IBM Watson usecase demo 감상

기회가 잘 닿아 IBM Watson usecase demo를 참관하여 감상을 남김니다.

Watson이 일본 소프트뱅크가 자국어 지원을 위해 노력한(로봇 페퍼) 결과에 힘입어 곧 한국어도 지원 가능할 것이라고 예측한다고 합니다.

Watson은 엔진/라이브러리 수준을 벗어난 서비스이긴 하나, 역시나 개발 단위의 작업을 더해야 돈 버는 실제 서비스를 구현할 수 있습니다. Bluemix 플랫폼이 기존 개발자와 친숙해야 경쟁자들을 따돌릴 겁니다.

IBM이 발표한 자료에 없거나 강조할 만한 점만 기록했으니, 발표자료를 따로 보시면 좋겠습니다.
 
1. Watson의 강점
인간이 대화하는 방식으로 비정형 데이터를 인지하고 처리하고 응답 가능

2. Watson의 위상 변화
e-Biz 지원 → Cognitive(인지) Business System/Computing
※ 폭증하는 Edge data(스마트폰, 태블릿 등 다양한 기기/서비스의 로그)에서 가치 발굴

3. 전문가 시스템으로서 기능
인지 컴퓨팅을 기반으로 각 ‘주제 별’ 전문가 시스템으로서 의사결정을 ‘지원’

4. Watson의 분석/학습 모델
  - Supervised(지도학습): 훈련 데이터를 제공하여 함수를 유추하는 기법
  - Unsupervised(자율학습): 목표치 없이 문제의 범주를 구분/분류하는 기법
※ Watson은 “데이터 패턴이 A에 가까우면 결과는 B이겠지만, 이 때는 결과 C일 수도 있으니 감안해 달라”라는 식으로도 지도학습과 자율학습을 병행 가능

5. Watson 확장: Bluemix 기반(PaaS)으로 개발 (API 충분히 제공)

6. Self-service Q&A
  - 고객 접점(engagement)에서 기존의 pain point 극복 → 서비스 받는 고객은 사람과의 차이 미인지
  - DIVA: 자연어 채팅 에이전트 (17개 산업 적용) → 쇼핑 도우미, 호텔 컨시어지 등

7. Watson Explorer 기반 서비스 도입 및 운용
CVA(Cognitive Value Assessment, 도입 컨설팅) → Configure & train(도입/개발 및 기계학습 모델 훈련) → Deploy & management (서비스 구축 및 관리)
※ Watson Explorer란? 단순히 정의하자면 비정형 컨텐츠 분석 솔루션.

8. 인물 성향(personality) 분석
  - 속성: Big5, needs, value, behavior
  - 사례: fund 상품 추천
  - 효과: 고객의 성향을 감안함에 따라 상품과 직원(상담사)에 대한 만족도 제고

9. 도입 사례
  - 노스페이스 Intelligent shopper: 대화하듯 상품 검색 및 추천
  - 네스카페 안내 로봇: 일본어로 상품 안내 및 시음 권유
  - GEICO direct 보험: 보험 견적 시, 화면 우측의 채팅 창에서 문의사항을 주고 받음

