라이언 맥도날드, ASAPP의 Chief Scientist – 인터뷰 시리즈

라이언 맥도날드는 ASAPP의 Chief Scientist입니다. 그는 연구 및 데이터 과학 그룹의 방향을 설정하여 AI의 발전을 통해 인간의 활동을 긍정적으로 강화하는 ASAPP의 비전을 달성하는 데 책임이 있습니다. 현재 그룹은 고객 서비스와 같은 실제 상황에서 작업 지향 대화의 분야를 발전시키는 데 중점을 두고 있습니다. 이러한 역동적인 환경에는 많은 상호 작용하는 부분이 있습니다. 고객과 에이전트 사이의 대화, 에이전트가 사용하는 환경과 도구, 성공의 다양한 측정 지표, 고객의 다양한需求과 상황 등이 있습니다. 이러한 환경을 최적화하여 고객, 에이전트, 회사 모두에게 품질이 높은 결과를 도출하는 데에는 검색, 언어 생성, 제약 최적화, 학습 및 평가에 상당한 연구 투자가 필요합니다.

라이언은 20년 이상 언어 이해와 기계 학습을 연구해 왔습니다. 펜실베니아 대학교에서 수행한 그의 박사 학위 연구는 NLP의 구조화 예측을 위한 새로운 기계 학습 방법에 중점을 두었으며, 특히 정보 추출과 구문 분석이었습니다. 펜실베니아 대학교에서 그의 연구는 의존성 구문 분석과 NLP 커뮤니티에서 도메인 적응의 분야를 성장시키는 데 중요한 역할을 했습니다. 박사 학위를 취득한 후 라이언은 Google의 연구 그룹에 합류했습니다. 그곳에서 그는 소비자 리뷰를 위한 감정 분석과 요약 모델을 연구했으며, 이는 매일 수백만 명의 사용자가 사용하는 최초의 대규모 소비자 요약 시스템 중 하나로 이어졌습니다.

라이언의 연구는 이후 대규모 다국어 언어 이해로 chuyển移되었습니다. 처음에는 기계 번역을 개선하는 데 중점을 두었지만, 정보 검색과 디지털 어시스턴트에서 다국어의 중요성이 커지면서 그의 연구는 이러한 중요한 기술을 국제화하는 방향으로 진행되었습니다. 라이언의 팀은 Google Assistant를 글로벌 기술로 개발하는 데 중요한 역할을 했습니다. 이 기간 동안 그는 또한 학술 협력자와 함께 Universal Dependencies 컨소시엄을 주도했습니다. 이것은 구문 언어 리소스에 대한 가장 큰 다국어 데이터 컨소시엄입니다. 소비자 제품에 대해 10년 이상 연구한 후 라이언은 기업으로 방향을 전환하고 Google의 Cloud 서비스를 개선하기 위한 여러 NLP 및 ML 프로젝트를 주도했습니다. 이러한 프로젝트에는 핵심 NLP API, Call Center AI 솔루션, 과학 문헌에서 지식 발견이 포함되었습니다. 라이언의 기업 NLP 및 ML 연구는 ASAPP에서 계속 진행 중입니다.

라이언은 최고의 저널과 컨퍼런스에 100개 이상의 연구 논문을 발표했으며, 이는 수천 번 인용되었습니다. 그는 다국어 구문 분석에 대한 연구로 EMNLP 및 NAACL과 같은 주요 국제 컨퍼런스에서 최고 논문상을 수상했습니다. 그의 책 ‘의존성 구문 분석’은 10년 이상 구문 분석의 주요 교육 리소스로 사용되었습니다. 그는 거의 모든 1티어 NLP 및 ML 컨퍼런스에서 분야 책임자로 활동했으며, 이 분야의 최고 2개 저널인 Transactions of the Association for Computational Linguistics 및 Computational Linguistics의 편집자로 활동했습니다. 그는 수많은 박사 과정 학생과 인턴을 지도했으며, 전 세계 주요 컨퍼런스, 워크샵, 최고 대학에서 초청 연사를 맡았습니다.

당신은 기계 학습과 특히 자연 언어 처리에 처음 관심을 가지게 된 계기가 무엇인가?

