NLU(Natural Language Understanding)
딥러닝 기반의 자연어 이해
스켈터랩스의 자연어 이해(NLU, Natural Language Understanding) 기술은 머신러닝을 사용해 텍스트의 구조와 의미를 파악하고, 텍스트에 담겨있는 정보를 추출, 분류하여 대화의 맥락을 감지합니다.이를 통해 사용자의 질문에 대한 정확한 답을 찾거나, 콘텐츠를 항목에 맞게 분류하여 가상 어시스턴트 제작 등에 활용합니다.
NLU(Natural Language Understanding)
딥러닝 기반의 자연어 이해
스켈터랩스의 자연어 이해(NLU, Natural Language Understanding) 기술은 머신러닝을 사용해 텍스트의 구조와 의미를 파악하고, 텍스트에 담겨있는 정보를 추출, 분류하여 대화의 맥락을 감지합니다. 이를 통해 사용자의 질문에 대한 정확한 답을 찾거나, 콘텐츠를 항목에 맞게 분류하여 가상 어시스턴트 제작 등에 활용합니다.

Machine Reading Comprehension
기계 독해
QA(Question Answering) 기술 중 하나로, AI가 스스로 문제를 분석하고, 질문에 최적화된 답안을 찾습니다. 지문으로 활용되는 문서를 분석하고, 질문 속 단어의 의미를 심도 깊게 파악하여 답변이 될 수 있는 구문을 높은 정밀도(Precision) 및 재현율(Recall)로 추출합니다.
특히 한국어 범용 사전 학습(Pre-trained) 언어 모델에 파인 튜닝(Fine-tuning) 진행 시, BERT를 비롯한 최신 알고리즘 및 자체 알고리즘을 활용하여 강력한 성능의 정확도를 지닌 언어 모델을 만들어갑니다. 그 결과, KorQuAD 1.0과 2.0, 두개 분야에서 모두 1위를 기록했으며 이는 스켈터랩스의 기계독해 엔진이 인간의 독해력을 뛰어넘은 것은 물론 타사 대비 탁월한 성능을 확보하였음을 반증했습니다.
KorQuad Rank
Machine Reading Comprehension
기계 독해
QA(Question Answering) 기술 중 하나로, AI가 스스로 문제를 분석하고, 질문에 최적화된 답안을 찾습니다. 지문으로 활용되는 문서를 분석하고, 질문 속 단어의 의미를 심도 깊게 파악하여 답변이 될 수 있는 구문을 높은 정밀도(Precision) 및 재현율(Recall)로 추출합니다.
특히 한국어 범용 사전 학습(Pre-trained) 언어 모델에 파인 튜닝(Fine-tuning) 진행 시, BERT를 비롯한 최신 알고리즘 및 자체 알고리즘을 활용하여 강력한 성능의 정확도를 지닌 언어 모델을 만들어갑니다. 그 결과, KorQuAD 1.0과 2.0, 두개 분야에서 모두 1위를 기록했으며 이는 스켈터랩스의 기계독해 엔진이 인간의 독해력을 뛰어넘은 것은 물론 타사 대비 탁월한 성능을 확보하였음을 반증했습니다.
KorQuad Rank
Intent Classification
인텐트(의도) 분류
봇의 대화를 관리하는데에 가장 핵심적인 기술 중 하나입니다. 스켈터랩스의 인텐트 분류 엔진은 단어 및 문장 전후의 컨텍스트(Context)를 활용하여 ‘고객이 하는 말의 의도(Intent)’를 파악하고 부드럽게 대응합니다.
스켈터랩스의 월등한 인텐트 인식률은 규칙 기반 방식 및 딥러닝 기반 방식을 하이브리드 형태로 적용한 독자 모델에 기인합니다. 규칙 기반 방식은 대용량의 자연어 문장으로부터 학습된 문장 패턴에 기반하여 인텐트를 인식합니다. 반면, 딥러닝 기반 방식은 규칙 기반 엔진이 처리하기 난해한 변이 패턴을 모델링하여 소량의 샘플 문장으로도 빠르게 학습이 가능합니다. 이를 하이브리드 형태로 최적화하였으며, 최근에는 BERT 등 최신 모델에 기반한 스켈터랩스만의 독자 모델-SkERT을 개발 및 적용하였습니다. 그 결과, 정확도를 의미하는 정밀도(Precision)와 재현율(Recall), 그리고 그 두가지의 종합 값인 F1 Score 지표에서 괄목할만한 성장을 이루었습니다.

Intent Classification
인텐트(의도) 분류
봇의 대화를 관리하는데에 가장 핵심적인 기술 중 하나입니다. 스켈터랩스의 인텐트 분류 엔진은 단어 및 문장 전후의 컨텍스트(Context)를 활용하여 ‘고객이 하는 말의 의도(Intent)’를 파악하고 부드럽게 대응합니다.
스켈터랩스의 월등한 인텐트 인식률은 규칙 기반 방식 및 딥러닝 기반 방식을 하이브리드 형태로 적용한 독자 모델에 기인합니다. 규칙 기반 방식은 대용량의 자연어 문장으로부터 학습된 문장 패턴에 기반하여 인텐트를 인식합니다. 반면, 딥러닝 기반 방식은 규칙 기반 엔진이 처리하기 난해한 변이 패턴을 모델링하여 소량의 샘플 문장으로도 빠르게 학습이 가능합니다. 이를 하이브리드 형태로 최적화하였으며, 최근에는 BERT 등 최신 모델에 기반한 스켈터랩스만의 독자 모델-SkERT을 개발 및 적용하였습니다. 그 결과, 정확도를 의미하는 정밀도(Precision)와 재현율(Recall), 그리고 그 두가지의 종합 값인 F1 Score 지표에서 괄목할만한 성장을 이루었습니다.

