KR102492334B1 - 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102492334B1 KR102492334B1 KR1020220117809A KR20220117809A KR102492334B1 KR 102492334 B1 KR102492334 B1 KR 102492334B1 KR 1020220117809 A KR1020220117809 A KR 1020220117809A KR 20220117809 A KR20220117809 A KR 20220117809A KR 102492334 B1 KR102492334 B1 KR 102492334B1
- Authority
- KR
- South Korea
- Prior art keywords
- customer terminal
- terminal
- chatbot
- server
- call
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 59
- 239000003795 chemical substances by application Substances 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 42
- 230000007423 decrease Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 238000009223 counseling Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 콜 서버가 뉴럴 네트워크를 이용하여 챗봇(chatbot) 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 제1 고객 단말에게 챗봇 서비스를 제공하는 챗봇 서버로부터 상담원 통화 연결을 요청하는 제1 연결 요청 메시지를 수신하고, 상기 챗봇 서비스는 상기 제1 고객 단말과 상기 챗봇 서버 사이의 인증 절차를 기반으로 제공되고, 상기 연결 요청 메시지는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 포함하고, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위를 결정하고, 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 제1 상담원 단말을 선택하고, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 상기 제1 상담원 단말에게 전송하고, 상기 제1 고객 단말과 상기 제1 상담원 단말 사이의 통화 연결을 확립하는 단계를 포함할 수 있다. 상기 제1 고객 단말이 상기 챗봇 서비스를 이용한 마지막 시점이 상기 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 제1 고객 단말에 대해 생략될 수 있다.
Description
본 개시의 실시예들은 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 기술에 대한 것이다.
한편, 스마트폰이 대중화되기 이전에 대부분의 사람들은 ARS(automatic response system) 서비스를 통해 진료를 예약하였으나, 근래에는 스마트폰을 통해 보이는 ARS 서비스 및/또는 챗봇(chatbot) 서비스 등을 이용하여 간편하게 진료를 예약할 수 있다. 여기서, 보이는 ARS 서비스는 기존 ARS 서비스에 더하여 스마트폰 화면에 ARS 음성 안내와 연결된 페이지를 출력시키고, 해당 페이지와 음성 안내를 동기화시킴으로써, 보다 편리하게 안내를 받는 서비스이다. 챗봇 서비스는 음성이나 문자를 통한 인간과의 대화를 처리하는 컴퓨터 프로그램을 통해서 제공하는 서비스이다.
이때, 사용자가 챗봇 서비스를 이용하는 도중 상담원 연결이 필요한 경우, 사용자는 상담원과 연결하기 위한 전화 번호를 통해 상담원과 연결을 수행해야 하면, 자동 음성 멘트를 들은 이후, 상담원과의 연결을 위해 대기해야 하는 불편함이 있다.
또한, 사용자가 개인 정보에 기반한 챗봇 서비스를 이용할 때, 반드시 본인 인증의 절차를 거쳐야 한다. 따라서, 사용자는 본인 인증을 위해 사용자 단말을 이용하여 복잡한 통신사의 인증 절차 등을 완료한 이후에 챗봇 서비스를 이용할 수 있는 문제가 있다.
이에, 사용자가 챗봇 서비스를 이용하는 도중 상담원 연결을 요청할 때, 상담원 연결을 일반적으로 요청한 사용자보다 우선적으로 상담원 연결을 진행하기 위해 뉴럴 네트워크를 이용하여 사용자 단말과 상담원 단말의 우선 순위를 결정하고 관리하는 방법이 필요하다. 또한, 사용자가 개인 정보에 기반한 챗봇 서비스를 이용할 때, 보다 간편하게 인증할 수 있는 절차가 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇(chatbot) 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법은, 제1 고객 단말에게 챗봇 서비스를 제공하는 챗봇 서버로부터 상담원 통화 연결을 요청하는 제1 연결 요청 메시지를 수신하고, 상기 챗봇 서비스는 상기 제1 고객 단말과 상기 챗봇 서버 사이의 인증 절차를 기반으로 제공되고, 상기 연결 요청 메시지는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 포함하고, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위를 결정하고, 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 제1 상담원 단말을 선택하고, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 상기 제1 상담원 단말에게 전송하고, 상기 제1 고객 단말과 상기 제1 상담원 단말 사이의 통화 연결을 확립하는 단계를 포함할 수 있다. 상기 제1 고객 단말이 상기 챗봇 서비스를 이용한 마지막 시점이 상기 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 제1 고객 단말에 대해 생략될 수 있다.
일 실시예에 따라, 상기 방법은 상기 제1 고객 단말이 상기 챗봇 서비스를 상기 챗봇 서버로부터 제공받기 이전에, 제2 고객 단말로부터 상담원 통화 연결을 요청하는 제2 연결 요청 메시지를 수신하고, 상기 복수의 상담원 단말 중에서 상기 제1 상담원 단말에 대해 상기 제2 고객 단말을 매칭하는 단계를 더 포함할 수 있다. 예를 들어, 상기 제1 고객 단말이 상기 제2 고객 단말보다 우선하여 상기 제1 상담원 단말과의 통화 연결이 확립될 수 있다. 상기 사전 설정된 시간은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 Wtime은 상기 사전 설정된 시간이고, 상기 k는 통화 대기 중인 고객 단말의 수이고, 상기 ti는 i번째 고객 단말의 통화 대기 시간이고, 상기 tavg는 평균적인 통화 대기 시간이고, 상기 nt는 현재 챗봇 서비스를 이용한 고객 단말의 개수이고, 상기 navg는 챗봇 서비스를 이용한 고객 단말의 평균적인 개수이고, 상기 tn은 상기 제1 고객 단말의 당일 통화 시도 횟수이고, 상기 wdef는 상기 사전 설정된 시간에 대한 기본 값일 수 있다.
일 실시예에 따라, 상기 고객 단말과 상기 챗봇 서버 사이의 인증 절차는 제1 인증 및 제2 인증을 포함할 수 있다. 상기 제1 인증은 상기 고객 단말로부터 상기 챗봇 서버에게 전송된 제1 개인 정보 및 상기 콜 서버로부터 상기 챗봇 서버에게 전송된 제2 개인 정보가 일치하는 것에 기반하여 수행될 수 있다. 상기 제1 개인 정보는 상기 고객 단말의 사용자에 의해 입력된 정보일 수 있다. 상기 제2 개인 정보는 통신사와 관련된 서버로부터 발신자 자동 식별을 통해 상기 콜 서버에게 전송된 정보일 수 있다. 상기 제2 인증은 상기 제1 인증이 완료된 것에 기반하여, 상기 제1 개인 정보와 전자 의무 기록과 관련된 서버로부터 전송된 제3 개인 정보가 일치하는 것에 기반하여 수행될 수 있다. 상기 제1 인증 및 제2 인증이 완료된 것에 기반하여, 상기 챗봇 서버로부터 상기 고객 단말에게 상기 챗봇 서비스가 제공될 수 있다.
