# NLU (자연어 이해, Natural Language Understanding)

## 1. 개요
**NLU(Natural Language Understanding, 자연어 이해)**는 컴퓨터가 인간의 자연어(Natural Language)를 분석하여 그 속에 담긴 의미, 의도, 문맥을 파악하고 구조화된 데이터로 변환하는 인공지능의 한 분야이다.

NLU는 더 넓은 범위의 개념인 **NLP(Natural Language Processing, 자연어 처리)**의 하위 집합이다. NLP가 텍스트의 전처리, 분석, 생성 등 언어와 관련된 모든 기술적 처리를 포괄한다면, NLU는 그중에서도 특히 '의미론적 해석(Semantic Interpretation)'에 집중한다. 컴퓨터가 언어를 '이해'한다는 것은 단순히 단어의 패턴을 인식하는 것을 넘어, 사용자가 입력한 문장이 실제 세계의 어떤 개념과 연결되는지, 그리고 어떤 목적을 가지고 발화했는지를 논리적으로 도출해내는 과정을 의미한다.

## 2. NLU의 핵심 구성 요소
NLU의 일차적인 목표는 비정형 텍스트를 기계가 처리할 수 있는 정형 데이터로 변환하는 것이다. 이를 위해 주로 다음과 같은 두 가지 핵심 단계를 거친다.

### 2.1 의도 파악 (Intent Classification)
**의도 파악**은 사용자가 문장을 통해 달성하고자 하는 목적(Goal)이 무엇인지 분류하는 작업이다. 예를 들어 "내일 서울 날씨 알려줘"라는 문장이 입력되었을 때, 시스템은 이를 `Get_Weather`라는 의도로 분류한다.

### 2.2 개체명 인식 및 슬롯 필링 (NER & Slot Filling)
**개체명 인식(NER, Named Entity Recognition)**은 문장 내에서 인물, 장소, 시간, 조직 등 고유한 의미를 가진 단어를 찾아내고 그 유형을 분류하는 기술이다. **슬롯 필링(Slot Filling)**은 파악된 의도를 수행하기 위해 필요한 필수 정보(Parameter)를 추출하여 빈칸(Slot)을 채우는 과정이다.

| 구분 | 의도 파악 (Intent Classification) | 개체명 인식/슬롯 필링 (NER/Slot Filling) |
| :--- | :--- | :--- |
| **목적** | 문장 전체의 목적/의도 분류 | 문장 내 핵심 정보(키워드) 추출 |
| **결과물** | 단일 레이블 (예: `Order_Pizza`) | 키-값 쌍 (예: `Size: Large`, `Topping: Cheese`) |
| **분석 단위** | 문장 전체 (Sentence-level) | 단어/토큰 단위 (Token-level) |
| **비유** | "무엇을 하려는 것인가?" | "구체적으로 어떤 대상/조건인가?" |

## 3. 작동 원리 및 기술적 접근
NLU 기술은 언어학적 규칙 기반에서 시작하여 데이터 기반의 딥러닝 모델로 진화해 왔다.

### 3.1 규칙 기반 방식 (Rule-based Approach)
초기 NLU는 정규 표현식(Regular Expression)이나 문법 규칙(Grammar Rules)을 사용하여 특정 키워드가 포함되어 있는지 확인하는 방식이었다. 구현이 명확하고 예측 가능하지만, 언어의 다양성과 예외 상황을 모두 처리하기 어렵다는 한계가 있다.

### 3.2 통계적 모델 (Statistical Approach)
SVM(Support Vector Machine), Naive Bayes 등 머신러닝 알고리즘을 사용하여 대량의 학습 데이터로부터 패턴을 학습하는 방식이다. 규칙 기반보다 유연하지만, 단어의 순서나 문맥적 의미를 충분히 반영하지 못하는 경우가 많았다.

