JP2024515373A - Ux-bitを利用した自動デザイン生成の人工神経網装置及び方法 - Google Patents
Ux-bitを利用した自動デザイン生成の人工神経網装置及び方法 Download PDFInfo
- Publication number
- JP2024515373A JP2024515373A JP2023566542A JP2023566542A JP2024515373A JP 2024515373 A JP2024515373 A JP 2024515373A JP 2023566542 A JP2023566542 A JP 2023566542A JP 2023566542 A JP2023566542 A JP 2023566542A JP 2024515373 A JP2024515373 A JP 2024515373A
- Authority
- JP
- Japan
- Prior art keywords
- bit
- design
- theme
- data
- vector
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 445
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims description 53
- 239000013598 vector Substances 0.000 claims description 260
- 230000006870 function Effects 0.000 claims description 123
- 230000002787 reinforcement Effects 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 16
- 238000011161 development Methods 0.000 abstract description 62
- 230000004048 modification Effects 0.000 abstract description 15
- 238000012986 modification Methods 0.000 abstract description 15
- 238000012795 verification Methods 0.000 abstract description 9
- 239000010410 layer Substances 0.000 description 57
- 238000010586 diagram Methods 0.000 description 52
- 238000009826 distribution Methods 0.000 description 31
- 210000004027 cell Anatomy 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 101150009249 MAP2 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
Abstract
【課題】本発明は、UX-bitを利用して顧客及びサービス提供者が利用するアプリケーションなどのプログラム開発プロジェクト協業方法に関する。詳しくは、プロジェクトを構成する構成要素を容易に検索及び適用するように、UX-bitを利用して開発の期間及び費用を節減できる開発プロジェクト協業方法に関する。【解決手段】プロジェクト目標の入力を受けるステップと、前記プロジェクト目標を達成するための細部課業の入力を受けるステップと、前記プロジェクト目標及び前記細部課業で合意された内容を、統合された機能定義書にUX-bitとして整理するステップと、機能定義書に基づいてUX-bitを組合せて、IA(Information Architecture)要素を配置するステップと、前記IA要素に基づいてワイヤーフレーム(Wireframe)を構成するステップと、前記ワイヤーフレームに基づいて構成ページをデザインするステップと、前記UX-bitの結合により構成された前記構成ページを検証する検証ページを提供するステップと、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に修正内容が発生すれば、プロジェクトの全体から、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインのうちで前記修正内容が反映されることを同時に修正するステップと、を含む構成を開示する。【選択図】図19
Description
本発明は、UX-bitを利用した自動デザイン生成の人工神経網装置及び方法に関する。詳しくは、ウェブ(web)やアプリ(app)などのようなグラフィックデザインプロジェクトを構成する構成要素を入力すれば、自動にデザインを出力することで、開発の期間及び費用を低減できる開発プロジェクト協業方法に関する。
IT技術の発展により、情報通信技術を応用したプラットフォームの開発及び電子商取り引きの導入が活発になることで、ビジネス形態において、オフラインからオンラインへ転換したり、既存のオフラインビジネスに加えてオンラインチャンネルを追加したりする企業が増加しつつある。
最近は、オンラインビジネス市場の持続的な拡大と伴い、コロナ禍によって非対面と関連したサービスの需要が急増している。
テレワークや遠隔サービスに必要なソフトウェア及びUI(user interface)/UX(user experience)の開発需要が増加しており、時代の流れが速くなることにより、UI/UXデザインの生明周期も急速に変化している。
このような急速な変化に対応し得るUI/UXの開発道具が必要である。
図1は、既存のプロジェクト協業方法の進行を示す図である。図1に示すように、このようなUI/UXの開発システムは、技術の発展及び顧客のニーズを反映してプログラムを新しく開発又はアップグレードして適用できる。ここで、こうした開発プロジェクトの進行過程は、会議により意見を開陳し、討論によりプロジェクトの構成に対して合意すれば、合意した内容に基づいて機能定義書を作成し、IA(Information Architecture)、ワイヤーフレーム(Wireframe)、ストーリーボード(Story Board)及びデザイン作業を経てパブリッシング(publishing)し、プログラミング開発のステップにより当該内容をコーディングして、サービスオープンを行う過程を経る。
しかしながら、こうした開発プロジェクトの進行過程では、合意からプログラミング開発まで各ステップが終了しなければ次のステップに進行できない構造であり、各ステップのデータ等が独立的に観察されるため、必然的に業務リソース及び時間の所要が発生するという問題点がある。
したがって、このような業務リソース及び時間の所要を低減するために、プロセスの改善が必要な実情にある。
よって、本発明の目的は、前記問題点を解決するためのもので、機能定義書、IA、ワイヤーフレーム、ストーリーボード及びデザインなどを容易に選択して適用及び組合せが可能なUX-bitとすることで、複数のステップを同時に合意して一括で進行できる方法を提供することにある。
また、本発明の目的は、開発の期間及び費用を低減するために、構成要素を入力すれば、自動にデザインを出力する自動デザイン生成の人工神経網装置及び方法を提供することにある。
以下、本発明の目的を達成するための具体的な手段について説明する。
本発明の目的は、前記問題点を解決するための本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、プロジェクト目標の入力を受けるステップと、前記プロジェクト目標を達成するための細部課業の入力を受けるステップと、前記プロジェクト目標及び前記細部課業で合意された内容を、統合された機能定義書にUX-bitとして整理するステップと、機能定義書に基づいてUX-bitを組合せて、IA(Information Architecture)要素を配置するステップと、前記IA要素に基づいてワイヤーフレーム(Wireframe)を構成するステップと、前記ワイヤーフレームに基づいて構成ページをデザインするステップと、前記UX-bitの結合により構成された前記構成ページを検証する検証ページを提供するステップと、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に修正内容が発生すれば、プロジェクトの全体から、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインのうちで当該修正内容が反映されることを同時に修正するステップと、を含むことができる。
本発明の一実施例によれば、前記UX-bitは、複数のレベルに分類される機能UX-bit及びデザインUX-bitを含むことができる。
本発明の一実施例によれば、前記機能UX-bitは、単語単位を含む1レベル、単語組合せを含む2レベル、概念のグループを含む3レベル、位階情報を含む4レベル、領域情報を含む5レベル、画面情報を含む6レベル、コードを含む7レベル、及び完成されたサービスを含む8レベルに分類できる。
本発明の一実施例によれば、前記デザインUX-bitは、造形属性を含む1レベル、造形属性の値を含む2レベル、造形属性及び値の組合せを含む3レベル、属性組合せのグループを含む4レベル、デザインランゲージを含む5レベル、画面情報を含む6レベル、パブリッシング情報を含む7レベルに分類できる。
本発明の一実施例によれば、前記IA要素配置ステップは、前記機能定義書に基づいて少なくとも一つ以上のIAオプションを提示するステップと、前記IA要素の位置及び連結関係を編集する編集ページを提供するステップと、を含むことができる。
本発明の一実施例によれば、前記IA要素編集ページ提供ステップは、ドラッグアンドドロップされたIA要素を配置するステップと、配置された前記IA要素をレベル又は位階によって線で連結するステップと、配置及び連結した前記IA要素を実務者の選択を反映して修正するステップと、を含むことができる。
本発明の一実施例によれば、前記ワイヤーフレーム構成ステップは、前記配置及び連結したIA要素に基づいて、複数のワイヤーフレームのレイアウトを提示するステップと、実務者の選択に応じて、前記ワイヤーフレームのレイアウトを選択及びカスタムするステップと、を含むことができる。
本発明の一実施例によれば、前記ワイヤーフレーム構成ステップは、前記ワイヤーフレームのレイアウトの選択及びカスタムにより発生するIA要素の配置変化を、前記配置及び連結したIA要素に反映するステップをさらに含むことができる。
本発明の一実施例によれば、前記構成ページデザインステップは、デザインオプションをデザインUX-bitレベル順に提示するステップと、実務者の選択を反映して前記デザインオプションを修正するステップと、を含むことができる。
本発明の一実施例によれば、前記UX-bitの結合により構成された検証ページを提供するステップは、画面に選択及びカスタムされた前記ワイヤーフレームのレイアウトにデザインを適用して出力するステップと、実際のユーザ環境と同様の環境でシミュレーションするステップを含むステップと、を含むことができる。
本発明の一実施例によれば、前記実際のユーザ環境と同様の環境でシミュレーションするステップは、画面の一部にコントローラを出力するステップと、前記コントローラを介して実務者の入力によってプロジェクトの駆動を具現するステップと、を含むことができる。
前記問題点を解決するための本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業プログラムは、所定の周期ごとにオペレーティングシステムにより定義された画面を制御するUX-bitを利用した開発プロジェクト協業方法を遂行する命令語から構成されるものの、前記UX-bitを利用した開発プロジェクト協業方法は、プロジェクト目標の入力を受けるステップと、前記プロジェクト目標を達成するための細部課業の入力を受けるステップと、前記プロジェクト目標及び前記細部課業で合意された内容を、統合された機能定義書にUX-bitとして整理するステップと、機能定義書に基づいてUX-bitを組合せて、IA(Information Architecture)要素を配置するステップと、確定された前記IA要素に基づいてワイヤーフレーム(Wireframe)を構成するステップと、確定された前記ワイヤーフレームに基づいて構成ページをデザインするステップと、前記UX-bitの結合により構成された前記構成ページを検証する検証ページを提供するステップと、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に修正内容が発生すれば、プロジェクトの全体から、前記プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインのうちで前記修正内容が反映されることを同時に修正するステップと、を含むことができる。
本発明の目的は、実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータを入力データとし、イメージテーマエンコーディングベクトルを出力データとするエンコーディングモジュールであるイメージテーマエンコーディングモジュールと、前記実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するテキストであるテキストテーマデータを入力データとし、テキストテーマエンコーディングベクトルを出力データとするエンコーディングモジュールであるテキストテーマエンコーディングモジュールと、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを入力データとし、複数のUX構成要素に対するUX-bit属性を出力データとするモジュールであるUX-bit生成モジュールと、前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトル及び前記UX-bit属性を入力データとし、特定のウェブ/アプリグラフィックデザインを意味するデザインデータを出力データとして出力するアップサンプリング(Upsampling)の人工神経網モジュールであるデザイン生成モジュールと、を含み、前記デザイン生成モジュールの学習セッションでは、前記デザインデータ、並びに、これに対応する予め保存されたウェブ/アプリデザインのうちで前記イメージテーマエンコーディングベクトルとの類似度及び前記テキストテーマエンコーディングベクトルとの類似度が、特定の水準以上であるウェブ/アプリデザインレファレンスデータ(Ground Truth)の差からなる代表デザイン損失と、前記イメージテーマ判別ベクトル及び前記デザインデータの判別差を含むイメージテーマ判別損失と、前記テキストテーマ判別ベクトル及び前記デザインデータの判別差を含むテキストテーマ判別損失と、前記UX-bit属性に対する判別ベクトルであるUX-bit属性判別ベクトル及び前記デザインデータの判別差を含むUX-bit属性判別損失とが低減するように、前記デザイン生成モジューのパラメータをアップデートすることを特徴とする、UX-bitを利用した自動デザイン生成の人工神経網装置を提供して達成できる。
また、前記デザイン生成モジュールと連結され、複数個のFCレイヤー(Fully Connected Layer)が連続的に連結された非線形構造のネットワークであり、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを組合せた(concatenate)結合ベクトルを入力データとし、テーマベクトル(theme vector)を出力データとして出力し、出力された前記テーマベクトルを前記デザイン生成モジュールのネットワーク内の複数のレイヤーに、スケール別に入力するモジュールである非線形ネットワークをさらに含み、前記デザイン生成モジュールは、入力データとして前記UX-bit属性が入力され、前記テーマベクトルが入力されるスケールのレイヤーにノイズベクトル(noise vector)が各々入力されることを特徴とする。
また、前記イメージテーマエンコーディングモジュールと連結され、前記イメージテーマデータを入力データとし、共通テーマセグメントデータを出力データとするモジュールである共通テーマセグメントモジュールをさらに含み、前記共通テーマセグメントモジュールの学習セッションでは、前記テキストテーマエンコーディングベクトル及び前記イメージテーマエンコーディングベクトルの類似度が増加するように、前記共通テーマセグメントモジュールのパラメータがアップデートされることを特徴とする。
また、前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、前記UX-bit生成モジュールは、特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、を含むことを特徴とする。
また、前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、前記UX-bit生成モジュールは、特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、を含み、前記RNNモジュールは、第1のRNNセル及び第2のRNNセルからなるRNNブロックを基本単位とし、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを最初の入力データとし、前記第1のRNNセルは、前記最初の入力データ又は以前のセルの出力データ及びRNN隠れ層情報の入力を受け、n番目のUX構成要素の前記UX-bit機能属性を出力し、前記第2のRNNセルは、以前のセルの出力データである前記UX-bit機能属性及び前記RNN隠れ層情報の入力を受け、前記第1のRNNセルから出力されたn番目のUX構成要素の前記UX-bit機能属性に対する前記UX-bitデザイン属性を出力することを特徴とする。