예를 들어, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용한 제1 결정 모델을 통해 상기 제1 고객 단말에 대한 제1 우선 순위가 결정될 수 있다. 상기 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 제2 결정 모델을 통해 및 상기 복수의 상담원 단말에 대한 제2 우선 순위가 결정될 수 있다. 상기 제1 고객 단말에 대한 제1 우선 순위 및 상기 복수의 상담원 단말에 대한 제2 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 상기 제1 상담원 단말을 선택될 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 챗봇 서비스와 관련된 이용 정보 및 정답 고객 단말에 대한 제1 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 제1 결정 모델이 생성될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보 및 정답 상담원 단말에 대한 제2 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 제2 결정 모델이 생성될 수 있다.
부가적으로, 제1 뉴럴 네트워크의 학습을 위한 데이터 중 하나인, 고객 단말에 대한 제1 우선 순위에 대한 값은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 P1은 상기 제1 우선 순위에 대한 값이고, 상기 ua는 고객 단말의 사용자의 나이이고, 상기 ne는 고객 단말과 챗봇 사이의 대화 내용에 포함된 사전 설정된 단어의 개수이고, 상기 nt는 고객 단말의 당일 통화 시도 횟수이고, 상기 c는 고객 단말의 챗봇 서비스의 이용 여부와 관련된 값이고, 상기 h는 고객 단말의 진료 과목에 대한 값일 수 있다.
부가적으로, 예를 들어, 제2 뉴럴 네트워크의 학습을 위한 데이터 중 하나인, 상담원 단말에 대한 제2 우선 순위에 대한 값은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 P2는 상기 제2 우선 순위에 대한 값이고, 상기 tc는 상담원 단말이 현재 연결된 고객 단말과 통화를 진행한 시간이고, 상기 fk는 상담원 단말의 친절도이고, 상기 km은 상담원 단말에 대해 통화 대기 중인 고객 단말의 개수이고, 상기 ns는 상담원 단말의 현재까지 상담을 진행한 횟수이고, 상기 to는 상담원 단말의 연속 근무 시간이고, 상기 d는 디폴트 값일 수 있다. 상기 tc 및 상기 to는 시간 단위이며, 예를 들어, 분 단위일 수 있다. 상기 d는 상기 콜 서버에 사전 저장된 값일 수 있다.
실시예들에 따르면, 콜 서버가 고객 단말이 챗봇 서비스를 이용한 마지막 시점이 상담원 단말과 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 고객 단말에 대해 생략되게 함으로써, 챗봇 서비스를 이용한 고객 단말의 편의성을 증가시키고, 챗봇 서비스의 이용을 사용자들에게 유도할 수 있다.
실시예들에 따르면, 콜 서버가 챗봇 서버로부터 챗봇 서비스와 관련된 이용 정보를 수신하고, 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위를 결정하고, 상기 고객 단말과 상담원 단말을 연결시킴으로써, 챗봇 서비스와 연동하여 상담 서비스를 효율적으로 사용자에게 제공할 수 있다. 또한, 우선 순위에 따라 통화 대기 상태인 고객 단말의 수를 조정하여 상담 서비스의 품질을 향상시킬 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 시스템을 나타낸다.
도 4는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 신호교환도이다.
도 5는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 도면이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 시스템을 나타낸다.
도 4는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 신호교환도이다.
도 5는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 도면이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM 또는 TizenTM 를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 시스템을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 관리 시스템(300)은 고객 단말(310), 콜 서버(320), 챗봇 서버(330) 및 상담원 단말(340)을 포함할 수 있다.
고객 단말(310)은 콜 서버(320)로부터 ARS(audio response system) 서비스, IVR(interactive voice response) 등과 같이 안내와 관련된 다양한 서비스를 제공받을 수 있다. 여기서, ARS 서비스는 고객이 시스템에 접속하면 사전에 녹음된 음성 정보를 제공하는 서비스이고, IVR 서비스는 사용 목적에 따라 고객이 입력한 정보를 기반으로 고객에게 맞춤형 정보를 제공하는 서비스이다.
고객 단말(310)은 콜 서버(320)에 의해 제공된 IVR 서비스를 통해 챗봇(chatbot) 서비스를 챗봇 서버(330)로부터 챗봇 서비스를 제공받을 수 있다. 여기서, 챗봇 서비스는 음성이나 문자를 통한 인간과의 대화를 처리하는 컴퓨터 프로그램을 통해서 제공하는 서비스이다.
예를 들어, 고객 단말(310)이 챗봇 서비스를 이용하는 동안, 챗봇 서버(330)는 고객 단말(310)에 대한 챗봇 서비스와 관련된 이용 정보를 콜 서버(320)에게 전송할 수 있고, 콜 서버(320)는 고객 단말(310)에 대한 챗봇 서비스와 관련된 이용 정보를 저장하고 관리할 수 있다. 여기서, 챗봇 서비스와 관련된 이용 정보는 챗봇 서비스를 통해 입력된 고객 단말(310)에 대한 개인 정보, 고객 단말(310)이 챗봇 서비스를 통해 문의한 카테고리에 대한 정보 및 고객 단말(310)과 챗봇 사이의 대화 내용에 대한 정보를 포함할 수 있다. 고객 단말(310)이 상담원 연결을 요청하면, 콜 서버(320)는 고객 단말(310)과 매칭되는 상담원 단말(340)에게 고객 단말(310)에 대한 챗봇 서비스와 관련된 이용 정보를 전송하고, 고객 단말(310)과 상담원 단말(340)을 바로 연결시킬 수 있다. 즉, 콜 서버(320)는 고객 단말(310)이 챗봇 서비스를 이용한 정보에 기반하여 고객 단말(310)이 콜 서버(320)에 접속 시 제공하는 IVR 서비스를 생략하고, 고객 단말(310)과 상담원 단말(340)을 연결시킬 수 있다. 이때, 콜 서버(320)는 고객 단말(310)이 챗봇 서비스를 사전 설정된 시간(예: 10분) 이내에 이용한 경우, 다양한 우선 연결 라우팅 기법을 통해 고객 단말(310)을 가장 우선적으로 상담원 단말(340)과 연결시킬 수 있다. 여기서, 우선 연결 라우팅 기법은 특정 단말을 사전 설정된 우선 순위에 따라 다른 단말과 우선적으로 연결시키는 라우팅 방식이다.
또한, 고객 단말(310)과 상담원 단말(340)이 연결될 때, 콜 서버(320)는 실시간으로 현재 상담원 단말(340)의 통화 상태를 확인할 수 있다. 상담원 단말(340)이 다른 단말과 통화 중인 상태와 같이 통화가 어려운 상태인 경우, 콜 서버(320)는 챗봇 서버(330)에게 상담원 단말(340)의 통화가 어려운 상태라는 것을 알리고, 챗봇 서버(330)는 고객 단말(310)에게 챗봇 서비스를 통해 대기를 요청하는 메시지를 전송할 수 있다. 이후, 콜 서버(320)는 챗봇 서버(330)에게 상담원 단말(340)의 통화가 가능한 상태라는 것을 알리고 콜서 서버(320)는 고객 단말(310)과 상담원 단말(340)을 자동으로 연결시킬 수 있다. 이때, 콜 서버(320)는 고객 단말(310)에 대한 챗봇 서비스와 관련된 정보를 상담원 단말(340)에게 전송하고, 상담원은 상담원 단말(340)에 설치된 CRM(customer relationship management) 프로그램을 통해 고객 단말(310)에 대한 챗봇 서비스와 관련된 정보를 확인할 수 있다. 이를 통해, 상담원 연결을 직접 신청한 고객 단말보다 챗봇 서비스를 이용한 고객 단말을 우선적으로 연결시킴으로써, 챗봇 서비스를 이용한 고객에게 유리한 조건을 제공하여 보다 많은 고객들이 챗봇 서비스를 이용하도록 유도할 수 있다.
