KR20190117837A - 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 - Google Patents

사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 Download PDF

Info

Publication number
KR20190117837A
KR20190117837A KR1020180034546A KR20180034546A KR20190117837A KR 20190117837 A KR20190117837 A KR 20190117837A KR 1020180034546 A KR1020180034546 A KR 1020180034546A KR 20180034546 A KR20180034546 A KR 20180034546A KR 20190117837 A KR20190117837 A KR 20190117837A
Authority
KR
South Korea
Prior art keywords
service providing
voice input
data
service
user
Prior art date
Application number
KR1020180034546A
Other languages
English (en)
Inventor
오형래
고현목
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 KR1020180034546A priority Critical patent/KR20190117837A/ko
Priority to US16/364,433 priority patent/US11189278B2/en
Publication of KR20190117837A publication Critical patent/KR20190117837A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/74—Details of telephonic subscriber devices with voice recognition means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Databases & Information Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 디바이스의 위치 정보를 획득하는 단계; 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 단계; 사용자로부터 음성 입력을 수신하는 단계; 수신된 음성 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성하는 단계; 및 생성된 답변 메시지를 디스플레이하는 단계:를 포함하고, 실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 수신된 음성 입력으로부터 답변 메시지를 생성하며, 이용되는 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 실행된 서비스 제공 에이전트에 대응되는 것인, 디바이스가 사용자 입력에 대한 답변 메시지를 제공하는 방법이 제공된다.