나는 컴퓨터 과학과 철학을 전공한 학사 과정 학생이었습니다. 나는 AI의 철학과 AI가 실제로 작동하는 방식의 더 실제적인 측면에 관심이 많았습니다. 나는 토론토 대학교의 Gerald Penn과 함께 뉴스 요약을 위한 연구 프로젝트를 수행할 수 있는 기회를 얻었습니다. 그것은 20년 전이며, 오늘날의 기준으로는 매우 원시적인 방법을 사용했습니다. Gerald는 훌륭한 멘토였으며, 언어의 구조(구문과 의미론)에 대한 공식 모델에 대해 관심을 가지게 했습니다. 나는 언어의 복잡성과 인간이 매일 자연스럽게 파싱하는 현상을 설명하는 수학적 프레임워크에 매료되었습니다. 그 때 검색 엔진은 모든 곳에 존재했으며, 나는 NLP와 ML의 미래에 대한 엄청난 상승을 볼 수 있었습니다.

당신은 최고의 저널과 컨퍼런스에 100개 이상의 연구 논문을 발표했으며, 이는 수천 번 인용되었습니다. 당신의 의견으로는, 이 중 가장 영향력 있는 연구 논문은 무엇인가?

이것은 항상 대답하기 어려운 질문입니다. 그리고 시간이 지남에 따라 나는 내 대답이 달라집니다. 몇 년 전에는 의존성 구문 분석을 위한 그래프 알고리즘을 사용한 연구였을 것입니다. 이 논문과 Joakim Nivre의 연구는 구문 의존성 분석에 대한 10년 이상의 급속한 연구를spawn했습니다. 이는 기술 회사에서 NLP의 채택에 큰 영향을 미쳤으며, Google에서 동료들과 내가 Search, Translate, Assistant 등에서 수행한大量의 연구가 포함되었습니다.

그러나 신경망의 급속한 채택으로, 언어의 이산 구문 표현의 사용은 감소했습니다. 나는 이제 그것이 도메인 적응에 대한 연구라고 말할 것입니다. 우리가 그 논문에서 사용한 방법은 오늘날에는 관련이 없습니다. 그러나 나는 그 논문(그리고 Hal Daume의 동시 연구)이 문제를 정의하고 그 중요성을 필드로 확립한 것으로 생각합니다. 이제 나는 기업에서만 일하며, 그 때 우리가 제기한 문제와 여전히 해결해야 할 문제가 많다는 것을 매우 잘 알고 있습니다.

당신은 대부분의 경력을 Google에서 최고의 NLP와 ML 기술을 개발하고 생산에 푸는 데 보냈습니다. 이 경험에서 얻은 주요 교훈은 무엇인가?

私の 주요 교훈은 NLP와 ML 모델을 구축할 때 언제 문제가 발생할지 예측할 수 없다는 것입니다. 데이터, 오류 분석, 지표 등 모든 과정에서 집착해야 합니다. 고통 점을猜测하는 것은 souvent 무의미하며, 종종 가장 효율적인 방법은尽快으로 end-to-end 모델을 구축하고 적응하는 것입니다.

NLP/ML 연구자로서, 우리는 모델이 깨질 수 있는 부분과 모델링 가정에서 무엇이 유지되지 않을지에 중점을 둡니다. 그러나 종종 데이터 처리 또는 UX가 성공적인 NLP/ML 제품을 만드는 데 핵심입니다. 이러한 것이 견고한 경우에만 모델의 품질을 반복적으로 개선하여 모델의 모든 가치를榨取할 수 있습니다.

2021년 초, 당신은 ASAPP의 Chief Scientist로 합류했습니다. 이 직책에 관심을 가지게 된 이유는 무엇인가?

더 완전한 답변을 위해, 이 주제에 대한 내 블로그 게시물을 참조하십시오. 그러나 요약하면, 주요 이유는 다음과 같습니다:

• 문제가 어렵습니다. 고객 서비스 에이전트가 어려운 고객 서비스 상호 작용에 참여하는 경우, 에이전트는 대화에서 고객의 문제를 해결하기 위해大量의 정보와 경험을 동원해야 합니다. 도메인 지식이大量인 경우에 모델이 가치를 추가하는 것은 어렵습니다. 예를 들어, 고객 만족도 점수가 낮은 이유는 에이전트가何か 잘못했기 때문인지, 고객이 그냥 일반적으로 화가 났기 때문인지 알 수 없습니다.
• 이 영역에서 일하는 회사와 에이전트는 AI가 고객 경험을 개선하는 데 도움이 될 것이라고 생각합니다. 그들은 발전을 반대하지 않고, 실제 문제를 해결하는 데 중요한 도구로 간주합니다. 이러한 종류의 참여한 파트너를 갖는 것은 놀랍습니다.
• 마지막으로, 소비자 기술과 달리, 기업 환경에서 도메인과 문제는如此 다样화되어 있습니다. 따라서 적응(2번 질문에 대한 내 답변 참조)이 해결해야 할 문제입니다. 우리는 한 회사나 한 산업을 위한 서비스만 구축할 수 없습니다. 모든 것을 위한 서비스를 구축해야 합니다. 이것은 오늘날의 AI에 대한 훌륭한 스트레스 테스트입니다.
• ASAPP는 이 문제에만 집중하고 있습니다.

