KR101787613B1

KR101787613B1 - Artificial intelligence platform system by self-adaptive learning technique based on deep learning

Info

Publication number: KR101787613B1
Application number: KR1020170055772A
Authority: KR
Inventors: 윤희병
Original assignee: 주식회사 더디엔에이시스템
Priority date: 2017-01-20
Filing date: 2017-04-28
Publication date: 2017-11-15
Also published as: WO2018135696A1

Abstract

The present invention relates to an artificial intelligence platform system using a self-adaptive learning technology based on deep learning. According to an embodiment of the present invention, the artificial intelligence platform system includes: a preprocessor (10) deriving elements by processing input data; a self-adaptive learning engine (20); and an effector (30). The artificial intelligence platform can effectively realize the human brain mechanism for understanding situations, recognizing missions, and building models to solve problems.

Description

[0001] ARTIFICIAL INTELLIGENCE PLATFORM SYSTEM BY SELF-ADAPTIVE LEARNING TECHNIQUE BASED ON DEEP LEARNING [0002]

본 발명은 인공지능 플랫폼 시스템에 관한 것으로서, 보다 구체적으로는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템에 관한 것이다.The present invention relates to an artificial intelligence platform system, and more particularly, to an artificial intelligence platform system using a self-adaptive learning technique based on a deep learning.

주어진 상황이나 진행되는 상황을 이해하고 분석해서 의사결정을 내리는 인간의 두뇌 메커니즘을 기술적으로 구현하기 위한 연구는 꾸준히 이루어지고 있다. 특히, 인공지능 기술에 대한 관심이 높아지면서, 인공 신경망을 기반으로 한 딥 러닝(Deep Learning)을 통해서 인공지능(Artificial Intelligence; AI) 기술이 비약적으로 발전하고 있다.
Research has been steadily carried out to technologically implement human brain mechanisms to understand and analyze given situations or situations and make decisions. Particularly, as interest in artificial intelligence technology increases, artificial intelligence (AI) technology has been dramatically developed through deep learning based on artificial neural network.

또한, 소프트웨어 공학에서는, 더 나은 사용자 경험을 위하여 사용자와 기기의 상황을 파악하고 맞춤화 된 사용자 서비스를 제공하려는 자가 적응 기술에 대한 요구가 증가하고 있으며, 다양한 분야에 적용되고 있다.
In addition, in software engineering, there is an increasing demand for self-adaptive technology to grasp the situation of users and devices and provide customized user services for a better user experience, and is being applied to various fields.

그러나 이러한 딥 러닝 기반의 학습 기술이나 인공신경망과 소프트웨어 공학의 자가 적응 기술을 결합시킨 자가 적응 학습 관련 연구는 거의 진행된 바가 없는 실정이다.
However, there has been little research on self - adaptive learning that combines deep learning - based learning techniques or artificial neural networks with self - adaptive technology in software engineering.

특히, 기존의 인공 신경망 기술이나 자가 적응 기술 등은, 인간의 두뇌 메커니즘을 효과적으로 구현할 수 없기 때문에 비구조화된 데이터의 처리가 어려운 한계가 있으며, 개별적인 분야에 특화되어 개발됨으로써, 다양한 상황에 적용이 어렵고 효율적이지 못한 한계가 있다.
In particular, existing artificial neural network technology and self-adaptive technology can not effectively implement the human brain mechanism, so that it is difficult to process unstructured data, and since it is developed specifically for individual fields, it is difficult to apply to various situations There is an inefficient limit.

한편, 본 발명과 관련된 선행기술로서, 등록특허 제10-1400636호(발명의 명칭: 사람처럼 생각하는 인공지능 알고리즘, 공고일자: 2014년 05월 30일), 공개특허 제10-1999-0044063호(발명의 명칭: 정보 통신망을 이용한 자가 적응 관리 서비스 제공 방법, 공개일자: 2001년 05월 07일) 등이 개시된 바 있다.On the other hand, as a prior art related to the present invention, Japanese Patent Application No. 10-1400636 entitled " Artificial Intelligence Algorithm That Thinks Like a Person ", published on May 30, 2014), Published Patent No. 10-1999-0044063 (The name of the invention: a method for providing a self-managed management service using an information communication network, published on May 07, 2001).

본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 구조화된 데이터 및 비구조화된 데이터를 전처리기에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템을 제공하는 것을 그 목적으로 한다.
The present invention has been proposed in order to solve the above-mentioned problems of the previously proposed methods. The present invention proposes a method in which structured data and unstructured data are processed in a preprocessor to derive an element, The system can be modularly provided with the ability to learn and use the learning results to understand and schedule the situation, to make decisions and predictions, to recommend and condition the situation, The object of the present invention is to provide an artificial intelligent platform system using self-adaptive learning technology based on deep learning that can be customized.

또한, 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템을 제공하는 것을 또 다른 목적으로 한다.Further, the present invention includes a self-adaptive learning engine that self-organizes a DNA mission and self-configures a DNA model by combining a self-adaptive technique and a deep learning-based learning technique, It is another object of the present invention to provide an artificial intelligence platform system using a self-adaptive learning technique based on a deep learning, which can effectively implement a human brain mechanism that solves the situation by making a robot.

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은,According to an aspect of the present invention, there is provided an artificial intelligent platform system using a deep learning based self-

인공지능 플랫폼 시스템으로서,As an artificial intelligence platform system,

입력 데이터를 처리하여 요소(Elements)를 도출하는 전처리기(Preprocessor);A preprocessor for processing input data to derive elements;

상기 전처리기에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 상기 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 상기 자가 구성된 DNA 모델을 학습시키는 자가 적응 학습 엔진(Self-Adaptive Learning Engine); 및Self-organizing a DNA mission using elements derived from the preprocessor, self-organizing a deep learning-based artificial neural network DNA model using the self-organized DNA mission, A self-adaptive learning engine that learns DNA models; And

상기 자가 적응 학습 엔진의 학습 결과를 이용하여 공통 소프트웨어를 생성하는 이펙터(Effector)를 포함하는 것을 그 구성상의 특징으로 한다.
And an effector for generating common software using the learning results of the self-adaptive learning engine.

바람직하게는,Preferably,

상기 전처리기는,The pre-

입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환하는 텍스트 변환 모듈;A text conversion module for converting unstructured data, excluding text, into text data in input data;

상기 텍스트 변환 모듈에서 변환된 상기 텍스트 데이터로부터, 미션 수행을 위해 필요한 정보를 추출하는 정보 추출 모듈; 및An information extraction module for extracting information necessary for mission execution from the text data converted by the text conversion module; And

상기 추출된 정보로부터 상기 자가 적응 학습 엔진에 입력될 요소를 식별하여 도출하는 요소 도출 모듈을 포함할 수 있다.
And an element derivation module for identifying and deriving an element to be input to the self-adaptive learning engine from the extracted information.

바람직하게는, 상기 자가 적응 학습 엔진은,Advantageously, the self-adaptive learning engine comprises:

상기 전처리기에서 도출된 요소와 미리 정의된 조직의 미션 내 요소를 비교 및 평가하여 DNA 미션을 자가 조직하는 자가 조직 모듈;A self-organizing module that self-organizes the DNA mission by comparing and evaluating the elements derived from the pre-processor and the in-mission elements of the pre-defined tissue;

상기 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반으로 학습할 수 있는 인공신경망 DNA 모델을 자가 구성하는 자가 구성 모듈; 및A self-organizing module for self-organizing an artificial neural network DNA model that can be learned on a deep learning basis using the self-organized DNA mission; And

상기 자가 구성된 DNA 모델을 자가 학습하는 자가 학습 모듈을 포함할 수 있다.
And a self-learning module that self-learns the self-configured DNA model.

바람직하게는,Preferably,

상기 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션이고,The DNA mission is a combination of Blocks of Organization and Chains,

상기 DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다.
The DNA model may be a combination of functional blocks (Blocks of Function) and chains.

바람직하게는, 상기 이펙터는,Preferably, the effector comprises:

주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공하는 이해 및 스케줄링 모듈;An understanding and scheduling module that understands a given situation, grasps its intent, and provides scheduling to a decision maker using contextual understanding or intent identification results;

주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공하는 판단 및 예측 모듈; 및A judgment and prediction module that provides judgment and analysis results on a given situation and predicts and provides a possible situation; And

분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공하는 추천 및 조치 모듈을 포함할 수 있다.
Using the analysis and prediction results, it may include a recommendation and action module that recommends decisions for a given situation and provides action accordingly.

바람직하게는,Preferably,

상기 전처리기, 자가 적응 학습 엔진 및 이펙터에 복수의 툴을 제공하는 DNA 툴을 더 포함할 수 있다.
The preprocessor, the self-adaptive learning engine, and the DNA tool that provides a plurality of tools to the effector.

더욱 바람직하게는, 상기 DNA 툴은,More preferably, the DNA tool comprises:

비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool), 정보를 추출하는 추출 툴(Extraction Tool), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)을 포함할 수 있다.A transformation tool for converting unstructured data into text, an extraction tool for extracting information, and a combination tool for linking blocks and chains necessary for self-organization of the DNA mission and self-organization of the DNA model Combination Tool).

본 발명에서 제안하고 있는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템에 따르면, 구조화된 데이터 및 비구조화된 데이터를 전처리기에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.
According to the artificial intelligent platform system using the deep learning-based self-adaptive learning technique proposed in the present invention, the structured data and the unstructured data are processed in the preprocessor to derive the elements, and the elements are used in the self- It is possible to provide a system that can perform self-adaptive learning, including effectors that use learning results, to understand situations and schedule, to make decisions and predictions, to recommend and situation actions, The system can be customized.

또한, 본 발명에 따르면, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다.Further, according to the present invention, by incorporating a self-adaptive technique and a deep learning-based learning technique, a self-adaptive learning engine that self-organizes a DNA mission and self-configures a DNA model is included, You can effectively implement the human brain mechanism to model and solve the situation.

도 1은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템의 전체 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 조직 모듈에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면.
도 3은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 구성 모듈에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면.
도 4는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템에서 DNA 툴을 더 포함하는 구성을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템의 기술적인 전체 구성을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 기본 구조를 도시한 도면.
도 7은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 심볼을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 구성을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈의 개념을 도식화한 도면.
도 10은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈에서, 블록체인 활성화부의 세부적인 구성을 도시한 도면.
도 11 및 도 12는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈에서, DNA 미션을 자가 조직하는 세부적인 과정을 예를 들어 도시한 도면.
도 13은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 기본 구조를 도시한 도면.
도 14는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 심볼을 도시한 도면.
도 15는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에 의해 구성되는 DNA 모델의 구조를 도시한 도면.
도 16은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈의 구성을 도시한 도면.
도 17은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, DNA 모델을 구성하는 기능적 하위 모델의 개수 구성을 예를 들어 도시한 도면.
도 18은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 하위 모델 구성부의 세부적인 구성을 도시한 도면.
도 19는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 레이어 결정부가 레이어 개수를 정하는 방법을 예를 들어 도시한 도면.
도 20은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈에서, 노드 결정부가 노드 개수를 정하는 방법을 예를 들어 도시한 도면.
도 21은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈이 DNA 모델을 구성하는 과정을 예를 들어 도시한 도면.
도 22는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 기본 구조를 도시한 도면.
도 23은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 심볼을 도시한 도면.
도 24는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈의 구성을 도시한 도면.
도 25는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 체인 학습 및 블록 학습을 각각 도시한 도면.
도 26은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 훈련된 DNA 모델의 자가 학습 과정을 예를 들어 도시한 도면.
도 27은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 블록 학습부의 세부적인 구성을 도시한 도면.
도 28은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 수용적 블록 학습부의 학습 개념을 도시한 도면.
도 29는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 수용적 블록 학습부의 학습 과정을 예를 들어 도시한 도면.
도 30은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 반응적 블록 학습부의 학습 개념을 도시한 도면.
도 31은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈에서, 반응적 블록 학습부의 학습 과정을 예를 들어 도시한 도면.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a diagram showing an entire configuration of an artificial intelligent platform system using a self-adaptive learning technique based on a deep learning according to an embodiment of the present invention; FIG.
FIG. 2 illustrates a method of self-organizing a DNA mission in a self-organizing module using a neuroblock chain combination according to an embodiment of the present invention. FIG.
FIG. 3 illustrates a method of self-configuring a DNA model in a self-organizing module using a Neuroblock chain combination according to an embodiment of the present invention. FIG.
FIG. 4 is a diagram illustrating a configuration including a DNA tool in an artificial intelligence platform system using a self-adaptive learning technique based on deep learning according to an exemplary embodiment of the present invention. FIG.
FIG. 5 illustrates a technical overall configuration of an artificial intelligence platform system using a self-adaptive learning technique based on a deep learning according to an embodiment of the present invention. FIG.
FIG. 6 illustrates a basic structure of a mission self-organizing module using a neuroblock chain combination according to an embodiment of the present invention. FIG.
FIG. 7 illustrates symbols of a mission self-organizing module using a neuroblock chain combination according to an embodiment of the present invention. FIG.
8 is a diagram illustrating a configuration of a mission self-organizing module using a neuro-block chain combination according to an embodiment of the present invention.
9 is a diagram illustrating the concept of a mission self-organizing module using a neuro-block chain combination according to an embodiment of the present invention.
10 is a view showing a detailed configuration of a block chain activating unit in a mission self organizing module using a neuroblock chain combination according to an embodiment of the present invention;
FIG. 11 and FIG. 12 illustrate a detailed process of self-organizing a DNA mission in a mission self-organizing module using a neuro-block chain combination according to an embodiment of the present invention.
13 is a diagram illustrating a basic structure of a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
FIG. 14 is a diagram illustrating a symbol of a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention; FIG.
15 is a diagram illustrating a structure of a DNA model constructed by a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
16 is a diagram illustrating a configuration of a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
FIG. 17 illustrates the number structure of functional sub-models constituting a DNA model in a self-organizing module of an artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention.
18 is a diagram showing a detailed configuration of a lower model construction unit in a self-organizing module of an artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention.
19 is a diagram illustrating a method of determining the number of layers of a layer determination unit in a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
20 is a diagram illustrating an example of a method for determining the number of nodes for node determination in a self-organizing module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
FIG. 21 is a diagram illustrating a process of constructing a DNA model by a self-organizing module of an artificial neural network model using a Neuroblock chain combination according to an embodiment of the present invention. FIG.
22 is a diagram illustrating a basic structure of a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention;
23 illustrates symbols of a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
24 is a diagram illustrating a configuration of a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
25 is a diagram showing chain learning and block learning in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
26 illustrates a self-learning process of a trained DNA model in a self-learning module of an artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention.
27 is a diagram illustrating a detailed configuration of a block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention;
28 is a diagram showing a learning concept of an accommodative block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention;
29 is a diagram illustrating a learning process of an adaptive block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention.
30 is a diagram showing a learning concept of a reactive block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention;
31 is a diagram illustrating a learning process of a reactive block learning unit in a self learning module of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention;