また、前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、前記UX-bit生成モジュールは、特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、予め生成された全体のUX構成要素の前記UX-bit属性、前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトルをEnvironmentとし、前記RNNモジュールの前記RNNブロックをAgentとし、1番目のUX構成要素からn-1番目のUX構成要素までの前記UX-bit機能属性及び前記UX-bitデザイン属性に、仮想で前記UX-bit機能属性及び前記UX-bitデザイン属性を持つn番目のUX構成要素を含んだ時の状況をStateとし、このような前記Stateにおいて、前記Agentである前記RNNブロックが、n番目のUX構成要素に対して出力する前記UX-bit機能属性及び前記UX-bitデザイン属性をActionとし、出力データであるn番目のUX構成要素の前記UX-bit機能属性及び前記UX-bitデザイン属性と、比較情報との類似度が高いほど、高いRewardが生成されて、前記Agentである前記RNNブロックの隠れ層をアップデートするように構成される強化学習モジュールと、を含むことを特徴とする。
本発明の他の目的は、イメージテーマエンコーディングモジュールが、実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータを入力データとして入力を受け、イメージテーマエンコーディングベクトルを出力データとして出力するイメージテーマエンコーディングステップと、テキストテーマエンコーディングモジュールが、前記実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するテキストであるテキストテーマデータを入力データとして入力を受け、テキストテーマエンコーディングベクトルを出力データとして出力するテキストテーマエンコーディングステップと、UX-bit生成モジュールが、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを入力データとして入力を受け、複数のUX構成要素に対するUX-bit属性を出力データとして出力するUX-bit生成ステップと、デザイン生成モジュールが、前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトル及び前記UX-bit属性を入力データとし、特定のウェブ/アプリグラフィックデザインを意味するデザインデータを出力データとして出力するデザイン生成ステップと、を含み、前記デザイン生成モジュールの学習セッションでは、前記デザインデータ、並びに、これに対応する予め保存されたウェブ/アプリデザインのうちで、前記イメージテーマエンコーディングベクトルとの類似度及び前記テキストテーマエンコーディングベクトルとの類似度が、特定の水準以上であるウェブ/アプリデザインレファレンスデータ(Ground Truth)の差からなる代表デザイン損失と、前記イメージテーマ判別ベクトル及び前記デザインデータの判別差を含むイメージテーマ判別損失と、前記テキストテーマ判別ベクトル及び前記デザインデータの判別差を含むテキストテーマ判別損失と、前記UX-bit属性に対する判別ベクトルであるUX-bit属性判別ベクトル及び前記デザインデータの判別差を含むUX-bit属性判別損失とが低減するように、前記デザイン生成モジュールのパラメータをアップデートすることを特徴とする、UX-bitを利用した自動デザイン生成の人工神経網方法を提供して達成できる。
本発明の他の目的は、実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータ、及び前記実務者が生成したい前記テーマを代表するテキストであるテキストテーマデータを、前記実務者から入力を受ける実務者クライアントと、前記実務者クライアントから前記イメージテーマデータ及び前記テキストテーマデータの入力を受け、前記イメージテーマデータ及び前記テキストテーマデータに対応するデザインデータを出力する請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置と、を含む、自動デザイン生成の人工神経網システムを提供して達成できる。
前述したように、本発明によれば、以下のような効果がある。
第一に、本発明の一実施例によれば、UX-bitという新しい単位により、開発プロジェクトにおいてステップ別に進行しなければならない複数のステップを、一括で合意して結果物を導出することで、業務リソース及び時間の所要を著しく短縮することができる。
第二に、本発明の一実施例によれば、本発明は、プロジェクトのメンテナンス際に、UX-bitを利用して、順次ではなく、一括でメンテナンスを行うことで、業務リソース及び時間の所要を短縮することができる。
本発明の添付図面は、本発明の好適な実施例を例示するものであり、発明の詳細な説明と共に、本発明の技術思想を一層理解させるためのものであるから、本発明は、そのような図面に記載された事項のみに限定して解析してはいけない。
既存のプロジェクト協業方法の進行を示す図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法を示すフローチャートである。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のUX-bitの概念を説明するための図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のUX-bitの概念を説明するための図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のUX-bitの性質及びレベルの分類を示す図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
IA(Information Architecture)の概念を説明する図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のIAの配置及び連結ページを説明する図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のワイヤーフレームの構成ページを説明する図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法の検証ページを説明する図である。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法の検証ページを説明する図である。
本発明の一実施例に係る自動デザイン生成の人工神経網装置の作動関係を示す模式図である。
本発明の一実施例に係る自動デザイン生成の人工神経網装置の具体的な構成を示す模式図である。
本発明の一実施例に係るイメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNet(CNNエンコーダ)の例を示す図である。
本発明の一実施例に係るイメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNet(CNNエンコーダ)の例を示す図である。
本発明の一実施例に係るUX-bit生成モジュール12の具体的な構成を示す模式図である。
本発明の一実施例に係るUX構成要素生成モジュール120を示す模式図である。
本発明の一実施例に係るRNNモジュール121を示す模式図である。
本発明の一実施例に係る強化学習モジュール122を示す模式図である。
本発明の変形例に係る強化学習モジュール122を示す模式図である。
本発明の一実施例に係る強化学習モジュール122の動作例を示すフローチャートである。
本発明の一実施例に係るUX-bit生成モジュール12のUX-bit属性の自動生成を示す模式図である。
本発明の一実施例に係るデザイン生成モジュール15の構造を示す模式図である。
本発明の他の実施例に係るデザイン生成モジュール15の作動関係を示す模式図である。
本発明の一実施例に係るデザイン生成モジュール15のSkip connectionを示す模式図である。
本発明の他の実施例に係る共通テーマセグメントモジュール101を示す模式図である。
以下、添付図面に基づき、本発明が属する技術分野における通常の知識を有した者が、本発明を容易に実施できる実施例を詳細に説明する。ただし、本発明の好適な実施例に対する動作原理を詳細に説明する際に、本発明の要旨を不要に不明慮にする恐れがある場合、関連した公知の機能や構成に関する具体的な説明は省略する。
また、図面の全般に渡り、類似の機能及び作用を持つ部分に対しては、同じ図面符号を使用する。明細書の全般に渡り、特定の部分が他の部分と連結されるとすれば、これは、直接的に連結される場合だけでなく、他の素子を挟んで間接的に連結される場合も含む。また、特定の構成要素を含むとは、特に反対の記載がない限り、他の構成要素を排除するものでなく、他の構成要素をさらに含むこともできることを意味する。
本明細書で説明するコンピューティング装置は、ユーザとのインタラクションを通じて画像で表現される全ての媒体(単純な情報伝達でない)を含むことができる。例えば、デジタルTV、デスクトップコンピュータ、携帯電話、スマートフォン(smart phone)、タブレットPC、ラップトップコンピュータ(laptop computer)、デジタル放送用端末機、PDA(Personal Digital Assistants)、PMP(Portable Multimedia Player)、ナビゲーション、HMD(Head Mounted Display)、AR card、HUD(Heads Up Display)などを含むことができる。
オペレーティングシステム(Operating System;OS)は、コンピューティング装置のハードウェア及びソフトウェアを制御して、実務者のコンピューティング装置の利用を可能にするプログラムを意味する。オペレーティングシステムは、ハードウェア及び応用プログラム間のインタフェースの役割を果たすと同時に、プロセッサ、保存装置、入出力インタフェース装置などのようなコンピュータ資源を管理できる。例えば、オペレーティングシステムの種類としては、アンドロイド(Android)(登録商標)、iOS、ウィンドウズ(Windows)(登録商標)、マック(Mac)、タイゼン(TIZEN)、ユニックス(Unix)(登録商標)及びリナックス(Linux)(登録商標)などを含むことができる。
応用プログラム(以下、「プログラム」という)は、実務者がデバイスを使用して特定の作業を遂行できるように開発されたソフトウェアを意味する。例えば、イメールプログラム、メッセンジャープログラム、スケジュール管理プログラム及び文書編集プログラムなどが挙げられる。また、プログラムは、特定の作業を遂行するのに必要な命令語等からなることができる。ここで、プログラムを構成する命令語等は、オペレーティングシステムの種類によって互いに異なることができる。
画面は、オペレーティングシステムによって定義できる。画面は、所定の範囲の座標を有する仮想の2次元領域であり得る。画面は、表示装置により表示され、実務者が表示装置を介して画面を視覚的に認識できる。画面の座標範囲は、表示装置の可用解像度別にオペレーティングシステムにより調節できる。画面の座標単位は、表示装置の画素の位置に対応できる。
いくつかのプログラムは、動作形態が画面上にオブジェクトとして表示されるように構成できる。一例として、いくつかのプログラムの動作形態は、画面上にオブジェクトとして「実行ウィンドウ」の形態で表示できる。例えば、実行ウィンドウとしては、文書編集プログラムの実行によって出力される文書編集ウィンドウ、及びウェブブラウザーアプリケーションの実行によって出力されるウェブブラウザーウィンドウなどを含むことができる。他の例として、いくつかのプログラムの動作形態は、画面上にオブジェクトとして「マウスカーソル(マウスやタッチパッドなどの動きに応じて視覚的に共に動くポインタであって、一般的に矢印の形状)」の形態で表示できる。例えば、マウスカーソル及びタッチポイントなどは、実務者の入力手段の感知に応じて、画面内で動くように表示できる。他のいくつかのプログラムは、画面に別に表示されず、バックグラウンド形態で動作するように構成することもできる。
複数のオブジェクトが画面に表示される場合、前記プログラム等の動作形態を示すオブジェクト等が既定のレベルによって表示され得る。例えば、オペレーティングシステムには、画面上に、第1のプログラムに対応する第1のオブジェクトを表示する領域が、第2のプログラムに対応する第2のオブジェクトを表示する領域と重畳する場合、重畳領域に第1のオブジェクトが第2のオブジェクトよりも優先的に表示されるように設定できる。
UX-bitを利用した開発プロジェクト協業方法
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、コンピューティング装置が遂行したり、コンピューティング装置がプログラムを実行して遂行したりできる。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、コンピューティング装置が遂行したり、コンピューティング装置がプログラムを実行して遂行したりできる。
以下、添付図面に基づいて本発明の実施例を詳細に説明する。図面上の同一の構成要素に対しては、同一又は類似の参照符号を使用する。
図3及び図4は、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のUX-bitの概念を説明するための図である。
図3及び図4に示すように、UX-bitは、プロジェクトを開発する過程においてUXを構成する最小単位を定義するものであり得る。
UX-bitは、関連した主題やカテゴリによって分類及びタグ付けを行うことができる。UX-bitは、タグ付けを行った主題やカテゴリによって分類して、データベースに保存できる。UX-bitは、他のUX-bitと結合して一つの産出物を構成できる。コンピューティング装置は、UX-bitが結合した産出物を視角化して画面に出力できる。
UX-bitは、機能定義書、IA(Information Architecture)、ワイヤーフレーム、デザイン及びプログラミングのステップに区分された情報を含むことができる。UX-bitは、UXを構成する要素の最小単位であって、カラー、位置、レイアウトなどを含むことができる。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、UX-bitをステップ別の演算が並列的に行われることで、産出物を一度に確認できる。
機能定義書は、サービスを新規に作ったりリニューアルしたりする際に、プロジェクトで取り扱うべき機能が何か、目的は何か、どのようなデータを活用するか、要求される技術イッシュは何か等をリストアップした情報である。機能定義書は、プロジェクトに含まれる機能、機能の具現方法、機能の作動方法の情報を含むことができる。機能定義書は、機能別業務シナリオ、サービス構築時の予想機能、要求事項、細部機能及び適用領域を含むことができる。
IA(Information Architecture)は、サービスがどのような構造から構成されるか、どのような機能があるか、どのような役割を遂行するか、どのような画面で見られるかを全体的に示す構造情報である。IAは、実務者とサービスの相互作用を円滑にすることで、実務者が所望の情報を迅速かつ容易に探すことができ、企画者、デザイナ及び実務者が考えるサービスの全体的なイメージを一致させるために必要な構造情報を含むことができる。
IA は、Depth、labeling及びflowを含むことができる。
ワイヤーフレームは、ビジュアル・デザインの前段階で、代表的な画面等に表示されるコンテンツ、機能、UI要素、レイアウトを概略的に要約して示す画面設計図を意味できる。
ワイヤーフレームは、UI/UXデザインの方向性を定めるために、機能構造をインタフェースの機能としてどのように変換すべきかを示す情報を含むことができる。
ワイヤーフレームは、ロゴ、メニュー、イメージ、テキスト、ボタンなどの各領域別のサイズ及び配置を含むことができる。
デザインは、ワイヤーフレームに基づいてデザイン要素(カラー、タイポグラフィー、イメージ)に加えて、実際に具現する画面を視覚的に示すPSD、XD文書、又はスキーマやツェッペリンのようなUXデザイン結果物として産出できるフォーマットを含むことができる。
デザインは、開発前に企画したサービスを実際のビジュアル・デザインとして確認することで、視覚的な問題点を補完できる情報を含むことができる。
デザインは、アクションを含む各機能別の実際の画面のデータを含むことができる。
プログラミングは、視覚的に企画したデザインを実際のサービスとして実現させるコード作業情報を含むことができる。プログラミングにより企画したサービスを実現して技術を検討することができる。プログラミングは、サービス開発言語及びサービス開発言語で具現されたコードを含むことができる。
図5は、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のUX-bitの性質及びレベルの分類を示す図である。
図5に示すように、UX-bitは、性質によって機能UX-bit及びデザインUX-bitに分類できる。UX-bitは、各性質によって複数のレベルに分類できる。
機能UX-bitは、単語単位を含む1レベル、単語組合せを含む2レベル、概念のグループを含む3レベル、位階情報を含む4レベル、領域情報を含む5レベル、画面情報を含む6レベル、コードを含む7レベル、及び完成されたサービスを含む8レベルに区分できる。
機能UX-bitの1レベルの単語単位は、機能の概念に関する単語情報を含むことができる。2レベルの単語組合せは、複合概念(合成語、単語+単語)で示す機能を含むことができる。3レベルの概念のグループは、一定基準によって概念をグループ化して分類した情報を含むことができる。4レベルは、概念又はグループ間の位階に関する情報を含むことができる。5レベルは、概念、グループ及び位階による領域情報を含むことができる。6レベルは、画面に表示される領域、ターゲット及び目的からなるワイヤーフレーム情報を含むことができる。7レベルは、当該機能を具現するためのコードを含むことができる。8レベルは、具現された機能等の組合せにより完成されたサービスを含むことができる。
