KR102499379B1 - 전자 장치 및 이의 피드백 정보 획득 방법 - Google Patents

전자 장치 및 이의 피드백 정보 획득 방법 Download PDF

Info

Publication number
KR102499379B1
KR102499379B1 KR1020170119660A KR20170119660A KR102499379B1 KR 102499379 B1 KR102499379 B1 KR 102499379B1 KR 1020170119660 A KR1020170119660 A KR 1020170119660A KR 20170119660 A KR20170119660 A KR 20170119660A KR 102499379 B1 KR102499379 B1 KR 102499379B1
Authority
KR
South Korea
Prior art keywords
information
user
feedback
specific function
function
Prior art date
Application number
KR1020170119660A
Other languages
English (en)
Other versions
KR20190031786A (ko
Inventor
전실라
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170119660A priority Critical patent/KR102499379B1/ko
Priority to US16/648,456 priority patent/US11468270B2/en
Priority to PCT/KR2018/010586 priority patent/WO2019054715A1/ko
Publication of KR20190031786A publication Critical patent/KR20190031786A/ko
Application granted granted Critical
Publication of KR102499379B1 publication Critical patent/KR102499379B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Abstract

본 문서의 다양한 실시예는 전자 장치 및 이의 피드백 정보 획득 방법에 관한 것이다. 이 때, 전자 장치의 피드백 정보 획득 방법은 특정 기능과 관련된 사용자의 입력 피드백 정보 및 상기 사용자의 제1 반응 정보를 획득하는 동작, 상기 입력 피드백 정보 및 상기 제1 반응 정보를 이용하여, 피드백 추정 모델을 학습시키는 동작, 상기 특정 기능과 관련된 상기 사용자의 제2 반응 정보를 획득하는 동작, 및 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하는 동작을 포함한다.