Description

사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법{DEVICE AND METHOD FOR PROVIDING RESPONSE MESSAGE TO USER INPUT}
본 개시는 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법에 관한 것으로서, 보다 상세하게는, 사용자의 위치 정보에 기초한 서비스 제공 에이전트를 실행함으로써, 사용자의 음성 입력 또는 텍스트 입력에 대한 답변 메시지를 디바이스 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(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.
인공지능 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.
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 음성 입력을 입력하고, 서비스 제공 에이전트를 통해 음성 입력에 따른 답변 메시지를 수신할 수 있게 되었다.
하지만, 종래에는, 적합한 서비스 제공 에이전트를 선택하기 위해 각 에이전트의 이름을 정확히 사용자로부터 입력받아야 하는 문제가 있었다. 이에 따라, 사용자가 서비스 제공 에이전트의 이름을 알지 못하더라도, 복수의 서비스 제공 에이전트들 중에서 적합한 서비스 제공 에이전트를 통해 효과적으로 서비스를 제공받을 수 있는 기술이 요구되고 있다.
일부 실시예는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여, 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법을 제공하고자 한다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제 1 측면은 적어도 하나의 인스트럭션이 저장되는 메모리; 마이크로폰; 디스플레이; 및 적어도 하나의 인스트럭션을 실행함으로써 센싱부를 통하여 디바이스의 위치 정보를 획득하고, 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행하고, 마이크로폰을 통하여 사용자로부터 음성 입력을 수신하고, 수신된 음성 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성하고, 생성된 답변 메시지를 디스플레이 상에 디스플레이하는 프로세서를 포함하고, 실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 수신된 음성 입력으로부터 답변 메시지를 생성하며, 이용되는 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 실행된 서비스 제공 에이전트에 대응되는 것인, 디바이스를 제공할 수 있다.
또한, 본 개시의 제 2 측면은, 디바이스의 위치 정보를 획득하는 단계; 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 단계; 사용자로부터 음성 입력을 수신하는 단계; 수신된 음성 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성하는 단계; 및 생성된 답변 메시지를 디스플레이하는 단계:를 포함하고, 실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 수신된 음성 입력으로부터 답변 메시지를 생성하며, 이용되는 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 실행된 서비스 제공 에이전트에 대응되는 것인, 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 음성 입력에 대한 답변 메시지를 제공하는 방법의 흐름도이다.
도 3은 일부 실시예에 따른 디바이스(1000)가 디바이스(1000)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 예시를 나타내는 도면이다.
도 4는 일부 실시예에 따른 디바이스(1000)가 사용자의 음성 입력에 응답하여, 서비스 제공 에이전트를 실행하는 예시를 나타내는 도면이다.
도 5는 일부 실시예에 따른 디바이스(1000)가 결제를 추천하기 위한 메시지를 디스플레이하는 방법의 흐름도이다.
도 6은 일부 실시예에 따른 디바이스(1000)가 결제를 추천하기 위한 메시지를 디스플레이하는 예시를 나타내는 도면이다.
도 7은 일부 실시예에 따른 디바이스(1000)가 중개 서버(2000)와 연동함으로써, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 8 및 도 9는 일부 실시예에 따른 디바이스(1000)의 블록도이다.
도 10은 일부 실시예에 따른 프로세서(1300)의 블록도이다.
도 11는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 12은 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 13는 일부 실시예에 따른 디바이스(1000) 및 중개 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, 디바이스(1000)는 복수의 서비스 제공 에이전트들 중에서 디바이스(1000)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있다. 또한, 사용자는 디바이스(1000)에 음성 입력을 입력할 수 있으며, 디바이스(1000)는 사용자의 음성 입력이 나타내는 의미에 부합하는 답변 메시지를 제공할 수 있다. 디바이스(1000)는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여, 사용자의 음성 입력으로부터 실행된 서비스 제공 에이전트를 통해 답변 메시지를 생성할 수 있다.
편의상, 명세서 전체에서 디바이스(1000)가 사용자의 음성 입력에 대해 답변 메시지를 제공하는 것으로 설명되었으나, 이에 제한되지 않으며, 디바이스(1000)는 사용자의 텍스트 입력에 대해 답변 메시지를 제공할 수도 있다. 예를 들어, 디바이스(1000)는 복수의 서비스 제공 에이전트들 중에서 디바이스(1000)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있다. 또한, 사용자는 디바이스(1000)에 텍스트 입력을 입력할 수 있으며, 디바이스(1000)는 사용자의 텍스트 입력이 나타내는 의미에 부합하는 답변 메시지를 제공할 수 있다. 디바이스(1000)는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여, 사용자의 텍스트 입력으로부터 실행된 서비스 제공 에이전트를 통해 답변 메시지를 생성할 수 있다.
서비스 제공 에이전트는, 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 사용자와 대화를 수행하는 프로그램으로서, 챗봇(Chatbot)을 포함할 수 있으나 이에 제한되지 않는다. 또한, 하나의 서비스 제공 에이전트는 하나의 학습 모델에 대응될 수 있다. 또한, 상기 하나의 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 현재 실행된 서비스 제공 에이전트에 대응되는 것일 수 있다.
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 입력 및/또는 텍스트 입력을 수신하고, 사용자에게 답변 메시지를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.
또한, 디바이스(1000)는 답변 메시지를 제공하기 위하여, 소정의 네트워크를 통하여 중개 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 음성 입력에 대한 답변 메시지를 제공하는 방법의 흐름도이다.
동작 S200에서 디바이스(1000)는 디바이스의 위치 정보를 획득할 수 있다.
일 실시예에서, 디바이스(1000)의 위치 정보는, 디바이스의 GPS 정보 및 통신 인터페이스 연결 정보 중 적어도 하나를 포함할 수 있다. 디바이스(1000)는 위치 센서가 센싱한 디바이스의 GPS 정보를 획득할 수 있고, 이를 통해 디바이스(1000)가 현재 위치한 장소를 결정할 수 있다. 또는, 디바이스(1000)의 위치 좌표를 획득할 수 있다.
일 실시예에서, 디바이스(1000)는 통신 인터페이스를 통해 디바이스(1000)의 위치 정보를 획득할 수 있다. 예를 들어, 디바이스(1000)는 NFC 태그를 통해 디바이스(1000)가 위치한 장소를 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는 와이파이의 식별자를 통해 디바이스(1000)가 위치한 장소를 결정할 수 있다. 예를 들어, 디바이스(1000)는 디바이스(1000)가 연결된 와이파이의 SSID를 확인함으로써, 디바이스(1000)가 위치가 위치한 장소를 알아낼 수 있다.
