ASAPP의 Chief Scientist Ryan McDonald와의 인터뷰 시리즈

Ryan McDonald는 ASAPP의 Chief Scientist입니다. 그는 연구 및 데이터 과학 그룹의 방향을 설정하여 ASAPP의 비전을 실현하기 위해 인공 지능을 발전시키는 것을 책임집니다. 현재 그룹은 고객 서비스와 같은 실제 상황에서 작업 지향 대화 분야를 발전시키는 데 중점을 두고 있습니다. 이러한 역동적 인 환경에는 고객과 에이전트 간의 대화, 에이전트가 사용하는 환경과 도구, 성공의 다양한 측정 기준, 다양한 고객의需求과 상황 등이 있습니다. 고객, 에이전트 및 회사 모두에게 품질이 높은 결과를 도출하기 위해 이 환경을 최적화하는 것은 상당한 연구 투자가 필요합니다. 검색, 언어 생성, 제약 최적화, 학습 및 평가와 같은 분야에서 연구 투자가 필요합니다.

Ryan는 20년 이상 언어 이해와 기계 학습에 대해 연구해 왔습니다. 펜실베니아 대학교에서 수행한 그의 박사 학위 연구는 언어 이해를 위한 새로운 기계 학습 방법에 중점을 두었습니다. 특히 정보 추출과 구문 분석과 같은 분야에서 연구를 수행했습니다. 그의 연구는 의존성 구문 분석과 도메인 적응과 같은 분야의 성장에 기여했습니다. 박사 학위를 취득한 후 Ryan은 Google의 연구 그룹에 합류했습니다. 그곳에서 그는 소비자 리뷰에 대한 감성 분석과 요약 모델을 연구했으며, 이는 수백만 명의 사용자가 매일 사용하는 대규모 소비자 요약 시스템 중 하나가 되었습니다.

Ryan의 연구는 이후 대규모 다국어 언어 이해로 chuyển移되었습니다. 처음에는 기계 번역을 개선하는 데 중점을 두었습니다. 그러나 정보 검색과 디지털 어시스턴트와 같은 기술에서 다국어의 중요성이 커지면서 그의 연구는 이러한 기술을 국제화하는 방향으로 진행되었습니다. Ryan의 팀은 Google (GOOGL ) Assistant를 글로벌 기술로 개발하는 데 중요한 역할을 했습니다. 이 기간 동안 그는 또한 다국어 구문 언어 자원에 대한 가장 큰 컨소시엄인 Universal Dependencies 컨소시엄을 설립했습니다. 이후 Ryan은 Google의 클라우드 서비스를 개선하기 위한 여러 NLP와 ML 프로젝트를领导했습니다. 그의 연구는 ASAPP에서 계속되고 있습니다.

Ryan은 최고의 저널과 컨퍼런스에 100개 이상의 연구 논문을 발표했습니다. 그의 연구는 수천 번 인용되었습니다. 그는 다국어 구문 분석에 대한 연구로 최고의 논문상을 수상했습니다. 그의 책 ‘의존성 구문 분석’은 10년 이상 구문 분석의 주요 교육 자원으로 사용되었습니다. 그는 거의 모든 1티어 NLP와 ML 컨퍼런스에서 에리어나로 활동했으며, 분야의 최고 2개 저널의 편집자로 활동했습니다. 그는 수많은 박사 과정 학생과 인턴을 지도했으며, 전 세계 주요 컨퍼런스와 워크샵에서 초청 강연을 했습니다.

당신은 기계 학습과 자연어 처리에 관심을 가지게 된 계기가 무엇인가요?

저는 컴퓨터 과학과 철학을 복수 전공했습니다. 저는 인공 지능의 철학과 실제로 어떻게 작동하는지에 관심이 있었습니다. 저는 토론토 대학교의 Gerald Penn과 함께 연구 프로젝트를 수행했습니다. 그 프로젝트는 모바일폰을 위한 뉴스 요약에 관한 것이었습니다. 그 프로젝트는 20년 전으로, 당시의 방법은 오늘날의 기준으로 매우 원시적이었습니다. Gerald은 훌륭한 멘토였으며, 저에게 언어의 구조에 대한 형식적 모델에 관심을 가지게 했습니다. 저는 언어의 복잡성과 인간이 매일 자연스럽게 파싱하는 수학적 프레임워크에 매료되었습니다. 당시 검색 엔진은 이미 널리 사용되고 있었으며, 저는 NLP와 ML이 미래에 엄청난 잠재력을 가졌음을 알았습니다.