챗봇 서버(330)가 챗봇 서비스를 고객 단말(310)에게 제공 시, 챗봇 서버(330)는 고객의 개인 정보를 이용하는 서비스를 위해 간편 인증 절차를 고객 단말(310)에게 제공할 수 있다.
예를 들어, 콜 서버(320)는 고객 단말(310)과 콜 연결 시 외부 서버(예: 통신사 서버)로부터 고객 단말(310)의 개인 정보(예: 전화 번호)를 수신할 수 있다. 이후, 고객 단말(310)이 챗봇 서비스를 이용하는 경우, 콜 서버(320)는 외부 서버로부터 수신한 고객 단말(310)의 개인 정보를 챗봇 서버(330)에게 전송할 수 있다. 챗봇 서버(330)는 챗봇 서비스를 통해 고객 단말(310)로부터 입력 받은 개인 정보(예: 이름, 생년월일, 전화번호)와 콜 서버(320)로부터 수신한 개인 정보가 일치하는지 여부를 판단하는 것으로 간편 인증 절차를 수행할 수 있다. 또는, 예를 들어, 챗봇 서비스를 통해 고객 단말(310)로부터 입력 받은 개인 정보(예: 이름, 생년월일, 전화번호)와 콜 서버(320)로부터 수신한 개인 정보가 일치하고, 챗봇 서버(330)에 고객 단말(310)이 사전에 설정한 인증 번호를 입력하는 것으로 간편 인증 절차를 수행할 수 있다.
또한, 챗봇 서버(330)는 챗봇 서비스를 통해 고객 단말(310)로부터 입력 받은 개인 정보와 콜 서버(320)로부터 수신한 개인 정보가 일치하는지 여부를 판단하는 것에 더불어 EMR(electronic medical record) 서버 내 등록된 환자의 개인정보와 일치하는지도 판단함으로써, 간편 인증 절차를 수행할 수 있다. 여기서, EMR 서버는 병원에 내방한 환자에 대한 진료기록을 전자적 형태로 저장하고 관리하는 서버이다.
따라서, 챗봇 서버(330)는 외부 서버를 통한 유료 인증 서비스 없이 상술한 간편 인증 절차만으로 고객 단말(310)의 본인 여부를 확인할 수 있다.
도 4는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 신호교환도이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 단계 S401에서, 고객 단말은 콜 서버와 콜 연결을 수행할 수 있다. 여기서, 콜 연결은 고객 단말과 콜 서버 사이의 무선 네트워크를 통한 전화 연결일 수 있다. 즉, 고객 단말은 전화 번호를 통해 콜 서버와 전화 연결을 수행할 수 있다.
단계 S402에서, 고객 단말은 콜 서버에게 챗봇 서비스를 요청할 수 있다. 예를 들어, 고객 단말은 콜 서버로부터 제공되는 IVR 서비스를 기반으로 챗봇 서비스를 요청할 수 있다.
단계 S403에서, 콜 서버는 외부 서버(예: 통신사 서버)로부터 수신한 전화 번호와 콜 서버에 등록된 고객 단말의 전화 번호가 일치하는지 여부를 판단할 수 있다. 예를 들어, 통신사 서버는 발신자 자동 식별(automatic number identification) 서비스를 통해 콜 서버에게 고객 단말의 전화 번호를 전송할 수 있다.
단계 S404에서, 콜 서버는 외부 서버로부터 수신한 전화번호를 포함하는 챗봇 서비스 요청 메시지를 챗봇 서버에게 전송할 수 있다. 예를 들어, 외부 서버로부터 수신한 전화번호와 콜 서버에 등록된 고객 단말의 전화 번호가 일치하는 경우, 콜 서버는 외부 서버로부터 수신한 전화 번호를 포함하는 챗봇 서비스 요청 메시지를 챗봇 서버에게 전송할 수 있다.
또는, 예를 들어, 단계 S403은 생략될 수 있고, 단계 S404에서, 콜 서버는, 통신사 서버로부터 발신자 자동 식별 서비스를 통해 수신한 고객 단말의 전화 번호를 포함하는, 챗봇 서비스 요청 메시지를 챗봇 서버에게 전송할 수 있다. 여기서, 외부 서버로부터 수신한 전화 번호는 고객 단말에 대한 제2 개인 정보일 수 있다.
단계 S405에서, 챗봇 서버는 챗봇 서비스와 관련된 인터페이스를 고객 단말에게 제공할 수 있다.
단계 S406에서, 고객 단말은 챗봇 서비스와 관련된 인터페이스를 통해 제1 개인 정보를 챗봇 서버에게 전송할 수 있다. 예를 들어, 고객 단말의 사용자는 고객 단말의 화면 상에 출력된 인터페이스를 통해 고객의 이름 생년월일, 전화 번호를 입력함으로써, 상기 제1 개인 정보를 챗봇 서버에게 전송할 수 있다. 챗봇 서비스와 관련된 인터페이스는 챗봇 서비스를 제공하는 인터페이스들 이외에 챗봇 서비스를 제공하기 위해 필요한 개인 정보를 입력하는 인터페이스를 포함할 수 있다. 제1 개인 정보는 고객의 이름, 생년월일 및 전화 번호를 포함할 수 있다.
단계 S407에서, 챗봇 서버는 개인정보가 일치하는지 여부를 결정할 수 있다. 챗봇 서버는 제1 개인 정보와 제2 개인 정보에 기반하여 전화 번호가 일치하는지 여부를 결정할 수 있다. 예를 들어, 전화 번호가 일치하는 경우, 챗봇 서버는 제1 인증이 완료된 것으로 결정할 수 있다.
단계 S408에서, 고객 단말은 챗봇 서버와 간편 인증 절차를 수행할 수 있다. 예를 들어, 간편 인증 절차는 고객 단말이 사전에 설정한 인증 번호를 통해 인증하는 절차일 수 있다.
또는, 예를 들어, 간편 인증 절차는 단계 S407 및 단계 S409로 대체될 수 있으며, 단계 S407은 제1 인증 절차이고, 단계 S408은 제2 인증 절차일 수 있다. 즉, 단계 S406은 생략될 수 있다.
단계 S409에서, 챗봇 서버는 제1 개인 정보와 EMR 서버에 등록된 제3 개인 정보와 일치하는지 여부를 결정할 수 있다. 예를 들어, 챗봇 서버는 챗봇 서비스와 관련된 인터페이스를 통해 수신한 제1 개인 정보와 제3 개인 정보를 기반으로 전화 번호가 일치하는지 여부를 결정할 수 있다.
단계 S410에서, 제1 개인 정보와 제3 개인 정보가 일치하는 경우, 챗봇 서버는 고객 단말에게 챗봇 서비스를 제공할 수 있다. 예를 들어, 제1 개인 정보와 제3 개인 정보를 기반으로 전화 번호가 일치하는 경우, 챗봇 서버는 고객 단말에게 챗봇 서비스를 제공할 수 있다. 즉, 제1 인증과 제2 인증이 완료된 것에 기반하여, 챗봇 서버는 고객 단말에게 챗봇 서비스를 제공할 수 있다.
