KR102613358B1

KR102613358B1 - 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법

Info

Publication number: KR102613358B1
Application number: KR1020230061179A
Authority: KR
Inventors: 최건우; 김채정; 정효용
Original assignee: 주식회사 애자일소다
Priority date: 2023-05-11
Filing date: 2023-05-11
Publication date: 2023-12-13
Anticipated expiration: 2043-05-11

Abstract

멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법을 개시한다. 본 발명은 대화형 인공지능 시스템의 프롬프트 엔지니어링 성능 향상을 위해 프롬프트 입력에 대한 최적의 응답을 제공할 수 있도록 데이터를 가공하여 구축할 수 있다.

Description

멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법{APPARATUS AND METHOD FOR BUILDING ATTRIBUTE DATA USING MULTI PERSONA}

본 발명은 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 대화형 인공지능 시스템의 프롬프트 엔지니어링 성능 향상을 위해 프롬프트 입력에 대한 최적의 응답을 제공할 수 있도록 데이터를 가공하여 구축하는 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법에 관한 것이다.

사람과의 대화를 통해 다양한 서비스를 제공하는 대화형 시스템, 예를 들어 챗봇에 대한 연구가 활발히 진행되고 있다.

챗봇은 사람과의 대화, 또는 문자를 통해 질문에 알맞은 응답을 제공하는 인공지능(Artificial Intelligence, AI) 기반의 언어 시스템으로서, 메신저에 채팅을 하듯 질문을 입력하면, 인공지능이 빅데이터 분석을 바탕으로 사람과 대화하듯 응답한다.

또한, 챗-GPT(Generative Pre-trained Transformer)는 임의의 텍스트가 주어졌을때 다음 텍스트가 무엇인지까지 예측하며 글을 만드는 대화형 인공지능 시스템이다.

이러한 챗-GPT는 정보의 취합에 대한 수고를 덜어주고, 사람을 대신해서 인터넷에 있는 수많은 정보를 결합해 대화 형식으로 제공하기 때문에 기존에 사람이 수행했던 검색 과정을 대폭 감소시킬 수 있다.

그러나, 챗-GPT는 응답하는 답변의 정확도에서 부정확하거나 또는 틀린 답변을 제공하는 문제점이 있다.

즉, 챗-GPT가 올바른 답변을 제공하기 위해서는 챗-GPT에서 조합할 수 있는 다양한 정보가 요구되지만, 사람과 같이 다양한 정보를 결합해서 분석하는 것은 매우 어려운 문제점이 있다.

한국 공개특허공보 공개번호 제10-2021-0146089호(발명의 명칭: 대화 스타일링 서비스를 위한 다중 페르소나 모델 생성 방법 및 이를 이용한 대화 스타일링 방법)

이러한 문제점을 해결하기 위하여, 본 발명은 대화형 인공지능 시스템의 프롬프트 엔지니어링 성능 향상을 위해 프롬프트 입력에 대한 최적의 응답을 제공할 수 있도록 데이터를 가공하여 구축하는 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법을 제공하는 것을 목적으로 한다.

상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 멀티 페르소나를 이용한 속성 데이터 구축 장치로서, 관리자 단말 또는 데이터베이스로부터 임의의 고객 데이터를 수집하는 데이터 수집부; 상기 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 데이터 분석부; 상기 생성된 군집 데이터별로 분석 내용을 추출하여 데이터의 속성을 텍스트로 생성하고, 생성된 텍스트 데이터를 기반으로 임의의 페르소나를 설정하는 페르소나 설정부; 및 상기 설정된 페르소나를 두 개 이상 다중 조합하여 고객 속성 데이터를 생성하되, 인공지능 기반의 생성 모델을 이용하여 상기 페르소나에 대해 분석되는 메타 데이터를 포함하여 고객 속성 데이터를 생성하고, 생성된 고객 속성 데이터를 고객 데이터와 매칭시켜 저장하는 속성 구축부;를 포함한다.

또한, 상기 실시 예에 따른 페르소나는 거주지, 나이, 가족관계, 성향을 포함한 고객 프로파일 정보, 상품 보유 정보, 선호 채널 정보, 고객 행동 정보, 앱 가입 정보, 커머스 상품 구매 정보, 인수 정보 및 지급 정보 중 하나 이상을 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 데이터 분석부는 수집된 고객 데이터를 분석하여 하나 이상의 특성 데이터별로 분류하고, 분류된 특성 데이터를 임의의 조건에 따라 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하는 특성 조합부; 및 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 군집 생성부;를 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 페르소나 설정부는 생성된 군집 데이터별로 키워드를 추출하는 키워드 추출부를 포함하고, 상기 키워드 추출부는 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 생성하고, 생성된 텍스트 데이터를 이용하여 해당 군집 데이터의 페르소나로 설정하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 속성 구축부는 상기 고객 속성 데이터에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 속성 구축부는 하나 이상의 페르소나를 다중 조합하고, 인공지능 모델을 이용하여 이야기 형태의 메타 데이터를 포함한 고객 속성 데이터를 생성하며, 생성된 고객 속성 데이터는 고객 데이터와 매칭시켜 데이터 저장부에 저장되도록 관리하는 페르소나 생성부; 상기 고객 속성 데이터 중에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하되, 상기 페르소나 유형 데이터에 관리자 단말로부터 입력되는 메타 데이터를 포함하여 생성하는 클러스터링부; 및 상기 고객 데이터, 고객 속성 데이터, 페르소나 유형 데이터를 저장하는 데이터 저장부;를 포함하는 것을 특징으로 한다.