デザインUX-bitは、造形属性を含む1レベル、造形属性の値を含む2レベル、造形属性及び値の組合せを含む3レベル、属性組合せのグループを含む4レベル、デザインランゲージを含む5レベル、画面情報を含む6レベル、パブリッシング情報を含む7レベルに分類できる。
デザインUX-bitの1レベルの造形属性は、テキスト、イメージ、カラー、様態及びサイズの情報を含むことができる。2レベルの造形属性の値は、テキスト_フォント、カラー、サイズ及び太さを含むことができる。3レベルの造形属性及び値の組合せは、デザインの目的情報を含むことができる。4レベルの属性組合せのグループは、視覚的に見られるスタイルを含むことができる。5レベルのデザインランゲージは、コンセプト及び雰囲気情報を含むことができる。6レベルの画面情報は、PSD、XD文書、又はスキーマやツェッペリンのようなUXデザイン結果物から産出されるフォーマットを含むことができる。7レベルのパブリッシング情報は、HTML及びCSS情報を含むことができる。
本発明の一実施例によれば、機能UX-bitで検索機能を生成する場合、1レベルにおいて検索関連UX-bitを検討し、2レベルにおいて自動検索関連UX-bitを検討し、3レベルにおいて検索機能の範囲を検討し、4レベルにおいて検索及び結果の位階を決定し、5レベルにおいて検索及び検索結果の位置を決定し、6レベルにおいて検索及び検索結果のワイヤーフレームを決定し、7レベルにおいて検索機能のためのプログラム言語を検討し、8レベルにおいて完成された検索機能を生成することができる。
本発明の一実施例によれば、デザインUX-bitでページの題目領域にテキストを入力する場合、1レベルにおいてテキスト内容を検討し、2レベルにおいてフォント、カラー、サイズ及び太さを検討し、3レベルにおいて題目を検討し、4レベルにおいて形態を検討し、5レベルにおいて細部デザインの雰囲気を検討し、6レベルにおいてデザイン要素が適用されたPSDファイルを検討し、7レベルにおいてPSD形式を変換するパブリッシングコードを検討し、機能UX-bitの7レベル結果と組合せて完成された検索機能を生成することができる。
図2は、本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法を示すフローチャート、図6乃至図13は、本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法のシステムがデータ処理を遂行する方式を説明する図である。
図2乃至図10に示すように、本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、プロジェクト目標の入力を受けるステップ(S110)と、プロジェクト目標を達成するための細部課業の入力を受けるステップ(S120)と、プロジェクト目標及び細部課業で合意された内容を、統合された機能定義書にUX-bitとして整理するステップ(S130)と、を含むことができる。
S110ステップにおいて、コンピューティング装置は、実務者からプロジェクト目標の入力を受けることができる。
S110ステップにおいて、プロジェクト目標は、プロジェクトが目標とする価値、プロジェクト期間、投入人材、投入インフラ装備などのようなリソースを含むことができる。
S120ステップにおいて、コンピューティング装置は、実務者からプロジェクト目標を達成するための細部課業の入力を受けることができる。コンピューティング装置は、プロジェクト目標が複数である場合、目標別に細部課業の入力を受けることができる。
S120ステップにおいて、遂行計画書UX-bit DBから、実務者が入力したプロジェクト目標を達成するための細部課業の入力を受けることができる。
S130ステップにおいて、コンピューティング装置は、プロジェクト目標及び細部課業で合意された内容を、統合された機能定義書にUX-bitとして整理できる。
S130ステップにおいて、コンピューティング装置は、遂行計画書UX-bit DB又は機能定義書UX-bit DBの少なくとも一つ以上に保存されたデータを利用して、プロジェクト目標及び細部課業で合意された内容をUX-bitとして整理できる。
図14は、IA(Information Architecture)の概念を説明する図である。
図14に示すように、IAの構造のDepthを視覚的に区分でき、当該構造にラベリング(labeling)してどのような情報がどこに位置するかを確認でき、各情報の流れを矢印で表示してIAを確認できる。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、機能定義書に基づいてUX-bitを組合せて、IA(Information Architecture)要素を配置するステップ(S140)を含むことができる。
S140ステップにおいて、コンピューティング装置は、実務者等が定めた機能定義書から、開発するプログラムの機能、IA(Information Architecture)、ワイヤーフレーム、デザイン及びプログラミングの情報を抽出できる。コンピューティング装置は、機能定義書で定めた内容に基づいてIA要素等を配置できる。
S140ステップにおいて、コンピューティング装置は、機能定義書UX-bit DB又はIA UX-bit DBの少なくとも一つ以上に保存されたデータを利用して、IA要素を機能定義書により決定された位置に配置できる。
コンピューティング装置は、機能定義書から抽出した単語をキーワードとしてUX-bitを検索して、IA要素を配置できる。
コンピューティング装置は、実務者がドラッグアンドドロップにより入力した結果を反映して、IA要素の配置を修正できる。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、コンピューティング装置が実務者又は機能定義書から単語の入力を受けることができる。コンピューティング装置は、実務者が入力したり、機能定義書から抽出したりした単語と関連したキーワードを探すことができる。コンピューティング装置は、当該単語と類似しているキーワードまたは関連性のあるキーワードを検索して提供できる。コンピューティング装置は、キーワードをラベリングして保存できる。キーワードは、類似単語又は関連性のある単語とラベリングされる。キーワードは、ラベリングされた単語が検索語として入力される場合、当該実務者が選択できるキーワードとして露出される。キーワードは、ラベリングされた単語が検索語として入力されて露出されて選択された比率により、連関性を確率情報として含むことができる。当該実務者は、コンピューティング装置の画面に表示されたキーワードを選択できる。
S140ステップは、機能定義書に基づいて少なくとも一つ以上のIAオプションを提示するステップと、IA要素の位置及び連結関係を編集する編集ページを提供するステップと、を含むことができる。
IA要素の編集ページ提供ステップは、ドラッグアンドドロップされたIA要素を配置するステップと、配置されたIA要素をレベル又は位階によって線で連結するステップと、配置及び連結されたIA要素を実務者の選択によって修正するステップと、ワイヤーフレームのレイアウトの選択及びカスタムによって発生するIA要素の配置変化を、当該配置及び連結されたIA要素に反映するステップと、を含むことができる。
図15は、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のIAの配置及び連結ページを説明する図である。
図15に示すように、実務者は、IAの配置及び連結ページからUX-bitをドラッグアンドドロップして、IAを作成できる。実務者がドラッグアンドドロップによりIA要素を移動させてIAを作成すれば、IA要素の位階などの情報によってIA要素を連結して流れを形成し、IAを完成できる。実務者が完成されたIAからIA要素を長押しすれば、修正、削除及びコピーが可能である。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、確定されたIA要素に基づいて、ワイヤーフレーム(Wireframe)を構成するステップ(S150)を含むことができる。
S150ステップにおいて、コンピューティング装置は、S140ステップにおいて配置されたIA要素に基づいてワイヤーフレームを構成できる。
S150ステップにおいて、ワイヤーフレーム構成ステップは、配置及び連結されたIA要素に基づいて、複数のワイヤーフレームのレイアウトを提示するステップと、実務者の選択を反映して、ワイヤーフレームのレイアウトを選択及びカスタムするステップと、を含むことができる。
S150ステップにおいて、コンピューティング装置は、機能定義書UX-bit DB、IA UX-bit DB及びワイヤーフレームUX-bit DBの少なくとも一つ以上に保存されたデータを利用して、ワイヤーフレームをIA要素の配置によって構成できる。
図16は、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法のワイヤーフレームの構成ページを説明する図である。
図16に示すように、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、以前のステップで確定されたIAに基づいて、ワイヤーフレームのレイアウトを提示できる。
提示されたワイヤーフレームのレイアウトから、実務者の選択及びカスタム内容を反映して、ワイヤーフレームのレイアウトを変更できる。実務者は、ドラッグやクリックなどの簡単な操作によりワイヤーフレームのレイアウトを変更できる。実務者の選択に応じて、ワイヤーフレームのレイアウトを選択及びカスタムするステップにおいて、複数の画面(UNIT)のワイヤーフレームのレイアウトを変更できる。本発明の一実施例によれば、ワイヤーフレームのレイアウトを画面(UNIT)別に修正及び変更し、一つの画面(UNIT)の修正及び変更が完了した場合、IA上に連結された次の画面(UNIT)の修正及び変更のためのページに移動できる。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、コンピューティング装置がプロジェクトと関連したキーワードを検出できる。コンピューティング装置は、抽出されたキーワードに基づいてUX-bitを検索して提示できる。検索されたUX-bitのうちで、実務者が選択したUX-bitを、IAの配置及び連結ページに転送できる。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、確定されたワイヤーフレームに基づいて、構成ページをデザインするステップ(S160)を含むことができる。
S160ステップにおいて、実務者が選択したデザインUX-bitをIAの配置及び連結ページに基づいて組合せて、構成ページをデザインすることができる。
S160ステップにおいて、構成ページデザインステップは、デザインオプションをデザインUX-bitレベル順に提示するステップと、実務者の選択を反映してデザインオプションを修正するステップと、作成されたデザインUX-bitのオプションをパブリッシングUX-bitとして保存及び管理するステップと、を含むことができる。
S160ステップは、保存されたパブリッシングUX-bitと開発言語の関連性を検討するステップをさらに含むことができる。
S160ステップにおいて、コンピューティング装置は、機能定義書UX-bit DB、IA UX-bit DB、ワイヤーフレームUX-bit DB及びデザインUX-bit DBの少なくとも一つ以上に保存されたデータを利用して構成されたワイヤーフレームのデザインを構成できる。
S160ステップは、デザインオプションをデザインUX-bitレベル順に提示するステップと、実務者の選択を反映してデザインのオプションを修正するステップと、作成されたデザインUX-bitのオプションをパブリッシングUX-bitとして保存及び管理するステップと、を含むことができる。
図8及び図9に示すように、デザインUX-bitのオプションをパブリッシングUX-bitとして保存及び管理するステップは、機能定義書UX-bit DB、IA UX-bit DB、ワイヤーフレームUX-bit DB及びデザインUX-bit DBの少なくとも一つ以上に保存されたデータを利用して構成されたワイヤーフレームのデザインを構成して、パブリッシングUX-bit DBに保存できる。
本発明の実施例に係るUX-bitを利用した開発プロジェクト協業方法は、UX-bitの結合により構成された構成ページを検証する検証ページを提供するステップ(S170)を含むことができる。
S170ステップにおいて、コンピューティング装置は、構成ページで組合せたUX-bitの結合により構成された画面を検証するページを提供できる。
S170ステップは、画面に選択及びカスタムされたワイヤーフレームのレイアウトにデザインを適用して出力するステップと、実際のユーザ環境と同様の環境でシミュレーションするステップを含むステップと、を含むことができる。
実際のユーザ環境と同様の環境でシミュレーションするステップは、画面の少なくとも一部にコントローラを出力するステップと、コントローラに入力される実務者の入力によってプロジェクトの駆動を具現するステップと、を含むことができる。
実務者が画面をタッチすれば、コントローラが画面の少なくとも一部に出力され得る。
コントローラが表示されることは、Tコマースの場合の一例であるだけで、状況に応じてマウスカーソル、モバイル画面構成などが出力されて、実際のユーザ環境と同様の環境でシミュレーションを遂行できる。
図17及び図18は、本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法の検証ページを説明する図である。
図17及び図18に示すように、実務者が以前の段階で確定したワイヤーフレームに基づいてデザインを適用したサービスページが画面に出力され得る。実務者は、サービスページでコントローラを操作して、実際にプログラムが正常作動するか否かを確認できる。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業方法は、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に修正内容が発生すれば、プロジェクトの全体から、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの当該修正内容が反映されることを同時に修正するステップ(S180)を含むことができる。
S180ステップにおいて、コンピューティング装置は、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に実務者の入力により修正内容が発生すれば、プロジェクトの全体から、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの当該修正内容が反映されることを同時に修正できる。
S180ステップにおいて、コンピューティング装置は、機能定義書UX-bit DB、IA UX-bit DB、ワイヤーフレームUX-bit DB、デザインUX-bit DB及びパブリッシングUX-bit DBの少なくとも一つ以上に保存されたデータを利用してプロジェクトに修正内容が発生する場合、機能定義書、IA、ワイヤーフレーム、デザイン及びパブリッシングパートを一括で修正できる。
本発明の一実施例に係るUX-bitを利用した開発プロジェクト協業プログラムは、所定の周期ごとにオペレーティングシステムにより定義された画面を制御するUX-bitを利用した開発プロジェクト協業方法を遂行する命令語から構成される。ここで、UX-bitを利用した開発プロジェクト協業方法は、プロジェクト目標の入力を受けるステップと、プロジェクト目標を達成するための細部課業の入力を受けるステップと、プロジェクト目標及び細部課業で合議された内容を、統合された機能定義書にUX-bitとして整理するステップと、機能定義書に基づいてUX-bitを組合せて、IA(Information Architecture)要素を配置するステップと、IA要素に基づいてワイヤーフレーム(Wireframe)を構成するステップと、ワイヤーフレームに基づいて構成ページをデザインするステップと、UX-bitの結合により構成された構成ページを検証する検証ページを提供するステップと、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの少なくとも一つ以上に修正内容が発生すれば、プロジェクトの全体から、プロジェクト目標、細部課業、UX-bit、IA要素、ワイヤーフレーム及びデザインの当該修正内容が反映されることを同時に修正するステップと、を含むことができる。
UX-bitを利用した自動デザイン生成の人工神経網装置及び方法
図19は、本発明の一実施例に係る自動デザイン生成の人工神経網装置の作動関係を示す模式図、図20は、本発明の一実施例に係る自動デザイン生成の人工神経網装置の具体的な構成を示す模式図である。図19及び図20に示すように、本発明の一実施例に係る自動デザイン生成の人工神経網装置1は、イメージテーマデータ100及びテキストテーマデータ200を入力データとして入力を受け、デザインデータ300を出力データとして実務者クライアントに出力するように構成される。
図19は、本発明の一実施例に係る自動デザイン生成の人工神経網装置の作動関係を示す模式図、図20は、本発明の一実施例に係る自動デザイン生成の人工神経網装置の具体的な構成を示す模式図である。図19及び図20に示すように、本発明の一実施例に係る自動デザイン生成の人工神経網装置1は、イメージテーマデータ100及びテキストテーマデータ200を入力データとして入力を受け、デザインデータ300を出力データとして実務者クライアントに出力するように構成される。
