KR102501714B1 - 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 - Google Patents

Abstract

사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법이 제공된다. 디바이스가 사용자의 음성 입력에 대한 답변 메시지를 제공하는 방법은, 사용자의 음성 입력을 수신하는 단계; 상기 수신된 음성 입력을 분석함으로써, 상기 사용자의 목적지 및 상기 사용자의 의도를 결정하는 단계; 상기 목적지에 관련된 연관 정보를 획득하는 단계; 상기 획득된 연관 정보에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 단계; 및 상기 생성된 답변 메시지를 디스플레이하는 단계:를 포함한다.

Description

사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법{DEVICE AND METHOD FOR PROVIDING RESPONSE MESSAGE TO USER’S VOICE INPUT}

본 개시는 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법에 관한 것으로서, 보다 상세하게는, 사용자의 음성 입력에 관련된 동작을 딥러닝 등의 기계 학습 알고리즘을 활용하여 추천하는 디바이스 및 방법에 관한 것으로, 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.

멀티 미디어 기술 및 네트워크 기술이 발전함에 따라, 사용자는 디바이스를 이용하여 다양한 서비스를 제공받을 수 있게 되었다. 특히, 음성 인식 기술이 발전함에 따라, 사용자는 디바이스에 음성을 입력하고, 음성 입력에 따른 디바이스의 동작을 실행할 수 있게 되었다.

하지만, 종래에는, 사용자의 음성 입력으로부터 사용자의 의도를 정확하게 파악하기 힘든 문제가 있었으며, 사용자의 의도를 파악하더라도 사용자에게 적절한 피드백을 주기 힘든 문제가 있었다. 이에 따라, 사용자의 음성 입력으로부터 사용자의 의도를 파악하고, 사용자가 요청한 동작의 대체 동작을 수행할 것을 사용자에게 효과적으로 추천할 수 있는 기술이 요구되고 있다.

특히, 근래에는 인공 지능(예컨대, 딥러닝(Deep learning)) 등의 기술이 발전함으로써, 음성, 이미지, 동영상 또는 텍스트와 같은 데이터를 자동(Automation)으로 인식하여 데이터와 연관된 정보를 제공하거나 데이터와 관련된 서비스를 제공하는 지능형 서비스(Intelligent Service)가 다양한 분야에서 사용되고 있다.

인공 지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 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(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 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.

일부 실시예는, 인공지능을 이용하여 사용자의 음성 입력으로부터 사용자의 의도를 파악하고, 사용자가 요청한 동작의 대체 동작을 추천할 수 있는, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법을 제공할 수 있다.

또한, 일부 실시예는, 인공지능을 이용하여 사용자의 음성 입력으로부터 사용자의 의도를 파악하고, 사용자가 요청한 목적지와 유사한 대체 목적지를 추천할 수 있는, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법을 제공할 수 있다.

또한, 일부 실시예는, 인공지능을 이용하여 사용자의 음성 입력으로부터 파악된 사용자의 의도의 실현 가능성에 기초하여, 사용자에게 대체 동작을 추천할 수 있는, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법을 제공할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제 1 측면은 적어도 하나의 프로그램이 저장되는 메모리; 사용자의 음성 입력을 수신하는 마이크로폰; 및 상기 적어도 하나의 프로그램을 실행함으로써 상기 사용자의 음성 입력에 대한 답변 메시지를 제공하도록 하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로그램은, 상기 수신된 음성 입력을 분석함으로써, 상기 사용자의 목적지 및 상기 사용자의 의도를 결정하는 단계; 상기 목적지에 관련된 연관 정보를 획득하는 단계; 상기 획득된 연관 정보에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 단계; 및 상기 생성된 답변 메시지를 디스플레이하는 단계:를 실행하는 명령어들을 포함하는 것을 특징으로 하는, 디바이스를 제공할 수 있다.

또한, 본 개시의 제 2 측면은, 사용자의 음성 입력을 수신하는 단계; 상기 수신된 음성 입력을 분석함으로써, 상기 사용자의 목적지 및 상기 사용자의 의도를 결정하는 단계; 상기 목적지에 관련된 연관 정보를 획득하는 단계; 상기 획득된 연관 정보에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 단계; 및 상기 생성된 답변 메시지를 디스플레이하는 단계:를 포함하는, 디바이스가 사용자의 음성 입력에 대한 답변 메시지를 제공하는 방법을 제공할 수 있다.

또한, 본 개시의 제 3 측면은, 제 2 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.

도 1은 일부 실시예에 따른 디바이스(1000)가 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 2는 일부 실시예에 따른, 디바이스(1000)가 사용자의 의도에 관련된 대체 동작을 추천하는 방법의 흐름도이다.
도 3은 일부 실시예에 따른 사용자의 의도에 관련된 대체 목적지를 추천하는 방법의 흐름도이다.
도 4는 일부 실시예에 따른 디바이스(1000)가 사용자의 의도를 결정하는 방법의 흐름도이다.
도 5는 디바이스(1000)가 사용자의 의도의 실현 가능성에 기초하여 대체 동작을 위한 답변 메시지를 생성하는 방법의 흐름도이다.
도 6은 일부 실시예에 따른 사용자의 의도의 카테고리, 태스크 타입 및 사용자의 의도에 관한 연관 정보의 예시를 나타내는 테이블을 도시한 도면이다.
도 7은 일부 실시예에 따른 특정 목적지의 영업 시간을 판단하는데 이용되는 데이터 테이블(70)의 예시를 나타내는 도면이다.
도 8은 일부 실시예에 따른 사용자의 의도의 실현 가능성에 따른 대체 목적지의 예시를 나타내는 도면이다.
도 9는 일부 실시예에 따른 디바이스(1000)가 사용자의 의도를 만족시키기 위해 애플리케이션을 실행하고 부가 정보를 제공하는 방법의 흐름도이다.
도 10은 일부 실시예에 따른 디바이스(1000)가 사용자의 의도에 관련된 추가 태스크를 수행하는 방법의 흐름도이다.
도 11은 일부 실시예에 따른 디바이스(1000)가 사용자의 구매 리스트에 기초하여 사용자의 의도에 관련된 부가 정보를 제공하는 예시를 나타내는 도면이다.
도 12는 일부 실시예에 따른 디바이스(1000)가 사용자의 일정 정보에 기초하여 사용자의 의도에 관련된 부가 정보를 제공하는 예시를 나타내는 도면이다.
도 13은 일부 실시예에 따른 디바이스(1000)가 목적지에 위치한 다른 사용자에 관한 정보를 사용자에게 제공하는 예시를 나타내는 도면이다.
도 14는 일부 실시예에 따른 디바이스(1000)가 목적지의 영업일 및 영업 시간을 고려하여 대체 목적지를 추천하는 예시를 나타내는 도면이다.
도 15는 일부 실시예에 따른 디바이스(1000)가 목적지까지의 도착 소요 시간을 고려하여 대체 목적지를 추천하는 예시를 나타내는 도면이다.
도 16은 일부 실시예에 따른 디바이스(1000)가 목적지 또는 대체 목적지에 관련된 주차 정보를 제공하는 예시를 나타내는 도면이다.
도 17은 일부 실시예에 따른 디바이스(1000)가 목적지 또는 대체 목적지에 관련된 주차 정보 및 추가 태스크를 추천하는 예시를 나타내는 도면이다.
도 18은 일부 실시예에 따른 디바이스(1000)가 목적지에서 출발하는 배 시간표를 부가 정보로 제공하는 예시를 나타내는 도면이다.
도 19는 일부 실시예에 따른 디바이스(1000)가 목적지의 시설을 이용하기 위한 대기 시간에 기초하여, 주변의 다른 관광지를 대체 목적지를 추천하는 예시를 나타내는 도면이다.
도 20은 일부 실시예에 따른 디바이스(1000)가 음식 주문을 하고자 하는 사용자의 의도에 대응되는 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 21은 일부 실시예에 따른 디바이스(1000)가 특정 장소에 관한 사용자의 문의에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 22는 일부 실시예에 따른 디바이스(1000)가 특정 장소에 전화하고자 하는 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 23은 일부 실시예에 따른 디바이스(1000)가 헤어 샵의 서비스를 예약하고자 하는 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 24는 일부 실시예에 따른 디바이스(1000)가 서버(2000)와 연동함으로써, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 25 및 도 26은 일부 실시예에 따른 디바이스(1000)의 블록도이다.
도 27은 일부 실시예에 따른 서버(2000)의 블록도이다.
도 28은 일부 실시예에 따른 프로세서(1300)의 블록도이다.
도 29는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 30은 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 31는 일부 실시예에 따른 디바이스(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 일부 실시예에 따른 디바이스(1000)가 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 1을 참조하면, 사용자는 디바이스(1000)에 음성 입력을 입력할 수 있으며, 디바이스(1000)는 사용자의 음성 입력에 기초하여 사용자의 의도를 파악하고, 사용자의 의도에 부합하는 답변 메시지를 제공할 수 있다. 디바이스(1000)는 사용자의 의도가 실현될 수 있는지를 판단할 수 있으며, 사용자의 의도가 실현되기 힘들다고 판단되면, 사용자의 의도를 대체할 수 있는 동작을 추천할 수 있다.

또한, 디바이스(1000)는 사용자에 관련된 컨텍스트 정보, 사용자의 음성 입력에 포함된 특정 장소에 관한 컨텍스트 정보 등을 활용하여, 사용자의 의도를 파악할 수 있으며, 사용자의 의도가 실현될 수 있는 지를 판단할 수 있다. 또한, 디바이스(1000)는 사용자에 관련된 컨텍스트 정보, 사용자의 음성 입력에 포함된 특정 장소에 관한 컨텍스트 정보 등을 활용하여, 사용자의 의도를 대체할 수 있는 동작을 추천할 수 있으며, 사용자의 의도에 관련된 부가 정보를 제공할 수 있다.

컨텍스트 정보는, 디바이스(1000)의 주변 환경 정보, 디바이스(1000)의 상태 정보, 사용자의 상태 정보, 사용자의 디바이스(1000) 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스(1000)의 주변 환경 정보는, 디바이스(1000)로부터 소정 반경 내의 환경 정보를 의미하는 것으로서, 예를 들어, 날씨 정보, 온도 정보, 습도 정보, 조도 정보, 소음 정보, 소리 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스(1000)의 상태 정보는, 디바이스(1000)의 모드 정보(예컨대, 소리 모드, 진동 모드, 무음 모드, 절전 모드, 차단 모드, 멀티 윈도우 모드, 자동 회전 모드 등), 디바이스(1000)의 위치 정보, 시간 정보, 통신 모듈의 활성화 정보(예컨대, Wi-Fi ON / Bluetooth OFF / GPS ON/ NFC ON 등), 디바이스(1000)의 네트워크 접속 상태 정보, 디바이스(1000)에서 실행되는 애플리케이션 정보(예컨대, 애플리케이션의 식별 정보, 애플리케이션 종류, 애플리케이션 이용 시간, 애플리케이션 이용 주기) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 사용자의 상태 정보는 사용자의 움직임, 생활 패턴 등에 관한 정보로서, 사용자의 걷는 상태, 운동하는 상태, 운전 중인 상태, 수면 상태, 사용자의 기분 상태 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 사용자의 디바이스(1000) 사용 이력 정보는, 사용자가 디바이스()를 이용한 이력에 관한 정보로서, 애플리케이션의 실행 이력, 애플리케이션에서 실행된 기능의 이력, 사용자의 통화 내역, 및 사용자의 문자 내역 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

디바이스(1000)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(1000)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 디바이스(1000)는 사용자의 음성 입력을 수신하고, 사용자에게 답변 메시지를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.

