최근 글로벌 혁신의 트렌드인 AI의 다양한 사례를 살펴보고 단계적으로 어떻게 접근하고 준비해야 할지를 알려드립니다. 이미지/비디오 인식 등 AI 어플리케이션의 유형과 트렌드를 전달드립니다. 특히 AWS AI 서비스를 성공적으로 도입하고 활용하기 위한 전략을 살펴보고 사례를 통한 Use Case를 통해 단계별 접근 전략을 소개드립니다. 이번 세미나를 통해 최신 AI트렌드와 정의, 그리고 사례 기반의 도입 유형, 접근 전략과 방법론 등을 알 수 있습니다.
더 많은 AWS 온라인 세미나 알아보기: https://aws.amazon.com/ko/events/webinars/series
AI서비스에서 UX의 역할은 무엇일까요?
아래 자료는 라이트브레인 챗봇/AI 스피커 사업소개서의 요약본으로 전체 내용 중 공개 가능한 부분 28페이지 정도를 발췌해 슬라이드쉐어로 공개합니다.
* 라이트브레인은 고유한 UX방법론으로 챗봇을 이해하고 인공지능(AI)을 비롯한 신기술 및 신사업의 선행연구와 상용화에 성공한 경험을 갖고있습니다.
SK 텔레콤의 음성인식 디바이스 'NUGU'의 신규서비스 개발, 기존 서비스 고도화 및 삼성카드 AI 챗봇 서비스의 UX컨설팅 및 신규서비스 프로젝트를 진행하였으며 LG U+ 음성인식 디바이스 UX, 하나은행과 SKT가 합작한 금융서비스 FINNQ 챗봇에 이어 2018년 카카오톡 챗봇 'kakao i openbuilder' 공식 에이전시로 선정되기도 하였습니다.
OCR(Optical character recognition, 광학 문자 인식)은 이미지(사진) 속 글자 위치를 찾고 어떤 글자인지 자동으로 알아내는 기술로서 OCR 서비스는 네이버의 AI 기술을 활용하여 주요 비즈니스 활용에 최적화된 고성능 OCR 인식 모델을 적용하였습니다. 네이버 클라우드 플랫폼의 OCR서비스에 대해 좀 더 상세히 소개해드리도록 하겠습니다.
Python과 Tensorflow를 활용한 AI Chatbot 개발 및 실무 적용Susang Kim
도입
AI Chatbot 소개
Chatbot Ecosystem
Closed vs Open Domain
Rule Based vs AI
Chat IF Flow and Story Slot
AI기반의 학습을 위한 Data 구성 방법
Data를 구하는 법 / Train을 위한 Word Representation
Data의 구성 / Data Augmentation(Intent, NER)
자연어처리 위한 AI 적용 방안
Intent (Char-CNN) / QnA (Seq2Seq)
Named Entity Recognition (Bi-LSTM CRF) / Ontology (Graph DB)
Chatbot Service를 위한 Architecture 구성
Chatbot Architecture
NLP Architecture
Web Service Architecture
Bot builder / Chatbot API
Test Codes for Chatbot
실무에서 발생하는 문제와 해결 Tips
Ensemble and voting / Trigger / Synonym(N-Gram)
Tone Generator / Parallel processing / Response Speed
마무리
[설명 코드]
Text Augmentation / Slot Bot / QA Bot / Graph DB / Response Generator
빅 데이터 환경의 고급 분석 기법과 지원 기술 동향 (Advanced Analytics and Technologies for Big Data)Myungjin Lee
오늘날 인터넷의 보편화와 소셜 미디어 및 스마트 기기의 발전으로 인해 정보의 양이 급격히 증가함에 따라 비즈니스 영역에 있어서 새로운 기회와 도전의 시기를 맞고 있다. 빅 데이터라 불리는 이러한 수 많은 정보들은 기업이 효율적인 의사결정을 지원할 수 있도록 도와줄 수 있으며, 또한 다른 기업과의 비즈니스 경쟁에서 경쟁우위를 차지하는데 아주 중요한 역할을 한다. 이러한 의사결정을 지원하기 위해서는 빅 데이터를 효과적으로 분석할 수 있는 방법론이 필요할 뿐 아니라 이를 지원할 수 있는 다양한 인프라를 필요로 한다. 따라서 본 논문에서는 빅 데이터를 분석하기 위한 고급분석 기법과 이를 지원하기 위한 기술 요소들을 도출하고, 향후의 발전 방향에 대해 논하고자 한다. 이러한 분석 기법과 기술을 통한 정확하고 신뢰성 높으며 신속한 의사결정은 기업이 고객의 요구를 신속히 수용하고 반영함으로써 기업의 수익 창출 및 시장을 선점하는 중요한 요인으로 작용할 수 있다.
