AI 기반 지식 그래프를 활용한 고객 지원 티켓 해결 효율화: 90%의 시간을 단축할 수 있을까?


Sherwin Varghese와 James Tian의 연구는 16만 건 이상의 고객 지원 티켓 데이터 분석을 통해 AI 기반 지식 그래프를 활용, 고객 지원 티켓 해결 효율을 극적으로 높일 수 있음을 보여줍니다. 학습-순위 지정(LTR) 알고리즘과 다양한 데이터 소스를 활용한 지식 그래프 임베딩 모델링을 통해, 기존 기계 학습 방법보다 추천 정확도를 크게 향상시켜 고객 대기 시간 단축 및 고객 만족도 향상을 기대할 수 있습니다.

related iamge

최근 Sherwin Varghese와 James Tian이 발표한 논문 "Efficient support ticket resolution using Knowledge Graphs"는 고객 지원 분야의 혁신적인 변화를 예고합니다. 16만 건이 넘는 고객 지원 티켓을 분석한 결과, 놀랍게도 전체 시간의 90%가 단 10%의 복잡한 티켓 해결에 소요된다는 사실을 발견했습니다. 단순한 해결책으로는 해결되지 않는 이러한 난제들은 여러 엔지니어의 협업, 이른바 '스웜(swarm)' 전략을 필요로 하며, 심지어 개발팀의 지원까지 요구하는 경우도 있습니다.

하지만 이러한 복잡한 고객 문제는 동시에 기계 학습과 지식 그래프 기술을 활용하여 획기적으로 개선할 수 있는 기회이기도 합니다. 본 논문에서는 학습-순위 지정(LTR) 방식을 통해, 주어진 티켓과 현재 배정된 엔지니어(없을 수도 있음)를 바탕으로 최적의 엔지니어 또는 엔지니어 그룹을 순위화하는 알고리즘을 제안합니다.

이 알고리즘은 고객이 제공한 사건 설명, 영향받은 구성 요소, 엔지니어 전문성 평가, 지식 기반 문서, 엔지니어가 작성한 고객 응답, 그리고 과거 스웜 데이터 등 다양한 정보를 입력 기능으로 활용합니다. 핵심 가설은 엔지니어가 해결한 사례에 대한 맥락 정보를 포함하면 기존 모델보다 LTR 알고리즘의 성능을 크게 향상시킬 수 있다는 것입니다.

논문에서는 스웜 정보를 포함한 여러 데이터 소스로부터 지식 그래프 임베딩을 모델링하는 새로운 접근 방식을 제시합니다. 실험 결과, 이러한 추가적인 맥락 정보를 통합함으로써 TF-IDF와 같은 기존 기계 학습 방법보다 추천 정확도를 상당히 향상시킬 수 있음을 증명했습니다. 이는 고객 대기 시간 단축과 고객 만족도 향상으로 이어질 수 있는 엄청난 잠재력을 가지고 있습니다.

결론적으로, 이 연구는 AI와 지식 그래프 기술을 활용하여 고객 지원의 효율성을 극적으로 높일 수 있는 가능성을 제시합니다. 앞으로 이러한 기술의 발전은 고객 서비스의 패러다임을 변화시키고, 기업의 경쟁력을 강화하는 데 크게 기여할 것으로 예상됩니다. 90%의 시간을 단축할 수 있는 미래의 고객 지원 시스템이 머지않아 현실이 될지도 모릅니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] Efficient support ticket resolution using Knowledge Graphs

Published:  (Updated: )

Author: Sherwin Varghese, James Tian

http://arxiv.org/abs/2501.00461v1