[논문]디지털 개인비서 동향과 미래

권오욱; 이기영; 이요한; 노윤형; 조민수; 황금하; 임수종; 최승권; 김영길

doi:10.22648/etri.2021.j.360101

디지털 개인비서 동향과 미래
Trends and Future of Digital Personal Assistant 원문보기

전자통신동향분석 = Electronics and telecommunications trends, v.36 no.1, 2021년, pp.1 - 11

권오욱 (언어지능연구실) , 이기영 (언어지능연구실) , 이요한 (언어지능연구실) , 노윤형 (언어지능연구실) , 조민수 (언어지능연구실) , 황금하 (언어지능연구실) , 임수종 (언어지능연구실) , 최승권 (언어지능연구실) , 김영길 (언어지능연구실)

Abstract ▼ AI-Helper

In this study, we introduce trends in and the future of digital personal assistants. Recently, digital personal assistants have begun to handle many tasks like humans by communicating with users in human language on smart devices such as smart phones, smart speakers, and smart cars. Their capabilities range from simple voice commands and chitchat to complex tasks such as device control, reservation, ordering, and scheduling. The digital personal assistants of the future will certainly speak like a person, have a person-like personality, see, hear, and analyze situations like a person, and become more human. Dialogue processing technology that makes them more human-like has developed into an end-to-end learning model based on deep neural networks in recent years. In addition, language models pre-trained from a large corpus make dialogue processing more natural and better understood. Advances in artificial intelligence such as dialogue processing technology will enable digital personal assistants to serve with more familiar and better performance in various areas.

주제어

AI 본문요약
AI-Helper

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

문제 정의

한다. 또한 향후 디지털 개인비서가 가지게 되는 소통과 인지 기능을 통해 가능해질 서비스에 대해 전망하고자 한다.
본 고에서 국내·외 디지털 개인비서가 사용자에게 어떤 서비스들을 제공하고 있는지에 대한 국내·외 서비스 동향과 디지털 개인비서의 언어 소통을 위한 대화처리 기술 동향을 기술하고자 한다. 또한 향후 디지털 개인비서가 가지게 되는 소통과 인지 기능을 통해 가능해질 서비스에 대해 전망하고자 한다.
우리는 코로나-19로 인한 팬데믹 환경에서 사람들과 사람들 간의 대면 활동이 급작스럽게 중지되어 서로 단절되는 상황에 직면하는 것을 목격하였다. 그리고 이러한 환경이 쉽게 끝날 것 같지도 않은 상황이다.

제안 방법

이들의 특징은 단순한 모델에 초대용량 데이터를 학습시키고 모델 크기를 전례 없이 키운 것이다. DialoGPT는 Transformer 디코더 구조를 사용한 GPT2 구조[18] 를 그대로 사용하였고 사전학습 언어모델을 사용한 다음 Fine-tuning하는 방식에서 더 높은 성능을 기록하였다. Meena는 진화된 Transformer 구조[38] 를 사용하였는데 단순한 종단형 학습 방법과 초대용량 데이터로 인간다움에 버금가는 대화를 생성할 수 있다는 것을 보였다.
7B 모델로 Meena와 비교하여 제안 모델의 우수성을 입증하였다. 검색모델로는 응답 후보를 대화 문맥과 독립적으로 인코딩 후 다중 주의집중을 진행하는 Poly-encoder 구조[39]를 사용하였고, 대용량 대화 데이터로 학습시킨 후, 지식 이해, 공감, 페르소나 반영 등 혼합 능력을 향상하기 위한 Fine-tuning 학습 방법을 사용하여 적은 양의 데이터로 인간다움을 향상했다.
음악 선곡 및 감상, 날씨 및 교통 정보 검색 등 새롭고 재미있는 기능을 탑재한 AI 스피커는 초창기 대중에게 많은 주목을 끌었다. 이후 출시된 AI 스피커에는 정보를 시각화할 수 있는 디스플레이, 무드등, 셋톱박스와 연동 등 기존제품과 차별화된 기능을 탑재하였다. 하지만, 사람들은 음성 AI의 기술적인 문제와 실생활에서의 활용도 측면에서 AI 스피커의 한계를 느꼈으며, 그나마도 서비스를 이용하는 연령대가 디지털에 익숙한 젊은 고객층으로 편중되어 있는 문제점이 존재했다.

대상 데이터

카카오는 카카오i 플랫폼을 탑재한 ‘카카오미니’ 에 이어 네 번째 AI 스피커 ‘미니 헥사’[9]를 출시하였다. 카카오 AI 스피커에는 경쟁기업과 차별적인 요소인 ‘카카오톡’ 서비스를 연동하여, 음성으로 손쉽게 카카오톡 메시지를 전송하고 정보를 공유할 수 있도록 하고 있다.