또한, 디바이스(1000)는 다양한 컨텍스트 정보를 이용하기 위하여, 소정의 네트워크를 통하여 서버(2000) 및 다른 장치(미도시)와 통신할 수 있다. 이 경우, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 2는 일부 실시예에 따른, 디바이스(1000)가 사용자의 의도에 관련된 대체 동작을 추천하는 방법의 흐름도이다.

동작 S200에서 디바이스(1000)는 사용자의 음성 입력을 수신할 수 있다. 디바이스(1000)는 사용자의 음성 입력에 기초하여 디바이스(1000)의 동작을 수행하는 애플리케이션을 실행할 수 있으며, 실행된 애플리케이션을 통하여 사용자의 음성 입력을 수신할 수 있다. 디바이스(1000)는, 예를 들어, “S 보이스”와 같은 보이스 어시스턴트 애플리케이션 (Voice Assistant Application)을 실행하고, 실행된 애플리케이션을 제어함으로써 마이크를 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다.

동작 S210에서 디바이스(1000)는 사용자의 음성 입력에 기초하여, 사용자의 의도를 결정할 수 있다. 디바이스(1000)는 사용자의 음성 입력을 다양한 자연어 해석 기법을 이용하여 해석할 수 있으며, 사용자의 음성 입력의 의미에 기초하여 사용자의 의도를 결정할 수 있다. 또한, 디바이스(1000)는 사용자에 관련된 컨텍스트 정보를 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, 디바이스(1000)는 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역 등을 고려하여, 사용자의 의도를 결정할 수 있다. 예를 들어, 디바이스(1000)는 특정 장소에서 쇼핑하기 위하여 특정 장소로 길 안내를 요청하는 사용자의 의도를 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는 특정 장소에서 미팅하기 위하여 특정 장소로 길 안내를 요청하는 사용자의 의도를 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는 특정 음식을 주문하기 위한 사용자의 의도를 결정할 수 있다. 그러나, 디바이스(1000)에 의해 결정되는 사용자의 의도는 이에 제한되지 않는다.

사용자의 음성 입력의 의미에 따른 사용자의 의도를 파악함에 있어서, 사용자의 컨텍스트 정보가 이용될 수 있다. 또한, 음성 입력의 의미에 따라 어떠한 컨텍스트 정보가 이용될 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 소정의 음성 입력 및 소정의 컨텍스트 정보를 입력 값으로 하는 지도 학습(supervised learning), 별다른 지도없이 사용자의 의도 파악을 위해 필요한 컨텍스트 정보의 종류를 스스로 학습함으로써, 사용자의 의도 파악을 위한 패턴을 발견하는 비지도 학습(unsupervised learning)이 사용자의 의도 파악에 이용될 수 있다. 또한, 예를 들어, 학습에 따른 사용자의 의도 파악의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)이 사용자의 의도 파악에 이용될 수 있다.

동작 S220에서 디바이스(1000)는 사용자의 의도에 관련된 연관 정보를 획득할 수 있다. 디바이스(1000)는 사용자의 의도를 실현시킬 수 있는 지를 판단하기 위하여 사용자의 의도에 관련된 연관 정보들을 수집할 수 있다. 예를 들어, 디바이스(1000)는 특정 장소의 영업 시간, 특정 장소의 주차 상황, 특정 시설의 시설 이용 시간 및 특정 장소로의 교통 상황 등에 관한 정보를 획득할 수 있다.

사용자의 의도와 관련하여 어떠한 연관 정보가 필요한 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)이 연관 정보의 획득에 이용될 수 있다.

동작 S230에서 디바이스(1000)는 사용자의 의도를 만족시키기 위한 대체 동작을 추천할 수 있다. 디바이스(1000)는 연관 정보를 이용하여 사용자의 의도가 실현될 수 있는지를 판단할 수 있으며, 판단 결과에 기초하여 사용자의 의도를 만족시키기 위한 대체 동작을 추천할 수 있다. 예를 들어, A 백화점으로 쇼핑을 위하여 길 안내를 요청하는 사용자의 의도가 실현되기 힘든 경우에, 디바이스(1000)는 A 백화점 주변의 B 백화점으로 길 안내를 하는 대체 동작을 사용자에게 추천할 수 있다.

사용자의 의도를 만족시키기 위하여 어떠한 대체 동작이 필요한 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)이 대체 동작의 결정에 이용될 수 있다.

또한, 디바이스(1000)는 대체 동작을 추천하는 답변 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 또한, 디바이스(1000)는 사용자의 의도에 관련된 추가 동작 및 부가 정보를 사용자에게 제공할 수 있다.

상기에서는, 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득 및 대체 동작의 추천이 각각 별개의 학습에 기초하여 수행되는 것으로 설명되었지만, 이에 제한되지 않는다. 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득 및 대체 동작의 추천 중 적어도 둘 이상이 하나의 학습 모델에 의해 수행될 수도 있다.

또한, 예를 들어, 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득 및 대체 동작의 추천이 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

구체적으로 디바이스(1000)는 사용자의 음성 입력에 대한 해석 결과(예컨대 텍스트 정보) 및 사용자의 컨텍스트 정보(예컨대 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역 등)를 통신부를 통해 서버로 전송하고, 서버는 심층신경망 기술을 이용하여 사용자의 의도를 파악하고, 사용자의 의도에 관련된 연관 정보를 획득 및 대체 동작을 추천하여 디바이스(1000)로 전송할 수 있다.

도 3은 일부 실시예에 따른 사용자의 의도에 관련된 대체 목적지를 추천하는 방법의 흐름도이다.

동작 S300에서, 디바이스(1000)는 사용자의 음성 입력을 수신할 수 있다. 디바이스(1000)는, 예를 들어, “S 보이스”와 같은 보이스 어시스턴트 애플리케이션 (Voice Assistant Application)을 실행하고, 실행된 애플리케이션을 제어함으로써 마이크를 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 “강남 A 백화점으로 안내해 줘”라는 사용자의 음성 입력을 수신할 수 있다.

동작 S310에서 디바이스(1000)는 사용자의 목적지 및 사용자의 의도를 결정할 수 있다. 디바이스(1000)는 기 설정된 기준에 따른 학습 결과에 기초하여 사용자의 목적지 및 사용자의 의도를 결정할 수 있다.

디바이스(1000)는 다양한 자연어 해석 기법을 이용하여, 사용자의 음성 입력을 해석할 수 있다. 예를 들어, 디바이스(1000)는 “강남 A 백화점으로 안내해 줘”라는 사용자의 음성 입력을 해석함으로써, 사용자가 강남 A 백화점으로 길 안내를 요청함을 결정할 수 있다.

또한, 디바이스(1000)는 사용자의 컨텍스트 정보를 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, 디바이스(1000)는, 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역, 특정 장소를 방문한 이력, 사용자의 웹 서치 이력, 특정 장소에서의 결제 이력 등을 고려하여, 사용자의 의도를 결정할 수 있다. 예를 들어, 디바이스(1000)의 스케줄 애플리케이션을 통해 기록된 일정 정보 내에, 사용자의 음성 입력이 입력된 날짜에 쇼핑을 하기 위한 일정이 기록되어 있는 경우에, 디바이스(1000)는 사용자가 강남 A 백화점에서 쇼핑을 하기 위하여 길 안내를 요청하는 것으로 사용자의 의도를 결정할 수 있다.

사용자의 음성 입력의 의미에 따른 사용자의 목적지 및 사용자의 의도를 파악함에 있어서, 어떠한 컨텍스트 정보가 이용될 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 소정의 음성 입력 및 소정의 컨텍스트 정보를 입력 값으로 하는 지도 학습(supervised learning), 별다른 지도없이 사용자의 의도 파악을 위해 필요한 컨텍스트 정보의 종류를 스스로 학습함으로써, 사용자의 의도 파악을 위한 패턴을 발견하는 비지도 학습(unsupervised learning)이 사용자의 의도 파악에 이용될 수 있다. 또한, 예를 들어, 학습에 따른 사용자의 의도 파악의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)이 사용자의 의도 파악에 이용될 수 있다.

동작 S320에서 디바이스(1000)는 목적지에 관련된 연관 정보를 획득할 수 있다. 디바이스(1000)는 사용자의 의도가 실현 가능한지를 판단하기 위하여, 목적지에 관련된 연관 정보를 획득할 수 있다. 예를 들어, 사용자의 의도가 사용자가 강남 A 백화점에서 쇼핑을 하기 위하여 길 안내를 요청하는 것인 경우에, 디바이스(1000)는 A 백화점의 영업 시간, A 백화점의 주차 상황, A 백화점의 물품 재고 상황, A 백화점의 할인 정보 및 A 백화점으로의 교통 상황 등에 관한 정보를 획득할 수 있다.

사용자의 의도와 관련하여 어떠한 연관 정보가 필요한 지를 결정하고 사용자의 의도의 실현 가능성을 판단하는 것은 기 설정된 기준에 의한 학습에 따라 수행될 수 있다. 예를 들어, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)이 연관 정보의 획득 및 실현 가능성의 판단에 이용될 수 있다.

동작 S330에서 디바이스(1000)는 사용자의 의도와 관련된 대체 목적지를 추천할 수 있다. 디바이스(1000)는 연관 정보를 이용하여, 사용자의 의도의 실현 가능성을 판단할 수 있다. 또한, 디바이스(1000)는 사용자의 의도의 실현 가능성이 기 설정된 수치 이하인 경우에, 사용자의 의도를 만족시키기 위한 대체 목적지를 추천할 수 있다. 예를 들어, 강남 A 백화점이 영업을 하지 않거나 강남 A 백화점에 사용자가 구매하고자 하는 물품이 없는 경우에, 디바이스(1000)는 도곡 B 백화점을 대체 목적지로 추천할 수 있다. 또한, 디바이스(1000)는 대체 목적지로 길 안내를 할지를 사용자에게 문의하는 답변 메시지를 생성하고, 생성된 답변 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

사용자의 의도를 만족시키기 위하여 어떤 대체 목적지를 결정할 지는 기 설정된 기준에 의한 학습에 따라 결정될 수 있다. 예를 들어, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)이 대체 목적지의 결정에 이용될 수 있다.

상기에서는, 사용자의 목적지 및 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득, 사용자의 의도의 실현 가능성 판단 및 대체 목적지의 추천이 각각 별개의 학습에 기초하여 수행되는 것으로 설명되었지만, 이에 제한되지 않는다. 사용자의 목적지 및 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득, 사용자의 의도의 실현 가능성 판단 및 대체 목적지의 추천 중 적어도 둘 이상이 하나의 학습 모델에 의해 수행될 수도 있다.