Description

전자 장치 및 이의 피드백 정보 획득 방법{ELECTRONIC DEVICE AND METHOD OF OBTAINING FEEDBACK INFORMATION THEREOF}
본 문서는 피드백 정보를 획득하는 전자 장치 및 이의 피드백 정보를 획득하는 방법에 관한 것이다.
또한, 본 문서는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예: 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
기계학습을 위해서는 많은 양의 학습 데이터들이 필요할 수 있다. 학습 데이터들은, 예로, 비지도 학습(unsupervised learning) 또는 전문가의 핸드 디자인(hand design) 방식에 의하여 분류되거나 또는 유효한 데이터(validation data)인지 여부가 결정될 수 있다.
이 경우, 학습 모델의 생성을 위하여 효과적으로 학습 데이터들을 분류하거나 유효한 데이터인지 결정할 필요성이 요구된다. 또한, 학습 모델이 생성된 후에도, 학습 모델의 성능을 지속적으로 개선하기 위한 방안이 요구된다.
본 문서의 일 실시예에 따른 피드백 정보 획득 방법은, 특정 기능과 관련된 사용자의 입력 피드백 정보 및 상기 사용자의 제1 반응 정보를 획득하는 동작, 상기 입력 피드백 정보 및 상기 제1 반응 정보를 이용하여, 피드백 추정 모델을 학습시키는 동작, 상기 특정 기능과 관련된 상기 사용자의 제2 반응 정보를 획득하는 동작, 및 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하는 동작을 포함한다.
본 문서의 일 실시예에 따른 전자 장치는, 피드백 추정 모델을 저장하는 메모리, 외부 장치와 통신하는 통신부, 및 상기 메모리 및 통신부와 전기적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 상기 통신부를 통하여 획득된, 상기 특정 기능과 관련된 사용자의 입력 피드백 정보 및 제1 반응 정보를 이용하여, 상기 메모리에 저장된 피드백 추정 모델을 학습시키고, 상기 통신부를 통하여, 특정 기능과 관련된 사용자의 제2 반응 정보가 획득되면, 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득한다.
본 문서의 일 실시예에 따른 컴퓨터 프로그램 제품은, 특정 기능과 관련된 사용자의 입력 피드백 정보 및 상기 사용자의 제1 반응 정보를 획득하는 동작, 상기 입력 피드백 정보 및 상기 제1 반응 정보를 이용하여, 피드백 추정 모델을 학습시키는 동작, 상기 특정 기능과 관련된 상기 사용자의 제2 반응 정보를 획득하는 동작, 및 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하는 동작을 본 문서의 전자 장치가 수행하기 위한 명령어들을 포함한다.
본 문서에 따르면, 사용자의 반응 정보에 기초하여, 학습 모델이 생성될 수 있다. 또한, 생성된 학습 모델을 이용하여 사용자의 명령이 성공적인지 판단할 수 있다. 또한, 사용자의 명령을 인식하고, 사용자의 의도를 추론하여 적절한 기능 정보가 제공될 수가 있다.
본 문서에 따르면, 학습 모델의 지속적인 학습이 가능하게 된다. 예로, 학습 모델은 실행 취소/계속 등과 같은 사용자의 입력 피드백 정보 및 사용자의 반응 정보에 기초하여 지속적으로 학습될 수 있다.
이에 따라, 높은 정확도로 사용자의 액션에 대응하는 특정 기능의 실행이 가능하게 되며, 전자 장치를 이용하는 사용자의 만족도 및 편의성이 향상될 수 있다.
도 1a 및 도 1b는, 본 문서의 다양한 실시예에 따른 학습 모델을 생성하는 시스템의 흐름도이다.
도 2a 및 도 2b는, 본 문서의 다양한 실시예에 따른 학습 모델에 이용되는 데이터를 나타내는 도면들이다.
도 3a 내지 도 3c는, 본 문서의 다양한 실시예에 따른 학습 모델을 이용하는 사용자 단말을 나타내는 도면이다.
도 4는, 본 문서의 다양한 실시예에 따른 피드백 추정 장치의 흐름도이다.
도 5는, 본 문서의 다양한 실시예에 따른 기능 추정 장치의 흐름도이다.
도 6은, 본 문서의 다양한 실시예에 따른 사용자 단말의 흐름도이다.
도 7은, 본 문서의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 8은, 본 문서의 다양한 실시예에 따른 사용자 단말의 블록도이다.
도 9a 내지 도 9c는 본 문서의 다양한 실시예에 따른 학습 모델을 생성 및 이용하는 실시예를 설명하기 위한 도면들이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다. 다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1a는, 본 문서의 일 실시예에 따른 학습 모델을 생성하는 시스템의 흐름도를 나타낸다.
도 1a에서, 시스템은 사용자 단말(U), 기능 추정 장치(F) 및 피드백 추정 장치(R)를 포함할 수 있다.
이 때, 기능 추정 장치(F) 및 피드백 추정 장치(R)는 서로 다른 장치일 수도 있고, 또는 동일한 장치일 수도 있다. 또한, 기능 추정 장치(F) 및 피드백 추정 장치(R) 중 적어도 하나는 서버 또는 클라우드의 형태로 존재할 수 있으며, 사용자 단말(U)의 일부로 존재할 수도 있다.
기능 추정 장치(F)는 기능 추정 모델을 학습 또는 이용하는 소프트웨어 모듈, 하드웨어 모듈 및 프로세서 중 적어도 하나를 포함할 수 있다. 기능 추정 모델은 특정 기능을 실행하기 위한 사용자의 액션에 따른 사용자의 명령 정보를 인식하여, 사용자가 의도하는 기능을 획득(또는, 추정, 추론)하도록 설정된 학습 모델이 될 수 있다. 기능 추정 모델은 기능 추정 장치(F)의 저장부에 저장될 수도 있고, 또는 기능 추정 장치(F)와 통신 연결된 외부의 데이터베이스에 저장될 수도 있다.
피드백 추정 장치(R)는 피드백 추정 모델을 학습 또는 이용하는 소프트웨어 모듈, 하드웨어 모듈 및 프로세서 중 적어도 하나를 포함할 수 있다. 피드백 추정 모델은 특정 기능의 실행 또는 준비 시에 사용자의 반응 정보를 인식하여, 특정 기능과 관련된 사용자의 피드백 정보를 획득(또는, 추정, 추론)하도록 설정된 학습 모델이 될 수 있다. 피드백 추정 모델은 피드백 추정 장치(R)의 저장부에 저장될 수도 있고, 또는 피드백 추정 장치(R)와 통신 연결된 외부의 데이터베이스에 저장될 수도 있다.
본 문서에서, 모델을 학습시킨다는 것은, 새로운 모델을 생성하거나 또는 기존의 학습된 모델을 업데이트한다는 것을 포함할 수 있다.
또한, 본 문서의 기능 추정 모델 및 피드백 추정 모델은 하나의 학습 모델로 구현될 수도 있으며, 또는 별개의 학습 모델들로 구현될 수도 있다.
또한, 본 문서의 기능 추정 모델 및 피드백 추정 모델은 예로, 신경망(Neural Network)을 기반으로 하는 학습 모델일 수 있다. 신경망을 기반으로 하는 학습 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 뉴런(neuron)을 모의하기 위하여 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 또한, 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다.
또한, 본 문서의 기능 추정 모델 및 피드백 추정 모델은 신경망 모델에서 진화한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다.
그 밖에, 본 문서의 기능 추정 모델 및 피드백 추정 모델은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 전술한 예에 한정되지 않는다.
도 1a에서, 사용자 단말(U)은 특정 기능을 실행하기 위한 사용자 액션에 따른 사용자의 명령 정보를 획득할 수 있다(111). 예로, 사용자 액션이 발화하는 행위이면, 사용자의 명령 정보는 사용자 발화에 따른 음성 데이터를 포함할 수 있다.
사용자 단말(U)은 획득된 명령 정보를 기능 추정 장치(F)로 전송할 수 있다(113). 기능 추정 장치(F)는 수신된 명령 정보에 기반하여, 사용자의 명령 정보에 대응하여 실행될 특정 기능에 대한 정보를 포함하는 기능 정보를 획득할 수 있다. 예로, 기능 추정 장치(F)는 수신된 음성 데이터를 인식 데이터로서 학습된 기능 추정 모델의 입력 값으로 이용하여, 사용자 의도에 부합하는 기능을 추정한 결과인 추정 데이터로서 기능 정보를 획득할 수 있다(115).
기능 정보가 획득되면, 기능 추정 장치(F)는 획득된 기능 정보를 사용자 단말(U)로 전송할 수 있다(117).
사용자 단말(U)은 수신한 기능 정보에 기반하여 특정 기능을 실행 또는 특정 기능의 실행을 위한 준비를 할 수 있다(119).
예로, 동작 111의 사용자 발화가 '앨범에서 XX월에 촬영한 사진을 찾아줘'이면, 사용자 단말(U)은 특정 기능의 실행으로서 XX월에 촬영한 사진을 검색하고, 뷰어(viewer) 어플리케이션을 실행하여 상기 검색된 사진을 표시할 수 있다. 또는, 사용자 단말(U)은 특정 기능의 실행을 위한 준비로서 '갤러리 어플리케이션을 실행하여 XX월에 촬영한 사진을 표시할까요'라는 확인 메시지를 표시할 수 있다.
특정 기능을 실행 또는 준비 중인 경우, 사용자 단말(U)은 특정 기능과 관련된 명시적 피드백으로서 사용자가 입력한 입력 피드백 정보를 획득할 수 있다(121).
예로, 특정 기능이 실행되는 동안에, 사용자는 실행 계속 UI 또는 실행 취소 UI를 선택할 수 있다. 또는, 특정 기능의 준비로서 확인 메시지가 표시된 경우, 사용자는 실행 계속 UI 또는 실행 취소 UI를 선택할 수 있다. 이 경우, 사용자 단말(U)은 상기 사용자의 선택 정보를 입력 피드백 정보로서 획득할 수 있다. 예로, 입력 피드백 정보는, 실행 계속 UI를 선택한 사용자의 선택 정보에 대응하는 실행 성공 정보를 포함하거나, 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함할 수 있다.
사용자 단말(U)은 획득된 입력 피드백 정보를 기능 추정 장치(F)로 전송할 수 있다(123).
기능 추정 장치(F)는 동작 113에서 수신한 특정 기능을 실행하기 위한 사용자의 액션에 따른 명령 정보 및, 동작 123에서 수신한 입력 피드백 정보를 학습 데이터로서 이용하여 기능 추정 모델을 학습시킬 수 있다(125).
한편, 사용자 단말(U)은 특정 기능과 관련된 묵시적 피드백으로서 사용자의 반응 정보를 획득할 수 있다(127). 사용자의 반응 정보는, 특정 기능을 실행하는 동안에 획득되거나, 상기 특정 기능 준비하는 동안에 획득되거나 또는 상기 사용자가 피드백을 입력하는 동안에 획득될 수 있다. 예로, 사용자 단말(U)은 특정 기능이 실행된 후 일정 기간 이내(예: 3초 이내)의 사용자의 반응 정보를 획득할 수 있다. 또는, 사용자 단말(U)은 특정 기능의 준비로서 확인 메시지를 표시하고 일정 기간 이내(예: 3초 이내)의 사용자의 반응 정보를 획득할 수 있다. 또는, 사용자 단말(U)은 상기 확인 메시지가 표시된 상태에서, 사용자의 명시적인 피드백을 입력 받고 일정 기간 이내(예: 3초 이내)의 사용자의 반응 정보를 획득할 수 있다.