또한, 본 발명의 일 실시 예는 멀티 페르소나를 이용한 속성 데이터 구축 방법으로서, a) 데이터 관리부가 관리자 단말 또는 데이터베이스로부터 임의의 고객 데이터를 수집하는 단계; b) 상기 데이터 관리부가 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 단계; c) 상기 데이터 관리부가 생성된 군집 데이터별로 분석 내용을 추출하여 데이터의 속성을 텍스트로 생성하고, 생성된 텍스트 데이터를 기반으로 임의의 페르소나를 설정하는 단계; 및 d) 상기 데이터 관리부가 c) 단계에서 설정된 페르소나를 두 개 이상 다중 조합하여 고객 속성 데이터를 생성하되, 인공지능 기반의 생성 모델을 이용하여 상기 페르소나에 대해 분석되는 메타 데이터를 포함하여 고객 속성 데이터를 생성하고, 생성된 고객 속성 데이터를 고객 데이터와 매칭시켜 저장하는 단계;를 포함한다.

또한, 상기 실시 예에 따른 b) 단계는 b-1) 데이터 관리부가 수집된 고객 데이터를 분석하여 하나 이상의 특성 데이터별로 분류하고, 분류된 특성 데이터를 임의의 조건에 따라 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하는 단계; 및 b-2) 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 단계;를 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 c) 단계는 데이터 관리부가 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 생성하되, 생성된 텍스트 데이터를 이용하여 해당 군집 데이터의 페르소나로 설정하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 속성 데이터 구축 방법은 d-1) 상기 데이터 관리부가 고객 속성 데이터에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하는 단계;를 더 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 페르소나 유형 데이터는 관리자 단말로부터 입력되는 메타 데이터를 포함하여 생성되는 것을 특징으로 한다.

본 발명은 대화형 인공지능 시스템의 프롬프트 엔지니어링 성능 향상을 위해 프롬프트 입력에 대한 최적의 응답을 제공할 수 있는 장점이 있다.

도1은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축장치를 개략적으로 나타낸 블록도.
도2는 도1의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축장치의 구성을 나타낸 블록도.
도3은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 데이터 분석부 구성을 나타낸 블록도.
도4는 도3의 실시 예에 따른 특성 조합부 구성을 나타낸 블록도.
도5는 도3의 실시 예에 따른 군집 생성부 구성을 나타낸 블록도.
도6은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 페르소나 설정부 구성을 나타낸 블록도.
도7은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 고객 속성 구축부 구성을 나타낸 블록도.
도8은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법을 설명하기 위해 나타낸 흐름도.
도9는 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법을 설명하기 위해 고객 정보를 나타낸 예시도.
도10은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법의 페르소나 생성 과정을 설명하기 위해 나타낸 예시도.
도11은 도10의 실시 예에 따른 페르소나 생성 과정을 설명하기 위해 나타낸 다른 예시도.
도12는 도10의 실시 예에 따른 페르소나 생성 과정을 설명하기 위해 나타낸 다른 예시도.
도13은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법의 멀티 페르소나 구축 과정을 설명하기 위해 나타낸 예시도.
도14는 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법에 따른 대화형 인공지능 시스템의 응답 상태를 나타낸 예시도.

이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다.

또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.

또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.

도1은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축장치를 개략적으로 나타낸 블록도이고, 도2는 도1의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축장치의 구성을 나타낸 블록도이며, 도3은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 데이터 분석부 구성을 나타낸 블록도이고, 도4는 도3의 실시 예에 따른 특성 조합부 구성을 나타낸 블록도이며, 도5는 도3의 실시 예에 따른 군집 생성부 구성을 나타낸 블록도이고, 도6은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 페르소나 설정부 구성을 나타낸 블록도이며, 도7은 도2의 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치의 고객 속성 구축부 구성을 나타낸 블록도이다.

도1 내지 도7을 참조하면, 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 장치는 데이터 관리부(100)와, 관리자 단말(1000)과, 데이터 베이스(2000)를 포함하여 구성될 수 있다.

데이터 관리부(100)는 데이터 수집부(110)와, 데이터 분석부(120)와, 페르소나 설정부(130)와, 속성 구축부(140)를 포함하여 구성될 수 있고, 바람직하게는 서버 시스템으로 구성될 수 있다.