동작 S210에서 디바이스(1000)는 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있다. 디바이스(1000)는 디바이스(100)의 위치 정보에 기초하여, 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 선택하고, 실행할 수 있다. 예를 들어, 디바이스(1000)가 기 설정된 시간 내에 A 커피 전문점의 NFC에 태그한 경우, A 커피 서비스 제공 에이전트, B 택시 서비스 제공 에이전트, 및 C 레스토랑 서비스 제공 에이전트 중에서 디바이스(1000)는 A 커피 서비스 제공 에이전트를 실행할 수 있다.
또는, 디바이스(1000)는 디바이스(1000)의 위치 정보를 중개 서버(2000)에게 전송하고, 위치 정보를 중개 서버(2000)에게 전송한 것에 대응하여, 복수의 서비스 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트에 관한 정보를 수신할 수 있다. 또한, 디바이스(1000)는 수신된 서비스 제공 에이전트에 관한 정보에 기초하여, 서비스 제공 에이전트를 실행할 수 있다. 예를 들어, 디바이스(1000)의 GPS 정보를 중개 서버(2000)에게 전송하면, 중개 서버(2000)는 디바이스(1000)의 GPS 정보가 C 레스토랑의 GPS 정보와 매칭됨을 확인하고, 디바이스(1000)에게 복수의 서비스 제공 에이전트들 중에서 C 레스토랑 서비스 제공 에이전트가 선택되었음을 디바이스(1000)에게 전송할 수 있다. 이에 따라, 디바이스(1000)는 C 레스토랑 서비스 제공 에이전트를 실행할 수 있다.
동작 S220에서 디바이스(1000)는 사용자의 음성 입력을 수신할 수 있다.
일 실시예에서, 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, 보이스 어시스턴트 애플리케이션 (Voice Assistant Application)을 실행하고, 실행된 애플리케이션을 제어함으로써 마이크로폰을 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다.
또는, 디바이스(1000)는 사용자의 텍스트 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 사용자의 터치 입력을 통해 입력되는 텍스트를 수신할 수 있다.
일 실시예에서, 디바이스(1000)는 위치 정보에 기초하여 자동으로 실행된 서비스 제공 에이전트를 통하여 사용자의 음성 입력을 수신할 수 있다. 디바이스(1000)는 서비스 제공 에이전트가 실행되었음을 알리는 알림 메시지를 디스플레이하고, 알림 메시지에 응답하여, 사용자로부터 음성 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 “무엇을 도와드릴까요” 라는 알림 메시지를 디스플레이할 수 있다. 그러나 이에 제한되지 않으며, 알림 메시지는 음성으로 출력될 수도 있다. 디바이스(1000)는, 예를 들어, 서비스 제공 에이전트를 실행하고, 실행된 서비스 제공 에이전트를 제어함으로써 마이크로폰를 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 “아메리카노 주문해 줘”라는 사용자의 음성 입력을 수신할 수 있다. 일 실시예에 따른 디바이스(1000)가 디바이스(1000)의 위치 정보에 대응되는 서비스 제공 에이전트를 자동으로 실행하는 예시는 도 3에서 후술하기로 한다.
일 실시예에서, 디바이스(1000)는 서비스 제공 에이전트를 실행하기 위한 음성 입력을 수신할 수 있으며, 수신된 사용자의 음성 입력에 기초하여, 디바이스(100)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있고, 실행된 서비스 제공 에이전트를 통하여 사용자의 다른 음성 입력을 수신할 수 있다.
일 실시예에서, 디바이스(1000)는 서비스 제공 에이전트를 실행하기 위한 텍스트 입력을 수신할 수 있으며, 수신된 사용자의 텍스트 입력에 기초하여, 디바이스(100)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있고, 실행된 서비스 제공 에이전트를 통하여 사용자의 다른 텍스트 입력을 수신할 수 있다.
일 실시예에 따른 디바이스(1000)가 사용자의 음성 입력에 응답하여, 서비스 제공 에이전트를 실행하는 예시는 도 4에서 후술하기로 한다.
동작 S230에서 디바이스(1000)는 사용자의 음성 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성할 수 있다.
디바이스(1000)는 실행된 서비스 제공 에이전트를 통해, 사용자의 음성 입력을 다양한 자연어 해석 기법을 이용하여 해석할 수 있으며, 사용자의 음성 입력의 의미에 기초하여 답변 메시지를 생성할 수 있다. 사용자의 음성 음력에 기초하여 생성된 답변 메시지는, 사용자의 질의, 주문, 결제 등에 부합하는 내용이 포함된 것일 수 있다. 예를 들어, 디바이스(1000)는 특정 음식을 주문하기 위한 음성 입력을 수신한 경우, 특정 음식을 제공하는 서비스와 관련된 답변 메시지를 생성할 수 있다.
또는, 디바이스(1000)는 사용자의 텍스트 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성할 수 있다.
실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 사용자의 음성 또는 텍스트 입력으로부터 답변 메시지를 생성할 수 있다. 예를 들어, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델을 이용하여, 디바이스(1000)는 답변 메시지를 생성할 수 있다.
또한, 실행된 서비스 제공 에이전트에서 이용되는 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 실행된 서비스 제공 에이전트에 대응되는 것일 수 있다. 예를 들어, 제1 서비스 제공 에이전트는 제1 학습 모델에 대응되고, 제2 서비스 제공 에이전트는 제2 학습 모델에 대응되며, 제3 서비스 제공 에이전트는 제3 학습 모델에 대응되는 것일 수 있다. 예를 들어, 제1 서비스 제공 에이전트가 커피 전문점의 에이전트인 경우에, 제1 학습 모델은 커피 서비스를 제공하기 위해 학습된 학습 모델일 수 있다.
일 실시예에서, 디바이스(1000)는 사용자 입력을 통해 사용자로부터 직접 텍스트를 수신할 수도 있고, 사용자의 음성 입력을 STT(Speech To Text) 변환함으로써 텍스트를 획득할 수도 있다. 또한, 디바이스(1000)는 텍스트의 의미를 자연어 해석 기법을 이용하여 파악함으로써 답변 메시지를 생성할 수 있다.
예를 들어, 소정의 음성 입력 및/또는 소정의 텍스트 입력을 입력 값으로 하는 지도 학습(supervised learning), 별다른 지도없이 답변 메시지 생성을 위해 필요한 음성 입력의 종류를 스스로 학습함으로써, 답변 메시지 생성을 위한 패턴을 발견하는 비지도 학습(unsupervised learning)이 답변 메시지의 생성에 이용될 수 있다. 또한, 예를 들어, 학습에 따른 답변 메시지 생성의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)이 답변 메시지의 생성에 이용될 수 있다.
또는, 디바이스(1000)는 사용자의 음성 입력을 텍스트로 변환하고, 변환된 텍스트를 중개 서버(2000)에게 전송할 수 있다. 또한, 디바이스(1000)는 텍스트에 기초하여 생성된 답변 메시지를 중개 서버(2000)로부터 수신할 수도 있다.
또는, 디바이스(1000)는 사용자로부터 텍스트 입력을 수신하고, 수신된 텍스트를 중개 서버(2000)에게 전송할 수 있다. 또한, 디바이스(1000)는 텍스트에 기초하여 생성된 답변 메시지를 중개 서버(2000)로부터 수신할 수도 있다.
동작 S240에서 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.
도 3은 일부 실시예에 따른 디바이스(1000)가 디바이스(1000)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 예시를 나타내는 도면이다.
도 3을 참조하면, 디바이스(1000)의 위치 정보에 기초하여, 디바이스(1000)가 현재 A 커피숍에 위치한 것으로 확인되면, 디바이스(1000)는 A 커피 서비스 제공 에이전트를 자동으로 실행할 수 있다. 이에 따라, 사용자는 현재 위치한 장소의 이름이 “A 커피숍” 이라는 것을 모르더라도 편리하게 A 커피 서비스 제공 에이전트를 통해 커피 서비스를 제공받을 수 있다. 또한, “A 커피숍”이 외국에 위치하여 사용자가 직접 주문하기에 소통이 원활하지 않더라도, 언어에 구애받지 않고 A 커피 서비스 제공 에이전트를 통해 커피 서비스를 편리하게 제공받을 수 있다.
또한, 디바이스(1000)는 A 커피 서비스 제공 에이전트가 실행되었음을 알리는 알림 메시지를 디스플레이할 수 있다. 예를 들어, 디바이스(1000)는 “A 커피 에이전트가 실행되었습니다. 무엇을 도와드릴까요” 라는 알림 메시지(300)를 디스플레이할 수 있다. 이를 통해, 사용자는 현재 A 커피 서비스 에이전트를 통해 커피 서비스를 제공받을 수 있음을 확인할 수 있다.
디바이스(1000)는 알림 메시지(300)에 응답하여 사용자의 음성 입력을 수신할 수 있다. 음성 입력에는 커피 서비스를 제공받기 위해 질의하는 내용이 포함될 수 있다. 예를 들어, 디바이스(1000)는 “메뉴가 뭐야” 라는 음성 입력(310)을 수신할 수 있다. 그러나 이에 제한되지 않으며, 디바이스(1000)는 “메뉴가 뭐야”라는 텍스트 입력을 사용자로부터 수신할 수도 있다.
