오늘날의 디지털 기술 세계에서 관련성과 생산성을 유지하려면 모든 회사가 기술 우선 회사 여야합니다. 즉, 확장하고 관련성을 유지하기 위해 고객이 기대하는 솔루션을 배포해야합니다. 이러한 솔루션의 미래에는 대화 형 AI가 포함됩니다. 기업은 대화에 빠르게 적응하는 반면 AI 의 형태로 잡담 및 기타 전방을 향한 최적화 도구, 백엔드 프로세스 및 최고 경영진 기능은 종종 간과됩니다. 대신 보고서, 포털 및 대시 보드를 통해 구문 분석하는 데 귀중한 시간이 소요됩니다. 빅 데이터, 클라우드 컴퓨팅 및 AI는 비즈니스를 전략 및 비즈니스 인텔리전스의 다음 영역으로 제한했습니다. 그러나이 모든 데이터는 내부 통찰력의 빠른 접근성을 저하시키고 있습니다.
모든 과대 광고와 과포화로 인해 오늘날 우리가 알고있는 챗봇이 XNUMX 년 동안 기술 현장에 있었다고 믿기 쉬울 것입니다. 현실은 불과 몇 년 밖에되지 않았습니다.
그러나 챗봇의 첫 번째 인스턴스는 그보다 훨씬 일찍 시작되었습니다. 1960 년대 중반, MIT 인공 지능 연구소 깊숙한 곳에 Joseph Weizenbaum은 코드 명 'ELIZA'라는 챗봇의 첫 번째 예제를 개발했습니다. 패턴 인식 알고리즘을 활용하여 ELIZA는 실제로 기계 학습 기능이 없어도 계산 이해를 시뮬레이션 할 수있었습니다.
아이러니하게도 AI의 아버지 중 하나로 널리 알려진 Weizenbaum은 인간과 기계 간의 피상적 인 의사 소통이 실제로 얼마나되는지 보여주기 위해 ELIZA를 개발했습니다. 그러나 그는 엘리자에게 지능적 사고 능력이 없다는 그의 반박에도 불구하고 얼마나 많은 테스터들이 실제 인간의 감정과 이해에 대한 인식을 챗봇에 돌 렸는지 알고 놀랐습니다. ELIZA는 다음 반세기 동안 많은 인공 지능 연구자와 대중 문화 참고 자료에 영향을 미쳤습니다.
진정한 챗봇 열풍은 2016 년 Facebook 메신저에서 챗봇을 구축하기위한 개발자 친화적 인 플랫폼을 발표하면서 시작되었습니다. 곧 챗봇은 대화 혁명의 다음 단계로 선포되었습니다. XNUMX 분 만에 봇을 구축하는 데 도움이 된 툴킷이 인기를 얻었고, 기업은 새로운 봇 발표를 통해 시장에 진출했으며, 기술 컨퍼런스에서는 봇이 인간의 작업을 어떻게 인수 할 것인지에 대한 유행어 중심의 기조 연설을 표제했습니다.
그렇다면 챗봇은 어떻게 정의됩니까? 고급 대화와 구별되는 점 AI 해결책? 챗봇은 기본적으로 선형 기반 상호 작용을 장려하는 규칙을 사용하여 구성된 자연어 텍스트 인터페이스입니다. 일반적으로 미리 정의 된 흐름을 통해 쉽게 구축하고 탐색 할 수 있습니다. 예를 들어, 선택 메뉴를 클릭하거나 미리 결정된 명령을 말하는 대신 자연어로 정상적인 대화를하는 것처럼 입력하거나 말할 수 있습니다.
이들 봇 실행에 성공할 수있는 매우 구체적인 목적과 작업을 가질 수 있습니다.이 모델에는 두 가지 큰 근본적인 문제가 있습니다. 첫 번째는 학습 모델의 특정 강성입니다. 앞서 언급했듯이 챗봇은 주로 미리 결정된 대화 흐름을 기반으로 한 미리 준비된 선형 상호 작용으로 구성됩니다. 이를 위해서는 특정 요청 입력이 필요하고 봇이 대화를 이해하기위한 약간의 흔들림 공간이 필요합니다.
이 생각을 확장하면 챗봇의 두 번째 핵심 문제인 학습 할 수 없습니다. 챗봇은 특별히 설계된 대화 흐름을 가지고 있으며 일반적으로 이전 대화를 활용하여 상황에 맞는 정보를 설정할만큼 '스마트'하지 않습니다. 결과적으로 챗봇과의 모든 상호 작용은 대화 사이에서 성장, 개발 또는 학습되지 않았기 때문에 다소 동일하게 보일 것입니다.