슬롯 필링, Slot Filling
Slot Filling
슬롯 필링
슬롯 필링이란 고객 발화로부터 필요한 정보를 수집하여 저장하는 기술입니다. 여기서 정보란, 의미를 담고 있는 단어-엔티티(Entity)를 의미합니다. 엔티티는 사전에 챗봇 제작자가 정의한 데이터에 따라 분류 및 인식되며, 인명, 지명, 조직, 날짜, 시간 등의 속성으로 구분될 수 있습니다. 가령, 고객이 근처 음식점에 대해 질문할 때 AI는 적절한 정보 검색을 위해 검색할 음식점의 위치 및 선호하는 음식을 알아내야 합니다. 이를 위해 AI는 고객 발화로부터 엔티티를 정확하게 인식하여 해당 정보를 알아내고, 슬롯에 저장합니다.
스켈터랩스의 엔티티 인식 및 슬롯 필링은 규칙 기반의 일반적인 방식에 기계독해(MRC) 기술을 더했습니다. 기계독해 기반 인식기는 미학습된 단어에 대해서도 슬롯 필링을 실행하며, 이를 통해 고객사의 학습 데이터 확보에 대한 부담을 덜어냅니다.
Slot Filling
슬롯 필링
슬롯 필링이란 고객 발화로부터 필요한 정보를 수집하여 저장하는 기술입니다. 여기서 정보란, 의미를 담고 있는 단어-엔티티(Entity)를 의미합니다. 엔티티는 사전에 챗봇 제작자가 정의한 데이터에 따라 분류 및 인식되며, 인명, 지명, 조직, 날짜, 시간 등의 속성으로 구분될 수 있습니다. 가령, 고객이 근처 음식점에 대해 질문할 때 AI는 적절한 정보 검색을 위해 검색할 음식점의 위치 및 선호하는 음식을 알아내야 합니다. 이를 위해 AI는 고객 발화로부터 엔티티를 정확하게 인식하여 해당 정보를 알아내고, 슬롯에 저장합니다.
스켈터랩스의 엔티티 인식 및 슬롯 필링은 규칙 기반의 일반적인 방식에 기계독해(MRC) 기술을 더했습니다. 기계독해 기반 인식기는 미학습된 단어에 대해서도 슬롯 필링을 실행하며, 이를 통해 고객사의 학습 데이터 확보에 대한 부담을 덜어냅니다.
슬롯 필링, Slot Filling
다이얼로그 모델링, Dialog Modeling
Dialog Modeling
다이얼로그 모델링
기존 다이얼로그 매니저(Dialog Manager)는 일반적으로 정해진 대화 시나리오에 따라서만 대응하도록 설계되었으며, 이로 인해 장시간 대화를 이어가지 못하는 한계가 두드러졌습니다. 반면, 스켈터랩스의 다이얼로그 모델링은 전체 노드(Node)를 실행하고, 하나의 챗봇 안에서 여러개의 다이얼로그를 생성할 수 있도록 구현되었습니다.
특히 Schema-guided Dialog State Tracking 기법을 더해, 규칙 기반 응답 설계 방식의 한계를 극복하는 학습 기반 응답 설계를 지원합니다. 이러한 방식은 교차 도메인 학습 시에도 높은 정확도를 보장할 뿐만 아니라, 챗봇 제작자가 예측하지 못한 경우에도 유연하게 대응합니다. 스켈터랩스 고유의 다이얼로그 매니저를 활용하여 다중 이용 시설 내 키오스크 봇, 혹은 전화 통화시 보이스봇의 미응답율을 대폭 개선할 수 있습니다.
Dialog Modeling
다이얼로그 모델링
기존 다이얼로그 매니저(Dialog Manager)는 일반적으로 정해진 대화 시나리오에 따라서만 대응하도록 설계되었으며, 이로 인해 장시간 대화를 이어가지 못하는 한계가 두드러졌습니다. 반면, 스켈터랩스의 다이얼로그 모델링은 전체 노드(Node)를 실행하고, 하나의 챗봇 안에서 여러개의 다이얼로그를 생성할 수 있도록 구현되었습니다.
특히 Schema-guided Dialog State Tracking 기법을 더해, 규칙 기반 응답 설계 방식의 한계를 극복하는 학습 기반 응답 설계를 지원합니다. 이러한 방식은 교차 도메인 학습 시에도 높은 정확도를 보장할 뿐만 아니라, 챗봇 제작자가 예측하지 못한 경우에도 유연하게 대응합니다. 스켈터랩스 고유의 다이얼로그 매니저를 활용하여 다중 이용 시설 내 키오스크 봇, 혹은 전화 통화시 보이스봇의 미응답율을 대폭 개선할 수 있습니다.
다이얼로그 모델링, Dialog Modeling