Recently, as the Internet, social-media, and smart devices have been spread and common, the amount of information increases incredibly. Nowadays, we are confronting new opportunities and challenges in every business area. Obviously, such huge amount of information which called Big Data is playing a significant role at many parts, like improvement of effective decision making. Therefore, many companies could maintain their competitiveness in the market place. In order to support firm’s decision making, we need not only the methodology for the effective analysis of Big Data, but also various infra-structure which could support the firm’s decision making. As a result, this paper discusses advanced analysis methodologies and it’s supporting technical factors. The firm’s decision which is based on such analysis and techniques is usually accurate, reliable, fast, receiving and refreshing customer’s feedback immediately, so the decision making plays an important role in the revenue creation and preempt of market share.
- Schlumberger is the world's leading provider of technology for the oil and gas industry, operating in 85 countries with over 100,000 employees from 140 nationalities.
- They developed over 50 business apps for Europe using Power Automate to automate repetitive tasks within Microsoft Teams. Citizen developers built these apps in an average of 2 hours after 1-2 weeks of training.
- Chevron uses the Microsoft Power Platform to build a digital platform with a consistent user experience and exposes business data and functions through APIs. This includes a cost estimation solution for wells delivered via a workflow enabled by data and process APIs.
- Schlumberger is the world's leading provider of technology for the oil and gas industry, operating in 85 countries with over 100,000 employees from 140 nationalities.
- They developed over 50 business apps for Europe using Power Automate to automate repetitive tasks within Microsoft Teams. Citizen developers built these apps in an average of 2 hours after 1-2 weeks of training.
- Chevron uses the Microsoft Power Platform to build a digital platform with a consistent user experience and expose business data and functions through APIs. This includes a cost estimation solution for wells delivered via a workflow enabled by data and process APIs.
1. The document discusses use cases of RPA personalization at Schlumberger and Chevron. Schlumberger used Power Automate to automate repetitive tasks within Teams, building 50+ apps in 2 hours on average.
2. Chevron's digital platform uses the Power Platform for its engagement layer, exposing business data and functions through APIs while leveraging a variety of Azure technologies in its foundation layer.
3. The cost estimation solution delivered via Chevron's digital platform allows users to select well characteristics, load offset wells, associate time with costs, and submit estimates through a workflow powered by data and process APIs.
1. The document discusses use cases of RPA personalization including examples from Schlumberger and Chevron.
2. Schlumberger used Power Automate to automate repetitive tasks within Teams, building over 50 apps with 120 citizen developers across 32 countries.
3. Chevron's digital platform uses the Power Platform for its engagement layer, leveraging Power Apps, with business data and functions exposed through APIs to provide solutions like cost estimation.
2. • 해당 컨텐츠는 내부 참고용으로 제작되었으며, 중복된 내용이 포함되어 있을 수 있습니다.
• 내부 지식 공유 용도로만 활용해주시기 바랍니다.
