[Me][ML] How AI and machine learning are improving customer experience

원본 :  https://www.oreilly.com/ideas/how-ai-and-machine-learning-are-improving-customer-experience
작성자 : Ben Lorica, Mike Loukides
(이 글은 한빛미디어의 콘텐츠 세션에서 "인공지능(AI)와 머신러닝(ML)은 어떻게 고객의 경험을 향상시키는가" 라는 글로 게시되었습니다.)

데이터의 질에서부터 개인화, 고객의 효용가치나 소유에 이르기까지 궁극적으로 AI와 ML은 미래의 고객의 경험적인 부분을 좌우할 것이다.

 

그림 1. 고객 만족 (출처 : Pixabay)

 인공지능(AI)이나 머신러닝(ML)의 어떤 부분이 고객의 경험적인 부분을 향상시킬 수 있을까? 사실 AI와 ML은 이미 온라인 쇼핑이 시작하는 시점부터 온라인 쇼핑과 긴밀하게 연결되어 왔다. 아마 당신은 Amazon이나 다른 온라인 쇼핑업체에서 제공하는 추천 시스템을 사용하지 않고는 쇼핑을 할 수 없을텐데, 이때의 추천이란 당신의 구매 기록이나 방문 기록, 그리고 수집가능한 것들을 통해서 제조사가 당신을 특징지을 수 있는 것들을 기반으로 개인화가 된 것을 말한. 이제 Amazon이나 다른 쇼핑업체들은 (약간 상상속의 이야기 일수도 있겠지만) 당신이 선호하는 것을 잘 알고 있는 디지털 버전의 점원을 만들기를 원하고, 아마 이 점원은 당신이 좋아할만한 상품들을 한치도 빠짐없이 소개할 것이다.

모든 것은 좋은 정보로부터 시작한다.

 이런 계획을 실현시키기 위해서는 Back-end에서 뭔가 중요한 것을 끌어올리는 것부터 시작할 필요가 있다. 누가 당신의 고객이 될 것인가? 당신은 그들이 누군지 정말 알 수 있을까? 모든 고객 정보는 데이터에 있긴 하지만, 이 데이터는 보통 작은 조각들의 모음으로 되어 있기 때문에, 이 조각들을 각 고객에 연동시키는 것이 어렵다. 예를 들어, 만약 한 고객이 여러 개의 계정을 가지고 있다면, 우리가 알 수 있을까? 만약 특정 고객이 업무용 계정과 개인용 계정을 구분해서 사용한다면, 이를 연결시킬 수 있을까? 만약 고객이 속한 회사가 여러 개의 명칭으로 호칭된다면,(아마 수백개의 이름으로 불리는 것에 대해 어떤 사람이 얘기하는 것을 기억할텐데, 이 문제는 IBM에 의해서 해결되긴 했다.) 이 호칭들을 대표할만한 하나의 회사를 찾을 수 있을까? 고객 경험은 이렇게 고객이 누구이고, 어떻게 연결되어 있는지에 대해서 정확히 이해하는 것에서부터 시작한다. 중복된 데이터를 정리하기 위해서 고객 정보를 처리하는 것을 entity resolution이라고 하는데, 원래는 빅데이터를 처리할 수 있는 팀을 보유한 회사에서 활용되는 기법이었다. 이제 이런 entity resolution이 일반화되고 있는 것을 지금 보고 있다. 현재는 작은 회사의 규모에 맞게끔 entity resolution 소프트웨어와 서비스를 제공하는 스타트업도 존재한다.

