Sempre Health가 Hugging Face의 NLP 모델과 Expert Acceleration Program을 활용해 규칙 기반 시스템(80% 커버율)을 머신러닝 기반 파이프라인으로 전환해 수신 메시지의 20% 자동 처리 달성

Context

Sempre Health는 매일 수천 건의 환자 SMS를 수신하고 있었으나, 규칙 기반 시스템으로는 약 80% 수준의 메시지만 자동 분류·응답할 수 있었다. 팀은 NLP 접근 방식이 필요했지만 최적의 모델 선택, 신경망 아키텍처, 학습 데이터 라벨링 전략에 대한 확신이 부족했다.

Technical Solution

• Hugging Face의 사전 학습 언어 모델을 기반으로 NLP 파이프라인 구축: 통계 기반 머신러닝 방식 도입
• 텍스트 메시지 분류 모델 선정 및 구현: Expert Acceleration Program 팀의 모델 추천을 통해 최적 선택
• 대표성 있고 정확한 라벨 데이터 수집 전략 수립: Hugging Face 팀의 조언으로 라벨링 프로세스 개선
• 자동 응답 시스템 확장: "감사합니다" 같은 단순 메시지 자동 응답 및 처방약 재충전 요청 자동 약국 연동
• 프로덕션 배포: 완성된 NLP 파이프라인을 수 주 전 운영 환경에 배포

Impact

• 수신 메시지의 약 20% 자동 처리 달성 (규칙 기반 80% → NLP 기반 추가 자동화)
• 환자 운영팀의 저가치 티켓 생성 감소

Key Takeaway

NLP 문제 해결 시 외부 전문가의 모델 선택 및 라벨링 전략 조언을 통해 개발 기간을 크게 단축할 수 있다. 특히 작은 팀에서 프로덕션 수준의 머신러닝 파이프라인을 빠르게 구축해야 할 때는 기존 라이브러리와 외부 조언 결합이 유효한 전략이다.