ASAPP의 인간 활동을 AI의 발전을 통해 긍정적으로 강화하는 비전에 대해 논의해 주시겠습니까?

ASAPP의 중심 가설은 AI가 인간을 대체하는 것이 아니라, 긍정적이고 생산적인 방식으로 인간을 강화해야 한다는 것입니다. 이 비전은 넓고, 우리는 관련된 모든 인간 활동에 적용하려고 합니다. 그러나, 이 광범위한 명령은 첫 번째 영역을 선택해야 하므로, 우리는 고객 경험 도메인에 초점을 맞추고 있습니다.

고객 경험 도메인은 인간 활동을 강화하는 모든 도전과 보상을 포함합니다. 에이전트는 복잡한 문제 해결 작업에 참여하며, 워크 플로우를 따라야 하며, 고객 및 지식 베이스에서 관련 정보를 검색해야 하며, 고객이 처한 상황에 맞게 적응해야 합니다. 이것은 언어를 개선하는 데大量의 기회를 제공합니다. 그러나, 우리는 이것을 긍정적인 방식으로 해야 한다고 생각합니다. 즉:

• 강화는 에이전트의 직무 과정에서 자연스럽고 유연한 시점에 발생합니다. 이것은 중요합니다. AI가 부적절한 시점이나 나쁨의 지연으로 간섭하거나 삽입하는 경우, 이것은 실제로 에이전트의 경험에 부정적인 영향을 미칠 것입니다.
• 더욱 중요한 것은, 우리는 AI가 모든 관련 인간에게 긍정적인 결과를 달성하기를 원합니다. 이 경우에는 고객, 에이전트, 조직입니다. 고객은 효율적이고 효과적으로 문제가 해결되기를 원합니다. 에이전트는 고객에게 그렇게 하기를 원합니다. 또한, 에이전트는 어려운 일에 종사하며, 종종 불만족스러운 고객과 대면합니다. AI는 에이전트가 일과认知 부담을 균형 있게 유지하여 피로와 소진을 줄이고 직무 만족도를 높이는 데 도움이 되어야 합니다.毕竟, 콜 센터의 에이전트는 미국에서 가장 높은 이직률(일부 콜 센터에서는 연간 100%에 달함)을 가진 직업 중 하나입니다. 마지막으로, 우리는 회사에 대한 긍정적인 비즈니스 결과를 원합니다. 이것은 고객 만족도, 처리할 수 있는 문제의 처리량, 또는 판매 금액 등이 될 수 있습니다.

콜 센터에서는 고객, 에이전트, 회사 사이의 긍정적인 결과가 충돌하는 것으로 생각하는 경우가 많습니다. 그러나 좋은 AI는 세 가지 모두를 최적화하는 데 도움이 될 것입니다.

현재 콜 센터의 AI 해부학에 대해 논의해 주시겠습니까?

오늘날, 거의 모든 콜 센터의 단계에는 AI가 고객의 문제를 해결하는 데 어떻게 처리할지에 대한 정보를 제공하거나 결정하는 역할을 합니다.

첫 번째 단계는 상호 작용 보이스 응답(IVR) 또는 채팅 봇입니다. 이것은 완전히 자동화되어 있으며, 주된 목적은 고객이 왜 호출하는지 이해하고, 그에 따라 라우팅하는 것입니다. 이러한 시스템은 에이전트에게 문제를迅速하게 해결할 수 있는 기회를 최대화하기 위해 고객에게 가능한 많은 정보를 수집하려고 시도할 것입니다. 많은 현대적인 봇은 또한 고객의 문제를 직접 해결하려고 시도할 수 있으며, 이것을 “컨테인먼트”라고 합니다. 왜냐하면 인간의 개입이 필요하지 않기 때문입니다. 이것은 FAQ를 추천하거나 고객을 위해 간단한 작업을 실행하는 것일 수 있습니다.