대부분의 챗봇은 IF / THEN 루틴에서 뒤 따르는 영광스러운 순서도이며 더 높은 수준의인지가 필요한 자연어 이해 (의도, 암시 적 의미를 결정하는 능력)가 부족합니다.
대화 형 AI는 자연스럽고 인간적인 방식으로 서면 또는 구두 의사 소통을 자동화합니다. 또한 대화 형 인간 입력을 이해합니다. 오늘날 AI는 기계 학습 (ML), 딥 러닝, 자연어 처리 (NLP), 예측 분석 등 상당히 선형적인 방식으로 나타납니다. 각각은 사전 정의 된 특정 작업을 수행하기 위해 사일로 또는 소규모 세트에서 작동합니다. 그러나 부분적으로 클라우드 컴퓨팅과 광섬유의 발명으로 인해 컴퓨팅 능력이 최근에 기하 급수적으로 증가함에 따라 대화 형 AI의 목표는 이러한 AI 도구를 하나의 완벽한 엔터프라이즈 경험으로 결합하는 것입니다.
1. 마케팅에 챗봇을 사용하는 8 가지 입증 된 방법 (실제 사례 포함)
당연히 대화 형 AI에 대해 할 말이 많이 있습니다. TLDR : 대화 형 AI는 다자간 대화를 수행하고 인간처럼 판단 집약적 인 작업을 실행합니다. 챗봇이 기대치를 제공하지 못함에 따라 특히 기업 시장은 특히 은행, 보험 및 통신과 같은 복잡한 사용 사례에서 대화 형 AI 플랫폼으로 전환되었습니다.
대화 형 AI와 챗봇을 구체적으로 구분하는 것은 무엇입니까? 몇 가지 방법으로 분류 할 수 있습니다.
대화, 문자 및 채팅 가능 : 대화 형 AI는 음성, 텍스트 또는 웹에서 사용할 수 있어야하며 채널 전반에 걸쳐 유비쿼터스하고 원활해야합니다. Alexa, Google Assistant 또는 회사 엔터프라이즈 포털을 통해 사용할 수 있습니다. 진정한 옴니 채널 상호 작용은 미래이며 비즈니스의 우선 순위가되어야합니다.
학습 가능 : 대화 형 AI 솔루션은 채팅 및 음성 기록, 트랜잭션 및 기타 기존 엔터프라이즈 데이터 말뭉치를 포함하여 기존 엔터프라이즈 상호 작용에서 사용할 수있는 풍부한 기록을 학습 할 수 있어야합니다. 또한 이러한 학습을 기반으로 대화, 제안, 추천 및 참여할 수있는 AI가 필요합니다.
다음을 이해할 수 있습니다. 대화 형 AI는 챗봇 기능 외에도 인간과 동일한 방식으로 인간의 복잡한 문장을 이해해야합니다. 실제 인간의 대화는 결코 간단하지 않습니다. 속어, 다중 문자열 단어, 약어, 단편, 잘못된 발음 및 기타 여러 문제로 구성된 불완전 함으로 가득 차 있습니다. 대화 형 AI는 이러한주고 받기 상호 작용을 탐색하고 이해하는 데 사용할 수있는 기술의 한 형태입니다.
기업 시스템에 통합함으로써 대화 형 AI는 당신이 누구인지 알아야합니다. 그것은 당신이 만든 이전 거래를 참조하고 문제를 해결하려고 할 수 있습니다. 그런 다음이 기록을 사용하여 현재 상호 작용을 더 원활하게 만들고 고객 서비스, IT 또는 송장 처리에서 문제를 해결하거나 해결할 수 있습니다.
거래 가능 : 대화 형 AI는 안전하며 정교한 엔터프라이즈 보안 고려 사항을 지원할 수 있습니다. 복잡한 거래를 완료하는 데 사용할 수 있으며 단순한 장바구니 클릭을 넘어 사람을 대체 할 수 있습니다. 진정한 대화 형 AI가 관리 할 수있는 거래의 예로는 생명 보험 구매, 의료 청구 처리, Wi-Fi 문제 해결 또는 공급 업체 송장 승인이 있습니다.
'Chatbot'과 'Conversational AI'라는 용어는 모두 동일한 의미를 갖습니다. 그러나 '대화 형 AI'는 음성 봇 및 음성 + 텍스트 비서와 같은 봇 우산에 속하는 모든 기술을 더 포함하는 반면, '챗봇'은 '텍스트 전용'이라는 의미가 더 제한적입니다.