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.

덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . Also, to "include" an element means that it may include other elements, rather than excluding other elements, unless specifically stated otherwise.

본 발명은, 인간의 두뇌 메커니즘을 효과적으로 구현하기 위하여, 인간 뇌의 뉴런에서 이루어지는 판단이나 생각 등이 시작 뉴런과 그 시작 뉴런을 중심으로 한 주변 뉴런 사이에서 뉴런과 뉴런 간의 연결에 의해 이루어진다는 가정을 기반으로 할 수 있다. 활성화 된 뉴런을 포함하는 일정 부분을 블록, 뉴런과 뉴런 간의 연결을 체인으로 보고, 블록과 체인의 조합 즉, 뉴로블록체인 콤비네이션을 통해 인간의 두뇌에서 미션을 자가 조직하고 모델을 자가 구성하여 해결하는 과정을 구현할 수 있다.
The present invention is based on the assumption that, in order to effectively implement the human brain mechanism, the judgment or thought in the neurons of the human brain is made by the connection between neurons and neurons between the start neurons and surrounding neurons around the start neurons . A certain part of the activated neuron is referred to as a block, a chain between neurons and neurons is represented as a chain, and a combination of blocks and chains, that is, a combination of neuroblock chains, self-organizes the mission in the human brain and self- Process can be implemented.

본 발명에서는, 이와 같은 뉴로블록체인 콤비네이션을 이용하여, 딥 러닝 기반의 자가 적응 학습을 통한 인공지능 플랫폼 시스템을 구현하고 이를 활용할 수 있다. 즉, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, 인간의 옆에서 인간과 더불어 지내면서(로봇이나 차량 등 스스로 움직일 수 있는 형태) 또는 인간 곁에서(인간 몸에 부착하거나 가지고 다닐 수 있는 물건 등의 형태) 인간의 생활이나 행동이나 사고를 모방하거나 학습하는 것, 또한 인간에게 주어지거나 맡겨진 임무 등을 수행하면서 주어진 상황이나 행동 등을 실시간으로 학습하는 것, 이렇게 해서 인간이 수행해야 될 임무(미션)를 인간의 옆에서 실시간으로 지속적으로 보조하거나 지원하는 분야 등에 효과적으로 활용될 수 있다.
In the present invention, an artificial intelligent platform system using self-adaptive learning based on deep learning can be implemented and utilized by using the neuroblock chain combination. That is, an artificial intelligent platform system using a self-adaptive learning technique based on deep learning according to an embodiment of the present invention can be applied to a human being by standing next to a human being (a form in which a robot or a vehicle can move itself) Such as the type of things that can be affixed to or carried on a human body, to imitate or learn human life, behavior, or thoughts, or to learn a given situation or behavior in real time while performing tasks assigned to or assigned to humans , And thus can be used effectively in areas where human beings are constantly assisting or supporting the missions (missions) to be performed by human beings in real time.

보다 구체적으로는, 비닐하우스에서의 농작물 재배, 가두리 양식장에서의 어류 양식, 학교에서의 학생 교육 등과 같이 기간이 일정 정도 지나야 효과가 발휘되는 분야, 심해나 우주 탐사, 산불 방지, 조류독감이나 구제역 방지, 군의 전투 등과 같이 상황이 불확실하거나 부정확한 분야, 통신망이나 네트워크상에서 상주하면서 사이버 공격이나 침해 발생 시 분석 및 학습하고 이를 기반으로 향후 발생 가능한 사이버 공격이나 침해를 예방하고 대응하는 분야 등에 적용이 가능하다.
More specifically, it can be applied to fields where crops are cultivated in greenhouses, fish cultures in cage farms, student education in schools, etc., in which a period of time elapses, effects such as deep sea exploration, wildfire prevention, avian influenza and foot- It is possible to analyze and learn in case of cyber attack or infringement while resident on uncertain or inaccurate field, network or network such as military battle, etc., and apply it to the field to prevent and respond to future cyber attack or infringement based on it Do.

본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, 기존의 인공지능과 같이 특정 목적을 위해 개발된 알고리즘과 그 특정 목적과 관련된 빅데이터를 이용해 인간에 의해 사전에 연구실 등에서만 학습한 후 현장이나 실전에 투입시키는 방식이 아닌, 빅데이터가 없어도 가능할 정도의 간단한 사전 학습을 시킨 후 현장에 투입하여, 보조(지원)해야 될 인간의 옆에서 같이 임무를 수행하면서 지속적으로 실시간으로 학습할 수 있다.
The artificial intelligence platform system using deep learning based self-adaptive learning technology according to an embodiment of the present invention can be applied to an algorithm developed by a human being using a big data related to an algorithm developed for a specific purpose, such as existing artificial intelligence, After studying only in the laboratory beforehand, it is not a method of putting it in the field or practice but a simple preliminary learning that is possible even without the big data, and then putting it into the field and performing the task next to the human being to be assisted And can continuously learn in real time.

도 1은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템의 전체 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, 전처리기(10), 자가 적응 학습 엔진(20) 및 이펙터(30)를 포함하여 구성될 수 있다.
1 is a diagram illustrating an overall configuration of an artificial intelligent platform system using a deep learning-based self-adaptive learning technique according to an embodiment of the present invention. 1, an artificial intelligent platform system using a deep learning-based self-adaptive learning technology according to an embodiment of the present invention includes a preprocessor 10, a self-adaptive learning engine 20, and an effector 30, As shown in FIG.

즉, 본 발명에서는, 구조화된 데이터 및 비구조화된 데이터를 전처리기(10)에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진(20)에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터(30)를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.
That is, in the present invention, the structured data and the unstructured data are processed in the preprocessor 10 to derive the elements, the self-adaptive learning engine 20 can perform the self-adaptive learning using the elements, It is possible to modularly provide a system capable of understanding and scheduling the situation, making decisions and estimating, recommending and handling situations, including the utilizing effector 30, and can provide a system tailored to various situations .

이하에서는, 도 1을 참조하여, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템을 구성하는 각 구성요소에 대하여 상세히 설명하도록 한다.
Hereinafter, with reference to FIG. 1, each element constituting the artificial intelligent platform system using the deep learning-based self-adaptive learning technique according to an embodiment of the present invention will be described in detail.

전처리기(10)는, 입력 데이터를 처리하여 요소(Elements)를 도출할 수 있다. 즉, 전처리기(10)는 구조화된 데이터 및 비구조화된 데이터를 포함하는 입력 데이터로부터 추후 상세히 설명할 자가 적응 학습 엔진(20)의 입력 정보인 요소를 도출할 수 있다. 전처리기(10)는, 텍스트 변환 모듈(11), 정보 추출 모듈(12) 및 요소 도출 모듈(13)을 포함하여 구성될 수 있다.
The preprocessor 10 may process input data to derive elements. That is, the preprocessor 10 can derive an element, which is input information of the adaptive learning engine 20, to be described later in detail from input data including structured data and unstructured data. The preprocessor 10 may include a text conversion module 11, an information extraction module 12, and an element derivation module 13.

텍스트 변환 모듈(11)은, 입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다(Text Conversion). 특히, 텍스트 변환 모듈(11)은, 이미지, 영상, 음성을 포함하는 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다.
The text conversion module 11 can convert unstructured data except text into text data in the input data (Text Conversion). In particular, the text conversion module 11 may convert unstructured data, excluding text including images, images, and sounds, into text data.

정보 추출 모듈(12)은, 텍스트 변환 모듈(11)에서 변환된 텍스트 데이터로부터 정보를 추출할 수 있다(Information Extraction). 또한, 정보 추출 모듈(12)은, 텍스트 변환 모듈(11)에서의 변환 대상이 아닌, 텍스트 형태의 입력 데이터로부터도 필요한 정보를 추출할 수 있다.
The information extraction module 12 can extract information from the text data converted by the text conversion module 11 (Information Extraction). Further, the information extraction module 12 can extract necessary information from the input data of the text form instead of the conversion object of the text conversion module 11.

요소 도출 모듈(13)은, 추출된 정보로부터 자가 적응 학습 엔진(20)에 입력될 요소를 도출할 수 있다(Element Identification & Elicitation).
The element derivation module 13 can derive an element to be input to the self-adaptive learning engine 20 from the extracted information (Element Identification & Elicitation).

자가 적응 학습 엔진(20)은, 전처리기(10)에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 자가 구성된 DNA 모델을 학습시킬 수 있다. 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진(20)을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다. 도 1에 도시된 바와 같이, 자가 적응 학습 엔진(20)은, 자가 조직 모듈(100), 자가 구성 모듈(200) 및 자가 학습 모듈(300)을 포함하여 구성될 수 있다.
The self-adaptive learning engine 20 self-organizes a DNA mission using the elements derived from the preprocessor 10 and generates a deeplaning-based artificial neural network DNA model (DNA Model) self-organizing and self-organizing DNA models. The present invention includes a self-adaptive learning engine (20) that self-organizes a DNA mission and self-configures a DNA model by combining a self-adaptive technology and a deep learning-based learning technology, You can effectively implement the human brain mechanism to model and solve the situation. 1, the self-adaptive learning engine 20 may include a self-organizing module 100, a self-organizing module 200, and a self-learning module 300. The self-

자가 조직 모듈(100)은, 전처리기(10)에서 도출된 요소를 이용하여 DNA 미션을 자가 조직할 수 있다(Self-Organization of DNA Mission). 보다 구체적으로는, 자가 조직 모듈(100)은, 시간의 흐름에 따라 입력되는 요소와 미리 정의된 조직의 미션 내 요소를 비교 및 평가하여, 시간의 흐름에 따라 변화하는 DNA 미션을 스스로 조직해서 생성할 수 있다. 여기에서, 미션은 미리 정의된 조직의 미션이고, DNA 미션은 본 발명의 자가 조직 모듈(100)이 자가 조직하는 미션으로 서로 상이하다.
The self organizing module 100 can self-organize DNA missions using the elements derived from the preprocessor 10 (Self-Organization of DNA Mission). More specifically, the self organizing module 100 compares and evaluates the elements input in accordance with the passage of time with the elements in the mission of the predefined organization, and organizes the DNA missions, which change according to the passage of time, can do. Here, the mission is a predefined mission of the organization, and the DNA mission is different from the mission of the self-organizing module 100 of the present invention.