당신은 100개 이상의 연구 논문을 발표했습니다. 그 중에서 가장 영향력 있는 연구는 무엇이라고 생각하시나요?

이 질문은 항상 어려운 질문입니다. 그리고 시간이 지나면 저의 대답도 바뀝니다. 몇 년 전에는 의존성 구문 분석을 위한 그래프 알고리즘을 사용한 연구를 가장 영향력 있는 연구라고 생각했습니다. 이 연구는 의존성 구문 분석에 대한 연구를 10년 이상 주도했습니다. 이 연구는 NLP를 사용하는 기술 회사에서 큰 영향을 미쳤습니다.

그러나 신경망의 빠른 채택으로, 이산적인 구문 표현의 사용은 줄어들었습니다. 현재는 도메인 적응에 대한 연구를 가장 영향력 있는 연구라고 생각합니다. 이 연구는 문제를 정의하고 중요성을 강조했습니다. 현재는 엔터프라이즈에서 NLP와 ML을 사용하여 문제를 해결하는 데 중점을 두고 있습니다.

당신은 Google에서 상태-of-the-아트 NLP와 ML 기술을 개발하고 프로덕션에 배포하는 데 중요한 역할을 했습니다. 이 경험에서 얻은 주요 교훈은 무엇인가요?

저의 주요 교훈은 NLP와 ML 모델을 개발할 때, 언제 문제가 발생할지 예측할 수 없다는 것입니다. 데이터, 오류 분석, 지표 등 모든 단계에서 문제를 예측하는 것은 불가능합니다. 모델을 빠르게 개발하고 적응하는 것이 더 효율적입니다.

NLP와 ML 연구자로서, 우리는 모델이 깨질 수 있는 부분에 중점을 둡니다. 그러나 실제로 문제가 발생하는 것은 데이터 처리나 UX와 관련된 경우가 많습니다. 모델의 품질을 높이기 위해서는 이러한 문제를 해결해야 합니다. 모델의 품질을 높이기 위해서는 데이터 처리와 UX를 먼저 해결해야 합니다.

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

이 질문에 대한 자세한答案은 저의 블로그 포스트에서 찾을 수 있습니다. 그러나 간단히 말하면, 주요 이유는 다음과 같습니다.

• 문제는 어렵습니다. 고객 서비스 에이전트는 고객의 문제를 해결하기 위해 많은 정보와 경험을 필요로 합니다. 모델이 이러한 문제를 해결하는 데 도움이 되도록 하는 것은 어렵습니다.
• 이 분야에서 일하는 회사와 에이전트들은 AI를 사용하여 고객 경험을 개선하는 데 관심이 있습니다. 그들은 AI의 발전을 방해하는 것이 아니라, 실제 문제를 해결하는 데 필요한 도구로 간주합니다.
• 엔터프라이즈 환경에서는 문제와 도메인이 매우 다양합니다. 따라서 적응성이 중요한 문제입니다. 우리는 단 하나의 회사나 산업을 위한 서비스를 개발하는 것이 아니라, 모든 산업을 위한 서비스를 개발해야 합니다. 이것은 현재의 AI 기술을 테스트하는 좋은 방법입니다.
• ASAPP는 이 문제에만 집중하고 있습니다.

ASAPP의 비전은 인간의 활동을 긍정적으로 증진시키는 데 인공 지능을 사용하는 것입니다. 이 비전에 대해 설명해 주시겠습니까?

우리의 중심 가설은 AI가 인간을 대체하는 것이 아니라, 인간을 긍정적이고 생산적인 방식으로 증진시켜야 한다는 것입니다. 이 비전은 광범위하며, 우리는 모든 관련 인간 활동에 적용하려고 합니다. 그러나 이 비전은 광범위하므로, 우리는 먼저 고객 경험 도메인에 중점을 두고 있습니다.