디바이스(1000)는 메뉴를 질의하는 사용자의 음성 입력에 부합하는 답변 메시지를 제공할 수 있다. 일 실시예에서, 디바이스(1000)는 음성 입력에 대한 응답으로, 서비스를 제공하는 서비스 제공 서버(3000)로부터 서비스와 관련된 정보를 수신함으로써, 답변 메시지를 생성할 수 있다. 예를 들어, 디바이스(1000)는 A 커피숍의 서비스 제공 서버(3000)에게 A 커피숍에서 제공하는 메뉴를 요청할 수 있고, 요청에 응답하여 A 커피숍의 서비스 제공 서버(3000)로부터 아메리카노, 카페라떼, 카페모카 등의 메뉴가 있음을 나타내는 서비스와 관련된 정보를 수신할 수 있다. 디바이스(1000)는 서비스와 관련된 정보에 기초하여, 답변 메시지를 생성할 수 있다. 예를 들어, 디바이스(1000)는 “아메리카노, 카페라떼, 카페모카 등이 있습니다.” 라는 답변 메시지(320)를 디스플레이할 수 있다.
일 실시예에서, 디바이스(1000)는 중개 서버(2000)를 경유하여, 서비스 제공 서버(3000)로부터 서비스와 관련된 정보를 수신할 수도 있다.
디바이스(1000)는 답변 메시지에 응답하여 사용자로부터 다른 음성 입력을 수신할 수도 있다. 예를 들어, 디바이스(1000)는 사용자로부터 메뉴를 주문 하기 위한 음성 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 “아메리카노 주문해 줘.”라는 사용자의 음성 입력(330)을 수신할 수 있다.
또한, 디바이스(1000)는 사용자가 주문한 내역을 확인하게 하기 위한 답변 메시지를 생성할 수 있다. 이 경우, 디바이스(1000)는 서비스의 제공과 관련된 부가 정보를 답변 메시지 내에 포함시킬 수 있다. 예를 들어, 디바이스(1000)는 서비스 제공까지의 대기 시간 및 서비스의 제공까지의 대기 순서 중 적어도 하나를 나타내는 텍스트를 포함시킬 수 있다. 예를 들어, 디바이스(1000)는 “아메리카노 주문했습니다. 5번째 순서입니다.” 라는 답변 메시지(340)를 디스플레이할 수 있다. 또한, 디바이스(1000)는 사용자의 음성 입력(330)에 대응하여, 아메리카노를 주문하는 요청을 A 커피숍의 서비스 제공 서버(3000)에게 전송할 수 있다. 또는, 디바이스(1000)는 중개 서버(2000)를 경유하여 아메리카노를 주문하는 요청을 A 커피숍의 서비스 제공 서버(3000)에게 전송할 수 있다.
도 4는 일부 실시예에 따른 디바이스(1000)가 사용자의 음성 입력에 응답하여, 서비스 제공 에이전트를 실행하는 예시를 나타내는 도면이다.
도 4를 참조하면, 사용자로부터 상기 서비스 제공 에이전트를 실행하기 위한 음성 입력을 수신하고, 수신된 음성 입력에 응답하여, 서비스 제공 에이전트를 실행할 수 있다. 예를 들어, 디바이스(1000)는 사용자로부터 “여기로 택시 불러줘” 라는 음성 입력(400)을 수신할 수 있다.
디바이스(1000)는 서비스 제공 에이전트를 실행하기 위한 사용자의 음성 입력에 응답하여, 사용자의 음성 입력이 나타내는 의미에 부합하는 서비스 제공 에이전트를 실행할 수 있다. 예를 들어, 디바이스(1000)는 택시의 제공을 요청하는 음성 입력(400)에 대응하여 B 택시 서비스 제공 에이전트를 실행할 수 있다. 또한, 디바이스(1000)는 사용자의 음성 입력에 대한 답변 메시지를 제공할 수 있다. 예를 들어, 디바이스(1000)가 현재 C 호텔 내에 위치한 것으로 확인되면, 디바이스(1000)는 C 호텔 앞으로 택시를 호출할 지를 질의하는 답변 메시지를 생성할 수 있다. 예를 들어, 디바이스(1000)는 “B 택시 에이전트가 실행되었습니다, C 호텔 앞으로 택시를 호출 할까요” 라는 답변 메시지(410)를 디스플레이할 수 있다.
또한, 디바이스(1000)는 실행된 서비스 제공 에이전트를 통하여 사용자의 다른 음성 입력을 수신할 수 있다. 예를 들어, 디바이스(1000)는 디바이스(1000)의 현재 위치로 서비스를 제공할 지를 질의하는 답변 메시지(410)에 대한 응답으로 "응." 이라는 음성 입력(420)을 수신할 수 있다.
또한, 디바이스(1000)는 사용자가 요청한 내역을 확인하게 하기 위한 답변 메시지를 생성할 수 있다. 이 경우, 디바이스(1000)는 답변 메시지 내에, 서비스의 제공과 관련된 부가 정보를 포함시킬 수 있다. 또한, 디바이스(1000)는 부가 정보를 답변 메시지 내에 포함시키기 위하여, 서비스 제공 서버(3000)에게 부가 정보를 요청하고, 요청에 대응하여 부가 정보를 수신할 수 있다. 예를 들어, 디바이스(1000)는 서비스 제공까지의 대기 시간 및 서비스의 제공까지의 대기 순서 중 적어도 하나를 나타내는 텍스트를 포함시킬 수 있다. 예를 들어, 디바이스(1000)는 “택시를 호출했습니다. 예상 대기시간은 10분 입니다.” 라는 답변 메시지(430)를 디스플레이할 수 있다. 또한, 디바이스(1000)는 사용자의 음성 입력(420)에 대응하여, 택시를 호출하는 요청을 B 택시의 서비스 제공 서버(3000)에게 전송할 수 있다. 또는, 디바이스(1000)는 중개 서버(2000)를 경유하여 택시를 호출하는 요청을 B 택시의 서비스 제공 서버(3000)에게 전송할 수 있다.
도 5는 일부 실시예에 따른 디바이스(1000)가 결제를 추천하기 위한 메시지를 디스플레이하는 방법의 흐름도이다.
동작 S500에서 디바이스(1000)는 서비스의 제공에 따른 결제가 필요한 지를 결정할 수 있다. 디바이스(1000)는 실행된 서비스 제공 에이전트에 대응되는 학습 모델을 이용하여 서비스의 제공에 따른 결제가 필요한 지를 판단할 수 있다. 예를 들어, 사용자의 음성 입력의 의미가 강남 A 백화점을 목적지로 택시 서비스 제공을 요청하는 것이며, 디바이스(1000)가 목적지인 강남 A 백화점으로 택시 서비스를 제공한 경우에, 디바이스(1000)는 사용자가 택시 서비스를 편리하게 구매할 수 있도록 하기 위한 결제가 필요하다고 판단할 수 있다.
한편, 결제를 추천하기 위한 동작들은, 기 설정된 기준에 따른 학습에 기초하여 수행될 수 있다. 예를 들어, 결제가 필요한 지 여부의 판단이, 심층신경망(Deep Neural Network) 기술에 따른 학습에 기초하여 수행될 수 있다.
동작 S500에서의 판단 결과, 결제가 필요하다고 판단되면, 동작 S510에서 디바이스(1000)는 결제를 추천하는 메시지를 디스플레이할 수 있다. 예를 들어, 디바이스(1000)는 D 메뉴 주문에 따른 금액 15000을 결제할 지를 문의하는 메시지를 디바이스(1000)의 화면 상에 디스플레이할 수 있다.
또한, 결제를 추천하는 메시지는, 결제를 수행하기 위한 애플리케이션을 실행하기 위한 오브젝트를 포함할 수 있다. 예를 들어, 결제를 수행할 지를 문의하는 메시지는, 결제를 수행하기 위한 애플리케이션을 실행하기 위한 아이콘을 포함할 수 있다.
또한, 디바이스(1000)는 사용자가 요청한 서비스를 제공받았는지를 확인하고, 결제를 추천하는 메시지를 디스플레이할 수 있다. 예를 들어, 사용자가 택시 서비스를 요청한 경우, 디바이스(1000)는 사용자가 요청한 목적지에 디바이스(1000)가 도착하였는지를 확인하고, 결제를 추천하는 메시지를 디스플레이할 수 있다..
동작 S520에서 디바이스(1000)는 결제를 수행하는 애플리케이션을 실행할 수 있다. 예를 들어, 결제를 추천하는 메시지 내에 포함된 애플리케이션의 아이콘이 사용자에 의해 선택되면, 디바이스(1000)는 결제를 수행하는 애플리케이션을 실행할 수 있다.
상기에서는 결제를 추천하는 메시지를 디스플레이하고, 사용자 입력에 따라 결제를 수행하기 위한 애플리케이션을 실행하는 것으로 설명되었지만, 이에 제한되지 않는다. 동작 S500에서 결제가 필요하다고 판단되면, 디바이스(1000)는 결제를 수행하는 애플리케이션을 자동으로 실행할 수 있다.
도 6은 일부 실시예에 따른 디바이스(1000)가 결제를 추천하기 위한 메시지를 디스플레이하는 예시를 나타내는 도면이다.
도 6을 참조하면, “D 메뉴 주문해 줘”라는 사용자의 음성 입력이 수신되면, 디바이스(1000)는 D 메뉴를 제공한 후에, D 메뉴 제공에 따른 결제를 수행할 지를 문의하는 메시지(600)를 디스플레이할 수 있다. 또한, 결제를 추천하는 메시지(600)는 결제를 수행하기 위한 애플리케이션을 실행하기 위한 버튼(610)을 포함할 수도 있다.
도 7은 일부 실시예에 따른 디바이스(1000)가 중개 서버(2000)와 연동함으로써, 사용자의 음성 입력에 대한 답변 메시지를 제공하는 예시를 나타내는 도면이다.
도 7을 참조하면, 디바이스(1000)는 중개 서버(2000)와 네트워크를 통하여 연결될 수 있으며, 중개 서버(2000)에 의해 기 설정된 기준에 따라 학습된 데이터를 이용하여 사용자의 음성 입력에 대한 답변 메시지를 제공할 수 있다.
이 경우, 중개 서버(2000)는, 도 1 내지 도 6에서 디바이스(1000)가 수행하는 기능인, 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 기능, 음성 입력에 기초하여 답변 메시지를 생성하는 기능, 서비스의 제공에 따른 결제를 추천하는 기능, 및 서비스의 제공과 관련된 부가 정보를 제공하는 기능 중 적어도 하나를 수행할 수 있다.