### 3.3 트랜스포머 기반 딥러닝 모델 (Transformer-based Approach)
**트랜스포머(Transformer)** 구조의 등장 이후, BERT(Bidirectional Encoder Representations from Transformers)와 같은 사전 학습 모델(Pre-trained Model)이 주류가 되었다. 어텐션(Attention) 메커니즘을 통해 문장 내 단어 간의 관계를 양방향으로 파악함으로써, 동일한 단어라도 문맥에 따라 다른 의미로 해석하는 능력이 비약적으로 향상되었다.

## 4. NLU 파이프라인 흐름도
일반적인 NLU 시스템은 다음과 같은 단계적 파이프라인을 통해 입력을 처리한다.

`사용자 입력(Text)` $\rightarrow$ `전처리(Tokenization, Stopword Removal)` $\rightarrow$ `특징 추출(Embedding)` $\rightarrow$ `의도 분류(Intent Classifier)` $\rightarrow$ `개체명 추출(Slot Filler)` $\rightarrow$ `구조화된 데이터(JSON/XML)` $\rightarrow$ `백엔드 로직 전달`

## 5. NLU의 주요 과제와 한계
인간의 언어는 매우 가변적이고 모호하기 때문에 NLU는 다음과 같은 난제들을 해결해야 한다.

*   **중의성 해소 (Word Sense Disambiguation):** 하나의 단어가 여러 의미를 가질 때 문맥에 맞는 의미를 선택하는 문제 (예: "배가 아프다"의 '배'가 신체 부위인지, 과일인지, 선박인지 구분).
*   **문맥 파악 (Context Tracking):** 이전 대화 내용을 기억하여 대명사(그것, 거기 등)가 가리키는 대상을 정확히 찾아내는 생략어 및 지시어 처리 문제 (예: "어제 철수를 만났어. **그는** 매우 친절했어."에서 '그'가 '철수'임을 파악하는 문제).
*   **비유 및 반어법 이해:** "잘한다!"라는 말이 칭찬인지 비난인지, 혹은 "내 마음은 호수요"와 같은 은유적 표현을 문자 그대로 해석하지 않고 실제 의미를 도출하는 문제.

## 6. NLU 성능 평가 지표
NLU 모델의 성능은 주로 분류 정확도와 추출 정확도로 평가하며, 다음과 같은 지표를 사용한다.

1.  **Accuracy (정확도):** 전체 예측 중 정답을 맞힌 비율. 주로 의도 파악 성능 측정에 사용된다.
2.  **Precision (정밀도):** 모델이 특정 클래스로 예측한 것 중 실제 정답인 비율.
    $$\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}$$
3.  **Recall (재현율):** 실제 정답인 것 중 모델이 정답으로 예측해낸 비율.
    $$\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
4.  **F1-Score:** 정밀도와 재현율의 조화 평균으로, 데이터 불균형이 있을 때 모델의 강건함을 평가하는 지표로 활용된다.
    $$\text{F1-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

## 7. 실제 활용 사례
NLU는 사용자와 기계 간의 인터페이스를 최적화하는 다양한 서비스에 적용되어 있다.

*   **가상 비서:** Siri, Alexa, Google Assistant 등이 사용자의 음성 명령을 텍스트로 변환(STT)한 후 NLU를 통해 명령을 수행한다.
*   **감성 분석 (Sentiment Analysis):** 리뷰나 SNS 게시글을 분석하여 긍정, 부정, 중립의 감정 상태를 판별한다.
*   **자동 고객 응대 (Chatbot):** 고객의 문의 의도를 파악하여 적절한 FAQ 답변을 제공하거나 상담원에게 연결한다.
*   **최신 AI 워크플로우:** RAG(검색 증강 생성) 시스템의 쿼리 분석 단계에서 사용자 질문의 핵심 키워드를 추출하거나, LLM이 외부 API를 호출하기 위해 인자를 추출하는 함수 호출(Function Calling) 기능에 핵심적으로 사용된다.

