Rasa

Rasa NLU는 Rasa 프레임워크의 핵심 구성 요소 중 하나로, 자연어 이해를 담당하는 모듈이다. 이 모듈은 사용자가 입력한 자연어 문장을 분석하여 그 의도를 파악하고, 문장 내에 포함된 중요한 정보를 추출하는 역할을 한다. Rasa NLU는 챗뺏이나 대화형 AI 어시스턴트가 사용자의 요청을 정확히 이해할 수 있는 기반을 제공한다.

주요 기능은 크게 두 가지로 나눌 수 있다. 첫 번째는 의도 분류로, 사용자의 발화가 어떤 목적을 가지고 있는지 분류하는 작업이다. 예를 들어, "오늘 날씨 어때?"라는 문장은 '날씨_조회'라는 의도로 분류된다. 두 번째는 개체명 인식으로, 문장에서 특정 의미를 지니는 단어나 구를 추출하는 작업이다. 앞선 예시에서 '오늘'은 날짜 엔티티로 인식된다. 이러한 처리를 위해 Rasa NLU는 머신러닝 모델을 사용하며, 스파이시나 텐서플로우와 같은 백엔드를 지원한다.

Rasa NLU는 YAML 또는 JSON 형식으로 작성된 훈련 데이터를 통해 모델을 학습시킨다. 이 데이터에는 다양한 사용자 발화 예시와 그에 해당하는 의도 및 개체명 태그가 포함되어 있다. 개발자는 이 데이터를 기반으로 모델을 훈련시키고, 정확도를 평가하여 성능을 개선할 수 있다. Rasa NLU의 이러한 설계는 오픈소스로서의 유연성을 바탕으로, 특정 비즈니스 도메인에 맞춤화된 자연어 이해 모델을 구축하는 데 적합하다.

Rasa Core는 Rasa 프레임워크의 핵심 구성 요소 중 하나로, 대화의 흐름을 관리하는 대화 관리 엔진이다. Rasa Core는 자연어 처리를 담당하는 Rasa NLU가 이해한 사용자의 의도와 문맥을 바탕으로, 다음에 어떤 응답을 할지 결정하는 역할을 한다. 이는 단순한 규칙 기반 응답이 아닌, 머신러닝 기반의 정책을 학습하여 유연하고 컨텍스트를 인지하는 대화를 가능하게 한다.

Rasa Core는 대화 상태 추적을 통해 현재 대화의 상황을 기록하고, 학습된 정책 모델이 이 상태를 분석하여 다음에 실행할 최적의 액션을 선택한다. 액션은 단순한 응답 메시지 출력부터, 데이터베이스 조회나 외부 API 호출과 같은 복잡한 사용자 정의 작업까지 포함한다. 이러한 설계 덕분에 개발자는 사전에 정의된 모든 대화 경로를 하드코딩할 필요 없이, 예시 대화를 통해 모델이 적절한 대화 흐름을 스스로 학습하도록 할 수 있다.

주요 구성 요소로는 대화 상태를 저장하는 트래커, 다음 액션을 결정하는 정책, 그리고 실제 작업을 수행하는 액션 서버가 있다. 특히 Rasa SDK를 사용하면 Python으로 복잡한 사용자 정의 액션을 쉽게 구현하고, 액션 서버로 분리하여 실행할 수 있다. 이는 마이크로서비스 아키텍처와 잘 통합되도록 돕는다.

Rasa Core는 강화 학습 및 딥러닝 기반의 정책을 지원하여, 장기적인 대화 목표를 달성하기 위한 의사결정을 최적화할 수 있다. 결과적으로, Rasa Core는 Rasa로 구축된 챗봇이 단순한 질의응답을 넘어서, 사용자 작업을 지원하는 진정한 대화형 AI 어시스턴트가 될 수 있는 기반을 제공한다.

Rasa SDK는 Rasa 프레임워크에서 사용자 정의 액션을 구현하기 위한 Python 소프트웨어 개발 키트이다. Rasa Core가 대화 흐름을 관리하는 반면, Rasa SDK는 그 흐름 내에서 실행되는 구체적인 작업, 예를 들어 데이터베이스 조회, 외부 API 호출, 복잡한 계산 등을 처리하는 코드를 작성하는 데 사용된다. 이는 챗봇이 단순히 응답 메시지를 반환하는 것을 넘어, 실제 시스템과 상호작용하여 동적인 작업을 수행할 수 있게 하는 핵심 구성 요소이다.