사용자의 반응 정보는, 예로, 사용자 단말(U)에 마련된 카메라로 촬영된 사용자의 안면 정보, 사용자 단말(U)에 마련된 마이크로 녹음된 사용자 음성 정보, 사용자 단말(U)의 센서에 의하여 측정되는 가속도 값 또는 지자기 값 중 적어도 하나를 포함할 수 있다. 또한, 사용자의 반응 정보는 안면 정보, 음성 정보, 가속도 값 또는 지자기 값이 가공된 정보일 수도 있다. 예로, 사용자의 안면 정보가 이미지인 경우, 사용자의 반응 정보는 상기 안면 정보를 인식한 사용자의 특징 정보(예: 표정 정보) 등을 포함할 수도 있다.
사용자 단말(U)은 동작 121에서 획득된 입력 피드백 정보 및 동작 127에서 획득된 반응 정보를 피드백 추정 장치(R)로 전송할 수 있다(129). 이 때, 입력 피드백 정보는 동작 129 전에 미리 피드백 추정 장치(R)로 전송될 수도 있다. 또는, 기능 추정 장치(F)가 동작 123에서 사용자 단말(U)로부터 수신한 입력 피드백 정보를 피드백 추정 장치(R)로 전달할 수도 있다.
피드백 추정 장치(R)은 입력 피드백 정보 및 반응 정보를 학습 데이터로서 이용하여, 피드백 추정 모델을 학습시킬 수 있다(130).
한편, 사용자 단말(U)은 입력 피드백 정보 및 반응 정보를 피드백 추정 장치(R)와 통신 연결된 데이터베이스(미도시)에 저장할 수도 있다. 이 경우, 피드백 추정 장치(R)는 일정 주기마다 또는 특정 이벤트 발생 시에, 데이터베이스에 저장된 입력 피드백 정보들 및 사용자 반응 정보들을 획득하고 이것들을 이용하여 피드백 추정 모델을 학습시킬 수 있다.
도 1b는 본 문서의 다른 실시예에 따른 학습 모델을 생성하는 시스템의 흐름도를 나타낸다.
도 1b에서, 시스템은 사용자 단말(U), 기능 추정 장치(F) 및 피드백 추정 장치(R)를 포함할 수 있다. 도 1b의 사용자 단말(U), 기능 추정 장치(F) 및 피드백 추정 장치(R)는 도 1a의 사용자 단말(U), 기능 추정 장치(F) 및 피드백 추정 장치(R)에 대응되어 중복되는 설명은 생략한다. 먼저, 사용자 단말(U)이 사용자의 명령 정보를 획득하여 기능 추정 장치(F)로 전송하고, 기능 추정 장치(F)가 사용자의 명령 정보에 따른 실행될 기능 정보를 사용자 단말(U)로 전송하면, 사용자 단말(U)은 특정 기능을 실행 또는 특정 기능의 실행을 위한 준비를 할 수 있다(131~139). 이에 대한 동작 131 내지 동작 139는, 전술한 도 1a의 동작 111 내지 동작 119에 대응되어 중복되는 설명을 생략한다.
이러한 상황에서, 사용자는 일정 시간 동안(예: 2초 동안) 특정 기능과 관련된 별도의 명시적인 피드백을 수행하지 않을 수 있다. 이 경우, 일정 시간이 경과되면, 사용자 단말(U)은 특정 기능의 실행 또는 준비에 대하여 사용자가 입력한 피드백이 없는 것을 나타내는 피드백 부재 정보를 기능 추정 장치(F)로 전송할 수 있다(141).
또한, 사용자 단말(U)은 특정 기능과 관련된 묵시적 피드백으로서 사용자의 반응 정보를 획득할 수 있다(143). 여기서, 반응 정보를 획득하는 실시예 및 반응 정보에 대한 예는, 도 1a에서 설명하여 대응되어 중복되는 설명은 생략한다.
사용자 단말(U)은 획득된 반응 정보를 피드백 추정 장치(R)로 전송할 수 있다(145). 피드백 추정 장치(R)는 피드백 추정 모델을 통하여 동작 139에서 제공되는 특정 기능과 관련된 사용자의 의도를 추정하여 피드백 정보를 획득할 수 있다(147). 예로, 피드백 추정 장치(R)는 획득된 사용자의 반응 정보를 피드백 추정 모델에 적용할 수 있다.
피드백 추정 장치는 사용자의 반응 정보를 입력 값으로 이용한 피드백 추정 모델의 사용자 의도의 추정 결과로서, 동작 139에서 제공되는 특정 기능과 관련된 피드백 정보를 획득할 수 있다. 피드백 정보는, 예로, 특정 기능의 실행 또는 준비에 대하여 사용자의 의도를 추정한 실행 성공 정보 또는 실행 실패 정보를 포함할 수 있다. 구체적으로, 실행 성공 정보는, 특정 기능의 실행을 계속 원하는 사용자의 의도를 나타내는 정보일 수 있고, 실행 실패 정보는, 특정 기능의 실행 중지 또는 실행 취소를 나타내는 사용자의 의도를 나타내는 정보를 포함할 수 있다.
피드백 추정 장치(R)는 획득된 사용자 피드백 정보를 사용자가 사용할 기능 정보를 추정하는 기능 추정 장치(F)로 전송할 수 있다(149).
기능 추정 장치(F)는 사용자 피드백 정보를 이용하여 기능 추정 모델을 학습시킬 수 있다(151). 예로, 기능 추정 모델은 사용자 피드백 정보를 학습된 기능 추정 모델의 학습 데이터로서 이용하여 기 학습된 기능 추정 모델을 갱신할 수 있다.
도 2a 및 도 2b는, 본 문서의 일 실시예에 따른 학습 모델에 이용되는 데이터를 나타내는 도면들이다.
도 2a의 (a)는 기능 추정 모델(F1)을 학습시키는 개념도이고, 도 2a의 (b)는 학습된 기능 추정 모델(F1)을 이용하는 개념도이다.
또한, 도 2a의 (a)에서, 기능 추정 장치(F)는 학습 데이터로서 특정 기능을 실행하기 위한 사용자 액션에 따른 명령 정보, 상기 명령 정보에 대응하는 기능 정보로 구성된 학습 데이터 쌍, 그리고, 학습 데이터 쌍에 대한 분류 정보를 이용하여 기능 추정 모델(F1)을 학습시킬 수 있다. 이 때, 분류 정보는 실행 성공 정보 또는 실행 실패 정보를 포함할 수 있다. 구체적으로, 명령 정보에 대응하는 기능 정보가 사용자 의도에 부합하지 않는 경우, 이의 학습 데이터 쌍에 대한 분류 정보는 실행 실패 정보를 포함할 수 있다. 또한, 명령 정보에 대응하는 기능 정보가 사용자 의도에 부합하는 경우, 이의 학습 데이터 쌍에 대한 분류 정보는 실행 성공 정보를 포함할 수 있다.
한편, 상기 학습 데이터 쌍 및 상기 분류 정보는 미리 데이터베이스에 저장되어, 주기적 또는 이벤트 발생 시에 기능 추정 모델(F1)을 학습시키기 위하여 이용될 수 있다. 이 때, 데이터베이스에 저장되는 학습 데이터 쌍 및 분류 정보는 서로 연계 또는 링크되어 저장될 수 있으며, 학습 데이터 쌍에 대한 라벨로서 분류 정보가 라벨링되어 저장될 수도 있다.
또한, 기능 추정 모델(F1)은 초기에는 비지도적 학습(unsupervised learning) 또는 핸드 디자인(hand design) 방식으로 학습될 수 있으나, 이후, 전술한 학습 데이터 쌍 및 분류 정보에 의하여 사용자에게 맞춤화되도록 지속적으로 갱신될 수 있다.
기능 추정 모델(F1)이 학습되면, 도 2a의 (b)와 같이, 기능 추정 장치(F)는 인식 데이터로서 특정 기능을 실행하기 위한 사용자의 액션에 따른 명령 정보를 학습된 기능 추정 모델(F1)에게 입력할 수 있다. 그리고, 기능 추정 장치(F)는 사용자의 의도를 추정한 추정 데이터로서 사용자의 명령 정보에 대응하는 기능 정보를 획득할 수 있다.
도 2b의 (a)는 피드백 추정 모델을 학습시키는 개념도이고, 도 2b의 (b)는 학습된 피드백 추정 모델을 이용하는 개념도이다.
도 2b의 (a)에서, 피드백 추정 장치(R)는 특정 기능과 관련된 사용자의 반응 정보 및 상기 특정의 기능과 관련된 사용자의 입력 피드백 정보로 구성된 학습 데이터 쌍을 이용하여 피드백 추정 모델(R1)을 학습시킬 수 있다.
사용자의 입력 피드백 정보는, 상기 특정 기능의 실행 또는 준비에 대하여 실행 계속 UI를 선택한 사용자의 선택 정보에 대응하는 실행 성공 정보, 또는 상기 특정 기능의 실행 또는 준비에 대하여 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함할 수 있다.
한편, 상기 반응 정보 및 입력 피드백 정보는 미리 데이터베이스에 저장되어, 주기적 또는 이벤트 발생 시에 피드백 추정 모델(R1)을 학습시키기 위하여 이용될 수 있다. 이 때, 데이터베이스에 저장되는 반응 정보 및 입력 피드백 정보는 서로 연계 또는 링크되어 저장될 수 있으며, 반응 정보에 대한 라벨로서 입력 피드백 정보가 라벨링되어 저장될 수도 있다.
또한, 피드백 추정 모델(R1)은 초기에는 비지도적 학습(unsupervised learning) 또는 핸드 디자인(hand design) 방식으로 학습될 수 있으나, 이후, 전술한 학습 데이터 쌍 및 분류 정보에 의하여 사용자에게 맞춤화되도록 지속적으로 갱신될 수 있다.
피드백 추정 모델(R1)이 학습되면, 도 2b의 (b)와 같이, 피드백 추정 장치(R)는 인식 데이터로서 특정 기능과 관련된 사용자의 반응 정보를 학습된 피드백 추정 모델(R1)에게 입력할 수 있다. 그리고, 피드백 추정 장치(F)는 사용자의 피드백을 추정한 추정 데이터로서 사용자의 반응 정보에 대응하는 피드백 정보를 획득할 수 있다. 피드백 정보는 특정 기능의 실행 또는 준비에 대하여 사용자의 피드백을 추정한 실행 성공 정보 또는 실행 실패 정보를 포함할 수 있다.
도 3a 내지 도 3c는, 본 문서의 일 실시예에 따른 학습 모델을 이용하는 사용자 단말을 나타내는 도면이다.
먼저, 도 3a의 (a)에서, 사용자는 특정 기능(예: 사진 검색 기능)을 실행하기 위한 사용자 액션으로서 음성을 발화할 수 있다. 예로, 사용자는 '앨범에서 내 사진 찾아줘'라고 발화할 수 있다. 사용자 단말(U)은 사용자 발화에 따라 획득된 명령 정보를 기능 추정 장치(F)로 전송할 수 있다.
기능 추정 장치(F)는 수신한 사용자의 명령 정보에 대응하여 사용자의 의도로서 사용자가 실행을 원하는 기능을 추정한 결과인 기능 정보를 획득할 수 있다.
또한, 도 3a의 (b)와 같이, 사용자 단말(U)은 특정 기능의 실행을 위한 준비로서 사용자의 음성을 인식한 인식 결과를 디스플레이에 표시할 수도 있다. 이 때, 사용자 단말(U)은 사용자의 음성을 잘못 인식할 수도 있다. 예로, 사용자 단말(U)은 사용자가 발화한 음성 중에서, '내'라는 단어를 '매'라는 단어로서 잘못 인식하고, '앨범에서 매 사진을 찾아드리겠습니다.'라는 확인 메시지(311)를 표시할 수 있다.
그리고, 도 3a의 (c)와 같이, 사용자 단말(U)은 특정 기능의 실행으로서 사용자 단말(U) 또는 외부의 서버에 저장된 사용자의 사진 앨범(또는, 저장소)에서 '매' 사진을 검색하고, 뷰어 어플리케이션을 실행하여 상기 검색된 사진(312)을 표시할 수 있다.
이 경우, 사용자 단말(U)은, 도 3b의 (d-1)과 같이, 특정 기능의 실행에 대한 묵시적 피드백인 사용자의 반응 정보를 획득할 수 있다. 예로, 사용자 단말(U)은 반응 정보로서 사용자 단말(U)의 전면에 카메라를 이용하여 검색된 사진에 대한 사용자의 안면 정보를 획득할 수 있다.
이 때, 안면 정보는 사용자 얼굴에 대한 표정 정보를 포함할 수 있다. 표정 정보는, 예로, 음성으로 검색을 요청한 사진과 다른 사진이 검색되어 원하지 않는 정보를 본 것에 대한 불편한 표정(예: 실망인 표정, 짜증나는 표정, 화난 표정, 어이 없는 표정, 답답해 하는 표정 등)에 관한 상태 정보를 포함할 수 있다.
도 3b의 (d-2)에서, 사용자 단말(U)은 획득된 사용자의 반응 정보를 피드백 추정 장치(R)로 전송할 수 있다.
