기관들이 주도하여 인공지능 모델을 개발하고 있다. ChatGPT 출시 이후 다양한 회사들이 전략적 파트너십을 통해 시장 선점을 위한 움직임을 보이고 있다. 그중 대표적인 챗봇 서비스는 아래 표 1과 같이 크게 3가지 서비스로 볼 수 있다.

Table 1.

Major generative AI-based chatbot services

OpenAI의 경우, 마이크로소프트가 두 번의 대규모 투자를 집행하여 현재 최대 주주로 자리를 굳히면서, 마이크로소프트의 애저 클라우드에 OpenAI 서비스를 탑재하였고 역으로OpenAI는 마이크로소프트의 애저 클라우드 인프라를 이용하고 있다.

2023년 5월, 구글과 SK텔레콤 등의 투자를 받은 앤트로픽은 OpenAI에서 퇴사한 개발자들이 설립한 스타트업으로, 2024년 3월 자사 인공지능 챗봇인 클로드3가 허깅페이스 리더보드에서 GPT-4를 이기고 1위를 차지했으며, 미국에서 최초로 IQ 100을 넘는 수치를 기록했다[20]. 앤트로픽은 다국어 지원 LLM을 개발하여 글로벌 시장에 진출할 계획이며, SK텔레콤과 협력해 국내에도 서비스를 제공할 예정이다[21].

구글 제미나이는 구글이 개발 중인 인공지능 챗봇으로, 다국어 지원과 고도의 자연어 이해를 특징으로 한다. 사용자 맞춤형 대화 생성을 가능하게 하며, 구글의 다양한 서비스와 통합하여 사용자에게 개선된 경험을 제공한다. 제미나이는OpenAI의 ChatGPT에 대응하기 위해 고안되었으며, 구글의 강력한 데이터 분석 및 머신러닝 기술을 기반으로 발전된 인공지능 서비스를 목표로 하고 있다.

본 연구에서는 서비스 디자인 측면에서 IEA의 6가지 핵심 요소들이 필요하다는 연구 가설을 검증하기 위해 규칙 기반 챗봇과 IEA를 비교 분석하였다. 본 논문의 2.1 챗봇의 개요의3) 작업지향적 규칙 기반 챗봇의 인간적인 특성에서 언급된 5가지 요소에 3가지의 새로운 IEA 요소들인 응답 적응성(Response Adaptability), 유연성(Flexibility) 및 서비스 신뢰성(Service Reliability)를 포함해 총 8가지 요소를 기반으로 24개의 키워드로 구성된 카드덱을 제작하여 오픈 카드 소팅을 진행했다. 카드덱의 내용들은 빠른 연산, 신속한 처리, 민감한 반응도, 환각 현상 감소, 학습 데이터의 질, 학습 알고리즘, 시간적 제약, 다양한 데이터 학습, 자연스러운 대화, 인간의 속성, 친숙함 증가, 거부감 감소, 맞춤식 분석, 일대일 응대, 추천 서비스, 인공지능의 민감성, 사용자의 통제력, 높은 이해도, 고객의 고민 인식, 관심과 배려, 고객의 생각 이해, 대화 상대와 대면하는 느낌, 대화 상대와의 심리적 연결, 대화 상대의 시각적 인지 이상 24가지이다. 카드 소팅을 통해 취합한 80개의 키워드를 정량적으로 분석하였고, 그 후 인터뷰 대상자들이 프로토타이핑에 참여하여 IEA의 6가지 핵심 요소의 필요성에 대한 가설을 검증했다.

Fig. 2.

Example cards for card sorting* Actual card deck used for card sorting method was prepared in Korean language only.

본 연구의 연구 모형은 그림 3과 같이 작업 지향적 규칙 기반 챗봇과 전문 지능 보조 서비스인 IEA의 비교 분석을 기반으로 서비스 디자인 측면에서 인공지능 서비스의 핵심 요소들을 검증했다. 선행 연구를 통해 작업 지향적 규칙 기반 챗봇의 5가지 요소를 정의하고, LMM과 벡터DB 기술 도입을 통해 고도화된 IEA의 6가지 요소로 재정의했다. 전문가들의 심층 인터뷰를 기반으로 IEA 관련 키워드를 분석하고, 카드 소팅과 프로토타이핑을 통해 모델의 서비스 사용 의도를 강화하는 요소들을 검증했다. 연구는 신뢰성 있는 정량적 평가를 도출하기 위해 전문가 의견을 종합적으로 반영하는 방식을 채택했다.

Fig. 3.

Research model

연구 절차는 그림 4와 같이 선행 연구를 시행하여 연구의 방향성으로 결정하고, 카드 소팅과 1차 델파이 조사인 심층 인터뷰를 통해 인공지능 서비스에 대한 사용자들의 요구 사항을 확인하였다. 다음으로 인터뷰 대상자들이 직접 실험에 참여하여 프로토타이핑을 진행 후 2차 델파이 조사인 심층 인터뷰를 진행하였다. 1, 2차 델파이 조사를 거쳐 취합된 키워드들 총 80개와 6가지 IEA 요소의 서비스 디자인 측면 관련도를 정량적으로 분석하여 가설 검증을 진행하였다.