한편, 자가 조직 모듈(100)이 조직하는 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 자가 조직 모듈(100)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 조직의 블록과 체인을 조합하여 DNA 미션을 조직할 수 있다. 또한, 실시예에 따라서는, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다.
Meanwhile, the DNA mission organized by the self organizing module 100 may be a combination of Blocks of Organization and Chains. That is, the self organizing module 100 can organize a DNA mission by combining blocks and chains of an organization using a neuroblock chain combination technique. Further, depending on the embodiment, the DNA mission may include a special DNA mission consisting of a combination of chains.

또한, DNA 미션은, 미션 모듈의 합으로 구성될 수 있으며, 미션 모듈은 전처리기(10)로부터 전달받은 요소와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 이때, 조직 구성원의 포지션은 미리 정해질 수 있다.
In addition, the DNA mission may consist of a sum of mission modules, and the mission module may be a function of the elements received from the preprocessor 10 and the Positions of Organization. At this time, the position of the organization member can be predetermined.

본 발명에서는, 구현된 인공지능 플랫폼 시스템이 인간의 임무(미션)를 지원하도록 하기 위하여, 인간이 속해있는 조직(학교, 가정, 정부, 기관, 기업, 전투부대 등), 조직 내에서 미션을 수행하는 구성원, 및 그 구성원이 속해있거나 위치해있는 구성원의 포지션(위치 또는 직위)을 고려할 수 있다. 이러한 조직은 보통 계층형 트리 구조의 형태를 띠고 있으며, 계층형 트리 구조에서는 노드와 노드 간 연결(즉, 조직 구성원의 포지션과 포지션 간 연결(체인))이 되어 있고, 이를 조직 전체로 확장해보면 일정 트리 구조(블록)로 구성된 그룹(조직 내 부서)간의 연결 즉, 체인으로 볼 수 있다.
In the present invention, in order to support the human mission, the implemented artificial intelligence platform system performs a mission in an organization (a school, a home, a government, an institution, a corporation, a combat unit, etc.) (Position or position) of the member to which the member belongs, and the member to which the member belongs or is located. These organizations are usually in the form of a hierarchical tree structure. In the hierarchical tree structure, there is a connection between nodes and nodes (that is, a link between a position and a position of an organization member (chain)). It can be seen as a chain, or chain, between the groups (departments in the organization) that consist of tree structures (blocks).

따라서, 자가 조직 모듈(100)에서 뉴로블록체인 콤비네이션 기술을 이용할 때, 체인이란 조직 구성원의 포지션과 포지션 간 연결 그리고 일정한 조직 구성원을 가진 조직 내 그룹들 간 연결이고, 조직의 블록이란 일정한 조직 구성원의 포지션과 포지션이 서로 연결되어 모여 있는 그룹으로 하나의 조직이 하나의 블록으로 구성되거나 또는 하나의 조직이 여러 개의 블록으로 구성될 수 있다.
Thus, when using the neuroblock chain combination technique in the self organizing module 100, a chain is a link between position and position of an organization member and a link between groups within an organization having a certain organizational member. A group in which positions and positions are connected to each other, one organization may be composed of one block, or one organization may be composed of several blocks.

예를 들어, 학교가 조직(Organization)이고, 학교 내 인원들(교장, 교감, 교사, 학생 등)이 조직의 구성원이 되고, 교장, 교사, 학생 등은 조직 구성원의 포지션(위치나 직위)이 될 수 있다. 그리고, 학교라는 조직의 교장, 교감, 교사 등에게 주어진 미션은 학생들을 가르치는 것이고, 학생들에게 주어진 미션은 배우는 것일 수 있다. 이와 같이 가르치거나 배우는 미션은 교장, 교감, 교사, 학생들이 연결되는 체인으로 구성될 수 있다.
For example, the school is an organization, the people in the school (principals, vice-principals, teachers, students, etc.) become members of the organization, and the principal, teachers, . And, the mission given to the principal, the vice-principal, and the teachers of the school organization is to teach students, and the missions given to students may be to learn. The mission to teach or learn in this way can consist of a chain of principals, sympathizers, teachers, and students.

또한, 위와 같은 예에서, 학교에 교장실, 교무실 및 3개의 학급이 있고, 이들 각각이 미션의 수행을 위해 서로 다른 하위 임무를 가지고 구성되어 있다면, 이 조직의 블록은 5개가 될 수 있다. 다만, 학교를 하나의 임무를 수행하는 조직으로만 간주한다면 1개의 블록으로만 구성될 수도 있다.
Also, in the above example, if the school has a principal's office, an office room, and three classes, each of which has different sub-tasks for the performance of the mission, the organization's block can be five. However, if the school is regarded only as an organization performing a single task, it may consist of only one block.

한편, 위와 같이 5개의 블록으로 구성된 조직에서는 각 블록이 서로 연결되어 있는 체인이 만들어질 수 있다. 즉, 교장실의 교장과 교무실의 각 과목별 교사, 3개 학급의 반장이 서로 연결되는 체인을 가질 수 있다.
On the other hand, in the above-described five-block organization, a chain in which the blocks are connected to each other can be created. That is, the principal of the principal's office, the teacher of each subject in the school office, and the class leader of three classes can have a chain linking each other.

도 2는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 조직 모듈(100)에서 DNA 미션을 자가 조직하는 방법을 예를 들어 도시한 도면이다. 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 엔진(20)의 자가 조직 모듈(100)은, 도 2에 도시된 바와 같은 조직의 블록(Block i, Block j, Block k 등)과 체인(Chain l, Chain m, Chain n 등)을 조합하여 DNA 미션을 구성할 수 있다. 구성된 DNA 미션은 요소와 조직 구성원의 포지션의 함수인 미션 모듈의 합으로 표현될 수 있다.
2 is a diagram illustrating a method of self-organizing a DNA mission in the self organizing module 100 using a Neuroblock chain combination according to an embodiment of the present invention. The self-organizing module 100 of the deep learning-based self-adaptive learning engine 20 according to an embodiment of the present invention includes an organization block (Block i, Block j, Block k, etc.) A DNA mission can be constructed by combining chains (Chain l, Chain m, Chain n, etc.). A composed DNA mission can be represented by the sum of mission modules, which are a function of the position of elements and tissue members.

또한, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다. 즉, 실시예에 따라서는, 조직의 블록 없이 체인들만의 조합으로 DNA 미션을 구성할 수도 있다.
In addition, a DNA mission may include a special DNA mission consisting of a combination of chains. That is, depending on the embodiment, a DNA mission may be configured by a combination of only chains without an organization block.

본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 세부적인 구성에 대해서는 추후 도 6 내지 도 12를 참조하여 상세히 설명하도록 한다.
Detailed configuration of the mission self-organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention will be described in detail later with reference to FIG. 6 to FIG.

자가 구성 모듈(200)은, 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공신경망 DNA 모델을 자가 구성할 수 있다(Self-Composition of DNA Model). 즉, 자가 구성 모듈(200)은, 자가 조직 모듈(100)로부터 DNA 미션을 전달받아, 딥 러닝 기반으로 학습할 수 있는 인공신경망 DNA 모델을 스스로 구성해서 만들 수 있다. 자가 구성 모듈(200)에 의해 자가 구성되는 DNA 모델은, 시간의 흐름에 따라 입력되는 요소에 의해 자가 조직된 DNA 미션을 이용해 구성되기 때문에, 입력 데이터에 따라 유연하게 변화하는 모델일 수 있다.
The self-organizing module 200 can self-organize deep-run based artificial neural network DNA models using self-organized DNA missions (Self-Composition of DNA Model). That is, the self-organizing module 200 can construct the artificial neural network DNA model that can receive the DNA mission from the self organizing module 100 and learn on a deep learning basis. The DNA model self-organized by the self-organizing module 200 can be a model that flexibly changes according to input data because it is constructed using a DNA mission that is self-organized by elements input in the course of time.

DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 자가 구성 모듈(200)은, 뉴로블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 기능의 블록과 체인을 조합하여 DNA 모델을 조직할 수 있다.
The DNA model can be a combination of functional blocks (Blocks of Function) and chains. That is, the self-organizing module 200 can organize a DNA model by combining functional blocks and chains using Neuroblock Chain Combination technology.

또한, 자가 구성 모듈(200)은, 기능적 하위 모델(Functional Submodel)의 합으로 구성되는 DNA 모델을 자가 구성할 수 있다.
In addition, the self-organizing module 200 can self-constitute a DNA model composed of a sum of functional submodels.

여기에서, 기능 블록은, 인간 뇌의 상황 판단 방식을 모방하여 인공신경망 모델에서 학습이 가능하도록 하는 상황에 대한 기능별 집합으로서, DNA 미션에서의 하나의 조직의 블록은 DNA 모델에서 하나의 기능 블록으로 구성될 수 있다. 단순한 상황은 인간이 한 번의 생각만으로도 판단이 가능하겠지만, 복잡한 상황은 한 번의 생각이 아니라 여러 번의 생각에 의해 판단이 가능하다는 가정을 할 수 있다. 미션을 해결하기 위한 모델을 구성하는 과정에서는, 이와 같은 개념을 이용하여, 복잡한 상황을 기능별로 구분하고 판단을 위해 그룹화하는 방식으로 기능 블록과 체인을 조합하여 DNA 모델을 자가 조직할 수 있다.
Here, the function block is a function-specific set of situations in which the learning is possible in the artificial neural network model by imitating the situation judgment method of the human brain, and a block of one organization in the DNA mission is a function block in the DNA model Lt; / RTI > A simple situation can be judged by a single thought, but it can be assumed that a complex situation can be judged by multiple thoughts rather than a single thought. In the process of constructing a model for solving missions, a DNA model can be self-organized by combining functional blocks and chains in such a manner that complex situations are classified by function and grouped for judgment by using such a concept.

전술한 바와 같은 학교의 예에서, 교장실, 교무실, 및 3개의 학급이 서로 다른 하위 임무를 가지고 있으면 조직의 블록은 5개가 되는데, 학교의 최종 목표인 가르치고 배우는 미션의 수행을 위해 5개의 조직의 블록이 각각의 기능별로 하위 임무를 맡아 5개의 기능 블록으로 변환될 수 있다.
In the example of the school as described above, if the principal's office, the office, and the three classes have different sub-duties, the organization's blocks will be five, and the final goal of the school will be a block of five organizations Can be converted into five functional blocks with sub-tasks for each function.

도 3은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용하여, 자가 구성 모듈(200)에서 DNA 모델을 자가 구성하는 방법을 예를 들어 도시한 도면이다. 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 엔진(20)의 자가 구성 모듈(200)은, 도 3에 도시된 바와 같은, 기능 블록(Block)과 체인(Chain)들을 뉴로블록체인 콤비네이션 기술을 통해 조합하여 기능적 하위 모델(Functional Submodel i, Functional Submodel j, Functional Submodel k, Functional Submodel m, Functional Submodel n 등)을 구성하고, 기능적 하위 모델의 합으로 DNA 모델을 구성할 수 있다.
3 is a diagram illustrating a method of self-configuring a DNA model in the self-organizing module 200 using a Neuroblock chain combination according to an embodiment of the present invention. The self-organizing module 200 of the deep learning-based self-adaptive learning engine 20 according to an embodiment of the present invention includes functional blocks and chains as shown in FIG. 3, Functional Submodel i, Functional Submodel j, Functional Submodel m, Functional Submodel m, and Functional Submodel n) can be constructed by combining with the combination technique, and a DNA model can be constructed by summing up functional submodels.

본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 구성 모듈(200)의 세부적인 구성에 대해서는 추후 도 13 내지 도 21을 참조하여 상세히 설명하도록 한다.
The detailed configuration of the mission self-configuration module 200 using the neuroblock chain combination according to an embodiment of the present invention will be described in detail later with reference to FIG. 13 to FIG.

자가 학습 모듈(300)은, 자가 구성된 DNA 모델을 자가 학습할 수 있다(Self-Learning of DNA Model). 즉, 자가 학습 모듈(300)은, 자가 구성 모듈(200)에서 구성된 DNA 모델을 학습시키는 구성으로서, 인공 신경망 기술을 통해 학습을 할 수 있으며, 학습 결과를 이펙터(30)에 전달할 수 있다.
The self-learning module 300 can self-learn a self-constructed DNA model (Self-Learning of DNA Model). That is, the self-learning module 300 can learn the DNA model configured in the self-organizing module 200, and can transmit the learning result to the effector 30 through the artificial neural network technology.

