AI 에이전트를 위한 AI 엔진 이해

AI 엔진의 구성 요소

핵심 구성 요소는 스크립팅된 AI 에이전트와 관련이 있지만 기능은 약간 다릅니다.

• NLU(자연어 이해): NLU 구성 요소는 고객 입력을 스크립트에 정의된 의도에 매핑합니다. 프레임워크 내에서 고객의 입력을 인식합니다.
• 대화 관리: 이 구성 요소는 스크립트에 따라 대화의 흐름을 관리합니다. 이를 통해 상담원이 정의된 경로를 따르며 인식된 의도와 컨텍스트에 따라 올바른 응답을 제공할 수 있습니다.
• 응답 검색: 이 구성 요소는 스크립트에 구성된 응답을 전달합니다.

음성 기반 상호 작용을 위해 AI 엔진에는 위에서 언급한 구성 요소 외에도 ASR(자동 음성 인식) 및 TTS(텍스트 음성 변환)도 포함됩니다.

올바른 엔진을 선택하는 방법

• Webex AI Pro 1.0(Swiftmatch 포함)

  이 AI 엔진은 다양한 사용자 표현을 관리하는 동시에 입력을 사전 정의된 의도에 정확하게 매핑하여 다양한 시나리오에서 일관되고 안정적인 상호 작용을 보장하는 AI 에이전트를 개발하는 데 이상적입니다. 다음과 같은 경우에 유용합니다.

  • 더 작은 학습 데이터 세트 처리: 학습 데이터 세트의 의도당 발화가 10개 미만인 경우 이 엔진이 더 적합합니다.
  • 다국어 스크립트 상담사: 여러 언어로 대화를 처리하는 상담사를 만드는 데 적합합니다.
  • 일정 수준의 "스마트 매칭"이 있는 스크립팅된 에이전트: 응답이 스크립트로 작성되는 동안 이 AI 엔진은 구문이 정확하지 않더라도 사용자 입력을 가장 가까운 의도와 일치시켜 자연스러운 느낌을 제공합니다.

  이점: 입력 변형에 도움이 되고, 더 작은 학습 데이터 세트로 더 좋고, 다국어 지원, 스마트 일치 지원.

  제한 사항 : Swiftmatch는 강력한 자연어 이해 능력이 뛰어납니다. 그러나 스크립트가 사용자 입력을 의도와 일치시키는 데 유연성이 필요한 경우(구문의 변형을 허용함) Swiftmatch는 다양한 학습 데이터로 추가 데이터 구성이 필요할 수 있습니다. 정밀하고 견고한 매칭을 위해 설계되어 핸들링 변형을 더욱 어렵게 만들 수 있습니다.

• Webex AI Pro 1.0 (MindMeld 포함)

  이 AI 엔진은 복잡한 다단계 대화 흐름을 가진 스크립팅된 에이전트에 매우 적합합니다. 다음과 같은 경우에 유용합니다.

  • 중간 학습 데이터 세트 처리: 학습 데이터 세트에 의도당 20개 미만의 발화가 있는 경우 이 엔진이 더 적합합니다.
  • 복잡한 스크립트 워크플로: 스크립트에 여러 단계, 조건 또는 분기 로직이 포함된 경우 MindMeld는 이러한 복잡한 흐름을 관리할 수 있습니다.
  • 다국어 스크립트 에이전트: MindMeld는 여러 언어를 지원합니다.
  • 역할 및 엔터티 분류 수행: 문장 부분과 중요한 세부 정보를 식별하여 사용자 입력에 대한 이해도를 높이고 응답의 정확성과 관련성을 개선합니다.

  장점: 복잡한 스크립트 흐름에 적합하고 중간 데이터 세트에 적합하며 RASA보다 더 정확한 다국어 지원을 제공하며 기본 의도 분류를 위한 간단하고 효율적인 선택입니다.

  제한 사항: MindMeld는 플랫폼의 기존 제한 내에서 복잡한 흐름을 처리할 수 있지만 구조화된 대화에 적합합니다. 스크립트가 매우 유연하고 동적인 대화 관리를 요구하고 대화 흐름이 고객 입력에 따라 크게 바뀔 수 있는 경우 사전 정의된 흐름에 대한 MindMeld의 의존도가 제한될 수 있습니다. 스크립트가 있는 설정에서도 자유 형식과 예측할 수 없는 대화에는 적합하지 않습니다.

• Webex AI Pro 1.0(RASA 포함)

  이 AI 엔진은 사용자 지정 가능한 대화 관리 및 강력한 AI 기능을 통해 유연한 다단계 대화 흐름이 필요한 스크립트 에이전트를 구축하는 데 매우 적합합니다. 다음과 같은 경우에 유용합니다.

  • 대규모 학습 데이터 세트 처리: 학습 데이터 세트에 의도당 25개 이상의 발화가 있는 경우 이 엔진이 더 적합합니다.
  • 역할 및 엔터티 분류 수행: 문장 부분과 중요한 세부 정보를 식별하여 고객 입력에 대한 이해도를 높이고 응답의 정확성과 관련성을 개선합니다.

  이점: 간단한 스크립트에서 복잡한 스크립트에 적합하고 대규모 학습 데이터 세트 및 더 복잡한 시나리오에 적합한 정확한 결과를 표시합니다.

  제한 사항: 더 많은 학습 데이터가 필요합니다. 학습하는 데 많은 시간이 걸립니다.