AI으로 고객 경험 향상하는 방법 | AWS Summit ASEAN 2023

Table of Contents

1. 서론
2. AI를 활용한 고객 서비스 개선 방법
   1. 이메일 질의에 대한 고객 서비스 대응 개선
   2. 고객 서비스 대행자를 위한 AI 도움말
   3. 고객 경험 개선을 위한 공공 기관의 AWS AI 서비스 활용 사례
   4. 문제와 개선점
   5. 성공적인 POC (Proof of Concept)를 위한 주요 요인
3. AI 기능 소개
   1. 감정 분석
   2. 이메일 분류와 자동 답변
   3. 의미 검색
4. 솔루션 개요
   1. 백엔드 아키텍처
   2. 프론트엔드 에이전트 인텔리전스 포털
   3. Retriever Augmented Generation
5. AWS AI 서비스를 활용한 사례와 결과
6. 결론
7. 자주 묻는 질문 (FAQ)

AI를 활용한 고객 서비스 개선 방법

🤖 이메일 질의에 대한 고객 서비스 대응 개선

이메일 질의에 AI를 활용하여 고객 서비스 에이전트의 대응을 개선할 수 있습니다. 휴가에서 돌아와서 메일함이 가득 차 있을 때, 어떻게 처리해야 할지 고민한 적이 있으셨나요? AI 어시스턴트를 활용해 이메일 답변을 도와줄 수 있는지 여쭤보는 자신을 발견한 적이 있을 것입니다.

고객 서비스 대행자들은 하루에 수백개의 이메일을 받습니다. 이들은 이메일 하나하나에 대답하기 어렵습니다. 그러나 이메일에서 고객 질문에 대한 적시한 답변이 이루어지지 않으면 고객 경험에 부정적인 영향이 있습니다. 이것이 여러분이 오늘 여기 모인 이유입니다.

첫 번째로, 공공 기관에서 AWS AI 서비스를 사용하여 고객 경험을 개선하는 흔한 사례를 공유하겠습니다. 그런 다음, 싱가포르 인력부 (M)의 공동 발표자인 레이몬드가 M이 직면한 도전과 고객 서비스 대행자의 고객 경험 개선을 위해 수행한 작업에 대해 공유하겠습니다. 마지막으로, 이 솔루션의 설계와 아키텍처에 대해 자세히 알아보겠습니다. M은 싱가포르 인력부의 이 아이디어에 AWS와 함께 협력하여 솔루션을 개선하고자 합니다.

강조할 것은 고객 경험을 개선하는 것이 얼마나 중요한지입니다. 맥킨지(McKenzie)의 연구에 따르면, 고객 경험이 좋지 않은 경우 고객은 소셜미디어와 같은 공개적인 매체를 통해 불만을 표현하는 경우가 두 배로 많습니다. 이는 기관에 대한 나쁜 영향을 미칩니다. 반대로, 좋은 고객 경험을 제공하면 고객은 기관의 비전에 동의하는 비율이 9배 높아지며, 기관이 그들을 위해 하는 일에 대해 더 믿음을 가집니다. 따라서 좋은 고객 경험이 얼마나 중요한지 알아보았으므로, 이제 고객 경험을 개선하기 위해 공공 기관에서 사용되는 일반적인 사례에 대해 알아보겠습니다.

고객 서비스 대행자를 위한 AI 도움말

AI 기술을 활용하면 고객 서비스 에이전트들이 효과적으로 이메일에 답변할 수 있습니다. 이는 서비스 개선을 위해 매우 중요한 일입니다. 이메일 답변을 자동화하기 위해 챗봇을 도입하는 것이 흔한 사례입니다. 예전에는 챗봇이 원하는 내용을 정확하게 제공하지 못해 실망스러웠던 기억이 있습니다. 그래서 제가 문제를 제기하고 고객 서비스 에이전트에게 직접 연락하여 문제를 해결해야 했습니다.