단계 S411에서, 고객 단말은 챗봇 서비스를 통해 상담원 연결을 챗봇 서버에게 요청할 수 있다.
단계 S412에서, 챗봇 서버는 콜 서버에게 상담원 연결을 요청하는 제1 연결 요청 메시지를 전송할 수 있다. 상기 제1 연결 요청 메시지는 챗봇 서비스와 관련된 이용 정보를 포함할 수 있다. 예를 들어, 챗봇 서비스와 관련된 이용 정보는 챗봇 서비스를 통해 입력된 고객 단말에 대한 개인 정보, 고객 단말이 챗봇 서비스를 통해 문의한 카테고리에 대한 정보 및 고객 단말과 챗봇 사이의 대화 내용에 대한 정보를 포함할 수 있다.
단계 S413에서, 콜 서버는 고객 단말에 대한 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 뉴럴 네트워크를 이용한 결정 모델을 통해 고객 단말에 대한 우선 순위를 결정할 수 있다. 여기서, 복수의 상담원 단말은 현재 콜 서버에서 관리하는 복수의 상담원 단말이다. 통화 연결 상태와 관련된 정보는 상담원 단말이 고객 단말과 통화 연결 상태인지 여부에 대한 정보, 상담원 단말이 고객 단말과 통화가 연결된 후 경과된 시간에 대한 정보, 상담원 단말에 대해 통화 대기 중인 고객 단말에 대한 정보, 상담원 단말에 대한 친절도, 상담원 단말의 상담 횟수, 상담원 단말의 연속 근무 시간을 포함할 수 있다.
단계 S414에서, 콜 서버는 고객 단말에 대한 우선 순위에 기반하여 선택된 상담원 단말에게 챗봇 서비스와 관련된 이용 정보를 전송할 수 있다.
단계 S415에서, 고객 단말과 상담원 단말은 통화 연결을 수행할 수 있다.
예를 들어, 고객 단말이 상기 챗봇 서비스를 이용한 마지막 시점이 상기 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 고객 단말에 대해 생략될 수 있다. 여기서, 사전 설정된 대화식 음성 응답은 상기 콜 서버에 사전 저장된 음성 메시지일 수 있다. 예를 들어, 사전 설정된 대화식 음성 응답은 고객 단말이 콜 서버와 콜 연결 시 안내를 위해 자동으로 송출되는 응답일 수 있다.
도 5는 일 실시예에 따른 콜 서버가 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 대한 도면이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 콜 서버는 제1 고객 단말에게 챗봇 서비스를 제공하는 챗봇 서버로부터 상담원 통화 연결을 요청하는 제1 연결 요청 메시지를 수신할 수 있다. 상기 챗봇 서비스는 상기 제1 고객 단말과 상기 챗봇 서버 사이의 인증 절차를 기반으로 제공될 수 있다. 상기 연결 요청 메시지는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 포함할 수 있다.
단계 S502에서, 콜 서버는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위를 결정할 수 있다.
결정 모델은 제1 결정 모델 및 제2 결정 모델을 포함할 수 있고, 우선 순위는 상기 제1 고객 단말에 대한 제1 우선 순위 및 상기 복수의 상담원 단말에 대한 제2 우선 순위를 포함할 수 있다.
예를 들어, 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 제1 결정 모델 및 제2 뉴럴 네트워크를 이용한 제2 결정 모델을 통해 상기 제1 고객 단말에 대한 제1 우선 순위 및 복수의 상담원 단말에 대한 제2 우선 순위를 결정할 수 있다. 예를 들어, 챗봇 서비스와 관련된 이용 정보는 챗봇 서비스를 통해 입력된 고객 단말에 대한 개인 정보, 챗봇 서비스에 접속한 횟수, 고객 단말이 챗봇 서비스를 통해 문의한 카테고리에 대한 정보 및 고객 단말과 챗봇 사이의 대화 내용에 대한 정보를 포함할 수 있다. 고객 단말에 대한 개인 정보는 고객 단말의 사용자의 생년월일, 이름, 전화 번호를 포함할 수 있다. 고객 단말이 챗봇 서비스를 통해 문의한 카테고리에 대한 정보는 병원 안내, 진료 예약, 안내 영상, 사용 가이드 등과 같은 카테고리에 대한 정보와 진료 과목에 대한 정보를 포함할 수 있다. 고객 단말과 챗봇 사이의 대화 내용에 대한 정보는 텍스트 데이터의 형태일 수 있다.
복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보는 콜 서버에 실시간으로 입력되는 정보일 수 있다. 예를 들어, 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보는 상담원 단말이 고객 단말과 통화 연결 상태인지 여부에 대한 정보, 상담원 단말이 고객 단말과 통화가 연결된 후 경과된 상담 시간에 대한 정보, 상담원 단말에 대해 통화 대기 중인 고객 단말에 대한 정보, 상담원 단말에 대한 친절도, 상담원 단말의 상담 횟수에 대한 정보, 상담원 단말의 연속 근무 시간에 대한 정보를 포함할 수 있다. 여기서, 상담원 단말에 대한 친절도는 고객 단말의 피드백에 의해 결정된 평가 점수일 수 있다. 여기서, 상담원 단말의 상담 횟수에 대한 정보는 상담원 단말이 당일에 고객 단말과 연결된 횟수 및 연결된 고객 단말의 전화 번호를 포함할 수 있다. 여기서, 상담원 단말의 연속 근무 시간은 상담원 단말의 사용자가 자리를 비우지 않고 연속적으로 고객과 상담을 진행하고 있는 시간일 수 있다.
제1 결정 모델은 제1 뉴럴 네트워크에 의해 학습된 모델일 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 챗봇 서비스와 관련된 이용 정보 및 정답 고객 단말에 대한 제1 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 제1 결정 모델이 생성될 수 있다.
예를 들어, 제1 뉴럴 네트워크는 하나 이상의 제1 히든 레이어가 6개의 콘벌루션 레이어가 쌓여서 구성되는 잔차 블록(residual block) 및 잔차 블록(residual block)에 기반한 병목 구조를 포함하는 CNN 모델일 수 있다.
컨벌루션 레이어는 깊게 쌓아 학습할수록 학습 데이터에 존재하는 대표적인 특징을 잘 추출할 수 있기 때문에, 학습 성능이 증가할 수 있으나, 기울기 소실 및 증폭 현상과 파라미터의 수의 증가에 의한 에러 문제로 성능이 저하될 수 있다. 따라서, 본 개시에서 CNN 모델에 대해 기울기의 영향을 감소시키기 위해 잔차 학습을 도입하고, 네트워크의 깊이가 깊어지면 파라미터의 증가로 속도가 저하되는 문제를 해결하기 위해 병목 구조(bottle neck)가 적용된다. 여기서, 병목 구조는 채널을 압축시키면서 연산량을 감소시키고, 압축된 채널에서 압축되기 이전의 채널의 특징을 추출하고, 다시 채널을 증가시키는 구조이다. 이로 인해, 정보의 손실이 발생하지만 연산량을 감소시킴으로써, 학습 속도를 증가시킬 수 있다.