3. RPA 확대를 근간으로 Intelligent 적용 기술 확대, 수행 방식의 변화 및 개발 주체의 확대가 이루어지고
있음
Automation 전개 방안
RPA 도입 확대
Intelligent Automation을 RaaS
Basic RaaS
적용 기술
확대
B
수행 방식 변화
C
SI RaaS
Only RPA
Intelligent 개발자
현업 사용자
Intelligent
Automation개발
A
OCR
M/L
Cognitive Chatbot
NLP
4. 가치 포착을 극대화하기 위해 선도 기업은 다양한 자동화 기술과 애플리케이션 테크닉을 활용함
IPA 정의 : Automation Technologies
출처 : McKinsey
Technologies Techniques Optimal Value
+
Robotic process automation
Machine learning
Natural-language technologies
=
Design thinking
Process clean-sheeting
Role-level assessment
Minimum viable product
Smart workflows
OCR
Cognitive agents (chatbot)
주요
활용 영역
5. RPA와 AI를 결합하는 경우, 단순 RPA 대비 기대수준을 충족하거나 초과 달성할 가능성이 높아짐
IPA 특장점 : 품질 향상
영역
기대 초과 기대 충족
RPA만 적용 AI 결합 RPA만 적용 AI 결합
고객경험 개선 21% 26% 42% 52%
정확성 향상 21% 35% 67% 61%
분석 강화 8% 16% 46% 52%
6. Intelligent 기술 적용을 통해 단순 RPA 대비 적용 대상 업무 범위의 확대가 가능함
IPA를 통한 적용 영역 확대
14
18
20
22
27
29
59
55
56
54
49
50
27
27
24
24
24
21
0 20 40 60 80 100
Record to
report
Hire to
retire
Plan to
forecast
Plan to
deliver
Quote to
cash
Procure to
pay
프로세스 명
자동화 불가 최근의 기술로는 자동화 어려움 자동화 가능
자동화 가능 업무 비율 %
12%
16%
21%
24%
RPA 만
사용 시
ML, NLP,
OCR,
Chatbot 등
결합 시
+9
+8
16% 24%
+8
14% 24%
18% 27%
18% 27%
+10
+9
+9
7. • 해당 컨텐츠는 내부 참고용으로 제작되었으며, 중복된 내용이 포함되어 있을 수 있습니다.
• 내부 지식 공유 용도로만 활용해주시기 바랍니다.
8. OCR은 Optical Character Recognition(광학문자인식)으로, 스캔 문서/이미지 내 비정형 데이터를
인식해 이를 데이터로 인식하거나 혹은 텍스트 파일(엑셀, 워드 등)로 변환하는 Software
OCR 정의
출처 : medium.com, Ravii Lango
9. 기업 내 생성되는 약 80%의 반구조화, 비구조화 데이터를 처리하기 위해 OCR 등 기술과 결합 필요
OCR 적용 필요성 : 80%의 비정형 데이터
10. OCR 기술은 현재 보편적이고 안정적인 서비스 단계에 접어들었음
OCR 기술 성숙도
11. 비정형 문서 처리 기술은 Deep Learning 기술을 기반으로 입력된 비정형 문서에 대한 문자 및 문서
인식을 통해 문서를 분류하고 업무에 필요한 정보를 추출하는 업무 프로세스의 자동화를 지원
OCR 데이터 처리 프로세스 (1/2)
문서 입력 문서 분류 전처리 및 문서 구조 분석 문자 인식 및 검증
Mixed
Documents
Input-Output
Model #1
Classification
NN
A
B
C
D
Input-
Output
Model #2
Noise
Reduction
NN
Text
Data
Input-Output
Model #3
Customized OCR
NN
• 다양한 종류의 비정형 문서
입력
• 사례: 보험거래조회서 발행
요청 공문 첨부 문서 4종
• 문서 분류 NN을 통해 문서
종류 분류
• 필요 문서 여부 확인
• OCR을 위한 문서 구조 분석
및 이미지 전처리 작업
• 관심 영역 추출
• NN을 이용한 배경 노이즈
제거
• Customized OCR을 통한
문자 인식률 향상
• OCR 결과에 대한 검증
네트워크
※NN:NeuralNetwork(신경망)