본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 학습 모듈(300)의 세부적인 구성에 대해서는 추후 도 22 내지 도 31을 참조하여 상세히 설명하도록 한다.
Detailed configuration of the mission self-learning module 300 using the neuro-block chain combination according to an embodiment of the present invention will be described in detail later with reference to FIG. 22 to FIG.

이펙터(30)는, 이해 및 스케줄링 모듈(31), 판단 및 예측 모듈(32), 및 추천 및 조치 모듈(33)을 통해 자가 적응 학습 엔진(20)의 학습 결과에 따른 기능을 수행할 수 있다. 도 1에 도시된 바와 같이, 이펙터(30)는 이해 및 스케줄링 모듈(31), 판단 및 예측 모듈(32), 추천 및 조치 모듈(33)을 포함하여 구성될 수 있으며, 각 모듈이 공통 소프트웨어가 될 수 있다. 본 발명에서는 이펙터(30)의 구조적인 측면에 대하여 설명하도록 한다.
The effector 30 can perform functions according to the learning results of the self adaptive learning engine 20 through the understanding and scheduling module 31, the judgment and prediction module 32, and the recommendation and action module 33 . 1, the effector 30 may comprise an understanding and scheduling module 31, a judgment and prediction module 32, a recommendation and action module 33, . In the present invention, the structural aspects of the effector 30 will be described.

이해 및 스케줄링 모듈(31)은, 주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공할 수 있다(Understanding & Scheduling).
The understanding and scheduling module 31 can provide scheduling to the decision maker using the understanding of the situation or the understanding of the intention and the understanding of the situation or the result of the intention recognition (Understanding & Scheduling).

판단 및 예측 모듈(32)은, 주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공할 수 있다(Decision & Prediction).
The decision and prediction module 32 may provide decision and analysis results for a given situation and predict and provide possible situations (Decision & Prediction).

추천 및 조치 모듈(33)은, 분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공할 수 있다(Recommendation & Action). 이를 위해, 추천 및 조치 모듈(33)은, 판단 및 예측 모듈(32)로부터 분석 결과 및 예측 결과를 전달받을 수 있다.
The recommendation and action module 33 can use the analysis results and the prediction results to recommend decisions and provide actions accordingly (Recommendation & Action). For this, the recommendation and action module 33 may receive the analysis and prediction results from the decision and prediction module 32.

도 4는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템에서 DNA 툴(40)을 더 포함하는 구성을 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, DNA 툴(40)을 더 포함하여 구성될 수 있다.
FIG. 4 is a diagram illustrating a configuration that further includes a DNA tool 40 in an artificial intelligence platform system using a self-adaptive learning technique based on a deep learning based on an embodiment of the present invention. As shown in FIG. 4, the artificial intelligence platform system using the deep learning-based self-adaptive learning technology according to an embodiment of the present invention may further include a DNA tool 40.

DNA 툴(40)은, 전처리기(10), 자가 적응 학습 엔진(20) 및 이펙터(30)에 복수의 툴을 제공할 수 있다. 즉, DNA 툴(40)은, 전처리기(10), 자가 적응 학습 엔진(20) 및 이펙터(30)가 각각의 기능을 수행하는 데에 도움을 주는 툴을 제공할 수 있다.
The DNA tool 40 may provide a plurality of tools to the preprocessor 10, the self-adaptive learning engine 20, and the effector 30. [ That is, the DNA tool 40 may provide a tool that helps the preprocessor 10, the self-adaptive learning engine 20, and the effector 30 perform their respective functions.

보다 구체적으로는, DNA 툴(40)은, 비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool)(41), 정보를 추출하는 추출 툴(Extraction Tool)(42), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)(43)을 포함할 수 있다. 또한, 자가 조직 모듈(100), 자가 구성 모듈(200) 및 자가 학습 모듈(300)이, DNA 미션을 자가 조직, DNA 모델을 자가 구성 및 자가 학습할 수 있도록 도움을 주는 자가 적응 툴(Self-* Tool)(44)을 더 포함하여 구성될 수 있다.
More specifically, the DNA tool 40 includes a conversion tool 41 for converting unstructured data into text, an extraction tool 42 for extracting information, And a combination tool 43 for connecting blocks and chains necessary for self-organization of tissue and DNA model. The self-organizing module 100, the self-organizing module 200 and the self-learning module 300 are self-adaptive tools that help the self-organization of the DNA mission, * Tool) 44, which are not shown in FIG.

도 5는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템의 기술적인 전체 구성을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, 리소스 및 라이브러리(50), 운영체제(60), 미들웨어(70), 및 비즈니스 및 서비스(80)를 더 포함하는 복수의 레이어를 더 포함하여 구성될 수 있다.
FIG. 5 is a diagram illustrating a technical overall configuration of an artificial intelligence platform system using a self-adaptive learning technique based on deep learning according to an embodiment of the present invention. 5, an artificial intelligence platform system using deep learning-based self-adaptive learning technology according to an embodiment of the present invention includes resources and library 50, operating system 60, middleware 70, And a business and service (80).

리소스 및 라이브러리(50)는, 입력 데이터의 원천과 종류를 나타내는 계층일 수 있다(Resource & Library Layer). 입력 데이터의 출처는 기계(Machine), 조직(Organization), 사람(People)일 수 있다. 가장 많은 입력 데이터를 생산하는 출처는 기계일 수 있는데, 예를 들어, 항공기, 위성, 센서 등이 있을 수 있으며, 최근 널리 사용되고 있는 다양한 형태의 스마트 디바이스가 포함될 수 있다. 또한, 조직에서 생산되는 데이터는, 사람에 의해 생산되는 비구조화된 데이터가 아니고 구조화된 데이터를 의미할 수 있다. 사람을 출처로 하는 데이터는, 페이스북, 구글, 트위터 등 각종 소셜 미디어에서 생산되는 데이터를 포함할 수 있다.
The resource and library 50 may be a layer representing the source and type of input data (Resource & Library Layer). The source of the input data may be Machine, Organization, or People. The source that produces the most input data may be a machine, for example, an aircraft, a satellite, a sensor, etc., and may include various types of smart devices that are currently in widespread use. In addition, the data produced by the organization may refer to structured data rather than unstructured data produced by a person. Human-origin data can include data produced by various social media such as Facebook, Google, Twitter, and so on.

도 5에 도시된 바와 같이, 구조화된 데이터(Structured Data)는 주로 조직에 의해 생산되는 데이터가 저장된 전산실의 서버나 메인프레임에 관계형 데이터베이스의 테이블 형태로 들어있는 데이터를 의미할 수 있다. 또한, 비구조화된 데이터(Unstructured Data)는 기계나 사람에 의해 발생되는 이미지, 음성, 영상, 텍스트, 멀티미디어 등의 데이터일 수 있다.
As shown in FIG. 5, structured data may refer to data in a form of a relational database in a server or a mainframe of a computer room in which data produced by an organization is stored. In addition, unstructured data may be image, voice, image, text, multimedia data generated by a machine or a person.

운영체제(60)는, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템이 동작되는 운영체제의 종류를 나타내는 계층일 수 있다(OS Layer). 본 발명의 인공지능 플랫폼 시스템은 일반 운영체제와 임베디드 시스템에 주로 사용되는 실시간 운영체제(Real Time OS; RTOS)에서 모두 동작되는 시스템일 수 있다.
The operating system 60 may be a layer that indicates the type of an operating system in which an artificial intelligence platform system using a self-adaptive learning technology based on deep learning is operating (OS Layer) according to an embodiment of the present invention. The artificial intelligence platform system of the present invention may be a system operating in both a general operating system and a real time OS (RTOS) used mainly in an embedded system.

미들웨어(70)는, 운영체제(600)와 상위의 자가 적응 학습 엔진(20) 등의 계층을 연결시켜주는 소프트웨어 계층일 수 있다(Middleware Layer). 에이전트(Agent)는 애플리케이션을 운영체제 기반 위에서 동작시켜주고, Distributed는 본 발명의 인공지능 플랫폼 시스템이 분산 컴퓨팅 환경에서 사용될 수 있도록 지원하며, Communication & N/W는 본 발명의 인공지능 플랫폼 시스템이 원격이나 네트워크 환경 하에서 사용 가능하도록 지원하는 통신 및 네트워크 소프트웨어일 수 있다. 또한, Adaptation은 본 발명의 인공지능 플랫폼 시스템이 이미 개발되어 사용되고 있는 시스템에 적용 가능하도록 지원할 수 있다.
The middleware 70 may be a software layer that connects the operating system 600 and layers of the self adaptive learning engine 20 and the like (Middleware Layer). The Agent can operate the application on the basis of the operating system, and the Distributed supports the artificial intelligent platform system of the present invention to be used in the distributed computing environment, and the Communication & N enables the artificial intelligent platform system of the present invention to be remotely And may be communication and network software that is enabled to be usable in a network environment. Also, the adaptation can support the artificial intelligence platform system of the present invention so that it can be applied to a system that has already been developed and used.

비즈니스 및 서비스(80)는, 본 발명의 인공지능 플랫폼 시스템이 적용될 수 있는 비즈니스 분야와 서비스 분야를 나타내는 계층일 수 있다(Business & Service Layer). 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템은, 정부 및 기관, 산업체, 개인 모두가 비즈니스 분야에 해당되고, 경영, 국방, 과학, 금융, 의료, 항법, 전투, 재난, 로봇, 보안 등 모든 서비스 분야에 적용될 수 있다.
The business and service 80 may be a layer representing a business field and a service field to which the artificial intelligence platform system of the present invention may be applied (Business & Service Layer). The artificial intelligent platform system using the self-adaptive learning technology based on the deep learning according to an embodiment of the present invention is applicable to a business field such as government, institution, industry, and individual, and is applicable to business, defense, science, finance, , Battle, disaster, robot, security, and so on.

도 6은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 기본 구조를 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 2개의 입력과 1개의 출력으로 구성되며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
6 is a diagram illustrating a basic structure of a mission self organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention. As shown in FIG. 6, the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention includes two inputs and one output, and uses a neuroblock chain combination technique .

즉, 본 발명의 자가 조직 모듈(100)은, 미리 정의된 조직 미션과 입력 데이터에서 추출된 요소를 입력으로 하고, 블록과 체인의 콤비네이션을 이용해 자가 조직한 DNA 미션을 출력으로 할 수 있다. 따라서, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에 따르면, 다양한 데이터를 이용해 스스로 미션을 파악하여 DNA 미션을 조직할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
That is, the self organizing module 100 of the present invention can input a predefined organizational mission and elements extracted from the input data, and output a self-organized DNA mission using a combination of a block and a chain. Therefore, according to the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention, it is possible to organize the DNA mission by grasping the mission itself by using various data, and by using the human brain mechanism Can be effectively implemented.

도 7은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 심볼을 도시한 도면이다. 도 7에서, 파란색 사각형은 요소, 주황색 원은 포지션, 별은 특수 요소, 녹색 사각형은 미션 모듈, 하늘색 사각형은 DNA 미션을 각각 나타내며, 미션 모듈 내의 사각형은 블록을, 원은 체인을 각각 나타낸다.
FIG. 7 is a diagram illustrating symbols of a mission self-organizing module 100 using a Neuroblock chain combination according to an embodiment of the present invention. In FIG. 7, the blue square represents an element, the orange circle represents a position, the star represents a special element, the green square represents a mission module, and the light blue square represents a DNA mission, while a square in a mission module represents a block and a circle represents a chain.

도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서는, 하단의 화살표 방향으로 시간이 진행됨에 따라 뉴로블록체인의 활성화 조건이 충족되면, 우측 말단의 녹색 사각형인 미션 모듈과 하늘색 사각형인 DNA 미션이 만들어질 수 있다. 따라서 시간의 흐름에 따라 요소와 조직 구성원의 포지션의 함수, 블록과 체인의 콤비네이션에 따라 미션 모듈과 DNA 미션이 스스로 조직될 수 있다.
As shown in FIG. 7, in the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention, as the time progresses in the direction of the lower arrow, the activation condition of the neuroblock chain is satisfied , The green square of the right-hand end of the mission module and the blue square of the DNA mission can be created. Thus, as time passes, the function of the element and the position of the organization member, and the combination of the block and the chain, the mission module and the DNA mission can be organized themselves.

도 8은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 구성을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 블록체인 비교부(110), 블록체인 활성화부(120) 및 포지션 식별부(130)를 포함하여 구성될 수 있다.
FIG. 8 is a diagram illustrating a configuration of a mission self organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention. 8, the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention includes a block chain comparing unit 110, a block chain activating unit 120, (130). &Lt; / RTI >

도 9는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 개념을 도식화한 도면이다. 이하에서는, 도 8 및 도 9를 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)을 구성하는 각 구성요소에 대하여 상세히 설명하도록 한다.
9 is a diagram illustrating the concept of a mission self organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention. Hereinafter, with reference to FIG. 8 and FIG. 9, each component constituting the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention will be described in detail.

