제주EV콜센터 민원 분석을 통한 EV FAQ 챗봇 설계

Abstract

본 논문에서는 전기자동차 민원 처리에서 반복적으로 수행되는 과정을 자동화하고 즉각적인 응답시간 제공을 위해 제주EV콜센터에서 축적된 민원 데이터를 분석하고 오픈소스 플랫폼에 기반한 챗봇 시스템을 구현한다. 제주EV콜센터에서는 전기자동차 민원이 발생될 때마다 민원데이터를 축적하고 있는데 그중에서 2018년 1월부터 9월까지 축적된 민원 데이터를 활용하여 민원현황을 파악하고 선도적인 챗봇 시나리오 모델을 만들어 실제 적용가능성을 타진한다. 우선, R(x64) 3.5.3버전에서 제공하는 KoNLP 한글 자연어 분석 패키지의 NIADic 사전을 사용하여 문자열로 구성된 민원 내용들을 명사 단위로 파싱한다. 이후 igraph 패키지의 의미연결망을 이용하여 파싱된 단어 간의 연관성을 전체 및 사용자 그룹별로 확인하고 추출된 핵심단어를 기준으로 EV FAQ를 구성한다. 이 FAQ의 전형적인 질의들을 6 가지 주제로 분류하고 각 주제에서 25개의 질의 데이터를 랜덤 추출하여 질의 인식률 및 응답률을 평가한다. 챗봇 설계단계에서 자연어 처리 기술을 사용하는 우수한 챗봇 빌더를 선택하고자 구글의 Dialogflow와 카카오의 카카오i오픈빌더 간의 인식률을 비교한다. 이를 위해 Intent별로 앞서 추출된 질의 데이터 중 10개를 랜덤 추출하고 그중 8개의 데이터로 훈련하며 나머지 2개의 데이터로 각 빌더의 Intent Matching 인식률을 테스트한다. 각 Intent의 인식률이 Dialogflow는 100%, 카카오i오픈빌더는 0%로 측정됨에 따라 월등한 성능을 보인 Dialogflow를 챗봇 플랫폼으로 선정하고 클라우드 구름IDE와 Dialogflow API V2를 사용하여 웹 기반의 대화형 인터페이스를 설계 및 구축한다. EV FAQ의 챗봇 시나리오를 구성하기 위해 사용자의 Intent와 Entity 유형을 재구성하고 초기 추출한 6 가지 항목별 25개의 질의 데이터 중 20개의 데이터로 학습한다. 또한 Python Flask로 Webhook 웹 서버를 구축한 후, Dialogflow와 연동하여 동적 응답 및 충전기 DB 정보를 제공한다. 구현한 시스템에 의해 6 가지 항목별 5개의 질의로 테스트한 결과는 사용자의 질의의도 인식률 100%, 질의항목에 맞는 응답결과를 보이는 확률 86.7%를 보인다.

This thesis analyzes customer query records accumulated in the Jeju Electric Vehicle call center and implements a Chatbot system based on an open-source platform, aiming at achieving immediate response time by automating repetitive steps in EV customer service. The Jeju EV call center stores the operation records each time an EV customer issues a query. Based on the analysis of a dataset from January to September, the applicability of a Chatbot service to the EV service is tested. The text query dataset has been parsed into a set of nouns, taking advantage of the NIADic Dictionary of KoNLP(Korean Natural Processing) package for R(x64) 3.5.3. Next, EV FAQ is built, focusing on the extracted keywords along with the interword correlation, which is taken from the igraph package of Semantic Network Analysis. The 25 random sample queries in each group of FAQ have been evaluated in terms of the recognition rate and the response rate. Google's Dialogflow and Kakao's KakaoiOpenBuilder have been compared in order to select a better Chatbot builder using NLP in the design phase. The 10 random sample queries have been selected, while 8 out of 10 used for training and the others for testing the intent matching recognition rate of our Chatbot builder. As the recognition rate for each intent is 100% for Dialogflow and 0% for KakaoiOpenBuilder, Dialogflow is selected. Our Chatbot platform designs a web-based interactive interface using Cloud goorm IDE and Dialogflow API V2. To construct the chatbot scenario of the EV FAQ, the user's Intent and Entity types have been reconfigured and trained using 20 out of the 25 queries for each of the six categories. In addition, the integration of a Webhook server with Python Flask makes it possible to provide a parameterized response and charger DB information in cooperation with Dialogflow. The evaluation result shows that the user's intention recognition rate is 100% and the response rate for corresponding to query groups is 86.7%.