[논문]AI기반 콜센터 실시간 상담 도우미 시스템 개발 - N은행 콜센터 사례를 중심으로

류기동; 박종필; 김영민; 이동훈; 김우제

doi:10.5762/kais.2019.20.2.750

AI기반 콜센터 실시간 상담 도우미 시스템 개발 - N은행 콜센터 사례를 중심으로
Development of AI-based Real Time Agent Advisor System on Call Center - Focused on N Bank Call Center 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.20 no.2, 2019년, pp.750 - 762

류기동 (서울과학기술대학교 IT정책전문대학원) , 박종필 (NH농협은행) , 김영민 (NH농협은행) , 이동훈 (솔트룩스) , 김우제 (서울과학기술대학교 글로벌융합산업공학과)

초록
AI-Helper

기업의 대고객 접점으로써 콜센터의 중요성은 커지고 있다. 하지만, 콜센터는 상담사의 지식 부족과 업무 부적응에 따른 잦은 이직으로 인해 상담사 운영이 어렵고, 이로 인한 고객 서비스 품질 저하의 문제를 안고 있다. 이에 본 연구에서는 상담사에게 업무 지식에 대한 부하를 줄이고 서비스 품질을 향상 시키기 위해 음성 인식 기술과 자연어 처리 및 질의응답을 지원하는 AI 기술과 PBX, CTI 등의 콜센터 정보시스템을 결합하여 실시간으로 상담사에게 고객의 질의 내용에 대한 답변을 제공해주는 "실시간 상담 도우미" 시스템 개발 방안에 대해 N은행 콜센터 사례를 통해 연구하였다. 사례연구 결과, 실시간 통화 분석을 위한 음성인식 시스템의 구성방안과, 질의응답 시스템의 자연어처리 성능 향상을 위한 말뭉치 구축 방안을 확인 할 수 있었으며, 특히 개체명 인식기의 경우 도메인에 맞는 말뭉치 학습 후 정확도가 31% 향상됨을 확인하였다. 또한, 상담 도우미 시스템을 적용한 후 상담 도우미의 답변에 대한 상담사들의 긍정적 피드백 비율이 93.1%로써 충분히 상담사 업무에 도움을 주고 있음을 확인하였다.

Abstract ▼ AI-Helper

The importance of the call center as a contact point for the enterprise is growing. However, call centers have difficulty with their operating agents due to the agents' lack of knowledge and owing to frequent agent turnover due to downturns in the business, which causes deterioration in the quality of customer service. Therefore, through an N-bank call center case study, we developed a system to reduce the burden of keeping up business knowledge and to improve customer service quality. It is a "real-time agent advisor" system that provides agents with answers to customer questions in real time by combining AI technology for speech recognition, natural language processing, and questions & answers for existing call center information systems, such as a private branch exchange (PBX) and computer telephony integration (CTI). As a result of the case study, we confirmed that the speech recognition system for real-time call analysis and the corpus construction method improves the natural speech processing performance of the query response system. Especially with name entity recognition (NER), the accuracy of the corpus learning improved by 31%. Also, after applying the agent advisor system, the positive feedback rate of agents about the answers from the agent advisor was 93.1%, which proved the system is helpful to the agents.

주제어

표/그림 (18)

표 Table 1. Elements of Intelligent Virtual Secretary Technology
그림 Fig. 1. Block Diagram of the classic automatic speech recognition and understanding system[29]
그림 Fig. 2. N-Bank Call Center AI System Concept
그림 Fig. 3. Agent Advisor screen example
그림 Fig. 4. Block Diagram of the Real Time Agent Advisor System
그림 Fig. 5. Architecture of AI Engine
그림 Fig. 6. Block Diagram of the STT Engine[33]
그림 Fig. 7. Q & A Development Methodology
표 Table 4. Accuracy of STT via Acoustic Learning
그림 Fig. 8. Analysis of major consultation types
표 Table 2. Morphological analyzer improvement result
표 Table 3. NER improvement result
그림 Fig. 9. A Part of the Ontology Class
표 Table 4. Example of Competency Question
그림 Fig. 10. Result of learning model verification with query-response evaluation set
그림 Fig. 11. Graph of the User Feedback
표 Table 5. Knowledge base (ontology) construction status
표 Table 7. Actual user feedback during operation