블록체인 비교부(110)는, 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수로 미리 정의된 조직 미션과, 입력 데이터에서 추출된 요소를 이용해 자가 조직 중인 DNA 미션을 상호 비교할 수 있다. 보다 구체적으로는, 블록체인 비교부(110)는, 입력 데이터에서 추출된 요소(Elements)와 조직 미션을 구성하는 조직 구성원의 포지션(Positions of Organization)의 요소를 상호 비교할 수 있다.
The block chain comparison unit 110 can compare the organizational missions predefined as a function of the elements and Positions of Organization and the DNA missions in self organization using the elements extracted from the input data have. More specifically, the block-chain comparison unit 110 can compare the elements extracted from the input data with the elements of the Positions of Organization that make up the organizational mission.

여기에서, 조직 미션은 관리자, 조직 등에 의해 미리 정의된 임무일 수 있으며, DNA 미션은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)이 자가 조직한 임무일 수 있다. DNA 미션은 미션 모듈의 합이며, 미션 모듈은 요소와 조직 구성원의 포지션의 함수일 수 있다. 또한, DNA 미션은, 블록과 체인의 콤비네이션으로 구성될 수 있다. 실시예에 따라서는, 특정 조직에 속하지 않는 포지션의 연결로만 구성된 특수 DNA 미션(Special DNA Mission)도 있을 수 있다.
Here, the organizational mission may be a predefined mission by an administrator, an organization, and the DNA mission may be a self-organized mission of the mission self-organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention. . The DNA mission is the sum of the mission modules, and the mission module can be a function of the position of the elements and tissue members. In addition, the DNA mission can consist of a combination of blocks and chains. Depending on the embodiment, there may be a special DNA mission consisting of only connections of positions not belonging to a specific tissue.

블록체인 활성화부(120)는, 블록체인 비교부(110)의 비교 결과를 이용하여, 입력 데이터에서 추출된 요소를 이용해 체인 및 블록을 구성하며, 구성된 블록과 체인의 콤비네이션인 미션 모듈 및 미션 모듈의 합인 DNA 미션을 조직하고 활성화할 수 있다.
The block-chain activating unit 120 constructs chains and blocks using the elements extracted from the input data, using the comparison result of the block-chain comparing unit 110, and generates a combination of a mission module and a mission module, Can be organized and activated.

즉, 블록체인 활성화부(120)가 포지션의 활성화 조건이 충족되면 해당 포지션을 활성화 시킬 수 있고, 미션 모듈이나 DNA 미션의 활성화 조건이 충족되면 해당 미션 모듈 또는 DNA 미션을 활성화시킬 수 있다. 입력 데이터에서 추출된 요소는 시간이 지남에 따라 단일 요소 또는 복수의 요소가 순차적으로 또는 무작위로 입력되므로, 미리 정의되어 있는 포지션과 미션 모듈의 활성화 조건에 따라 가변적으로 활성화될 수 있다.
That is, if the block chain activating unit 120 satisfies the activation condition of the position, the corresponding position can be activated, and if the activation condition of the mission module or DNA mission is satisfied, the corresponding mission module or DNA mission can be activated. Elements extracted from the input data can be variably activated according to predefined positions and activation conditions of the mission module since a single element or a plurality of elements are sequentially or randomly input over time.

블록체인 활성화부(120)의 세부적인 구성에 대해서는, 추후 도 10을 참조하여 상세히 설명하도록 한다.
The detailed structure of the block chain activating unit 120 will be described in detail later with reference to FIG.

포지션 식별부(130)는, 입력 데이터에서 추출된 요소 중에서 조직 미션에 포함된 요소와 대응되지 않는 특수 요소(Special Element)와 연결되는 포지션을 식별할 수 있다. 즉, 입력 데이터에서 추출된 요소가 미리 정의되어 있는 포지션의 요소와 대응되지 않는 경우에는, 포지션 식별부(130)가 그 요소가 속하게 될 미션 모듈 및 포지션을 결정하고, 블록체인 활성화부(120)가 결정된 미션 모듈 및 포지션에 대한 특수 요소의 형태로 체인을 형성할 수 있다. 따라서 DNA 미션은 상황의 변화에 따라 포지션, 미션 모듈 및 미션이 스스로 조직되는, 신축성 있는 유연한 구조를 가질 수 있다.
The position identifying unit 130 may identify a position among the elements extracted from the input data and associated with a special element that does not correspond to an element included in the organizational mission. That is, when the element extracted from the input data does not correspond to the element of the predefined position, the position identification unit 130 determines the mission module and the position to which the element belongs, May form chains in the form of special elements for the determined mission module and position. Thus, a DNA mission can have a flexible, flexible structure in which positions, mission modules and missions are organized by themselves as circumstances change.

도 10은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, 블록체인 활성화부(120)의 세부적인 구성을 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)의 블록체인 활성화부(120)는, 포지션 활성화부(121), 체인 생성부(122), 블록 구축부(123), 미션 모듈 활성화부(124) 및 미션 조직부(125)를 포함하여 구성될 수 있다.
10 is a diagram illustrating a detailed configuration of the block chain activation unit 120 in the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention. 10, the block chain activation unit 120 of the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention includes a position activation unit 121, A block construction unit 123, a mission module activating unit 124, and a mission organization unit 125. [0033]

도 11 및 도 12는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, DNA 미션을 자가 조직하는 세부적인 과정을 예를 들어 도시한 도면이다. 이하에서는, 도 10 내지 도 12를 참조하여, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)에서, 블록체인 활성화부(120)의 각 구성요소가 블록체인 비교부(110) 및 포지션 식별부(130)와 상호작용을 하면서 DNA 미션을 자가 조직하는 과정을 상세히 설명하도록 한다.
FIG. 11 and FIG. 12 illustrate a detailed process of self-organizing a DNA mission in the mission self organizing module 100 using a neuroblock chain combination according to an embodiment of the present invention. 10 to 12, in the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention, when each component of the block chain activating part 120 is a block chain The process of self-organization of the DNA mission while interacting with the comparison unit 110 and the position identification unit 130 will be described in detail.

포지션 활성화부(121)는, 블록체인 비교부(110)의 비교 결과를 이용하여 입력 데이터에서 추출된 요소 즉, 전처리부(10)에서 전달받은 요소와 매칭되는 포지션을 연결시키고, 활성화 조건을 만족하는 포지션을 활성화할 수 있다. 블록체인 비교부(110)가, 도 11의 왼쪽 두 번째 하단 박스의 “1단계”와 같이, 첫 번째 박스에 도시된 바와 같은 미리 정의된 조직 미션(“Predefined Mission”)과의 비교를 통해, 입력 데이터에서 추출된 요소를 포지션에 연결할 수 있다.
The position activating unit 121 connects the elements extracted from the input data, that is, the positions matched with the elements received from the preprocessing unit 10, using the comparison result of the block chain comparing unit 110, Can be activated. The block-chain comparison unit 110 compares the predefined Mission ("Predefined Mission") as shown in the first box, such as "Step 1" of the lower left box of FIG. 11, An element extracted from the input data can be connected to a position.

또한, 포지션 활성화부(121)는, 입력 데이터에서 추출된 요소가 시간의 흐름에 따라 입력됨에 따라, 포지션의 활성화 조건의 만족 여부를 판단할 수 있다. 여기에서, 활성화 조건은, 포지션에 따라 서로 상이할 수 있으며, 포지션에 연결되는 요소의 수일 수 있다. 예를 들어, 포지션 A의 활성화 조건은 5개 이상의 요소가 연결되는 것일 수 있다.
In addition, the position activating unit 121 can determine whether the activation condition of the position is satisfied by inputting the elements extracted from the input data according to the passage of time. Here, the activation conditions may be different from each other depending on the position, and may be the number of elements connected to the position. For example, the activation condition of position A may be that five or more elements are connected.

한편, 포지션 활성화부(121)는, 포지션 식별부(130)에서 식별된 포지션에 특수 요소를 연결할 수 있다. 즉, 도 11에 도시된 “4단계”에서 특수 요소(Special Elements)가 특정 포지션에 연결되는 것과 같이, 미리 정의된 조직 미션에는 없는 특수 요소가 연결될 수 있다.
On the other hand, the position activating unit 121 may connect the special element to the position identified by the position identifying unit 130. That is, in the " fourth step " shown in FIG. 11, special elements that are not included in the predefined organizational missions can be connected, such as special elements are linked to specific positions.

체인 생성부(122)는, 포지션 활성화부(121)에 의해 활성화 된 포지션과 연결되어 있는 포지션을 연속적으로 연결시켜, 복수의 포지션을 상호 연결하는 체인을 생성할 수 있다. 즉, 도 11에 도시된 “2단계”와 같이, 체인 생성부(122)는, 미리 정의된 조직 미션에서 정의되어 있는 포지션들을 찾아서, 입력 데이터에서 추출된 요소가 연결된 4개의 포지션과 연결되어 있는 포지션들을 연속적으로 연결하여 체인을 구성할 수 있다. 이와 같은 체인 생성부(122)를 통해, 미리 정의된 조직 미션의 모든 포지션들을 연결하는 체인이 자동으로 형성될 수 있다.
The chain generating unit 122 may continuously connect the positions connected to the positions activated by the position activating unit 121 to generate a chain that interconnects a plurality of positions. 11, the chain generation unit 122 searches the positions defined in the predefined organizational mission and determines whether the elements extracted from the input data are connected to the four positions to which the extracted elements are connected The chain can be composed by connecting the positions continuously. Through this chain generation unit 122, a chain connecting all the positions of the predefined organizational mission can be automatically formed.

블록 구축부(123)는, 체인 생성부(122)에서 생성된 체인을 구성하는 포지션을 포함하는 블록을 구축할 수 있다. 즉, 도 11에 도시된 “3단계”와 같이, 블록 구축부(123)가 체인의 포지션을 포함하는 블록을 자동으로 구축할 수 있다. 이와 같이 구축되는 블록과 체인의 콤비네이션이 미션 모듈이 될 수 있다.
The block construction unit 123 can construct a block including a position constituting the chain generated by the chain generation unit 122. [ That is, as shown in the " third step " shown in FIG. 11, the block construction unit 123 can automatically construct a block including a position of a chain. A combination of blocks and chains constructed in this way can be a mission module.

한편, 입력 데이터에서 추출된 요소들이 시간의 흐름에 따라 추가적으로 입력되며, 도 11에 도시된 “4단계”와 같이, 입력되는 특수 요소를 포함하는 여러 요소들이 포지션에 연결될 수 있다.
On the other hand, the elements extracted from the input data are additionally input in accordance with the passage of time, and various elements including the input special element may be connected to the position, such as " Step 4 "

미션 모듈 활성화부(124)는, 구축된 블록에 포함된 포지션에 대하여, 조직 미션에 따라 정해진 조건이 충족되면, 미션 모듈을 활성화할 수 있다. 보다 구체적으로는, 미션 모듈 활성화부(124)는, 블록에 포함된 포지션에 대하여, 조직 미션에 따라, 해당 포지션에 연결된 요소와 대응되는 입력 데이터에서 추출된 요소가 모두 연결되면 미션 모듈을 활성화할 수 있다.
The mission module activating unit 124 can activate the mission module when the condition determined according to the organizational mission is satisfied with respect to the position included in the constructed block. More specifically, the mission module activating unit 124 activates the mission module when all the elements extracted from the input data corresponding to the element connected to the position are connected according to the organizational mission, with respect to the position included in the block .

즉, 도 11에 도시된 “4단계”와 같이, 미리 정해진 조직 미션과의 비교를 통해, 블록 내의 포지션들이 포함하고 있는 요소가 모두 연결되면, 녹색으로 미션 모듈이 활성화될 수 있다. 또한, 도 12에 도시된 “5단계” 및 “6단계”와 같이, 입력 데이터에서 추출된 요소들이 지속적으로 입력되면서, 블록 내의 포지션에 연결된 요소들이 연결되어 채워지게 되며, 미리 정해진 조직 미션에 정의된 미션 모듈이 구축될 수 있다. 경우에 따라, 특수 요소가 해당 포지션에 연결될 수도 있다.
That is, when all the elements included in the positions in the block are connected through the comparison with the predetermined organizational mission, as shown in the " fourth step " shown in FIG. 11, the mission module can be activated in green. In addition, as elements extracted from the input data are continuously inputted as shown in " 5th step " and " 6th step " shown in Fig. 12, the elements connected to the positions in the block are connected and filled, Mission modules can be built. In some cases, special elements may be linked to the position.