이 경우, 디바이스(1000)는 서비스 제공 서버(3000)와 직접 연동하여 사용자에게 서비스를 제공하지 않고, 중개 서버(2000)를 통하여 서비스 제공 서버(3000)와 통신할 수 있다.
이 경우, 디바이스(1000) 및 중개 서버(2000)는 각자 자신이 맡은 기능을 수행하기 위하여, 서로 필요한 데이터를 송수신할 수 있다. 예를 들어, 디바이스(1000)는 중개 서버(2000)가 수행하는 소정 기능에 필요한 데이터를 중개 서버(2000)에게 제공할 수 있으며, 디바이스(1000)는 중개 서버(2000)로부터 중개 서버(2000)에 의해 수행된 기능에 따라 생성되는 결과 데이터를 수신할 수 있다. 또한, 중개 서버(2000)는 디바이스(1000)가 수행하는 소정 기능에 필요한 데이터를 디바이스(1000)에게 제공할 수 있으며, 중개 서버(2000)는 디바이스(1000)로부터 디바이스(1000)에 의해 수행된 기능에 따라 생성되는 결과 데이터를 수신할 수 있다.
또한, 중개 서버(2000)는 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 실행하기 위해 필요한 데이터, 음성 입력에 기초하여 답변 메시지를 생성하기 위하여 필요한 데이터, 서비스의 제공에 따른 결제를 추천하기 위하여 필요한 데이터, 및 서비스의 제공과 관련된 부가 정보를 제공하기 위하여 필요한 데이터 중 적어도 하나를 관리할 수 있다.
도 8 및 도 9는 일부 실시예에 따른 디바이스(1000)의 블록도이다.
도 8에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 디스플레이부(1210), 센싱부(1400), 프로세서(1300), 및 마이크로폰(1620)을 포함할 수 있다. 그러나, 도 8에 도시된 구성 요소 모두가 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 8에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있고, 도 8에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있다.
예를 들어, 도 9에 도시된 바와 같이, 일부 실시예에 따른 디바이스(1000)는, 디스플레이부(1210), 센싱부(1400), 프로세서(1300), 및 마이크로폰(1620) 이외에 사용자 입력부(1100), 출력부(1200), 통신부(1500), 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 디스플레이할 수 있다. 또한, 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 7에 기재된 디바이스(1000)의 기능을 수행할 수 있다.
구체적으로, 프로세서(1300)는 센싱부(1400) 또는 통신부(1500)를 통하여 디바이스(100)의 위치 정보를 획득할 수 있다. 예를 들어, 위치 정보는, 디바이스의 GPS 정보 및 통신 인터페이스 연결 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 프로세서(1300)는 디바이스(100)의 위치 정보에 기초하여, 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트를 선택하고, 실행할 수 있다.
다른 실시예에서, 프로세서(1300)는 통신부(1500)를 통해 디바이스(1000)의 위치 정보를 중개 서버(2000)에게 전송할 수 있다. 또한, 프로세서(1300)는 위치 정보를 중개 서버(2000)에게 전송한 것에 대응하여, 복수의 서비스 복수의 서비스 제공 에이전트들 중에서 위치 정보에 대응되는 서비스 제공 에이전트에 관한 정보를 수신할 수 있다. 프로세서(1300)는 수신된 서비스 제공 에이전트에 관한 정보에 기초하여, 상기 서비스 제공 에이전트를 실행할 수 있다.
프로세서(1300)는 마이크로폰(1620)를 통하여 사용자의 음성 입력을 수신할 수 있다. 일 실시예에서, 프로세서(1300)는 자동으로 실행된 서비스 제공 에이전트를 통하여 사용자의 음성 입력을 수신할 수 있다. 프로세서(1300)는 서비스 제공 에이전트가 실행되었음을 알리는 알림 메시지를 디스플레이부(1210)에 디스플레이하고, 알림 메시지에 응답하여, 사용자로부터 음성 입력을 수신할 수 있다. 프로세서(1300)는, 예를 들어, 서비스 제공 에이전트를 실행하고, 실행된 서비스 제공 에이전트를 제어함으로써 마이크로폰(1620)를 통하여 입력되는 사용자의 음성 입력을 수신할 수 있다.
다른 실시예에서, 프로세서(1300)는 서비스 제공 에이전트를 실행하기 위한 음성 입력을 수신할 수 있으며, 수신된 사용자의 음성 입력에 기초하여, 디바이스(100)의 위치 정보에 대응되는 서비스 제공 에이전트를 실행할 수 있고, 실행된 서비스 제공 에이전트를 통하여 사용자의 다른 음성 입력을 수신할 수 있다.
일 실시예에서, 프로세서(1300)는 사용자의 음성 입력에 기초하여, 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성할 수 있다. 프로세서(1300)는 사용자의 음성 입력을 다양한 자연어 해석 기법을 이용하여 해석할 수 있으며, 사용자의 음성 입력의 의미에 기초하여 답변 메시지를 생성할 수 있다. 프로세서(1300)는 실행된 서비스 제공 에이전트를 통해 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 수신된 음성 입력으로부터 답변 메시지를 생성할 수 있다. 이 경우, 이용되는 학습 모델은, 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 실행된 서비스 제공 에이전트에 대응되는 것일 수 있다. 예를 들어, 프로세서(1300)는 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델을 이용하여 답변 메시지를 생성할 수 있다.
일 실시예에서, 프로세서(1300)는 통신부(1500)를 통해 답변 메시지를 중개 서버(2000)로부터 수신할 수 있다. 프로세서(1300)는 음성 입력을 텍스트로 변환하고, 텍스트를 중개 서버(2000)에게 전송함으로써, 전송된 텍스트에 기초하여 생성된 답변 메시지를 중개 서버(2000)로부터 수신할 수 있다. 이 경우, 중개 서버(2000)는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 수신된 음성 입력으로부터 답변 메시지를 생성할 수 있다.
또한, 프로세서(1300)는 생성된 답변 메시지를 디스플레이부(1210)에 디스플레이할 수 있다.
또한, 프로세서(1300)는 서비스와 관련된 부가 정보를 획득하고, 부가 정보를 답변 메시지와 함께 디스플레이부(1210)에 디스플레이할 수 있다. 부가 정보는, 서비스 제공까지의 대기 시간 및 서비스의 제공까지의 대기 순서 중 적어도 하나를 포함할 수 있다.
또한, 프로세서(1300)는 통신부(1500)를 통해 서비스를 제공하는 서비스 제공 서버(3000)로부터 서비스와 관련된 정보를 수신할 수 있다. 프로세서(1300)는, 예를 들어, 실행된 서비스 제공 에이전트가 음식점에 관한 것인 경우, 메뉴와 관련된 정보를 서비스 제공 서버(3000)로부터 수신할 수 있다.
또한, 프로세서(1300)는 메모리(1700) 또는 중개 서버(2000)에 저장된 데이터 인식 모델을 이용하여, 답변 메시지를 생성할 수 있으며, 이에 관하여는 도 10 내지 도 13에서 보다 상세히 설명하기로 한다.
또한, 프로세서(1300)는 메모리(1700) 또는 중개 서버(2000)에 저장된 데이터 인식 모델을 이용함으로써, 결제를 추천할 지 결정하기 위한 기준을 효율적으로 학습할 수 있으며, 학습된 결과에 따라 사용자의 의도에 부합하는 결제 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 위치 정보를 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.
예를 들어, 디바이스(1000)는 위치 센서(1460)를 통해 디바이스(1000)의 위치 정보를 획득할 수 있다. 예를 들어, 위치 정보는, 디바이스(1000)가 현재 위치한 장소 또는 위치 좌표를 나타낼 수 있다.
통신부(1500)는, 디바이스(1000)가 다른 장치(미도시), 중개 서버(2000) 및 서비스 제공 서버(3000)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)(1510)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.
일 실시예에서, 디바이스(1000)는 근거리 통신부(1510)를 통해 디바이스(1000)의 위치 정보를 획득할 수 있다. 예를 들어, 디바이스(1000)는 NFC 태그를 통해 디바이스(1000)가 위치한 장소를 결정할 수 있다. 또한, 예를 들어, 디바이스(1000)는 와이파이의 식별자를 통해 디바이스(1000)가 위치한 장소를 결정할 수 있다. 예를 들어, 디바이스(1000)는 디바이스(1000)가 연결된 와이파이의 SSID를 확인함으로써, 디바이스(1000)가 위치가 위치한 장소를 알아낼 수 있다.
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), 중개 서버(2000), 및 서비스 제공 서버(3000)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.