 이렇게 고객이 누군지에 대해서 확인하였다면, 이제는 그 고객들을 어떻게 하면 잘 알 수 있을지에 대해서 고민해봐야 한다. 고객이 한 행동들에 대한 전반적인 내용을 파악하는 것이 그들이 원하는 것을 이해하는데 있어 중요하다. 고객에 대한 어떤 데이터를 가지고 있고, 또 이 데이터를 어떻게 활용할 수 있을까? ML과 AI가 이제는 이런 데이터를 수집하는데 있어 하나의 도구로써 활용되고 있다. 예를 들어 센서나 앱, 그외의 것들로부터 뽑을 수 있는 데이터 스트림을 처리하는데 ML과 AI가 쓰이고 있는 것이다. 사실 고객의 데이터를 얻는 작업 자체가 어쩌면 고객 입장에서는 권리를 침해당하는 것일 수도 있고, 윤리적으로 논란을 낳을 수 있다. 그렇기 때문에 만약 고객을 이해하는 시스템을 구축한다고 할 경우, 그들의 동의를 얻고, 프라이버시를 침해하지 않는 부분에 대해서 확실히 해야 한다.

 ML은 근본적으로 여타 컴퓨팅 관련 기술과 크게 다르지 않다. 여전히 "쓰레기가 들어가면, 쓰레기가 나온다"는 명언은 여전히 적용된다. 만약 학습하는 데이터의 질이 낮다면, 결과도 매우 나쁠 것이다. 데이터 소스의 숫자가 늘어날수록, 잠재적인 데이터 필드나 변수도 늘어날 것이고, 여기에 맞춰 에러가 발생할 가능성도 존재한다. 여기서 에러란 잘못 묘사가 되어 있는 에러나, 오타가 나 있는 에러 등 여러가지가 될 것이다. 과거에는 이런 오류가 있는 데이터를 일일이 수정하고 고치는게 가능했을지는 모르겠으나, 이렇게 데이터를 고치는 것 또한 에러가 발생하기 쉬우며, 대부분의 데이터 사이언티스트들이 반복적으로 수행하는 지루한 작업이라는 것이다. Entity Resolution에서 보다시피, 데이터의 질이나 데이터를 수정하는 것은 최근에 연구되고 있는 주제가 되었고, 이제는 data cleaning을 자동적으로 수행할 수 있는 새로운 종류의 머신러닝 툴이 나타나기 시작했다.

데이터를 활용한 어플리케이션들

 고객 경험과 관련된 머신러닝과 AI 관련 어플리케이션 중 하나는 개인화(personalization)과 추천 시스템과 관련된 것이다. 최근에는 여러 추천 전략들이 결합된 어플리케이션인 하이브리드 추천 시스템이 이전보다 더 흔하게 볼 수 있는 형태의 어플리케이션이다. 다수의 하이브리드형 추천 시스템은 수많은 출처와 데이터에 의존하고 있고, 딥러닝 모델들이 그런 시스템의 일부가 되어 있다. 딥러닝 기반 시스템이 주기적으로 재학습되는 형태가 이런 추천 시스템에서는 일반화되어 있는데 반해, 조금더 고도화된 추천시스템이나 개인 시스템의 경우에는 이런 작업들이 실시간으로 이뤄져야 한다. 강화학습이나 온라인 학습, 또는 밴딧 알고리즘을 사용해서 회사들은 실시간 데이터에 대해서 모델을 지속적으로 학습시킬 수 있는 추천시스템을 만들기 시작했다.

 머신러닝이나 AI는 고객 인터렉션을 포함해서 수많은 기업 업무와 일처리등을 자동화하고 있다. 아마 챗봇을 통해서도 고객 서비스에 대한 다양한 업무들이 자동화된 것을 경험했을 것이다. 더 나아가, 간혹 챗봇이 도움이 되기보다는 화나게 하는 경우도 있긴 하지만, 잘 설계되고 간단하게 "자주 묻는 질문에 대해 대답해줄 수 있는" 챗봇은 좋은 고객 호응도를 유도할 수 있다. 우리가 자연언어처리나 이해에 대해서는 아직 초기 단계에 있긴 하지만, 지난 시간동안 많은 발전들이 이뤄진 것을 확인할 수 있다. 우리가 가진 구식의 언어 모델을 개선시킴에 따라서, 챗봇들이 어떠한 단계를 거쳐서 발전이 되어 왔는지를 확인할 수 있을 것이다. 원래는 알림만 줬던 것에서부터 이제는 간단한 질문이나 답변을 처리할 수 있기도 하고, 문맥을 이해하거나 간단한 대화에 참여할 수 있기도 하고, 최종적으로는 사용자가 원하는 것을 이해하는 개인 비서가 되어가는 것이다. 챗봇들이 발전해가면서, 챗봇들이 단순히 인간을 통해서 일했을 때 느끼는 불편함을 넘어서서 고객 서비스의 일부가 되어가길 원하는 것이다. 그리고 이런 단계에 도달한 챗봇이라면 실시간으로 추천도 해주고 개인 맞춤 서비스도 제공할 수 있을 것이다. 그리고 인간과 동등하게 고객에 대해서 이해하는 것도 필요할 것이다. 