이후, 콜은 에이전트에게 전달됩니다. 에이전트에게 전달된 후, AI의 주요 역할은 에이전트에게 지침과 제안을 제공하는 것입니다. 에이전트는 다음에 무엇을 말해야 합니까? 어떤 흐름을 따라야 합니까? 지식 베이스 기사 nào가 문제를 해결하는 데 도움이 될까요? 이러한 모델은 일반적으로 역사적인 데이터에 의해 훈련되며, 처리 시간 또는 고객 만족도 점수와 같은 주요 성과 지표를 최적화합니다.

콜이나 채팅이 끝난 후, AI는 여전히 작동합니다. 대부분의 콜 센터에서 에이전트는 콜 중에 발생한 일에 대한 구조화된 정보와 노트를 남깁니다. 이것은 분석 목적으로 사용되며, 또한 문제가 해결되지 않은 경우에 후속 에이전트가 문제를 처리할 때 사용됩니다. AI는 이러한 모든 단계에서 도움이 됩니다.

마지막으로, 콜 센터에는 에이전트를 지원하고 기술을 성장시키는 데 도움이 되는 감독자가 있습니다. AI는 여기서 중요한 역할을 할 수 있습니다. 수백 명의 에이전트가 수천 개의 콜을 처리하는 콜 센터에서, 감독자는 어떤 문제에 개입해야 하는지 어떻게 알 수 있을까요? 감독자는 하루 동안 무슨 일이 발생했는지 어떻게 이해할 수 있을까요? 감독자는 에이전트의 기술을 성장시키기 위해 어떤 분야를 개선해야 하는지 어떻게 알 수 있을까요?

ASAPP는 콜 센터 직원의 이직률을 어떻게 줄입니까?

대규모 회사에서 소비자 상품과 서비스를 제공하는 콜 센터는 고객을 지원하기 위해 매년 수백만 달러, 때로는 수십억 달러를 지출합니다. 노동 비용은 총 비용의 80~90%를 차지합니다. 이것은 에이전트 이직률을 40%로, 때로는 100% 이상으로 만드는 큰 문제입니다.

에이전트가 고객의 문제에 대해 무관심하고, 일련의 절차를 따르는 것으로 생각하는 캐리커처는 있습니다. 최악의 경우, 고객의 문제를 해결하는 능력을 방해할 수도 있습니다. 그러나 이것은 사실과遠い 것입니다. 에이전트는 다른 사람들과 마찬가지로, 고객의 문제를 해결하는 데 만족을 느낍니다. 하루를 어떻게 보낼까요? 강한 “감사합니다”를 듣는 것인지, 화가 난 고객을 듣는 것인지? 최근에 수행한 연구에 따르면, 90%의 에이전트는 고객과 통화하는 것이 그들의 하루를 만드는 데 기여한다고 보고했으며, 대부분의 에이전트는 직업에 만족한다고 합니다. 그러나 에이전트는 고객을 행복하게 만드는 데 필요한 도구와 훈련을 원합니다. 불만족스러운 고객은 에이전트를 화나게 하고, 피로하고, 스트레스를 주며, 이는 이직의 주요 원인이 됩니다.

에이전트를 위한 AI 강화(이전에도 설명했듯이)는 이미 도움이 됩니다. 에이전트가 고객의 문제를 효과적으로 및迅速하게 해결할 수 있는 도구와 지침을 갖고 있다면, 고객이 행복할 가능성이 더 높아지며, 이는 직무 만족도도 높여줄 것입니다.

그러나 ASAPP는 그곳에서 시작하지 않습니다. 실시간 동적 지침은 중요하지만, 더 구조화된 훈련, 코칭, 피드백도 중요합니다. 많은 에이전트는 새로운 문제나 절차에 대한 훈련을 “라이브”로 받습니다. 즉, 그들은 설명을 받지만, 실제 고객과 통화할 때까지 실제로 본 적이 없습니다. 비행기를 운항하는 조종사에게 수동을 주고, 300명의 승객을 덴버로 비행하라고 하는 것과 같습니다. 우리는 에이전트가 실제 고객과 대면하기 전에 어려운 상황을 처리하고 절차를 연습할 수 있는 도구를 구축하는 데 AI를 사용하는 데 중점을 두고 있습니다. 이것을 목표한 피드백(감독자 또는 자동으로)과 결합하면, 에이전트는 더 적은 스트레스를 받는 환경에서 기술을 성장시킬 수 있습니다.

