AI가 실제 사람에게 더 빠르게 연결해 줄 수 있다

연결되려는 것은 여러 선택 항목을 느린 속도로 탐색해야 하기 때문에 좌절하는 경험이 될 수 있다. 이러한 선택 중 하나가 자신의 경우에 적합한지에 대한 확신이 없을 때,

새로운 연구에 따르면 오픈 소스 ChatGPT 스타일의 AI 설정은 자연어를 사용하여 호출자에게 올바른 사람을 호출 센터에 연결할 수 있으며, 매주 다른 선택 항목을 따라가야 하는 불쾌한 메뉴 선택을 따르지 않아도 된다. 호출 센터에서 실제 사람에게 경험 많은 사용자는 인간 고문으로 접근하고 ‘선택 지옥’에서 벗어나기 위한 트릭과 우회 방법을 채택하는 경향이 있다. 많은 사람들이 이것을 더 또는 덜 ‘전투적’이고 사용자에게 적대적인 경험으로 인식한다. 의외로, 호출 센터는 AI 시스템에 의해 강화되거나 대체되는 최전선에 있다.일부에서는慎重한 접근 방식을 권고하고 있지만, 호출 센터 AI 자동화는 기술 헤드라인과 AI 기반 혁신의 가능성에 대한 이익을 얻을 수 있는 저지대 과일이다.

닫힌 상점

그러나 콜롬비아의 새로운 논문이 이 영역에서 조금 더 열린 접근 방식을 시도하고 있다. 이 새로운 연구는 Beyond IVR Touch-Tones: Customer Intent Routing using LLMs 라는 제목의 간결한 논문으로, 콜센터의 자동화된 고객 응답 시스템을 위해 대규모 언어 모델(LLMs)을 사용하여 작동하는 고객 의도 라우팅(CIR) 시스템의 작동 가능한 스키마를 생성하는 첫 번째 비폐쇄 프로젝트라고 주장한다. 실제 호출 데이터나 사유 메뉴 트리에 접근하려고 시도하는 대신, 새로운 프로젝트는 세 가지 AI 모델을 사용하여 모든 구성 요소를 스크래치에서 생성한다. 하나는 현실적인 호출 센터 메뉴를 발명하기 위해, 다른 하나는 수백 건의 발신자 불만을 시뮬레이션하는 데 사용되고, 세 번째는 발신자 불만을 올바른 담당자에게 연결하려는 챗봇 역할을 합니다. 그 결과, 920개의 고유한 사용자 문의를 처리하는 가상 통신 회사로 구성된, 실제와 매우 흡사한 완벽한 가상 테스트 환경이 구축되었습니다. 이 실험은 법적 위험을 피하면서 현재 AI가 불분명하고 지저분한 언어를 어떻게 해석하고 호출자를 올바른 사람에게 연결할

수 있는지 조사한다. 테스트 결과, 시스템은 호출자 불만을 올바른 호출 센터 목적지에 연결할 수 있는 정확도가 최대 89.13%에 달한다. 특히, 평면화된 메뉴 옵션을 제공할 때 정확도가 더 높았다. 연구는 또한

호출자가 더 캐주얼하거나 다양한 언어를 사용할 때 AI가 더 많이 실수했지만, 일부 오류는 AI가 이해를 못한 것이 아니라 전화 메뉴 자체가 혼란스러운 경우였다는 것을 발견했다. A PolyAI 음성 보조자가 가상의 회사 ‘Augusta Lawn Care’의 고객 서비스 호출을 여는 중이다. 대규모 트레이닝 대화에서 학습한 내용을 사용하여 기존 호출 센터 인프라를 통해 자동 응답을 제공한다. 출처 추가로, 호출 센터 메뉴를 혼란스럽게 만드는 경험이 연구 노력의 자극이 된 것으로 보인다. 이러한 연구는 대부분 Arxiv와 같은 오픈 연구 출판 네트워크에서 발생하는 것이 아니라, IVR 개발의 일반적으로 비밀스러운 성격에 따라 발생하지않는다.