미션 조직부(125)는, 조직 미션의 미션 모듈에 대응하는 모든 미션 모듈이 활성화되면, DNA 미션을 조직할 수 있다. 즉, 시간의 흐름에 따라 미리 정해진 조직 미션의 모든 미션 모듈이 구축되어 완성되면, DNA 미션이 조직될 수 있다. 즉, 도 12에 도시된 “7단계”와 같이, 모든 미션 모듈이 녹색으로 활성화되면 DNA 미션이 조직될 수 있다.
The mission organization unit 125 can organize a DNA mission when all the mission modules corresponding to the mission modules of the organizational mission are activated. That is, if all the mission modules of the predetermined mission mission are built and completed according to the passage of time, the DNA mission can be organized. Namely, as in the " 7th step " shown in FIG. 12, if all the mission modules are activated in green, a DNA mission can be organized.

이와 같이, DNA 미션은 미리 정해진 조직 미션과 유사한 형태로 조직될 수 있다. 그러나 상황의 변화에 따라 정의되어 있는 요소가 입력되지 않을 수 있고, 특수 요소와 같이 미리 정의되어 있지 않은 요소가 입력될 수도 있기 때문에, 자가 조직된 DNA 미션의 구조는 조직 미션과 상이할 수 있다. 따라서 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 미션의 자가 조직 모듈(100)은, 시간의 흐름이나 상황 변화에 따라 가변적으로 변하는 구조의 DNA 미션을 자가 조직할 수 있다.
As such, DNA missions can be organized in a similar fashion to predefined organizational missions. However, the structure of self-organized DNA missions may be different from the mission of the organization, because elements defined according to changes in circumstances may not be input, and non-predefined elements such as special elements may be input. Therefore, the mission self organizing module 100 using the neuroblock chain combination according to an embodiment of the present invention can self organize a DNA mission having a structure that varies variably according to the time flow or the situation change.

도 13은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 기본 구조를 도시한 도면이다. 도 13에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 각각 1개의 입력 및 출력으로 구성되며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
13 is a diagram illustrating a basic structure of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. As shown in FIG. 13, the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention includes one input and one output, and a neuroblock chain combination technique Can be used.

즉, 본 발명은, 미리 정의된 조직 미션과 입력 데이터에서 추출된 요소를 이용하여 뉴로블록체인 콤비네이션을 통해 조직된 DNA 미션을 입력으로 하고, 기능적 하위 모델로 구성된 인공신경망 DNA 모델을 출력으로 할 수 있다. 따라서, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 따르면, 시간의 흐름과 상황의 변화에 따라 가변적으로 변하는 DNA 미션을 이용해, 가변적으로 변하는 인공신경망 DNA 모델을 스스로 구성할 수 있고, 이를 통해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
That is, the present invention can use the predefined organizational mission and the elements extracted from the input data to input the DNA mission organized through the neuroblock chain combination, and output the artificial neural network DNA model composed of the functional sub-model have. Therefore, according to the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, by using the DNA mission that varies according to the change of the time and the situation, The neural network DNA model can be constructed by itself, which can effectively implement the human brain mechanism.

도 14는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 심볼을 도시한 도면이다. 도 14에서, 파란색 사각형은 요소, 주황색 원은 노드, 별은 특수 요소, 회색 사각형은 은닉층(Hidden Layer), 노란색 사각형은 기능적 하위 모델(Functional Submodel), 노란색 사각형의 우측 말단에 위치한 사각형은 각 기능적 하위 모델의 출력을 각각 나타낸다.
FIG. 14 is a diagram showing symbols of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. In FIG. 14, the blue rectangle is an element, the orange circle is a node, the star is a special element, the gray rectangle is a hidden layer, the yellow rectangle is a functional submodel and the rectangle located at the right end of a yellow rectangle is a functional And the output of the lower model, respectively.

도 14에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서는, 시간의 흐름에 따라 뉴로블록체인 콤비네이션 기술을 기반으로 요소와 사고의 시퀀스의 함수로 인공신경망 DNA 모델이 스스로 구성되어 만들어질 수 있다. 보다 구체적으로는, 도 14의 하단의 화살표 방향으로 시간이 진행됨에 따라 기능적 하위 모델이 구성되며, 각 기능적 하위 모델이 완성되어 동작되면 그 결과로 우측 말단과 같이 출력이 만들어질 수 있다.
As shown in FIG. 14, in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, The artificial neural network DNA model can be constructed by itself as a function of the sequence of. More specifically, as the time progresses in the arrow direction at the lower end of FIG. 14, a functional lower model is constructed, and when each functional lower model is completed and operated, the output can be made as a result of the right end.

도 15는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 의해 구성되는 DNA 모델의 구조를 도시한 도면이다. 도 15에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에 의해 자가 구성되는 DNA 모델은, 적어도 하나 이상의 기능적 하위 모델(Functional Submodel)로 구성되는 다층 구조의 인공신경망 모델일 수 있다.
FIG. 15 is a diagram showing a structure of a DNA model constructed by the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 15, a DNA model self-organizing by the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes at least one functional submodel ). &Lt; / RTI >

도 15에 도시된 바와 같이, 기능적 하위 모델은, 입력층(Input Layer), 은닉층(Hidden Layer), 및 출력층(Output Layer)을 포함하는 3계층 구조로 구성될 수 있다. 입력층은 요소로 구성되고, 출력층은 최종 결과값을 갖는다. 은닉층은 적어도 하나 이상의 레이어(Layer), 적어도 하나 이상의 노드(Node), 및 특수 요소(Special Elements)로 구성될 수 있다. 여기에서 특수 요소는, 사전 정의된 요소는 아니지만 상황의 변화에 따라 새로운 입력으로 사용되는 요소를 의미할 수 있다. 이와 같은 기능적 하위 모델에서는, 입력되는 DNA 미션의 구조가 시간에 따라 변화함에 따라 은닉층의 구성이 변화될 수 있다.
As shown in FIG. 15, the functional sub-model may have a three-layer structure including an input layer, a hidden layer, and an output layer. The input layer is composed of elements, and the output layer has the final result value. The hidden layer may be composed of at least one layer, at least one node, and special elements. Here, the special element is not a predefined element, but may refer to an element that is used as a new input as the situation changes. In such a functional sub-model, the structure of the hidden layer may change as the structure of the input DNA mission changes with time.

도 16은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 구성을 도시한 도면이다. 도 16에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 입력부(210), 하위 모델 구성부(220) 및 DNA 모델 구성부(230)를 포함하여 구성될 수 있다.
16 is a diagram showing a configuration of a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 16, a self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes an input unit 210, a lower model constructing unit 220, (230). &Lt; / RTI >

입력부(210)는, 시간에 따라 변화하는 DNA 미션을 입력받을 수 있다. 여기에서, DNA 미션은 적어도 하나 이상의 미션 모듈(Mission Module)의 합으로 구성될 수 있으며, DNA 미션을 구성하는 미션 모듈은 데이터에서 추출된 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 또한, 미션 모듈은 뉴로블록체인 콤비네이션 기술을 통해 체인 및 블록의 콤비네이션으로 구성될 수 있다.
The input unit 210 can receive a DNA mission that changes with time. Here, the DNA mission may consist of a sum of at least one or more mission modules, and the mission module constituting the DNA mission may include elements extracted from the data and positions of the organization members Function. In addition, the mission module can be composed of a combination of chain and block via neuroblock chain combination technique.

본 발명에서는, 입력부(210)가 시간의 흐름에 따른 상황 변화에 따라 구조가 변하는 DNA 미션을 입력받고, 이를 하위 모델 구성부(220) 및 DNA 모델 구성부(230)에서 입력 정보로 사용할 수 있다. 따라서, 시간의 흐름에 따른 상황 변화에 맞추어 스스로 은닉층이 변화되는 유연한 구조를 갖는 DNA 모델을 구성할 수 있다.
In the present invention, the input unit 210 receives a DNA mission whose structure changes according to a change in the state over time, and can use it as input information in the lower model construction unit 220 and the DNA model construction unit 230 . Therefore, it is possible to construct a DNA model having a flexible structure in which the hidden layer is changed in accordance with the change of the situation with the passage of time.

하위 모델 구성부(220)는, DNA 미션을 구성하는 미션 모듈에 대응하여, 기능적 하위 모델(Functional Submodel)을 자가 구성할 수 있다. 여기에서, 기능적 하위 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다.
The lower model construction unit 220 can self-configure a functional sub model in correspondence with the mission module constituting the DNA mission. Here, the functional sub-model may be a combination of a function block (Blocks of Function) and a chain (Chains).

도 17은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, DNA 모델을 구성하는 기능적 하위 모델의 개수 구성을 예를 들어 도시한 도면이다. 도 17의 (a)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서 하위 모델 구성부(220)는, 기본적으로 DNA 미션 내의 하나의 미션 모듈을 하나의 기능적 하위 모델로 구성할 수 있다. 또한, 실시예에 따라서는, 도 17의 (b)에 도시된 바와 같이, DNA 미션 내의 둘 이상의 미션 모듈을 합하여 하나의 기능적 하위 모델로 구성할 수도 있다.
17 is a diagram illustrating the number structure of functional sub-models constituting a DNA model in the self-organizing module 200 of an artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention. 17 (a), in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, the lower model constructing unit 220 basically includes a DNA mission One of the mission modules in the system can be configured as one functional sub-model. In addition, according to the embodiment, as shown in FIG. 17B, two or more mission modules in the DNA mission may be combined into one functional sub-model.

하위 모델 구성부(220)의 세부적인 구성에 대해서는, 추후 도 18을 참조하여 상세히 설명하도록 한다.
The detailed configuration of the lower model construction unit 220 will be described later in detail with reference to FIG.

DNA 모델 구성부(230)는, 하위 모델 구성부(220)에서 구성된 적어도 하나 이상의 기능적 하위 모델의 합인 인공신경망 DNA 모델을 자가 구성할 수 있다. 즉, 본 발명에 의해 구성되는 DNA 모델은, 기능적 하위 모델의 합으로 구성될 수 있다. DNA 미션이 하나의 미션 모듈만 가지는 경우, 하나의 기능적 하위 모델만을 갖는 DNA 모델이 구성될 수도 있다.
The DNA model construction unit 230 can construct the artificial neural network DNA model, which is a sum of at least one functional lower model constructed in the lower model construction unit 220. That is, the DNA model constituted by the present invention can be composed of a sum of functional lower models. If the DNA mission has only one mission module, a DNA model with only one functional sub-model may be constructed.

도 18은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 세부적인 구성을 도시한 도면이다. 도 18에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 하위 모델 구성부(220)는, 레이어 결정부(221), 노드 결정부(222) 및 은닉층 구성부(223)를 포함하여 구성될 수 있다.
18 is a diagram showing a detailed configuration of the lower model construction unit 220 in the self configuration module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention. 18, the lower model construction unit 220 of the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention includes a layer determination unit 221, A determination unit 222 and a hidden layer constituent unit 223.

레이어 결정부(221)는, 미션 모듈의 포지션을 이용해 레이어의 개수를 결정할 수 있다. 이하에서는, 도 19를 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 레이어 결정부(221)에 대하여 상세히 설명하도록 한다.
The layer determination unit 221 can determine the number of layers using the position of the mission module. Hereinafter, with reference to FIG. 19, in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, the layer determination unit 221 of the lower model construction unit 220 This will be described in detail.

도 19는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 레이어 결정부(221)가 레이어 개수를 정하는 방법을 예를 들어 도시한 도면이다.
19 is a diagram illustrating a method of determining the number of layers by the layer determination unit 221 in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention.

도 19의 (a)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 레이어 결정부(221)는, 미션 모듈의 동일 레벨에 있는 포지션에 동일한 레이어 수를 할당하며(“규칙 5-1”), 포지션의 레벨이 높아짐에 따라 레이어 수를 추가 할당할 수 있다(“규칙 5-2”). 즉, DNA 미션 내의 미션 모듈의 어떤 레벨보다 한 단계 상위 레벨에 있는 포지션은 +1 만큼의 레이어 수를 가지며, 계속해서 최종 레벨의 포지션에 도달할 때까지 동일한 방법으로 레이어의 수가 증가할 수 있다. 도 19의 (a)에서, 미션 모듈의 포지션은 2개의 레벨에 있으므로, 총 2개의 레이어가 할당될 수 있다.
19 (a), the layer determination unit 221 of the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, ("Rule 5-1"), and the number of layers may be further allocated as the level of the position increases ("Rule 5-2"). That is, a position one level higher than a certain level of a mission module in a DNA mission has a layer number of +1, and the number of layers can be increased in the same way until the position reaches the final level. In FIG. 19 (a), since the position of the mission module is at two levels, a total of two layers can be allocated.