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

도메인을 정의하는 것은 업무를 분석하기 위한 개념적 기준을 확립하고 보다 자세한 단위업무에 대한 분석을 지원하는 데 그 목적이 있다. 도메인을 정의함으로써 조직과 프로젝트의 계획과 범위를 일정하게 유지하고 목적성을 재사용 가능한 수준으로 유지하도록 한다.
질의응답 시스템은 실시간으로 사용자 질의의 분석을 바탕으로 지식 색인 내에서 가장 유사한 질의를 가진 문서를 찾아 답변을 출력하기 때문에, 언어 분석의 품질이 IRQA 정답률을 결정하는 중요 요인 중 하나이다. 따라서, IRQA가 자연어 분석을 위해 의존하는 형태소 분석기(Morphological Analyzer)와 개체명 인식기(NER, Named Entity Recognizer)의 품질을 개선함으로써 문장분석을 위한 특징 추출 과정에서의 오류를 최소화하기 위해 다음과 같은 작업을 진행하였다.
특히 콜센터의 상담이라는 대화체의 연속음성을 인식할 수 있어야 한다. 본 사업에서는 ETRI(한국전자통신연구원)에서 개발한 음성인식 엔진을 기술 이전 받아 개발한 시스템으로 구축하였다. STT(Speech To Text) 시스템은 신호처리 알고리즘이 통합된 심층 신경망 기반의 음성인식 엔진으로써, 실시간 단어별 지속시간 모델링을 이용한 발화검증을 위한 탐색엔진과 자동 음성 인식을 위한 동적 특징 추출을 하는 전처리 모듈, 딥러닝(Deep Learning) 기반의 고도화된 음향 모델, 음성인식 엔진에서 출력되는 형태소 열에 대해 어절을 복원하고 문장 단위로 출력하도록 지원하는 인식 후처리 도구로 구성되어 한국어 인식에 최적화되어있다[33].
2]. 본 연구에서는 그중에서 상담 도우미 시스템(Agent Advisor System) 중심으로 구축 요소 기술, 지식 구축 방안 및 성과에 대한 사례 연구 내용을 기술한다. 상담도우미 시스템의 경우 응용 S/W개발적인 측면보다 질의응답을 위한 AI엔진의 지식 구축이 중요한 부분이다.
본 연구에서는 이런 콜센터의 문제점을 해결하기 위해 인공지능기반의 상담 도우미 시스템과 통화 내용 분석 시스템의 구축에 대해서 N은행 사례를 기반으로 설명하도록 하겠다.
유사한 사례로는 SIRI, Alexa와 같은 음성 인식 기반 지능형 가상 비서(Intelligent Virtual Assistance)나 텍스트 기반의 챗봇이 기술적인 부분에서 유사성을 가진다고 볼 수 있어 이에 관한 연구 동향 및 사례를 조사하였다.
또한, 음성 인식 관련 클라우드 기반의 서비스들에 대해 단순 질의 몇 건을 기반으로 한 간단한 테스트 연구[30]는 있었으나 대규모 금융권 콜센터에서 하루 5만콜 이상의 데이터를 기반으로 하는 실시간 음성인식에 대한 성능 결과나 활용에 대한 연구는 없었다. 이에 본 연구는 실제 기업의 업무 현장에 실시간 음성인식 기술과 질의응답 시스템을 접목하여 서비스하고, 실제 사용자로부터 피드백을 확인하여 정확도를 정량적으로 측정하여 업무 도메인, 방법론에 따른 실증 사례를 제시하여 향후 유사 연구의 지표를 제시한 것이 이 연구의 가장 큰 기여라고 할 수 있을 것이다.
하지만, 국내에 유사 사례가 없고, 지식 구축에 대한 절차와 성과에 대한 연구가 없었다. 이에 본 연구에서는 상담 도우미 시스템의 주요 기능과 시스템 구성 및 지식 구축과정과 실제 운영의 성과에 대해서 분석한다.