또한, 예를 들어, 사용자의 목적지 및 사용자의 의도 파악, 사용자의 의도에 관련된 연관 정보의 획득, 사용자의 의도의 실현 가능성 판단 및 대체 목적지의 추천이 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

구체적으로 디바이스(1000)는 사용자의 음성 입력에 대한 해석 결과(예컨대 텍스트 정보) 및 사용자의 컨텍스트 정보(예컨대 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역 등)를 통신부를 통해 서버로 전송하고, 서버는 심층신경망 기술을 이용하여 사용자의 목적지 및 사용자의 의도를 파악하고, 사용자의 의도의 실현 가능성 판단 및 대체 목적지 정보를 디바이스(1000)로 전송할 수 있다.

도 4는 일부 실시예에 따른 디바이스(1000)가 사용자의 의도를 결정하는 방법의 흐름도이다.

동작 S400에서 디바이스(1000)는 사용자의 음성 입력을 수신할 수 있으며, 동작 S410에서 디바이스(1000)는 사용자의 컨텍스트 정보를 획득할 수 있다. 디바이스(1000)는, 예를 들어, 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역, 특정 장소를 방문한 이력, 사용자의 웹 서치 이력, 특정 장소에서의 결제 이력 등을 획득할 수 있다.

동작 S420에서 디바이스(1000)는 사용자의 의도의 카테고리를 결정할 수 있다. 디바이스(1000)는 사용자의 음성 입력을 STT(Speech To Text) 변환함으로써 텍스트를 획득할 수 있다. 또한, 디바이스(1000)는 획득된 텍스트의 의미를 자연어 해석 기법을 이용하여 파악함으로써 사용자의 의도의 카테고리를 결정할 수 있다. 사용자의 의도의 카테고리는, 기 설정된 기준에 따른 학습에 기초하여 분류될 수 있다. 예를 들어, 디바이스(1000)는 사용자의 입력 음성으로부터 사용자의 의도의 카테고리가 ‘길 안내’ 또는 ‘음식 주문’임을 결정할 수 있다. 그러나, 카테고리의 종류는 이에 제한되지 않는다. 또한, 디바이스(1000)는 사용자의 컨텍스트 정보를 이용하여 사용자의 의도의 카테고리를 결정할 수 있다.

동작 S430에서 디바이스(1000)는 카테고리의 태스크 타입을 결정할 수 있다. 카테고리의 태스크 타입은 기 설정된 기준에 따른 학습에 기초하여 분류될 수 있으며, 해당 카테고리의 사용자 의도에 따른 태스크의 종류를 나타낼 수 있다. 예를 들어, 사용자의 의도의 카테고리가 ‘길 안내’인 경우에, 태스크 타입은 ‘쇼핑’ 또는 ‘미팅’일 수 있다. 그러나, 태스크 타입의 예는 이에 제한되지 않는다. 디바이스(1000)는 사용자의 입력 음성으로부터 변환된 텍스트의 의미 및 사용자의 컨텍스트 정보를 이용하여 태스크 타입을 결정할 수 있다. 예를 들어, 디바이스(1000)는 사용자의 통화 내역, 문자 내역 또는 일정 정보를 이용하여 태스크 타입을 결정할 수 있다. 예를 들어, 사용자의 음성 입력이 수신된 날짜에 사용자가 쇼핑을 할 것이라는 메모가 칼렌더 애플리케이션에 기록되어 있다면, 디바이스(1000)는 칼렌더 애플리케이션에 기록된 메모를 고려하여, 사용자의 태스크 타입이 ‘쇼핑’임을 결정할 수 있다.

동작 S430에서 디바이스(1000)는 사용자의 목적지를 결정할 수 있다. 디바이스(1000)는 사용자의 입력 음성으로부터 변환된 텍스트의 의미에 기초하여 사용자의 목적지를 결정할 수 있다. 예를 들어, 디바이스(1000)는 “강남 A 백화점으로 안내해 줘”라는 사용자의 음성 입력을 해석함으로써, 사용자의 목적지가 ‘강남 A 백화점’임을 결정할 수 있다.

동작 S440에서 디바이스(1000)는 사용자의 의도를 결정할 수 있다. 디바이스(1000)는 동작 S420 내지 동작 S440에 기초하여, 사용자가 쇼핑을 하기 위하여 강남 A 백화점으로 길 안내를 요청함을 결정할 수 있다. 또한, 디바이스(1000)는 사용자의 컨텍스트 정보를 함께 고려하여, 사용자가 물품 AA를 구매하기 위하여 강남 A 백화점으로 길 안내를 요청함을 결정할 수 있다.

상기에서는, 컨텍스트 정보의 획득, 카테고리의 결정, 태스크 타입의 결정, 목적지의 결정 및 사용자 의도의 결정이 각각의 동작으로 수행되는 것으로 설명되었지만, 이에 제한되지 않는다. 컨텍스트 정보의 획득, 카테고리의 결정, 태스크 타입의 결정, 목적지의 결정 및 사용자 의도의 결정 중 적어도 둘 이상이, 기 설정된 기준에 따른 학습에 기초하여 수행될 수 있다.

또한, 예를 들어, 컨텍스트 정보의 획득, 카테고리의 결정, 태스크 타입의 결정, 목적지의 결정 및 사용자 의도의 결정 중 적어도 둘 이상이, 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

구체적으로 디바이스(1000)는 사용자의 음성 입력을 STT로 변환함으로써 텍스트를 획득할 수 있다. 디바이스(1000)는 획득된 텍스트 및 사용자의 컨텍스트 정보(예컨대 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역 등)를 통신부를 통해 서버로 전송하고, 서버는 텍스트 및 사용자의 컨텍스트 정보를 심층신경망에 적용하여 사용자의 의도의 카테고리 및 태스크 타입을 결정하고, 이에 대한 연관 정보를 디바이스(1000)로 전송할 수 있다.

도 5는 디바이스(1000)가 사용자의 의도의 실현 가능성에 기초하여 대체 동작을 위한 답변 메시지를 생성하는 방법의 흐름도이다.

동작 S500에서 디바이스(1000)는 목적지에 관련된 연관 정보를 획득할 수 있다. 디바이스(1000)는 사용자의 의도를 고려하여 목적지에 관련된 연관 정보를 획득할 수 있다. 목적지에 관련된 연관 정보는 사용자의 의도를 실현할 수 있는 지를 결정하기 위하여 필요한 정보로서, 사용자의 의도에 따라 기 설정된 기준에 따른 학습에 기초하여 결정될 수 있다. 예를 들어, 사용자의 의도의 카테고리가 ‘길 안내’이고 태스크 타입이 ‘쇼핑’인 경우에, 디바이스(1000)는 목적지에 관한 연관 정보로서 목적지의 영업 시간, 목적지의 주차 상황, 목적지로의 교통 상황 등을 획득할 수 있다.

동작 S510에서 디바이스(1000)는 연관 정보에 기초하여, 사용자의 의도의 실현 가능성을 결정할 수 있다. 디바이스(1000)는 연관 정보에 기초하여, 사용자의 의도를 용이하게 실현시킬 수 있는지에 관한 정도를 판단할 수 있다. 예를 들어, 사용자의 의도가 쇼핑을 위하여 강남 A 백화점으로 길 안내를 요청하는 것이라면, 디바이스(1000)는 강남 A 백화점이 오늘 영업을 하고 있는지, 영업 시간이 지나지 않았는지, 강남 A 백화점의 주차 상황이 양호한지, 강남 A 백화점으로의 교통 상황이 양호한지, 강남 A 백화점에서 사용자가 원하는 물품을 판매하고 있는 지 등을 고려하여, 사용자의 의도의 실현 가능성을 판단할 수 있다. 사용자의 의도의 실현 가능성은 기 설정된 기준에 따른 학습에 기초하여 설정될 수 있다.

동작 S520에서 디바이스(1000)는 사용자의 의도의 실현 가능성이 임계치보다 큰지를 판단할 수 있다.

동작 S520에서의 판단 결과, 사용자의 의도의 실현 가능성이 임계치보다 크다면, 동작 S530에서 디바이스(1000)는 목적지에 관한 사용자의 의도에 부합하는 동작을 수행할 수 있다. 예를 들어, 디바이스(1000)는 강남 A 백화점으로의 길 안내 정보를 사용자에게 제공할 수 있다. 이 경우, 디바이스(1000)는 길 안내를 위한 기 설정된 네비게이션 애플리케이션을 자동으로 실행하고, 강남 A 백화점을 실행된 애플리케이션에 입력할 수 있다.

동작 S520에서의 판단 결과, 사용자의 의도의 실현 가능성이 임계치보다 크지 않다면, 동작 S540에서, 디바이스(1000)는 대체 목적지를 추천하는 답변 메시지를 생성할 수 있다. 디바이스(1000)는 사용자의 의도를 실현하기 위하여 사용자가 가고자 하는 목적지 외의 다른 목적지를 대체 목적지로 결정할 수 있다. 예를 들어, 디바이스(1000)는 강남 A 백화점이 오늘 영업을 하지 않는다면, 사용자의 주변의 다른 백화점을 대체 목적지로 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는 강남 A 백화점에 주차를 하기 힘든 경우에, 사용자의 주변의 다른 백화점 중에서 주차 상황이 양호한 백화점을 대체 목적지로 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는, 강남 A 백화점으로의 교통 상황이 나쁜 경우에, 사용자의 주변의 다른 백화점 중에서 교통 상황이 양호한 백화점을 대체 목적지로 결정할 수 있다. 또한, 예를 들어, 강남 A 백화점에서 사용자가 원하는 물품을 판매하지 않는 경우에, 사용자의 주변의 다른 백화점 중에서 사용자가 원하는 물품을 판매하고 있는 백화점을 대체 목적지로 결정할 수 있다.

대체 목적지는, 사용자가 요청한 목적지와 동일 또는 유사한 종류의 목적지일 수 있으며, 사용자 현재 위치 또는 사용자가 요청한 목적지 주변의 목적지들 중에서 검색될 수 있다. 또한, 대체 목적지는 사용자의 의도의 실현 가능성을 고려하여 선정될 수 있다.

또한, 디바이스(1000)는 대체 목적지를 길 안내를 하면 되는 지를 사용자에게 문의하기 위한 답변 메시지를 생성할 수 있다. 이 경우, 디바이스(1000)는 답변 메시지 내에, 사용자의 의도에 관한 대체 동작을 추천하는 이유를 나타내는 텍스트를 답변 메시지 내에 포함시킬 수 있다. 예를 들어, 디바이스(1000)는 사용자가 입력한 목적지가 아닌 대체 목적지로 길 안내를 하는 이유를 나타내는 텍스트를 포함시킬 수 있다. 디바이스(1000)는, 예를 들어, ‘오늘 강남 A백화점은 휴무일입니다. 도곡 B 백화점은 영업중입니다. 그리로 안내해 드릴까요?’ 라는 답변 메시지를 생성할 수 있다. 또한, 디바이스(1000)는, 특정 동작을 수행하기 위한 애플리케이션을 실행하기 위한 오브젝트를 답변 메시지 내에 포함시킬 수 있다. 예를 들어, 디바이스(1000)는 기설정된 네비게이션 애플리케이션을 실행하기 위한 아이콘을 답변 메시지 내에 포함시킬 수 있다.