피드백 추정 장치(R)는 반응 정보를 피드백 추정 모델에 적용하여 특정 기능의 실행에 대한 사용자의 피드백을 추정한 결과인 피드백 정보를 획득할 수 있다. 이 경우, 피드백 정보는 특정 기능의 실행에 대한 실행 실패를 나타내는 실행 실패 정보를 포함할 수 있다.
피드백 추정 장치(R)는 획득된 피드백 정보를 사용자가 실행을 의도하는 기능을 추정하는 기능 추정 장치(F)로 전송할 수 있다.
기능 추정 장치(F)는 '앨범에서 내 사진 찾아줘'라는 명령 정보 및 명령 정보에 따라 추정된 기능으로서 '매' 사진을 검색하고, 뷰어 어플리케이션을 실행하여 상기 검색된 사진을 표시하는 기능을 포함하는 기능 정보로 구성된 학습 데이터 쌍에 대한 분류 정보로서 실행 실패를 나타내는 피드백 정보를 이용하여 기능 추정 모델을 학습시킬 수 있다.
또는, 도 3a의 (c)에서, 사용자 단말(U)이 검색된 사진을 표시한 경우, 피드백 추정 장치(R)는 도 3c의 (e-1)과 같이, 특정 기능의 실행에 대한 명시적 피드백으로서 취소 UI(313)를 선택하는 사용자의 액션에 따른 사용자의 입력 피드백 정보를 회득할 수 있다.
또한, 사용자 단말(U)은 사용자가 취소 UI(313)를 선택할 때, 또는 취소 UI(313)를 선택하고 일정 기간 이내(예: 2초 이내)의 사용자의 반응 정보를 획득할 수 있다.
도 3c의 (e-2)에서, 사용자 단말(U)은 특정 기능의 실행을 취소하는 사용자의 입력 피드백 정보 및 상기 특정 기능의 실행의 취소 시의 사용자의 반응 정보를 피드백 추정 장치(R)로 전송할 수 있다. 입력 피드백 정보는, 예로, 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함할 수 있다.
피드백 추정 장치(R)는 입력 피드백 정보 및 반응 정보를 이용하여 피드백 추정 모델(R)을 학습시킬 수 있다.
도 4는, 본 문서의 다양한 실시예에 따른 피드백 추정 장치(R)의 흐름도를 나타낸다.
먼저, 피드백 추정 장치(R)는 특정 기능과 관련된 사용자의 입력 피드백 정보 및 사용자의 제1 반응 정보를 획득할 수 있다(401).
다음으로, 피드백 추정 장치(R)는 획득된 입력 피드백 정보 및 제1 반응 정보를 이용하여 피드백 추정 모델을 학습시킬 수 있다(403). 입력 피드백 정보는, 예로, 특정 기능의 실행 또는 준비에 대하여 실행 계속 UI를 선택한 사용자의 선택 정보에 대응하는 실행 성공 정보, 또는 특정 기능의 실행 또는 준비에 대하여 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함할 수 있다.
피드백 추정 모델이 학습된 상태에서, 피드백 추정 장치(R)는 특정 기능과 관련된 사용자의 제1 반응 정보가 획득되는지를 판단할 수 있다(405). 이 때, 학습된 피드백 추정 모델은, 사용자의 반응 정보를 인식 데이터로써 이용하여, 사용자의 피드백을 추정한 결과인 추정 데이터로서 피드백 정보를 제공하도록 설정된 모델일 수 있다.
사용자의 제2 반응 정보가 획득된 경우(405-Y), 피드백 추정 장치(R)는 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 특정 기능과 관련된 피드백 정보를 획득할 수 있다(407). 피드백 정보는, 예로, 특정 기능의 실행 또는 준비에 대하여 사용자의 피드백을 추정한 실행 성공 정보 또는 실행 실패 정보를 포함할 수 있다.
피드백 추정 장치(R)는 획득된 피드백 정보를 사용자의 명령 정보를 이용하여 실행될 기능 정보를 획득하는 기능 추정 장치(F)로 전송할 수 있다. 기능 추정 장치(F)는 수신된 피드백 정보를 이용하여 기능 추정 모델을 학습시킬 수 있다.
다양한 실시예에 따르면, 제1 반응 정보 및 제2 반응 정보는 특정 기능을 실행하는 동안에 획득되거나, 특정 기능 준비하는 동안에 획득되거나 또는 사용자가 피드백을 입력하는 동안에 획득될 수 있다. 제1 반응 정보 및 제2 반응 정보는 특정 기능과 관련된 사용자의 안면 정보 및 사용자의 음성 정보 중 적어도 하나에 기반한 정보일 수 있다. 예로, 안면 정보는 특정 기능과 관련된 사용자의 표정 정보를 포함할 수 있다.
또한, 입력 피드백 정보, 제1 반응 정보 및 제2 반응 정보는, 피드백 추정 장치(R)와 무선 통신 연결된 사용자 단말(U)에서 제공되는 특정 기능과 관련된 사용자의 입력 피드백 정보, 제1 반응 정보 및 제2 반응 정보에 각각 대응될 수 있다.
도 5는, 본 문서의 다양한 실시예에 따른 기능 추정 장치(F)의 흐름도를 나타낸다.
먼저, 기능 추정 장치(F)는 특정 기능의 실행을 위한 사용자의 명령 정보, 실행되는 기능을 나타내는 기능 정보 및, 특정 기능과 관련된 사용자의 입력 피드백 정보를 획득할 수 있다(501).
다음으로, 기능 추정 장치(F)는 획득된 명령 정보, 기능 정보 및 입력 피드백 정보를 이용하여 기능 추정 모델을 학습시킬 수 있다(503).
기능 추정 모델이 학습된 상태에서, 기능 추정 장치(F)는 특정 기능의 실행을 위한 사용자의 명령 정보가 획득되는지를 판단할 수 있다(505).
사용자의 명령 정보가 획득된 경우(505-Y), 기능 추정 장치(F)는 명령 정보를 학습된 기능 추정 모델에 적용하여, 명령 정보에 대응하는 기능 정보를 획득할 수 있다(507).
도 6은, 본 문서의 다양한 실시예에 따른 사용자 단말(U)의 흐름도를 나타낸다.
먼저, 사용자 단말(U)은 특정 기능의 실행을 위한 사용자의 명령 정보가 획득되는지를 판단할 수 있다(601).
사용자의 명령 정보가 획득되면(601-Y), 사용자 단말(U)은 명령 정보를 학습된 기능 추정 모델에 적용하여, 명령 정보에 대응하는 기능 정보를 획득할 수 있다(603).
다음으로, 사용자 단말(U)은 획득된 기능 정보에 기초하여 특정 기능을 실행 또는 준비할 수 있다(605).
그리고, 사용자 단말(U)을 특정 기능과 관련된 사용자의 입력 피드백 정보 및 반응 정보를 획득할 수 있다(607).
사용자 단말(U)은 획득된 입력 피드백 정보 및 반응 정보 중 적어도 하나를 외부 장치로 전송할 수 있다(609). 외부 장치는, 예로, 기능 추정 장치(F) 또는 피드백 추정 장치(R)가 될 수 있다.
도 7은, 본 문서의 다양한 실시예에 따른 전자 장치의 블록도를 나타낸다. 도 7의 전자 장치(A)는, 예로, 본 개시의 기능 추정 장치(F) 및 피드백 추정 장치(R)에 대응될 수 있다.
도 7에서, 전자 장치(A)는 통신부(710), 메모리(720) 및 프로세서(730)를 포함할 수 있다. 도 7에 도시된 전자 장치(A)의 구성은 일 예에 불과하므로, 반드시 전술된 블록도에 한정되는 것은 아니다. 따라서, 전자 장치(A)의 종류 또는 목적에 따라 도 7에 도시된 전자 장치(A)의 구성의 일부가 생략 또는 변형되거나, 추가될 수도 있음은 물론이다.
통신부(710)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치 간의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 이 때, 외부 장치는, 예로, 본 개시의 기능 추정 장치(F), 피드백 추정 장치(R) 및 사용자 단말(U) 중 적어도 하나가 될 수 있다.
통신부(710)는 프로세서(730)(예: 어플리케이션 프로세서)와 독립적으로 운영되는, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예로, 통신부(710)는 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함하고, 그 중 해당하는 통신 모듈을 이용하여 제 1 네트워크(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 장치와 통신할 수 있다. 상술한 여러 종류의 통신 모듈은 하나의 칩으로 구현되거나 또는 각각 별도의 칩으로 구현될 수 있다.
메모리(720)는 전자 장치(A)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(720)는 비휘발성 메모리 및 휘발성 메모리 중 적어도 하나로 구현될 수 있다. 메모리(720)는 프로세서(730)에 의해 액세스되며, 프로세서(730)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 문서에서 메모리는 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD)뿐만 아니라, 프로세서(730) 내 롬(미도시), 램(미도시) 또는 전자 장치(A)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
또한, 메모리(720)는 본 문서에 따른 학습 모델을 저장할 수 있다. 예로, 전자 장치(A)가 기능 추정 장치(F)인 경우, 메모리(720)에는 기능 추정 모델이 저장될 수 있다. 또는, 전자 장치(A)가 피드백 추정 장치(R)인 경우, 메모리(720)에는 피드백 추정 모델이 저장될 수 있다.
또한, 메모리(720)는 본 문서에 따라 피드백 정보를 획득하기 위하여 설정된 명령어들을 포함하는 프로그램을 저장할 수도 있다. 예로, 메모리(720)는 특정 기능과 관련된 사용자의 입력 피드백 정보 및 상기 사용자의 제1 반응 정보를 획득하는 동작, 상기 입력 피드백 정보 및 상기 제1 반응 정보를 이용하여, 피드백 추정 모델을 학습시키는 동작, 상기 특정 기능과 관련된 상기 사용자의 제2 반응 정보를 획득하는 동작, 및 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하는 동작을 수행하도록 설정된 명령어들을 포함하는 프로그램을 저장할 수 있다.
프로세서(730)는, 예를 들면, 소프트웨어(예: 프로그램)를 구동하여 프로세서(730)와 연결된 전자 장치(A)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 예로, 프로세서(730)는 통신부(710)로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시예로, 프로세서(730)는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로, 메인 프로세서보다 저전력을 사용하거나, 또는 지정된 기능에 특화된 보조 프로세서(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 여기서, 보조 프로세서는 메인 프로세서와 별개로 또는 임베디드되어 운영될 수 있다.
다양한 실시예로, 메모리(720)에 피드백 추정 모델이 저장된 경우, 프로세서(730)는 통신부(710)를 통하여 획득된, 특정 기능과 관련된 사용자의 입력 피드백 정보 및 제1 반응 정보를 이용하여, 메모리(720)에 저장된 피드백 추정 모델을 학습시킬 수 있다. 그리고, 통신부(710)를 통하여 특정 기능과 관련된 사용자의 제2 반응 정보가 획득되면, 프로세서(730)는 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 특정 기능과 관련된 피드백 정보를 획득할 수 있다. 그리고, 프로세서(730)는 획득된 피드백 정보가 사용자의 명령 정보를 이용하여 실행될 기능 정보를 획득하는 기능 추정 장치(F)로 전송되도록 통신부(710)를 제어할 수 있다. 이 때, 기능 추정 장치(F)는 수신된 피드백 정보를 이용하여 기능 추정 모델을 학습시킬 수 있다.