하지만 지금은 상황이 달라졌습니다. 왜냐하면 인공지능이 챗봇을 변화시켰기 때문입니다. Amazon Bedrock을 활용하면 대용량 언어 모델을 API로 소비할 수 있으며, 이러한 API를 Amazon Lex와 같은 챗봇 엔진과 통합하여 효과적인 챗봇을 만들 수 있습니다. 이를 통해 고객들은 질문에 대한 답변을 더욱 효과적으로 찾을 수 있게 되었습니다. 또한 챗봇은 종종 의미 검색과 함께 사용됩니다. 챗봇은 주로 좋은 검색 엔진으로 동작하기 때문에 SharePoint, OneDrive 등과 같이 다양한 소스에 있는 다량의 문서를 대상으로 정확한 답변을 찾기 위해 의미 검색을 수행합니다.

고객 경험 개선을 위한 공공 기관의 AWS AI 서비스 활용 사례

공공 기관에서는 AWS AI 서비스를 사용하여 다양한 사례에서 고객 경험을 개선하려고 합니다. 가장 일반적인 사례는 챗봇을 개발하여 고객들이 스스로 문제를 해결할 수 있게 하는 것입니다. 또한 의미 검색과 함께 사용되는 경우도 많습니다. 고객들은 점점 더 요구적이며, 개인화된 경험을 원합니다. 아마존은 개인화된 추천 시스템을 구축하는 데 20년 이상의 시간을 투자해왔습니다. 아마존 Personalize는 이러한 경험을 바탕으로 사용자가 소량의 기계 학습 경험으로 추천 모델을 구축할 수 있도록 도와줍니다.

또한 실시간 에이전트 지원은 고객 서비스 에이전트가 고객 문의에 실시간으로 답변할 수 있도록 합니다. 일부 공공 기관은 고객에 대한 360도의 이해를 위해 데이터를 분석하여 Amazon QuickSight와 같은 시각화 대시보드를 사용하고 Amazon SageMaker와 같은 기계 학습 기능을 활용합니다. 마지막으로, 일부 공공 기관은 사용자의 이슈에 대한 답변을 자동으로 찾아주는 모델을 구축하여 응답 시간을 단축시키려고 합니다. 이를 통해 고객은 몇 일이나 몇 주를 기다리지 않고도 즉시 문제 해결 방법을 찾을 수 있게 됩니다.

문제와 개선점

위에서 언급한 방법을 통해 고객 서비스를 개선하는 방법도 있지만, 여전히 과제와 개선점이 있습니다. M은 고객 서비스 담당자가 매달 15,000개의 이메일을 받는 문제를 직면하고 있습니다. 그 중 많은 이메일은 동일한 질문을 하는 경우가 많습니다. 이로 인해 하나의 고객 답변을 위해 5~10분의 시간이 소요되며, 이는 매월 1,250~2,500 시간에 해당합니다. 즉, 이로 인해 네 명의 전문 직원이 일년 동안 일하는 것과 같은 비용이 발생합니다. 이러한 상황은 이상적이지 않습니다.

이 문제를 해결하기 위해 M은 네 가지 주요 요인을 고려하고자 합니다. 첫 번째로, 자동 감정 분석은 이메일이 부정적인지 긍정적인지를 식별하여 문제의 심각성을 파악할 수 있도록 도와줍니다. 두 번째로, 자동 이메일 분류는 이메일의 의도나 주요 질문을 파악하여 자동으로 답변을 생성할 이메일과 사람이 검토해야 할 이메일을 구분하는 데 도움을 줍니다. 세 번째로, 자동 답변 생성은 공통 질문에 대한 자국 고객 답변을 생성하여 에이전트가 답변을 작성하는 데 도움을 줍니다. 마지막으로, 의미 검색은 이메일 키워드를 파악하여 관련된 정보를 검색하여 에이전트가 더욱 효율적이고 정확하게 이메일에 답변할 수 있도록 돕습니다.