동작 S550에서 디바이스(1000)는 생성된 답변 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 디바이스(1000)는 답변 메시지를 대화 형식으로 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

상기에서는, 연관 정보의 획득, 실현 가능성의 판단, 답변 메시지의 생성, 사용자의 의도에 부합하는 동작 등이 각각의 동작으로 수행되는 것으로 설명되었지만, 이에 제한되지 않는다. 연관 정보의 획득, 실현 가능성의 판단, 답변 메시지의 생성, 사용자의 의도에 부합하는 동작의 수행 중 적어도 둘 이상이, 기 설정된 기준에 따른 학습에 기초하여 수행될 수 있다.

또한, 예를 들어, 연관 정보의 획득, 실현 가능성의 판단, 답변 메시지의 생성, 사용자의 의도에 부합하는 동작의 수행 중 적어도 둘 이상이, 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

구체적으로 서버(2000)는 사용자가 입력한 음성에 대한 사용자의 의도의 카테고리 및 태스크 타입에 대한 정보를 심층신경망을 이용하여 결정할 수 있다. 또한 서버(2000)는 사용자의 의도에 대한 카테고리 및 태스크 타입에 대한 정보를 이용하여 심층신경망을 학습시킬 수 있다.

또한 서버(2000)는 사용자가 입력한 음성에 대한 카테고리 및 태스크 타입에 대한 정보를 디바이스(1000)로 전송하고, 디바이스(1000)는 카테고리 및 태스크 타입에 대한 정보를 화면에 디스플레이 할 수 있다.

또한 서버(2000)는 심층신경망을 이용하여 사용자가 입력한 음성에 대한 연관 정보를 획득하고, 실현 가능성을 판단하여 답변 메시지를 생성하고, 사용자의 의도에 부합하는 동작 수행을 결정할 수 있다.

도 6은 일부 실시예에 따른 사용자의 의도의 카테고리, 태스크 타입 및 사용자의 의도에 관한 연관 정보의 예시를 나타내는 테이블을 도시한 도면이다.

도 6을 참조하면, 테이블(60)은 카테고리 필드(62), 태스크 타입 필드(64) 및 연관 정보 필드(66)를 포함할 수 있다.

카테고리 필드(62)에는 사용자의 의도의 카테고리가 기록될 수 있다. 예를 들어, 카테고리 필드(62)에는 ‘길 안내’ 및 ‘물품 주문’ 등이 기록될 수 있다. 사용자의 의도의 카테고리는 기 설정된 기준에 따른 학습에 기초하여 설정되고 변경될 수 있다.

태스크 타입 필드(64)에는 카테고리의 태스크 타입이 기록될 수 있다. 예를 들어, 태스크 타입은 특정 카테고리에 대응되는 사용자 의도의 목적 또는 세부 동작 등을 포함할 수 있다. 예를 들어, ‘길 안내’ 카테고리의 태스크 타입은 ‘쇼핑’, ‘미팅’ 및 ‘식사’ 등을 포함할 수 있으며, ‘물품 주문’ 카테고리의 태스크 타입은 ‘오프라인 배달’ 및 ‘온라인 주문’을 포함할 수 있으나, 이에 제한되지 않는다. 사용자 의도와 관련된 태스크 타입은 기 설정된 기준에 따른 학습에 기초하여 설정되고 변경될 수 있다.

연관 정보 필드(66)에는 사용자의 의도의 실현 가능성을 판단하는데 필요한 정보들이 기록될 수 있다. 예를 들어, 카테고리가 ‘길 안내’이고 태스크 타입이 ‘쇼핑’인 경우에, 연관 정보는 영업 시간, 주차 상황 및 교통 상황 등을 포함할 수 있다. 또한, 예를 들어, 카테고리가 ‘물품 주문’이고 태스크 타입이 ‘오프라인 배달’인 경우에, 연관 정보는 영업 시간, 대기 시간, 사용자 평가 및 할인 정보를 포함할 수 있다. 사용자의 의도의 실현 가능성을 판단하는데 필요한 연관 정보는, 기 설정된 기준에 따른 학습에 기초하여 설정되고 변경될 수 있다. 또한, 이러한 연관 정보는, 소정의 open data를 활용하여 예측된 정보일 수 있다.

테이블(60)은 심층신경망을 통해 학습되고 갱신될 수 있으며 서버(2000)의 메모리 또는 디바이스(1000)의 메모리에 저장될 수 있다.

도 7은 일부 실시예에 따른 특정 목적지의 영업 시간을 판단하는데 이용되는 데이터 테이블(70)의 예시를 나타내는 도면이다.

도 7을 참조하면, 특정 목적지의 영업 시간은 특정 목적지에 관련된 open data를 활용하여 예측될 수 있다. 예를 들어, 특정 목적지의 전력 사용량, 특정 목적지의 조명의 점등 시간 및 특정 목적지에서의 결제 건수를 나타내는 데이터가, 날짜 및 시간 별로 누적되어 저장될 수 있으며, 누적된 데이터를 이용하여 특정 목적지의 영업 시간이 예측될 수 있다. 어떤 데이터를 이용하여 영업 시간을 판단할 지는 기 설정된 기준에 따른 학습에 기초하여 설정되고 변경될 수 있다.

테이블(70)은 심층신경망을 통해 학습되고 갱신(update)될 수 있으며 서버(2000)의 메모리 또는 디바이스(1000)의 메모리에 저장될 수 있다.

도 8은 일부 실시예에 따른 사용자의 의도의 실현 가능성에 따른 대체 목적지의 예시를 나타내는 도면이다.

도 8을 참조하면, 예를 들어, 사용자가 ‘강남 A 백화점으로 안내해 줘.’라는 음성 입력을 입력한 경우에, 디바이스(1000)는 사용자의 의도에 따른 최초 목적지인 ‘강남 A 백화점’에서 사용자가 물품 A를 구매할 수 있는 가능성이 10%임을 판단할 수 있다. 또한, 디바이스(1000)는 ‘도곡 B 백화점’에서 사용자가 물품 A를 구매할 수 있는 가능성이 90%임을 판단하고, ‘강남 C 마트’에서 사용자가 물품 A를 구매할 수 있는 가능성이 80%임을 판단할 수 있다. 이에 따라, 디바이스(1000)는 대체 목적지를 ‘도곡 B 백화점’으로 결정하고, 도곡 B 백화점으로 길 안내를 할 지를 사용자에게 문의하는 답변 메시지를 생성할 수 있다.

이러한, 대체 목적지는, 사용자가 요청한 목적지와 동일 또는 유사한 종류의 목적지일 수 있으며, 사용자 현재 위치 또는 사용자가 요청한 목적지 주변의 목적지들 중에서 검색될 수 있다. 또한, 대체 목적지는 사용자의 의도의 실현 가능성을 고려하여 선정될 수 있다.

도 8에서는 사용자의 의도의 실현 가능성을 %로 표현하였지만, 이에 제한되지 않으며, 사용자의 의도의 실현 가능성은 예를 들어, 점수 및 레벨 등과 같이, 정도를 나타내는 다양한 단위로 표현될 수 있다. 또한, 사용자 의도의 실현 가능성은, 예를 들어, 특정 목적지에서 쇼핑을 할 수 있는지 여부, 특정 목적지에서 특정 물품을 구매할 수 있는지 여부, 특정 물품의 가격, 할인 정보 등과 같은 다양한 사항을 복합적으로 고려한 기설정된 학습에 기초하여 평가될 수 있다.

도 9는 일부 실시예에 따른 디바이스(1000)가 사용자의 의도를 만족시키기 위해 애플리케이션을 실행하고 부가 정보를 제공하는 방법의 흐름도이다.

동작 S900에서 디바이스(1000)는 대체 목적지를 추천하는 답변 메시지를 디스플레이할 수 있으며, 동작 S905에서 디바이스(1000)는 대체 목적지로 길 안내를 요청하는 사용자 입력을 수신할 수 있다.

동작 S920에서 디바이스(1000)는 답변 메시지 내의 동작을 수행하기 위한 애플리케이션의 목록을 디스플레이할 수 있다. 예를 들어, 답변 메시지 내의 동작이, ‘도곡 B 백화점으로 길안내’인 경우에, 디바이스(1000)는 디바이스(1000)에 설치된 네비게이션 애플리케이션의 목록을 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

동작 S930에서 디바이스(1000)는 사용자에 의해 선택된 애플리케이션을 실행할 수 있다. 사용자는 애플리케이션 목록에서 특정 애플리케이션을 선택할 수 있으며, 디바이스(1000)는 사용자에 의해 선택된 애플리케이션을 실행하고 실행된 애플리케이션에 소정의 입력 값을 입력할 수 있다. 예를 들어, 디바이스(1000)는 네비게이션 애플리케이션에 ‘도곡 B 백화점’을 목적지로 입력할 수 있다.

동작 S940에서 디바이스(1000)는 대체 목적지에 관한 부가 정보를 제공할 수 있다. 디바이스(1000)는 디바이스(1000)가 대체 목적지에 도착하면, 대체 목적지에 관한 부가 정보를 사용자에게 제공할 수 있다. 예를 들어, 디바이스(1000)는 대체 목적지의 주차 정보, 시설물 이용 가이드, 건물의 실내 지도, 대체 목적지에서 구매할 물품의 리스트, 할인 정보, 대체 목적지와 관련된 사용자의 일정 정보 등을 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

한편, 답변 메시지의 디스플레이, 답변 메시지 내의 동작을 수행하기 위한 애플리케이션의 목록 생성 및 대체 목적지의 부가 정보 제공 중 적어도 하나 이상이, 기 설정된 기준에 따른 학습에 기초하여 수행될 수 있다. 답변 메시지의 디스플레이, 답변 메시지 내의 동작을 수행하기 위한 애플리케이션의 목록 생성 및 대체 목적지의 부가 정보 제공 중 적어도 하나 이상이, 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

도 10은 일부 실시예에 따른 디바이스(1000)가 사용자의 의도에 관련된 추가 태스크를 수행하는 방법의 흐름도이다.

동작 S1000에서 디바이스(1000)는 사용자의 의도에 관련된 추가 태스크가 필요한 지를 판단할 수 있다. 디바이스(1000)는 사용자의 음성 입력의 의미, 사용자의 의도의 카테고리, 태스크 타입 및 사용자의 컨텍스트 정보를 이용하여 사용자의 의도에 관련된 추가 태스크가 필요한 지를 판단할 수 있다. 예를 들어, 사용자의 의도가 강남 A 백화점에서 물품 A를 구매하기 위하여 강남 A 백화점으로 길 안내를 요청하는 것이며, 디바이스(1000)가 대체 목적지인 도곡 B 백화점으로 길 안내를 한 경우에, 디바이스(1000)는 도곡 B 백화점에서 사용자가 물품 A를 편리하게 구매할 수 있도록 하기 위한 추가 태스크가 필요하다고 판단할 수 있다.

