데이터 신뢰성 및 전이학습을 고려한 대화·다국어 NLP 신뢰성 연구

Trustworthy NLP for Dialogue, Cross-lingual Transfer, and Data Reliability

연구 내용

병렬 말뭉치 필터링 신뢰성과 전이학습 특성을 점검하고, 음성 대화에서 견고한 상태 추적을 수행하는 연구

신뢰성 있는 NLP 시스템을 위해서는 학습 데이터의 품질과 전이학습 과정의 언어 전이 특성을 함께 검토해야 합니다. 본 연구는 병렬 말뭉치 필터링의 신뢰성 한계를 분석하여, 말뭉치 정제 전략이 모델 성능과 해석 가능성에 미치는 영향을 점검합니다. 또한 교차언어 사전학습 이후의 전이 특성을 분석하여 언어쌍 간 적합성을 평가하는 방향을 포함합니다. 음성 기반 태스크에서는 자동 음성인식 오류로 인한 예측 왜곡을 완화하기 위해 데이터 증강과 Levenshtein post-processing을 결합한 대화 상태 추적 구성요소를 제안합니다. 동시에 설명가능한AI와 지속적 학습을 위한 근거 추론·보고서 생성 과제를 병행하여, 결과의 사용 가능성을 높이는 연구를 수행합니다.

관련 프로젝트

5건

연구 흐름

초기에는 전이학습과 데이터 필터링이 품질에 미치는 영향을 이론적·경험적으로 점검하는 분석 연구가 중심이었습니다. 이후 병렬 말뭉치 필터링의 신뢰성 문제를 정리하고, 교차언어 사전학습 기반 전이 특성을 실험적으로 검증하는 흐름으로 확장했습니다. 이어서 음성 대화에서 의도·요구를 추적하는 문제로 이동하여, 음성인식 오류를 고려한 구성요소(데이터 증강, 후처리 규칙)를 제안하고 성능과 기여도를 함께 분석했습니다. 최근에는 설명가능한AI 및 차세대 인공지능 과제를 통해 근거 추론과 보고서 생성으로 연결하는 연구 방향을 강화하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

병렬 말뭉치 품질 진단
필터링 신뢰성 평가 프레임워크
교차언어 전이 특성 분석
음성 대화 상태 추적 모델
ASR 오류 완화 후처리 모듈
대화형 에이전트 견고성 향상
근거 기반 생성형 AI 지원
설명가능한 의사결정 보조
지속적 학습 평가 체계
신뢰성 중심 데이터 구축 워크플로우