제안 방법

RQ에 정답을 부착함으로써 GS 상태의 데이터를 만들 때 도메인 전문가의 협조를 얻어 진행함으로써 구축된 지식이 유효성을 상실하지 않도록 한다. IRQA는 KBQA처럼 개별 지식(triple)에 대응하는 스키마(데이터 모델)가 별도로 존재하지 않고, 각각의 지식인스턴스에 대한 색인을 만들어 저장소에 적재하는 방식이므로 관리 측면에서 불리한 점이 있어, 개별지식에 유효 기간이나 지식 갱신 프로세스를 적용하였다.
N은행 콜센터의 AI 시스템 구축 사업은 서론에서 언급한 실시간 상담사 지원 방안과 함께 콜센터 운영에 필요는 했으나 분석이 어려워 정량화하지 못했던 고객과 상담사와의 통화 내용을 분석하여 상담사 통화 품질에 대한 전수 조사를 위한 객관적 평가 프로세스 마련, 신속한 고객 대응 방안, 비정형 데이터 분석 기반 마련의 4가지 목표를 위해 5가지 핵심 세부 과제를 수립하였다[Fig. 2]. 본 연구에서는 그중에서 상담 도우미 시스템(Agent Advisor System) 중심으로 구축 요소 기술, 지식 구축 방안 및 성과에 대한 사례 연구 내용을 기술한다.
RQ 구축 시, 도메인에서 확립된 지식 분류 체계에 포함된 레이블들을 개별 지식의 메타 정보로 활용하도록 한다.
RQ 구축 시, 도메인에서 확립된 지식 분류 체계에 포함된 레이블들을 개별 <질의-응답> 지식의 메타 정보로 활용하도록 한다. RQ에 정답을 부착함으로써 GS 상태의 데이터를 만들 때 도메인 전문가의 협조를 얻어 진행함으로써 구축된 지식이 유효성을 상실하지 않도록 한다. IRQA는 KBQA처럼 개별 지식(triple)에 대응하는 스키마(데이터 모델)가 별도로 존재하지 않고, 각각의 지식인스턴스에 대한 색인을 만들어 저장소에 적재하는 방식이므로 관리 측면에서 불리한 점이 있어, 개별지식에 유효 기간이나 지식 갱신 프로세스를 적용하였다.
지식의 정확도를 테스트하고 검증하기 위해서 확장된 유사질의 중의 일부를 검증 셋으로 분리하고 검증 셋에 대해서 자동으로 질의를 던져 답변이 정확히 나오는지를 확인하는 방식으로 검증을 진행하였다. 검증 셋의 질문이 특정 지식 영역에 편중되지 않도록 다수의 검증 셋을 랜덤하게 추출하고, 다수의 검증 셋을 통해 질의응답 성능을 검증하고 미비한 부분을 보완하였다. Fig.
기본적으로는 KBQA중심으로 지식베이스를 구축하지만 온톨로지로 구성하기에 무리가 있는 일회성 질문이나 구조화가 어려운 질의에 대해서는 IRQA로 지식을 구축하였다.
일반적으로 KMS나 홈페이지의 FAQ 형식으로 정리된 질의-응답 데이터 셋을 기초로 하여 RQ를 확보할 수 있다. 기존의 FAQ에서 포착하지 못한 질의의 경우, 이해 관계자들이 실제 발화하여 쌓인 비정형 데이터 로그를 군집화하여 확보하는 대안적인 방식을 활용하였다.
이를 통해 상담사가 고객 응대를 할 때 적합한 답변을 찾기 위해 KMS나 업무 매뉴얼 등의 검색이 필요없으므로 상담 시간을 줄여 생산성을 향상시키고, 정확한 답변을 할 수 있으므로 상담 품질을 개선하여 상담사의 업무를 도와주는 시스템이다. 또한, 상담 도우미 어플리케이션상에서 직접 텍스트로 질문을 하면 해당 답변을 챗봇 형태로 답변해주는 기능을 제공하여, 상담사 뿐 아니라 다른 영업점 직원들도 업무 지식에 대한 질의를 할 수 있도록 하였다.
분석 단계에서는 서비스 요구사항을 확인하고 현행 언어 데이터들을 수집하고 분석한다. 질의응답성능을 높이기 위해서는 분석 단계에서 질의응답 시스템의 자연어 분석 성능을 도메인 언어 자원에 적합하게 개선하는 작업이 필수적으로 필요하다.
질의응답 시스템은 상담사 답변과 대고객 답변에 모두 활용이 가능해야 하며, 질의응답 시스템은 교육 시스템에서 업무 모의 테스트 진행 시 모의질의에 대해 일괄 답변을 제공할 수 있어야 한다. 상담통계정보, 콜센터 상담 유형의 최빈성을 고려하여 질문의 우선순위를 선정하고 지식 구축의 도메인을 결정한다. Fig.
설계 단계에서 디자인한 온톨로지 스키마를 구축하고 인스턴스와 인스턴스의 속성값에 해당하는 트리플을 입력하여 온톨로지 지식베이스를 구축한다.
질의응답을 위한 지식구축 방식은 두 가지 방식을 사용하였다. 앞의 이론적 배경에 나왔던 KBQA와 IRQA를 모두 사용하여 지식베이스를 구축하였다.
지식의 정확도를 테스트하고 검증하기 위해서 확장된 유사질의 중의 일부를 검증 셋으로 분리하고 검증 셋에 대해서 자동으로 질의를 던져 답변이 정확히 나오는지를 확인하는 방식으로 검증을 진행하였다. 검증 셋의 질문이 특정 지식 영역에 편중되지 않도록 다수의 검증 셋을 랜덤하게 추출하고, 다수의 검증 셋을 통해 질의응답 성능을 검증하고 미비한 부분을 보완하였다.