사용자는 Rasa SDK를 이용해 Action 클래스를 상속받는 사용자 정의 액션 클래스를 작성한다. 각 액션 클래스는 name 메서드로 액션 이름을 정의하고, run 메서드에 해당 액션이 수행해야 할 로직을 구현한다. 이 로직은 슬롯 값을 설정하거나 변경하고, 외부 서비스에 요청을 보내며, 사용자에게 메시지를 전달하는 등의 작업을 포함할 수 있다. 개발된 액션 코드는 Rasa 액션 서버에서 독립적으로 실행된다.

Rasa SDK를 사용하는 주요 장점은 비즈니스 로직을 대화 관리 모델과 분리할 수 있다는 점이다. 이는 액션 코드를 수정하거나 확장할 때 전체 대화 모델을 재학습할 필요가 없게 하여 개발과 유지보수를 용이하게 한다. 또한, SDK는 Docker 컨테이너화와 Kubernetes 배포를 쉽게 지원하여 프로덕션 환경에서의 확장성과 안정성을 제공한다.

따라서 Rasa SDK는 Rasa 기반의 지능형 대화형 AI 시스템이 예측된 다음 발화를 넘어, 실제로 유용한 작업을 수행하는 '핸드' 역할을 담당한다고 볼 수 있다.

Rasa에서 의도 분류는 사용자의 발화가 무엇을 의미하는지, 즉 사용자의 목적이나 요구를 파악하는 핵심적인 자연어 이해 작업이다. 이는 대화 시스템이 적절한 응답을 생성하거나 다음 단계를 결정하기 위한 첫 번째 관문 역할을 한다. Rasa NLU 컴포넌트는 주로 이 작업을 담당하며, 사용자가 정의한 훈련 데이터를 기반으로 머신러닝 모델을 학습시켜 새로운 발화의 의도를 예측한다.

의도 분류 모델을 학습시키기 위해서는 개발자는 다양한 예시 발화와 그에 해당하는 의도 레이블로 구성된 훈련 데이터를 준비해야 한다. Rasa는 기본적으로 딥러닝 기반의 DIET( Dual Intent and Entity Transformer) 분류기를 사용하여 의도 분류와 개체명 인식을 동시에 수행한다. 이 모델은 전이 학습이 적용된 사전 훈련된 언어 모델의 문맥 이해 능력을 활용하여, 상대적으로 적은 양의 데이터로도 높은 정확도를 달성할 수 있도록 설계되었다.

의도 분류의 성능은 대화의 흐름을 정확하게 이해하는 데 직접적인 영향을 미친다. 잘 훈련된 분류기는 "내일 비 오나요?"와 "날씨 알려줘"와 같이 표현이 다르지만 동일한 의도(예: ask_weather)를 가진 발화를 정확히 묶어낼 수 있다. Rasa는 이러한 모델의 성능을 평가하기 위해 혼동 행렬을 제공하며, 교차 검증을 통해 모델의 일반화 성능을 확인할 수 있다.

개체명 인식은 사용자의 발화에서 이름, 날짜, 장소, 금액 등과 같은 특정 정보를 식별하고 추출하는 자연어 처리 작업이다. Rasa에서는 이 기능이 Rasa NLU 컴포넌트의 핵심 역할 중 하나로, 학습된 모델이 텍스트 내의 미리 정의된 범주의 개체를 인식한다.

개체명 인식을 구성하려면 학습 데이터에 entities 필드를 명시해야 한다. 예를 들어, "내일 서울로 비행기 표를 예약해 줘"라는 발화에서 "내일"은 date(날짜), "서울"은 city(도시)라는 개체로 레이블링된다. Rasa는 CRF(Conditional Random Fields)와 같은 기계 학습 알고리즘을 기본으로 사용하여 이러한 패턴을 학습하며, spaCy나 BERT와 같은 사전 학습된 언어 모델을 통합하여 정확도를 높일 수도 있다.

추출된 개체 정보는 이후 대화 관리 단계에서 중요한 역할을 한다. 슬롯이라는 메모리 저장소에 채워져, 사용자의 의도를 처리하는 사용자 정의 Python 코드(액션)에서 조건 판단이나 외부 API 호출에 활용된다. 예를 들어, 도시와 날짜 개체가 추출되면, 이 정보를 이용해 실제 항공편 조회 서비스를 호출할 수 있다.