동작 S1000에서의 판단 결과, 추가 태스크가 필요하다고 판단되면, 동작 S1010에서 디바이스(1000)는 추가 태스크를 추천하는 메시지를 디스플레이할 수 있다. 예를 들어, 디바이스(1000)는 도곡 B 백화점에서 물품 A를 판매하는 매장의 위치 정보 및 쿠폰 정보를 제공받을 지를 문의하는 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

또한, 추가 태스크를 추천하는 메시지는, 추가 태스크를 수행하기 위한 애플리케이션을 실행하기 위한 오브젝트를 포함할 수 있다. 예를 들어, 물품 A를 판매하는 매장의 위치 정보 및 쿠폰 정보를 제공받을 지를 문의하는 메시지는, 도곡 B 백화점의 매장 정보 및 쿠폰 정보를 제공하는 애플리케이션을 실행하기 위한 아이콘을 포함할 수 있다.

또한, 디바이스(1000)는 디바이스(1000)가 대체 목적지에 도착함을 확인하고, 추가 태스크를 추천하는 메시지를 디스플레이할 수 있다. 만약, 디바이스(1000)가 대체 목적지를 추천하지 않았다면, 디바이스(1000)는 사용자가 요청한 목적지에 디바이스(1000)가 도착하였는지를 확인하고, 추가 태스크를 추천하는 메시지를 디스플레이할 수 있다.

또한, 필요한 추가 태스크가 복수인 경우에, 디바이스(1000)는 복수의 추가 태스크의 목록을 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

동작 S1030에서 디바이스(1000)는 추가 태스크를 수행하는 애플리케이션을 실행할 수 있다. 예를 들어, 추가 태스크를 추천하는 메시지 내에 포함된 애플리케이션의 아이콘이 사용자에 의해 선택되면, 디바이스(1000)는 추가 태스크를 수행하는 애플리케이션을 실행할 수 있다.

상기에서는 추가 태스크를 추천하는 메시지를 디스플레이하고, 사용자 입력에 따라 추가 태스크를 수행하기 위한 애플리케이션을 실행하는 것으로 설명되었지만, 이에 제한되지 않는다. 동작 S1000에서 추가 태스크가 필요하다고 판단되면, 디바이스(1000)는 추가 태스크를 수행하는 애플리케이션을 자동으로 실행할 수 있다.

동작 S1040에서 디바이스(1000)는 추가 태스크에 관련된 부가 정보를 제공할 수 있다. 예를 들어, 디바이스(1000)는 매장의 지도, 사용자의 일정, 사용자의 구매 리스트, 목적지 내에 위치한 친구의 이름, 시설물의 이용 가이드 등의 정보를 제공할 수 있다. 이 경우, 추가 태스크에 관련된 부가 정보는, 기 설정된 기준에 따른 학습 결과에 기초하여, 설정 또는 변경될 수 있다.

한편, 추가 태스크를 추천하고 추가 태스크에 관련된 부가 정보를 제공하기 위한 동작들은, 기 설정된 기준에 따른 학습에 기초하여 수행될 수 있다. 예를 들어, 추가 태스크가 필요한 지 여부의 판단, 추가 태스크의 결정, 추가 태스크에 관련된 부가 정보의 결정 등이, 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.

구체적으로 디바이스(1000)는 사용자의 음성 및 컨텍스트 정보를 서버(2000)로 전송하고, 서버(2000)는 심층신경망을 이용하여 사용자의 음성 입력의 의미, 사용자의 의도의 카테고리 및 태스크 타입을 결정하고 사용자의 의도에 관련된 추가 태스크가 필요한 지 여부의 판단, 추가 태스크의 결정, 추가 태스크에 관련된 부가 정보를 결정하여 디바이스(1000)로 전송할 수 있다. 디바이스(1000)는 서버(2000)로부터 전송된 정보를 이용하여 추가 태스크를 추천하는 메시지를 화면에 표시할 수 있다. 실시 형태에 따라 사용자의 음성에 대한 분석은 디바이스(1000)에서 수행될 수도 있다.

도 11은 일부 실시예에 따른 디바이스(1000)가 사용자의 구매 리스트에 기초하여 사용자의 의도에 관련된 부가 정보를 제공하는 예시를 나타내는 도면이다.

도 11을 참조하면, 디바이스(1000)는 목적지인 B 백화점에 도착하였음을 알리고, 사용자의 물품 구매에 관련된 부가 정보를 제공할 수 있다. 구체적으로, 디바이스(1000)는 사용자의 구매 리스트, 구매 예정 물품을 판매하는 매장을 나타내는 지도 및 구매 예정 물품에 관련된 쿠폰 정보를 제공할 수 있다.

도 12는 일부 실시예에 따른 디바이스(1000)가 사용자의 일정 정보에 기초하여 사용자의 의도에 관련된 부가 정보를 제공하는 예시를 나타내는 도면이다.

도 12를 참조하면, 디바이스(1000)는 목적지인 B 백화점에 도착하였음을 알리고, 사용자의 일정에 기초하여, 사용자가 구매할 수 있는 물품을 추천할 수 있다. 구체적으로, 디바이스(1000)는 사용자의 일정 정보로부터 사용자의 할머니의 생신이 5일 후임을 확인할 수 있으며, 할머니에게 선물할 물품의 목록을 추천하기 위한 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다.

도 13은 일부 실시예에 따른 디바이스(1000)가 목적지에 위치한 다른 사용자에 관한 정보를 사용자에게 제공하는 예시를 나타내는 도면이다.

도 13을 참조하면, 디바이스(1000)는 사용자의 일정 정보에 기초하여, 사용자가 친구의 결혼식에 참석하기 위하여 웨딩홀에 도착하였음을 확인하고, 웨딩홀에 도착한 다른 사용자에 관한 정보를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 이 경우, 웨딩홀에 도착한 다른 사용자는, 결혼할 친구 및 사용자의 관계, 사용자의 친구 정보를 이용하여, 디바이스(1000)에 의해 식별될 수 있다. 또한, 다른 사용자가 사용자의 친구인지 여부는, 사용자의 통화 내역, 문자 내역 및 SNS 이용 내역 등을 통하여 식별될 수 있다.

도 14는 일부 실시예에 따른 디바이스(1000)가 목적지의 영업일 및 영업 시간을 고려하여 대체 목적지를 추천하는 예시를 나타내는 도면이다.

도 14를 참조하면, ‘A 백화점으로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 대체 목적지인 B 백화점으로 길 안내를 할 것을 문의하는 메시지(140)를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 이 경우, 대체 목적지는, 예를 들어, 목적지의 휴무일, 목적지의 영업 시간, 목적지까지의 도착 소요 시간 등을 고려하여 결정될 수 있다. 또한, 예를 들어, 대체 목적지는 목적지의 종류, 목적지에서 판매되는 물품, 사용자의 목적지 방문 이력 등에 기초하여 결정될 수 있다.

또한, 디바이스(1000)는 A 백화점의 휴무일, A 백화점까지의 소요 시간, B 백화점의 휴무일 및 B 백화점까지의 소요 시간을 나타내는 메시지(142)를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 이 경우, 메시지(142)는 A 백화점으로 길 안내를 하기 위하여 네비게이션 애플리케이션을 실행하기 위한 버튼(144) 및 A 백화점으로 길 안내를 하기 위하여 네비게이션 애플리케이션을 실행하기 위한 버튼(146)를 포함할 수 있다. 만약 사용자가 버튼(146)을 선택하면, 디바이스(1000)는 네비게이션 애플리케이션을 실행하고, 실행된 네비게이션 애플리케이션에 ‘B 백화점’을 목적지로 입력할 수 있다.

도 15는 일부 실시예에 따른 디바이스(1000)가 목적지까지의 도착 소요 시간을 고려하여 대체 목적지를 추천하는 예시를 나타내는 도면이다.

도 15를 참조하면, ‘A 백화점으로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 대체 목적지인 B 백화점으로 길 안내를 할 것을 문의하는 메시지(150)를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 이 경우, 대체 목적지는, 예를 들어, 목적지의 영업 시간, 목적지까지의 도착 소요 시간 등을 고려하여 결정될 수 있다. 또한, 예를 들어, 대체 목적지는 목적지의 종류, 목적지에서 판매되는 물품, 사용자의 목적지 방문 이력 등에 기초하여 결정될 수 있다.

또한, 디바이스(1000)는 B 백화점의 영업 시간, B 백화점에서 구매 가능한 물품 정보, C 백화점의 영업 시간 및 C 백화점에서 구매 가능한 물품 정보를 나타내는 메시지(152)를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 이 경우, 메시지(152)는 B 백화점으로 길 안내를 하기 위하여 네비게이션 애플리케이션을 실행하기 위한 버튼(154) 및 C 백화점으로 길 안내를 하기 위하여 네비게이션 애플리케이션을 실행하기 위한 버튼(156)를 포함할 수 있다. 만약 사용자가 버튼(154)을 선택하면, 디바이스(1000)는 네비게이션 애플리케이션을 실행하고, 실행된 네비게이션 애플리케이션에 ‘B 백화점’을 목적지로 입력할 수 있다.

도 16은 일부 실시예에 따른 디바이스(1000)가 목적지 또는 대체 목적지에 관련된 주차 정보를 제공하는 예시를 나타내는 도면이다.

도 16을 참조하면, ‘A 웨딩홀로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 A 웨딩홀의 주차 상황을 고려하여 대체 목적지로 안내하기 위한 답변 메시지(160)를 디바이스(1000)의 화면 상에 디스플레이할 수 있다. 주차 상황은, 예를 들어, 목적지에 주차장이 있는지 여부, 목적지에 주차 가능한 차량의 수 등을 포함할 수 있다. 답변 메시지(160) 내에는 대체 목적지로 안내하는 이유를 나타내는 텍스트가 포함될 수 있다.

또는, ‘A 웨딩홀로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 A 웨딩홀로 안내하는 메시지(162)를 디스플레이하고, 사용자가 A 웨딩홀에 도착한 후에, A 웨딩홀의 주차 상황을 고려하여 대체 목적지로의 길 안내를 문의하는 메시지(164)를 디스플레이할 수 있다. 또한, A 웨딩홀 근처의 주차장에 관한 정보를 나타내는 메시지(166)을 디스플레이할 수 있다. 디바이스(1000)는 A 웨딩홀로 가고 있는 도중에, 메시지(164) 및 메시지(166)을 디스플레이할 수도 있다.

도 17은 일부 실시예에 따른 디바이스(1000)가 목적지 또는 대체 목적지에 관련된 주차 정보 및 추가 태스크를 추천하는 예시를 나타내는 도면이다.

도 17을 참조하면, ‘A 레스토랑으로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 A 레스토랑으로 길 안내를 하고, A 레스토랑 주변의 A 공영 주차장으로 길 안내를 문의하는 메시지(170) 및 A 공영 주차장의 주차 정보를 나타내는 메시지(172)를 디스플레이할 수 있다. 또한, 디바이스(1000)는 A 공영 주차장에서 A 레스토랑까지 도보로 길 안내를 하기 위한 메시지(174)를 디스플레이할 수 있다.

또는, ‘A 레스토랑으로 안내해 줘’라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 A 레스토랑으로 길 안내를 하고, 사용자가 A 레스토랑에 도착한 후에, 사용자가 자동차를 주차할 수 있도록 하기 위하여, A 레스토랑에 전화를 걸기 위한 버튼을 포함하는 메시지(176)를 디스플레이할 수도 있다.