이론/모형

금융 업무와 같이 복잡하고 다양한 질문에 응답하기 위해서는 개념과 이에 관한 사실로 표현된 지식베이스 기반의 질의응답 시스템을 통해서 구체적인 응답이 가능하다[25]. 대규모 지식베이스를 구축하기 위해서는 자연어처리 엔진을 통한 자동화 기술과 그것을 검증하고 보완하는 수작업이 병행적으로 진행되어야 하므로 Dual Spiral 기반[25]의 지식베이스를 위한 질의응답 개발 방법론의 절차에 따라 진행되었다.
질의응답 시스템이 학습을 통해 지식화 대상이 되는 지식의 원천은 KMS의 콘텐츠와 FAQ, 대고객 지식서비스(네이버지식IN 등)를 기반으로 수집하였다.

성능/효과

운영 시 실제 상담사의 피드백 결과를 기반으로 한 만족도 조사 결과는 마지막 조사 주간에는 93.1%의 “좋아요”를 선택한 것으로 보아 실제 업무에서 상당한 도움을 받고 있음을 확인할 수 있다.
특히, 온톨로지 기반의 지식베이스를 구축한 결과 온톨로지의 지식의 개수라고 설명할 수 있는 Triple의 개수가 늘어남에 따라 “좋아요” 비율이 지속적으로 늘어나는 것 알 수 있으며, Fig. 11.에서 보면 W6에서 W7 기간 사이에 지식의 개수는 상대적으로 많이 증가하지 않았지만 “좋아요” 비율이 급격히 증가하는 것을 확인할 수 있다.

후속연구

하지만 본 연구에서는 콜센터에 적용된 다양한 AI기술 중에서 상담 도우미 서비스에 대한 부분만 설명하고 있기 때문에 향후 상담 통화 내용을 분석하여 콜센터의 운영 현황을 관리하고 통화 내용을 추적하는 텍스트 분석 기반의 상담센터 관리 부분에 대한 내용은 기술하지 못하였다. 그리고, N은행 콜센터는 본 사업을 통해 구축된 지식베이스를 기반으로 실제 텍스트 기반의 대고객 채팅 서비스를 위한 챗봇 서비스, 음성 기반의 가상 상담 서비스, 로봇과 연계하는 IOT기반의 AI서비스를 계획하고 있으며, 추후 확장된 사례에 대한 학술적 논의도 필요할 것이다.
본 연구는 국내 최초의 실시간 음성 분석과 AI기술을 이용한 상담 도우미 시스템의 구축 사례 연구이며 앞으로 콜센터에 AI기술 도입을 하려는 많은 연구자들에게 AI기반 서비스에 대한 개념과 절차를 통해 구축 지향점을 안내해줄 것으로 기대한다.
하지만, 구글 딥마인드 연구팀에서 관계형 네트워크(Relation Network)를 이용한 딥러닝을 통해 관계형 추론을 구현해 의미있는 결과를 내보였다[26]. 아직 상용화단계는 아니지만 이를 계기로 딥러닝 기반의 추론도 많은 연구가 이루어질 것으로 기대한다.
하지만 본 연구에서는 콜센터에 적용된 다양한 AI기술 중에서 상담 도우미 서비스에 대한 부분만 설명하고 있기 때문에 향후 상담 통화 내용을 분석하여 콜센터의 운영 현황을 관리하고 통화 내용을 추적하는 텍스트 분석 기반의 상담센터 관리 부분에 대한 내용은 기술하지 못하였다. 그리고, N은행 콜센터는 본 사업을 통해 구축된 지식베이스를 기반으로 실제 텍스트 기반의 대고객 채팅 서비스를 위한 챗봇 서비스, 음성 기반의 가상 상담 서비스, 로봇과 연계하는 IOT기반의 AI서비스를 계획하고 있으며, 추후 확장된 사례에 대한 학술적 논의도 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	콜센터란 무엇인가?	콜센터는 기업의 대고객 접점으로써 비대면 채널이지만 고객과 직접 상호작용하는 곳으로, 고객에게 정보안내, 불만 접수/처리, 고객 문의 등 고객과의 커뮤니케이션 서비스를 수행하는 비대면 채널을 콜센터라고 지칭한다. 최근 경영과 비즈니스 환경에서 콜센터의 역할은 점점 더 중요해 지고 있다[3-5].
	지능형 가상비서가 실현 가능해진 배경은 무엇인가?	지능형 가상비서는 사용자가 원하는 컨텐츠나 서비스를 찾아 적시에 제공하고, 일정 관리와 같은 인간 비서가 하는 업무를 효율적으로 대행할 수 있는 지능형 시스템이다[12-14]. 지능형 가상비서는 무선네트워크 속도가 개선되고, 음성인식 성능이 향상되기 시작하고, 클라우드 컴퓨팅이 등장과 새로운 웹서비스들이 매우 많이 등장하면서 실현 가능해졌다[15].
	상담사들이 정확한 답변이나 정보를 찾기 어려운 이유는 무엇인가?	상담사들은 고객의 질문이나 정보요청에 즉시 그리고 정확하게 응대해야 한다. 그렇게 하기 위해 고객관리 시스템(CRM), 내부업무 매뉴얼, 지식관리 시스템(KMS) 등을 활용하지만, 이질적인 시스템들과 방대한 업무 내용으로 인해 정확한 답변이나 정보를 찾기가 어렵다[6].