대화 관리는 Rasa 프레임워크의 핵심 기능 중 하나로, 사용자의 발화에 대한 단순한 응답을 넘어 전체 대화의 흐름을 컨텍스트에 맞게 제어하는 역할을 한다. 이는 Rasa Core 컴포넌트를 통해 구현되며, 대화의 상태를 추적하고 다음에 수행할 최적의 액션을 결정하는 정책 기반의 시스템이다.

대화 관리는 마르코프 결정 과정 모델을 기반으로 하며, 대화 상태 추적기가 현재 대화의 컨텍스트(예: 사용자의 최근 발화, 채워진 슬롯 값, 이전 액션)를 지속적으로 업데이트한다. 이 정보를 바탕으로 미리 정의된 여러 정책이 다음에 실행할 액션(예: 발화 응답, 사용자 정의 액션 호출, 슬롯 설정)을 제안하고, 정책 우선순위에 따라 최종 액션이 선택된다. 이를 통해 사용자의 질문이 중간에 바뀌거나 이전 대화 내용을 참조해야 하는 복잡한 멀티턴 대화를 자연스럽게 처리할 수 있다.

주요 구성 요소로는 대화 상태를 저장하는 슬롯, 특정 조건에서 실행되는 액션을 정의하는 규칙, 그리고 더 유연하고 확률적인 대화 흐름을 학습하는 머신러닝 기반 정책이 있다. 규칙은 환영 인사나 FAQ와 같은 고정된 대화 패턴을 처리하는 데 적합하며, 머신러닝 정책은 학습 데이터를 바탕으로 다양한 대화 경로를 일반화하여 처리한다.

이러한 아키텍처 덕분에 개발자는 스토리 형태로 예시 대화 흐름을 작성하고, Rasa가 이를 학습하여 새로운 대화 상황에서도 적절한 결정을 내리도록 훈련시킬 수 있다. 결과적으로 Rasa 기반 챗봇은 단순한 질의응답을 넘어서, 정보 수집, 예약 절차 안내, 문제 해결과 같은 목표 지향적 대화를 효과적으로 관리할 수 있게 된다.

사용자 정의 액션은 Rasa 프레임워크에서 대화 관리 엔진이 예측한 다음 단계를 실행하는 코드 조각이다. Rasa Core가 대화 흐름을 관리하고 의도 분류 및 개체명 인식 결과를 바탕으로 다음에 수행할 액션을 결정하면, 이 결정에 따라 실제 로직을 수행하는 것이 사용자 정의 액션이다. 이는 단순한 응답 메시지 반환을 넘어서, 외부 API 호출, 데이터베이스 조회, 복잡한 계산 수행 등 챗봇이 필요한 모든 부가 기능을 구현하는 데 사용된다.

사용자 정의 액션은 Python 언어로 작성되며, Rasa SDK를 통해 구현한다. 개발자는 Action 클래스를 상속받은 클래스를 정의하고, run 메서드 안에 원하는 비즈니스 로직을 작성한다. 이 메서드 내에서는 슬롯 값을 설정하거나 조회할 수 있고, 외부 서비스와 통신하여 정보를 가져온 후 이를 자연어 응답으로 변환하여 사용자에게 전달할 수 있다. 예를 들어, 날씨 조회 액션은 위치 개체명을 추출하여 외부 날씨 API에 질의하고, 그 결과를 문장으로 가공하여 응답한다.

액션 서버는 Rasa 코어 서버와 분리되어 실행되는 독립적인 마이크로서비스이다. Rasa Core가 액션을 실행해야 한다고 판단하면, 정의된 액션 서버의 엔드포인트에 요청을 보내고, 액션 서버는 해당 요청을 처리한 결과를 다시 코어 서버로 반환한다. 이렇게 아키텍처가 분리됨으로써, 비즈니스 로직을 변경하거나 확장할 때 코어 서버를 재배포할 필요 없이 액션 서버만 독립적으로 관리할 수 있는 유연성을 제공한다.

사용자 정의 액션을 효과적으로 활용하기 위해서는 도메인 파일에 액션 이름을 명시하고, 스토리 또는 규칙을 통해 언제 해당 액션이 호출되어야 하는지를 정의해야 한다. 이는 대화 관리 정책이 학습하는 근거가 되며, 복잡한 멀티턴 대화를 구현하는 핵심 메커니즘이 된다.