도 18은 일부 실시예에 따른 디바이스(1000)가 목적지에서 출발하는 배 시간표를 부가 정보로 제공하는 예시를 나타내는 도면이다.

도 18을 참조하면, 사용자의 음성 입력에 따라 디바이스(1000)가 우도 선착장으로 길 안내를 하고, 우도 선착장의 배 시간표 및 운임을 나타내는 정보를 사용자에게 제공할 수 있다. 이 경우, 디바이스(1000)는 사용자의 음성 입력 및 사용자의 컨텍스트 정보에 기초하여, 사용자가 우도 선착장에서 배를 탈 것이라는 사용자의 의도를 판단할 수 있다. 또한, 디바이스(1000)는 우도 선착장에서 표를 예매하는 추가 태스크를 사용자에게 추천할 수 있다.

도 19는 일부 실시예에 따른 디바이스(1000)가 목적지의 시설을 이용하기 위한 대기 시간에 기초하여, 주변의 다른 관광지를 대체 목적지를 추천하는 예시를 나타내는 도면이다.

도 19를 참조하면, 사용자의 음성 입력에 따라 디바이스(1000)가 삼척 만성굴로 길 안내를 하고, 만성굴의 모노레일을 이용하기 위한 대기 시간이 길기 때문에 주변의 관광지를 대체 관광지로 추천할 수 있다. 이 경우, 디바이스(1000)는 사용자의 음성 입력 및 사용자의 컨텍스트 정보에 기초하여, 사용자가 만성굴의 모노레일을 이용할 것이라는 사용자의 의도를 판단할 수 있다. 또한, 디바이스(1000)는 주변 관광지에 관한 부가 정보를 사용자에게 제공할 수 있다.

도 20은 일부 실시예에 따른 디바이스(1000)가 음식 주문을 하고자 하는 사용자의 의도에 대응되는 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 20을 참조하면, 디바이스(1000)는 ‘BBQ 정자점에 후라이드 치킨을 1마리 주문해 줘.’라는 사용자의 음성 입력을 수신하고, ‘오늘 BBQ 정자점 영업시간이 오후 10시로 마감되었습니다. 11시까지 영업하는 BHC 미금역점에 주문을 할까요?’라는 답변 메시지를 사용자에게 제공할 수 있다. 이 경우, 디바이스(1000)는 사용자의 의도의 카테고리가 ‘음식 배달 주문’이고, 태스크 타입이 ‘오프라인 주문’임을 판단할 수 있다. 또한, 디바이스(1000)는 BBQ 정자점의 영업 시간, 사용자의 위치, BBQ 미금역점의 영업 시간, 및 BBQ 미금역점의 위치 등을 고려하여, BBQ 미금역점에 치킨을 주문하는 것을 문의하기 위한 답변 메시지를 생성할 수 있다.

도 21은 일부 실시예에 따른 디바이스(1000)가 특정 장소에 관한 사용자의 문의에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 21을 참조하면, 디바이스(1000)는 ‘스타벅스 미금점 지금 영업하니?’ 라는 사용자의 음성 입력을 수신하고, ‘스타벅스 미금점 영업이 종료되었습니다. 스타벅스 미금점 근처의 탐앤탐스는 영업 중입니다.’라는 답변 메시지를 사용자에게 제공할 수 있다. 이 경우, 디바이스(1000)는 사용자의 의도의 카테고리가 ‘문의’이고 태스크 타입이 ‘영업 시간’임을 판단할 수 있다. 또한, 디바이스(1000)는 스타벅스 미금점의 영업 시간, 스타벅스 미금점의 위치, 탐앤탐스 미금점의 영업 시간 및 탐앤탐스 미금점의 위치에 기초하여, 사용자의 음성 입력에 대응되는 답변을 생성할 수 있다.

도 22는 일부 실시예에 따른 디바이스(1000)가 특정 장소에 전화하고자 하는 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 22를 참조하면, 디바이스(1000)는 ‘삼성전자 A/S센터에 전화해줘’ 라는 사용자의 음성 입력을 수신하고, ‘영업시간이 아닙니다. 다시 전화하기를 예약해드릴까요?’라는 답변 메시지를 사용자에게 제공할 수 있다. 이 경우, 디바이스(1000)는 사용자의 의도의 카테고리가 ‘전화 연결’이고 태스크 타입이 ‘A/S 문의’임을 판단할 수 있다. 또한, 디바이스(1000)는 삼성전자 A/S 센터의 영업 시간, 전화 대기 시간, 사용자의 업무 시간 등을 고려하여, 사용자의 음성 입력에 대응되는 답변 메시지를 생성할 수 있다. 이 경우, 답변 메시지 내에는, 전화 예약을 위한 추가 태스크 및 웹 페이지 접속을 위한 추가 태스크에 관한 정보가 포함될 수 있다.

도 23은 일부 실시예에 따른 디바이스(1000)가 헤어 샵의 서비스를 예약하고자 하는 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 23을 참조하면, 디바이스(1000)는 ‘A 헤어샵에 오후 2시에 예약해줘’ 라는 사용자의 음성 입력을 수신하고, ‘오후 2시에는 예약을 할 수 없습니다. 예약 가능한 오후 4시로 예약해드릴까요?’라는 답변 메시지를 사용자에게 제공할 수 있다. 이 경우, 사용자는 사용자의 의도의 카테고리가 ‘전화 예약’이며, 태스크 타입이 ‘헤어 컷’임을 판단할 수 있다. 또한, 디바이스(1000)는 A 헤어샵의 영업일, 영업 시간 및 예약 현황을 고려하여, 사용자의 음성 입력에 대응되는 답변 메시지를 생성할 수 있다.

도 24는 일부 실시예에 따른 디바이스(1000)가 서버(2000)와 연동함으로써, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.

도 24를 참조하면, 디바이스(1000)는 서버(2000)와 네트워크를 통하여 연결될 수 있으며, 서버(2000)에 의해 기 설정된 기준에 따라 학습된 데이터를 이용하여 사용자의 음성 입력에 대한 답변 메시지를 제공할 수 있다.

이 경우, 서버(2000)는, 도 1 내지 도 23에서 디바이스(1000)가 수행하는 기능인, 사용자의 의도를 판단하는 기능, 사용자의 의도에 관련된 연관 정보를 획득하는 기능, 사용자의 의도를 만족시키기 위한 대체 동작을 추천하는 기능, 사용자의 의도에 관련된 추가 태스크를 추천하는 기능, 및 부가 정보를 제공하는 기능 중 적어도 하나를 수행할 수 있다.

이 경우, 디바이스(1000) 및 서버(2000)는 각자 자신이 맡은 기능을 수행하기 위하여, 서로 필요한 데이터를 송수신할 수 있다. 예를 들어, 디바이스(1000)는 서버(2000)가 수행하는 소정 기능에 필요한 데이터를 서버(2000)에게 제공할 수 있으며, 디바이스(1000)는 서버(2000)로부터 서버(2000)에 의해 수행된 기능에 따라 생성되는 결과 데이터를 수신할 수 있다. 또한, 서버(2000)는 디바이스(1000)가 수행하는 소정 기능에 필요한 데이터를 디바이스(1000)에게 제공할 수 있으며, 서버(2000)는 디바이스(1000)로부터 디바이스(1000)에 의해 수행된 기능에 따라 생성되는 결과 데이터를 수신할 수 있다.

또한, 서버(2000)는 사용자의 의도를 판단하는데 필요한 데이터, 사용자의 의도에 관련된 연관 정보를 획득해 필요한 데이터, 사용자의 의도를 만족시키기 위한 대체 동작을 추천하기 위하여 필요한 데이터, 사용자의 의도에 관련된 추가 태스크를 추천하기 위하여 필요한 데이터, 및 부가 정보를 제공하기 위하여 필요한 데이터 중 적어도 하나를 관리할 수 있다.

도 25 및 도 26은 일부 실시예에 따른 디바이스(1000)의 블록도이다.

도 25에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 프로세서(1300), 및 통신부(1500)를 포함할 수 있다. 그러나, 도 25에 도시된 구성 요소 모두가 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 25에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있고, 도 25에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있다.

예를 들어, 도 26에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 프로세서(1300), 및 통신부(1500) 이외에 센싱부(1400), A/V 입력부(1600), 및 메모리(1700)를 더 포함할 수도 있다.

사용자 입력부(1100)는, 사용자가 디바이스(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

사용자 입력부(1100)는, 사용자의 음성 입력에 대한 답변 메시지를 요청하고 답변 메시지에 관련된 동작을 실행하기 위한 사용자 입력을 수신할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.

디스플레이부(1210)는 디바이스(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 사용자의 음성 입력에 대한 답변 메시지를 요청하고 답변 메시지에 관련된 동작을 실행하기 위한 사용자 인터페이스를 디스플레이할 수 있다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 디바이스(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.

프로세서(1300)는, 통상적으로 디바이스(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 24에 기재된 디바이스(1000)의 기능을 수행할 수 있다.

구체적으로, 프로세서(1300)는 마이크로폰(1620)를 통하여 사용자의 음성 입력을 수신할 수 있다. 프로세서(1300)는 사용자의 음성 입력에 기초하여 디바이스(1000)의 동작을 수행하는 애플리케이션을 실행할 수 있으며, 실행된 애플리케이션을 통하여 사용자의 음성 입력을 수신할 수 있다. 프로세서(1300)는, 예를 들어, “S 보이스”와 같은 보이스 어시스턴트 애플리케이션 (Voice Assistant Application)을 실행하고, 실행된 애플리케이션을 제어함으로써 마이크로폰(1620)를 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다.

프로세서(1300)는 사용자의 음성 입력에 기초하여, 사용자의 의도를 결정할 수 있다. 프로세서(1300)는 사용자의 음성 입력을 다양한 자연어 해석 기법을 이용하여 해석할 수 있으며, 사용자의 음성 입력의 의미에 기초하여 사용자의 의도를 결정할 수 있다. 또한, 프로세서(1300)는 사용자에 관련된 컨텍스트 정보를 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, 프로세서(1300)는 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역 등을 고려하여, 사용자의 의도를 결정할 수 있다. 예를 들어, 프로세서(1300)는 특정 장소에서 쇼핑하기 위하여 특정 장소로 길 안내를 요청하는 사용자의 의도를 결정할 수 있다. 또한, 예를 들어, 프로세서(1300)는 특정 장소에서 미팅하기 위하여 특정 장소로 길 안내를 요청하는 사용자의 의도를 결정할 수 있다. 또한, 예를 들어, 프로세서(1300)는 특정 음식을 주문하기 위한 사용자의 의도를 결정할 수 있다. 그러나, 프로세서(1300)에 의해 결정되는 사용자의 의도는 이에 제한되지 않는다.

프로세서(1300)는 사용자의 의도에 관련된 연관 정보를 획득할 수 있다. 프로세서(1300)는 사용자의 의도를 실현시킬 수 있는 지를 판단하기 위하여 사용자의 의도에 관련된 연관 정보들을 수집할 수 있다. 예를 들어, 프로세서(1300)는 특정 장소의 영업 시간, 특정 장소의 주차 상황, 특정 시설의 시설 이용 시간 및 특정 장소로의 교통 상황 등에 관한 정보를 획득할 수 있다.