イメージテーマデータ100は、実務者が自動デザイン生成の人工神経網装置1により生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであって、実務者の選択に応じて、実務者クライアントから自動デザイン生成の人工神経網装置1に入力されるように構成できる。
テキストテーマデータ200は、実務者が自動デザイン生成の人工神経網装置1により生成したいウェブ/アプリグラフィックデザインのテーマを代表するテキストであって、実務者の入力に応じて、実務者クライアントから自動デザイン生成の人工神経網装置1に入力されるように構成できる。
デザインデータ300は、自動デザイン生成の人工神経網装置1により生成された特定のページに対するウェブ/アプリグラフィックデザインを意味する。
イメージテーマエンコーディングモジュール10は、イメージテーマデータ100を入力データとし、イメージテーマエンコーディングベクトルを出力データとするエンコーディングモジュールである。本発明の一実施例に係るイメージテーマエンコーディングモジュール10は、ConvNet(CNNエンコーダ)で構成できる。
テキストテーマエンコーディングモジュール11は、テキストテーマデータ200を入力データとし、テキストテーマエンコーディングベクトルを出力データとするエンコーディングモジュールである。本発明の一実施例に係るテキストテーマエンコーディングモジュール11は、例えば、テキストテーマデータ200を音素単位に分節して入力データとし、Single layer Convolution with ReLU-Max Pooling with Stride5=Segment Embeddings-Four layer Highway Network-Single layer Bidirectional GRUの構造を有する人工神経網で構成されたエンコーディングモジュールを意味できる。
図21及び図22は、本発明の一実施例に係るイメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNet(CNNエンコーダ)の例を示す図である。図21及び図22に示すように、簡単なConvNetを例示すれば、[INPUT-CONV-RELU-POOL-FC]で構築できる。入力ベクトルの場合、INPUT入力マトリックスが横32、縦32、そしてRGBチャンネルを有するとき、入力の大きさは[32×32×3]で構成できる。CONVレイヤー(Conv. Filter)は、入力マトリックスの一部領域と連結され、この連結された領域と自分の加重値とのドット積(dot product)を計算することになる。結果ボリュームは[32×32×12]のような大きさを有することになる。RELUレイヤーは、max(0、x)のように各要素に適用される活性化関数(activation function)である。 RELUレイヤーは、ボリュームの大きさを変化させない([32×32×12])。その結果、Activation Map1を生成する。POOLレイヤー(pooling)は、「横、縦」次元に対してダウンサンプリング(downsampling)を遂行し、[16×16×12] のように低減したボリューム(Activation Map2)を出力する。FC(fully-connected)レイヤーは、クラス点数を計算して、[1×1×n]の大きさを有する圧力分布ベクトルボリューム(output layer)を出力する。FCレイヤーは、以前のボリュームの全ての要素と連結される。
このように、イメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNetは、ピクセル値からなる原本マトリックスを、各レイヤーを経て分布に対するクラス点数に変換(transform)させる。あるレイヤーはパラメータ(parameter)を有するが、あるレイヤーはパラメータを有しない。特に、CONV/FCレイヤー等は、単純に入力ボリュームだけでなく、加重値(weight)及びバイアス(bias)も含む活性化関数である。反面、RELU/POOLレイヤー等は固定された関数である。CONV/FCレイヤーのパラメータ(parameter)等は、各マトリックスに対するクラス点数が当該マトリックスのレベルと同一になるように、最急降下法(gradient descent)により学習される。
イメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNetのCONVレイヤーのパラメータ(parameter)等は、一連の学習可能なフィルタ等からなる。各フィルタは、横/縦の次元では小さいが、深さ(depth)の次元では全体の深さを含む。フォワードパス(forward pass)時には、各フィルタを入力ボリュームの横/縦の次元にスライドさせ(正確には畳み込み(convolve))、2次元のActivation Mapを生成する。フィルタを入力の上にスライドさせる時、フィルタ及び入力ボリューム間でドット積が行われる。このような過程により、ConvNetは、入力データの特定位置の特定パターンに対して反応する(activate)フィルタを学習することになる。このようなActivation Mapを深さ(depth)の次元で累積させるものが出力ボリュームになる。したがって、出力ボリュームの各要素は入力の小領域のみを取扱い、同じActivation Map内のニューロン等は同じフィルタを適用した結果であるから、同じパラメータ等を共有する。
イメージテーマエンコーディングモジュール10及びテキストテーマエンコーディングモジュール11に含まれるConvNetに用いられるネットワーク構造等の例示は、次の通りである。
LeNet.最初の成功したConvNetアプリケーションは、1990年代にYannLeCunが作った。なかでも、zipコードや数字を読み込むLeNetアーキテクチャが最も有名である。
AlexNet.コンピュータビジョン分野でConvNetを有名にしたことは、Alex Krizhevsky、Ilya Sutskever、Geoff Hintonが作ったAlexNetである。AlexNetは、2012年のImageNet ILSVRC challengeのコンテストにおいて、大きい差で二位を抜いて優勝した(top5エラー率16%、二位は26%)。アーキテクチャは、LeNetと基本的に類似しているが、より深くて大きい。また、一つのCONVレイヤーの後にすぐPOOLレイヤーを積層していた過去とは異なり、多数のCONVレイヤーを積層する方式により構成した。
ZFNet.2013年のILSVRCの勝者は、Matthew Zeiler及びRob Fergusが作った。著者等の名前を取ってZFNetとして呼ばれる。AlexNetにおいて中間CONVレイヤーの大きさを調整する等、ハイパーパラメータを修正して作った。
GoogLeNet.2014年のILSVRCの勝者は、Szegedy et al.がグーグルで作った。このモデルの最大の寄与は、パラメータ数が大きく減るInception moduleを提案したことである(4M、AlexNetの場合60M)。また、ConvNetの最後にFCレイヤーの代わりに、Averageプーリングを使用して、あまり重要でないパラメータが大きく減ることになる。
VGGNet.2014年のILSVRCで二位を獲得したネットワークは、Karen Simonyan及びAndrew Zissermanが作ったVGGNetとして呼ばれるモデルである。このモデルの最大の寄与は、ネットワークの深さが性能の向上に非常に重要な要素であることを知らしめたことである。これらが提案した多数のモデルのうちで最も良いものは、16個のCONV/FCレイヤーからなり、全ての畳み込みが3×3、全てのプーリングが2×2のみから構成される。GoogLeNetよりもマトリックス分類性能は若干低いが、様々なTransfer Learing課題でより高性能を有することが以後に知られた。よって、VGGNetは、最近にマトリックスfeature抽出のために最も多く使用されている。VGGNetの短所は、多すぎるメモリを使用し(140M)、多い演算量を必要とするというものである。
ResNet.Kaiming He et al.が作ったResidual Networkが2015年のILSVRCで優勝した。Skip connectionという特異な構造を用いて、batch normalizationを多く使用するという特徴がある。このアーキテクチャは、最後のレイヤーでFCレイヤーを使用しない。
特に、イメージテーマエンコーディングモジュール10は、以下のような構造の人工神経網を含むように構成できる。
[55×55×96]CONV1:96@ 11×11、stride=4、parameter=0
[27×27×96]MAX POOL1:3×3、stride=2
[27×27×256]CONV2:256@ 5×5、stride=1、parameter=2
[13×13×256]MAX POOL2:3×3、stride=2
[13×13×384]CONV3:384@ 3×3、stride=1、parameter=1
[13×13×384]CONV4:384@ 3×3、stride=1、parameter=1
[13×13×256]CONV5:256@ 3×3、stride=1、parameter=1
[6×6×256] MAX POOL3:3×3、stride=2
[4096]FC6:4096 neurons
[4096]FC7:4096 neurons
ここで、CONVはConvolution Layer、MAX POOLはPooling Layer、FCはFully Connectied Layerを意味する。
[27×27×96]MAX POOL1:3×3、stride=2
[27×27×256]CONV2:256@ 5×5、stride=1、parameter=2
[13×13×256]MAX POOL2:3×3、stride=2
[13×13×384]CONV3:384@ 3×3、stride=1、parameter=1
[13×13×384]CONV4:384@ 3×3、stride=1、parameter=1
[13×13×256]CONV5:256@ 3×3、stride=1、parameter=1
[6×6×256] MAX POOL3:3×3、stride=2
[4096]FC6:4096 neurons
[4096]FC7:4096 neurons
ここで、CONVはConvolution Layer、MAX POOLはPooling Layer、FCはFully Connectied Layerを意味する。
UX-bit生成モジュール12は、イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルを入力データとし、自動デザイン生成の人工神経網装置1で生成するデザインに対するUX-bitのUX-bit機能属性及びUX-bitデザイン属性を出力データとするモジュールである。図23は、本発明の一実施例に係るUX-bit生成モジュール12の具体的な構成を示す模式図である。図23に示すように、UX-bit生成モジュール12は、UX構成要素生成モジュール120、RNNモジュール121及び強化学習モジュール122を含むように構成できる。
UX構成要素生成モジュール120は、特定のUX構成要素に対して、UX-bit機能属性及びUX-bitデザイン属性をマッチングできるように、複数のUX構成要素を生成するモジュールである。より具体的には、特定のUX構成要素に対して、UX-bit機能属性の組合せ(以下、UX-bit機能属性という)及びUX-bitデザイン属性の組合せ(以下、UX-bitデザイン属性という)をマッチングできるように、複数のUX構成要素を生成するモジュールである。図24は、本発明の一実施例に係るUX構成要素生成モジュール120を示す模式図である。図24に示すように、UX構成要素生成モジュール120は、特定のUX構成要素に対して、UX-bit機能属性/UX-bitデザイン属性をマッチングできるように、複数のUX構成要素を生成するように構成でき、RNNモジュール121により、特定のUX構成要素に対して、複数のUX-bit属性の少なくとも一つのUX-bit属性が選択されて、UX-bit属性がマッチングされた新規のUX構成要素を連続的に生成するように構成できる。
RNNモジュール121は、予め生成されたUX構成要素に対して、UX-bit機能属性及びUX-bitデザイン属性の組合せ(以下、UX-bitデザイン属性という)をマッチングする複数のRNNブロック(複数のRNNブロックは、第1のRNNセル及び第2のRNNセルを含む)を含む人工神経網モジュールであって、イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルを最初の入力データとし、第1のRNNセルは、最初の入力データ又は以前のセルの出力データ及びRNN隠れ層情報の入力を受け、n番目のUX構成要素のUX-bit機能属性(UX-bit機能属性の特定組合せ)を出力し、第2のRNNセルは、以前のセルの出力データであるUX-bit機能属性及びRNN隠れ層情報の入力を受け、第1のRNNセルで出力されたn番目のUX構成要素のUX-bit機能属性に対するUX-bitデザイン属性(UX-bitデザイン属性の特定組合せ)を出力するように構成できる。
図25は、本発明の一実施例に係るRNNモジュール121を示す模式図である。図25に示すように、本発明の一実施例に係るRNNモジュール121は、複数個のRNNブロックからなり、一つのRNNブロックは、第1のRNNセル及び第2のRNNセルを含むことができる。図7に示すように、第1のRNNセルは、n番目のUX構成要素のUX-bit機能属性を出力し、第2のRNNは、n番目のUX構成要素のUX-bit機能属性に対するUX-bitデザイン属性を出力するように構成できる。本発明の一実施例に係るRNNモジュール121は、第1のRNNセルで出力されたUX-bit機能属性が「end」である場合、UX構成要素の個数が既設定されて既設定のUX構成要素数に到達すれば、強化学習モジュール122により計算される全てのActionに対するRewardが負数であるときに推論を終了できる。本発明の一実施例に係るRNNモジュール121によれば、UX-bit機能属性及びUX-bitデザイン属性を、UX構成要素によって順次出力するように構成され、以前のステップで生成されたUX構成要素の属性が、次のステップで生成されるUX構成要素の属性に影響を与えるようになるので、全体として機能が重畳しないと同時に、デザインも統一性を持つUX構成要素を生成できるという効果がある。
RNNモジュールを学習する強化学習モジュール122は、予め生成された全体のUX構成要素のUX-bit属性、イメージテーマエンコーディングベクトル、テキストテーマエンコーディングベクトルをEnvironmentとし、RNNモジュール121の各RNNブロックをAgentとし、1番目のUX構成要素からn-1番目のUX構成要素までのUX-bit機能属性及びUX-bitデザイン属性に、仮想で特定のUX-bit機能属性及びUX-bitデザイン属性を持つn番目のUX構成要素を含んだ時の状況をStateとし、このようなStateにおいてAgentであるRNNブロックがn番目のUX構成要素に対して出力するUX-bit機能属性及びUX-bitデザイン属性をActionとし、現在のステップの出力データである現在のステップのUX構成要素(n番目のUX構成要素)のUX-bit機能属性及びUX-bitデザイン属性と、比較情報との類似度(例えば、cosine similarity)が高いか、或いは、差(例えば、Kullback-Leibler divergence)が少ないほど、高いRewardが生成されることで、AgentであるRNNブロックの隠れ層をアップデートするように構成できる。図26は、本発明の一実施例に係る強化学習モジュール122を示す模式図である。図26に示すように、予め生成された全体のUX構成要素のUX-bit属性、イメージテーマエンコーディングベクトル、テキストテーマエンコーディングベクトルをEnvironmentとし、AgentであるRNNブロックが1番目のUX構成要素からn-1番目のUX構成要素までのUX-bit機能属性及びUX-bitデザイン属性に、仮想で特定のUX-bit機能属性及びUX-bitデザイン属性を持つn番目のUX構成要素を含んだ時の状況であるStateにおいて、n番目のUX構成要素に対して出力するUX-bit機能属性及びUX-bitデザイン属性を出力するActionを遂行し、現在のステップの出力データである現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの組合せ(concatenate))との類似度(例えば、cosine smilarity)が高いか、或いは、差(例えば、Kullback-Leibler divergence)が少ないほど、高いRewardが生成されることで、AgentであるRNNブロックの隠れ層をアップデートするように構成できる。本発明の一実施例に係る強化学習モジュール122により最適化が完了したRNNブロックは、隠れ層が固定されるように構成できる。
これによれば、UX構成要素生成モジュール120及びRNNモジュール121により、イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルに対応する最適のUX-bit属性が、各UX構成要素に合うように生成されるという効果がある。また、強化学習モジュール122がUX構成要素生成モジュール120で生成できる全てのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性に対する全ての場合の数を考慮する必要なしに、各UX構成要素に対して順次最適化するように構成されるので、強化学習モジュール122が計算する場合の数が低減することで、コンピューティングリソースの低減を図るという効果がある。