성능/효과

나은 성능을 얻었다고 보고하였다. 최대 모델인 9.4B 모델이 아닌 2.7B 모델로 Meena와 비교하여 제안 모델의 우수성을 입증하였다. 검색모델로는 응답 후보를 대화 문맥과 독립적으로 인코딩 후 다중 주의집중을 진행하는 Poly-encoder 구조[39]를 사용하였고, 대용량 대화 데이터로 학습시킨 후, 지식 이해, 공감, 페르소나 반영 등 혼합 능력을 향상하기 위한 Fine-tuning 학습 방법을 사용하여 적은 양의 데이터로 인간다움을 향상했다.

후속연구

비대면 환경에서 디지털 개인비서는 각 개인 및 집단 간의 연결고리 역할을 할 수 있을 것이다. 또한 디지털 개인비서는 개인 간 접촉이 단절된 환경에서 상대적으로 컴퓨터 취약계층에게 그들이 필요로 하는 정보를 보다 편한 방식으로 제공해 줄 것이다[52].
특히 사용자시뮬레이터를 활용하는 방법은 사용자 시뮬레이터의 사용자 모델링 성능 또한 중요하므로 멀티 에이전트 프레임워크를 도입하여 사용자 시뮬레이터와 대화시스템을 동시에 학습하는 연구가 진행되고 있다[27-29]. 일반적으로 강화학습이 적용되는 게임, 로봇 분야와 달리 목적지향 대화는 에이전트의 행동에 대한 정의가 불분명하고 응답의 적절성, 다양성 등 보상 설계에 고려해야 할 점이 많기 때문에 앞으로도 이와 관련된 다양한 연구들이 진행될 것으로 기대한다.
자동차 스피커, 스마트 홈 장치, 웨어러블 장치와의 결합을 통해 디지털 개인비서는 인간과 보다 가까이에 존재하며, 다양한 요구를 만족시킬 수 있을 것이다. 예를 들어 운전하고 있거나, 조깅하는 도중과 같이 양팔을 사용할 수 없는 경우에 모바일장치나 IoT 장치처럼 스크린 없는 장치의 애플리케이션에 접근해야 하는 경우 디지털 개인비서는 상당히 유용하게 쓰일 것이다.

참고문헌 (52)