로컬 호출

이러한 점을 고려하여, 콜센터의 자동화된 고객 응답 시스템을 위한 연구와 데이터가 대부분기업의 위해, 세 번째는 호출자금고에 갇혀 있는 상황에서, 새로운 논문이 조금 더 열린 접근 방식을 시도하는 것은 상쾌한 일이다. 새로운 연구는 Beyond IVR Touch-Tones: Customer Intent Routing using LLMs 라는 제목의 논문으로, 콜센터의 자동화된 고객 응답 시스템을 위해 대규모 언어 모델(LLMs)을 사용하여 작동하는 고객 의도 라우팅(CIR) 시스템의 작동 가능한 스키마를 생성하는 첫 번째 비폐쇄 프로젝트라고 주장한다. 실제 호출 데이터나 사유 메뉴 트리에 접근하려고 시도하는 대신, 새로운 프로젝트는 세 가지 AI 모델을 사용하여 모든 구성 요소를 스크래치에서 생성한다. 하나는 현실적인 호출 센터 메뉴를 발명하기 위해, 또 하나는 수백 개의 호출자 불만을 시뮬레이션하기

불만을 올바른 목적지로 라우팅하려고 시도하는 채팅봇 역할을 한다.

방법

첫 번째 모델은 가상의 전기 통신 회사에 대한 자세한 전화 메뉴를

생성한다. 두 번째 모델은 고유한 호출자 메시지를 생성하여 실제 호출자들이 어떻게 말할지 시뮬레이션한다. 세 번째 모델은 각 호출자 메시지를

올바른 목적지로 라우팅하려고 시도한다. 이

스키마는 실험을 반복할 수 있도록 허용했으며, 실제 호출데이터나 고객 정보를 노출하지 않도록 했다. 세 가지 모델은 각각 gpt-3.5-turbo , gpt-4o-mini , 및 gpt-4.1-mini 를 사용했다.

분리

실험 결과를 오염시키지 않기 위해, 각 모델은 다른 모델로부터 분리되었다. 전화 메뉴는 첫 번째 모델에 의해 생성되었지만, 다른 시스템에 익숙하지 않은 상태로 수동으로 최종화되었다. 호출자 메시지는 두 번째 모델에 의해 생성되었으며, 메뉴 구조에 접근하지 못했다. 세 번째 모델은 호출자 메시지와 메뉴 텍스트만 볼 수 있었으며, 메뉴나 호출자 메시지의 생성에 참여하지 않았다.

측정

라우팅 시스템의 성능을 측정하기 위해 두 가지 표준 지표를 사용했다. 정확도 는 모델이 정확한경로를자주반환한 경우의 백분율로 정의되었다. 혼동 행렬도 생성되어 각 경로가 다른 경로와 얼마나 혼동되는지 보여주었다.

결과

테스트 결과, 모델의 정확도는 전화 메뉴가 표시되는 방식에 크게 의존했다. 평면화된

메뉴 경로가 제공될 때, 시스템은 89.13%의 정확도를 달성했으며, 이는

서술적인 메뉴 버전에 비해 81.30% 더 높았다. 이 패턴은 더 큰 데이터 세트에서도 유지되었으며, 평면화된 버전이 86.52%의 정확도를

달성했으며, 이는 서술적인 버전의 77.07%보다 높았다. 이 결과는 간결하고 구조화된

프롬프트가 라우팅 작업에

더 적합하다는 것을 시사한다.

결론

이 연구는 호출 센터의 자동화된 고객 응답 시스템을 위한 대규모 언어 모델(LLMs)의 잠재력을 보여준다. 이러한 시스템은 호출자 불만을 올바른 목적지로 라우팅할 수 있으며, 호출자와 호출 센터 간의 상호작용을 개선할 수 있다. 이 연구의 결과는 호출 센터의 자동화된 고객 응답 시스템을 위한 대규모 언어 모델(LLMs)의 잠재력을 보여준다. 이러한 시스템은 호출자 불만을 올바른 목적지로 라우팅할 수 있으며, 호출자와 호출 센터 간의 상호작용을 개선할 수 있다. 이 연구는 또한 이러한 시스템의 개발과 적용에 대한 미래의 연구 방향을 제시한다. 최종적으로, 이 연구는 호출 센터의 자동화된 고객 응답 시스템을 위한 대규모 언어 모델(LLMs)의 잠재력을 보여준다. 이러한 시스템은 호출자 불만을 올바른 목적지로 라우팅할 수 있으며, 호출자와 호출 센터 간의 상호작용을 개선할 수 있다. * 이러한 내용은 원래 논문에서 찾을 수

있습니다. 最初에 2025년 10월 29일에 게시되었습니다.