Input-Output
Model #4
Validation NN
12. OCR을 통해 추출된 Data를 사용자 지정 양식으로 출력하기 위해서는 Chatbot 및 M/L 등 다양한
기술의 적용이 필요함
OCR 데이터 처리 프로세스 (2/2)
T/A
Python
OCR Data 추출 Data 검증
OCR 처리 프로세스
프로세스 단계별 적용기술
엑셀로 출력 후
E-mail
SAP 업로드
Chat-Bot RPA RPA
13. 서비스 방식 및 이미지 인식 방식에 따라 솔루션 별 차별적 기능을 제공 중이며 당사는 NBP Clova로
제언
옵션별 OCR Player
인식방식
서비스
방식
Cloud
On-
Premise
전체
이미지 인식
구획
지정
Cloud
전체 학습 Platform
Cloud
개별 학습 가능
On-Premise
전체 학습 Platform
On-Premise
개별 학습 가능
①
②
④
① Cloud 방식
내부 문서가 외부 플랫폼에서 인식되는 방식
일부 회사의 경우 보안 정책에 이슈 발생
일정 건수까지는 무료, 초과 시 건수 별 Pricing
② On-Premise 방식
상용솔루션 구매 또는 Open Source로 구축
회사의 보안정책에 적합
③ 전체 이미지 인식 방식
문서 전체를 인식하여 Text로 전환
문서 유형별로 별도의 학습이 불필요
개별 회사에 특화된 학습이 어려움
④ 구획 지정 방식
각 문서 별 구획에 라벨링을 하여 자가 학습
가능한 방식
문서 양식이 다양한 경우 학습에 시간 소요 多
14. OCR로 문서를 text화 시키고, NLP로 문맥을 인식하고 비교하며 RPA로 문서로 만들어서 전송함
OCR 활용 예시(1/2)
15. OCR과 RPA 연계를 통해 이미지 인식 및 시스템 자동 입력과 표준 양식화 등이 가능함
OCR 활용 예시(2/2)
16. • 해당 컨텐츠는 내부 참고용으로 제작되었으며, 중복된 내용이 포함되어 있을 수 있습니다.
• 내부 지식 공유 용도로만 활용해주시기 바랍니다.
17. 챗봇(Chatbot) 정의
XXX 배정 초등학교는??
XX 초등학교,
OO 초등학교입니다.
XXX아파트 규모는?
XXX 아파트 내 입주예정
세대는 총 2,500 세대로…
Chatbot
사용자가 Text 또는 음성으로 작업
요청시, NLP(Natural Language Processing)을
통해 해당 내용을 파악하여 작업을
수행하도록 제작된 컴퓨터
프로그램입니다.
18. 대부분 단순 시나리오 기반으로 개발함
기존 챗봇 활용 한계 : 단순 시나리오 기반
19. 시나리오에 있는 단어(자연어)라도 현재 수준으로는 인식 못함
기존 챗봇 활용 한계 : 자연어 인식 한계
20. 불완전한 “Intent Recognizer”로 인해 활용에 제한적이나, 低비용 구조하에 24시간 즉각 대응을
목적으로 활용되고 있음
Chatbot 도입 목적 및 활용방안
8%
24시간 서비스
즉시 대응
단순한 질의 응답
단순 커뮤니케이션
신속한 불만 해결
고객 경험 개선
상세/전문적인 응답
복잡한 질문에 대응
친근합과 접근성
기타
[ Chatbot 도입 목적 ]
요청을 잘못 이해
인간 대화 오해
부정확한 실행
강조(Accent) 이해의 어려움
감정 구분의 어려움
부정확한 정보 제공
59%
59%
30%
29%
23%
14%
잘못된 경고 1%
부적절한 표현 사용 1%
[ Chatbot의 일반적인 오류 ]
21. Basic scripted에서 Intent Recognizer 수준으로 발전하고 있음
Chatbot Evolution 방향
Basic
Scripted
Intent
Recognizer
Dialogue
Manager
Intelligent
Advisor
Human
Advisor
단순 Chatbot
- 주요 구문 검색
- 시나리오에 의한
대응
의도 인식
- 단어의 연관관계
확인
- 문장의 의미 파악
대화 관리
- 과거의 대화 유지
- 언어의 통합적인
이해
지능화 조언
- 인간의 의도
이해하는 능력 강화
- 더 나은 방향 조언
인간화
- 가상의 단계
- 선택권이 있는
종신보험 나열
- 사용자의 선택을
양식으로 캡처하고
Q&A 기술 자료에
따라 다음 옵션을
제시
- 가장 저렴한 플랜을
요청하는 질의에
대하여, 플랜을
확정하기 전에
보험료 비교를 위해
이용자에게
커버리지 금액 질의
- 저렴한 종신보험 플랜의
비교표와 함께 지불
옵션 및 다운로드할
브로셔를 제공.