다양한 실시예로, 메모리(720)에 기능 추정 모델이 저장된 경우, 프로세서(730)는 통신부(710)를 통하여 특정 기능의 실행을 위한 사용자의 명령 정보, 실행되는 기능을 나타내는 기능 정보 및, 특정 기능과 관련된 사용자의 입력 피드백 정보를 획득할 수 있다. 그리고, 프로세서(730)는 획득된 명령 정보, 기능 정보 및 입력 피드백 정보를 이용하여 메모리(720)에 저장된 기능 추정 모델을 학습시킬 수 있다. 그리고, 통신부(710)를 통하여 특정 기능의 실행을 위한 사용자의 명령 정보가 획득되면, 프로세서(730)는 명령 정보를 학습된 기능 추정 모델에 적용하여, 명령 정보에 대응하는 기능 정보를 획득할 수 있다.
도 8은, 본 문서의 다양한 실시예에 따른 사용자 단말(U)의 블록도를 나타낸다.
사용자 단말(U)은 통신부(810), 메모리(820), 디스플레이(830), 사용자 입력부(840), 카메라(850), 마이크(860), 센서부(870) 및 프로세서(880)를 포함할 수 있다. 도 8에 도시된 사용자 단말(U)의 구성은 일 예에 불과하므로, 반드시 전술된 블록도에 한정되는 것은 아니다. 따라서, 사용자 단말(U)의 종류 또는 사용자 단말(U)의 목적에 따라 도 8에 도시된 사용자 단말(U)의 구성의 일부가 생략 또는 변형되거나, 추가될 수도 있음은 물론이다.
통신부(810)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치 간의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 이 때, 외부 장치는, 예로, 본 개시의 기능 추정 장치(F) 및 피드백 추정 장치(R) 중 적어도 하나가 될 수 있다.
통신부(810)는 프로세서(880)와 독립적으로 운영되는, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예로, 통신부(810)는 무선 통신 모듈 또는 유선 통신 모듈을 포함하고, 그 중 해당하는 통신 모듈을 이용하여 근거리 통신 네트워크 또는 원거리 통신 네트워크를 통하여 외부 장치와 통신할 수 있다. 상술한 여러 종류의 통신 모듈은 하나의 칩으로 구현되거나 또는 각각 별도의 칩으로 구현될 수 있다.
메모리(820)는 사용자 단말(U)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(820)는 비휘발성 메모리 및 휘발성 메모리 중 적어도 하나로 구현될 수 있다. 메모리(820)는 프로세서(880)에 의해 액세스되며, 프로세서(880)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 문서에서 메모리(820)는 플래시메모리, 하드디스크 드라이브 또는 솔리드 스테이트 드라이브뿐만 아니라, 프로세서(880) 내 롬(미도시), 램(미도시) 또는 사용자 단말(U)에 장착되는 메모리 카드(미도시)를 포함할 수 있다.
디스플레이(830)는 본 문서의 특정 기능의 실행 화면 또는 준비 화면을 디스플레이 영역에 디스플레이할 수 있다. 디스플레이 영역은 사용자 단말(U)의 하우징의 개구면을 통하여 노출된 디스플레이(830)의 일부를 의미할 수 있다.
디스플레이(830)의 적어도 일부는 플렉서블 디스플레이(flexible display)의 형태로 사용자 단말(U)의 전면 영역, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다. 플렉서블 디스플레이는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 것을 특징으로 할 수 있다.
디스플레이부(830)는 터치 패널(미도시)과 결합하여 레이어 구조의 터치 스크린으로 구현될 수 있다. 터치 스크린은 디스플레이 기능뿐만 아니라 터치 입력 위치, 터치된 면적뿐만 아니라 터치 입력 압력까지도 검출하는 기능을 가질 수 있고, 또한 실질적인 터치(real-touch)뿐만 아니라 근접 터치(proximity touch)도 검출하는 기능을 가질 수 있다.
사용자 입력부(840)는 다양한 사용자 입력에 따른 입력 정보를 프로세서(880)로 전달할 수 있다. 예로, 사용자 입력부(840)는 특정 기능과 관련된 사용자의 입력에 따른 사용자의 입력 피드백 정보를 프로세서(880)로 전달할 수 있다. 또한, 사용자 입력부(840)는 실행 취소 UI 또는 실행 계속 UI를 선택한 사용자의 입력에 따른 선택 정보를 프로세서(880)로 전달할 수 있다.
사용자 입력부(840)는, 예로, 터치 패널, (디지털) 펜 센서 또는 키를 포함할 수 있다. 터치 패널은, 예로, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널은 제어 회로를 더 포함할 수도 있다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.
카메라(850)는 외부 환경을 촬영하여 데이터로 값으로 변환된 촬영 정보를 획득할 수 있다. 예로, 카메라(850)는 특정 기능과 관련된 사용자의 반응 정보로서, 사용자의 얼굴을 촬영하여 안면 정보를 획득하고, 이를 프로세서(880)로 전달할 수 있다.
마이크(860)는 외부 소리를 녹음하여 데이터 값으로 변환하여 음성 정보를 획득하고, 이를 프로세서(880)로 전달할 수 있다. 예로, 카메라(860)는 특정 기능을 실행하기 위한 음성을 디지털 신호로 변환하여 명령 정보를 획득하고, 이를 프로세서(880)로 전달할 수 있다. 또는, 마이크(860)는 특정 기능과 관련된 사용자의 반응 정보로서, 사용자의 음성을 녹음하여 음성 정보를 획득하고, 이를 프로세서(880)로 전달할 수 있다.
센서부(870)는 사용자 단말(U)의 내부의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 센서부(870)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
센서부(870)는, 예로, 특정 기능과 관련된 사용자의 반응 정보로서, 사용자 액션에 따른 가속도 값 또는 지자기 값을 획득하고, 이를 프로세서(880)로 전달할 수 있다.
프로세서(880)는, 예를 들면, 소프트웨어(예: 프로그램)를 구동하여 프로세서(880)와 연결된 사용자 단말(U)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 예로, 프로세서(880)는 통신부(810)로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시예로, 프로세서(880)는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로, 메인 프로세서보다 저전력을 사용하거나, 또는 지정된 기능에 특화된 보조 프로세서(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 여기서, 보조 프로세서는 메인 프로세서와 별개로 또는 임베디드되어 운영될 수 있다.
이런 경우, 보조 프로세서는, 예를 들면, 메인 프로세서가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서를 대신하여, 또는 메인 프로세서가 액티브(예: 어플리케이션 수행) 상태에 있는 동안 메인 프로세서와 함께, 사용자 단말(U)의 구성요소들 중 적어도 하나의 구성요소와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다.
다양한 실시예로, 사용자 입력부(840)를 통하여 특정 기능의 실행을 위한 사용자의 명령 정보가 획득되면, 프로세서(880)는 명령 정보를 학습된 기능 추정 모델에 적용하여, 명령 정보에 대응하는 기능 정보를 획득할 수 있다. 그리고, 사용자 단말(U)은 획득된 기능 정보에 기초하여 특정 기능을 실행 또는 준비할 수 있다.
이 경우, 사용자 단말(U)을 특정 기능과 관련된 사용자의 입력 피드백 정보 및 반응 정보를 카메라(850), 마이크(860) 및 센서부(870) 중 적어도 하나를 통하여 획득할 수 있다. 사용자 단말(U)은 획득된 입력 피드백 정보 및 반응 정보 중 적어도 하나를 외부 장치로 전송할 수 있다. 외부 장치는, 예로, 기능 추정 장치(F) 또는 피드백 추정 장치(R)가 될 수 있다.
도 9a를 참조하면, 전자 장치(A) 또는 사용자 단말(U)은 학습부(910) 및 인식부(920) 중 적어도 하나를 포함할 수 있다.
학습부(910)는 소정의 상황 판단을 위한 기준을 갖는 인식 모델을 생성 또는 학습시킬 수 있다. 학습부(910)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인식 모델을 생성할 수 있다. 여기서, 인식 모델은 본 문서의 기능 추정 모델 또는 피드백 추정 모델에 대응될 수 있다.
본 문서에 따르면, 학습부(910)는 사용자 액션에 따른 명령 정보, 명령 정보에 대응하는 기능 정보로 구성된 학습 데이터 쌍, 그리고, 학습 데이터 쌍에 대한 분류 정보를 이용하여, 사용자의 명령 정도에 대응하는 기능을 추정하도록 기능 추정 모델을 학습시킬 수 있다.
또한, 학습부(910)는 특정 기능과 관련된 사용자의 반응 정보 및 상기 특정의 기능과 관련된 사용자의 입력 피드백 정보로 구성된 학습 데이터 쌍을 이용하여, 특정 기능과 관련된 사용자의 피드백을 추정하도록 피드백 추정 모델을 학습시킬 수 있다.
.
인식부(920)는 소정의 데이터를 학습된 인식 모델의 인식 대상인 인식 데이터로 사용하여, 소정의 데이터에 포함된 인식 대상을 추정할 수 있다.
본 문서에 따르면, 인식부(920)는 특정 기능을 실행하기 위한 사용자의 액션에 따른 명령 정보를 학습된 기능 추정 모델의 인식 데이터로 이용하여, 사용자의 의도를 추정한 추정 데이터로서 사용자의 명령 정보에 대응하는 기능 정보를 획득할 수 있다.
또한, 인식부(920)는 특정 기능과 관련된 사용자의 반응 정보를 학습된 피드백 추정 모델의 인식 데이터로 이용하여, 사용자의 피드백을 추정한 추정 데이터로서 사용자의 반응 정보에 대응하는 피드백 정보를 획득할 수 있다.
학습부(910)의 적어도 일부 및 인식부(920)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수도 있다. 예를 들어, 학습부(910) 및 인식부(920) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치 또는 객체 인식 장치에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(910) 및 인식부(920)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(910) 및 인식부(920)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(910) 및 인식부(920) 중 하나는 전자 장치(A) 또는 사용자 단말(U)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(910) 및 인식부(920)는 유선 또는 무선으로 통하여, 학습부(910)가 구축한 모델 정보를 인식부(920)로 제공할 수도 있고, 인식부(920)로 입력된 데이터가 학습 데이터로서 학습부(910)로 제공될 수도 있다.
