딥 러닝이란?

딥 러닝은 스스로 학습 및 개선하는 대규모 신경 네트워크”

딥 러닝(deep learning)은 다층구조 형태의 신경망을 기반으로 하는 머신 러닝(machine learning)의 한 분야로, 다량의 데이터로부터 높은 수준의 추상화 모델을 구축하고자 하는 기법입니다.

즉, 컴퓨터가 많은 양의 데이터를 이용해 마치 사람처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 기계 학습 기술로, 인간의 뇌가 작동하는 것과 비슷한 원리라고 할 수 있습니다.

딥 러닝은 더 큰 신경망을 구축하고 점점 더 많은 데이터로 훈련할수록 성능이 계속해서 향상되며, 이러한 점에서 일반적으로 성능이 정체되는 다른 머신 러닝 기법과 다릅니다.

딥 러닝은 무인 자동차, 얼굴 인식 프로그램, 자동 언어 번역, 챗봇 등 다양한 분야에 사용되고 있습니다.

딥 러닝의 작동 원리

인공 신경망(artificial neural network)은 데이터 입력, 가중치 및 편중의 조합을 통해 인간의 뇌를 모방하려고 시도합니다. 이러한 요소는 함께 작동하여 데이터 내의 개체를 정확하게 인식, 분류 및 설명합니다.

딥 러닝 - 인공 신경망의 구조

참고 | 은닉층(Hidden Layers): 딥 러닝 시스템에서 입력값을 받아 처리한 뒤 결과를 산출하는 층 (가중합 계산 및 함수에 적용). 따라서 인공 신경망에는 반드시 1개 이상의 은닉층이 존재해야 함.

마치 인간의 뇌가 뉴런으로 구성되어 있는 것처럼 신경망은 연결점(node)들의 층입니다. 개별 층 내의 연결점은 인접 층에 연결됩니다. 신경망의 깊이는 층의 개수가 얼마나 되느냐에 따라 달라집니다. 인간의 뇌에 있는 하나의 뉴런은 다른 뉴런들로부터 수천 개의 신호를 받습니다. 마찬가지로 인공 신경망에서 신호는 연결점들 사이를 이동하며 그에 상응하는 가중치를 할당합니다. 가중치가 높은 연결점이 다음 연결점 층에 더 많은 영향을 미칩니다. 마지막 층은 가중치 입력을 컴파일하여 출력을 생성합니다. 딥 러닝 시스템은 처리 중인 대량의 데이터가 있고, 여러 복잡한 수학적 계산이 수반되기 때문에 강력한 하드웨어가 필요합니다. 그러나 이러한 고급 하드웨어를 사용하더라도 딥러닝 교육 연산은 몇 주가 걸릴 수 있습니다.

딥 러닝 시스템은 정확한 결과를 산출하기 위해 많은 양의 데이터가 필요하며, 따라서 정보는 대규모 데이터 세트로 공급됩니다. 데이터를 처리할 때, 인공 신경망은 매우 복잡한 수학적 계산을 포함하는 일련의 이진 참 또는 거짓 질문에서 수신한 답변으로 데이터를 분류할 수 있습니다.

딥 러닝과 머신러닝 차이 및 비교

예를 들어, 얼굴 인식 프로그램은 얼굴의 가장자리와 선, 그리고 얼굴의 더 중요한 부분, 그리고 마지막으로 얼굴의 전체적인 표현을 감지하고 인식하는 법을 배움으로써 작동합니다. 시간이 지남에 따라 프로그램은 스스로 훈련되고 정답의 확률은 증가합니다. 이 경우, 얼굴 인식 프로그램은 시간에 따라 얼굴을 정확하게 식별할 것입니다.

딥 러닝이 왜 중요할까요?

딥 러닝의 핵심은 빠른 컴퓨터와 많은 양의 데이터에 액세스하여 거대한 신경망을 훈련하는 것입니다. 이러한 프로세스는 ‘규모'와 관련이 있습니다. 즉, 더 큰 신경망을 구축하고 점점 더 많은 데이터로 훈련할수록 성능이 계속해서 향상되는 것입니다.

이러한 딥 러닝을 통해 기업은 다음과 같은 이점을 얻을 수 있습니다.

머신러닝이란?

다시 한번 강조하자면 딥 러닝의 핵심은 “인공 신경망"을 통한 훈련 및 성능 향상으로, 이것이 머신러닝과의 차이점입니다. 그렇다면 머신러닝은 무엇일까요?

머신러닝은 알고리즘의 층을 사용하여 데이터 처리로부터 “학습”하는 일종의 인공지능입니다. 인간의 지능을 시뮬레이션하는 것처럼 머신러닝은 기계가 어떻게 정보를 얻고, 그것이 어떻게 사용되어야 하는지에 대한 규칙을 이해하고, 시간이 지남에 따라 그것이 어떻게 더 나아질 수 있는지에 대해 다룹니다.