프로세서(1300)는 사용자의 의도를 만족시키기 위한 대체 동작을 추천할 수 있다. 프로세서(1300)는 연관 정보를 이용하여 사용자의 의도가 실현될 수 있는지를 판단할 수 있으며, 판단 결과에 기초하여 사용자의 의도를 만족시키기 위한 대체 동작을 추천할 수 있다. 예를 들어, A 백화점으로 쇼핑을 위하여 길 안내를 요청하는 사용자의 의도가 실현되기 힘든 경우에, 프로세서(1300)는 A 백화점 주변의 B 백화점으로 길 안내를 하는 대체 동작을 사용자에게 추천할 수 있다.

또한, 프로세서(1300)는 대체 동작을 추천하는 답변 메시지를 디스플레이부(1210)에 디스플레이할 수 있다. 또한, 프로세서(1300)는 사용자의 의도에 관련된 추가 동작 및 부가 정보를 사용자에게 제공할 수 있다.

한편, 프로세서(1300)는 사용자의 의도에 관련된 대체 목적지를 추천할 수 있다. 이 경우, 프로세서(1300)는 사용자의 목적지 및 사용자의 의도를 결정할 수 있다. 프로세서(1300)는 다양한 자연어 해석 기법을 이용하여, 사용자의 음성 입력을 해석할 수 있다. 예를 들어, 프로세서(1300)는 “강남 A 백화점으로 안내해 줘”라는 사용자의 음성 입력을 해석함으로써, 사용자가 강남 A 백화점으로 길 안내를 요청함을 결정할 수 있다.

또한, 프로세서(1300)는 사용자의 컨텍스트 정보를 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, 프로세서(1300)는, 예를 들어, 사용자가 디바이스(1000)를 이용한 이력, 사용자의 일정 정보, 사용자의 통화 내역, 사용자의 문자 내역, 특정 장소를 방문한 이력, 사용자의 웹 서치 이력, 특정 장소에서의 결제 이력 등을 고려하여, 사용자의 의도를 결정할 수 있다. 예를 들어, 디바이스(1000)의 스케줄 애플리케이션을 통해 기록된 일정 정보 내에, 사용자의 음성 입력이 입력된 날짜에 쇼핑을 하기 위한 일정이 기록되어 있는 경우에, 프로세서(1300)는 사용자가 강남 A 백화점에서 쇼핑을 하기 위하여 길 안내를 요청하는 것으로 사용자의 의도를 결정할 수 있다.

프로세서(1300)는 목적지에 관련된 연관 정보를 획득할 수 있다. 프로세서(1300)는 사용자의 의도가 실현 가능한지를 판단하기 위하여, 목적지에 관련된 연관 정보를 획득할 수 있다. 예를 들어, 사용자의 의도가 사용자가 강남 A 백화점에서 쇼핑을 하기 위하여 길 안내를 요청하는 것인 경우에, 프로세서(1300)는 A 백화점의 영업 시간, A 백화점의 주차 상황, A 백화점의 물품 재고 상황, A 백화점의 할인 정보 및 A 백화점으로의 교통 상황 등에 관한 정보를 획득할 수 있다.

프로세서(1300)는 사용자의 의도와 관련된 대체 목적지를 추천할 수 있다. 프로세서(1300)는 연관 정보를 이용하여, 사용자의 의도의 실현 가능성을 판단할 수 있다. 또한, 프로세서(1300)는 사용자의 의도의 실현 가능성이 기 설정된 수치 이하인 경우에, 사용자의 의도를 만족시키기 위한 대체 목적지를 추천할 수 있다. 예를 들어, 강남 A 백화점이 영업을 하지 않거나 강남 A 백화점에 사용자가 구매하고자 하는 물품이 없는 경우에, 프로세서(1300)는 도곡 B 백화점을 대체 목적지로 추천할 수 있다. 또한, 프로세서(1300)는 대체 목적지로 길 안내를 할지를 사용자에게 문의하는 답변 메시지를 생성하고, 생성된 답변 메시지를 디스플레이부(1210)에 디스플레이할 수 있다.

또한, 프로세서(1300)는 사용자의 의도에 관련된 추가 태스크를 추천하고, 사용자의 의도에 관련된 부가 정보를 사용자에게 제공할 수 있다.

또한, 프로세서(1300)는 메모리(1700) 또는 서버(2000)에 저장된 데이터 인식 모델을 이용하여, 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천할 수 있으며, 이에 관하여는 도 28 내지 도 31에서 보다 상세히 설명하기로 한다.

또한, 프로세서(1300)는 메모리(1700) 또는 서버(2000)에 저장된 데이터 인식 모델을 이용함으로써, 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천을 위한 기준을 효율적으로 학습할 수 있으며, 학습된 결과에 따라 사용자의 의도에 부합하는 서비스를 사용자에게 제공할 수 있게 된다.

센싱부(1400)는, 디바이스(1000)의 상태 또는 디바이스(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다. 센싱부(1400)는 사용자 또는 디바이스(1000)의 주변 상황을 나타내는 컨텍스트 정보 중 일부를 생성하는데 이용될 수 있다.

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

통신부(1500)는, 디바이스(1000)가 다른 장치(미도시) 및 서버(2000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 디바이스(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

또한, 통신부(1500)는, 사용자의 음성 입력에 대한 답변 메시지를 요청하고 답변 메시지에 관련된 동작을 실행하기 위한 필요한 정보를, 다른 장치(미도시) 및 서버(2000)와 송수신할 수 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 카메라(1610)에 의해 촬영된 이미지는 사용자의 컨텍스트 정보로 활용될 수 있다.

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 디바이스(1000)로 입력되거나 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.

UI 모듈(1710)은, 애플리케이션 별로 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

알림 모듈(1730)은 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 디바이스(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.

도 27은 일부 실시예에 따른 서버(2000)의 블록도이다.

도 27을 참조하면, 일부 실시예에 따른 서버(2000)는 통신부(2500), DB(2700) 및 프로세서(2300)를 포함할 수 있다.

통신부(2500)는 서버(2000)가 다른 장치(미도시) 및 디바이스(1000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다.

DB(2700)는 차량 번호 기반의 결제를 인증하기 위한 데이터를 저장할 수 있다.

프로세서(2300)는 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 서버(2000)의 DB(2700)에 저장된 프로그램들을 실행함으로써, DB(2700) 및 통신부(2500) 등을 전반적으로 제어할 수 있다. 프로세서(2300)는 DB(2700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 23에서의 디바이스(1000)의 동작의 일부를 수행할 수 있다.

프로세서(2300)는, 도 1 내지 도 23에서 디바이스(1000)가 수행하는 기능인, 사용자의 의도를 판단하는 기능, 사용자의 의도에 관련된 연관 정보를 획득하는 기능, 사용자의 의도를 만족시키기 위한 대체 동작을 추천하는 기능, 사용자의 의도에 관련된 추가 태스크를 추천하는 기능, 및 부가 정보를 제공하는 기능 중 적어도 하나를 수행할 수 있다.

또한, 프로세서(2300)는 사용자의 의도를 판단하는데 필요한 데이터, 사용자의 의도에 관련된 연관 정보를 획득해 필요한 데이터, 사용자의 의도를 만족시키기 위한 대체 동작을 추천하기 위하여 필요한 데이터, 사용자의 의도에 관련된 추가 태스크를 추천하기 위하여 필요한 데이터, 및 부가 정보를 제공하기 위하여 필요한 데이터 중 적어도 하나를 관리할 수 있다.도 28은 일부 실시예에 따른 프로세서(1300)의 블록도이다.

도 28을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다. 프로세서(1300)는 디바이스(1000)에 포함되거나 또는 서버(2000)에 포함될 수 있다.

실시 형태에 따라 데이터 학습부(1310)의 적어도 일부 및 데이터 인식부(1320)의 적어도 일부는 소프트웨어 모듈로 구현되거나 또는 하드웨어 칩 형태로 제작되어 디바이스(1000) 또는 서버(2000)에 탑재될 수 있다.

데이터 학습부(1310)는 사용자의 의도를 판단하고 사용자의 의도에 관련된 연관 정보를 제공하고 사용자의 의도를 만족시키기 위한 대체 동작을 추천하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 데이터 학습부(1310)는 데이터를 이용하여 사용자의 의도를 어떻게 판단하고 연관 정보를 어떻게 획득하여 제공하고 대체 동작을 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위한 기준을 학습할 수 있다.

데이터 학습부(1310)로 입력되는 학습 데이터의 종류에는 음성 데이터, 텍스트 데이터 등이 포함될 수 있다.

데이터 인식부(1320)는 데이터에 기초하여 사용자의 의도를 판단하고 연관 정보를 결정하고 대체 동작을 추천할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 사용자의 의도를 판단하고 연관 정보를 결정하고 대체 동작을 추천할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용할 수 있다. 또한, 데이터 인식부(1320)는 이를 이용함으로써, 소정의 데이터에 기초한 사용자의 의도, 연관 정보 및 대체 동작을 결정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 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 디바이스(1000)에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 머신러닝과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다.

데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 디바이스(1000)에 탑재될 수도 있으며, 또는 별개의 디바이스(1000)들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 디바이스(1000)에 포함되고, 나머지 하나는 서버(2000)에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.

예를 들면 디바이스(1000)는 데이터 인식부(1320)를 포함하며, 외부의 서버(2000)가 데이터 학습부(1310)를 포함할 수 있다. 서버(1200)는 사용자의 의도를 파악하기 위한 기준을 학습할 수 있으며, 디바이스(1000)는 서버(2000)에 의한 학습 결과에 기초하여 사용자의 의도를 판단할 수 있다.

서버(2000)의 데이터 학습부(1310)는 사용자의 의도를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 사용자의 의도를 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 의도를 파악하기 위한 기준을 학습할 수 있다.

그러나, 이는 일 실시예에 불과할 뿐, 디바이스(1000)가 데이터 학습부(1310)를 포함할 수 있으며, 서버와 같은 외부 장치가 데이터 인식부(1320)를 포함할 수 있다.

한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 29는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.

도 29를 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.

데이터 획득부(1310-1)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위하여 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작을 추천하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

데이터 획득부(1310-1)는, 예를 들어, 소정의 사용자 음성, 소정의 컨텍스트 정보를 획득할 수 있다.

전처리부(1310-2)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(1310-4)는 학습 데이터에 기초하여 사용자의 의도를 어떻게 판단하고 연관 정보를 어떻게 결정하고 대체 동작을 어떻게 추천할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1310-4)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 데이터 등)을 입력 받아 미리 구축된 모델일 수 있다.

데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있다. 데이터 인식 모델은 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 데이터 인식 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 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. 데이터 인식 모델에는, 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델 들이 포함될 수 있으며, 전술한 예에 특별히 한정되지는 않는다.

다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 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.

또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.

또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.

또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 디바이스(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 디바이스(1000)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 디바이스(1000)와 유선 또는 무선 네트워크로 연결되는 서버(2000)의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 디바이스(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 음성 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.

한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 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 디바이스(1000)에 탑재될 수도 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 디바이스(1000)에 탑재될 수도 있으며, 또는 별개의 디바이스(1000)들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 디바이스(1000)에 포함되고, 나머지 일부는 서버(2000)에 포함될 수 있다.

