自然言語処理 · NLP
Natural Language Processing
自然言語処理とは?
- 人間の言語をコンピューターが扱う分野
- 翻訳・要約・チャットボットの基盤
- 言語業務自動化のカギ
NLPが実際に変えるのは'人が読まなければ処理できなかった仕事'の処理単位です。相談の音声記録3万件、契約書2千枚、毎日蓄積されるVOCは、誰かが目で追うまでは何の価値も持たない塊でした。ここにNLPを組み合わせると、その塊が分類・検索・集計が可能なデータに変わります。ですから導入効果は「回答をもっともらしく書ける」よりも、メールボックスや相談履歴に埋もれていた文章が週次レポートの一行として上がってくるという点で、まず実感されます。
予算を組む際は、理解(NLU)タスクと生成(NLG)タスクを分けて考えると有利です。問い合わせの分類、感情判定、固有表現抽出のように正解が決まっている理解タスクは、比較的小さなモデルでも可能で、精度を数値で検証できます。一方、要約や草稿作成のような生成タスクは正解が一つではないため、人によるレビュー工程が最後まで残ります。韓国語は助詞や語尾が付く膠着語なので、「返金が」「返金を」「返金してください」を一つにまとめて扱う処理が必要です。また、社内用語・略語辞書を組み込まないと、同じモデルでも性能が大きく落ちます。社内文書を根拠に回答させるRAGは、NLPの代替ではなく、検索段階がNLPの品質の上に乗る構造だという点も区別すべきです。
現場で最もずれやすいのは、精度の数字を額面どおりに信じる姿勢です。精度92%は月1万件の問い合わせでは800件が見当違いの部署に流れることを意味し、その中に返金・クレームが混じれば、応答の遅れがそのまま苦情と解約につながります。「大型モデルを使えばラベリングは要らない」という言葉も半分しか正しくありません。検収用の正解データがなければ、モデルを入れ替えたときに良くなったのか悪くなったのかを判断する根拠そのものがなくなります。誤分類を人に回す例外窓口を先に作り、自動化の比率を段階的に上げる順序が安全です。
1950年代の機械翻訳研究に端を発する歴史の長い分野で、ルールベース→統計ベース→ディープラーニング(トランスフォーマー)の順に発展してきました。大規模言語モデルの登場によって、飛躍的な成果を上げています。
仮想の事例で見てみましょう。首都圏の家電レンタル会社A社は、役職員480名に対して相談スタッフ32名で、月12,000件のお客様からの問い合わせを受けています。このうち、KakaoTalkとメールの5,000件を相談員が目で読み、手作業で分類していたため、最初の返信まで平均14分かかっていました。さらに、誤った部署に回された後に差し戻される再振り分けが週210件発生していました。4か月の日程で、NLPによる分類・要約を導入しました。
- カスタマーサービス担当のキム・チーム長が、直近3か月の問い合わせ5,200件を開き、「設置遅延・料金問い合わせ・解約」など14種類にラベルを付けました。その前に「相談員が実際に使う言葉で分類名をつけよう」という原則を明確にしました。
- 外部モデルに社内の略語辞書300件を組み込んで試験的に分類を実施したところ、精度は78%にとどまり、'設置遅延'と'解約'が混同され続けました。両タイプの例文400件を追加投入したことで、89%まで引き上げました。
- カカオトークやメールの問い合わせに自動分類と3行要約を付けて、相談画面の一番上に表示したところ、この担当者は"過去の履歴を最初から読み直す時間がなくなった"と話しました。
- 確信度0.8未満の案件は自動割り当てせず、シニアの相談員2名が直接確認する待ち行列に回したところ、1日平均60件がこの窓口に振り分けられ、誤割り当てが目に見えて減りました。
- 4か月後、初回応答時間が平均14分から5分に短縮され、再振り分けは週210件から48件に減少しました。また、分類・要約に使っていた月320時間が、相談品質の改善業務へと振り替えられました。
金鍾赫(キム・ジョンヒョク)
パク・ソリョン