### [코드 예제] Python 기반의 간단한 의도 분석 예시
아래는 가상의 NLU 프레임워크를 사용하여 입력 문장에서 의도와 슬롯을 추출하는 개념적 코드이다.

```python
# 가상의 NLU 분석기 클래스
class SimpleNLU:
    def __init__(self):
        self.intents = {
            "weather": ["날씨", "기온", "비"],
            "alarm": ["알람", "깨워줘", "예약"]
        }

    def analyze(self, text):
        # 1. 의도 파악 (간단한 키워드 매칭 방식)
        intent = "unknown"
        for key, keywords in self.intents.items():
            if any(word in text for word in keywords):
                intent = key
                break
        
        # 2. 슬롯 필링 (개체명 인식 예시)
        slots = {}
        if "서울" in text: slots["location"] = "Seoul"
        if "내일" in text: slots["date"] = "Tomorrow"
        
        return {"intent": intent, "slots": slots}

# 실행 예시
nlu = SimpleNLU()
user_input = "내일 서울 날씨 알려줘"
result = nlu.analyze(user_input)

print(f"입력: {user_input}")
print(f"분석 결과: {result}") 
# 출력: {'intent': 'weather', 'slots': {'location': 'Seoul', 'date': 'Tomorrow'}}
```

### [데이터 예시] NLU 처리 결과 (JSON)
NLU 파이프라인을 거쳐 최종적으로 백엔드에 전달되는 구조화된 데이터의 예시는 다음과 같다.

```json
{
  "text": "내일 서울 날씨 알려줘",
  "nlu_result": {
    "intent": {
      "name": "Get_Weather",
      "confidence": 0.98
    },
    "slots": {
      "location": "서울",
      "date": "2023-10-27"
    },
    "entities": [
      {"entity": "GPE", "value": "서울", "start": 3, "end": 5},
      {"entity": "DATE", "value": "내일", "start": 0, "end": 2}
    ]
  }
}
```

## 8. NLU와 NLG의 관계
NLU와 NLG는 자연어 처리의 양대 축을 이루며 상호 보완적으로 작동한다.

| 구분 | NLU (Natural Language Understanding) | NLG (Natural Language Generation) |
| :--- | :--- | :--- |
| **방향** | `입력(Text) $\rightarrow$ 의미(Meaning)` | `의미(Meaning) $\rightarrow$ 출력(Text)` |
| **역할** | 이해 및 분석 (해석 단계) | 생성 및 표현 (표현 단계) |
| **목표** | 비정형 텍스트의 구조화/정형화 | 정형 데이터의 자연스러운 문장화 |
| **핵심 작업** | 의도 분류, 개체명 인식, 문맥 파악 | 텍스트 계획, 문장 실현, 유창성 확보 |

**대화 시스템의 구조:**
`사용자 입력` $\rightarrow$ **[NLU]** $\rightarrow$ `의도/슬롯 추출` $\rightarrow$ `대화의 흐름을 제어하는 대화 관리자(Dialogue Manager)` $\rightarrow$ `응답 결정` $\rightarrow$ **[NLG]** $\rightarrow$ `최종 답변 출력`

## 9. 최신 LLM(대규모 언어 모델)과의 차이점
최근 GPT-4와 같은 LLM의 등장으로 전통적인 NLU 방식과 생성형 AI 방식의 경계가 모호해지고 있다.

| 구분 | 전통적 NLU (Task-specific) | 최신 LLM (General-purpose) |
| :--- | :--- | :--- |
| **접근 방식** | 특정 작업(의도 분류 등)을 위한 전용 모델 학습 | 방대한 데이터 기반의 차세대 언어 모델링 |
| **구조** | 파이프라인 방식 (NLU $\rightarrow$ DM $\rightarrow$ NLG) | End-to-End 방식 (입력 $\rightarrow$ 출력 직접 생성) |
| **유연성** | 정의된 의도 외의 입력 처리 불가 | 제로샷(Zero-shot) 학습으로 미학습 작업 수행 가능 |
| **정확성** | 정해진 범위 내에서 매우 높은 정확도와 제어 가능성 | 매우 유연하지만 환각(Hallucination) 현상 발생 가능 |
| **자원 소모** | 상대적으로 가볍고 추론 속도가 빠름 | 막대한 컴퓨팅 자원과 메모리 필요 |