도 9b는, 다양한 실시예에 따른 학습부(910) 및 인식부(920)의 블록도이다.
도 9b의 (a)를 참조하면, 학습부(910)는 학습 데이터 획득부(911) 및 모델 학습부(914)를 포함할 수 있다. 또한, 학습부(910)는 학습 데이터 전처리부(912), 학습 데이터 선택부(913) 및 모델 평가부(915) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(911)는 인식 대상을 추론하기 위한 인식 모델에 필요한 학습 데이터를 획득할 수 있다. 본 문서의 실시예로, 학습 데이터 획득부(911)는 사용자 액션에 따른 명령 정보, 명령 정보에 대응하는 기능 정보 및 명령 정보/기능 정보에 대한 성공 또는 실패를 나타내는 분류 정보 중 적어도 하나를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(910) 또는 학습부(910)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(914)는 학습 데이터를 이용하여, 인식 모델이 소정의 인식 대상을 어떻게 판단할 지에 관한 판단 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(914)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또는, 모델 학습부(914)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(914)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(914)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인식 모델을 학습시킬 수 있다
또한, 모델 학습부(914)는 입력 데이터를 이용하여 인식 대상을 추정하기 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(914)는 미리 구축된 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인식 모델을 학습할 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
인식 모델이 학습되면, 모델 학습부(914)는 학습된 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(914)는 학습된 인식 모델을 전자 장치(A) 또는 사용자 단말(U)의 메모리에 저장할 수 있다. 또는, 모델 학습부(914)는 학습된 인식 모델을 전자 장치(A) 또는 사용자 단말(U)과 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습부(910)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(912) 및 학습 데이터 선택부(913)를 더 포함할 수도 있다.
학습 데이터 전처리부(912)는 상황 판단을 위한 학습에 획득된 데이터를 전처리할 수 있다. 예로, 학습 데이터 전처리부(912)는 모델 학습부(914)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(913)는 학습 데이터 획득부(911)에서 획득된 데이터 또는 학습 데이터 전처리부(912)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(914)에게 제공될 수 있다. 학습 데이터 선택부(913)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(913)는 모델 학습부(914)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(910)는 데이터 인식 모델의 분석 결과를 향상시키기 위하여, 모델 평가부(915)를 더 포함할 수도 있다.
모델 평가부(915)는 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(914)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(915)는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중에서, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(915)는 각각의 학습된 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(915)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인식 모델로서 결정할 수 있다.
도 9b의 (b)를 참조하면, 일부 실시예에 따른 인식부(920)는 인식 데이터 획득부(921) 및 인식 결과 제공부(924)를 포함할 수 있다.
또한, 인식부(920)는 인식 데이터 전처리부(922), 인식 데이터 선택부(923) 및 모델 갱신부(925) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
인식 데이터 획득부(921)는 상황 판단에 필요한 데이터를 획득할 수 있다. 인식 결과 제공부(924)는 인식 데이터 획득부(921)에서 획득된 데이터를 입력 값으로 학습된 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(924)는 데이터의 분석 목적에 따른 분석 결과를 제공할 수 있다. 인식 결과 제공부(924)는 후술할 인식 데이터 전처리부(922) 또는 인식 데이터 선택부(923)에 의해 선택된 데이터를 입력 값으로 인식 모델에 적용하여 분석 결과를 획득할 수 있다. 분석 결과는 인식 모델에 의해 결정될 수 있다.
일 예로, 인식 결과 제공부(924)는 인식 데이터 획득부(921)에서 특정 기능을 실행하기 위한 사용자의 액션에 따른 명령 정보를 학습된 인식 모델인 기능 추정 모델에 적용하여 사용자의 명령 정보에 대응하는 기능 정보를 획득할 수 있다.
또는, 인식 결과 제공부(924)는 인식 데이터 획득부(921)에서 특정 기능과 관련된 사용자의 반응 정보를 학습된 인식 모델인 피드백 추정 모델에 적용하여 사용자의 반응 정보에 대응하는 피드백 정보를 획득할 수 있다.
인식부(920)는 인식 모델의 분석 결과를 향상시키거나, 분석 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 인식 데이터 전처리부(922) 및 인식 데이터 선택부(923)를 더 포함할 수도 있다.
인식 데이터 전처리부(922)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 인식 데이터 전처리부(922)는 인식 결과 제공부(924)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
인식 데이터 선택부(923)는 인식 데이터 획득부(921)에서 획득된 데이터 또는 인식 데이터 전처리부(922)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(924)에게 제공될 수 있다. 인식 데이터 선택부(923)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(923)는 모델 학습부(914)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(925)는 인식 결과 제공부(924)에 의해 제공되는 분석 결과에 대한 평가에 기초하여, 인식 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(925)는 인식 결과 제공부(924)에 의해 제공되는 분석 결과를 모델 학습부(914)에게 제공함으로써, 모델 학습부(914)가 인식 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 9c는, 일 실시예에 따른 사용자 단말 및 전자 장치 간에 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 9c에서, 사용자 단말(U)은 기능 정보에 기초하여 기능의 실행 또는 준비 화면을 제공하는 사용자 단말이고, 전자 장치(A)는 기능 추정 장치(F) 및 피드백 추정 장치(R) 중 적어도 하나가 될 수 있다.
도 9c를 참조하면, 전자 장치(A)는 상황 판단을 위한 기준을 학습할 수 있으며, 사용자 단말(U)는 전자 장치(A)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.
이 경우, 전자 장치(A)의 모델 학습부(914)는 도 9b에 도시된 모델 학습부(914)의 기능을 수행할 수 있다. 전자 장치(A)의 모델 학습부(914)는 사용자의 명령 정보에 대응하는 기능 정보를 추정하거나 또는 사용자의 반응 정보에 대응하는 피드백 정보를 추정하기 위한 기준을 학습할 수 있다.
또한, 사용자 단말(U)의 인식 결과 제공부(924)는 인식 데이터 획득부(921)에 의하여 획득되거나 인식 데이터 선택부(923)에 의해 선택된 데이터를 전자 장치(A)에 의해 생성된 인식 모델에 적용하여 소정의 상황을 판단할 수 있다.
예로, 사용자 단말(U)의 인식 결과 제공부(924)는 사용자의 명령 정보를 전자 장치(A)로 전송하고, 전자 장치(A)가 사용자의 명령 정보를 인식 모델에 적용한 결과로서 사용자의 명령 정보에 대응하는 기능 정보를 수신할 수 있다. 또는, 사용자 단말(U)의 인식 결과 제공부(924)는 사용자의 반응 정보를 전자 장치(A)로 전송하고, 전자 장치(A)가 사용자의 반응 정보를 인식 모델에 적용한 결과로서 사용자의 반응 정보에 대응하는 피드백 정보를 수신할 수 있다.
또는, 사용자 단말(U)은 전자 장치(A)에 의해 생성된 인식 모델을 전자 장치(A)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다
예로, 사용자 단말(U)의 인식 결과 제공부(924)는 사용자의 명령 정보를 사용자 단말(U)에 저장된 인식 모델에 적용한 결과로서 사용자의 명령 정보에 대응하는 기능 정보를 획득할 수 있다. 또는, 사용자 단말(U)의 인식 결과 제공부(924)는 사용자의 반응 정보를 사용자 단말(U)에 저장된 인식 모델에 적용한 결과로서 사용자의 반응 정보에 대응하는 피드백 정보를 획득할 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(A), 사용자 단말(U))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
A: 전자 장치 U: 사용자 단말
F: 기능 추정 장치 R: 피드백 추정 장치