10. Watson Partner: Watson eco system 구성원
예) Cognitive Scale사: 클라우드 기반 개인화 서비스 제공

11. 데모: 주택가 근처 오프라인 마트인 Blue mart와 고객 Lisa
  - 분석/마케팅 preference: 저지방, 자녀, 배달 이력, wine pairing, gluten-free 알뜰 등
  - 각종 소셜 미디어 connect
→ 소셜 미디어 연동(인증절차 필수) 시, 타임라인/피드 등 열람권한 획득 가능
  - 개인화 기능
    1) 쿠폰 사용 및 누적할인액 리포트
    2) Shipping alert: preference와 다른(예: 고지방, gluten 포함 등) 구매항목에 대해 주의
    3) Shopping ideas: 사회적 이벤트(예: 미국 수퍼볼) 혹은 소셜 기반 개인 이벤트 감지 후,
  파티 상품과 케이터링 서비스를 추천
   4) Recipe 기반 추천: 장바구니 내역을 분석하여 가능한 recipe를 식별한 후,
 “3개 항목만 더 사면, gluten-free 스파게티 조리 가능함”(reference 감안),
  “스파게티와 어울리는 OOO 와인 추천함”(그 동안 구매한 가격대의 와인 추천)
  5) 추천에 대한 feedback: like/unlike 등 사용자가 클릭
  6) 가격 비교(쇼루밍)에 대한 선제적 대응
- “아마존이 싸지만, 배송비 감안하면 Blue mart가 유리”
- “매장 방문하면 추가할인 쿠폰을 제시하며, 이 쿠폰을 통해 XX 마트보다 가격 유리”
  7) 자연어 검색 및 추천 요청
“아들에게 사 줄 과자를 추천해 줘” → reference 감안하여 gluten-free 과자 제안

12. Watson trend
  - 모바일 앱으로 제공 (Android, iOS)
  - Buzz 그루핑: blog, forum 등 대상으로 뉘앙스를 감안하여 비정형 텍스트 데이터 축적
  - Trend grade 산정기준: 일일 Buzz량(Impact), Buzz 지속기간 병용
  - 시계열 차트: 과거 3개월 및 2~3주 forecast 제공 (실제 comment snippet 제공)
  - Ask Watson: “10대 소년 대상으로 인기 있는 선물을 추천해 줘.”

13. Insight from images
  - 사례: 페이스북, 인스타그램, 핀터레스트 등에 대한 프로모션/마케팅 효과 측정
      (글 없이 이미지만 올리는 게시물이 1/3 이상)
→ 프로모션하는 카테고리와 follower가 실제로 선호하는 카테고리 비교 가능

14. 주요 질의 응답
  - 트래킹에 대한 거부감/불쾌감에 대한 대안
→ 투명하게 자료 저장내역 및 기준 공개. 고품질의 추천을 위한 개인정보 활용 불가피함 설명. 앱에서 설명을 어떻게 하느냐에 따라서도 반응이 달라질 것.
  - 소셜 미디어의 크롤링 정책은? 페이스북 같은 서비스는 일반적으로 비공개.
→ 처음에 동의를 구해야 함.
※ 소셜 미디어 연동(인증절차 필수) 시, 타임라인/피드 등 열람권한 획득 가능. ← 쿠폰 제공/이벤트 등을 통해 소셜 미디어 열람권한 획득. (필자 주)
※ 10대, 20대 등 소셜 미디어 사용자 중에는 사생활 보호를 위해 기업 서비스 연동용으로
 별도의 부계정/세컨드 계정을 운용하는 사례가 많음 (필자 주)
  - Watson과 기계학습의 차이
→ Watson은 대화가 가능한 서비스. 언어의 이해에 방점. 질문을 이해하고 답변/신뢰도를 응답 가능한 Expert system 실현. tone analyze 등 강화. 최근에는 image detection 강화.
& 기계학습은 모델을 만드는 기법.
  - 360도 고객 (싱글) 뷰는 IBM만의 독창적인 제안은 아님. 다른 회사에서는 고객 싱글 뷰를 위해 마스터 데이터 관리 컨설팅부터 시작하는데, Watson의 국내사례의 소요기간을 알고 싶음
→ 국내 OO사 사례. 4개월 소요. 데이터 소스 구성에 따라 늘어날 수 있음. 무엇을 보고 싶은가에 따라 기간과 공수가 달라짐.
  -  Watson이 콜센터 상담인력을 대체할 수 있다고도 들었는데, 의견을 듣고 싶음.
→ 콜센터 인력 대체보다는 현재 상담인력의 생산성을 늘리는 게 현실적.(리드타임 줄이기 등) 싱가폴은 Watson을 사용하면서 콜센터 30퍼센트 생산성 증가. 10퍼센트 이상 이익 증가. 직원 이직률 줄이기 성공.