또한, 도 19의 (b) 및 (c)에 도시된 바와 같이, 레이어 결정부(221)는, 미션 모듈의 포지션 중, 한계값(T, Threshold Value)을 초과하는 개수의 요소가 연결된 포지션에는, 한계값에 대한 초과된 요소의 개수의 비 만큼 레이어 수를 추가 할당할 수 있다(“규칙 5-3”). 즉, 각 레벨의 포지션에 연결된 요소의 개수가 사전에 미리 정해진 한계값 이하이면 +1 만큼의 레이어를 가지며, 한계값을 초과하면 추가된 요소의 개수가 한계값의 배수대로 +1 만큼씩 레이어의 수를 추가할 수 있다. 단, 동일 레벨에서 가질 수 있는 최대 레이어의 개수는 해당 레벨에서 최대의 레이어 개수를 가지고 있는 포지션의 레이어 개수로 한정할 수 있다.
As shown in FIGS. 19B and 19C, the layer determining unit 221 determines whether or not the position of the number of the elements of the mission module that exceeds the threshold value (T, Threshold Value) , The number of layers may be further allocated to the ratio of the number of exceeded elements to the threshold ("Rule 5-3"). That is, if the number of elements connected to the positions of the respective levels is less than a predetermined threshold value, the layer has +1 layers. If the number of elements added exceeds the threshold value, the number of added elements is increased by +1 You can add a number. However, the maximum number of layers that can be held at the same level can be limited to the number of layers in the position having the maximum number of layers at the corresponding level.

예를 들어, 도 19의 (b)에서, 미션 모듈의 첫 번째 레벨의 포지션 중 하나에 한계값인 5개를 초과하여 총 7개의 요소가 연결되었으므로, 해당 포지션에는 +1 만큼의 레이어가 추가되어, 첫 번째 레벨의 포지션에는 2개의 레이어가 할당되고, 두 번째 레벨의 포지션에는 1개의 레이어가 할당될 수 있다.
For example, in FIG. 19 (b), a total of seven elements are connected to one of the positions of the first level of the mission module exceeding the limit value of 5, so a layer of +1 is added to the position , Two layers are assigned to the first level position and one layer can be assigned to the second level position.

한편, 도 19의 (d)에 도시된 바와 같이, 레이어 결정부(221)는, 특수 요소가 입력된 경우에는, 특수 요소가 입력된 포지션에 레이어 수를 추가 할당할 수 있다(“규칙 5-4”). 즉, 특수 요소를 입력으로 받는 해당 포지션에 대해 +1 만큼의 레이어를 증가시킬 수 있다. 만약, 해당 포지션에 입력되는 특수 요소가 둘 이상이면 전술한 “규칙 5-3”을 적용할 수 있다. 이때, 요소 및 특수 요소를 합하여 한계값을 초과하는지 판단할 수 있다.
On the other hand, as shown in (d) of FIG. 19, when a special element is input, the layer determination unit 221 can additionally assign the number of layers to the position where the special element is input ("4"). That is, it is possible to increase the number of layers by +1 for a corresponding position that receives a special element as an input. If there are two or more special elements entered in the position, "Rule 5-3" above can be applied. At this time, it is possible to determine whether the element and the special element are added to exceed the limit value.

마지막으로, 레이어 결정부(221)는, 도 19의 (a) 내지 (d)에서 제시된 모든 경우의 레이어 수를 합해서 은닉층의 총 레이어 개수를 결정할 수 있다.
Finally, the layer determination unit 221 can determine the total number of layers of the hidden layer by summing the number of layers in all cases shown in Figs. 19 (a) to 19 (d).

예를 들어, 도 19의 (d)에서, 한계값을 넘는 요소가 연결된 포지션은 없으므로, 각 레벨당 하나의 레이어가 할당되나, 세 번째 레벨의 포지션에 특수 요소가 연결되어 있으므로 해당 포지션에 하나의 레이어가 추가되어, 해당 기능적 하위 모델에는 총 4개의 레이어가 할당될 수 있다.
For example, in (d) of FIG. 19, since there is no position to which elements exceeding the threshold value are connected, one layer is assigned to each level, but since a special element is connected to the third level position, A layer is added, and a total of four layers can be assigned to the functional sub-model.

노드 결정부(222)는, 미션 모듈의 포지션을 이용해 각 레이어의 노드의 개수를 결정할 수 있다. 이하에서는, 도 20을 참조하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 하위 모델 구성부(220)의 노드 결정부(222)에 대하여 상세히 설명하도록 한다.
The node determining unit 222 can determine the number of nodes of each layer using the position of the mission module. 20, in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to the embodiment of the present invention, the node determining unit 222 of the lower model construction unit 220 This will be described in detail.

도 20은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)에서, 노드 결정부(222)가 노드 개수를 정하는 방법을 예를 들어 도시한 도면이다.
FIG. 20 is a diagram illustrating a method of determining the number of nodes by the node determining unit 222 in the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention.

도 20의 (a) 및 (b)에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)의 노드 결정부(222)는, 미션 모듈의 각 레벨의 포지션의 수와 은닉층의 각 레이어의 노드의 개수를 동일하게 결정하되(“규칙 6-1”), 둘 이상의 레이어가 할당된 레벨에 대해서는 한 단계 상위 레이어로 올라갈 때마다 노드의 개수를 감소시킬 수 있다(“규칙 6-2”). 즉, 미션 모듈의 해당 레벨의 레이어 수가 둘 이상인 경우, 레이어가 한 단계 상위 레이어로 올라갈 때마다 노드의 개수를 하나씩 감소시키며, 최종 레이어에 도달할 때까지 동일한 방법으로 노드의 개수를 줄일 수 있다.
20 (a) and 20 (b), the node determining unit 222 of the self-organizing module 200 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention, The number of positions of each level of the module and the number of nodes of each layer of the hidden layer are determined to be the same (Rule 6-1), and with respect to the level to which two or more layers are allocated, ("Rule 6-2"). That is, when the number of layers of the corresponding level of the mission module is two or more, the number of nodes is reduced by one each time the layer goes up one level, and the number of nodes can be reduced by the same method until reaching the final layer.

예를 들어, 도 20의 (b)에서, 미션 모듈의 첫 번째 레벨의 포지션에 한계값을 넘는 개수의 요소가 연결되어 있으므로, 첫 번째 레벨에는 2개의 레이어, 두 번째 레벨에는 1개의 레이어가 각각 할당된다. 미션 모듈의 첫 번째 레벨의 2개의 포지션은 기능적 하위 모델의 첫 번째 레이어의 2개의 노드로 결정되고, 두 번째 레이어에는 노드를 하나 감소시켜 1개의 노드가 배치될 수 있다. 세 번째 레이어에는 미션 모듈의 두 번째 레벨의 1개의 포지션과 동일한 1개의 노드가 배치될 수 있다.
For example, in FIG. 20B, since the number of elements exceeding the limit value is connected to the position of the first level of the mission module, there are two layers in the first level and one layer in the second level . The two positions of the first level of the mission module are determined as two nodes of the first layer of the functional sub-model, and one node can be arranged by reducing one node to the second layer. In the third layer, one node that is the same as one position in the second level of the mission module can be placed.

또한, 도 20의 (c)에 도시된 바와 같이, 노드 결정부(222)는, 특수 요소에 의해 추가 할당된 레이어의 노드 수는 해당 레벨의 노드 수를 유지할 수 있다(“규칙 6-3”).
20 (c), the node determining unit 222 can keep the number of nodes of the layer to which the additional layer is allocated by the special element (refer to " Rule 6-3 " ).

은닉층 구성부(223)는, DNA 미션의 포지션이 활성화되면, 미션 모듈의 포지션들의 관계를 고려하여, 레이어 결정부(221) 및 노드 결정부(222)를 이용해 은닉층을 구성할 수 있다. 즉, 은닉층 구성부(223)는, DNA 미션의 포지션이 활성화 조건을 만족하여 활성화되자마자, 미션 모듈의 기반이 되는 블록 내 포지션들의 관계를 고려하여 체인과 블록의 콤비네이션으로 은닉층을 구성하기 시작할 수 있다. 따라서, 시간의 흐름 및 상황의 변화에 따라 DNA 미션의 구조가 변화되는 한, DNA 모델의 은닉측도 이와 연동하여 계속 변화할 수 있다.
When the position of the DNA mission is activated, the hidden layer construction unit 223 can construct a hidden layer using the layer determination unit 221 and the node determination unit 222 in consideration of the relationship of the positions of the mission modules. That is, as soon as the position of the DNA mission satisfies the activation condition, the hidden layer construction unit 223 can start constructing the hidden layer by the combination of the chain and the block considering the relationship of the positions in the block on which the mission module is based have. Thus, as long as the structure of the DNA mission is changed in accordance with the change of time and the situation, the concealment of the DNA model can be continuously changed in conjunction with this.

도 21은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)이 DNA 모델을 구성하는 과정을 예를 들어 도시한 도면이다. 도 21에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 구성 모듈(200)은, 입력부(210)를 통해 DNA 미션이 입력됨에 따라, 하위 모델 구성부(220)가 레이어 및 노드의 수를 결정하고 은닉층을 구성하며, DNA 모델 구성부(230)가 기능적 하위 모델들을 연결하여 DNA 모델을 구성할 수 있다. 입력되는 DNA 미션이 시간의 흐름에 따라 변화하므로, 자가 구성되는 DNA 모델도 시간의 흐름에 따라 변화하는 유연한 구조를 가질 수 있다.
21 is a diagram illustrating a process of constructing a DNA model by the self-organizing module 200 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 21, a self-organizing module 200 of an artificial neural network model using a Neuroblock chain combination according to an embodiment of the present invention is configured such that, when a DNA mission is input through the input unit 210, The unit 220 determines the number of layers and nodes and constructs a hidden layer, and the DNA model constructing unit 230 constructs a DNA model by connecting functional sub-models. Since the input DNA mission changes with the passage of time, the self-constituting DNA model can also have a flexible structure that changes with the passage of time.

도 22는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 기본 구조를 도시한 도면이다. 도 22에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, DNA 미션 및 DNA 모델을 포함하는 2개의 입력과, 학습된 DNA 모델의 1개의 출력으로 구성될 수 있으며, 뉴로블록체인 콤비네이션 기술을 이용할 수 있다.
22 is a diagram illustrating a basic structure of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 22, a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes two inputs including a DNA mission and a DNA model, Model, and a neuroblock chain combination technique can be used.

즉, 본 발명은, DNA 미션 및 DNA 모델을 입력받아 체인 학습 및 블록 학습을 수행함으로써, 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시켜, 학습된 DNA 모델을 출력할 수 있다. 실제 현장에서 체인 학습 및 블록 학습의 콤비네이션에 의해 DNA 모델이 스스로 학습하게 되므로, 시간의 흐름과 상황의 변화에 따라 DNA 모델이 자가 학습을 통해 유연하게 변화할 수 있고, 이를 이용해 인간의 두뇌 메커니즘을 효과적으로 구현할 수 있다.
That is, according to the present invention, by performing chain learning and block learning by receiving a DNA mission and a DNA model, a DNA model can be learned by a combination of chain learning and block learning, and the learned DNA model can be output. Because the DNA model learns itself by the combination of chain learning and block learning in the actual field, the DNA model can flexibly change through the self-learning according to the change of the time flow and the situation, and it is possible to use the human brain mechanism Can be effectively implemented.

도 23은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 심볼을 도시한 도면이다. 도 23에서, 파란색 사각형은 요소(Elements), 주황색 원은 포지션(Position) 또는 노드, 별은 특수 요소(Special Elements), 회색 사각형은 은닉층(Hidden Layer), 노란색 사각형은 기능적 하위 모델(Functional Submodel), 노란색 사각형의 우측 말단에 위치한 사각형은 각 기능적 하위 모델의 출력을 각각 나타낸다.
23 is a diagram showing symbols of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. In FIG. 23, a blue square is an element, an orange circle is a position or node, a star is a special element, a gray square is a hidden layer, a yellow square is a functional submodel, , And the rectangle at the right end of the yellow rectangle represents the output of each functional sub-model.