Claims (20)

  1. 특정 기능과 관련된 사용자의 입력 피드백 정보 및 상기 사용자의 제1 반응 정보를 획득하는 동작;
    상기 입력 피드백 정보 및 상기 제1 반응 정보를 이용하여, 피드백 추정 모델을 학습시키는 동작;
    상기 특정 기능과 관련된 상기 사용자의 제2 반응 정보를 획득하는 동작; 및
    상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하는 동작
    을 포함하고,
    상기 사용자의 입력 피드백 정보는, 상기 특정 기능에 대하여 실행 계속 UI를 선택한 사용자의 선택 정보에 대응하는 실행 성공 정보, 또는 상기 특정 기능에 대하여 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함하는 피드백 정보 획득 방법.
  2. 제1항에 있어서,
    상기 특정 기능과 관련된 피드백 정보를, 상기 사용자의 명령 정보를 이용하여 실행될 기능 정보를 획득하는 기능 추정 장치로 전송하는 동작
    을 더 포함하는 피드백 정보 획득 방법.
  3. 제2항에 있어서,
    상기 기능 추정 장치는,
    상기 특정 기능과 관련된 피드백 정보를 이용하여 기능 추정 모델을 학습시키는
    피드백 정보 획득 방법.
  4. 제1항에 있어서,
    상기 제1 반응 정보 및 상기 제2 반응 정보는,
    상기 특정 기능과 관련된 상기 사용자의 안면 정보 및 상기 사용자의 음성 정보 중 적어도 하나에 기반한 정보인
    피드백 정보 획득 방법.
  5. 제4항에 있어서,
    상기 안면 정보는,
    상기 특정 기능과 관련된 사용자의 표정 정보
    를 포함하는 피드백 정보 획득 방법.
  6. 제1항에 있어서,
    상기 입력 피드백 정보, 상기 제1 반응 정보 및 상기 제2 반응 정보는,
    통신 연결된 외부의 사용자 단말에서 제공되는 특정 기능과 관련된 사용자의 입력 피드백 정보, 제1 반응 정보 및 제2 반응 정보에 각각 대응되는
    피드백 정보 획득 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 특정 기능과 관련된 피드백 정보는,
    상기 특정 기능의 실행 또는 준비에 대하여 사용자의 피드백을 추정한 실행 성공 정보 또는 실행 실패 정보
    를 포함하는 피드백 정보 획득 방법.
  9. 제1항에 있어서,
    상기 제1 반응 정보 및 상기 제2 반응 정보는,
    상기 특정 기능을 실행하는 동안에 획득되거나, 상기 특정 기능을 준비하는 동안에 획득되거나 또는 상기 사용자가 피드백을 입력하는 동안에 획득된 정보인 피드백 정보 획득 방법.
  10. 제1항에 있어서,
    상기 학습된 피드백 추정 모델은,
    반응 정보를 인식 데이터로서 이용하여, 사용자의 피드백을 추정한 결과인 추정 데이터로서 피드백 정보를 제공하도록 설정된 모델
    인 피드백 정보 획득 방법.
  11. 전자 장치에 있어서,
    피드백 추정 모델을 저장하는 메모리;
    외부 장치와 통신하는 통신부; 및
    상기 메모리 및 통신부와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 통신부를 통하여 획득된, 특정 기능과 관련된 사용자의 입력 피드백 정보 및 제1 반응 정보를 이용하여, 상기 메모리에 저장된 피드백 추정 모델을 학습시키고,
    상기 통신부를 통하여, 상기 특정 기능과 관련된 사용자의 제2 반응 정보가 획득되면, 상기 제2 반응 정보를 학습된 피드백 추정 모델에 적용하여, 상기 특정 기능과 관련된 피드백 정보를 획득하고,
    상기 사용자의 입력 피드백 정보는,
    상기 특정 기능의 실행 또는 준비에 대하여 실행 계속 UI를 선택한 사용자의 선택 정보에 대응하는 실행 성공 정보, 또는 상기 특정 기능의 실행 또는 준비에 대하여 실행 취소 UI를 선택한 사용자의 선택 정보에 대응하는 실행 실패 정보를 포함하는
    전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 특정 기능과 관련된 피드백 정보가,
    상기 사용자의 명령 정보를 이용하여 실행될 기능 정보를 획득하는 기능 추정 장치로 전송되도록 상기 통신부를 제어하는
    전자 장치.
  13. 제12항에 있어서,
    상기 기능 추정 장치는,
    상기 특정 기능과 관련된 피드백 정보를 이용하여 기능 추정 모델을 학습시키는
    전자 장치.
  14. 제11항에 있어서,
    상기 제1 반응 정보 및 상기 제2 반응 정보는,
    상기 특정 기능과 관련된 상기 사용자의 안면 정보 및 상기 사용자의 음성 정보 중 적어도 하나에 기반한 정보인
    전자 장치.
  15. 제14항에 있어서,
    상기 안면 정보는,
    상기 특정 기능과 관련된 사용자의 표정 정보
    를 포함하는 전자 장치.
  16. 제11항에 있어서,
    상기 입력 피드백 정보, 상기 제1 반응 정보 및 상기 제2 반응 정보는,
    통신 연결된 외부의 사용자 단말에서 제공되는 특정 기능과 관련된 사용자의 입력 피드백 정보, 제1 반응 정보 및 제2 반응 정보에 각각 대응되는
    전자 장치.
  17. 삭제
  18. 제11항에 있어서,
    상기 특정 기능과 관련된 피드백 정보는,
    상기 특정 기능의 실행 또는 준비에 대하여 사용자의 피드백을 추정한 실행 성공 정보 또는 실행 실패 정보
    를 포함하는 전자 장치.
  19. 제11항에 있어서,
    상기 제1 반응 정보 및 상기 제2 반응 정보는,
    상기 특정 기능을 실행하는 동안에 획득되거나, 상기 특정 기능을 준비하는 동안에 획득되거나 또는 상기 사용자가 피드백을 입력하는 동안에 획득된 정보인 전자 장치.
  20. 제11항에 있어서,
    상기 학습된 피드백 추정 모델은,
    반응 정보를 인식 데이터로서 이용하여, 사용자의 피드백을 추정한 결과인 추정 데이터로서 피드백 정보를 제공하도록 설정된 모델
    인 전자 장치.
KR1020170119660A 2017-09-18 2017-09-18 전자 장치 및 이의 피드백 정보 획득 방법 KR102499379B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170119660A KR102499379B1 (ko) 2017-09-18 2017-09-18 전자 장치 및 이의 피드백 정보 획득 방법
US16/648,456 US11468270B2 (en) 2017-09-18 2018-09-11 Electronic device and feedback information acquisition method therefor
PCT/KR2018/010586 WO2019054715A1 (ko) 2017-09-18 2018-09-11 전자 장치 및 이의 피드백 정보 획득 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170119660A KR102499379B1 (ko) 2017-09-18 2017-09-18 전자 장치 및 이의 피드백 정보 획득 방법