참고문헌 (34)

Y. S. Kim and S. M. Rue, "4th Industrial Revolution and IoT-A.I Platform", Korea Institute of Information Technology Magazine, Vol. 15, No. 1, pp.1-7, 2017
C. B. Frey and M. A. Osborne, "The future of employment: how susceptible are jobs to computerisation?", Technological forecasting and social change, Vol. 114, No. , pp.254-280, 2013
K. D. Ryu and W. J. Kim, "A Study on Contact Center Evaluation Model Using AHP and Content Analysis", Journal of the Korea Academia-Industrial cooperation Society, Vol. 19, No. 5, pp.106-116, 2018
Z. Askin, M. Armony, and V. Mehrotra, "The Modern Call Center: A Multi-Disciplinary Perspective on Operations Management Research", PRODUCTION AND OPERATIONS MANAGEMENT, Vol. 16, No. 6, pp.665-688, 2007

상세보기
R. Rijo, J. Varajao, and R. Goncalves, "Contact center: information systems design. Journal of Intelligent Manufacturing", Journal of Intelligent Manufacturing, Vol. 23, No. 3, pp.497-515, 2012

상세보기
D. Fensel, F. Van Harmelen, I. Horrocks, D. L. McGuinness, and P. F. Patel-Schneider, "OIL: An ontology infrastructure for the semantic web", IEEE intelligent systems, Vol. 16, No. 2, pp.38-45, 2001

상세보기
S. L. Han, S. H. Nam, Y. S. Kim, D. J. Kim, J. Y. Kim, and N. Han, "A Study on Survey and policy of the call center industry", National IT Industry Promotion Agency, pp.12, 2010
H. J. We, J. L. Sim, B. S. Kim, and H. J. Kim, "A Study on Improvement of Call Center Personnel Supply and Demand", National IT Industry Promotion Agency, 2011
KOSIS, "2011 Annual employment statistics", http://kosis.kr/statHtml/statHtml.do?orgId118&tblIdDT_118N_MONA31&conn_pathI3(accessed:Sep., 29, 2018)
M. Gilbert, J. G. Wilpon, B. Stern, and G. Di Fabbrizio, "Intelligent Virtual Agents for Contact Center Automation", IEEE Signal Processing Magazine, Vol. 22, No. 5, pp.32-41, 2005

상세보기
M. Saberi, O. K. Hussain, and E. Chang, "Past, present and future of contact centers: a literature review", Business Process Management Journal, Vol. 23, No. 3, pp.574-597, 2017

상세보기
O. W. Kwon, T. G. Hong, J. X. Huang, and Y. K. Kim, "An Analysis for Dialogue Processing Technologies and Service Trends of Virtual Personal Assistants", Communications of the Korean Institute of Information Scientists and Engineers, Vol. 35, No. 8, pp.19-27, 2017
H. M. Lee, and I. Seung, "Comparative Study on the usability of mobile intelligent personal assistance service based on voice recognition technology-Focused on 'Samsung S Voice' and 'Apple Siri'", Journal of Digital Design, Vol. 14, No. 1, pp.231-240, 2014