本発明の変形例に係る強化学習モジュール122は、次の構成によって効果的な強化学習を通してRNNブロックがアップデートされるように構成できる。図27は、本発明の変形例に係る強化学習モジュール122を示す模式図である。図27に示すように、本発明の変形例に係る強化学習モジュール122は、特定の状態(State)における価値を出力する価値関数を学習する人工神経網である価値網211と、UX-bit機能属性及びUX-bitデザイン属性の各確率を出力する政策関数を学習する政策網210とを含むことができ、本発明の変形例に係る政策網210及び価値網211は、RNNモジュール121の特定のRNNブロックに連結されるように構成できる。政策網210及び価値網211は、RNNブロックと連結されて特定のUX構成要素に対するUX-bit属性を出力できる。
政策網210は、強化学習モジュール122の各状態(State)において選択されたUX-bit機能属性及びUX-bitデザイン属性の確率を決定する人工神経網であり、政策関数を学習して選定されたUX-bit機能属性及びUX-bitデザイン属性の確率を出力することになる。政策網のコスト関数(Cost Function)は、政策関数及び価値網のコスト関数(Cost Function)を乗算して、クロスエントロピー(Cross Entropy)を計算した後、方策勾配法(Policy gradient)を行なった関数であって、例えば、次の数1の式のように構成できる。政策網は、クロスエントロピー及び価値網のコスト関数(Cost Function)である時間差エラーの二乗に基づいて、パックプロパゲーション(back propagation)される。
上記数1において、πは政策関数、θは政策網パラメータ、πθ(ai│si)は現在のエピソードにおける特定のアクション(UX-bit機能属性及びUX-bitデザイン属性)を行う可能性、Vは価値関数、wは価値網パラメータ、siは現在のエピソードであるiの状態情報、si+1は次のエピソードであるi+1の状態情報、ri+1は次のエピソードにおける獲得予想補償、Vw(si)は現在のエピソードにおける補償可能性、Vw(si+1)は次のエピソードにおける補償可能性、γは減価率を意味できる。このとき、ri+1は現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの組合せ(concatenate))との類似度を受信するように構成できる。
本発明の一実施例に係る政策網210は、強化学習の進行前に、以前のUX構成要素のUX-bit機能属性及びUX-bitデザイン属性、これに従う成果情報(現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの組合せ(concatenate))との類似度)に基づいて、教師あり学習(Supervised Learning)により政策網のweightがアップデートされることで、政策の基礎を学習できる。すなわち、政策網のweightは、以前のUX構成要素のUX-bit機能属性及びUX-bitデザイン属性、成果情報に基づいて、教師あり学習を行うように設定できる。これによれば、以前のUX構成要素のUX-bit機能属性及びUX-bitデザイン属性のヒストリにより、政策網を迅速に学習できるという効果がある。
また、本発明の一実施例によれば、政策網210の教師あり学習を行う際に、ランダムベクトルを含み、以前のレイヤーの演算部の種類情報及びパラメータ情報、これに従う成果情報に基づいて、教師あり学習を行うように構成できる。ランダムベクトルは、例えば、ガウス分布(Gaussian distribution)を利用できる。それによれば、政策網がランダムな確率で挑戦的なUX-bit機能属性及びUX-bitデザイン属性を出力できるという効果がある。政策網210の教師あり学習を行う際に、以前のUX構成要素のUX-bit機能属性及びUX-bitデザイン属性、これに従う成果情報に基づいて教師あり学習を行うように構成すれば、UX構成要素のUX-bit機能属性及びUX-bitデザイン属性の選定が、以前のUX構成要素の政策内で最適化する結果を導出できる。しかし、本発明の一実施例により、政策網の教師あり学習を行う際に、ランダムベクトルを含む場合、強化学習が進行されるほど、政策網が以前のUX構成要素の政策よりもUX-bit機能属性及びUX-bitデザイン属性を効率よく学習できるという効果がある。
価値網211は、強化学習モジュール122が有する各状態(State)における補償(Reward)の達成可能性を導出する人工神経網であり、価値関数を学習する。価値網211は、エージェント(agent)であるRNNブロックが、どのようにアップデートされるかに対する方向性を提示する。このために、価値網211の入力変数は、強化学習モジュール122の状態に関する情報である状態情報として設定され、価値網211の出力変数は、RNNブロックが補償を達成する可能性である補償可能性情報(現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの 組合せ(concatenate))との類似度)として設定される。本発明の一実施例に係る補償可能性情報は、次の数2の式のようなQ-functionで計算できる。
上記数2において、Qπは特定の政策πにおいて、状態s、アクションaである場合、未来に予想される全体の補償可能性情報を意味し、Rは特定の期間の補償、gammaは減価率を意味できる。Stは時間tの状態、Atは時間tのアクション、Eは期待値を意味できる。本発明の一実施例に係る補償可能性情報(Q value)は、政策網210のアップデートの方向及び大きさを規定することになる。
このとき、価値網のコスト関数(Cost function)は、価値関数に対するMSE(Mean Square error)関数であり、例えば、次の数3の式のように構成できる。価値網211は、価値網のコスト関数(Cost function)である時間差エラーに基づいて、バックプロパゲーション(back propagation)される。
上記数3において、Vは価値関数、wは価値網パラメータ、siは現在のエピソードであるiの状態情報、si+1は次のエピソードであるi+1の状態情報、ri+1は次のエピソードからの獲得予想補償、Vw(si)は現在のエピソードにおける補償可能性、Vw(si+1)は次のエピソードにおける補償可能性、γは減価率を意味できる。このとき、ri+1は現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの組合せ(concatenate))との類似度を受信するように構成できる。
これにより、価値網は、強化学習モジュール122の状態が変更されるとき、数3のコスト関数(Cost Function)が最急降下(Gradient descent)するようにアップデートできる。
本発明の一実施例によれば、価値網を政策網と別に学習させながら、価値網のQ valueがランダムから開始することなく指導(Supervised)されるので、速い学習が可能であるという効果がある。これによれば、非常に複雑度が高いUX-bit機能属性及びUX-bitデザイン属性の組合せを選択するアクション(action)において、探索(exploration)の負担を大幅に低減できるという効果がある。
本発明の一実施例に係る強化学習モジュール122によれば、教師あり学習を終了した政策網210が、現在のエピソードiのUX-bit機能属性及びUX-bitデザイン属性を選定すれば、価値網211が、選定されたUX-bit機能属性及びUX-bitデザイン属性を進行する場合の補償(現在のステップのUX構成要素のUX-bit機能属性及びUX-bitデザイン属性と、比較情報(イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルの 組合せ(concatenate))との類似度)を予測するように学習される。学習済みの強化学習モジュール122の政策網210及び価値網211は、RNNブロックを活用したシミュレーションと組合せて、最終的にUX-bit機能属性及びUX-bitデザイン属性を選定するのに活用される。
また、本発明の一実施例に係る価値網211によれば、選定されたUX-bit機能属性及びUX-bitデザイン属性の確率を出力する政策網のアップデートをエピソードごとに進行できるという効果がある。既存の強化学習では、強化学習モデルのアップデートが全てのエピソードの終了後に進行されるという問題があるため、UX-bit機能属性及びUX-bitデザイン属性を順次生成するRNNモジュールに適用するのに困難性があった。
RNNブロックは、政策網及び価値網で計算される複数のエージェント(agent)に基づいて、様々な状態及び様々なアクションに対する複数回のシミュレーションを進行して、最適のUX-bit機能属性及びUX-bitデザイン属性を探索する構成である。本発明の一実施例に係るRNNブロックは、例えば、モンテカルロ木探索(Monte Carlo tree search)を活用でき、木の各ノードは状態(state)を示し、各エッジ(edge)は当該状態に対する特定のアクションによって予想される価値(value)を示し、現在の状態をルートノードとし、新しいアクションにより新しい状態に転移されるごとにリーフ(leaf)ノードが拡張される構造である。本発明の一実施例に係るRNNブロックにおいて、最適のUX-bit機能属性及びUX-bitデザイン属性の探索は、モンテカルロ木探索が活用される場合、Selection、Expansion、Evaluation、Backupの4つのステップにより処理できる。
RNNブロックのSelectionステップは、現在の状態からリーフノードが生成されるまで、選択可能なアクションのうちで最高の価値を持つアクションを選択して進行するステップである。このとき、エッジ(edge)に保存している価値関数の値と、探索-活用のバランスを取るための訪問頻度値とを利用する。Selectionステップにおいて、アクションを選択するための数式は、次の通りである。
上記数4において atは時間tにおけるアクション(UX-bit機能属性及びUX-bitデザイン属性の選定遂行)であり、Q(st、a)は木(tree)に保存された価値関数の値であり、u(st、a)は当該状態-アクション対の訪問回数に反比例する値であって、探索(exploration)及び活用のバランスを取るために使用されたものである。
RNNブロックのExpansionステップは、シミュレーションがリーフノードまで進行される場合、教師あり学習を通して学習された政策網の確率によってアクションして、新しいノードをリーフノードに追加するステップである。
RNNブロックのEvaluationステップは、新しく追加されたリーフノードから価値網を用いて判断した価値(補償可能性)と、リーフノードから政策網を用いてUX-bit機能属性及びUX-bitデザイン属性の選定のエピソードが終了するまで進行して得た補償とにより、リーフノードの価値を評価するステップである。次の数5の式は、新しいリーフノードの価値を評価する例示である。
上記数5において、V(sL)はリーフノードの価値、λはmixingパラメータ、vθ(sL)は価値網を介して得た価値、zLはシミュレーションを継続して得た補償を意味できる。
RNNブロックのBackupステップは、新しく追加されたリーフノードの価値を反映して、シミュレーション中に訪問したノード等の価値を再評価し、訪問頻度をアップデートするステップである。次の数6の式は、ノード価値再評価及び訪問頻度アップデートの例示である。
上記数6において、Si
Lはi番目のシミュレーションにおけるリーフノードを示し、1(s、a、i)はi番目のシミュレーションで連結(s、a)を訪問したか否かを示し、木探索が完了すれば、アルゴリズムはルートノードから最も多く訪問された連結(s、a)を選択するように構成できる。本発明の一実施例に係るRNNブロックによれば、政策網により選別される複数のUX-bit機能属性及びUX-bitデザイン属性に対して、価値網に基づいて複数回のシミュレーションを先行することで、最適のUX-bit機能属性及びUX-bitデザイン属性を選択できるという効果がある。
本発明の一実施例によれば、複数のエージェント(Agent)が構成されるように強化学習モジュール122を構成できる。複数のエージェントが構成される場合、特定の状態、特定のUX-bit機能属性及びUX-bitデザイン属性の各々に対して、強化学習モジュール122が選定するUX-bit機能属性及びUX-bitデザイン属性が互いに競争することで、最適のUX-bit機能属性及びUX-bitデザイン属性を選定できるという効果がある。
図28は、本発明の一実施例に係る強化学習モジュール122の動作例を示すフローチャートである。図28に示すように、UX構成要素生成モジュール120により状態stが入力される場合、価値網211を通して政策網210の複数個のエージェント(agent)により多様なUX-bit機能属性及びUX-bitデザイン属性がRNNブロックに入力され、RNNブロックにより出力されるアクション(action)である、選定されたUX-bit機能属性及びUX-bitデザイン属性の確率atにより、UX-bit機能属性及びUX-bitデザイン属性が選定されるものとしてエピソードtが終了され、エピソードt+1が開始する。エピソードt+1では、再度atによる状態変化であるst+1がUX構成要素生成モジュール120により入力され、atによる補償であるrt+1がすぐ入力されて、価値網211及び政策網210をアップデートすることになる。
UX-bit生成モジュール12の作動例と関連して、図29は、本発明の一実施例に係るUX-bit生成モジュール12のUX-bit属性の自動生成を示す模式図である。図29に示すように、例えば、1個のUX構成要素に対して1個のRNNブロックが構成され、1番目のRNNブロックの第1のRNNセルにイメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルが入力され、1番目のUX構成要素に対してUX-bit機能属性のうちでUX-bit機能1が出力され、1番目のRNNブロックの第2のRNNセルに既出力されたUX-bit機能1が入力され、1番目のUX構成要素に対してUX-bitデザイン属性のうちでUX-bitデザイン1が出力され、1番目のUX構成要素に対するUX-bit属性が生成され、2番目のRNNブロックの第1のRNNセルに1番目のUX構成要素に対して既出力されたUX-bitデザイン1が入力され、2番目のUX構成要素に対するUX-bit機能属性のうちでUX-bit機能2が出力され、2度目のRNNブロックの第2のRNNセルに既出力されたUX-bit機能2が入力され、UX-bitデザイン属性のうちでUX-bitデザイン2が出力され、2番目のUX構成要素に対するUX-bit属性が生成されるように構成できる。
IA生成モジュール13は、UX-bit生成モジュール12で生成された複数のUX構成要素のUX-bit属性(UX-bit機能属性及びUX-bitデザイン属性)に基づいて、IA(Information Architecture)を生成するモジュールである。IA生成モジュール13により生成されるIAは、図14及び図15に示すように生成できる。
ワイヤーフレーム生成モジュール14は、UX-bit生成モジュール12で生成された複数のUX構成要素のUX-bit属性(UX-bit機能属性及びUX-bitデザイン属性)に基づいて、ワイヤーフレーム(Wireframe)を生成するモジュールである。ワイヤーフレーム生成モジュール14により生成されるワイヤーフレームは、図16に示すように生成できる。
デザイン生成モジュール15は、イメージテーマエンコーディングベクトル、テキストテーマエンコーディングベクトル及びUX-bit生成モジュール12で生成された複数のUX構成要素のUX-bit属性(UX-bit機能属性及びUX-bitデザイン属性)を入力データとし、デザインデータを出力データとして出力するモジュールである。デザイン生成モジュール15により生成されるデザインデータは、ワイヤーフレームにデザイン要素が構成されたウェブ/アプリページなどのグラフィックデザインを意味できる。
デザイン生成モジュール15の具体的な構成と関連して、図30は、本発明の一実施例に係るデザイン生成モジュール15の構造を示す模式図である。図30に示すように、イメージテーマエンコーディングモジュール10、テキストテーマエンコーディングモジュール11及びUX-bit生成モジュール12と連結され、イメージテーマエンコーディングベクトル、テキストテーマエンコーディングベクトル及びUX-bit属性データを組合せた(concatenate)結合ベクトルをデザイン生成モジュール15の入力データとし、デザインデータを出力データとして出力し、学習セッションではイメージテーマ判別器150、テキストテーマ判別器151、UX-bit属性判別器152により、パラメータがアップデートされるアップサンプリング(Upsampling)の人工神経網で構成できる。
イメージテーマエンコーディングモジュール10、テキストテーマエンコーディングモジュール11及びデザイン生成モジュール15の全般的な実施例と関連して、例えば、本発明の一実施例に係るイメージテーマエンコーディングモジュール10は、特定の次元で標準化したイメージテーマデータを入力データとして受信し、1×1×kの潜在変数であるイメージテーマエンコーディングベクトルを出力データとしてエンコードする複数個の連続した畳み込みレイヤー(Convolution Layer)、プーリングレイヤー(Pooling Layer)、FCレイヤー(Fully Connected Layer)を含むConvNetで構成できる。また、イメージテーマエンコーディングモジュール10は、デザイン生成モジュール15に対してSkip connectionの構造で構成できる。テキストテーマエンコーディングモジュール11は、テキストテーマデータを音素基準に分離して入力し、1×1×kの潜在変数であるテキストテーマエンコーディングベクトルを出力データとしてエンコードする複数個の連続した畳み込みレイヤー(Convolution Layer)、プーリングレイヤー(Pooling Layer)、FCレイヤー(Fully Connected Layer)を含むConvNetで構成できる。また、テキストテーマエンコーディングモジュール11は、デザイン生成モジュール15に対してSkip connectionの構造で構成できる。