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 10은 일부 실시예에 따른 프로세서(1300)의 블록도이다.
도 10을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다. 도 1 내지 도 9에 기재된 학습 모델은 도 10 내지 도 13에서 데이터 인식 모델로 지칭될 수 있다.
데이터 학습부(1310)는 사용자의 음성 입력에 기초하여 답변 메시지를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 답변 메시지를 생성하기 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 데이터 학습부(1310)는 데이터를 이용하여 답변 메시지를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 사용자의 음성 입력에 기초하여 답변 메시지를 생성하기 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초하여 사용자의 음성 입력에 대한 답변 메시지를 생성할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 답변 메시지를 생성할 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 답변 메시지에 포함될 내용을 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 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 디바이스(1000)에 포함되고, 나머지 하나는 중개 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.
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 11는 일부 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 11를 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 음성 입력에 기초하여 답변 메시지를 생성하기 위하여 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 답변 메시지를 생성하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310-1)는, 예를 들어, 소정의 사용자 음성 정보를 획득할 수 있다.
전처리부(1310-2)는 답변 메시지의 생성을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 답변 메시지의 생성을 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 답변 메시지의 생성을 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 답변 메시지에 어떤 내용을 포함할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 답변 메시지의 생성을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 답변 메시지의 생성에 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, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 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 답변 메시지의 생성을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 답변 메시지의 생성을 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 답변 메시지의 생성의 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 메모리(1700)에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 중개 서버(2000)의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리(1700)는, 예를 들면, 디바이스(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리(1700)는 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 동영상 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 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 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 중개 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 답변 메시지의 생성을 위한 기준을 효율적으로 학습할 수 있다.
도 12은 일부 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 12을 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 답변 메시지의 생성에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 답변 메시지의 생성을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 답변 메시지의 생성을 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 서비스 제공 에이전트가 제공하는 서비스와 관련된 정보를 획득할 수 있다. 서비스와 관련된 정보는, 예를 들어, 디바이스(1000)에서 생성된 정보 또는 외부 장치로부터 수신된 정보일 수 있다. 서비스와 관련된 정보는, 예를 들어, 서비스 제공 서버(3000)로부터 수신된 정보일 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 답변 메시지의 생성에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 답변 메시지의 생성을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 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 답변 메시지를 생성할 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 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 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 전자 장치에 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 음성 입력에 부합하는 서비스를 사용자에게 제공할 수 있게 된다.
도 13은 일부 실시예에 따른 디바이스(1000) 및 중개 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 13를 참조하면, 중개 서버(2000)는 답변 메시지의 생성을 위한 기준을 학습할 수 있으며, 디바이스(1000)는 중개 서버(2000)에 의한 학습 결과에 기초하여 답변 메시지를 생성할 수 있다.
이 경우, 중개 서버(2000)의 모델 학습부(2340)는 도 10에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 중개 서버(2000)의 모델 학습부(2340)는 답변 메시지의 생성을 위하여 어떤 데이터를 이용할 지에 관한 기준을 학습할 수 있다. 또한, 서버의 모델 학습부(2340)는 데이터를 이용하여 답변 메시지의 생성 어떻게 할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 답변 메시지의 생성을 위한 기준을 학습할 수 있다.
또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 중개 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 답변 메시지의 생성을 할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 중개 서버(2000)에게 전송하고, 중개 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 답변 메시지를 생성할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 중개 서버(2000)에 의해 생성된 답변 메시지에 관한 정보를 중개 서버(2000)로부터 수신할 수 있다.
또는, 디바이스(1000)의 인식 결과 제공부(1320-4)는 중개 서버(2000)에 의해 생성된 인식 모델을 중개 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 답변 메시지를 생성할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 중개 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 답변 메시지를 생성할 수 있다.