예를 들어, 잔차 블록은 6개의 콘벌루션 레이어가 쌓여서 구성되며, 입력 값을 출력 값에 더해줄 수 있는 숏컷(shortcut)을 포함할 수 있다. 즉, 입력과 출력의 차이가 최적이 되도록 학습하는 잔차 학습의 개념과 입력을 그대로 출력에 더하는 숏컷 연결을 추가함으로써, 잔차 블록이 구성될 수 있다.
즉, 기존의 잔차 블록에서는 2개의 콘벌루션 레이어가 쌓여서 구성되는 반면, 본 개시에서는 6개의 콘벌루션 레이어가 쌓여서 구성됨으로써, 유용한 특징을 추출하는 블록의 개수를 증가시키고 최종 특징 추출에 영향을 주는 정보를 보다 공유할 수 있도록 하여, 네트워크의 학습 성능을 증가시킬 수 있다.
구체적으로, 콜 서버는 복수의 챗봇 서비스와 관련된 이용 정보를 기반으로 복수의 변수를 데이터 전처리를 통해 벡터화할 수 있다. 예를 들어, 콜 서버는 복수의 챗봇 서비스와 관련된 이용 정보를 기반으로 챗봇 서비스의 이용 여부와 관련된 값, 고객 단말의 대화 내용에 포함된 사전 설정된 단어의 개수, 진료 과목에 대한 값, 고객 단말의 통화 시도 횟수, 고객 단말의 사용자의 나이를 포함하는 제1 입력 벡터를 결정할 수 있다. 콜 서버는 상기 제1 입력 벡터를 상기 제1 뉴럴 네트워크의 제1 입력 레이어에 입력시킴으로써, 상술한 바와 같이 상기 제1 뉴럴 네트워크를 학습시킬 수 있다.
여기서, 챗봇 서비스의 이용 여부와 관련된 값은 챗봇 서비스를 이용하지 않은 경우 0 값일 수 있고, 챗봇 서비스를 이용한 경우에는 이용한 횟수에 대한 값일 수 있다. 고객 단말의 대화 내용에 포함된 사전 설정된 단어의 개수는 고객 단말과 챗봇 사이의 대화 내용에 대한 정보를 기반으로 자연어 처리를 통해 결정될 수 있다. 사전 설정된 단어는 “빨리”, “긴급”, “불만” 및 “불편”을 포함할 수 있다. 진료 과목에 대한 값은 각 진료 과목에 대응하는 값일 수 있다.
또한, 제1 뉴럴 네트워크의 학습을 위한 데이터 중 하나인, 정답 고객 단말에 대한 제1 우선 순위는 고객 단말에 대한 제1 우선 순위에 대한 값으로 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 P1은 상기 제1 우선 순위에 대한 값이고, 상기 ua는 고객 단말의 사용자의 나이이고, 상기 ne는 고객 단말과 챗봇 사이의 대화 내용에 포함된 사전 설정된 단어의 개수이고, 상기 nt는 고객 단말의 당일 통화 시도 횟수이고, 상기 c는 고객 단말의 챗봇 서비스의 이용 여부와 관련된 값이고, 상기 h는 고객 단말의 진료 과목에 대한 값일 수 있다.
예를 들어, 제1 우선 순위에 대한 값이 클수록 우선 순위가 높은 것일 수 있다. 고객 단말의 사용자의 나이가 중반에 가까울수록 제1 우선 순위에 대한 값을 증가시킴으로써, 진료 예약을 주로 사용하는 나이에 해당하는 사용자에게 안내를 보다 빠르게 제공할 수 있다. 예를 들어, 고객 단말과 챗봇 사이의 대화 내용에 포함된 사전 설정된 단어의 개수가 많거나, 고객 단말의 당일 통화 시도 횟수가 많을수록 제1 우선 순위에 대한 값을 증가시킴으로써, 긴급하거나 불만 사항을 가진 사용자에 대한 안내를 더 빠르게 진행할 수 있다. 예를 들어, 진료 과목 별로 진료 과목에 대한 값을 상이하게 설정함으로써, 진료 과목의 특성을 반영하여 제1 우선 순위에 대한 값을 조정할 수 있다. 예를 들어, 챗봇 서비스를 이용하지 않은 고객 단말은 우선 순위에 대한 값을 작게 결정하고, 챗봇 서비스를 이용한 횟수가 많을수록 제1 우선 순위에 대한 값을 크게 결정함으로써, 고객 단말의 사용자에게 챗봇 서비스의 이용을 유도할 수 있다. 이처럼, 고객 단말의 특성과 상황을 고려하여 적합한 우선 순위를 결정할 수 있다.
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보 및 정답 상담원 단말에 대한 제2 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 제2 결정 모델이 생성될 수 있다.
예를 들어, 제2 뉴럴 네트워크는 하나 이상의 제2 히든 레이어가 6개의 콘벌루션 레이어가 쌓여서 구성되는 잔차 블록(residual block) 및 잔차 블록(residual block)에 기반한 병목 구조를 포함하는 CNN 모델일 수 있다.
구체적으로, 콜 서버는 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 변수를 데이터 전처리를 통해 벡터화할 수 있다. 예를 들어, 콜 서버는 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 상담원 단말이 현재 연결된 고객 단말과 통화를 진행한 시간, 상담원 단말에 대한 친절도, 상담원 단말에 대해 대기 중인 고객 단말의 개수, 상담원 단말의 상담 횟수 및 상담원 단말의 연속 근무 시간을 포함하는 제2 입력 벡터를 결정할 수 있다. 콜 서버는 상기 제2 입력 벡터를 상기 제2 뉴럴 네트워크의 제2 입력 레이어에 입력시킴으로써, 상술한 바와 같이 상기 제2 뉴럴 네트워크를 학습시킬 수 있다.
또한, 제2 뉴럴 네트워크의 학습을 위한 데이터 중 하나인, 정답 상담원 단말에 대한 제2 우선 순위는 상담원 단말에 대한 제2 우선 순위에 대한 값으로 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 P2는 상기 제2 우선 순위에 대한 값이고, 상기 tc는 상담원 단말이 현재 연결된 고객 단말과 통화를 진행한 시간이고, 상기 fk는 상담원 단말의 친절도이고, 상기 km은 상담원 단말에 대해 통화 대기 중인 고객 단말의 개수이고, 상기 ns는 상담원 단말의 현재까지 상담을 진행한 횟수이고, 상기 to는 상담원 단말의 연속 근무 시간이고, 상기 d는 디폴트 값일 수 있다. 상기 tc 및 상기 to는 시간 단위이며, 예를 들어, 분 단위일 수 있다. 상기 d는 상기 콜 서버에 사전 저장된 값일 수 있다.
예를 들어, 제2 우선 순위에 대한 값이 클수록 우선 순위가 높은 것일 수 있다. 상기 tc 및 상기 fk가 큰 값일수록, 상기 상담원 단말의 제2 우선 순위에 대한 값을 증가할 수 있다. 예를 들어, 상기 km, 상기 ns 및 상기 to가 작은 값일수록, 상기 상담원 단말의 제2 우선 순위에 대한 값을 증가할 수 있다.
