SlideShare una empresa de Scribd logo
1 de 40
Descargar para leer sin conexión
NAVER LABS
김정희
(jeonghee.kim@navercorp.com)
챗봇 개발을 위한
네이버 랩스 API
2
3
Services Devices
4
Services Devices
Ambient Intelligence
Service Platform
5
Services Devices
Natural
Language
Interface
6
Why Natural Language Interface ?
7
8
9
제한된 interface 환경
Complex UX
10
인간에게 가장 자연스러운 interface
“Speech, Dialogue”
11
12
13
Service Platform 이 된 메신저
14
메신저에서 가장 자연스러운 Service UX
“Dialogue”
15
Pizza Service in Messenger
16
• Chatbot 으로 서비스 하려면 ?
17
• Chatbot 으로 서비스 하려면 ?
• ”슈프림피자 4개 주세요”
• 무엇을 해야 할까?
18
• Chatbot 으로 서비스 하려면 ?
• ”슈프림피자 4개 주세요”
• 메뉴 : 슈프림피자
• 수량 : 4개
• 의도 : 주문
19
• Chatbot 으로 서비스 하려면 ?
• ”슈프림피자 4개 주세요”
• 메뉴 : 슈프림피자
• 수량 : 4개
• 의도 : 주문
• Natural	Language	Understanding
20
• Chatbot 으로 서비스 하려면 ?
• ”슈프림피자 4개 주세요”
• 메뉴 : 슈프림피자
• 수량 : 4개
• 의도 : 주문
• Natural	Language	Understanding
• Who?
21
• Chatbot 으로 서비스 하려면 ?
• ”슈프림피자 4개 주세요”
• 메뉴 : 슈프림피자
• 수량 : 4개
• 의도 : 주문
• Natural	Language	Understanding
• Who?
• 서비스 개발자
• 어렵다. 귀찮다
22
Natural
Language
Understanding
Natural
Language
23
24
25
한국어
• 한국어
• 교착어
• 조사, 어미, 어간
• 형태소 분석
• 아버지가방에 들어가신다
27
• 대화형 인터페이스를 만들 수 있는 엔진 및 개발 툴
• Named	entity	recognition	및 intent	analysis	를 통한 자연어 처리
• Chat	bot,	app,	service,	device	등에 자연어 대화 인터페이스
• 한국어 자연어 처리
• 한국어 형태소 분석, 자연어 이해
• 한국어를 시작으로 global	language	로 확장
Natural
Language
30
• Built	- in
• Service	- defined
• “슈프림피자 4개 주세요”
• “치즈 3개로 바꿔주세요”
• “4개”, “3개”
• 수량 정보
• 자주 사용 예상되는 정보
• 수량, 주소, 인명 등
• 알아서 분석 해 줬으면…
32
• Built-in	entity
• 대화 서비스에서 많이 사용될 것으로 예상되는 entity
• 장소, 인명, 시간 등 25개 제공
• Built-in	intent
• 대화 서비스에서 많이 사용될 것으로 예상되는 intent
• Yes,	no,	cancel	등 7개 제공
• “슈프림 피자”, “치즈”
• Service	에 따라 unique	한 정보
• 서비스 개발자가 직접
• Entity	name
• Entity	list
• 피자 메뉴
• 슈프림 : 수프림
• 페퍼로니 : 페페로니
• 치즈 : 치이즈
34
• Service-defined	entity
• 특정 서비스에서 필요하다고 생각되는 unique	한 entity	를 서비스 개발
자가 설정할 수 있는 tool
• Ex)	커피 종류, 피자 종류 등
• Service-defined	intent
• 특정 서비스에서 필요하다고 생각되는 unique	한 intent	를 서비스 개발
자가 설정할 수 있는 tool
• Ex)	피자 주문, 날씨 확인 등
User Messenger Service AMICA.ai
Text
NLU	Result
Service	Response
• Dialogue	management	(DM)	은 제공하지 않는다.
• Service	response	를 결정할 때 dialogue	history	사용은 service	logic	에서
• DM	및 서비스 시나리오는 서비스 개발자가 직접
• 향후 개발 방향
• DM	까지 편하게 설계할 수 있도록
38
if (!사이즈)
printf( ”어떤 사이즈를 원하시나요”);
39
40
Q&A

Más contenido relacionado

Más de NAVER D2

Más de NAVER D2 (20)

[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
 
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
 
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
 
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
 
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
 
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual Search
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
 

Último

Grid Layout (Kitworks Team Study 장현정 발표자료)
Grid Layout (Kitworks Team Study 장현정 발표자료)Grid Layout (Kitworks Team Study 장현정 발표자료)
Grid Layout (Kitworks Team Study 장현정 발표자료)
Wonjun Hwang
 

Último (7)

Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
 
Grid Layout (Kitworks Team Study 장현정 발표자료)
Grid Layout (Kitworks Team Study 장현정 발표자료)Grid Layout (Kitworks Team Study 장현정 발표자료)
Grid Layout (Kitworks Team Study 장현정 발표자료)
 
도심 하늘에서 시속 200km로 비행할 수 있는 미래 항공 모빌리티 'S-A2'
도심 하늘에서 시속 200km로 비행할 수 있는 미래 항공 모빌리티 'S-A2'도심 하늘에서 시속 200km로 비행할 수 있는 미래 항공 모빌리티 'S-A2'
도심 하늘에서 시속 200km로 비행할 수 있는 미래 항공 모빌리티 'S-A2'
 
MOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution DetectionMOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution Detection
 
[Terra] Terra Money: Stability and Adoption
[Terra] Terra Money: Stability and Adoption[Terra] Terra Money: Stability and Adoption
[Terra] Terra Money: Stability and Adoption
 
캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차
 
A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)
 

챗봇 개발을 위한 네이버 랩스 api