에이전트를 위한 더好的 AI, 동적 상황에서 고객 만족도를 개선하는 AI, 또한 에이전트를 위한 근거 있는 훈련 – 이것이 ASAPP가 에이전트에 초점을 맞추고, 궁극적으로 이직률을 줄이는 방법입니다.

콜 센터에서 AI를 통합하여 달성할 수 있는 결과의 예는 무엇인가?

위에서 공유한 바와 같이, AI는 생산성을 크게 향상시키는 변혁적 기술이 될 수 있습니다. ASAPP와 협력하는 미국 항공사에서, 우리는 에이전트의 생산성이 86% 증가하고, 조직의 처리량이 127% 증가하는 것을 보았습니다. ASAPP 서비스를 사용하는 글로벌 네트워크 운영사에서, 고객 추천 점수(고객이 회사의 제품 또는 서비스를 다른 사람에게 추천할 의향이 있는지 측정하는 지표)가 45% 증가했습니다. ASAPP를 사용하는 최상위 3개 케이블 회사에서, 상호 작용 비용이 52% 감소했습니다. 이러한 예는 AI가 생산성을 높이고, 고객 서비스의 품질을 개선하며, 비즈니스 비용을 줄일 수 있는 방법을 보여줍니다.

당신의 개인적인 미래의 AI에 대한 비전은 무엇인가?

AI는 이미 작업장에서 khá 普遍합니다. 내가 이것을 작성하는 동안, 맞춤법 및 문법 체크기, 텍스트 자동 완성기 등이 나를 도와줍니다. 나는 스팸 필터와 메시지 분류기가 있는 이메일/메시징 도구를 사용합니다. 나는 관련 정보를 찾기 위해 AI를 사용하는 검색을 사용합니다. 이것은 향상될 것입니다. 내가 채택하는 AI 기능의 수와 그 품질이 증가함에 따라, 이러한 기능의 채택도 증가할 것입니다.

그러나, 나는 이것을 원자적 강화라고 부릅니다. 이것은 나에게แน chắn 도움이 되지만, 매우 정밀한 예측을 허용하는 특정 순간에만입니다. 나는 아직 AI가 이 질문에 대한 답변을 직접 제공할 수는 없습니다. 🙂

보다 심각하게, 내 비전은 작업장 전체에 걸쳐 end-to-end AI를 채택하는 것입니다. 나는 기계 학습 모델링의 의미에서 end-to-end를 의미하지 않습니다. 내가 의미하는 것은 AI가 전체 과정을 최적화하기 위해 хол리스틱하게 큰 작업을 최적화하는 것입니다. ASAPP는 이미 콜 센터에서 이것을 실현하고 있습니다. 예를 들어, 우리는 에이전트가 다음에 무엇을 말할지에 대한 최적의 제안을 제공하기 위해 대화의 모든 측면과 궁극적인 목표를 고려합니다. 그러나 그 이상으로, 과학자가 중요한 주제에 대한 체계적인 검토를 작성하거나, 소프트웨어 엔지니어가 플랫폼을 구축하거나, 복잡한 시스템을 통합하거나, 변호사가 법적 브리핑을 작성하는 것을 상상해 보십시오. 미래에는 이러한 전문가들이 모두 이러한 작업을迅速하게 수행하고, 원하는 결과를 최적화하기 위해 AI에 의존할 것입니다. 이것은 더 중요한 도전을 위해 자유로울 것입니다.

ASAPP에 대해 더 공유하고 싶은 내용이 있습니까?

ASAPP의 연구 팀에는 명확한 초점이 있습니다. 우리는 기업을 위한 실제 문제를 해결하기 위해 AI를 발전시키는 데 있습니다. ASAPP의 연구자들은 우리의 도메인 특정 실세계 AI 솔루션에 적용하기 위한 NLP 및 ML의 과학을 근본적으로 발전시키는 데 일합니다. 그들은 또한 우리의 제품에서 생성되는大量의 데이터와, 실제 사용에 AI 기능을 배포할 수 있는 능력을 활용하여 새로운 방식으로 근본적인 연구 질문을提出하고 해결합니다.

최근의 논문을 https://www.asapp.com/ai-research/에서 확인하십시오.

자세한 답변 감사합니다. 더 많은 정보를 원하는 독자는 ASAPP를 방문할 수 있습니다.