즉, 현재 연결된 고객 단말과 통화를 진행한 시간이 길수록, 상담이 종료될 가능성이 높기 때문에 제2 우선 순위에 대한 값이 큰 값을 가질 수 있다. 또한, 상담원 단말의 친절도가 높고, 상담원의 피로도를 나타내는 상담원 단말의 상담 횟수가 작을수록, 긴급하거나 불만 사항을 가진 고객 단말의 사용자에게 보다 안정적인 상담을 진행할 수 있기 때문에, 제2 우선 순위에 대한 값이 큰 값을 가질 수 있다. 또한, 통화 대기 중인 단말의 개수가 큰 상담원 단말은 우선적으로 매칭시키기가 어려우며, 연속 근무 시간이 긴 상담원 단말은 휴식 시간이 필요하기 때문에, 제2 우선 순위에 대한 값이 작은 값을 가질 수 있다. 이처럼, 상담원 단말의 특성과 상황을 고려하여 적합한 우선 순위를 결정할 수 있다.
단계 S503에서, 콜 서버는 상기 제1 고객 단말 및 상기 복수의 상담원 단말에 대한 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 제1 상담원 단말을 선택할 수 있다.
콜 서버는 복수의 상담원 단말 중에서 상기 제1 고객 단말에 대한 제1 우선 순위에 대한 값에 대응하는 제2 우선 순위에 대한 값을 가지는 제1 상담원 단말을 선택할 수 있다. 즉, 콜 서버는 우선 순위가 높은 순서대로 고객 단말과 상담원 단말을 매칭시킬 수 있다. 예를 들어, 상기 제1 고객 단말에 대한 제1 우선 순위가 가장 높은 우선 순위인 경우, 콜 서버는 복수의 상담원 단말 중에서 가장 높은 우선 순위에 해당하는 제2 우선 순위를 가지는 상담원 단말을 제1 상담원 단말로 선택할 수 있다.
예를 들어, 제1 우선 순위에 대한 값이 동일한 고객 단말이 존재하는 경우, 콜 서버는 챗봇 서비스의 이용여부와 관련된 값이 더 큰 값을 갖는 고객 단말을 먼저 상담원 단말과 연결시킬 수 있다. 만약 챗봇 서비스의 이용 여부와 관련된 값이 동일한 경우, 콜 서버는 고객 단말의 당일 통화 시도 횟수가 더 큰 값을 갖는 고객 단말을 먼저 상담원 단말과 연결시킬 수 있다. 만약 고객 단말의 당일 통화 시도 횟수도 동일한 경우, 콜 서버는 고객 단말과 챗봇 사이의 대화 내용에 포함된 사전 설정된 단어의 개수가 더 큰 값을 갖는 고객 단말을 먼저 상담원 단말과 연결시킬 수 있다. 상술한 세가지 기준이 모두 동일한 경우, 콜 서버는 랜덤하게 고객 단말을 선택하여, 선택된 고객 단말을 상담원 단말과 연결시킬 수 있다.
예를 들어, 제2 우선 순위가 동일한 상담원 단말이 존재하는 경우, 콜 서버는 통화 대기 상태인 상담원 단말을 먼저 고객 단말과 연결시킬 수 있다. 만약 상담원 단말의 통화 상태가 동일한 경우, 콜 서버는 통화 대기 중인 고객 단말의 개수가 더 큰 값을 갖는 상담원 단말을 먼저 고객 단말과 연결시킬 수 있다. 만약 통화 대기 중인 고객 단말의 개수가 동일한 경우, 콜 서버는 연속 근무 시간이 더 작은 값을 갖는 상담원 단말을 먼저 고객 단말과 연결시킬 수 있다. 만약 연속 근무 시간이 동일한 값을 가지면, 콜 서버는 랜덤하게 상담원 단말을 선택하여, 선택된 상담원 단말을 고객 단말과 연결시킬 수 있다.
단계 S504에서, 콜 서버는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 상기 제1 상담원 단말에게 전송할 수 있다.
단계 S505에서, 상기 제1 고객 단말과 상기 제1 상담원 단말 사이의 통화 연결을 확립할 수 있다.
상기 제1 고객 단말이 상기 챗봇 서비스를 이용한 마지막 시점이 상기 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 제1 고객 단말에 대해 생략될 수 있다. 즉, 상기 제1 고객 단말은 챗봇 서비스를 통해 충분히 이미 안내를 받았으므로, 상담원 단말과 매칭되는 동안 송출되는 사전 설정된 대화식 음성 응답이 상기 제1 고객 단말에 대해 생략될 수 있다.
일 실시예에 따라, 상기 제1 고객 단말이 상기 챗봇 서비스를 상기 챗봇 서버로부터 제공받기 이전에, 콜 서버는 상기 제1 고객 단말이 상기 챗봇 서비스를 상기 챗봇 서버로부터 제공받기 이전에, 제2 고객 단말로부터 상담원 통화 연결을 요청하는 제2 연결 요청 메시지를 수신할 수 있다. 콜 서버는 상기 복수의 상담원 단말 중에서 상기 제1 상담원 단말에 대해 상기 제2 고객 단말을 매칭할 수 있다. 상기 제1 고객 단말이 상기 제2 고객 단말보다 우선하여 상기 제1 상담원 단말과의 통화 연결이 확립될 수 있다. 즉, 챗봇 서비스를 이용하지 않은 고객 단말, 즉 제2 고객 단말은 챗봇 서비스를 이용한 고객 단말인 제1 고객 단말보다 우선 순위가 낮을 수 있다.
예를 들어, 상기 사전 설정된 시간은 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Wtime은 상기 사전 설정된 시간이고, 상기 k는 통화 대기 중인 고객 단말의 수이고, 상기 ti는 i번째 고객 단말의 통화 대기 시간이고, 상기 tavg는 평균적인 통화 대기 시간이고, 상기 nt는 현재 챗봇 서비스를 이용한 고객 단말의 개수이고, 상기 navg는 챗봇 서비스를 이용한 고객 단말의 평균적인 개수이고, 상기 tn은 상기 제1 고객 단말의 당일 통화 시도 횟수이고, 상기 wdef는 상기 사전 설정된 시간에 대한 기본 값일 수 있다.
예를 들어, 상기 사전 설정된 시간에 대한 단위는 분 단위일 수 있다. 여기서, 제1 고객 단말의 당일 통화 시도 횟수는 상기 콜 서버에 접속한 횟수일 수 있다. 고객 단말의 통화 대기 시간은 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보에 기반하여 결정될 수 있다. 평균 통화 대기 시간은 사전 설정된 기간(예: 6개월)동안 고객 단말들에 대한 통화 대기 시간을 평균한 값으로, 상기 콜 서버에 사전 저장될 수 있다. 챗봇 서비스를 이용한 고객 단말의 평균적인 개수는 하루동안 챗봇 서비스를 이용한 고객 단말의 개수를 사전 설정된 기간에 대해 평균한 값으로, 상기 콜 서버에 사전 저장될 수 있다.