Rasa를 사용한 챗봇 개발의 첫 단계는 데이터 준비이다. 이 과정은 챗봇이 이해하고 응답할 수 있는 대화의 기초를 마련하는 중요한 작업이다. 데이터 준비는 주로 두 가지 유형의 데이터를 생성하는 것으로 구성된다. 하나는 사용자의 발화를 특정 의도와 개체명으로 해석하는 자연어 이해를 위한 NLU 데이터이고, 다른 하나는 대화의 흐름을 제어하는 대화 관리를 위한 스토리 데이터이다.

NLU 데이터는 nlu.yml 파일에 작성된다. 이 파일에는 사용자가 할 법한 다양한 발화 예제를 intent 키워드 아래에 나열하고, 각 발화 내에서 중요한 정보를 entity로 표시한다. 예를 들어, "내일 서울 날씨 알려줘"라는 발화는 intent: ask_weather로 분류되고, "내일"은 @sys.date, "서울"은 @sys.location과 같은 사전 정의된 엔티티 또는 사용자 정의 엔티티로 추출될 수 있도록 준비한다. 충분하고 다양한 예제 데이터는 의도 분류와 개체명 인식 모델의 정확도를 높이는 데 필수적이다.

대화 흐름을 정의하는 스토리 데이터는 stories.yml 파일에 작성한다. 스토리는 사용자 의도와 시스템의 응답이 순차적으로 이어지는 대화의 전형적인 경로를 나타낸다. 사용자의 intent와 챗봇이 실행할 action을 단계별로 기록하여, 특정 상황에서 어떤 대화 관리 정책을 따라야 하는지를 모델에 학습시킨다. 또한, 복잡한 로직이 필요한 응답은 Rasa SDK를 사용해 파이썬 코드로 작성된 사용자 정의 액션으로 구현하며, 이 액션의 이름을 스토리 데이터에 포함시킨다.

데이터 준비 단계에서는 또한 domain.yml 파일을 설정한다. 이 파일은 챗봇의 전체적인 행동 영역을 정의하며, 인식할 수 있는 모든 의도, 응답으로 출력할 텍스트, 실행 가능한 액션 목록, 그리고 활용할 엔티티 등을 한데 모아 선언한다. 잘 구조화된 도메인 파일은 NLU 데이터와 스토리 데이터를 연결하는 핵심 역할을 한다.

모델 학습은 Rasa 프레임워크를 사용하여 챗봇을 구축하는 핵심 단계이다. 학습 과정은 rasa train 명령어로 시작되며, 이 명령은 data/ 디렉토리에 위치한 NLU 훈련 데이터(의도와 개체명 예제)와 도메인 파일(domain.yml), 그리고 스토리 데이터(stories.yml)를 종합적으로 분석하여 대화 모델을 생성한다. 학습이 완료되면 models/ 디렉토리에 .tar.gz 형식의 모델 파일이 저장된다.

학습 과정은 크게 두 가지 구성 요소를 훈련하는 것으로 나눌 수 있다. 첫째, Rasa NLU 구성 요소는 사용자의 발화를 이해하기 위해 의도 분류와 개체명 인식 모델을 학습한다. 둘째, Rasa Core 구성 요소는 대화의 흐름을 제어하는 대화 관리 모델을 학습한다. 이 대화 관리 모델은 머신 러닝 기반의 정책들을 사용하여 주어진 대화 컨텍스트에서 다음에 수행할 최적의 액션을 예측하는 방법을 배운다.

학습의 정확도와 성능은 제공된 데이터의 양과 질에 크게 의존한다. 충분한 다양성과 예시를 가진 NLU 데이터와, 가능한 모든 대화 경로를 커버하는 상세한 스토리 데이터가 필수적이다. 학습 중에는 교차 검증을 통해 모델의 일반화 성능을 평가할 수 있으며, 하이퍼파라미터를 조정하여 모델의 동작을 세밀하게 튜닝할 수 있다.

학습된 모델은 Rasa SDK를 통해 구현된 사용자 정의 액션 서버와 연결되어 실행된다. 지속적인 개선을 위해, 실제 운영 환경에서 수집된 대화 로그는 새로운 훈련 데이터로 추가되어 모델을 재학습시키는 데 활용될 수 있다. 이는 챗봇의 성능을 시간이 지남에 따라 진화시키고 향상시키는 데 중요한 과정이다.

Rasa 프레임워크를 사용하여 구축한 챗봇의 성능을 검증하고 품질을 보장하기 위해 체계적인 테스트 및 평가 과정이 필수적이다. 이 과정은 단순한 기능 테스트를 넘어 대화의 자연스러움과 정확성을 종합적으로 평가하는 것을 목표로 한다.