데이터 수집부(110)는 관리자 단말(1000) 또는 데이터베이스(2000)로부터 고객 데이터를 수집한다.

여기서, 고객 데이터는 고객명, 주소, 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급, 가입된 보험 상품 정보, 금융 정보, 커머스에서 구입한 상품 구매 정보, 카드사의 승인내역 정보 등을 포함할 수 있고, 테이블 형태의 데이터로 구성될 수도 있다.

데이터 분석부(120)는 데이터 수집부(110)에서 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 구성으로서, 특성 조합부(121)와 군집 생성부(122)를 포함하여 구성될 수 있다.

특성 조합부(121)는 수집된 고객 데이터를 분석하여 하나 이상의 특성 데이터별로 분류할 수 있다.

즉, 특성 조합부(121)는 고객 데이터를 분석하여 고객명, 주소, 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급, 가입된 보험 상품 정보, 금융 정보, 커머스에서 구입한 상품 구매 정보, 카드사의 승인내역 정보 등의 특성 데이터별로 분류할 수 있다.

또한, 특성 조합부(121)는 분류된 특성 데이터를 임의의 조합 조건, 예를 들면 거주지, 나이, 가족관계, 주거환경(아파트, 빌라 등) 등을 조합한 특성 조합 1(121a)을 구성할 수 있다.

또한, 특성 조합부(121)는 분류된 특성 데이터를 예를 들면, 직장, 소득, 상품보유 정보 등을 조합한 특성 조합 2(121b) 내지 임의의 조합 조건에 따라 다양한 특성 조합 n(121n)을 구성할 수도 있다.

군집 생성부(122)는 특성 조합부(121)에서 구성된 복수의 특성 조합별로 임의의 조건, 예를 들면, 거주지, 나이, 주거환경에 따른 클러스터링을 통해 복수의 군집 데이터를 생성할 수 있다.

즉, 군집 생성부(122)는 구성된 특성 조합 1(121a)에서 거주지, 나이, 주거환경별로 특성 데이터를 임베딩하여 벡터화하고, 벡터화된 특성 데이터는 각 벡터의 위치 좌표값에 기반한 K-평균 군집화를 통해 예를 들면, '관악구 신림동 20대 군집, 빌라'와 같은 클러스터 1(122a), '강남구 압구정동 50대 군집, 아파트'와 같은 클러스터 2(122b) 내지 '강남구 역삼동 30대 군집, 오피스텔'과 같은 클러스터 n(122n) 등의 군집 데이터를 생성할 수 있다.

또한, 직장, 소득, 상품보유 정보 등을 조합한 특성 조합 2(121b)의 경우, 군집 생성부(122')는 '사업자, 매출액 월 1000만원, 종합보험'과 같은 클러스터 a(122'a), '대기업, 월 800만원, 실손보험'과 같은 클러스터 b(122'b) 등의 군집 데이터를 생성할 수도 있다.

페르소나 설정부(130)는 데이터 분석부(120)에서 생성된 군집 데이터별로 속성과 특징을 추출하여 상기 특징에 대응한 군집 데이터의 속성을 텍스트 데이터로 추출하고, 추출된 텍스트 데이터를 기반으로 임의의 페르소나(Persona)를 설정할 수 있다.

또한, 생성된 군집 데이터, 즉 클러스터 1 내지 클러스터 n(122a, 122b 내지 122n), 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)별로 특성이 있으므로 페르소나 설정부(130)는, 특성에 따른 군집 데이터의 키워드를 추출하는 키워드 추출부(131)를 포함하여 구성될 수 있다.

키워드 추출부(131)는 GPT(Generative Pre-trained Transformer) 등을 통해 군집 데이터를 분석하여 데이터 임베딩(Embedding)을 통해 키워드를 추출할 수 있다.

또한, 키워드 추출부(131)는 클러스터 1 내지 클러스터 n(122a, 122b 내지 122n), 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)별로 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 추출할 수 있다.

즉, 키워드 추출부(131)는 인공지능 기반의 생성 모델을 이용하여 키워드에 대응하는 텍스트 데이터 예를 들면, 클러스터 1(122a)의 키워드에 따라 '#20대 자취지역, #신림동, #빌라원룸'과 같은 텍스트 데이터를 생성하여 클러스터 1 속성부(132)로 추출하거나, 클러스터 2(122b)의 키워드에 따라 '#부촌, #압구정동, #대형 아파트'와 같은 텍스트 데이터를 생성하여 클러스터 2 속성부(133)로 추출할 수 있다.

또한, 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)의 키워드에 따라 '#사업자, #고소득, #자영업자, #종합보험'과 같은 텍스트 데이터를 생성하여 클러스터 a 속성부(135)를 추출하거나, '#대기업, #고소득, #실손보험'과 같은 텍스트 데이터를 생성하여 클러스트 b 속성부(136)를 추출할 수도 있다.