또한, 디바이스(1000) 및 중개 서버(2000)는 데이터 인식 모델의 학습 및 데이터 인식을 위한 작업을 효과적으로 분배하여 수행할 수 있으며, 이를 통하여, 사용자의 음성 입력의 의미에 부합하는 서비스를 제공하기 위하여 데이터 처리를 효율적으로 수행하고, 사용자의 프라이버시를 효과적으로 보호할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
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. 디바이스가 사용자 입력에 대한 답변 메시지를 제공하는 방법에 있어서,
    디바이스의 위치 정보를 획득하는 단계;
    복수의 서비스 제공 에이전트들 중에서 상기 위치 정보에 대응되는 서비스 제공 에이전트를 실행하는 단계;
    상기 사용자로부터 음성 입력을 수신하는 단계;
    상기 수신된 음성 입력에 기초하여, 상기 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성하는 단계; 및
    상기 생성된 답변 메시지를 디스플레이하는 단계;
    를 포함하고,
    상기 실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 상기 수신된 음성 입력으로부터 상기 답변 메시지를 생성하며,
    상기 이용되는 학습 모델은, 상기 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 상기 실행된 서비스 제공 에이전트에 대응되는 것인, 방법.
  2. 제 1항에 있어서,
    상기 답변 메시지를 생성하는 단계는,
    상기 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 상기 학습 모델을 이용하여 상기 답변 메시지를 생성하는 단계를 포함하는, 방법.
  3. 제 1항에 있어서, 상기 음성 입력을 수신하는 단계는,
    상기 서비스 제공 에이전트가 실행되었음을 알리는 알림 메시지를 디스플레이하는 단계; 및
    상기 알림 메시지에 응답하여, 상기 사용자로부터 상기 음성 입력을 수신하는 단계;
    를 포함하는, 방법.
  4. 제 1항에 있어서, 상기 서비스 제공 에이전트를 실행하는 단계는,
    상기 사용자로부터 상기 서비스 제공 에이전트를 실행하기 위한 음성 입력을 수신하는 단계; 및
    상기 수신된 상기 서비스 제공 에이전트를 실행하기 위한 음성 입력에 응답하여, 상기 서비스 제공 에이전트를 실행하는 단계;
    를 포함하는, 방법.
  5. 제 1항에 있어서, 상기 방법은,
    상기 서비스의 제공에 따른 결제가 필요한 지를 결정하는 단계;
    상기 결제를 추천하는 메시지를 디스플레이하는 단계;
    상기 결제를 추천하는 메시지에 대한 사용자 입력에 기초하여, 상기 결제를 수행하기 위한 애플리케이션을 실행하는 단계;
    를 더 포함하는, 방법.
  6. 제 1항에 있어서, 상기 서비스 제공 에이전트를 실행하는 단계는,
    상기 위치 정보를 중개 서버에게 전송하는 단계;
    상기 위치 정보를 중개 서버에게 전송한 것에 대응하여, 복수의 서비스 제공 에이전트들 중에서 상기 위치 정보에 대응되는 서비스 제공 에이전트에 관한 정보를 수신하는 단계;
    상기 서비스 제공 에이전트에 관한 정보에 기초하여, 상기 서비스 제공 에이전트를 실행하는 단계;
    를 포함하는, 방법.
  7. 제 1항에 있어서, 상기 답변 메시지를 생성하는 단계는,
    상기 수신된 음성 입력을 텍스트로 변환하는 단계;
    상기 텍스트를 중개 서버에게 전송하는 단계; 및
    상기 텍스트에 기초하여 생성된 상기 답변 메시지를 상기 중개 서버로부터 수신하는 단계;
    를 포함하는, 방법.
  8. 제 1항에 있어서, 상기 방법은,
    상기 서비스의 제공과 관련된 부가 정보를 획득하는 단계; 및
    상기 부가 정보를 상기 답변 메시지와 함께 제공하는 단계;
    를 더 포함하고,
    상기 부가 정보는, 서비스 제공까지의 대기 시간 및 서비스의 제공까지의 대기 순서 중 적어도 하나를 포함하는 것인, 방법.
  9. 제 1항에 있어서, 상기 방법은,
    상기 음성 입력에 대한 응답으로, 상기 서비스를 제공하는 서비스 제공 서버로부터 상기 서비스와 관련된 정보를 수신하는 단계를 더 포함하는, 방법.
  10. 제 1항에 있어서, 상기 위치 정보는,
    상기 디바이스의 GPS 정보 및 통신 인터페이스 연결 정보 중 적어도 하나를 포함하는 것인, 방법.
  11. 사용자 입력에 대한 답변 메시지를 제공하는 디바이스에 있어서,
    적어도 하나의 인스트럭션이 저장되는 메모리;
    센싱부;
    마이크로폰;
    디스플레이; 및
    상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 센싱부를 통하여 상기 디바이스의 위치 정보를 획득하고, 복수의 서비스 제공 에이전트들 중에서 상기 위치 정보에 대응되는 서비스 제공 에이전트를 실행하고, 상기 마이크로폰을 통하여 상기 사용자로부터 음성 입력을 수신하고, 상기 수신된 음성 입력에 기초하여, 상기 실행된 서비스 제공 에이전트를 통해 제공되는 서비스와 관련된 답변 메시지를 생성하고, 상기 생성된 답변 메시지를 상기 디스플레이 상에 디스플레이하는 프로세서;
    를 포함하고,
    상기 실행된 서비스 제공 에이전트는 인공 지능 알고리즘을 이용하여 학습된 학습 모델을 이용하여 상기 수신된 음성 입력으로부터 상기 답변 메시지를 생성하며,
    상기 이용되는 학습 모델은, 상기 복수의 서비스 제공 에이전트를 통해 제공되는 복수의 서비스 별로 각각 학습된 복수의 학습 모델 중에서 상기 실행된 서비스 제공 에이전트에 대응되는 것인, 디바이스.
  12. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 상기 학습 모델을 이용하여 상기 답변 메시지를 생성하는, 디바이스.
  13. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 서비스 제공 에이전트가 실행되었음을 알리는 알림 메시지를 디스플레이하고, 상기 알림 메시지에 응답하여, 상기 사용자로부터 상기 음성 입력을 수신하는, 디바이스.
  14. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 사용자로부터 상기 서비스 제공 에이전트를 실행하기 위한 음성 입력을 수신하고, 상기 수신된 상기 서비스 제공 에이전트를 실행하기 위한 음성 입력에 응답하여, 상기 서비스 제공 에이전트를 실행하는, 디바이스.
  15. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 서비스의 제공에 따른 결제가 필요한 지를 결정하고, 상기 결제를 추천하는 메시지를 디스플레이하고, 상기 결제를 추천하는 메시지에 대한 사용자 입력에 기초하여, 상기 결제를 수행하기 위한 애플리케이션을 실행하는, 디바이스.
  16. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    통신 인터페이스를 통해 상기 위치 정보를 중개 서버에게 전송하고, 상기 위치 정보를 중개 서버에게 전송한 것에 대응하여, 복수의 서비스 제공 에이전트들 중에서 상기 위치 정보에 대응하는 서비스 제공 에이전트에 관한 정보를 상기 통신 인터페이스를 통해 수신하고, 상기 서비스 제공 에이전트에 관한 정보에 기초하여, 상기 서비스 제공 에이전트를 실행하는, 디바이스.
  17. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 수신된 음성 입력을 텍스트로 변환하고, 상기 텍스트를 통신 인터페이스를 통해 중개 서버에게 전송하고, 상기 텍스트에 기초하여 생성된 상기 답변 메시지를 상기 중개 서버로부터 상기 통신 인터페이스를 통해 수신하는, 디바이스.
  18. 제 11항에 있어서, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 음성 입력에 대한 응답으로, 상기 서비스를 제공하는 서비스 제공 서버로부터 상기 서비스와 관련된 정보를 통신 인터페이스를 통해 수신하는, 방법.
  19. 제 11항에 있어서, 상기 위치 정보는,
    상기 디바이스의 GPS 정보 및 통신 인터페이스 연결 정보 중 적어도 하나를 포함하는 것인, 디바이스.
  20. 제 1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020180034546A 2018-03-26 2018-03-26 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 KR20190117837A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180034546A KR20190117837A (ko) 2018-03-26 2018-03-26 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법
US16/364,433 US11189278B2 (en) 2018-03-26 2019-03-26 Device and method for providing response message to user input

