자연어처리 · NLP

자연어처리란?

NLP가 실제로 바꾸는 것은 '사람이 읽어야만 처리되던 일'의 처리 단위입니다. 상담 녹취 3만 건, 계약서 2천 장, 매일 쌓이는 VOC는 누군가 눈으로 훑기 전에는 아무 값도 갖지 못하는 덩어리였습니다. 여기에 NLP를 붙이면 그 덩어리가 분류·검색·집계가 가능한 데이터로 바뀝니다. 그래서 도입 효과는 '답변을 그럴듯하게 쓴다'보다, 메일함과 상담 이력에 묻혀 있던 문장이 주간 리포트의 한 줄로 올라온다는 쪽에서 먼저 체감됩니다.

예산을 잡을 때는 이해(NLU) 과제와 생성(NLG) 과제를 나눠 보는 편이 유리합니다. 문의 분류, 감정 판정, 개체명 추출처럼 정답이 있는 이해 과제는 비교적 작은 모델로도 되고 정확도를 숫자로 검수할 수 있습니다. 반면 요약·초안 작성 같은 생성 과제는 정답이 하나가 아니라 사람 검토 공정이 끝까지 남습니다. 한국어는 조사와 어미가 붙는 교착어라 '환불이', '환불을', '환불해 주세요'를 한 묶음으로 보게 만드는 처리가 필요하고, 사내 용어·약어 사전을 붙이지 않으면 같은 모델도 성능이 뚝 떨어집니다. 사내 문서를 근거로 답하게 하는 RAG는 NLP의 대체재가 아니라 검색 단계가 NLP 품질 위에 얹히는 구조라는 점도 구분해야 합니다.

현장에서 가장 자주 어긋나는 지점은 정확도 숫자를 액면 그대로 믿는 태도입니다. 정확도 92%는 월 문의 1만 건 기준 800건이 엉뚱한 부서로 흘러간다는 뜻이고, 그 안에 환불·클레임이 섞이면 응답 지연이 그대로 민원과 해지로 이어집니다. '대형 모델을 쓰니 라벨링은 필요 없다'는 말도 절반만 맞습니다. 검수용 정답 데이터가 없으면 모델을 교체했을 때 좋아졌는지 나빠졌는지 판단할 근거 자체가 사라집니다. 오분류를 사람에게 넘기는 예외 창구를 먼저 만들고 자동화 비율을 단계적으로 올리는 순서가 안전합니다.