또한, 키워드 추출부(131)는 추출된 텍스트 데이터를 이용하여 해당 군집 데이터의 페르소나로 설정할 수 있다.

여기서 페르소나는 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급 등의 고객 프로파일 관련 정보와, 생명보험, 상해보험, 변액보험, 자동차보험 등의 보험 상품 보유 정보와, 거래은행, 보유 카드 등의 금융 정보와, 커머스에서 구입한 상품 구매 정보와, 카드사의 승인내역에 따른 소비 매장, 소비 지역, 소비 시간, 소비 상품 등의 관심 정보와, 입출금 통장의 적요 정보와, 앱 가입 정보, 콜센터 실효 문의, 대면 가입 정보와, 고혈압, 당뇨 등의 질병 정보와, 입원/수술 이력 정보 등을 포함한 보험 인수 정보와, 보험 조사 이력, 보험금 지급 등의 보상 지급 정보 등을 포함할 수 있다.

즉, 페르소나는 키워드를 통해 추출한 텍스트 데이터에 개별 페르소나를 설정, 예를 들어, 고객의 프로파일과 관련된 키워드가 추출되면 추출된 키워드를 기반으로 '거주지', '나이', 가족관계' 등을 페르소나로 설정하거나 또는 보유한 보험 상품과 관련된 키워드가 추출되면 추출된 키워드를 기반으로 '종합보험', 실손보험', '생명보험', '운전자 상해보험', '자동차 보험'등을 페르소나로 설정할 수 있다.

속성 구축부(140)는 페르소나 설정부(130)에서 설정된 적어도 두 개 이상의 페르소나를 다중 조합하여 고객 속성 데이터를 생성하는 구성으로서, 페르소나 생성부(141)와, 클러스터링부(142)와, 데이터 저장부(143)를 포함하여 구성될 수 있다.

페르소나 생성부(141)는, 적어도 두 개 이상의 페르소나를 다중 조합하고, 인공지능 기반의 생성 모델을 이용하여, 다중 조합되는 페르소나에 대해 분석한 메타 데이터를 포함시켜 고객 속성 데이터를 생성할 수 있다.

또한, 페르소나 생성부(141)는 생성되는 고객 속성 데이터를 이야기(Story) 형태의 대화형 포맷으로 구성하여 제공할 수 있다.

여기서, 인공지능 기반의 생성 모델은 페르소나에 대응한 메타 데이터를 만들도록 훈련된 자연 언어 처리 모델일 수 있다.

또한, 인공지능 기반의 생성 모델은 머신 러닝중에서 딥러닝(Deep learning)이라는 방법을 통해 만들어진 분석 모델들의 종류라고 볼 수 있다.

따라서, 인공지능 기반의 생성 모델은 딥러닝 모델 또는 딥러닝 분석 모델의 표현으로 사용될 수도 있다.

또한, 머신 러닝은 복잡한 시스템이 명시적으로 프로그래밍되지 않고서, 경험으로부터 자동으로 학습하고 개선할 수 있게 하는 인공 지능의 응용이다.

또한, 머신 러닝 모델들의 정확도 및 유효성은 그들 모델들을 훈련시키는 데 사용되는 데이터에 부분적으로 의존할 수 있다.

또한, 페르소나 생성부(141)는 페르소나 설정부(130)에서 설정된 페르소나를 해당 고객의 속성을 나타내는 '고객 DNA' 중 하나로 정의하고, 해당 고객과 관련하여 정의된 수천 또는 수만개의 다양한 고객 DNA가 다양한 조합을 통해 고객 속성 데이터로 구성할 수 있다.

또한, 페르소나 생성부(141)는 페르소나 설정부(130)에서 획득한 텍스트 데이터에 기반하여 인공지능 기반의 생성 모델을 통해 페르소나에 대응한 메타 데이터를 생성하고, 생성된 메타 데이터와 고객 속성 데이터를 개별 고객 데이터와 매칭시켜 데이터 저장부(143)에 저장할 수 있다.

예를 들면, 'AAA 고객의 고객 DNA 이야기'와 관련하여, "이 집단은 20대의 사회 초년생, 자취생, 1인 가구로 이루어진 고객 군입니다. 이들은 평소에 자주 소액 거래를 하며, 실비 보험을 선호하고, 여러 개의 입출금통장을 보유하고 있는 경우도 많습니다. 이러한 고객 군은 청년층 중 한 층을 이루며, 최근에는 저축은행이나 소비자 금융 기업 등에서 주목을 받으며, 다양한 금융 상품과 서비스를 제공받는 중입니다."와 같은 고객 DNA를 생성하여 저장할 수 있도록 한다.

클러스터링부(142)는 고객 속성 데이터에서 하나 이상의 페르소나를 조건별로 클러스터링하여 페르소나 유형 데이터를 생성할 수도 있다.