イメージテーマエンコーディングモジュール10の学習セッションにおいて、本発明の一実施例に係るイメージテーマエンコーディングモジュール10に入力されるイメージテーマデータは、イメージテーマエンコーディングモジュール10及びデザイン生成モジュール15の各畳み込みレイヤー(Convolution Layer)に対して、Channel-wise concatenationの構造で入力されるように構成できる。このとき、イメージテーマデータをイメージテーマエンコーディングモジュール10及びデザイン生成モジュール15の各畳み込みレイヤー(Convolution Layer)に対して、Channel-wise concatenationの構造で入力される構成により、イメージテーマエンコーディングモジュール10及びデザイン生成モジュール15の学習セッションにおいて勾配消失(Vanishing Gradient)が改善され、フィーチャープロパゲーション(Feature Propagation)が強化され、パラメータ(Parameter)数の低減により、コンピューティングリソースが低減するという効果がある。
デザイン生成モジュール15の学習セッションでは、デザインデータ、並びに、これに対応するレファレンスデータ(Ground Truth)の差からなる代表デザイン損失が低減するように、デザイン生成モジュール15のパラメータがアップデートされるように構成できる。デザイン生成モジュール15の損失関数の一つである代表デザイン損失は、平均二乗損失(Mean square loss)、交差エントロピー損失(Cross entropy loss)などでも構成でき、例えば、次の数7の式のように構成できる。
上記数7において、Lcは代表デザイン損失、Nはデザインデータ及びレファレンスデータの対(pair)の数(配置サイズ)、iはN個のデザインデータ及びレファレンスデータの対(pair)のうちで特定のイメージ対、 Lgはデザインデータ、 LGはGround truthとしてのレファレンスデータ、||・||2はL2-normを意味できる。このとき、代表デザイン損失でのレファレンスデータは、予め保存されたウェブ/アプリデザインのエンコーディングベクトルのうちで、イメージテーマエンコーディングベクトルとの類似度及びテキストテーマエンコーディングベクトルとの類似度が、特定の水準以上であるウェブ/アプリデザインレファレンスを意味できる。
イメージテーマ判別器150は、デザイン生成モジュール15の学習セッションに利用されるモジュールであって、デザイン生成モジュール15で出力されるデザインデータ及びレファレンス(ground truth)であるイメージテーマデータの入力を受け、イメージテーマデータ及びデザインデータを区分するイメージテーマ判別ベクトルを出力するように、事前学習された(pre-trained)人工神経網モジュールである。本発明の一実施例に係るイメージテーマ判別器150は、CONCAT関数及び複数個の畳み込みレイヤー(Convolution Layer)を含むように構成できる。イメージテーマ判別器150は、デザイン生成モジュール15と別に事前学習されるように構成され、イメージテーマ判別器150が事前学習された状態(パラメータが固定された状態)において、デザイン生成モジュール15の学習セッションに利用され、デザイン生成モジュール15の学習セッションでのデザイン生成モジュール15の損失関数に含まれるイメージテーマ判別損失でのイメージテーマ判別ベクトルを出力するように構成できる。
イメージテーマ判別器150の学習セッションでは、イメージテーマデータ(RealでLabeling)及びデザイン生成モジュール15で出力されたデザインデータ(FakeでLabeling)をイメージテーマ判別器150に入力し、イメージテーマ判別器150では、デザインデータのReal及びFakeを区分するイメージテーマ判別ベクトル(Real Class及びFake Classを含んだり、Real Classのみを含んだりするように構成できる)を出力し、イメージテーマ判別ベクトル及びデザインデータの実際のLabel(Real or Fake)間の差を含む損失が低減するように、イメージテーマ判別器150のConvNetのパラメータがアップデートされるように学習セッションを構成できる。
すなわち、イメージテーマ判別器150の学習セッションでは、イメージテーマデータをレファレンスとしたデザインデータの分布でのイメージテーマ判別ベクトルDi(x、y)が最小(0)になり、これに対応するGround Truth分布であるイメージテーマデータ分布でのイメージテーマ判別ベクトルDi(y、y)が最大(1)になるように、イメージテーマ判別器150のパラメータがアップデートされるように構成できる。イメージテーマ判別器150の損失関数に含まれる損失(Loss)は、例えば、次のように構成できる。
上記数8において、Liはイメージテーマ判別器の損失、xはデザインデータ、yはGround Truthとしてのレファレンスデータであるイメージテーマデータ、y~LGはレファレンスデータの分布、x~Lgはデザインデータの分布、Di(x、y)はイメージテーマデータをレファレンスとしてデザインデータを入力したとき、イメージテーマ判別器150で出力されたイメージテーマ判別ベクトル(0~1間の確率値)を意味する。Di(y、y)はイメージテーマデータをレファレンスとしてイメージテーマデータを入力したとき、イメージテーマ判別器150で出力されたイメージテーマ判別ベクトル(0~1間の確率値)を意味する。イメージテーマ判別器150の学習セッションにおいて、デザイン生成モジュール15により出力されたデザインデータがイメージテーマデータと類似していないデザインであると判別される場合、イメージテーマ判別器150では、Di(x、y)=0、 Li=0(最小値)に近接すようにイメージテーマ判別器の損失が出力され、デザインデータがイメージテーマデータと類似しているデザインであると判別される場合、Di(x、y)=1、 Li=∞(最大値)に近接するようにイメージテーマ判別器の損失が出力され、イメージテーマ判別器150の学習(パラメータアップデート)に適用され得る。また、Di(y、y)=1になるように、イメージテーマ判別器150のパラメータがアップデートされる。イメージテーマ判別器150の学習セッションと関連して、デザイン生成モジュール15で合成されたものとしてラベリング(labeling)された学習データと、合成されないものとしてラベリングされた学習データとを、イメージテーマ判別器150の学習データとして構成し、学習データをイメージテーマ判別器150に入力して、イメージテーマ判別ベクトルを出力し、イメージテーマ判別ベクトルに基づいて学習データの損失を計算し、計算されたイメージテーマ判別器の損失を最小化するために、イメージテーマ判別器150のパラメータをアップデートするように、イメージテーマ判別器150の学習セッションを構成できる。
イメージテーマ判別器150のデザイン生成モジュール15に対する学習セッションでの作動関係と関連して、デザイン生成モジュール15の損失関数には、デザインデータがイメージテーマ判別器150に入力データとして入力されて出力されるイメージテーマ判別ベクトルが含まれるように構成できる。デザイン生成モジュール15の損失関数には、イメージテーマ判別ベクトルを、例えば次のように損失(以下、イメージテーマ判別損失)として構成できる。
上記数9において、Ldiはイメージテーマ判別損失、xはデザインデータ、 x~Lgはデザインデータの分布、yはイメージテーマデータ、y~LGはイメージテーマデータの分布、Di(x、y)はイメージテーマデータをレファレンスとしてデザインデータを入力したとき、イメージテーマ判別器150で出力されたイメージテーマ判別ベクトル(0~1間の確率値)を意味する。イメージテーマ判別器150により遂行されるデザイン生成モジュール15の学習セッションでは、イメージテーマ判別ベクトルを含むイメージテーマ判別損失がデザイン生成モジュール15の損失関数に含まれ、デザインデータの分布でのイメージテーマ判別ベクトルDi(x、y)が最大(1)になり、Ldi=0(最小値)になるように(デザインデータがイメージテーマデータと類似しているデザインであると判別されるように)、デザイン生成モジュール15のパラメータがアップデートされるように構成できる。
テキストテーマ判別器151と関連して、デザイン生成モジュール15の学習セッションに利用されるモジュールであって、テキストテーマ判別器151は、デザイン生成モジュール15で出力されるデザインデータ及びレファレンス(ground truth)であるテキストテーマデータの入力を受け、テキストテーマデータ及びデザインデータを区分するテキストテーマ判別ベクトルを出力するように事前学習(pre-trained)された人工神経網モジュールである。本発明の一実施例に係るテキストテーマ判別器151は、CONCAT関数及び複数個の埋め込みレイヤー(Convolution Layer)を含むように構成できる。テキストテーマ判別器151は、デザイン生成モジュール15と別に事前学習(pre-trained)されるように構成され、テキストテーマ判別器151が事前学習された状態(パラメータが固定された状態)においてデザイン生成モジュール15の学習セッションに利用され、デザイン生成モジュール15の学習セッションでのデザイン生成モジュール15の損失関数に含まれるテキストテーマ判別損失でのテキストテーマ判別ベクトルを出力するように構成できる。
テキストテーマ判別器151の学習セッションでは、テキストテーマデータのエンコーディングベクトルであるテキストテーマエンコーディングベクトル(RealでLabeling)及びデザイン生成モジュール15で出力されたデザインデータのエンコーディングベクトルであるデザインエンコーディングベクトル(FakeでLabeling)をテキストテーマ判別器151に入力し、テキストテーマ判別器151では、デザインデータのReal及びFakeを区分(テキストテーマデータ及びデザインデータを区分)するテキストテーマ判別ベクトル(Real Class及びFake Classを含んだり、Real Classのみを含んだりするように構成できる)を出力し、テキストテーマ判別ベクトル及びデザインデータの実際のLabel(Real or Fake)間の差を含む損失が低減するように、テキストテーマ判別器151のConvNetのパラメータがアップデートされるように学習セッションを構成できる。
すなわち、テキストテーマ判別器151の学習セッションでは、テキストテーマエンコーディングベクトルをレファレンスとしたデザインデータのエンコーディングベクトルの分布でのテキストテーマ判別ベクトルDt(x、z)が最小(0)になり、これに対応するGround Truth分布であるテキストテーマデータのテキストテーマエンコーディングベクトルの分布でのテキストテーマ判別ベクトルDt(z、z)が最大(1)になるように、テキストテーマ判別器151のパラメータがアップデートされるように構成できる。テキストテーマ判別器151の損失関数に含まれる損失(Loss)は、例えば、次のように構成できる。
上記数10において、Ltはテキストテーマ判別器の損失、xはデザインデータのエンコーディングベクトル、zはGround Truthとしてのレファレンスデータであるテキストテーマエンコーディングベクトル、z~LGはレファレンスデータの分布、x~Lgはデザインデータのエンコーディングベクトルの分布、Dt(x、z)はテキストテーマエンコーディングベクトルをレファレンスとしてデザインデータのエンコーディングベクトルを入力したとき、テキストテーマ判別器151で出力されたテキストテーマ判別ベクトル(0~1間の確率値)を意味する。Dt(z、z)はテキストテーマエンコーディングベクトルをレファレンスとしてテキストテーマエンコーディングベクトルを入力したとき、テキストテーマ判別器151で出力されたテキストテーマ判別ベクトル(0~1間の確率値)を意味する。テキストテーマ判別器151の学習セッションにおいて、デザイン生成モジュール15が出力したデザインデータのエンコーディングベクトルがテキストテーマデータのエンコーディングベクトルであるテキストテーマエンコーディングベクトルと類似していないと判別される場合、テキストテーマ判別器151では、Dt(x、z)=0、Lt=0(最小値)に近接するようにテキストテーマ判別器の損失が出力され、デザインデータのエンコーディングベクトルがテキストテーマエンコーディングベクトルと類似していると判別される場合、Dt(x、z)=1、Lt=∞(最大値)に近接するようにテキストテーマ判別器の損失が出力され、テキストテーマ判別器151の学習(パラメータアップデート)に適用される。また、Dt(z、z)=1になるように、テキストテーマ判別器151のパラメータがアップデートされる。テキストテーマ判別器151の学習セッションと関連して、デザイン生成モジュール15で合成されたものとしてラベリングされた学習データと、合成されないものとしてラベリングされた学習データとを、テキストテーマ判別器151の学習データとして構成し、学習データをテキストテーマ判別器151に入力して、テキストテーマ判別ベクトルを出力し、テキストテーマ判別ベクトルに基づいて学習データの損失を計算し、計算されたテキストテーマ判別器の損失を最小化するように、テキストテーマ判別器151のパラメータをアップデートするようにテキストテーマ判別器151の学習セッションを構成できる。
又は、テキストテーマ判別器151の損失の変形例と関連して、テキストテーマ判別器151の損失関数に含まれる損失は、平均二乗損失(Mean square loss)、交差エントロピー損失(Cross entropy loss)などでも構成でき、例えば、二値交差エントロピー損失(Binary cross entropy loss)が適用される場合、次のように構成できる。
上記数11において、Ltはテキストテーマ判別器の損失、Nはテキストテーマエンコーディングベクトル及びデザインエンコーディングベクトルの対(pair)の数(配置サイズ)、iはN個のテキストテーマエンコーディングベクトル及びデザインエンコーディングベクトルの対(pair)のうちで、特定の対(pair)、vはデザインエンコーディングベクトル、sはテキストテーマエンコーディングベクトル、 ||・||2はL2-normを意味できる。
テキストテーマ判別器151のデザイン生成モジュール15の学習セッションでの作動関係と関連して、デザイン生成モジュール15の損失関数には、テキストテーマエンコーディングベクトルがテキストテーマ判別器151に入力データとして入力されて出力されるテキストテーマ判別ベクトルが含まれるように構成できる。デザイン生成モジュール15の損失関数には、テキストテーマ判別ベクトルを、例えば次のように損失(以下、テキストテーマ判別損失)として構成できる。
上記数12において、Ldtはテキストテーマ判別損失、xはデザインデータのエンコーディングベクトル、x~Lgはデザインデータのエンコーディングベクトルの分布、zはテキストテーマエンコーディングベクトル、z~LGはテキストテーマエンコーディングベクトルの分布、Dt(x、z)はテキストテーマエンコーディングベクトルをレファレンスとしてデザインデータのエンコーディングベクトルを入力データとするとき、テキストテーマ判別器151で出力されたテキストテーマ判別ベクトル(0~1間の確率値)を意味する。テキストテーマ判別器151により遂行されるデザイン生成モジュール15の学習セッションでは、テキストテーマ判別ベクトルを含むテキストテーマ判別損失がデザイン生成モジュール15の損失関数に含まれ、デザインデータのエンコーディングベクトルの分布でのテキストテーマ判別ベクトルDt(x、z)が最大(1)になり、 Ldt=0(最小値)になるように(デザインデータのエンコーディングベクトルがテキストテーマエンコーディングベクトルと類似していると判別されるように)、デザイン生成モジュール15のパラメータがアップデートされるように構成できる。
UX-bit属性判別器152と関連して、UX-bit属性判別器152は、デザイン生成モジュール15の学習セッションに利用されるモジュールであって、UX-bit属性判別器152は、デザイン生成モジュール15で出力されるデザインデータ及びUX-bit生成モジュール12で出力されるUX-bit属性データ(reference、ground truth)の入力を受け、デザインデータ及びUX-bit属性データを区分するUX-bit属性判別ベクトルを出力するように事前学習(pre-trained)された人工神経網モジュールである。本発明の一実施例に係るUX-bit属性判別器152は、CONCAT関数及び複数個の埋め込みレイヤー(Convolution Layer)を含むように構成できる。UX-bit属性判別器152は、デザイン生成モジュール15と別に事前学習(pre-trained)されるように構成され、UX-bit属性判別器152が事前学習された状態(パラメータが固定された状態)において、デザイン生成モジュール15の学習セッションに利用され、デザイン生成モジュール15の学習セッションでのデザイン生成モジュール15の損失関数に含まれるUX-bit判別損失でのUX-bit属性判別ベクトルを出力するように構成できる。
UX-bit属性判別器152の学習セッションでは、UX-bit属性データのエンコーディングベクトル(RealでLabeling)及びデザイン生成モジュール15で出力されたデザインデータのエンコーディングベクトルであるデザインエンコーディングベクトル(FakeでLabeling)をUX-bit属性判別器152に入力し、UX-bit属性判別器152では、デザインデータのReal及びFakeを区分(UX-bit属性データ及びデザインデータを区分)するUX-bit属性判別ベクトル(Real Class及びFake Classを含んだり、Real Classのみを含んだりするように構成できる)を出力し、UX-bit属性判別ベクトル及びデザインデータの実際のLabel(Real or Fake)間の差を含む損失が低減するように、UX-bit属性判別器152のConvNetのパラメータがアップデートされるように学習セッションを構成できる。