또한, 사용자가 더 많은
커버리지를 고려해야
한다고 제안
- 사용자의
허용한도를
이해하고 사용자가
지정한 보험료
한도를 기준으로
목록을 업데이트
22. Chatbot 도입의 효과를 얻기 위해서는 업무 적합성에 대한 평가가 필요함
업무 별 적합한 OCR 적용
구분 낮은 적용수준 적절한 적용수준 이상적인 수준
실행 시간 및 빈도
실행시간 : High
빈도 : Low
실행시간 : Medium
빈도 : Medium
실행시간 : Low
빈도 : High
프로세스 문서화 문서화 불가
일부 문서 또는 Process
Map 가능
상세 문서, Process Map,
테스트 문서 가능
정확도/효율성
개선 가능성
낮음 보통 높음
자동화 수준 낮음, 30% 이하 보통, 30-70% 높음,70% 이상
개발 복잡성 높음, 8주 이상 소요 보통, 6-8주 소요 낮음, 4주 이하 소요
외부 어플리케이션 통합
용이성
매우 복잡 보통 쉬움
23. 국내 주요 Chatbot Player
Customizing
Channel
Chatbot Engine
(Builder)
C/S & Mktg. RPA
국내 챗봇 사업자 대부분은 네이버, 카카오 및 구글의 Dialogflow, MS의 챗봇 엔진을
Customizing하는 사업 방식임
24. Chatbot과 타 시스템과의 연계성 측면에서는 Microsoft chatbot이 상대적으로 우월함
서비스 수준별 Chatbot
타 시스템 연계
서비스
확장성
고
저
저 고
카카오 오픈 빌더
STT, TTS, 이미지 인식 등 자체 AI 서비스 부족
Chatbot에 한정된 서비스 제공
네이버클로바
STT, TTS, 이미지 인식 등
자체 AI 서비스와 연동 탁월
Chatbot에 한정된 서비스 제공
Microsoft
STT, TTS, 이미지 인식 등
자체 AI 서비스와 연동 탁월
RPA과 자동 연계
25. 챗봇이 실제 작동되기 위해서는 AI(NLP), RPA 및 Legacy가 통합되는 구조로 설계되어야 함
Chatbot in RPA 역할 및 구조
담당자 Comm. 1.Chat E-Mail 전화
AI 2. 시나리오 기반 NLP
RPA 3. Chatbot의 고객 의도를 Legacy System에 전달
Legacy
Smart
Automation
Chatbot, RPA & Legacy Integration
1. 대기업 계열사 계열 또는 일반 상용화 챗봇 채택
2. 현 기술 수준과 챗봇 도입 목적에 맞춰 대부분 시나리오 또는 선택방식으로 채택 중
3. 챗봇에서 인식된 사용자 요청을 시스템 상 전달하기 위해서는 RPA와의 연동이 필수적
26. 챗봇의 작업 지시, 결과물 수령 및 작업 가능한 시점 파악 등이 가능
Chatbot in RPA : Chatbot 제공 기능
• 작업성공및실패시
담당자에게Alarm정보전달
• 작업지시에대한
결과물을수령가능
작업 경과 및
결과물 수령
• 할당된봇스케쥴작업조회
가능
• 작업가능한시간정보전달
작업 가능 시간 조회
• OCR+RPA연동작업의경우
이미지를카카오톡등에업로드하는
방식으로작업지시
작업 지시
27. RPA와 챗봇 동시 수행 가능한 업체가 진행하는 것이 적합함
Chatbot in RPA 수행 방식
단일 업체가 챗봇 기획, RPA
인터페이스와 시스템 조작을 통합하여
담당하는 방식
RPA+챗봇 통합 서비스
챗봇 시나리오 기획 및 구축은
챗봇 업체가 담당하고
RPA 업체는 인터페이스와 시스템
조작을 담당하는 방식
챗봇 전문 업체
RPA+챗봇 연계 기획과 개발을 통해
비용 절감 및 시스템 완성도 확보
RPA와 관련된 챗봇인 경우 RPA 역량이
우선적
챗봇이 자연어 처리 등을 요하는
난이도가 높을 경우 전문성 보장
역할
장점
챗봇이 자유형의 자연어 처리일 경우
사업 개발의 핵심 역량이 챗봇임
높은 기획과 개발 비용
단점