S. Chourasia, "What are 10 best AI assistants of 2021?," Aug. 2020, https://techresearchonline.com/blog/best-ai-assistant-of-2021/#
Pat Research, "Top 22 intelligent personal assistants or automated personal assistants,",https://www.predictiveanalyticstoday.com/top-intelligent-personal-assistants-automated-personal-assistants/#whatareintelligentpersonalassistantsorautomatedpersonalassistants
LG CNS, "앱의 시대에서 가상 비서의 시대로, Virtual personal assistant," 2016, https://blog.lgcns.com/1241
임영신, "폰안의 비서, 그들만의 전쟁을 시작했다," 매일경제, 2020.11.1.
삼성 빅스비, https://www.samsung.com/sec/apps/bixby/
NUGU, https://www.nugu.co.kr/
KT 기가지니, https://gigagenie.kt.com/main.do
김주완, "책 펴기만 하면 대신 읽어주네 일상 깊숙히 파고드는 AI," 한국경제, 2020.11.9.
카카오 미니헥사, https://kakao.ai/product/minihexa
한국정보화진흥원, "인공지능 기반 챗봇 서비스의 국내외 동향분석 및 발전 전망," D. gov Trend & Future, 2018-2호, 2018.
Z. Zhang et al., "Recent advances and challenges in task-oriented dialog systems," Sci. China Inf. Sci. May. 2020, arXiv: 2003.07490.
H. Lee, J. Lee, and T. Y. Kim , "SUMBT: Slot-utterance matching for universal and scalable belief tracking," in Proc. Assoc. Comput. Linguist. 2019, pp. 5478-5483.
M. Heck et al., "TripPy: A triple copy strategy for value independent neural dialog state tracking," in Proc. Spec. Interest Group Discourse. Dialogue. July. 2020, pp. 35-44.
T. Zhao, K. Xie, and M. Eskenazi, "Rethinking action spaces for reinforcement learning in end-to-end dialog agents with latent variable models," in Proc. Conf. North Am. Chapter Assoc. Comput. Linguist.: Hum. Lang. Technol. Minneapolis, Minnesota, Apr. 2019, pp. 1208-1218.
W. Chen et al., "Semantically conditioned dialog response generation via hierarchical disentangled self-attention," in Proc. Assoc. Comput. Linguist. Florence, Italy, Jan. 2019, pp. 3696-3709.
W. Lei et al., "Sequicity: Simplifying task-oriented dialogue systems with single sequence-to-sequence architectures," in Proc. Assoc. Comput. Linguist. Melbourne, Australia, July. 2018, pp. 1437-1447.
Y. Zhang, Z. Ou and Z. Yu, "Task-oriented dialog systems that consider multiple appropriate responses under the same context," in Proc. AAAI Conf. Aritif. Intell. Palo Alto, CA. USA. vol. 34 no. 5, 2019, pp. 9604-9611.
A. Radford et al., "Language models are unsupervised multitask learners," OpenAI Technical Report, 2019, pp. 9604-9611.
E. Hosseini-Asl et al., "A simple language model for task-oriented dialogue," in Proc. Conf. Neural Inform. Process. Syst. Vancouver, Canada, Dec. 2020.
D. Ham et al., "End-to-end neural pipeline for goal-oriented dialogue systems using GPT2," in Proc. Assoc. Comput. Linguist. July. 2020, pp. 583-592.
A. Bordes, Y. L. Boureau, and J. Weston, "Learning end-to-end goal-oriented dialog," in Proc. Int. Conf. Learn. Representations. Toulon, France, Apr. 2017, arXiv: 1605.07683v4
A. Madotto, C. S. Wu, and P. Fung, "Mem2Seq: Effectively incorporating knowledge bases into end-to-end task-oriented dialog systems," in Proc. Assoc. Comput. Linguist. Melbourne, Australia, July. 2018, pp. 1468-1478.
T. Wen et al., "Latent intention dialogue models," in Proc. Int. Conf. Mach. Learn. Sydney, Australia, Aug. 2017.
Y. Zhang et al., "A probabilistic end-to-end task-oriented dialog model with latent belief states towards semi-supervised learning," in Proc. Conf. Empir. Methods. Natural Lang. Process. Nov. 2020, pp. 9207-9219.
X. Li et al., "End-to-end task-completion neural dialogue systems," in Proc. Int. Conf. Natural Lang. Process. Taipei, Taiwan, Nov. 2017, pp. 733-743.
T. Hong et al., "An end-to-end trainable task-oriented dialog system with human feedback," in Proc. AAAI Reason. Learn. Hum.-Mach. Dialogues. Honolulu, HI, USA, Jan. 2019, pp. 1-7.
B. Liu and I. Lane, "Iterative policy learning in end-to-end trainable task-oriented neural dialog models," in Proc. Automat. Speech. Recognition. Underst. Workshop. Okinawa, Japan, Dec. 2017, pp. 482-489.
A. Papangelis et al., "Collaborative multi-agent dialogue model training via reinforcement learning," in Proc. Spec. Interest Group Discourse. Dialogue. Stockholm, Sweden, Sept. 2019, pp. 92-102.
R. Takanobu et al., "Multi-agent task-oriented dialog policy learning with role-aware reward decomposition," in Proc. Assoc. Comput. Linguist. 2020, pp. 625-638.
S. Zhang et al., "Personalizing dialogue agents: I have a dog, do you have pets too?," in Proc. Assoc. Comput. Linguist. Melbourne, Australia, July. 2018, pp. 2204-2213.
E. Dinan et al., "Wizard of wikipedia: Knowledge-powered conversational agents," in Proc. Int. Conf. Learn. Representations. New Orleans, LA, United States, May. 2019.
D. Adiwardana et al., "Towards a human-like open-domain chatbot," 2020, arXiv: 2001.09977
S. Roller et al., "Recipes for building an open-domain chatbot," 2020, arXiv: 2004.13637
A. Vaswani et al., "Attention is all you need", in Proc. Int. Conf. Neural Inform. Process. Syst., Long Beach, CA, USA, Dec. 2017, pp. 6000-6010.
Y. Zhang et al., "DialoGPT: Large-scale generative pre-training for conversational response generation," in Proc. Assoc. Comput. Linguist. July. 2020, pp. 270-278.
T. B. Brown et al., "Language models are few-shot learners", in Proc. Conf. Neural Inform. Process. Syst. Vancouver, Canada, Dec. 2020.
J. Devlin et al., "BERT: Pre-training of deep bidirectional transformers for language understanding," in Proc. Conf. North Am. Chapter Assoc. Comput. Linguist.: Hum. Lang. Technol. Minneapolis, Minnesota, June. 2019, pp. 4171-4186.
D. R. So et al., "The evolved transformer," in Proc. Int. Conf. Mach. Learn. Long Beach, CA, USA, June, 2019.
S. Humeau et al., "Poly-encoders: Architectures and pretraining strategies for fast and accurate multi-sentence scoring," in Proc. Int. Conf. Learn. Representations, Aug. 2020.
김현기 외, "엑소브레인 한국어 분석 및 질의응답 기술의 개발 현황 및 고도화 계획," 정보과학회지, 2017. 8. pp. 51-56.
https://ai.google.com/research/NaturalQuestions
https://hotpotqa.github.io/
https://allenai.org/data/arc
http://exobrain.kr/
https://aiopen.etri.re.kr/
https://www.statista.com/
https://omdia.tech.informa.com
한국인터넷진흥원, "가정용 스마트 기기의 개인정보 침해 사례 및 최근 동향," 해외 개인정보보호 동향 보고서, 2019. 11.
https://medium.com/
https://www.ciokorea.com/
https://www.voicesummit.ai/
L. Sheerman et al., "COVID-19 and the secret virtual assistants: the social weapons for a state of emergency," Emerald Open Research, 2020.

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