대화 형 AI는 아직 어리지만, 대부분 애호가와 신생 기업이 참여하는 분야이지만 현재는 기존 기업이 솔루션에 통합하기 시작할만큼 충분히 견고합니다. 얼마 전 직원들은 회의실 문에 녹화 된 일정에 이름을 적어 회의 시간을 예약했습니다. 그런 다음 디지털 캘린더가 등장하여 책상에서 해당 회의실을 예약하고 회사 전체에서 해당 정보를 자동으로 공유 할 수있는 방법을 제공했습니다. 대화 형 AI를 사용하면 직원이 애플리케이션을 열 필요도 없습니다. "다음 수요일을 위해 회의실 예약"이라는 요청에 이은 빠른 기상 신호가 작업을 수행합니다. 그리고 그것은 하나의 예일뿐입니다. 대화 형 AI를 통해 직원은 회사 데이터베이스에서 메모리에 투입하지 않은 프로세스와 절차를 검색 할 수도 있습니다. 특정 산업 분야에 영향을 미치는 새로운 규정은 생산성의 장벽으로 작용합니다. 상호 참조 준수 절차에 시간과 에너지가 낭비됩니다. 대화 형 AI를 사용하면 워크 플로 전반에 걸쳐 직원이 가지고있는 모든 질문에 대해 조사 할 필요없이 몇 분 안에 질문하고 답변 할 수 있습니다.
Amazon Alexa, Apple Siri 및 Google Home과 같은 디지털 비서는 미국 가정의 약 30 %에서 발견됩니다. 소비자 경험 (UX)에 대한 소비자의 기대치를 바꾸고 있습니다. 실제로 엔터프라이즈 사용자 인터페이스 (UI)의 미래가 전적으로 대화 형 AI에 의해 구동 될 것이라고 가정하는 것이 합리적입니다. 이는 대화 형 AI 도구가 웹 양식을 작성하고 복잡한 요청을 수행하고 유기적 대화를 통해 온라인 정보에 액세스 할 수 있음을 의미합니다. 이 기술의 엔터프라이즈 애플리케이션은 기업이 직원의 일상적인 관리로 시간을 절약 할 수 있음을 의미합니다.
예를 들어 두려운 "비밀번호를 잊어 버렸습니다"시나리오를 생각해보십시오. 대화 형 AI는 여러 단계의 확인 프로세스 또는 HR 호출 대신 추가 사람의 개입없이 암호 변경 요청을 신속하게 처리합니다.
현재 재택 디지털 비서 모델로만 일하다 엔터프라이즈 디지털 비서. Alexa는 아직 비즈니스 도구가 아니라는 점에 유의해야합니다. 그러나 대화 형 AI 도구는 디지털 비서 기술 위에 구축 될 수 있으며 구축되고 있습니다. 예를 들어, IBM은 기업에 Watson 기술을 제공합니다. 즉, 대화 형 봇을위한 프레임 워크가 이미 존재하므로 여러 데이터 과학자 없이도 기업 별 대화 형 AI를 더 빠르고 쉽고 저렴하게 배포 할 수 있습니다.
오늘날 더 많은 사람들이 소셜 미디어 앱보다 메시징 앱을 구독합니다. 대화 형 AI는 직원이있는 곳에서 만나면 직원들이 유기적이고 원활한 방식으로 대규모 데이터베이스 및 혼란스러운 대시 보드와 상호 작용할 수 있습니다. 대화 형 AI를 사용하면 탭과 파일을 탐색하는 것이 직원이 이미 가지고있는 애플리케이션의 간단한 요청으로 대체됩니다.
이 진화는 고귀한 사전에 의해 입증 될 수 있습니다. 하드 커버 사전은 처음으로 월드 와이드 웹으로 대체되었습니다. 액세스하려면 주소 표시 줄에 전체 URL을 입력해야합니다. www.dictionary.com. 다음으로 Google의 출현으로 더 쉬워졌습니다. 문제의 단어는 Google 검색 엔진에 입력하기 만하면됩니다. 웹 주소가 필요하지 않습니다. 이제 Alexa와 같은 디지털 비서는 간단한 음성 명령으로 단어를 정의합니다.
챗봇의 첫 번째 반복은 일반적으로 첫 번째 및 두 번째 물결 또는 세대라고합니다. 대화 형 챗봇 기술은 XNUMX 세대의 시작을 의미합니다. 챗봇은 온라인 기업의 중심이지만 그 능력은 제한적입니다. if / when 알고리즘에서 작동합니다. 즉, 사전 프로그래밍 된 응답으로 제한됩니다. 막 다른 골목에 도달하면 스크립트가 반복되거나 최상의 경우 인간 운영자가 상호 작용을 수행합니다.