즉, 클러스터링부(142)는 관리자 단말(1000)로부터 페르소나 유형 설정과 관련된 데이터가 입력되면, 관리자 단말(1000)에서 입력되는 페르소나 유형, 예를 들면, '거주지'와 관련된 페르소나 유형이 입력되면, 입력된 페르소나 유형에 대응하는 고객 속성 데이터를 매칭시켜 클러스터링할 수 있다.

또한, 클러스터링부(142)는 클러스터링을 통해 생성되는 페르소나 유형 데이터에 대한 정의 또는 설명을 위한 메타 데이터를 관리자 단말(1000)로부터 입력받아 반영한 후 데이터 저장부(143)에 저장할 수 있다.

데이터 저장부(143)는 고객 데이터, 고객 속성 데이터, 고객 DNA 이야기 데이터, 페르소나 유형 데이터 등을 저장하는 구성으로서, 데이터베이스로 구성될 수 있다.

관리자 단말(1000)은 데이터 관리부(100)에 접속하여 고객별 고객 속성 데이터를 기반으로 페르소나 유형 데이터를 설정하고, 설정된 페르소나 유형 데이터가 저장 및 관리되도록 하는 구성으로서, 데스크탑 PC, 노트북 PC, 태블릿 PC, 애플리케이션 프로그램의 설치가 가능한 모바일 단말기로 구성될 수 있다.

또한, 관리자 단말(100)은 데이터 관리부(100)가 고객 속성 데이터를 구축할 수 있도록 일정 포맷의 고객 데이터를 제공할 수도 있다.

데이터베이스(2000)는 데이터 관리부(100)와 네트워크를 통해 연결될 수 있고, 데이터 관리부(100)가 고객 속성 데이터를 구축할 수 있도록 일정 포맷의 고객 데이터를 제공할 수 있다.

다음은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법을 설명한다.

도8은 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법을 설명하기 위해 나타낸 흐름도이고, 도9는 본 발명의 일 실시 예에 따른 멀티 페르소나를 이용한 속성 데이터 구축 방법을 설명하기 위해 고객 정보를 나타낸 예시도이다.

도1 내지 도9를 참조하면, 본 발명의 일 실시 예에 따른 데이터 관리부(100)는 관리자 단말(1000) 또는 데이터베이스(2000)로부터 고객 데이터를 수집(S100)한다.

S100 단계에서 수집되는 고객 데이터는 고객명, 주소, 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급, 가입된 보험 상품 정보, 금융 정보, 커머스에서 구입한 상품 구매 정보, 카드사의 승인내역 정보 등을 포함할 수 있다.

또한, S100 단계에서 수집되는 고객 데이터는 도10과 같이, 고객의 거주지, 나이, 성별, 가족관계, 직장 정보, 요구사항, 관심분야, 가입된 보험 상품 등과 관련된 정보가 문자열에 기반하여 일정 포맷으로 구성되어 제공될 수도 있다.

또한, 데이터 관리부(100)는 S100 단계에서 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성(S200)할 수 있다.

즉, S200 단계에서 데이터 관리부(100)는 고객 데이터를 분석하여 고객명, 주소, 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급, 가입된 보험 상품 정보, 금융 정보, 커머스에서 구입한 상품 구매 정보, 카드사의 승인내역 정보 등의 특성 데이터별로 분류할 수 있다.

또한, S200 단계에서 데이터 관리부(100)는 분류된 특성 데이터를 임의의 조건에 따라 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하는 단계를 수행할 수 있다.

또한, 데이터 관리부(100)는 구성된 특성 조합별로 임의의 조건에 따른 클러스터링을 통해 복수의 군집 데이터를 생성하는 단계를 수행할 수 있다.

계속해서, 데이터 관리부(100)는 S200 단계에서 생성된 군집 데이터별로 키워드를 추출하여 상기 키워드에 대응한 군집 데이터의 속성을 텍스트 데이터로 추출하고, 추출된 텍스트 데이터를 기반으로 임의의 페르소나를 설정(S300)할 수 있다.

S300 단계에서, 데이터 관리부(100)는 생성된 군집 데이터, 즉 클러스터 1 내지 클러스터 n(122a, 122b 내지 122n), 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)별로 특성이 있으므로 페르소나 설정부(130)는, 특성에 따른 군집 데이터의 키워드를 추출할 수 있다.

여기서, 키워드는 GPT(Generative Pre-trained Transformer) 등을 통해 군집 데이터를 분석하여 데이터 임베딩(Embedding)을 통해 키워드를 추출할 수 있다.

또한, 데이터 관리부(100)는 클러스터 1 내지 클러스터 n(122a, 122b 내지 122n), 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)별로 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 추출할 수 있다.