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180034546A KR20190117837A (ko) 2018-03-26 2018-03-26 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법

Publications (1)

Publication Number Publication Date
KR20190117837A true KR20190117837A (ko) 2019-10-17

Family

ID=67985386

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180034546A KR20190117837A (ko) 2018-03-26 2018-03-26 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법

Country Status (2)

Country Link
US (1) US11189278B2 (ko)
KR (1) KR20190117837A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102113180B1 (ko) * 2019-12-24 2020-05-20 셀렉트스타 주식회사 딥러닝 모델을 이용하여 음성 전사 레이블링을 검수하는 방법 및 그를 이용한 장치
KR102113172B1 (ko) * 2019-12-20 2020-05-20 셀렉트스타 주식회사 딥러닝 모델을 이용하여 Bounding Box에 대한 레이블링을 검수하는 방법 및 그를 이용한 장치
KR20210102635A (ko) * 2020-02-12 2021-08-20 한국과학기술원 지능형 에이전트에서 이종의 멘탈 모델에 기반한 대화형 메시지 제공 방법 및 그 시스템
WO2022260188A1 (ko) * 2021-06-07 2022-12-15 엘지전자 주식회사 인공지능 기기, 인공지능 기기의 동작 방법

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200044175A (ko) * 2018-10-05 2020-04-29 삼성전자주식회사 전자 장치 및 그의 비서 서비스 제공 방법
US11600272B2 (en) * 2019-07-09 2023-03-07 Schlumberger Technology Corporation Integrated virtual assistant in oil gas domain applications
KR20210066651A (ko) 2019-11-28 2021-06-07 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN111048084B (zh) * 2019-12-18 2022-05-31 上海智勘科技有限公司 在智能语音交互过程中推送信息的方法及系统
US11665281B2 (en) * 2020-02-27 2023-05-30 Byung Kwan Jung Call recommendation system and call recommendation method based on artificial intelligence
IL297763A (en) * 2022-10-30 2024-05-01 Moshe Yakobi Ordering a taxi and services by ID is easy

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100521865B1 (ko) 2003-05-02 2005-10-17 에스케이 텔레콤주식회사 대화형 인터페이스를 이용한 정보제공 시스템 및 방법
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US7962578B2 (en) 2008-05-21 2011-06-14 The Delfin Project, Inc. Management system for a conversational system
US20140074743A1 (en) * 2011-03-25 2014-03-13 Flybuy Technologies, Inc. Systems and methods for managing curb-side delivery
US20180019984A1 (en) * 2014-03-31 2018-01-18 Monticello Enterprises LLC System and method for providing a credential management api
US9942214B1 (en) * 2015-03-02 2018-04-10 Amazon Technologies, Inc. Automated agent detection utilizing non-CAPTCHA methods
JP6686226B2 (ja) * 2016-04-18 2020-04-22 グーグル エルエルシー 適切なエージェントの自動化アシスタント呼び出し
US20180052664A1 (en) * 2016-08-16 2018-02-22 Rulai, Inc. Method and system for developing, training, and deploying effective intelligent virtual agent

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102113172B1 (ko) * 2019-12-20 2020-05-20 셀렉트스타 주식회사 딥러닝 모델을 이용하여 Bounding Box에 대한 레이블링을 검수하는 방법 및 그를 이용한 장치
WO2021125619A1 (ko) * 2019-12-20 2021-06-24 셀렉트스타 주식회사 딥러닝 모델을 이용하여 바운딩 박스에 대한 레이블링을 검수하는 방법 및 그를 이용한 장치
KR102113180B1 (ko) * 2019-12-24 2020-05-20 셀렉트스타 주식회사 딥러닝 모델을 이용하여 음성 전사 레이블링을 검수하는 방법 및 그를 이용한 장치
KR20210102635A (ko) * 2020-02-12 2021-08-20 한국과학기술원 지능형 에이전트에서 이종의 멘탈 모델에 기반한 대화형 메시지 제공 방법 및 그 시스템
WO2022260188A1 (ko) * 2021-06-07 2022-12-15 엘지전자 주식회사 인공지능 기기, 인공지능 기기의 동작 방법

Also Published As

Publication number Publication date
US11189278B2 (en) 2021-11-30
US20190295549A1 (en) 2019-09-26

Similar Documents

Publication Publication Date Title
KR20190117837A (ko) 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법
KR102501714B1 (ko) 사용자의 음성 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법
US20200118010A1 (en) System and method for providing content based on knowledge graph
KR102606287B1 (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
KR20180055708A (ko) 이미지를 처리하는 전자 장치 및 방법
EP3756185B1 (en) Electronic device for outputting response to speech input by using application and operation method thereof
US10382907B2 (en) Device and method for providing notification message about call request
KR102628037B1 (ko) 제품의 판매 정보를 제공하는 방법 및 장치
US11481551B2 (en) Device and method for providing recommended words for character input
US10630827B2 (en) Electronic device and control method thereof
KR20190089628A (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
KR20200085143A (ko) 외부 장치를 등록하는 대화형 제어 시스템 및 방법
KR20180072534A (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
EP3816917A1 (en) Electronic device for updating artificial intelligence model, server, and operation method therefor
KR20200120557A (ko) 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법
KR102464906B1 (ko) 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법
KR20190102507A (ko) 디스플레이 장치 및 그 동작 방법
US20210004702A1 (en) System and method for generating information for interaction with a user
US20200327433A1 (en) Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
US20200327451A1 (en) Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
KR20200069251A (ko) 대화형 게임을 제공하는 전자 장치 및 그 동작 방법
US11961512B2 (en) System and method for providing voice assistance service
KR20190046472A (ko) 전자 장치에서 발생된 트러블에 관한 가이드 정보를 제공하는 전자 장치, 서버 및 그 동작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application