 사기 여부를 파악하는 것(fraud detection)도 이제는 머신러닝을 통해서 해결할 수 있는 또다른 영역이 되었다. 사기 탐지는 좋은 사람과 범죄 사이에 끊임없이 이어져 온 싸움이며, 이에 대한 필요성도 지속적으로 증가해왔다. 사기꾼들은 온라임 범죄에 대해서 조금 더 진화된 기술들을 개발해왔다. 이제 사기는 더이상 사람대사람으로 일어나는 것이 아니다. 이제 사기는 자동화가 되어 있는데, 예를 들어 어떤 봇이 특정 이벤트에 대한 티켓을 전부 사들이고, 다시 암표상에게 되파는 것과 같은 것이다. 많은 사례들을 통해서 봐왔던 것처럼, 대화에 대한 자동적인 반응을 할 수 있는 봇을 만듦으로써 소셜미디어상에서 범죄를 저지르는 것은 쉬워졌다. 이런 봇들을 발견해내고 실시간으로 대응하는 것은 더 어려워졌다. 이는 머신러닝을 통해서만 해결할 수 있는 일이고, 그렇다 하더라도 이를 부분적으로만 해결할 수 있을만큼 어려운 문제이기도 하다. 하지만 이를 해결하는 것이 사람들이 온라인 세상에 대해서 안전함을 느끼는 데 있어서는 핵심적인 요소이다.

 음성 기술이나 감정 인식에 대한 발전은 자동화된 고객 인터렉션에서 발생할 수 있는 마찰을 출일 수 있다. (소리, 문자, 영상과 같은) 다양한 입력들이 결합된 여러 형태의 모델은 고객의 반응에 대해서 적절하게 대응하기 쉽게 만들것이다. 예를 들어 고객들은 자신들이 무엇을 원하는지를 당신에게 보여주기를 원하거나 그들이 처한 문제에 대한 실시간 영상을 보낼 것이다. 인간과 봇 사이의 인터렉션이  "기괴한 계곡"을 헤매는 것처럼 복잡한 상태에 놓일지라도, 미래의 고객들은 봇과 대화하는데 있어서는 지금보다는 훨씬 더 편안하게 느낄 것이다.

 하지만 이렇게 복잡한 상황으로 고객을 유도하는 경우, 우리도 또한 고객들이 무엇을 추구하는지에 대해서 존중해줘야 한다. 고객에게 영향을 줄 수 있는 AI와 ML 어플리케이션은 항상 개인 사생활을 존중해야 한다. 이런 정보들은 보안이 유지되어야 하며, 또한 공정해야 하고, 편견이 가해지지 않아야 한다. 위의 것들 중 어떤 것도 간단한 것은 없지만, 고객이 뭔가 침해당했다고 느끼는 경우, 더이상 기술은 고객 경험을 향상시킬 수 없을 것이다. 결과는 효율적으로 나올지도 모르겠지만, 한편으로는 나쁜 부작용을 낳을 수 있는 것이다.

 머신러닝이나 인공지능은 고객 경험을 향상시키기 위해서는 어떻게 해야 할까? 사실 이미 많이 진행되긴 했다. 하지만 수행할 수 있는 더 많은 무언가가 아직까진 있고, 그걸 해야만한다. 미래에 고객 경험상에서 발생할 수 있는 마찰을 없앤 시스템을 구현하는데 있어서는 말이다.