예를 들어, 통화 대기 중인 고객 단말의 통화 대기 시간이 평균 통화 대기 시간보다 길수록 사전 설정된 시간을 감소시킴으로써, 제1 고객 단말이 상대적으로 챗봇 서비스를 이용한지 오래된 고객 단말인 경우, 우선 순위에서 제외하여 먼저 통화 대기 중인 고객 단말의 통화 대기 시간을 감소시킬 수 있다.
예를 들어, 현재 챗봇 서비스를 이용한 단말의 개수가 챗봇 서비스를 이용한 고객 단말의 평균적인 개수보다 많을수록 사전 설정된 시간을 감소시킴으로써, 제1 고객 단말이 상대적으로 챗봇 서비스를 이용한지 오래된 고객 단말인 경우에는 우선 순위에서 제외하여 챗봇 서비스를 이용하지 않은 고객 단말의 통화 대기 시간을 감소시킬 수 있다.
예를 들어, 제1 고객 단말이 당일 통화 시도 횟수가 많을수록 사전 설정된 시간을 증가시킴으로써, 제1 고객 단말이 상대적으로 챗봇 서비스를 이용하지 오래된 경우에도, 제1 고객 단말이 불편한 상황일 가능성이 높기 때문에, 제1 고객 단말을 상담원 단말과 우선적으로 연결시킬 수 있다.
따라서, 고정적인 시간 이내에 챗봇 서비스를 이용한 고객 단말에 대해 우선 순위를 높게 설정하면, 고객 단말에 대한 특성과 상황을 반영할 수 없기 때문에, 콜 서버는 사전 설정된 시간을 고객 단말의 특성과 상황에 따라 변경함으로써, 유연하게 고객 단말에 대한 우선 순위를 조정할 수 있다.
일 실시예에 따라, 상기 고객 단말과 상기 챗봇 서버 사이의 인증 절차는 제1 인증 및 제2 인증을 포함할 수 있다. 상기 제1 인증은 상기 고객 단말로부터 상기 챗봇 서버에게 전송된 제1 개인 정보 및 상기 콜 서버로부터 상기 챗봇 서버에게 전송된 제2 개인 정보가 일치하는 것에 기반하여 수행될 수 있다. 상기 제1 개인 정보는 상기 고객 단말의 사용자에 의해 입력된 정보일 수 있다. 상기 제2 개인 정보는 통신사와 관련된 서버로부터 발신자 자동 식별을 통해 상기 콜 서버에게 전송된 정보일 수 있다.
상기 제2 인증은 상기 제1 인증이 완료된 것에 기반하여, 상기 제1 개인 정보와 전자 의무 기록과 관련된 서버로부터 전송된 제3 개인 정보가 일치하는 것에 기반하여 수행될 수 있다. 상기 제1 인증 및 제2 인증이 완료된 것에 기반하여, 상기 챗봇 서버로부터 상기 고객 단말에게 상기 챗봇 서비스가 제공될 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(660)는 상술한 콜 서버 또는 챗봇 서버일 수 있다. 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (5)
- 콜 서버가 뉴럴 네트워크를 이용하여 챗봇(chatbot) 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법에 있어서,
제1 고객 단말에게 챗봇 서비스를 제공하는 챗봇 서버로부터 상담원 통화 연결을 요청하는 제1 연결 요청 메시지를 수신하는 단계;
상기 챗봇 서비스는 상기 제1 고객 단말과 상기 챗봇 서버 사이의 인증 절차를 기반으로 제공되고,
상기 연결 요청 메시지는 상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 포함하고,
상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보 및 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 복수의 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위를 결정하는 단계;
상기 제1 고객 단말과 상기 복수의 상담원 단말에 대한 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 제1 상담원 단말을 선택하는 단계;
상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 상기 제1 상담원 단말에게 전송하는 단계; 및
상기 제1 고객 단말과 상기 제1 상담원 단말 사이의 통화 연결을 확립하는 단계를 포함하되,
상기 제1 고객 단말이 상기 챗봇 서비스를 이용한 마지막 시점이 상기 통화 연결이 확립된 시점으로부터 사전 설정된 시간 이내인 것에 기반하여, 상기 통화 연결에 매칭되는 사전 설정된 대화식 음성 응답의 송출이 상기 제1 고객 단말에 대해 생략되는,
방법.
- 제 1항에 있어서,
상기 제1 고객 단말이 상기 챗봇 서비스를 상기 챗봇 서버로부터 제공받기 이전에, 제2 고객 단말로부터 상담원 통화 연결을 요청하는 제2 연결 요청 메시지를 수신하는 단계; 및
상기 복수의 상담원 단말 중에서 상기 제1 상담원 단말에 대해 상기 제2 고객 단말을 매칭하는 단계를 더 포함하되,
상기 제1 고객 단말이 상기 제2 고객 단말보다 우선하여 상기 제1 상담원 단말과의 통화 연결이 확립되고,
상기 사전 설정된 시간은 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 Wtime은 상기 사전 설정된 시간이고, 상기 k는 통화 대기 중인 고객 단말의 수이고, 상기 ti는 i번째 고객 단말의 통화 대기 시간이고, 상기 tavg는 평균적인 통화 대기 시간이고, 상기 nt는 현재 챗봇 서비스를 이용한 고객 단말의 개수이고, 상기 navg는 챗봇 서비스를 이용한 고객 단말의 평균적인 개수이고, 상기 tn은 상기 제1 고객 단말의 당일 통화 시도 횟수이고, 상기 wdef는 상기 사전 설정된 시간에 대한 기본 값인,
방법.
- 제 1항에 있어서,
상기 고객 단말과 상기 챗봇 서버 사이의 인증 절차는 제1 인증 및 제2 인증을 포함하고,
상기 제1 인증은 상기 고객 단말로부터 상기 챗봇 서버에게 전송된 제1 개인 정보 및 상기 콜 서버로부터 상기 챗봇 서버에게 전송된 제2 개인 정보가 일치하는 것에 기반하여 수행되고,
상기 제1 개인 정보는 상기 고객 단말의 사용자에 의해 입력된 정보이고,
상기 제2 개인 정보는 통신사와 관련된 서버로부터 발신자 자동 식별을 통해 상기 콜 서버에게 전송된 정보인,
방법.
- 제 3항에 있어서,
상기 제2 인증은 상기 제1 인증이 완료된 것에 기반하여, 상기 제1 개인 정보와 전자 의무 기록과 관련된 서버로부터 전송된 제3 개인 정보가 일치하는 것에 기반하여 수행되고,
상기 제1 인증 및 제2 인증이 완료된 것에 기반하여, 상기 챗봇 서버로부터 상기 고객 단말에게 상기 챗봇 서비스가 제공되는,
방법.