Fig. 4.

Research procedure

본 연구는 IT 기술직과 서비스 기획 분야의 전문가 10명을 대상으로 IEA의 이해도와 활용 가능성을 평가하기 위한 심층 인터뷰를 진행하였다. 연구 참여자들은 모두 현재 인공지능 서비스의 사용이 활발한 업종에서 활동하며, 30대 6명과 40대 4명이며, 남성 7명과 여성 3명이고, 학력은 학사 5명, 석사 4명 및 박사 1명으로 구성되어 있다. 경력은 10년 이하 6명, 10-14년 2명에 15-20년 2명으로 분포돼 있으며, 정량적 비교 분석을 위해 IT 기술자 5명과 기획 전문가 5명을 대상으로 진행하였다.

인터뷰를 총 6시간 42분에 걸쳐 진행하여 35,411단어를 확보하였고, 결과물을 음성, 동영상 및 사진으로 기록하여 수집하였다. 심층 인터뷰는 1차와 2차 델파이 조사로 나누어 진행되었는데, 1차는 카드 소팅 완료 후 인공지능 챗봇에 대한 요구 사항을 질문하였다. 2차는 인터뷰 참여자들이 직접 IEA 서비스를 경쟁 서비스인 ChatGPT와 CHATPDF와 비교 사용해 보는 프로토타이핑을 진행한 후 IEA 모델의 경험에 대해 질문하였다.

IEA는 아래 그림 5와 같이 LMM과 벡터DB 기술 도입을 통해 고도화되어 작업 지향적 규칙 기반 인공지능 챗봇의 5가지 요소인 개인화, 의인화, 상호작용, 공감성 및 사회적 실재감 중에서 상호작용과 공감성이 부분적으로 융합하여 응답 적응성으로 개선되었고, 유연성 및 서비스 신뢰성이 추가되어 총 6가지 요소로 재정의하였다.

Fig. 5.

Comparision between rule-based chatbot and IEA

응답 적응성은 챗봇이나 IEA가 사용자와의 상호작용 중에 상황에 맞게 적절하게 반응하고, 변화하는 사용자 요구나 맥락에 따라 응답을 조정할 수 있는 능력을 의미한다. 이는 시스템이 고정된 응답을 제공하는 대신, 사용자 입력에 따라 동적으로 반응하고 맞춤형 응답을 생성하는 능력을 포함한다. 응답 적응성의 측정 방법으로는 정확성 평가, 반응 시간 측정, 문맥 인식 능력 평가 및 사용자 만족도 조사가 대표적이며 본 연구에서는 위 측정 방법들을 종합적으로 활용하여 IEA의 응답 적응성을 측정하였다.

유연성은 챗봇이나 IEA 서비스가 다양한 상황과 사용자의 요구에 적응하고, 변화하는 환경에 따라 동적으로 대응할 수 있는 능력을 의미한다. 이는 시스템이 사전에 정의된 규칙이나 시나리오에만 의존하지 않고, 새로운 상황에서도 적절한 반응을 생성할 수 있는 능력을 포함한다. 유연성의 측정 방법으로는 다양한 입력 처리 능력 평가, 예측 불가능한 상황 대응 능력 평가, 지속적 학습과 개선 평가 및 다기능성 평가 등이 있다. 본 연구에서는 인터뷰 참여자들이 경험한 IEA의 성능에 대한 측정을 위해 입력 처리 능력 평가를 주로 활용하였다.

고도화된 IEA는 다양한 형태의 비정형과 정형 데이터를 다차원 벡터로 변환하고 저장할 수 있게 되었다. 이를 통해 사용자는 신속하고 정확한 답변을 받고, 개인화된 서비스를 경험할 수 있다. 이러한 통합은 고객 만족도와 서비스 재사용률을 높이며, 인공지능 시스템의 성능 극대화에 이바지하여 서비스에 대한 신뢰성을 향상 시킨다.

본 연구는 IT 기술직과 서비스 기획 분야 전문가들을 대상으로 심층 인터뷰를 진행했다. 인터뷰는 인공지능 서비스인 IEA의 핵심 요소들의 중요성을 평가하기 위해 이루어졌으며, 이해력, 결과물의 정확성과 적절성, 학습 능력, 사용자 맞춤화, 다기능성, 의인화, 그리고 보안 및 프라이버시를 평가 척도로 설정했다. 다양한 언어 이해를 포함해 사용자 질문의 의도와 맥락을 정확히 파악하여 복합적인 작업을 처리하고, 이를 바탕으로 사용자에게 개인화된 응답을 인간처럼 친숙하게 제공할 수 있어야 한다. 결과물의 정확성과 적절성은 지속적인 데이터 학습과 알고리즘 최적화를 통해 더욱 향상되어, 사용자 경험을 크게 개선하고 서비스 효율성을 높일 것이다. 동시에 그와 같은 서비스 제공이 사용자의 데이터를 안전하게 처리하는 개인 정보 보호 속에서 이루어져야 한다.