성공적인 POC (Proof of Concept)를 위한 주요 요인

M과 AWS의 협력을 통해 성공적인 POC를 수행할 수 있었던 주요 요인은 다음과 같습니다. 첫째, 애자일한 방식으로 프로젝트를 진행할 수 있었습니다. Amazon ML 서비스를 사용함으로써 프로젝트를 시작하고 몇 달만에 프로토 타입을 완성할 수 있었습니다. 이전에는 데이터 과학자나 데이터 엔지니어 팀을 고용해서 수개월 동안 추진해야 했습니다. 두 번째로, 어려움을 극복하기 위해 감수하지 않는 자세를 책했습니다. 기술적인 난제와 다양한 주제 및 키워드가 포함된 이메일이 있었지만, AWS와 솔루션 파트너는 문제를 극복하고 새로운 솔루션을 시도하며 도전하는 데에 겁먹지 않았습니다. 마지막으로, AWS의 전문 지식을 활용하여 안전하고 견고한 아키텍처를 구축했습니다. 아키텍처는 운영 가능하고 유지 관리 가능하여 데이터 거버넌스와 관련된 규정을 준수할 수 있었습니다. 이 모든 요인들로 인해 POC를 수행하고 완료할 수 있었으며, 이로써 이러한 방법이 동작한다는 자신감을 얻을 수 있었습니다.

AI 기능 소개

지금부터 AI 기술을 소개하겠습니다. 이를 통해 어떻게 고객 서비스를 개선할 수 있는지 알아보시기 바랍니다.

감정 분석

감정 분석은 이메일 속 고객의 감정을 식별하는 기능입니다. Amazon Comprehend Insights를 사용하면 감정, entity, 주요 구절과 같은 정보를 추출하는 등 자연어 처리를 수행할 수 있습니다. 자동 감정 분석 기능을 통해 이메일의 감정을 정확하게 판단할 수 있으며, 긍정적인지, 부정적인지, 중립인지를 분류할 수 있습니다. 이러한 Amazon Comprehend Insights는 미리 훈련되어 있어 별도의 교육이나 특수한 전문성이 필요하지 않으므로, 곧바로 사용할 수 있습니다.

이메일 분류와 자동 답변

자동 이메일 분류 기능과 자동 답변 생성 기능은 이메일 내의 의도나 핵심 질문을 이해하고 자동으로 처리하는 데 도움을 줍니다. Amazon Comprehend Custom Classifier를 사용하면 특정 사용 사례에 특화된 정확한 분류기 모델을 스스로 훈련시킬 수 있습니다. 예를 들어, 해당 업계에 특화된 언어나 특정 도메인을 가지고 있다면, Amazon Comprehend Custom Classifier를 사용해 손쉽게 커스텀 분류 기능을 구축할 수 있습니다.

의미 검색

의미 검색 기능은 질문의 도메인과 문맥을 이해하고 정확한 답변을 찾는 데 사용됩니다. Amazon Kendra는 자연어 이해, 처리 및 고급 검색 알고리즘을 활용하여 매우 정확하고 개인에 맞춘 검색 결과를 제공하는 인텔리전트 검색 서비스입니다. Amazon Kendra는 100개 이상의 빌드인 및 파트너 커넥터를 제공하여 다양한 데이터 소스에서 쉽게 색인 생성이 가능합니다. Amazon Kendra를 사용하면 조직은 정보를 빠르게 찾을 수 있으며, 시간을 절약하고 생산성을 높일 수 있습니다.

솔루션 개요

이제 전체 솔루션 구조에 대해 살펴보겠습니다.

백엔드 아키텍처

이메일 서버로부터 이메일을 추출하고 집계하기 위해 5분마다 Amazon EventBridge가 트리거하는 AWS Lambda 함수가 사용됩니다. 이 함수는 Amazon DynamoDB로 이메일을 추출하고 병합한 다음, Amazon DynamoDB Streams를 통해 자동으로 반응하여 새로운 레코드를 처리합니다. 또한 이 함수는 Amazon Comprehend Insights의 감정 분석 API를 호출하여 여러 이메일을 비동기적으로 분석하고, 텍스트로 된 전체 감정을 반환할 것입니다. Amazon Comprehend Custom Classifier를 사용하여 자동 이메일 분류를 수행할 수 있습니다. 이를 통해 이메일의 의도나 핵심 질문을 파악하고, 답변이 자동으로 작성될지 사람이 검토할지를 구분합니다. 분석된 결과 및 자동으로 생성된 답변은 Amazon DynamoDB 테이블에 저장되며, Amazon QuickSight에서 분석 리포트 대시보드로 표시됩니다. Amazon QuickSight를 사용하면 워드 클라우드 또는 구호 빈도 등의 시각적 유형을 포함한 분석 결과를 확인할 수 있습니다.