고객 경험 도메인은 인간의 활동을 증진시키는 데 필요한 모든 도전과 보상을 포함합니다. 에이전트는 복잡한 문제 해결 작업을 수행해야 하며, 고객과 지식 베이스에서 정보를 검색하고, 고객의 상황에 맞게 적응해야 합니다. 이것은 AI를 사용하여 프로세스를 개선하는 데 많은 기회를 제공합니다. 그러나 우리는 이것을 긍정적인 방식으로 해야 합니다. 즉, 에이전트의 작업을 자연스럽고 유연하게 지원해야 합니다.

더욱이, 우리는 AI가 모든 관련 인간에게 긍정적인 결과를 달성해야 합니다. 즉, 고객, 에이전트, 그리고 회사 모두에게 긍정적인 결과를 달성해야 합니다. 고객은 문제가 효율적으로 처리되기를 원합니다. 에이전트는 고객을 만족시키기 위해 노력합니다. 또한, 에이전트는 어려운 고객과 대면하는 경우가 많으며, AI는 에이전트의 작업을 지원하여 고객을 만족시키는 데 도움이 될 수 있습니다.

콜 센터에서 AI를 사용하여 에이전트의 이직률을 줄이는 방법에 대해 설명해 주시겠습니까?

대규모 기업은 고객을 지원하기 위한 콜 센터에 많은 돈을 투자합니다. 그러나 에이전트의 이직률은 매우 높습니다. 에이전트는 어려운 고객과 대면하는 경우가 많으며, 이는 에이전트의 스트레스와 소진을 증가시킵니다. 따라서 에이전트의 이직률을 줄이는 것은 매우 중요합니다.

AI를 사용하여 에이전트의 작업을 지원하는 것은 이미 도움이 됩니다. 에이전트가 고객의 문제를 효율적으로 해결할 수 있도록 도와주는 것은 고객의 만족도를 높이는 데 도움이 됩니다. 그러나 ASAPP는 여기서 더 나아가서 에이전트의 훈련과 피드백을 지원하는 데 중점을 두고 있습니다. 에이전트는 실제 고객과 대면하기 전에 어려운 상황을 연습할 수 있도록 도와주는 것입니다. 또한, 에이전트의 성과를 평가하고 피드백을 제공하는 데 AI를 사용할 수 있습니다.

콜 센터에서 AI를 사용할 때 얻을 수 있는 결과에 대해 설명해 주시겠습니까?

AI를 사용하면 생산성을 높이고 고객 만족도를 개선하는 데 도움이 될 수 있습니다. 예를 들어, 우리는 한 항공사와 함께 작업했으며, 에이전트의 생산성이 86% 증가하고, 고객 만족도도 개선되는 결과를 얻었습니다. 또 다른 예에서는 네트워크 운영사와 함께 작업했으며, 고객 만족도가 45% 개선되는 결과를 얻었습니다.

미래의 작업장에서 AI를 사용하는 데 대한 당신의 비전은 무엇인가요?

AI는 이미 작업장에서 많이 사용되고 있습니다. 예를 들어, 저는 이 글을 작성하는 데 도움을 주는拼字 검사기와 자동 완성 기능을 사용하고 있습니다. 또한, 저는 이메일과 메시지에서 스팸 필터와 메시지 분류기를 사용하고 있습니다. 그러나 미래에는 AI가 작업장을 더 많이 지원할 것입니다. 예를 들어, 과학자는 시스템적인 리뷰를 작성하는 데 AI를 사용할 수 있을 것입니다. 또한, 소프트웨어 엔지니어는 플랫폼을 개발하거나 복잡한 시스템을 통합하는 데 AI를 사용할 수 있을 것입니다.

ASAPP에 대해 더 알고 싶은 것이 있나요?

ASAPP의 연구 팀은 인간의 활동을 증진시키는 데 AI를 사용하는 데 중점을 두고 있습니다. 우리는 실제 문제를 해결하는 데 필요한 도구를 개발하는 데 중점을 두고 있습니다. 또한, 우리는 우리의 제품에서 생성되는大量의 데이터를 사용하여 AI 기능을 개발하는 데 중점을 두고 있습니다.

자세한 정보는 ASAPP의 웹사이트에서 찾을 수 있습니다.

감사합니다.