반면 대화 형 챗봇은 인간의 뉘앙스를 탐색 할 수 있습니다. 그들은 NLP를 통해 그들이받는 커뮤니케이션의 분위기를 인식하도록 훈련을 받았으며, 이는 긴장된 고객 상호 작용을 축소하고 / 또는 더 빨리 인간 담당자를 끌어들일 수있는 기회를 제공합니다. 그들은 또한 선호도와 성격을 기억합니다. 예를 들어, 특정 대화에서 농담이 잘 진행되지 않으면 앞으로 다른 농담을 제공하지 않을 것입니다.
궁극적으로 대화 형 AI의 세 번째 물결의 최종 목표는 봇이 도덕과 삶의 세부 사항 및 호기심에 대한 진정한 이해를 포함하여 인간 사고의 모든 영역으로 확장된다는 것을 의미합니다. 지금은 여전히 해당 부서에서 약간의 도움이 필요합니다.
즉, 일반적인 AI 봇은 인간 작업을 수행하도록 미리 프로그래밍되어 있습니다. 대화 형 봇은 인공 지능 (AGI) 인간처럼 생각하고 행동합니다. 확실히 우리는 AGI의 능력에 대한 표면을 긁어 보았지만 엔터프라이즈 작업을위한 주류 배포는 "만약"보다 "언제"에 가깝습니다.
대화 형 AI이면의 기술은 완전히 개발되지 않았으며 사람의 모니터링이 필요합니다. 그럼에도 불구하고 AI 알고리즘 프로토콜은 현재 대부분 표준화되어있어 맞춤형 엔터프라이즈 봇이 공급 업체 파트너를 통한 진입 장벽이 낮아 시장에 출시되고 있습니다. 먼저, 지능형 봇이 이러한 가르침을 기반으로 구축되므로 기존 봇을 어떻게 가르치는 지 살펴 보겠습니다.
검색 기반 및 생성의 두 가지 주요 교육 버킷이 있습니다.
검색 기반 봇 (간단히 말하면)은 특정 문의에 응답하기 위해 심층 신경망 내에서 개발 된 거대한 의사 결정 순서도에 액세스합니다.
반면 생성 형 봇은 인간과 대화하도록 프로그래밍되어 있습니다.
그러나 모든 응답은 부정확하거나 막 다른 응답을 줄이고 인식 수준을 높이기 위해 수십만 개의 실제 상호 작용으로 사전 프로그래밍되고 훈련되어야합니다.
대화 형 봇을자가 학습으로 만들려면 클라이언트 요구 사항과 백필 구멍 및 누락 된 정보에 적응하기 위해 생성 원칙을 기반으로 구축 할 수 있어야합니다. 사용자가 즉석에서 봇을 교육 할 수있는 실험이 수행되었지만 사용자 교육의 가변성과 예측 불가능 성으로 인해 바람직하지 않은 특성을 갖게되었습니다. 도덕적 혼란을 방지하기 위해 현재 대화 형 봇은 Human-in-the-loop (HITL)은. 대화 형 AI를 사용하면 Bot A의 출력 데이터가 Bot B의 학습 데이터가 될 수 있지만,이 데이터는 편견과 잘못된 정보를 줄이기 위해 사람이 먼저 조사합니다. 사용자 피드백을 통한 학습도 반 자동화됩니다. 사용자는 봇에게 새로운 기능, 문의 답변 또는 어휘를 배우도록 요청합니다. 해당 요청은 사람이 요청을 승인하거나 거부하는 HITL 부서로 분류 및 분배됩니다. Wikipedia가 검증 가능성 모델을 운영하는 방식과 유사하게 HITL 대화 형 봇은 사람이 고객의 피드백을 실행하여 확인하고 승인합니다. 제쳐두고, 이것은 AI가 테이블에 가져다주는 많은 새로운 일자리 창출 방법 중 하나를 보여줍니다. 인공 지능이 인간의 재능을 대체하는 것은 유효한 관심사이지만 미래의 일자리는 현재의 일자리가되고 있습니다.
지능형 대화 형 인터페이스는 기업이 어디에서나 장치, 서비스, 고객, 공급 업체 및 직원과 상호 작용할 수있는 가장 간단한 방법입니다. AI 및 대화 형 솔루션의 급속한 발전으로 인해 이해 관계자와의 고유 한 대화를 대규모로 수행 할 수 있으며 다양한 비즈니스 기능에서 참여와 충성도를 높이는 만족스러운 경험을 제공 할 수 있습니다.
