AI·빅데이터·IoT 등 데이터 지능에 접목된 ‘머신러닝’

[산업일보]
4차 산업혁명 기술의 근간이 되는 데이터는 기존 수동으로 작업하던 업무들을 자동화시키는데 크게 기여했다. 데이터의 활용은 이러한 업무혁신 뿐만 아니라 소비자에게 제공되는 서비스의 질을 향상시키는데 많은 부분 일조하고 있다.

20일 과학기술정보통신부 주최, 한국데이터진흥원의 주관으로 서울드래곤시티 그랜드볼룸에서 열린 ‘데이터 그랜드 컨퍼런스’에서도 IT 관련 전문가들이 모여 데이터를 기반으로 한 혁신성장 구현 방안이 논의됐다.

오후 세션은 ‘데이터 지능(빅데이터, AI, IoT)’와 ‘데이터 혁신(품질, 블록체인)’의 두 가지 버전으로 이뤄졌다.


‘데이터 지능’ 세션에서 ‘머신러닝을 적용한 통신사업자의 업무혁신!’이라는 주제로 발표한 Kt NexR 김광일 책임은 “다양한 통신 요금제/서비스/할인 정책 등의 증가로 빌링(전자결제시스템) 프로세스는 복잡해졌다”며 “머신러닝 기반 청구오류 예측 모형의 개발을 통해 다양한 청구오류 패턴 발굴 및 QA(품질검수) 업무의 효율성 향상을 기대할 수 있다”고 설명했다.

김광일 책임은 “머신러닝 모형 개발은 과거 통신 요금 청구 데이터를 기반으로 머신러닝 기법을 활용해 청구 오류의 패턴을 찾아 향후 발생할 청구 오류 대상을 식별하는 것에 그 목적이 있다”며 “다양한 머신러닝 알고리즘을 활용해 성능과 안정성을 기준으로 후보 알고리즘을 추출한 후 파라미터 최적화를 통해 모형의 예측력을 산출해서 최종 모형을 선정했다”고 전했다.

기존의 빌링 청구오류 탐지는 개별 시스템에 대한 기초 통계 기반 분석과 서비스 변경 이력에 대한 개별 히스토리의 분석만 가능했으며, 담당자의 판단에 의해 청구오류 의심 건을 수동으로 검출했기 때문에 정확도가 떨어졌다.

반면 ‘머신러닝 기반 빌링 청구오류 탐지’의 경우 기존 시스템보다 분석 항목이 늘어났을 뿐만 아니라 업무수행행위 연관된 모든 시스템에 대한 고급 분석과 데이터 통합 분석 및 업무 프로세스 연관성 분석이 가능해졌다. 무엇보다 청구오류 의심 건을 자동으로 도출할 수 있게 됐다.

김 책임은 “머신러닝 기반 빌링 시스템은 QA(품질검수)의 업무 효율성을 증가시켰다”며 “기존 QA팀 대비 60% 이상 탐지율 상승과, 관련 업무 프로세스의 개선 및 사전 이상청구 방지를 통해 고객 불만 감소에 기여했다”고 말했다.

그는 “머신러닝 기반 청구오류 예측 모형 개발 시 고려해야 할 점이 있다”며 “빌링 프로세스는 매우 복잡성이 높다. 그래서 주기적으로 관리 및 업데이트를 통해 정리해 놓는 것이 중요하고, 오류 유형 데이터가 부족한 경우 모형이 지나치게 단순화 될 가능성이 높기 때문에 장기간 다양한 오류 유형의 확보가 중요하다”고 조언했다.