HyperAI초신경
Back to Headlines

RAG 기술로 온라인 도움말 시스템 혁신

16일 전

정적인 도움 문서에서 스마트한 도움 문서로: RAG가 어떻게 변혁을 일으키고 있는지 매일 수천 개의 웹사이트에서 같은 장면이 반복되고 있다. 사용자가 도움 센터를 열고 질문을 입력한다: "워크플로에서 승인을 자동화하는 방법은?" 로딩 표시기 회전 후, 사용자에게 세 개의 긴 텍스트로 구성된 문서가 제시된다. 사용자는 몇 번 클릭한 후 포기하거나 고객 지원에 문의하게 된다. 이는 과거의 방식이다. 조직들은 구조화된 도움 내용에 대한 투자를 지속해왔다. API 문서, 단계별 가이드, 제품 FAQ, 릴리스 노트, 그리고 '어떻게' 문서 등이 그것이다. 이러한 콘텐츠는 잘 정리되어 있고 버전 관리가 되어 있으며, 종종 규제 준수 기준을 충족하기 위해 작성된다. 그러나 사용자들은 제품 버전이나 분류 체계를 통해 콘텐츠를 탐색하지 않는다. 그들은 평범한 언어로 질문을 한다. 이것이 전통적인 도움 시스템이 고장 나는 지점이다. 너무 딱딱해서 실시간으로 적응할 수 없으며, 사용자가 정확히 무엇을 검색해야 하는지 알고 있다고 가정한다. 또한 여러 페이지에 걸쳐 오래된 또는 중복된 콘텐츠를 제공하는 경우가 많다. RAG(검색 강화 생성)는 이러한 문제를 해결하며, 구조화된 도움 콘텐츠를 더욱 효과적으로 활용하는 방법을 제시한다. RAG는 인터넷에서 답변을 추측하는 것이 아니라, 검증된 회사 문서에서만 정보를 가져와 사용자의 질문에 맞는 답변을 생성한다. RAG란 무엇인가? RAG는 두 가지 요소를 결합한다: 1. 검색 시스템: 사용자의 질문과 가장 관련된 문서 부분을 찾는다. 2. 언어 모델: 찾은 문서 부분을 바탕으로 사용자에게 맞는 답변을 생성한다. 예를 들어, 사용자가 "승인 자동화를 위한 워크플로 생성 방법은?"이라고 묻는다면, RAG는 도움 센터에서 관련 섹션을 찾아내, 이를 하나의 명확하고 간결한 답변으로 조합한다. 필요한 경우 원본 문서 링크도 함께 제공한다. RAG 적용 전후 비교 RAG 적용 전 사용자가 특정 질문을 하면, 길고 복잡한 문서들이 제시된다. 사용자는 다양한 검색어를 시도하며 필요한 정보를 찾기 위해 노력한다. RAG 적용 후 사용자가 평범한 언어로 질문을 입력하면, 시스템은 검증된 문서에서 관련 부분을 실시간으로 찾아낸다. 사용자는 명확하고 개인화된 답변을 받으며, 필요하다면 원본 문서로 쉽게 접근할 수 있다. 구조화된 콘텐츠, 왜 변화가 필요한가? 조직들은 오랫동안 구조화된 도움 콘텐츠를 만들기 위해 투자를 해왔다. 그러나 이러한 콘텐츠는 사용자의 실제 질문 방식을 고려하지 않아 효율적이지 못했다. RAG는 구조를 대체하지 않고, 이를 더욱 효과적으로 활용한다. 실제 사례: RAG 필드에서의 활용 ServiceNow: 문서에서 답변으로 ServiceNow의 문서는 수천 개의 아티클로 이루어져 있어, 스크립팅 규칙부터 통합 패턴까지 다루고 있다. RAG를 사용하여 사용자가 특정 질문을 할 때, 시스템은 관련 부분을 찾아내 단일, 명확한 답변을 생성한다. 영향: 일반적인 작업에 대한 티켓 양이 40~60% 감소했다. Zendesk: 지원자들을 돕는 Zendesk Zendesk는 단순히 최종 사용자 지원뿐만 아니라, 지원 에이전트들에게도 다양한 소스에서 맥락을 제공한다. RAG를 사용하여 지원 중간에 정확한 답변을 제공한다. 