프론트엔드 에이전트 인텔리전스 포털

에이전트 인텔리전스 포털은 고객 서비스 에이전트의 생산성을 개선하기 위한 솔루션입니다. 이것은 클라우드 기반의 자동화 원칙에 따라 구축되어 스케일 아웃이 가능하며, 비용 효율적이고 자동화된 솔루션을 제공합니다. Amazon S3는 프론트엔드에 필요한 모든 정적 자원을 저장하는 데 사용됩니다. 또한 Amazon CloudFront는 낮은 대기 시간의 네트워크를 통해 콘텐츠 배포 속도를 높입니다. 에이전트가 Amazon Cognito에서 인증되면 JSON 웹 토큰을 받게 되고, 이를 사용해서 Amazon AppSync와 같은 그래프QL 기반 API를 인증합니다. AWS AppSync는 AWS Amplify 리솔버를 활용하여 API와 DynamoDB 간에 직접적인 매핑을 생성하는 데 사용됩니다. 이를 통해 더 복잡한 백엔드 추출이나 서버를 걱정할 필요없이 단일 엔드포인트를 노출할 수 있습니다.

Retriever Augmented Generation

Retriever Augmented Generation은 검색 인덱스를 업데이트하는 의미 검색과 큰 언어 모델을 통해 답변을 생성하는 것을 의미합니다. Amazon Kendra는 의미 검색을 처리하고 최신 정보를 Amazon Bedrock의 기반 모델로 전달합니다. 이를 통해 훈련 단계를 거치지 않고도 최신 정보를 활용하여 답변을 생성할 수 있으며, 검색 결과에 대한 가산 작업을 수행합니다. Retriever Augmented Generation은 최신 언어 모델에 대한 훈련 오버헤드를 제거하여 언어 모델이 더 유연하게 사용될 수 있도록 합니다.

AWS AI 서비스를 활용한 사례와 결과

M과 AWS의 협력을 통해 수행된 프로젝트는 매월 2,000개의 인력 자원 시간을 절약할 수 있게 되었습니다. 이는 반복적인 질문에 대한 자동 응답 기능을 통해 가능해진 일입니다. 또한 모델 정확도도 80%에 달했으며 이러한 사례에 대한 적합한 응답 메일을 작성하는 능력도 갖추게 되었습니다. 마지막으로, POC는 몇 달 안에 완료되었으며 이로써 이 방법이 효과를 얻을 수 있다는 자신감을 얻을 수 있었습니다.

결론

AI를 활용하여 고객 서비스를 개선하는 것은 매우 중요합니다. 이메일 질의에 대한 자동 응답 기능과 자동 분류 기능을 사용하여 고객 답변 시간을 단축하고, 고객 만족도를 향상시킬 수 있습니다. AWS의 다양한 AI 기능을 활용하여 공공 기관에서도 고객 경험을 개선할 수 있습니다. 이러한 접근 방식은 실제로 POC를 수행하여 성공을 거두었으며, 미래에는 싱가포르 인력부와 새로운 협력을 통해 AI 및 기계 학습을 더욱 활용할 예정입니다.

자주 묻는 질문 (FAQ)

Q1. AWS AI 서비스를 사용하려면 어떤 기술적인 전문성이 필요한가요?

A1. AWS AI 서비스는 사전 훈련되어 있으며 별도의 기술적인 전문성이 필요하지 않으므로 누구나 사용할 수 있습니다. AWS에서 제공하는 학습 리소스와 온라인 문서를 참조하여 빠르게 학습할 수 있습니다.

Q2. POC를 성공적으로 수행하기 위해 필요한 인력은 어느 정도인가요?

A2. POC를 수행하는 데에는 솔루션 아키텍트와 개발자, 데이터 엔지니어 등이 함께 협력해야 합니다. 인력은 프로젝트의 복잡성과 규모에 따라 다를 수 있으며, AWS와 함께 협력하여 필요한 전문성과 인력을 확보할 수 있습니다.