すなわち、UX-bit属性判別器152の学習セッションでは、UX-bit属性データのエンコーディングベクトルをレファレンスとしたデザインデータのエンコーディングベクトルの分布でのUX-bit属性判別ベクトルDux(x、u)が最小(0)になり、これに対応するGround Truth分布であるUX-bit属性データのエンコーディングベクトルの分布でのUX-bit属性判別ベクトルDux(u、u)が最大(1)になるように、UX-bit属性判別器152のパラメータがアップデートされるように構成できる。UX-bit属性判別器152の損失関数に含まれる損失(Loss)は、例えば、次のように構成できる。
上記数13において、LuxはUX-bit属性判別器の損失、xはデザインデータのエンコーディングベクトル、uはGround TruthとしてのレファレンスデータであるUX-bit属性データのエンコーディングベクトル、u~LGはレファレンスデータの分布、x~Lgはデザインデータのエンコーディングベクトルの分布、Dux(x、u)はUX-bit属性データのエンコーディングベクトルをレファレンスとしてデザインデータのエンコーディングベクトルを入力したとき、UX-bit属性判別器152で出力されたUX-bit属性判別ベクトル(0~1間の確率値)を意味する。 Dux(u、u)はUX-bit属性データのエンコーディングベクトルをレファレンスとしてUX-bit属性データのエンコーディングベクトルを入力したとき、UX-bit属性判別器152で出力されたUX-bit属性判別ベクトル(0~1間の確率値)を意味する。UX-bit属性判別器152の学習セッションにおいて、デザイン生成モジュール15が出力したデザインデータのエンコーディングベクトルがUX-bit属性データのエンコーディングベクトルと類似していないと判別される場合、UX-bit属性判別器152では、Dux(x、u)=0、 Lux=0(最小値)に近接するようにUX-bit属性判別器152の損失が出力され、デザインデータのエンコーディングベクトルがUX-bit属性データのエンコーディングベクトルと類似していると判別される場合、Dux(x、u)=1、 Lux=∞(最大値)に近接するようにUX-bit属性判別器152の損失が出力され、UX-bit属性判別器152の学習(パラメータアップデート)に適用され得る。また、Dux(u、u)=1になるように、UX-bit属性判別器152のパラメータがアップデートされる。UX-bit属性判別器152の学習セッションと関連して、デザイン生成モジュール15で合成されたものとしてラベリングされた学習データと、合成されないものとしてラベリングされた学習データとを、UX-bit属性判別器152の学習データとして構成し、学習データをUX-bit属性判別器152に入力してUX-bit属性判別ベクトルを出力し、UX-bit属性判別ベクトルに基づいて学習データの損失を計算し、計算されたUX-bit属性判別器152の損失を最小化するように、UX-bit属性判別器152のパラメータをアップデートするようにUX-bit属性判別器152の学習セッションを構成できる。又は、UX-bit属性判別器152の損失の変形例と関連して、UX-bit属性判別器152の損失関数に含まれる損失は、平均二乗損失(Mean square loss)、交差エントロピー損失(Cross entropy loss)などでも構成できる。
UX-bit属性判別器152のデザイン生成モジュール15の学習セッションでの作動関係と関連して、デザイン生成モジュール15の損失関数には、UX-bit属性データのエンコーディングベクトルがUX-bit属性判別器152に入力データとして入力されて出力されるUX-bit属性判別ベクトルが含まれるように構成できる。デザイン生成モジュール15の損失関数には、UX-bit属性判別ベクトルを、例えば、次のように損失(以下、UX-bit属性判別損失)として構成できる。
上記数14において、LduxはUX-bit属性判別損失、xはデザインデータのエンコーディングベクトル、x~Lgはデザインデータのエンコーディングベクトルの分布、uはUX-bit属性データのエンコーディングベクトル、u~LGはUX-bit属性データのエンコーディングベクトルの分布、Dux(x、u)はUX-bit属性データのエンコーディングベクトルをレファレンスとしてデザインデータのエンコーディングベクトルを入力データとするとき、UX-bit属性判別器152で出力されたUX-bit属性判別ベクトル(0~1間の確率値)を意味する。UX-bit属性判別器152により遂行されるデザイン生成モジュール15の学習セッションでは、UX-bit属性判別ベクトルが含まれたUX-bit属性判別損失がデザイン生成モジュール15の損失関数に含まれ、デザインデータのエンコーディングベクトルの分布でのUX-bit属性判別ベクトルDux(x、u)が最大(1)になり、Ldux=0(最小値)になるように(デザインデータのエンコーディングベクトルがUX-bit属性データのエンコーディングベクトルと類似していると判別されるように)、デザイン生成モジュール15のパラメータがアップデートされるように構成できる。
デザイン生成モジュール15の他の実施例と関連して、図31は、本発明の他の実施例に係るデザイン生成モジュール15の作動関係を示す模式図である。図31に示すように、本発明の他の実施例に係るデザイン生成モジュール15は、非線形ネットワークと連結され、非線形ネットワークは、複数個のFCレイヤー(Fully Connected Layer)が連続的に連結される非線形構造のネットワークであり、イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルを組合せた(concatenate)結合ベクトルを入力データとし、テーマベクトル(theme vector)を出力データとして出力し、出力されたテーマベクトルをデザイン生成モジュール15のネットワーク内の複数のレイヤーに、スケール別に入力するモジュールである。このとき、デザイン生成モジュール15の入力データとして、イメージテーマエンコーディングベクトル、テキストテーマエンコーディングベクトル及びUX-bit属性データを組合せた(concatenate)結合ベクトルではなく、UX-bit属性データが適用され、テーマベクトルが入力されるスケールのレイヤーにノイズベクトル(noise vector)が各々入力される。これによれば、イメージテーマエンコーディングベクトル及びテキストテーマエンコーディングベクトルのデータ分布がデザイン生成モジュール15のデータ分布を制限しないと同時に、UX-bit属性データのデータ分布がデザイン生成モジュール15のデータ分布を制限するので、UX-bit属性データに厳格ながらも、実務者によって提供されたイメージテーマ及びテキストテーマから自由度が上昇して、固定的なワイヤーフレームで多様なデザインを生成できるという効果がある。
デザイン生成モジュール15のSkip connectionと関連して、図32は、本発明の一実施例に係るデザイン生成モジュール15のSkip connectionを示す模式図である。図32に示すように、デザイン生成モジュール15のSkip connectionは、イメージテーマエンコーディングモジュール10及びデザイン生成モジュール15が、イメージテーマエンコーディングベクトルのみによって連結されるものではなく、イメージテーマエンコーディングモジュール10の特定のレイヤー及びデザイン生成モジュール15の特定のレイヤーを加算ロジックにより追加連結する構造を意味する。これによれば、勾配消失(gradient vanishing)及び爆発(exploding)の問題が低減するという効果があり、以前のレイヤーからどれくらい変化したか、余り(residual)のみを計算すればいいので、コンピューティングリソースが低減するという効果がある。
イメージテーマエンコーディングモジュール10の他の実施例と関連して、図33は、本発明の他の実施例に係る共通テーマセグメントモジュール101を示す模式図である。図33に示すように、イメージテーマエンコーディングモジュール10は、共通テーマセグメントモジュール101と連結されるように構成できる。共通テーマセグメントモジュール101は、イメージテーマデータ100を入力データとし、共通テーマセグメントデータを出力データとするモジュールであり、テキストテーマエンコーディングベクトル及びイメージテーマエンコーディングベクトルの類似度が増加するように、共通テーマセグメントモジュール101のパラメータがアップデートされるように構成できる。本発明の一実施例に係る共通テーマセグメントモジュール101のネットワーク構造は、J.Long et al.(2015)のFully Covolutional Network(FCN)、W.Liu et al.(2015)のParseNet、H.Noh et al.(2015)のConvolutional and Deconvolutional Networks、O.Ronneberger et al.(2015)のU-Netなどの構造を適用できる。これによれば、実務者が入力したイメージテーマデータの全体がデザインデータを生成するのに使用されるものではなく、イメージテーマデータのうちでテキストテーマデータと関連した部分のみがセグメントされてデザインデータを生成するのに使用されるので、デザイン生成モジュール15において作業者の意図と関連性の高いデザインを生成できるという効果がある。
前記のような本発明の一実施例に係る自動デザイン生成の人工神経網装置1の構成及びUX-bitの構成の有機的な結合により、実務者は、生成したいデザインのコンセプトかつテーマに対応するイメージであるイメージテーマデータ、及び生成したいデザインのコンセプトかつテーマに対応するテキストであるテキストテーマデータを入力するだけでUX-bit属性が規定され、IA、ワイヤーフレーム(Wireframe)、ウェブ/アプリデザインを生成できるという効果がある。
以上で説明した通り、本発明が属する技術分野における通常の技術者は、本発明がその技術的思想や必須特徴を変更することなく、他の具体的な形態で実施できることを理解すべきである。したがって、前述した実施例等は、全ての面において例示的なものであり、限定的なものではないことを理解しなければならない。本発明の範囲は、詳細な説明よりは後述する特許請求の範囲によって示され、特許請求の範囲の意味及び範囲、そして等価概念から導出される全ての変更又は変形された形態が、本発明の範囲に含まれると解析しなければならない。
本明細書内に記述された特徴及び利点は、全部を含まず、特に多くの追加的な特徴及び利点が図面、明細書及び請求項を考慮して当業者に明らかであろう。さらに、本明細書に使用される言語は、主に読みやすいように、そして教示の目的により選択され、本発明の主題を描写又は制限するために選択されないこともできることに留意すべきである。
本発明の実施例等の前述した説明は、例示の目的により提示された。これは、開示された正確な形態により本発明を制限するか、或いは、省略することなく行われることを意図するものではない。当業者は、前述した開示に基づいて多くの修正及び変更が可能であることを理解することができる。
したがって、本発明の範囲は、詳細な説明により限定されず、これに基づいた出願の任意の請求項等により限定される。よって、本発明の実施例等の開示は、例示的なものであり、添付の請求項に記載された本発明の範囲を制限するものではない。
Claims (8)
- 実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータを入力データとし、イメージテーマエンコーディングベクトルを出力データとするエンコーディングモジュールであるイメージテーマエンコーディングモジュールと、
前記実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するテキストであるテキストテーマデータを入力データとし、テキストテーマエンコーディングベクトルを出力データとするエンコーディングモジュールであるテキストテーマエンコーディングモジュールと、
前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを入力データとし、複数のUX構成要素に対するUX-bit属性を出力データとするモジュールであるUX-bit生成モジュールと、
前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトル及び前記UX-bit属性を入力データとし、特定のウェブ/アプリグラフィックデザインを意味するデザインデータを出力データとして出力するアップサンプリングの人工神経網モジュールであるデザイン生成モジュールと、
前記デザイン生成モジュールの学習セッションに利用されるモジュールであって、前記デザインデータ及び前記イメージテーマデータが入力データとして入力される場合、前記デザインデータ及び前記イメージテーマデータの類似度に対する確率を意味するイメージテーマ判別ベクトルを出力データとする事前学習された人工神経網モジュールであるイメージテーマ判別器と、
前記デザイン生成モジュールの学習セッションに利用されるモジュールであって、前記デザインデータのエンコーディングベクトルであるデザインエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルが入力データとして入力される場合、前記デザインエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルの類似度に対する確率を意味するテキストテーマ判別ベクトルを出力データとする事前学習された人工神経網モジュールであるテキストテーマ判別器と、
前記デザイン生成モジュールの学習セッションに利用されるモジュールであって、前記デザインエンコーディングベクトル及び前記UX-bit属性のエンコーディングベクトルが入力データとして入力される場合、前記デザインエンコーディングベクトル及び前記UX-bit属性のエンコーディングベクトルの類似度に対する確率を意味するUX-bit属性判別ベクトルを出力データとする事前学習された人工神経網モジュールであるUX-bit属性判別器と、を含み、
前記デザイン生成モジュールの学習セッションでは、前記デザインデータ、並びに、これに対応する予め保存されたウェブ/アプリデザインのエンコーディングベクトルのうちで、前記イメージテーマエンコーディングベクトルとの類似度及び前記テキストテーマエンコーディングベクトルとの類似度が、特定の水準以上であるウェブ/アプリデザインのレファレンスデータ(Ground Truth)の差からなる代表デザイン損失と、前記イメージテーマ判別ベクトルを含むイメージテーマ判別損失と、前記テキストテーマ判別ベクトルを含むテキストテーマ判別損失と、前記UX-bit属性判別ベクトルを含むUX-bit属性判別損失とが低減するように、前記デザイン生成モジュールのパラメータをアップデートすることを特徴とする、UX-bitを利用した自動デザイン生成の人工神経網装置。 - 前記デザイン生成モジュールと連結され、複数個のFCレイヤーが連続的に連結される非線形構造のネットワークであり、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを組合せた結合ベクトルを入力データとし、テーマベクトルを出力データとして出力し、出力された前記テーマベクトルを前記デザイン生成モジュールのネットワーク内の複数のレイヤーに、スケール別に入力するモジュールである非線形ネットワークをさらに含み、
前記デザイン生成モジュールは、入力データとして前記UX-bit属性が入力され、前記テーマベクトルが入力されるスケールのレイヤーにノイズベクトルが各々入力されることを特徴とする、請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置。 - 前記イメージテーマエンコーディングモジュールと連結され、前記イメージテーマデータを入力データとし、共通テーマセグメントデータを出力データとするモジュールである共通テーマセグメントモジュールをさらに含み、
前記共通テーマセグメントモジュールの学習セッションでは、前記テキストテーマエンコーディングベクトル及び前記イメージテーマエンコーディングベクトルの類似度が増加するように、前記共通テーマセグメントモジュールのパラメータがアップデートされることを特徴とする、請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置。 - 前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、
前記UX-bit生成モジュールは、
特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、
前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、を含むことを特徴とする、請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置。 - 前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、
前記UX-bit生成モジュールは、
特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、
前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、を含み、
前記RNNモジュールは、
第1のRNNセル及び第2のRNNセルからなるRNNブロックを基本単位とし、