예를 들면, 데이터 관리부(100)는 인공지능 기반의 생성 모델을 이용하여 클러스터 1(122a)의 '#20대 자취지역, #신림동, #빌라원룸'과 같은 텍스트 데이터를 생성하여 클러스터 1 속성부(132)로 추출하거나, 클러스터 2(122b)의 '#부촌, #압구정동, #대형 아파트'와 같은 텍스트 데이터를 생성하여 클러스터 2 속성부(133)로 추출할 수 있다.

또한, 데이터 관리부(100)는 클러스터 a 내지 클러스터 m(122'a, 122'b 내지 122'n)의 키워드에 따라 '#사업자, #고소득, #자영업자, #종합보험'과 같은 텍스트 데이터를 생성하여 클러스터 a 속성부(135)를 추출하거나, '#대기업, #고소득, #실손보험'과 같은 텍스트 데이터를 생성하여 클러스터 b 속성부(136)로 추출할 수도 있다.

또한, 데이터 관리부(100)는 추출된 텍스트 데이터를 기반으로 임의의 페르소나(Persona)를 설정할 수 있다.

여기서, 페르소나는 키워드를 통해 추출한 단어에 개별 페르소나를 설정, 예를 들어, 고객의 프로파일과 관련된 키워드가 추출되면 추출된 키워드를 기반으로 '거주지', '나이', 가족관계' 등을 페르소나로 설정하거나 또는 보유한 보험 상품과 관련된 키워드가 추출되면 추출된 키워드를 기반으로 '생명보험', '운전자 상해보험', '자동차 보험'등을 페르소나로 설정할 수 있다.

또한, 페르소나는 거주지, 나이, 가족관계, 직장 이름, 직장 위치, 직급 등의 고객 프로파일 관련 정보와, 생명보험, 상해보험, 변액보험, 자동차보험 등의 보험 상품 보유 정보와, 거래은행, 보유 카드 등의 금융 정보와, 커머스에서 구입한 상품 구매 정보와, 카드사의 승인내역에 따른 소비 매장, 소비 지역, 소비 시간, 소비 상품 등의 관심 정보와, 입출금 통장의 적요 정보와, 앱 가입 정보, 콜센터 실효 문의, 대면 가입 정보와, 고혈압, 당뇨 등의 질병 정보와, 입원/수술 이력 정보 등을 포함한 보험 인수 정보와, 보험 조사 이력, 보험금 지급 등의 보상 지급 정보 등을 포함할 수 있다.

계속해서, 데이터 관리부(100)는 S300 단계에서 설정된 복수의 페르소나를 다양하게 다중 조합하여 인공지능 기반의 생성 모델을 통해 다중 조합되는 페르소나에 대해 분석한 메타 데이터를 포함시켜 고객 속성 데이터를 생성(S400)할 수 있다.

또한, S400 단계에서 데이터 관리부(100)는 S300 단계에서 설정된 복수개의 페르소나를 다양하게 다중 조합하고, 페르소나에 대응한 메타 데이터를 만들도록 훈련된 자연 언어 처리 모델인 인공지능 기반의 생성 모델을 이용하여 이야기(Story) 형태의 대화형 포맷으로 메타 데이터를 포함한 고객 속성 데이터로 생성할 수 있다.

이야기 형태의 메타 데이터는 학습을 통해 생성되는 임의의 데이터일 수 있고, 도9에 포함된 고객 데이터 중에서 다수의 페르소나와 관련된 문자열을 메타 데이터로 재구성할 수도 있다.

또한, S400 단계에서 데이터 관리부(100)는 설정된 페르소나를 해당 고객의 속성을 나타내는 '고객 DNA' 중 하나로 정의하고, 고객과 관련하여 정의된 수천 또는 수만개의 다양한 고객 DNA를 다양하게 조합하여 고객 속성 데이터로 구성할 수 있다.

또한, S400 단게에서 데이터 관리부(100)는 구축된 고객 속성 데이터에서 하나 이상의 페르소나를 조건별로 클러스터링하여 페르소나 유형 데이터를 생성할 수도 있다.

이를 더욱 상세하게 설명하면, 도1, 도10 내지 도12를 참조하면, 데이터 관리부(100)는 관리자 단말(1000)로부터 입력되는 페르소나 유형 데이터, 예를 들면, '거주지'와 관련된 페르소나 유형이 입력되면, 입력된 페르소나 유형에 대응하는 고객 속성 데이터를 매칭시켜 클러스터링하고, 클러스터링된 결과를 GIS 시스템의 지도맵과 연동하여 거주지 페르소나 설정 화면(300)을 통해 해당 거주지 영역과 매칭시켜 출력할 수 있다.

또한, 클러스터링을 통해 생성된 페르소나 유형에 대한 이름과 설명 데이터를 포함한 페르소나 설정 데이터(310)는 관리자 단말(1000)을 통해 입력받아 저장되도록 한다.