- 제 2항에 있어서,
상기 제1 고객 단말에 대한 상기 챗봇 서비스와 관련된 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용한 제1 결정 모델을 통해 상기 제1 고객 단말에 대한 제1 우선 순위가 결정되고,
상기 복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 제2 결정 모델을 통해 및 상기 복수의 상담원 단말에 대한 제2 우선 순위가 결정되고,
상기 제1 고객 단말에 대한 제1 우선 순위 및 상기 복수의 상담원 단말에 대한 제2 우선 순위에 기반하여 상기 복수의 상담원 단말 중에서 상기 제1 상담원 단말을 선택되고,
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 챗봇 서비스와 관련된 이용 정보 및 정답 고객 단말에 대한 제1 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 제1 결정 모델이 생성되고,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
복수의 상담원 단말에 대한 통화 연결 상태와 관련된 정보 및 정답 상담원 단말에 대한 제2 우선 순위로 구성된 각각의 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 제2 결정 모델이 생성되는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220117809A KR102492334B1 (ko) | 2022-09-19 | 2022-09-19 | 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220117809A KR102492334B1 (ko) | 2022-09-19 | 2022-09-19 | 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102492334B1 true KR102492334B1 (ko) | 2023-01-27 |
| KR102492334B9 KR102492334B9 (ko) | 2024-01-11 |
Family
ID=85101419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220117809A KR102492334B1 (ko) | 2022-09-19 | 2022-09-19 | 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102492334B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102625839B1 (ko) * | 2023-08-30 | 2024-01-16 | 주식회사 시원금속 | 뉴럴 네트워크를 이용하여 3차원 가상 공간에 인테리어와 관련된 금속 제품을 배치하는 방법 및 장치 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080054487A (ko) | 2006-12-13 | 2008-06-18 | 정기주 | 안내전화 우선 연결 서비스 시스템 및 그 방법 |
| KR20090042528A (ko) * | 2007-10-26 | 2009-04-30 | 주식회사 브리지텍 | 고객 인식형 상담원 연결 방법 및 이를 이용한 비대면 상담시스템 |
| KR20100122370A (ko) | 2009-05-12 | 2010-11-22 | 주식회사 케이티 | 우선 착신자 연결 시스템 및 방법 |
| KR101339838B1 (ko) * | 2012-11-14 | 2013-12-11 | 주식회사 케이비데이타시스템 | 휴대 단말을 이용한 금융 상담 시스템 및 방법 |
| KR20150082725A (ko) * | 2014-01-06 | 2015-07-16 | 주식회사 브로드씨엔에스 | 스마트 단말을 이용한 고객 상담 방법 및 시스템 |
| KR101975320B1 (ko) * | 2018-08-10 | 2019-05-07 | 씨에스쉐어링 주식회사 | 빅데이터 및 인공 지능 기반 콜 센터 공유 서비스 제공 방법 및 시스템 |
| KR20200063282A (ko) * | 2018-11-16 | 2020-06-05 | 주식회사 깃플 | 챗봇을 이용한 하이브리드 상담 서비스 제공 시스템 및 방법 |
| JP2021060712A (ja) * | 2019-10-04 | 2021-04-15 | 株式会社野村総合研究所 | 情報処理装置およびプログラム |
| KR20220155065A (ko) | 2021-05-14 | 2022-11-22 | (주)와이즈에이아이 | 인공지능 챗봇 기반 자동 콜 응대 서비스 시스템 |
-
2022
- 2022-09-19 KR KR1020220117809A patent/KR102492334B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080054487A (ko) | 2006-12-13 | 2008-06-18 | 정기주 | 안내전화 우선 연결 서비스 시스템 및 그 방법 |
| KR20090042528A (ko) * | 2007-10-26 | 2009-04-30 | 주식회사 브리지텍 | 고객 인식형 상담원 연결 방법 및 이를 이용한 비대면 상담시스템 |
| KR20100122370A (ko) | 2009-05-12 | 2010-11-22 | 주식회사 케이티 | 우선 착신자 연결 시스템 및 방법 |
| KR101339838B1 (ko) * | 2012-11-14 | 2013-12-11 | 주식회사 케이비데이타시스템 | 휴대 단말을 이용한 금융 상담 시스템 및 방법 |
| KR20150082725A (ko) * | 2014-01-06 | 2015-07-16 | 주식회사 브로드씨엔에스 | 스마트 단말을 이용한 고객 상담 방법 및 시스템 |
| KR101975320B1 (ko) * | 2018-08-10 | 2019-05-07 | 씨에스쉐어링 주식회사 | 빅데이터 및 인공 지능 기반 콜 센터 공유 서비스 제공 방법 및 시스템 |
| KR20200063282A (ko) * | 2018-11-16 | 2020-06-05 | 주식회사 깃플 | 챗봇을 이용한 하이브리드 상담 서비스 제공 시스템 및 방법 |
| JP2021060712A (ja) * | 2019-10-04 | 2021-04-15 | 株式会社野村総合研究所 | 情報処理装置およびプログラム |
| KR20220155065A (ko) | 2021-05-14 | 2022-11-22 | (주)와이즈에이아이 | 인공지능 챗봇 기반 자동 콜 응대 서비스 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102625839B1 (ko) * | 2023-08-30 | 2024-01-16 | 주식회사 시원금속 | 뉴럴 네트워크를 이용하여 3차원 가상 공간에 인테리어와 관련된 금속 제품을 배치하는 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102492334B9 (ko) | 2024-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102434342B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치 | |
| KR102492333B1 (ko) | 뉴럴 네트워크를 이용하여 주차와 관련된 정보를 기반으로 단말에게 진료 예약 일정에 대한 정보를 제공하는 방법 및 장치 | |
| KR102360727B1 (ko) | 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 | |
| KR102480969B1 (ko) | 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치 | |
| KR102492334B1 (ko) | 뉴럴 네트워크를 이용하여 챗봇 서비스와 관련된 이용 정보를 기반으로 고객 단말과 상담원 단말 사이의 통화 연결을 관리하는 방법 및 장치 | |
| KR102414167B1 (ko) | 뉴럴 네트워크를 이용한 패킷 센딩을 통한 보안 방법 및 장치 | |
| KR102387408B1 (ko) | 인공지능을 이용한 인테리어 시뮬레이션 시스템 | |
| KR20220131500A (ko) | 렌탈 마켓 시스템 | |
| KR102433654B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102484291B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치 | |
| KR102452577B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 웹툰에 대한 시각화 정보를 제공하는 방법 및 장치 | |
| KR102463860B1 (ko) | 인공지능 기반의 사주 및 궁합을 이용한 커플 매칭 서비스 제공 방법 | |
| KR102461579B1 (ko) | 지역 전문가 중개 플랫폼을 운용하는 방법 및 서버 | |
| KR102476292B1 (ko) | 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템 | |
| KR102446469B1 (ko) | 뉴럴 네트워크 기반의 파일 매니지먼트 시스템 | |
| US20230146095A1 (en) | Electronic device and method of performing authentication operation by electronic device | |
| KR102485428B1 (ko) | 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치 | |
| KR102456402B1 (ko) | 뉴럴 네트워크를 이용한 디자인 공동 작업 보조 방법 및 장치 | |
| KR102600656B1 (ko) | 능동-수동 매칭 알고리즘 기반 농구 플레이어 매칭 서비스 제공 방법 | |
| KR102513048B1 (ko) | 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치 | |
| KR102539564B1 (ko) | 뉴럴 네트워크 기반의 음성 메시지와 관련된 품질 보증 서비스를 제공하는 음성 메시지 송출 시스템 | |
| KR102564511B1 (ko) | 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법 | |
| KR102585090B1 (ko) | 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102464057B1 (ko) | 인공지능을 이용한 신용점수 기반의 렌탈 서비스 제공 장치 및 방법 | |
| KR102390412B1 (ko) | 인공지능 기반의 피싱 대응 챗봇 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |