의도 인식

의도 인식(Intent Recognition)이란?

의도 인식은 사용자가 입력한 자연어를 바탕으로 사용자가 무엇을 하려는지 파악하는 과정입니다. 고객이 "배송지 주소를 변경해야 해요"라고 입력하거나 "구독을 해지해 주세요"라고 말하면, 이 메시지를 update_address나 cancel_subscription 같은 구조화된 카테고리로 분류하는 시스템이 바로 의도 인식입니다. 의도 인식은 AI 에이전트가 단어를 이해하는 데 그치지 않고 실제 행동으로 나아가게 하는 기반 계층입니다.

기술적으로 의도 인식(의도 감지 또는 의도 분류라고도 함)은 비정형 텍스트나 음성을 사전에 정의된 의도 레이블 집합에 매핑합니다. 자연어 처리(NLP)와 머신러닝 분류가 만나는 지점에 있으며, 고객 요청을 라우팅하거나 응답하거나 해결해야 하는 모든 시스템의 첫 단계입니다.

의도 인식의 작동 방식

최신 의도 인식 시스템은 여러 단계로 작동합니다. 먼저 원시 입력은 토큰화, 정규화, 노이즈 제거 등의 전처리를 거칩니다. 다음으로 시스템은 임베딩 모델이나 BERT, sentence-transformers 같은 트랜스포머 기반 인코더를 사용해 텍스트의 수치 표현을 생성합니다. 이 임베딩은 키워드뿐 아니라 입력의 의미까지 포착합니다.

이후 임베딩은 분류 계층으로 전달되어 하나 이상의 의도 카테고리에 매핑됩니다. 기존 방식은 레이블이 지정된 학습 데이터를 활용한 지도 학습을 사용했습니다. 현재 최첨단 시스템은 신뢰도 점수에 따라 입력을 빠른 인코더 모델(명확하고 신뢰도가 높은 쿼리용)과 대규모 언어 모델(LLM)(모호하거나 복잡한 요청용)로 나눠 보내는 하이브리드 파이프라인을 사용합니다. EMNLP 2024에 발표된 연구에 따르면, 이러한 불확실성 기반 하이브리드 라우팅은 실제 고객 서비스 운영 환경에서 핵심적인 지연 시간과 정확도 간의 균형을 맞춰 줍니다.

ACL Anthology(2024)의 연구에 따르면, LLM 내부 표현을 활용하는 2단계 방식은 범위 외(out-of-scope) 감지 성능을 크게 향상시켰습니다. 이를 통해 AI 시스템은 억지로 잘못된 의도에 매칭하는 대신, 고객 요청이 알려진 카테고리를 벗어났다는 사실을 인식할 수 있습니다.

의도 인식의 핵심 구성 요소

학습 데이터와 의도 분류 체계: 잘 설계된 의도 분류 체계(taxonomy)는 모든 인식 시스템의 근간입니다. 각 의도에는 고객이 같은 목적을 표현하는 다양한 방식을 아우르는 대표 예시가 필요합니다. 데이터가 부족하거나 레이블이 부정확한 것이 실제 운영 환경에서 오분류가 발생하는 가장 큰 원인입니다.

임베딩 모델: 트랜스포머 기반 인코더는 텍스트를 밀집 벡터 표현으로 변환합니다. SetFit 같은 파인튜닝 모델은 대조 학습을 활용해 의도당 레이블 예시 8개만으로도 고품질 임베딩을 생성합니다.

분류 계층: 단순한 소프트맥스 분류기, 임베딩 공간에서의 최근접 이웃 탐색, 또는 인컨텍스트 러닝과 사고의 연쇄(chain-of-thought) 프롬프팅을 사용하는 LLM 기반 생성형 분류기 등이 사용됩니다.

범위 외(OOS) 감지: 쿼리가 알려진 어떤 의도와도 일치하지 않는 경우를 식별하는 것은 알려진 의도를 분류하는 것만큼 중요합니다. 신뢰할 수 있는 OOS 감지가 없으면 시스템이 의도 레이블을 임의로 만들어 내 고객을 잘못된 경로로 안내하게 됩니다.

멀티모달 신호: 멀티모달 의도 인식에 관한 최신 연구는 텍스트, 음향 단서(어조, 말의 속도), 시각 신호를 결합해 사용자 의도를 보다 입체적으로 파악합니다. 이는 특히 음성 AI와 영상 기반 지원 채널에서 중요합니다.

고객 경험(CX)에서 의도 인식이 중요한 이유

모든 고객 상호작용은 의도에서 시작됩니다. 시스템이 청구 관련 문의를 기술 지원 요청으로 잘못 분류하면, 고객은 엉뚱한 팀으로 연결되고 같은 문제를 다시 설명해야 하며 결국 이탈하게 됩니다. 정확한 의도 인식은 해결률, 첫 문의 해결률, 고객 만족도에 직접적인 영향을 미칩니다. 문제를 해결하는 AI 에이전트와 고객을 답답하게 만드는 AI 에이전트를 가르는 차이가 바로 여기에 있습니다.

엔터프라이즈 고객 서비스에서는 의도 분류 체계가 제품, 언어, 채널 전반에 걸쳐 수백 개의 카테고리에 이를 수 있습니다. 이런 규모에서 정확도를 유지하려면 지속적인 모델 재학습, 의도 드리프트 모니터링, 견고한 OOS 처리가 필요합니다. 의도 인식을 한 번 설정하고 내버려 두는 정적인 구성 요소로 취급하는 조직은 꾸준히 기대 이하의 성과를 냅니다.

Maven의 차별점

Maven AGI 플랫폼은 트랜스포머 기반 분류와 검색 증강 생성(RAG)을 결합한 다층 의도 인식으로 맥락 속에서 고객 의도를 이해합니다. Maven의 AI 에이전트는 경직된 의도 분류 체계에 의존하지 않고, 전체 대화 이력과 지식 베이스 맥락을 활용해 고객에게 무엇이 필요하며 어떻게 해결할지를 판단합니다.

에듀테크 기업 Mastermind는 Maven AGI로 라이브 채팅 해결률 93%를 달성했습니다. 이 해결률은 모든 수신 메시지에 대한 정확한 의도 인식에서 출발하며, 고객이 첫 시도에 올바른 답변에 도달하도록 합니다.

Maven은 100개 이상의 통합을 통해 CRM, 결제, 주문 관리, 지식 베이스 시스템 전반에서 의도를 실제 행동으로 연결합니다. 의도 인식이 최신 AI 아키텍처에서 어떤 역할을 하는지 Stanford AI Lab에서 자세히 알아보거나, LLM 시대의 의도 감지에 관한 ACL 연구를 살펴보세요.

자주 묻는 질문

의도 인식과 개체명 인식의 차이는 무엇인가요?

의도 인식은 메시지의 전체적인 목적(사용자가 하려는 일)을 분류하고, 개체명 인식(NER)은 메시지에서 주문 번호, 날짜, 제품명 같은 특정 데이터를 추출합니다. 두 기술은 NLP 파이프라인에서 함께 작동합니다. 의도 인식이 수행할 작업을 결정하면, NER이 그 작업을 실행하는 데 필요한 매개변수를 채웁니다.

하나의 메시지에 여러 의도가 담긴 경우 어떻게 처리하나요?

다중 의도 감지는 현재 활발히 연구되는 분야입니다. 고객이 "주문을 반품하고 결제 수단도 변경하고 싶어요"라고 말하면, 시스템은 return_order와 update_payment 두 의도를 모두 식별해야 합니다. 최신 접근 방식은 다중 레이블 분류나 LLM 기반 파싱을 활용해 복합 요청을 실행 가능한 개별 의도로 분해합니다.

의도 인식은 여러 언어에서도 작동하나요?

네. mBERT, XLM-R 같은 다국어 트랜스포머 모델은 수십 개 언어의 의도 분류를 지원합니다. 교차 언어 전이 학습을 활용하면 주로 영어 데이터로 학습한 모델도 다른 언어의 의도를 상당한 정확도로 분류할 수 있으며, 언어별 파인튜닝을 거치면 성능이 더욱 향상됩니다.

의도 인식 정확도는 어떻게 측정하나요?

표준 지표로는 의도 클래스별 정밀도, 재현율, F1 점수와 전체 정확도가 있습니다. 고객 서비스에서 가장 의미 있는 지표는 엔드투엔드 해결, 즉 시스템이 의도를 정확히 파악하고 문제를 해결했는지 여부입니다. 정확도가 95%인 의도 분류기라도 나머지 5%에서 고가치 의도를 잘못 분류하면 고객 경험에 큰 타격을 줄 수 있습니다.