즉, 생성된 거주지 페르소나에 대하여 '강남구 역삼1동'과 같은 행정동으로 페르소나 명칭을 부여하고, 해당 페르소나 유형에 대한 간단한 설명, 예를 들면, '30 중심 자취촌' 등과 같이 해당 페르소나 유형에 대한 데이터를 확인할 수 있도록 메타 데이터로 설정할 수 있다.

또한, 데이터 관리부(100)는 클러스터링을 통해 생성된 거주지 페르소나 유형에 대하여 관리자 단말(1000)로부터 입력되는 더욱 구체적인 페르소나 상세 데이터(320, 321)를 메타 데이터로 반영하여 해당 페르소나 유형 데이터를 구축하고, 거주지 페르소나 화면(400)과 같이 다양한 조합의 고객 속성 데이터가 반영된 거주지 기반의 페르소나 데이터를 제공할 수 있다.

계속해서, 데이터 관리부(100)는 S400 단계에서 생성된 메타 데이터와 고객 속성 데이터를 개별 고객 데이터와 매칭시켜 저장할 수 있다.

즉, 도13과 같이 고객 속성 데이터(500)에 대하여 페르소나 유형(510, 520, 530, 540, 550)과, 개별 페르소나(511, 521, 531, 541, 551)를 각 고객 데이터와 매칭시켜 저장되도록 한다.

또한, 데이터 관리부(100)는 클러스터링을 통해 생성되는 페르소나 유형 데이터를 생성된 페르소나 유형에 따라 저장할 수도 있다.

따라서, 데이터 관리부(100)는 임의의 프롬프트 데이터(Prompt data)가 입력되면, 도14와 같이 생성 AI(600)가 프롬프트 데이터에 기반하여 올바른 답변을 제공할 수 있도록 구축된 고객 속성 데이터를 기반으로 생성 AI(600)가 조합할 수 있는 다양한 고객별 페르소나를 이용하고, 이를 통해 더욱 정확한 응답 메시지(700)가 생성될 수 있도록 한다.

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.

또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다.

또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.

100 : 데이터 관리부 110 : 데이터 수집부
120 : 데이터 분석부 121 : 특성 조합부
122 : 군집 생성부 130 : 페르소나 설정부
140 : 속성 구축부 141 : 페르소나 생성부
142 : 클러스터링부 143 : 데이터 저장부
200 : 속성 데이터 화면 300 : 거주지 페르소나 설정화면
310 : 페르소나 설정 데이터 320, 321 : 페르소나 상세 데이터
400 : 거주지 페르소나 화면 500 : 고객 속성 데이터
510 : 페르소나 유형 1 511 : 페르소나 1
520 : 페르소나 유형 2 521 : 페르소나 2
530 : 페르소나 유형 3 531 : 페르소나 3
540 : 페르소나 유형 4 541 : 페르소나 4
550 : 페르소나 유형 5 551 : 페르소나 5
600 : 생성 AI 700 : 응답 메시지
1000 : 관리자 단말 2000 : 데이터베이스