또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

프로세서(1300)는 다양한 데이터 인식 모델을 이용할 수 있으며, 데이터 인식 모델을 통해 다양한 방법으로 사용자의 의도를 판단하고 연관 정보를 제공하고 대체 동작 추천을 위한 기준을 효율적으로 학습할 수 있다.

도 30은 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.

도 30을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.

데이터 획득부(1320-1)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 데이터 획득부(1320-1)는 디바이스(1000)에 입력되는 사용자의 음성을 획득할 수 있다. 또한, 데이터 획득부(1320-1)는 사용자 또는 디바이스(1000)에 관련된 컨텍스트 정보를 획득할 수 있다. 컨텍스트 정보는, 예를 들어, 디바이스(1000)의 주변 환경 정보, 디바이스(1000)의 상태 정보, 사용자의 상태 정보, 사용자의 디바이스(1000) 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 예를 들어, 컨텍스트 정보는 디바이스(1000)에서 생성된 정보 또는 외부 장치로부터 수신된 정보일 수 있다.

인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 상술한 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.

모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 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 디바이스(1000)에 탑재될 수도 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 디바이스(1000)에 탑재될 수도 있으며, 또는 별개의 디바이스(1000)들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 디바이스(1000)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

또한, 디바이스(1000)는 학습된 결과가 적용된 데이터 인식 모델을 이용하여 사용자의 의도에 부합하는 서비스를 사용자에게 제공할 수 있게 된다.

도 31은 일부 실시예에 따른 디바이스(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 31를 참조하면, 서버(2000)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 학습할 수 있으며, 디바이스(1000)는 서버(2000)에 의한 학습 결과에 기초하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 판단할 수 있다.

이 경우, 서버(2000)의 모델 학습부(2340)는 도 29에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 서버의 모델 학습부(2340)는 데이터를 이용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 어떻게 할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 학습할 수 있다.

또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천에 관한 정보를 서버(2000)로부터 수신할 수 있다.

또는, 디바이스(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 할 수 있다.

또한, 디바이스(1000) 및 서버(2000)는 데이터 인식 모델의 학습 및 데이터 인식을 위한 작업을 효과적으로 분배하여 수행할 수 있으며, 이를 통하여, 사용자의 의도에 부합하는 서비스를 제공하기 위하여 데이터 처리를 효율적으로 수행하고, 사용자의 프라이버시를 효과적으로 보호할 수 있다.

일부 실시예는 컴퓨터로 읽을 수 있는 저장 매체(computer-readable storage media)에 저장된 명령어들을 포함하는 S/W 프로그램으로 구현될 수 있다.

예로, 컴퓨터는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 개시된 실시예에 따른 동작이 가능한 장치로서, 개시된 실시예들에 따른 디바이스 또는 디바이스와 통신 연결된 외부의 서버를 포함할 수 있다.

컴퓨터로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 신호(signal), 전류(current)를 포함하지 않으며, 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 예로, 비일시적 저장 매체는 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 내장 메모리, 메모리 카드, ROM 또는 RAM 등과 같은 비일시적 판독가능 저장매체뿐만 아니라 레지스터, 캐쉬, 버퍼 등과 같이 임시적으로 저장되는 매체를 포함할 수 있다.

또한, 개시된 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)으로 제공될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체 또는 판매자 및 구매자 간에 거래되는 상품을 포함할 수 있다.

예를 들어, 컴퓨터 프로그램 제품은 디바이스 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사 또는 전자 마켓의 서버, 또는 중계 서버의 저장매체가 될 수 있다.

또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

1. 적어도 하나의 프로그램이 저장되는 메모리;
   사용자의 음성 입력을 수신하는 마이크로폰; 및
   상기 적어도 하나의 프로그램을 실행함으로써 상기 사용자의 음성 입력에 대한 답변 메시지를 제공하도록 하는 적어도 하나의 프로세서를 포함하고,
   상기 적어도 하나의 프로그램은,
   상기 수신된 음성 입력을 분석함으로써, 상기 사용자의 목적지 및 상기 사용자의 의도를 결정하는 단계;
   상기 목적지에 관련된 연관 정보를 획득하는 단계;
   상기 획득된 연관 정보에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 단계; 및
   상기 생성된 답변 메시지를 디스플레이하는 단계:를 실행하는 명령어들을 포함하는 것을 특징으로 하고,
   상기 대체 목적지를 추천하는 답변 메시지를 생성하는 단계는,
   상기 획득된 연관 정보에 기초하여, 상기 결정된 의도의 실현 가능성을 결정하는 단계; 및
   상기 실현 가능성이 기설정된 값 이하인 것에 상응하여, 상기 대체 목적지를 추천하는 단계를 포함하고,
   상기 적어도 하나의 프로그램은,
   상기 실현 가능성이 상기 기설정된 값보다 큰 것에 상응하여, 원래 목적지에 관련된 상기 사용자의 상기 의도를 만족시키는 동작을 수행하는 단계;를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 디바이스.
   
2. 삭제
3. 제 1 항에 있어서,
   상기 사용자의 의도를 결정하는 단계는,
   상기 사용자의 의도의 카테고리를 결정하는 단계; 및
   상기 결정된 카테고리의 태스크 타입을 결정하는 단계;
   를 더 포함하는 것을 특징으로 하는, 디바이스.
   
4. 제 3 항에 있어서,
   상기 대체 목적지를 추천하는 답변 메시지를 생성하는 단계는,
   상기 결정된 실현 가능성, 상기 결정된 카테고리 및 상기 결정된 태스크 타입에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 것을 특징으로 하는, 디바이스.
   
5. 제 3 항에 있어서,
   상기 연관 정보를 획득하는 단계는, 상기 결정된 카테고리 및 상기 태스크 타입에 기초하여, 상기 사용자의 의도의 실현 가능성을 판단하기 위하여 상기 목적지에 관련되며 학습에 의해 설정된 상기 연관 정보를 획득하는 것을 특징으로 하는, 디바이스.
   
6. 제 1 항에 있어서,
   상기 연관 정보는, 상기 목적지의 영업 시간, 상기 목적지의 주차 상황, 상기 목적지의 시설 이용 시간 및 상기 목적지로의 교통 상황 중 적어도 하나에 관한 정보를 포함하는 것을 특징으로 하는, 디바이스.
   
7. 제 1 항에 있어서,
   상기 사용자의 의도를 결정하는 단계는, 상기 분석된 음성 입력 및 상기 사용자의 일정 정보에 기초하여, 상기 사용자의 의도를 결정하는 것을 특징으로 하는, 디바이스.
   
8. 제 3 항에 있어서,
   상기 적어도 하나의 프로그램은,
   상기 결정된 카테고리 및 상기 결정된 태스크 타입에 기초하여, 상기 사용자의 의도와 관련된 부가 정보를 획득하는 단계; 및
   상기 부가 정보를 상기 답변 메시지와 함께 제공하는 단계;
   를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 디바이스.
   
9. 제 1 항에 있어서,
   상기 적어도 하나의 프로그램은,
   상기 답변 메시지에 대한 사용자 입력에 기초하여, 상기 답변 메시지에 포함된 동작을 수행하기 위한 기설정된 애플리케이션을 실행하는 단계;
   를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 디바이스.
   
10. 제 9 항에 있어서,
    상기 적어도 하나의 프로그램은,
    상기 사용자의 의도 및 상기 답변 메시지에 기초하여, 상기 실행된 애플리케이션에 기 설정된 입력 값을 입력하는 단계;
    를 실행하는 명령어들을 더 포함하는 것을 특징으로 하는, 디바이스.
    
11. 디바이스가 사용자의 음성 입력에 대한 답변 메시지를 제공하는 방법에 있어서,
    사용자의 음성 입력을 수신하는 단계;
    상기 수신된 음성 입력을 분석함으로써, 상기 사용자의 목적지 및 상기 사용자의 의도를 결정하는 단계;
    상기 목적지에 관련된 연관 정보를 획득하는 단계;
    상기 획득된 연관 정보에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 단계; 및
    상기 생성된 답변 메시지를 디스플레이하는 단계: 를 포함하고,
    상기 대체 목적지를 추천하는 답변 메시지를 생성하는 단계는,
    상기 획득된 연관 정보에 기초하여, 상기 결정된 의도의 실현 가능성을 결정하는 단계; 및
    상기 실현 가능성이 기설정된 값 이하인 것에 상응하여, 상기 대체 목적지를 추천하는 단계를 포함하고,
    상기 방법은 상기 실현 가능성이 상기 기설정된 값보다 큰 것에 상응하여, 원래 목적지에 관련된 상기 사용자의 상기 의도를 만족시키는 동작을 수행하는 단계;를 더 포함하는 것을 특징으로 하는, 방법.
    
12. 삭제
13. 제 11 항에 있어서,
    상기 사용자의 의도를 결정하는 단계는,
    상기 사용자의 의도의 카테고리를 결정하는 단계; 및
    상기 결정된 카테고리의 태스크 타입을 결정하는 단계;
    를 더 포함하는 것을 특징으로 하는, 방법.
    
14. 제 13 항에 있어서,
    상기 대체 목적지를 추천하는 답변 메시지를 생성하는 단계는,
    상기 결정된 실현 가능성, 상기 결정된 카테고리 및 상기 결정된 태스크 타입에 기초하여, 상기 사용자의 의도에 관련된 대체 목적지를 추천하는 답변 메시지를 생성하는 것을 특징으로 하는, 방법.
    
15. 제 13 항에 있어서,
    상기 연관 정보를 획득하는 단계는, 상기 결정된 카테고리 및 상기 태스크 타입에 기초하여, 상기 사용자의 의도의 실현 가능성을 판단하기 위하여 상기 목적지에 관련되며 학습에 의해 설정된 상기 연관 정보를 획득하는 것을 특징으로 하는, 방법.
    
16. 제 11 항에 있어서,
    상기 연관 정보는, 상기 목적지의 영업 시간, 상기 목적지의 주차 상황, 상기 목적지의 시설 이용 시간 및 상기 목적지로의 교통 상황 중 적어도 하나에 관한 정보를 포함하는 것을 특징으로 하는, 방법.
    
17. 제 11 항에 있어서,
    상기 사용자의 의도를 결정하는 단계는, 상기 분석된 음성 입력 및 상기 사용자의 일정 정보에 기초하여, 상기 사용자의 의도를 결정하는 것을 특징으로 하는, 방법.
    
18. 제 13 항에 있어서,
    상기 결정된 카테고리 및 상기 결정된 태스크 타입에 기초하여, 상기 사용자의 의도와 관련된 부가 정보를 획득하는 단계; 및
    상기 부가 정보를 상기 답변 메시지와 함께 제공하는 단계;
    를 더 포함하는 것을 특징으로 하는, 방법.
    
19. 제 11 항에 있어서,
    상기 답변 메시지에 대한 사용자 입력에 기초하여, 상기 답변 메시지에 포함된 동작을 수행하기 위한 기설정된 애플리케이션을 실행하는 단계;
    를 더 포함하는 것을 특징으로 하는, 방법.
    
20. 제 11 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images