좀 더 쉬운 이해를 위해 인공지능(AI), 머신러닝(Machine Learning), 딥 러닝(Deep Learning)을 간단히 비교해보겠습니다.

  • 인공지능: 인지 능력을 모방하는 기계 공학
  • 머신러닝: 명확한 지시 없이도 패턴에 의존하지 않고 작업을 수행할 수 있는 기계 학습
  • 딥 러닝: ‘인공 신경망’을 기반으로 하는 기계 학습
인공지능 머신러닝 딥 러닝 비교

머신러닝은 고객 서비스에 어떻게 사용되고 있나요?

고객 서비스 분야에서 머신러닝은 발견 및 학습된 인사이트를 고객 경험을 최적화할 수 있는 방식으로 적용합니다. 예측 분석을 통해 지원 에이전트에게 관련 지식 정보를 제공하거나, 고객이 문제를 스스로 해결할 수 있는 경우 AI 기반 툴을 통해 솔루션을 제공하는 등 고객 서비스 업무를 효율적으로 수행하도록 돕습니다.

이처럼 머신러닝은 고객 편의성과 고객 지원 에이전트의 효율성 측면에서 상당한 이점을 제공하기 때문에 고객 서비스 분야에 사용되고 있습니다. 구체적으로 머신러닝이 고객 서비스 분야에 활용되는 예는 다음과 같습니다.

챗봇

고객 서비스의 AI 기술에 대해 이야기할 때 많은 사람들이 가장 먼저 떠올리는 것은 바로 챗봇입니다. 고객 서비스 담당자와의 상호 작용을 시뮬레이션하고, 간단한 문의 사항을 해결하는 능력 덕분에 효과적인 셀프서비스 솔루션으로 꼽힙니다. 머신러닝을 통한 AI 기반의 챗봇은 언제 특정 응답을 사용해야 하는지, 언제 사용자로부터 필요한 정보를 수집해야 하는지, 언제 대화를 에이전트에게 전달해야 하는지 학습할 수 있습니다.

가상 도우미

가상 도우미는 에이전트와의 상호 작용을 시뮬레이션하지 않는다는 점에서 챗봇과 다릅니다. 대신 고객에게 도움을 제공할 수 있는 고객 여정의 특정 영역에 초점을 맞춥니다. 머신러닝 기능을 사용하면 에이전트(또는 분석 프로그램에 사용하기 위해)에 전달할 수 있는 정보의 종류를 학습하고, 제공되는 지원의 종류를 개선할 수 있습니다. 고객 문의에 따라 도움말 기사를 추천하는 Freshdesk의 답변 봇이 그 예입니다. 또한 에이전트가 도움말 문서를 찾는 방법도 자동화할 수 있습니다.

콘텐츠 제작

40%에 가까운 고객은 기술 자료 내에서 검색해봐도 원하는 도움말 문서를 찾을 수 없다고 주장합니다. 머신러닝을 사용하여 지원 티켓에서 들어오는 데이터를 분석하고, 이를 에이전트가 도움말 기사에 적용할 수 있는 실행 가능한 인사이트로 전환할 수 있습니다. 이러한 인사이트는 사용자가 자신의 문제를 설명하는 방법과 이러한 설명이 지식 기반 콘텐츠와 유사한지 여부를 지적합니다. 그런 다음 에이전트는 이러한 권장 사항을 적용하고 도움말 문서를 조정하여 고객이 관련 정보를 보다 쉽게 찾을 수 있도록 할 수 있습니다.

예측 분석

고객 서비스는 지속적으로 최적화하기 위해 측정 가능한 분석이 필요하며, 머신러닝은 일부 지원 분석에 예측 요소를 추가하는 데 도움이 될 수 있습니다. 예측 고객 서비스 분석은 이전 고객 서비스 상호작용의 데이터를 활용하여 향후 양적 결과를 결정합니다. 또한 고객 만족도 등급을 예측하는 Freshdesk의 만족도 예측 툴과 마찬가지로 에이전트가 놓칠 수 있는 인사이트를 실시간으로 파악할 수 있습니다. 이러한 통찰력을 갖추는 것은 더 나은 고객 경험을 제공하고자 하는 고객 서비스 조직에 큰 도움이 될 수 있습니다.

이제 인공지능을 활용한 고객 서비스가 비즈니스에 얼마나 강력한 경쟁력을 가져다줄 수 있는지 확신을 가지셨을 것입니다. Freshdesk가 제공하는 AI 기반의 헬프데스크를 통해 모든 고객 여정에서 최적의 고객 서비스를 제공하세요. 무료로 직접 체험해보고 결정하세요!