대화 형 AI의 개요. (ND). GeorgianPartners.com.
Asquith, M. (2019, 8 월 XNUMX 일). 오늘날의 비즈니스에서 엔터프라이즈 챗봇이 필수적인 이유. Hubtype.com.
AXEL. (2019 년 23 월 XNUMX 일). 인간 대 로봇 : AI와 AGI의 차이. 인간되기. Becominghuman.ai.
S., Murphy, T., Vatatmaja가 온다. (2019 년 20 월 XNUMX 일). 대화 시작 : 대화 형 AI가 비즈니스 사례를 만듭니다. Deloitte Insights. Deloitte.com.
대화 형 AI 및 기업 전략. (ND). Ibm.com.
구성 요소 (플랫폼 및 서비스), 유형 (IVA 및 챗봇), 기술, 애플리케이션 (고객 지원, 개인 비서, 고객 참여 및 유지), 배포 모드, 수직 및 지역별 대화 형 AI 시장-2024 년까지 글로벌 예측. (2019 년) , XNUMX 월). 대화 형 AI 시장. Marketsandmarkets.com.
Dashevsky, E. (2019, 27 월 XNUMX 일). 비즈니스에 진정한 대화 형 AI가 필요한 이유. IPsoft.com.
Davidson, L. (2019, 12 월 XNUMX 일). Narrow vs. General AI : 인공 지능의 다음 단계는? 스프링 보드 블로그. Springboard.com.
Diaz, J. (2017, 12 월 XNUMX 일). XNUMX 세대 Chatbox 기술. Rulai. Rul.ai.
합틱. (2019 년 20 월 XNUMX 일). 챗봇은 어떻게 스스로 학습합니까? 챗봇 생활. Chatbotslife.com.
Mantha, M. (2019, 28 월 XNUMX 일). 대화 형 AI : 상황 별 AI 도우미를 설계하고 구축합니다. 데이터 과학을 향하여. Towardsdatascience.com.
Montaque, T. (2019, 3 월 2019 일). 40 년에 메시징이 지배적 인 위치를 차지하는 방법은 다음과 같습니다. AdweekXNUMX. Adweek.com.
Persiyanov, D. (2017, 12 월 XNUMX 일). 기계 학습을 통한 챗봇 : 신경 대화 에이전트 구축. 통계 및 봇. Blog.statbot.co.
Sunarjo, E. (2019, 23 월 8 일). 여행 브랜드가 대화 형 AI를 사용하는 방법. IconsXNUMX.com.
인간과 함께 AI를 더 빠르게 훈련 시키십시오. (2019 년 16 월 XNUMX 일). Bitext. Blog.bitext.com.
Vincent, J. (2016, 24 월 XNUMX 일). 트위터는 하루도 안 돼 마이크로 소프트의 AI 챗봇이 인종 차별적 인 멍청이가되도록 가르쳤다. Verge. Theverge.com.
Voss, P. (2017, 24 월 XNUMX 일). AI의 세 번째 물결. 인간되기. Becominghuman.ai.
Voss, P. (2019, 25 월 XNUMX 일). 챗봇을 넘어서 : 초 개인화 된 지능형 도우미. 포브스. Forbes.com.
https://avaamo.ai/chatbots-vs-conversational-ai/
https://www.boost.ai/conversational-ai-vs-chatbot
https://www.artificial-solutions.com/chatbots
https://georgianpartners.com/investment-thesis-areas/overview-conversational-ai/
Vartul Mittal은 기술 및 혁신 전문가입니다. 그는 경영 컨설팅 및 글로벌 사내 센터에서 14 년 이상의 강력한 글로벌 비즈니스 혁신 경험을 가지고 있으며 이해를 높이고 전 세계적으로 비즈니스 및 운영 전략 솔루션을 제공 할 수 있습니다. 그는 항상 일을 더 간단하게 만들 수있는 새로운 아이디어와 방법을 찾고 있습니다.
그는 금융 서비스 부문, FMCG 및 소매업과 같은 다양한 산업의 고위 고객 이해 관계자와 관련된 여러 국가 및 문화에서 생활하고 일했습니다. 그는 Coca Cola India, Kotak Mahindra Bank, IBM, Royal Bank of Scotland, Standard Life Insurance, Citibank 및 Barclays와 같은 Fortune 500 대 기업에 참여했습니다. Vartul Mittal은 또한 최고의 글로벌 대학 및 국제 컨퍼런스 중 분석, 자동화, AI 및 혁신에 대한 유명한 연사입니다.
