하지만 이 프로세스를 시작하려면 예측 기계 학습 모델을 학습시키기 위해 데이터에 레이블을 추가해야 합니다. 이전에 T-Mobile에서는 데이터 사이언티스트 팀이 수동 레이블 지정을 담당하였습니다. 이 작업은 반드시 필요했지만 번거롭고 시간이 많이 걸렸습니다. 데이터 사이언티스트는 고객 메시지를 살펴보면서 키워드와 구를 찾은 다음 트랜잭션 유형에 매핑했습니다.

T-Mobile은 Amazon SageMaker Ground Truth를 통해 데이터 레이블 지정 작업을 AI와 통합하기로 결정했습니다. Ground Truth는 학습 데이터 레이블 지정 속도를 높이고 범위를 확장합니다. 기계 학습 모델이 높은 정확도로 예측을 하려면 이러한 학습 데이터가 반드시 필요합니다. Ground Truth는 이 작업을 수동으로 수행하는 대신 실시간으로 이러한 주석에서 학습을 하고 나머지 데이터 세트의 대부분에 레이블을 자동으로 적용합니다.

T-Mobile은 Ground Truth를 사용함으로써 해당 프로세스를 간소화할 수 있었습니다. 또한 데이터 사이언티스트가 직접 레이블 지정을 수행할 필요가 없어졌기 때문에 모델 생성/분석/검증/배포 등의 특수 작업에 주력할 수 있게 되었습니다.

Sanford는 “이전에는 데이터 사이언티스트들이 오랜 시간에 걸쳐 수천 개의 메시지에 레이블을 지정해야 했습니다. 하지만 Ground Truth를 사용한 후로는 레이블 지정 과정의 효율성이 매우 높아져서 이제는 더 이상 숙련된 데이터 사이언티스트가 수동으로 데이터 레이블을 지정할 필요가 없습니다.”라고 말합니다.

예를 들어 Ground Truth는 고객 텍스트 메시지 수백만 개에 포함된 구와 키워드를 확인해 정확한 학습 데이터를 생성합니다. 따라서 T-Mobile은 고객이 문의를 하는 이유와 관련하여 더 적절한 예측 권장 사항을 생성해 첫 번째 문의에서 적절한 답변을 제공할 수 있습니다. 이 모델은 자체 학습형이므로 시간이 지나면서 정확도가 계속 높아집니다.

Sanford는 덧붙입니다. “T-Mobile 고객은 자신에 대해 잘 알고 있는 상담원과 연결될 때 만족합니다. 기계 학습을 통해, 우리는 고객과의 관계를 다시 구축할 수 있습니다.”