상세보기
D. A. Park, "A Study on Conversational Public Administration Service of the Chatbot Based on Artificial Intelligence", Journal of Korea Multimedia Society, Vol. 20, No. 8, pp.1347-1356, 2017
S. S. Kang, "AI Assistant Apple's Siri and Wolfram Alpha", Communications of the Korean Institute of Information Scientists and Engineers, Vol. 35, No. 8, pp.42-50, 2017
K. O. Park, "A Review on AI Virtual Assistants' Secretarial Job Competencies", JOURNAL OF SECRETARIAL STUDIES, Vol. 26, No. 2, pp.253-272, 2017
D. S. Chang, J. W. Sung, and J. H. Im, "Intelligent Personal Assistant: GiGA Genie Assistant", Communications of the Korean Institute of Information Scientists and Engineers, Vol. 35, No. 8, pp.28-35, 2017
S. H. Hwang and J. Y. Yun, "An User Experience Analysis of Virtual Assistant Using Grounded Theory", Journal of the HCI Society of Korea , Vol. 12, No. 2, pp.31-40, 2017

원문보기 상세보기
H. S. Kim, "Natural Language Processing Techniques of Spoken Assistant Systems based on Artificial Intelligence", Communications of the Korean Institute of Information Scientists and Engineers, Vol. 35, No. 8, pp.9-18, 2017
J. H. Kim, D. S. Chang, and H. S. Kim, "Statistical Generation of Korean Chatting Sentences Using Multiple Feature Information", KOREAN JOURNAL OF COGNITIVE SCIENCE, Vol. 20, No. 4, pp.421-437, 2009

원문보기 상세보기
S. Wilske, "Form and Meaning in Dialogue- based Computer-Assisted Language Learning", Ph.D. thesis, Saarland University, Saarbrucken, 2015
M. R. Kangavari, S. Ghandchi, and M. Golpour, "Information Retrieval: Improving Question Answering Systems by Query Reformulation and Answer Validation.", World Academy of Science, Engineering and Technology, Vol. 24, No. 12, pp.1275-1282, 2008
S. Y. Park, S. C. Kwon, B. S. Kim, S. D. Han, H. S. Shim, and G. G. Lee, "Question Answering System using Multiple Information Source and Open Type Answer Merge", Proceedings of NAACL-HLT 2015, pp.111-115, 2015
W. Cui, Y. Xiao, and W. Wang, "KBQA: An Online Template Based Question Answering System over Freebase", Proceedings of the Twenty-Fifth International Joint Conference on Artificial Intelligence (IJCAI-16), pp.4240-4241, 2016
K. Jeong, Y. Ham, and K. Lee, "Dual-Spiral methodology for knowledgebase constructions", In 2016 International Conference on Big Data and Smart Computing (BigComp). IEEE, pp.477-480, 2016
A. Santoro, D. Raposo, D. G. Barrett, M. Malinowski, R. Pascanu, P. Battaglia, and T. Lillicrap, "A simple neural network module for relational reasoning", Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA., pp.4967-4976, 2017
S. Furui, "Speech Recognition-Past, Present, and Future -", NTT Review, Vol. 7, No. 2, pp.13-18, 1995

상세보기
J. T. Kim and H. Jung, "Trends of Speech Recognition Technology and Its Application to the Navy's Information and Communication Sector-Focusing on Speech To Text", Defense & Technology, pp.120-127, 2017
I. Gavat and D. Militaru, "New trends in machine learning for speech recognition", Annual Symposium of the Institute of Solid Mechanics and Session of the Commission of Acoustics SISOM, At Bucharest, Romania, Vol. 2015, No. , pp.271-276, 2015
S. J. Choi and J. B. Kim, "Comparison Analysis of Speech Recognition Open APIs' Accuracy", Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, Vol. 7, No. 8, pp.411-418, 2017
G. Hinton, L. Deng, D. Yu, G. E. Dahl, A. R. Mohamed, N. Jaitly, and B. Kingsbury, "Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups", IEEE Signal processing magazine, Vol. 29, No. 6, pp.82-97, 2012

상세보기
S. W. Lee, H. M. Jeong, P. Kim, and D. M. Seo, "Inference Technology Research Trend", NIPA, pp.1-12, 2010
J. G. Park, "Speech Recognition Technology for Call Center Service Version 2.0", ETRI, 2015
N. F. Noy and D. L. McGuinness, "Ontology Development 101: A Guide to Creating Your First Ontology", Stanford University, 2001

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증