Claims

관리자 단말(1000) 또는 데이터베이스(2000)로부터 임의의 고객 데이터를 수집하는 데이터 수집부(110);
상기 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 복수의 특성 조합별로 특성 데이터를 임베딩하여 벡터화된 특성 데이터의 벡터 위치 좌표값에 기반한 클러스터링을 통해 복수의 군집 데이터를 생성하는 데이터 분석부(120);
인공지능 기반의 생성 모델을 이용하여 상기 생성된 복수의 군집 데이터별로 특성에 따른 군집 데이터의 키워드를 추출하고, 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 추출하며, 추출된 텍스트 데이터를 해당 군집 데이터의 페르소나로 설정하는 페르소나 설정부(130); 및
상기 설정된 페르소나를 두 개 이상 다중 조합하여 고객 속성 데이터를 생성하되, 인공지능 기반의 생성 모델을 이용하여 상기 다중 조합되는 페르소나에 대응하는 메타 데이터를 생성하고, 생성된 메타 데이터를 포함하여 대화형 포맷으로 구성된 고객 속성 데이터를 생성하며, 생성된 메타 데이터 및 고객 속성 데이터를 상기 고객 데이터와 매칭시켜 저장하는 속성 구축부(140);를 포함하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
제 1 항에 있어서,
상기 페르소나는 거주지, 나이, 가족관계, 성향을 포함한 고객 프로파일 정보, 상품 보유 정보, 선호 채널 정보, 고객 행동 정보, 앱 가입 정보, 커머스 상품 구매 정보, 인수 정보 및 지급 정보 중 하나 이상을 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
제 2 항에 있어서,
상기 데이터 분석부(120)는 수집된 고객 데이터를 분석하여 하나 이상의 특성 데이터별로 분류하고, 분류된 특성 데이터를 임의의 조건에 따라 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하는 특성 조합부(121); 및
상기 구성된 복수의 특성 조합별로 특성 데이터를 임베딩하여 벡터화된 특성 데이터의 벡터 위치 좌표값에 기반한 클러스터링을 통해 복수의 군집 데이터를 생성하는 군집 생성부(122);를 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
제 2 항에 있어서,
상기 페르소나 설정부(130)는 생성된 군집 데이터별로 키워드를 추출하는 키워드 추출부(131)를 포함하고,
상기 키워드 추출부(131)는 인공지능 기반의 생성 모델을 이용하여 상기 생성된 복수의 군집 데이터별로 특성에 따른 군집 데이터의 키워드를 추출하고, 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 추출하며, 추출된 텍스트 데이터를 해당 군집 데이터의 페르소나로 설정하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
제 2 항에 있어서,
상기 속성 구축부(140)는 상기 고객 속성 데이터에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
제 2 항에 있어서,
상기 속성 구축부(140)는 설정된 페르소나를 두 개 이상 다중 조합하여 고객 속성 데이터를 생성하되, 인공지능 기반의 생성 모델을 이용하여 상기 다중 조합되는 페르소나에 대응하는 메타 데이터를 생성하고, 생성된 메타 데이터를 포함하여 대화형 포맷으로 구성된 고객 속성 데이터를 생성하며, 생성된 메타 데이터 및 고객 속성 데이터를 상기 고객 데이터와 매칭시켜 데이터 저장부(142)에 저장되도록 관리하는 페르소나 생성부(141);
상기 고객 속성 데이터 중에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하되,
상기 페르소나 유형 데이터에 관리자 단말(1000)로부터 입력되는 메타 데이터를 포함하여 생성하는 클러스터링부(142); 및
상기 고객 데이터, 고객 속성 데이터, 페르소나 유형 데이터를 저장하는 데이터 저장부(143);를 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 장치.
a) 데이터 관리부(100)가 관리자 단말(1000) 또는 데이터베이스(2000)로부터 임의의 고객 데이터를 수집하는 단계;
b) 상기 데이터 관리부(100)가 수집된 고객 데이터를 분석하여 하나 이상의 특성(feature) 데이터별로 분류하고, 분류된 특성 데이터를 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하며, 상기 구성된 복수의 특성 조합별로 특성 데이터를 임베딩하여 벡터화된 특성 데이터의 벡터 위치 좌표값에 기반한 클러스터링을 통해 복수의 군집 데이터를 생성하는 단계;
c) 상기 데이터 관리부(100)가 인공지능 기반의 생성 모델을 이용하여 상기 생성된 복수의 군집 데이터별로 특성에 따른 군집 데이터의 키워드를 추출하고, 추출된 키워드에 대응하는 군집 데이터의 클러스터링 속성을 텍스트 데이터로 추출하며, 추출된 텍스트 데이터를 해당 군집 데이터의 페르소나로 설정하는 단계; 및
d) 상기 데이터 관리부(100)가 c) 단계에서 설정된 페르소나를 두 개 이상 다중 조합하여 고객 속성 데이터를 생성하되, 인공지능 기반의 생성 모델을 이용하여 상기 다중 조합되는 페르소나에 대응하는 메타 데이터를 생성하고, 생성된 메타 데이터를 포함하여 대화형 포맷으로 구성된 고객 속성 데이터를 생성하며, 생성된 메타 데이터 및 고객 속성 데이터를 상기 고객 데이터와 매칭시켜 저장하는 단계;를 포함하는 멀티 페르소나를 이용한 속성 데이터 구축 방법.
제 7 항에 있어서,
상기 페르소나는 거주지, 나이, 가족관계, 성향을 포함한 고객 프로파일 정보, 상품 보유 정보, 선호 채널 정보, 고객 행동 정보, 앱 가입 정보, 커머스 상품 구매 정보, 인수 정보 및 지급 정보 중 하나 이상을 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 방법.
제 8 항에 있어서,
상기 b) 단계는 b-1) 데이터 관리부(100)가 수집된 고객 데이터를 분석하여 하나 이상의 특성 데이터별로 분류하고, 분류된 특성 데이터를 임의의 조건에 따라 적어도 하나 이상 조합하여 복수의 특성 조합을 구성하는 단계; 및
b-2) 상기 구성된 복수의 특성 조합별로 특성 데이터를 임베딩하여 벡터화된 특성 데이터의 벡터 위치 좌표값에 기반한 클러스터링을 통해 복수의 군집 데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 방법.
삭제
제 8 항에 있어서,
상기 속성 데이터 구축 방법은 d-1) 상기 데이터 관리부(100)가 고객 속성 데이터에서 하나 이상의 페르소나를 임의의 조건별로 클러스터링하여 페르소나 유형 데이터를 생성하는 단계;를 더 포함하는 것을 특징으로 하는 멀티 페르소나를 이용한 속성 데이터 구축 방법.
삭제