테스트는 크게 단위 테스트와 엔드투엔드 테스트로 구분된다. 단위 테스트는 Rasa NLU 모델의 의도 분류 정확도와 개체명 인식 성능을, Rasa Core의 대화 관리 정책이 올바른 다음 액션을 선택하는지를 검증한다. 개발자는 Rasa SDK를 통해 작성한 사용자 정의 액션의 로직을 별도로 테스트할 수 있다. 반면, 엔드투엔드 테스트는 실제 사용자 시나리오를 시뮬레이션하여 전체 대화 흐름이 기대한 대로 진행되는지를 확인한다. 이를 위해 Rasa는 테스트 스토리 형식의 파일을 사용하며, rasa test 명령어를 실행하여 모델이 테스트 스토리 내의 각 사용자 발화에 대해 올바른 응답을 생성하는지 자동으로 평가한다.

평가 지표는 테스트 유형에 따라 다르다. NLU 모델 평가에서는 의도 분류의 정밀도, 재현율, F1 점수와 개체명 인식의 정확도가 주요 지표가 된다. 대화 관리 정책 평가에서는 주로 정책이 테스트 스토리에서 올바른 액션을 선택한 비율을 측정한다. 또한, 혼동 행렬을 통해 모델이 특정 의도를 다른 의도와 혼동하는 패턴을 시각적으로 분석할 수 있어 모델 개선에 중요한 정보를 제공한다.

지속적인 통합 파이프라인에 이러한 테스트를 통합하여 코드 변경 시마다 자동으로 성능 회귀 테스트를 수행하는 것이 권장된다. 이를 통해 배포 전에 성능 저하를 조기에 발견하고, 품질 기준을 충족하는 모델만을 운영 환경에 배포할 수 있다. 궁극적으로 체계적인 테스트 및 평가는 더욱 견고하고 사용자 친화적인 대화형 AI 어시스턴트를 개발하는 데 기여한다.

Rasa로 개발한 대화형 AI 모델은 학습과 테스트를 마친 후 다양한 환경에 배포하여 실제 서비스에 활용할 수 있다. 배포 방식은 크게 온프레미스 방식과 클라우드 기반 호스팅 서비스 이용으로 나뉜다. 온프레미스 배포는 사용자가 직접 서버 인프라를 구축하고 관리해야 하지만, 데이터와 시스템에 대한 완전한 통제권을 가질 수 있다는 장점이 있다. 반면, Rasa가 제공하는 Rasa X나 Rasa Enterprise와 같은 관리형 플랫폼을 사용하면 클라우드 환경에서 보다 손쉽게 모델을 배포, 모니터링, 그리고 지속적으로 개선할 수 있다.

배포를 위한 핵심 구성 요소는 Rasa 서버와 액션 서버이다. Rasa 서버는 사용자의 메시지에 대한 의도 분류와 개체명 인식을 수행하고, 대화 흐름을 관리하는 대화 관리 엔진을 호스팅한다. 사용자 정의 액션을 실행하는 액션 서버는 별도로 분리되어 운영되는 것이 일반적이며, 이 두 서버는 HTTP 또는 웹소켓 프로토콜을 통해 통신한다. 이러한 분리된 아키텍처는 시스템의 확장성과 유지보수성을 높여준다.

실제 배포 시에는 Docker 컨테이너를 활용하는 것이 표준적인 방법이다. Rasa는 공식 Docker 이미지를 제공하여, 복잡한 의존성 문제 없이 모델과 서버 환경을 패키징할 수 있게 한다. 컨테이너화된 애플리케이션은 쿠버네티스나 도커 스웜과 같은 오케스트레이션 도구를 사용하여 클러스터 환경에 배포하고, 부하에 따라 자동으로 확장하도록 구성할 수 있다. 또한, NGINX와 같은 리버스 프록시를 앞단에 두어 보안과 로드 밸런싱을 처리하는 것이 일반적이다.

최종적으로 배포된 챗봇은 메신저 플랫폼, 기업용 채팅 소프트웨어, 음성 비서, 또는 자체 웹사이트 및 모바일 애플리케이션 등 다양한 채널에 연결되어 최종 사용자에게 서비스를 제공한다. Rasa는 슬랙, 페이스북 메신저, 텔레그램 등 널리 사용되는 채널과의 연동을 기본적으로 지원하며, 표준화된 웹훅 인터페이스를 통해 사용자 정의 채널 연결도 가능하다.