영향: 지원 에이전트들의 작업 효율성이 크게 향상되었다. Shopify: 대규모 개인화된 지원 Shopify 상점들은 매우 다양한 요구사항을 가지고 있다. 어떤 상점은 오하이오 주의 세금에 대해 물어보고, 다른 상점은 결제 페이지를 사용자 정의하는 방법을 묻는다. RAG 기반 도우미는 구조화된 도움 콘텐츠와 사용자 특异性 맥락을 혼합하여 개인화된 답변을 제공한다. 영향: 정확하고 개인화된 답변으로 사용자 만족도가 높아졌다. Atlassian: 스마트 지식 표면화 Atlassian의 Confluence와 Jira 생태계는 복잡하면서도 내용이 풍부하다. RAG를 사용하여 사용자가 "Jira Server 프로젝트를 클라우드로 이동하는 방법은?"과 같은 질문을 할 때, 시스템은 관련 내용을 합성하여 체크리스트 형태로 제공한다. 영향: 사용자들이 필요한 정보를 더 빠르고 효율적으로 얻을 수 있게 되었다. RAG 시스템 구축 방법 RAG 시스템을 효과적으로 구축하기 위해서는 다음과 같은 파이프라인이 필요하다: 1. 콘텐츠 준비: 구조가 잘 정리되고 품질이 높은 도움 콘텐츠를 시작으로, 큰 문서를 검색 가능한 부분(단락, 목록, 표 등)으로 나눈다. 2. 임베딩 인덱싱: 벡터 데이터베이스(FAISS, Pinecone 등)를 사용하여 콘텐츠 부분을 의미 임베딩으로 변환한다. 이렇게 하면 키워드 검색이 아닌 의미적 검색이 가능하다. 3. 쿼리 임베딩: 사용자가 질문을 입력하면, 이 쿼리도 임베딩되어 인덱스된 콘텐츠와 비교된다. 4. 검색: 시스템은 구조화된 문서, 지식庫, FAQ에서 가장 관련된 부분을 실시간으로 가져온다. 5. 생성: 언어 모델(GPT-4 등)은 가져온 맥락을 바탕으로 사용자에게 맞는 답변을 생성한다. 시스템은 창조력을 발휘하지 않고, 원본 콘텐츠에 근거하여 답변을 생성한다. 6. 응답 전달: 사용자는 깔끔하고 정확한 답변을 받으며, 필요하다면 더 깊게 탐색할 수 있는 옵션이 제공된다. 이 과정은 지속적이며, 문서가 진화함에 따라 검색 기능도 업데이트된다. 이는 동적인 도움 센터에 이상적인 솔루션이다. 마무리 생각 RAG는 구조화된 콘텐츠를 무용지물로 만드는 것이 아니다. 오히려 이를 강화한다. 현재 도움 시스템을 운영 중이라면, 이미 필요한 원재료를 가지고 있다. 아티클, 튜토리얼, 가이드 등 모두 값진 자산이다. 빠진 부분은 사용자의 생각 방식과 질문 방식에 맞는 전달 메커니즘일 뿐이다. RAG는 뒷scenes에서 구조를 존중하면서도 사용자가 그 구조를 이해할 필요성을 없앤다. 이로 인해 문서가 생동감 있고 반응적이며 지능적으로 느껴진다. 따라서 다음에 누군가 "이 통합 오류를 어떻게 수정하나요?"라고 질문할 때, 그저 여러 문서의 목록이 아니라, 명확한 답변을 받을 수 있게 될 것이다. 산업 전문가들은 RAG가 도움 콘텐츠의 미래를 선도할 중요한 기술로 보고 있다. RAG는 사용자 경험을 획기적으로 개선하며, 기업의 지식 관리를 더욱 효율적으로 만든다. ServiceNow, Zendesk, Shopify, Atlassian 등의 선두 기업이 이미 RAG를 성공적으로 활용하고 있으며, 이는 앞으로의 트렌드가 될 가능성이 크다.

Related Links