前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを最初の入力データとし、前記第1のRNNセルは、前記最初の入力データ又は以前のセルの出力データ及びRNN隠れ層情報の入力を受け、n番目のUX構成要素の前記UX-bit機能属性を出力し、前記第2のRNNセルは、以前のセルの出力データである前記UX-bit機能属性及び前記RNN隠れ層情報の入力を受け、前記第1のRNNセルで出力されたn番目のUX構成要素の前記UX-bit機能属性に対する前記UX-bitデザイン属性を出力することを特徴とする、請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置。 - 前記UX-bit属性は、UX-bit機能属性及びUX-bitデザイン属性を含み、
前記UX-bit生成モジュールは、
特定のUX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性をマッチングできるように、複数の前記UX構成要素を生成するモジュールであるUX構成要素生成モジュールと、
前記UX構成要素に対して、前記UX-bit機能属性及び前記UX-bitデザイン属性を出力する人工神経網モジュールであるRNNモジュールと、
予め生成された全体のUX構成要素の前記UX-bit属性、前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトルをEnviromentとし、前記RNNモジュールの一構成であるRNNブロックをAgentとし、1番目のUX構成要素からn-1番目のUX構成要素までの前記UX-bit機能属性及び前記UX-bitデザイン属性に、仮想で前記UX-bit機能属性及び前記UX-bitデザイン属性を持つn番目のUX構成要素を含んだ時の状況をStateとし、このような前記Stateにおいて前記Agentである前記RNNブロックがn番目のUX構成要素に対して出力する前記UX-bit機能属性及び前記UX-bitデザイン属性をActionとし、出力データであるn番目のUX構成要素の前記UX-bit機能属性及び前記UX-bitデザイン属性と、比較情報との類似度が高いほど、相対的に高いRewardが生成され、前記Agentである前記RNNブロックの隠れ層をアップデートするように構成される強化学習モジュールと、を含み、
前記比較情報は、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルの組合せを意味することを特徴とする、請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置。 - 請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置による自動デザイン生成方法において、
前記自動デザイン生成の人工神経網装置の一構成であるイメージテーマエンコーディングモジュールが、実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータを入力データとして入力を受け、イメージテーマエンコーディングベクトルを出力データとして出力するイメージテーマエンコーディングステップと、
前記自動デザイン生成の人工神経網装置の一構成であるテキストテーマエンコーディングモジュールが、前記実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するテキストであるテキストテーマデータを入力データとして入力を受け、テキストテーマエンコーディングベクトルを出力データとして出力するテキストテーマエンコーディングステップと、
前記自動デザイン生成の人工神経網装置の一構成であるUX-bit生成モジュールが、前記イメージテーマエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルを入力データとして入力を受け、複数のUX構成要素に対するUX-bit属性を出力データとして出力するUX-bit生成ステップと、
前記自動デザイン生成の人工神経網装置の一構成であるデザイン生成モジュールが、前記イメージテーマエンコーディングベクトル、前記テキストテーマエンコーディングベクトル及び前記UX-bit属性を入力データとし、特定のウェブ/アプリグラフィックデザインを意味するデザインデータを出力データとして出力するデザイン生成ステップと、を含み、
前記デザイン生成モジュールの学習セッションは、
前記自動デザイン生成の人工神経網装置の一構成であるイメージテーマ判別器が、前記デザインデータ及び前記イメージテーマデータが入力データとして入力される場合、前記デザインデータ及び前記イメージテーマデータの類似度に対する確率を意味するイメージテーマ判別ベクトルを出力データとして出力するイメージテーマ判別ステップと、
前記自動デザイン生成の人工神経網装置の一構成であるテキストテーマ判別器が、前記デザインデータのエンコーディングベクトルであるデザインエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルが入力データとして入力される場合、前記デザインエンコーディングベクトル及び前記テキストテーマエンコーディングベクトルの類似度に対する確率を意味するテキストテーマ判別ベクトルを出力データとして出力するテキストテーマ判別ステップと、
前記自動デザイン生成の人工神経網装置の一構成であるUX-bit属性判別器が、前記デザインエンコーディングベクトル及び前記UX-bit属性のエンコーディングベクトルが入力データとして入力される場合、前記デザインエンコーディングベクトル及び前記UX-bit属性のエンコーディングベクトルの類似度に対する確率を意味するUX-bit属性判別ベクトルを出力データとして出力するUX-bit属性判別ステップと、を含み、
前記デザイン生成モジュールの学習セッションでは、前記デザインデータ、並びに、これに対応する予め保存されたウェブ/アプリデザインのうちで、前記イメージテーマエンコーディングベクトルとの類似度及び前記テキストテーマエンコーディングベクトルとの類似度が、特定の水準以上であるウェブ/アプリデザインレファレンスデータ(Ground Truth)の差からなる代表デザイン損失と、前記イメージテーマ判別ベクトルを含むイメージテーマ判別損失と、前記テキストテーマ判別ベクトルを含むテキストテーマ判別損失と、前記UX-bit属性判別ベクトルを含むUX-bit属性判別損失とが低減するように、前記デザイン生成モジュールのパラメータをアップデートすることを特徴とする、UX-bitを利用した自動デザイン生成の人工神経網方法。 - 実務者が生成したいウェブ/アプリグラフィックデザインのテーマを代表するイメージであるイメージテーマデータ及び前記実務者が生成したい前記テーマを代表するテキストであるテキストテーマデータを前記実務者から入力を受ける実務者クライアントと、
前記実務者クライアントから前記イメージテーマデータ及び前記テキストテーマデータの入力を受け、前記イメージテーマデータ及び前記テキストテーマデータに対応するデザインデータを出力する請求項1に記載のUX-bitを利用した自動デザイン生成の人工神経網装置と、を含む、自動デザイン生成の人工神経網システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210070403A KR102350745B1 (ko) | 2021-05-31 | 2021-05-31 | UX-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법 |
KR10-2021-0070403 | 2021-05-31 | ||
PCT/KR2022/005464 WO2022255632A1 (ko) | 2021-05-31 | 2022-04-15 | Ux-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024515373A true JP2024515373A (ja) | 2024-04-09 |
Family
ID=79342913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023566542A Pending JP2024515373A (ja) | 2021-05-31 | 2022-04-15 | Ux-bitを利用した自動デザイン生成の人工神経網装置及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230351655A1 (ja) |
JP (1) | JP2024515373A (ja) |
KR (6) | KR102350745B1 (ja) |
WO (1) | WO2022255632A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102350745B1 (ko) * | 2021-05-31 | 2022-01-14 | 주식회사 틴토랩 | UX-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3024078C (en) * | 2016-05-29 | 2024-04-09 | Wix.Com Ltd. | Creation and update of hierarchical websites based on collected business knowledge |
KR102095118B1 (ko) | 2018-08-20 | 2020-04-23 | 한양대학교 산학협력단 | 자동화된 디자인 생성 방법 및 시스템 |
KR102198545B1 (ko) | 2018-11-30 | 2021-01-06 | 카페24 주식회사 | 온라인 전자상거래의 쇼핑몰의 디자인 자동 생성 방법 및 장치 |
KR102072820B1 (ko) * | 2018-11-30 | 2020-02-03 | 남정우 | 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치 |
KR102188431B1 (ko) * | 2019-03-11 | 2020-12-08 | 성균관대학교산학협력단 | 몬테카를로 트리 검색 기반의 속성 선택 방법 및 장치 |
KR102246537B1 (ko) | 2019-03-22 | 2021-04-30 | 카페24 주식회사 | 온라인 쇼핑몰 배너 디자인 자동 생성 방법 및 장치 |
US10929110B2 (en) * | 2019-06-15 | 2021-02-23 | International Business Machines Corporation | AI-assisted UX design evaluation |
KR102213291B1 (ko) * | 2020-07-30 | 2021-02-04 | 배도연 | 웹사이트 제작 시스템 |
KR102350745B1 (ko) * | 2021-05-31 | 2022-01-14 | 주식회사 틴토랩 | UX-bit를 이용한 자동 디자인 생성 인공신경망 장치 및 방법 |
-
2021
- 2021-05-31 KR KR1020210070403A patent/KR102350745B1/ko active IP Right Grant
-
2022
- 2022-01-06 KR KR1020220002313A patent/KR102363370B1/ko active IP Right Grant
- 2022-01-06 KR KR1020220002310A patent/KR102401112B1/ko active IP Right Grant
- 2022-01-06 KR KR1020220002314A patent/KR102401115B1/ko active IP Right Grant
- 2022-01-06 KR KR1020220002311A patent/KR102401113B1/ko active IP Right Grant
- 2022-01-06 KR KR1020220002312A patent/KR102401114B1/ko active IP Right Grant
- 2022-04-15 WO PCT/KR2022/005464 patent/WO2022255632A1/ko active Application Filing
- 2022-04-15 JP JP2023566542A patent/JP2024515373A/ja active Pending
- 2022-04-15 US US18/017,349 patent/US20230351655A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR102350745B1 (ko) | 2022-01-14 |
WO2022255632A1 (ko) | 2022-12-08 |
KR102401114B1 (ko) | 2022-05-24 |
KR102363370B1 (ko) | 2022-02-16 |
KR102401113B1 (ko) | 2022-05-24 |
KR102401115B1 (ko) | 2022-05-24 |
KR102401112B1 (ko) | 2022-05-24 |
US20230351655A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3814890B1 (en) | Refinement of machine learning engines for automatically generating component-based user interfaces | |
Wang et al. | Attribute2font: Creating fonts you want from attributes | |
US11210111B2 (en) | Automatic user interface architecture | |
US11138022B2 (en) | Dynamic user interface for predicted procedures | |
US10761818B2 (en) | Automatic identification of types of user interface components | |
US10928982B2 (en) | Automatic grouping of user interface elements into components | |
Qian et al. | Retrieve-then-adapt: Example-based automatic generation for proportion-related infographics | |
US10949174B2 (en) | Automatic classification of user interface elements | |
WO2017120895A1 (en) | System and method for optimizing user interface and system and method for manipulating user's interaction with interface | |
US11740879B2 (en) | Creating user interface using machine learning | |
US20200134310A1 (en) | Duplicate User Interface Design Identification | |
Barnes | Microsoft Azure essentials Azure machine learning | |
EP4154108A1 (en) | Domain-specific language interpreter and interactive visual interface for rapid screening | |
CN114818691A (zh) | 文章内容的评价方法、装置、设备及介质 | |
Den Bakker | Python Deep Learning Cookbook: Over 75 practical recipes on neural network modeling, reinforcement learning, and transfer learning using Python | |
JP2024515373A (ja) | Ux-bitを利用した自動デザイン生成の人工神経網装置及び方法 | |
Hu et al. | A study on the automatic generation of banner layouts | |
Mattmann | Machine Learning with TensorFlow | |
US20230384910A1 (en) | Using Attributes for Font Recommendations | |
CN115909354B (zh) | 文本生成模型的训练方法、文本获取方法及装置 | |
US11961261B2 (en) | AI-based aesthetical image modification | |
US20230274478A1 (en) | Neural image compositing with layout transformers | |
Da Silva et al. | Algorithms for the Development of Adaptive Web Interfaces: A Systematic Literature Review | |
WO2024058797A1 (en) | Visual prompt tuning for generative transfer learning | |
WO2023107526A1 (en) | Sweep algorithm for output of graphical objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231026 |