Publications (2)

Publication Number Publication Date
KR20190031786A KR20190031786A (ko) 2019-03-27
KR102499379B1 true KR102499379B1 (ko) 2023-02-13

Family

ID=65723721

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170119660A KR102499379B1 (ko) 2017-09-18 2017-09-18 전자 장치 및 이의 피드백 정보 획득 방법

Country Status (3)

Country Link
US (1) US11468270B2 (ko)
KR (1) KR102499379B1 (ko)
WO (1) WO2019054715A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210072362A (ko) 2019-12-09 2021-06-17 엘지전자 주식회사 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
CN111259573B (zh) * 2020-04-08 2023-06-16 攀枝花学院 一种磁疗服装使用寿命预测方法
KR102416987B1 (ko) * 2020-11-18 2022-07-06 재단법인대구경북과학기술원 얼굴인식과 동작인식을 활용한 지능형 버추얼 피트니스 시스템 및 그 동작 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050054381A1 (en) 2003-09-05 2005-03-10 Samsung Electronics Co., Ltd. Proactive user interface
KR101556594B1 (ko) 2009-01-14 2015-10-01 삼성전자 주식회사 신호처리장치 및 신호처리장치에서의 음성 인식 방법
TWI379205B (en) 2009-03-12 2012-12-11 Ind Tech Res Inst Instant communication interacting system and method thereof
KR20130082701A (ko) * 2011-12-14 2013-07-22 한국전자통신연구원 인공지능을 이용한 감성인지 아바타 서비스 장치 및 방법
US9922642B2 (en) 2013-03-15 2018-03-20 Apple Inc. Training an at least partial voice command system
US20150020086A1 (en) * 2013-07-11 2015-01-15 Samsung Electronics Co., Ltd. Systems and methods for obtaining user feedback to media content
JP6429706B2 (ja) * 2015-03-31 2018-11-28 株式会社デンソーアイティーラボラトリ 音声対話装置、音声対話方法及びプログラム
US20170154258A1 (en) * 2015-11-30 2017-06-01 National Institute Of Information And Communications Technology Joint estimation method and method of training sequence-to-sequence model therefor

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
양현승 등., 서비스 로봇을 위한 감성인터페이스 기술, 로봇공학회 논문지 제1권 제1호, 58-65pages (2006. 9.)

Also Published As

Publication number Publication date
KR20190031786A (ko) 2019-03-27
US11468270B2 (en) 2022-10-11
WO2019054715A1 (ko) 2019-03-21
US20200234085A1 (en) 2020-07-23

Similar Documents

Publication Publication Date Title
US11671386B2 (en) Electronic device and method for changing chatbot
EP3725470A1 (en) Robot reacting on basis of user behavior and control method therefor
KR102473447B1 (ko) 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법
US11544524B2 (en) Electronic device and method of obtaining emotion information
KR102643027B1 (ko) 전자 장치, 그의 제어 방법
US11954150B2 (en) Electronic device and method for controlling the electronic device thereof
KR102526700B1 (ko) 전자 장치 및 그의 3d 이미지 표시 방법
KR102449630B1 (ko) 전자 장치 및 이의 제어 방법
US11876925B2 (en) Electronic device and method for controlling the electronic device to provide output information of event based on context
EP3820369B1 (en) Electronic device and method of obtaining emotion information
US20210049890A1 (en) Electronic device and control method therefor
KR20240032779A (ko) 전자 장치, 그의 제어 방법
KR20230023704A (ko) 전자 장치 및 그의 제어 방법
KR102499379B1 (ko) 전자 장치 및 이의 피드백 정보 획득 방법
KR20190140519A (ko) 전자 장치 및 그의 제어방법
KR20200044173A (ko) 전자 장치 및 그의 제어 방법
US20230290343A1 (en) Electronic device and control method therefor
KR102398386B1 (ko) 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치
US11315553B2 (en) Electronic device and method for providing or obtaining data for training thereof
KR20190105175A (ko) 전자 장치 및 이의 자연어 생성 방법
KR102532230B1 (ko) 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant