법률 챗봇 설계와 구현 도전과 기회

초록

본 논문은 AWS Lex와 Lambda를 활용해 법률 사무소용 대화형 에이전트를 구축하는 전 과정을 제시한다. 데이터 부족 문제를 해결하기 위해 전문가 초안, 크라우드소싱, 기존 문의 기록 세 가지 방법으로 언어 자원을 확보하고, 계층형 봇 구조와 슬롯‑인텐트 설계를 통해 FAQ와 사례 수집(Fact‑Finding) 두 가지 주요 서비스를 제공한다.

상세 분석

이 연구는 법률 분야 특유의 데이터 민감성, 복합적인 사용자 요구, 그리고 규제 준수 요구를 동시에 만족시키는 대화 시스템 설계에 초점을 맞춘다. 먼저, 플랫폼 선택 단계에서 Google Dialogflow, Rasa 등 여러 옵션을 비교한 뒤, Lex의 손쉬운 IDE, 내장 NLU, 서버리스 연동성을 이유로 최종 채택하였다. Lex는 사전 정의된 인텐트와 슬롯을 제공하지만, 법률 서비스별로 필요한 슬롯 수와 인텐트 수가 제한적이었다. 이를 극복하기 위해 저자들은 ‘부모‑자식’ 계층형 봇 구조를 도입하였다. 부모 봇은 기본 인사·작별 인텐트를 처리하고, 두 개의 자식 봇(FAQ 전용, Fact‑Finding 전용)으로 사용자의 발화를 라우팅한다. 라우팅은 ‘all_faq’와 ‘all_ff’라는 메타 인텐트를 통해 수행되며, 각 자식 봇은 자체 분류 모델을 갖추어 세부 인텐트를 식별한다. 이 설계는 Lex의 인텐트·슬롯 제한을 우회하면서도 유지보수와 확장성을 확보한다는 장점을 제공한다.

데이터 구축 측면에서는 공개된 법률 대화 데이터가 거의 없다는 점을 지적하고, 세 가지 보완적 접근법을 제시한다. 첫 번째는 도메인 전문가(변호사, 사무 직원)와 협업해 150개의 초기 발화(베이스라인 데이터)를 수집한 것이다. 두 번째는 법학 전공 대학생을 대상으로 Slack 채널에서 가상의 시나리오 기반 대화를 유도해 다변화된 파라프레이즈를 확보하였다. 세 번째는 지난 3년간 웹사이트 문의 양식을 통해 실제 사용자 발화를 자동 추출, 정제하여 새로운 슬롯·인텐트를 발견하고 데이터셋을 확대했다. 이렇게 구축된 데이터는 총 44개의 커스텀 인텐트와 다중 슬롯(이름, 전화번호, 서비스 종류 등)을 학습시키는 데 사용되었다.

모델 학습은 Lex의 딥러닝 기반 NLU에 파라프레이즈를 제공함으로써 인텐트 인식 정확도를 높였으며, 회귀 테스트 세트를 통해 성능을 검증하였다. 응답은 모두 사전 정의된 응답 리소스에서 결정적으로 선택되므로, 법률 조언이 아닌 정보 제공에 초점을 맞추어 법적 위험을 최소화한다. 또한, Fact‑Finding 흐름에서는 사용자가 제공한 연락처와 사건 설명을 AWS SES를 통해 이메일로 전송, 실제 변호사가 후속 조치를 취하도록 설계되었다.

시스템 아키텍처는 AWS CloudFormation을 이용해 전체 스택을 코드로 정의하고, Lambda 함수가 Lex와 연동되어 대화 흐름을 제어한다. CloudWatch를 통해 로그와 트랜스크립트를 실시간 모니터링하고, 필요 시 오류를 자동 알림한다. 이러한 서버리스 구조는 비용 효율성과 확장성을 동시에 제공한다.

마지막으로 저자들은 현재 시스템이 FAQ와 Fact‑Finding 두 가지 시나리오에 국한되어 있지만, 계층형 구조와 모듈식 데이터 파이프라인을 통해 새로운 법률 서비스(예: 계약 초안 자동 생성, 소송 진행 상황 조회 등)를 손쉽게 추가할 수 있음을 강조한다. 향후 연구 방향으로는 멀티모달 입력(음성·이미지) 지원, 보다 정교한 엔티티 추출, 그리고 사용자 프라이버시 보호를 위한 암호화·익명화 기술 도입을 제시한다.