본 발명에서 DNA 모델은 적어도 하나 이상의 기능적 하위 모델의 합으로 구성되며, 기능적 하위 모델이 체인 학습 및 블록 학습의 콤비네이션에 의해 시간의 흐름에 따라 각각 변화하면서 학습되어, 학습된 DNA 모델을 생성할 수 있다. 도 23에서는, 톱니바퀴 모양을 이용해 각각의 하위 모델이 시간의 흐름에 따라 유연하게 변하면서 학습되고 있음을 나타내었다. 하단의 화살표 방향과 같이 시간이 진행됨에 따라 각 기능적 하위 모델이 학습되면, 도 23의 우측 말단과 같이 학습된 결과(output)가 만들어질 수 있다.
In the present invention, the DNA model is composed of a sum of at least one functional sub-model, and the functional sub-model is learned by a combination of chain learning and block learning while varying with time, have. In Fig. 23, it is shown that each lower model is learned while changing in a flexible manner with time, using a gear wheel shape. As each functional sub-model is learned as the time progresses as indicated by the arrows at the bottom, the learned output can be generated as shown at the right end of FIG.

도 24는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 구성을 도시한 도면이다. 도 24에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, 입력부(310), 체인 학습부(320) 및 블록 학습부(330)를 포함하여 구성될 수 있다.
24 is a diagram showing a configuration of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 24, a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes an input unit 310, a chain learning unit 320, and a block learning unit 330).

입력부(310)는, 요소(Elements)와 포지션(Positions)의 함수이며 적어도 하나 이상의 미션 모듈로 구성되는 DNA 미션, 및 DNA 미션을 이용해 구성된 인공신경망 모델인 DNA 모델을 입력받을 수 있다. 여기에서, DNA 미션은 적어도 하나 이상의 미션 모듈(Mission Module)의 합으로 구성될 수 있으며, DNA 미션을 구성하는 미션 모듈은 데이터에서 추출된 요소(Elements)와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 또한, 미션 모듈은 뉴로블록체인 콤비네이션 기술을 이용해 체인 및 블록의 콤비네이션으로 구성될 수 있다.
The input unit 310 can receive a DNA mission, which is a function of elements and positions and is composed of at least one mission module, and a DNA model, which is an artificial neural network model constructed using a DNA mission. Here, the DNA mission may consist of a sum of at least one or more mission modules, and the mission module constituting the DNA mission may include elements extracted from the data and positions of the organization members Function. In addition, the mission module can be configured as a combination of chain and block using Neuroblock Chain Combination technology.

도 25는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 체인 학습 및 블록 학습을 각각 도시한 도면이다. 이하에서는, 도 25를 참고하여 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)을 구성하는, 체인 학습부(320) 및 블록 학습부(330)에 대해 상세히 설명하도록 한다.
25 is a diagram showing chain learning and block learning in the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention. 25, a chain learning unit 320 and a block learning unit 330, which constitute a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention, Will be described in detail.

체인 학습부(320)는, 입력받은 DNA 미션의 활성화된 포지션과 다른 포지션을 상호 연결하는 체인에 대한 학습을 수행할 수 있다. 여기에서, 체인 학습은, 도 11 및 도 12 등에 도시된 바와 같이, 사전 정의된 미션(Predefined mission)으로부터 도출되는 체인의 형성을 학습하는 것일 수 있다. 데이터에서 추출된 요소가 입력됨에 따라 미리 정해진 개수의 요소가 포지션에 연결되는 등으로 활성화 조건이 만족되면, DNA 미션에 포함된 해당 포지션이 활성화될 수 있다. 체인 학습부(320)는 도 25의 (a)에 도시된 바와 같이, 활성화된 포지션과 포지션을 연결하는 체인을 학습할 수 있으며, 이와 같이 포지션과 포지션 간에 이루어지는 학습을 체인 학습이라 할 수 있다.
The chain learning unit 320 can perform learning on a chain that interconnects the activated position and the other position of the inputted DNA mission. Here, the chain learning may be to learn the formation of a chain derived from a predefined mission, as shown in Figs. 11 and 12 and the like. When an activation condition is satisfied, for example, a predetermined number of elements are connected to a position as an element extracted from the data is inputted, the corresponding position included in the DNA mission can be activated. As shown in FIG. 25A, the chain learning unit 320 can learn a chain connecting the activated position and the position, and the learning performed between the position and the position can be referred to as chain learning.

블록 학습부(330)는, 입력받은 DNA 미션을 구성하는 미션 모듈이 활성화되면, 활성화된 미션 모듈 내에서 학습을 수행할 수 있다. 여기에서, 블록 학습은, 도 11 및 도 12 등에 도시된 바와 같이, 사전 정의된 미션(Predefined mission)으로부터 도출되는 블록의 형성을 학습하는 것일 수 있다. 데이터에서 추출된 요소가 입력됨에 따라 블록 내의 모든 포지션에 사전에 정해진 요소가 모두 연결되는 등으로 활성화 조건이 만족되면, 미션 모듈이 활성화될 수 있다. 블록 학습부(330)는 도 25의 (b)에 도시된 바와 같이, 활성화된 미션 모듈 내에서 학습을 할 수 있으며, 이와 같이 미션 모듈 내에서 이루어지는 학습을 블록 학습이라 할 수 있다.
The block learning unit 330 can perform learning in the activated mission module when the mission module constituting the inputted DNA mission is activated. Here, the block learning may be to learn the formation of a block derived from a predefined mission, as shown in Figs. 11 and 12 and the like. The mission module can be activated if the activation condition is satisfied, for example, all the predetermined elements are connected to all the positions in the block as the elements extracted from the data are inputted. The block learning unit 330 can perform learning in the activated mission module as shown in FIG. 25 (b), and learning performed in the mission module can be referred to as block learning.

한편, 체인 학습부(320) 및 블록 학습부(330)에 의해 각각 수행되는 체인 학습 및 블록 학습의 콤비네이션에 의해, DNA 모델이 학습될 수 있다. 이하에서는, 학습 시기에 따른 DNA 모델의 학습 방법에 대해 상세히 설명하도록 한다.
On the other hand, a DNA model can be learned by a combination of chain learning and block learning performed by the chain learning unit 320 and the block learning unit 330, respectively. Hereinafter, the learning method of the DNA model according to the learning time will be described in detail.

먼저, DNA 모델의 사전 훈련의 경우, 체인 학습부(320)는 활성화된 포지션과 다른 포지션을 상호 연결하는 모든 체인에 대한 체인 학습을 수행할 수 있다. 즉, 사전 훈련을 위해 DNA 모델을 학습시키는 경우에는, 활성화된 포지션과 포지션 간 연결된 모든 체인에 대해 체인 학습을 수행할 수 있다. 이때에는, 블록 학습을 수행하지 않을 수 있다.
First, in the case of the preliminary training of the DNA model, the chain learning unit 320 can perform chain learning for all chains interconnecting the activated position and the other positions. That is, when learning a DNA model for preliminary training, chain learning can be performed on all connected chains between the activated position and the position. At this time, block learning may not be performed.

사전 훈련된 DNA 모델의 자가 학습의 경우, 블록 학습부(330)는 시간의 흐름에 따라 입력되는 요소에 의해 활성화된 미션 모듈 내에서 사전 훈련된 DNA 모델의 블록 학습을 자가 수행하며, 블록 학습이 종료되면, 체인 학습부(320)는 미션 모듈 내의 포지션에 연결된 모든 상위 포지션에 대하여 체인 학습을 자가 수행할 수 있다.
In the case of the self-learning of the pre-trained DNA model, the block learning unit 330 performs block learning of the pre-trained DNA model in the mission module activated by the input element by time, When finished, the chain learning unit 320 can perform chain learning for all the upper positions connected to the positions in the mission module.

도 26은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 훈련된 DNA 모델의 자가 학습 과정을 예를 들어 도시한 도면이다. 도 26에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)은, 훈련된 DNA 모델이 실제 현장에 적응하면서 스스로 학습하는 경우에, 블록 학습이 먼저 수행되고 이어서 체인 학습이 수행될 수 있다.
FIG. 26 is a view showing a self-learning process of a trained DNA model in the self-learning module 300 of the artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention. As shown in FIG. 26, the self learning module 300 of the neural network model using neuroblock chain combination according to an embodiment of the present invention, when the trained DNA model learns itself while adapting to the actual field, Block learning may be performed first, followed by chain learning.

즉, 시간의 흐름에 따른 상황 변화에 따라 입력되는 요소가 미션 모듈을 활성화시키고, 미리 정의된 자가 학습 조건이 충족되면, 활성화된 미션 모듈이 블록 학습부(330)에 의해 스스로 블록 학습을 수행할 수 있다. 블록 학습이 종료되면, 바로 이어서 체인 학습부(320)에 의해 해당 미션 모듈 내의 포지션에 연속적으로 연결된 모든 상위 포지션에 대한 체인 학습을 스스로 수행할 수 있다. 이와 같이, 체인 학습과 블록 학습의 콤비네이션에 의해 DNA 모델을 학습시킬 수 있다.
That is, the input element activates the mission module according to the change of the situation with time, and when the predefined self-learning condition is satisfied, the activated mission module performs block learning by itself by the block learning unit 330 . When the block learning ends, the chain learning unit 320 can perform chain learning for all the upper positions continuously connected to the position in the corresponding mission module by itself. Thus, the DNA model can be learned by a combination of chain learning and block learning.

한편, 블록 학습부(330)는, 훈련된 DNA 모델이 실제 현장에 적응하면서 스스로 학습을 하는 경우에 블록 학습을 수행하게 되는데, 주어진 미션, 미션 모듈 내의 포지션에 사전에 정의된 요소와 시간의 흐름에 따라 입력되는 요소와의 관계를 고려하여 두 종류의 블록 학습을 수행할 수 있다. 이하에서는, 도 27을 참조하여 블록 학습부(330)의 세부적인 구성에 대해 상세히 설명하도록 한다.
Meanwhile, the block learning unit 330 performs block learning when the trained DNA model adapts itself to the actual site and learns by itself. The block learning unit 330 performs block learning on the basis of a predefined element and a time flow Two kinds of block learning can be performed in consideration of the relationship with the input elements according to the following equation. Hereinafter, the detailed configuration of the block learning unit 330 will be described in detail with reference to FIG.

도 27은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 블록 학습부(330)의 세부적인 구성을 도시한 도면이다. 도 27에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 블록 학습부(330)는, 수용적 블록 학습부(331) 및 반응적 블록 학습부(332)를 포함하여 구성될 수 있다.
FIG. 27 is a detailed block diagram of the block learning unit 330 in the self-learning module 300 of the artificial neural network model using a neuro-block chain combination according to an embodiment of the present invention. 27, a block learning unit 330 of a self learning module 300 of an artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention includes an adaptive block learning unit 331, And a reactive block learning unit 332.

수용적 블록 학습부(331)는, 적어도 하나 이상의 단위 시간으로 구성된 시간 블록(Time Block) 내에서, 입력된 요소와 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 최적의 비교 보상값(Reward Comparison)을 산출하여 무조건적으로 학습을 할 수 있다.
The accommodative block learning unit 331 compares the input element with the predefined element in the position of the mission module in a time block composed of at least one unit time, Reward Comparison can be calculated to learn unconditionally.

도 28은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 수용적 블록 학습부(331)의 학습 개념을 도시한 도면이다. 도 28에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 수용적 블록 학습부(331)는, 현 상황의 분석이나 예측 등을 통해 미래 상황을 판단해서 인간의 의사 결정에 간접적이고 중도적인 지원을 제공하는 미션에 사용되는 무조건적(Unconditional) 학습일 수 있다.
FIG. 28 is a diagram showing a learning concept of the adaptive block learning unit 331 in the self-learning module 300 of the neural network model using the neuroblock chain combination according to an embodiment of the present invention. 28, the adaptive block learning unit 331 of the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention analyzes the current situation, Can be an unconditional learning that is used in missions to determine future situations and provide indirect and moderate support for human decision making.

도 29는 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 수용적 블록 학습부(331)의 학습 과정을 예를 들어 도시한 도면이다. 도 29에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 수용적 블록 학습부(331)는, 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 기준 시간을 기점으로 단위 시간 및 시간 블록을 설정할 수 있다. 즉, 시간 블록은 기준 시간부터 시작되며, 단위 시간과 시간 횟수(time number)의 곱으로서, 복수의 단위 시간으로 구성될 수 있다.
FIG. 29 is a diagram illustrating a learning process of the adaptive block learning unit 331 in the self learning module 300 of the neural network model using the neuroblock chain combination according to an embodiment of the present invention. 29, the accommodative block learning unit 331 of the self learning module 300 of the neural network model using the neuroblock chain combination according to an embodiment of the present invention determines the time when the mission module is activated And a unit time and a time block can be set based on the reference time. That is, the time block starts from the reference time, and may be a unit time multiplied by a time number, and may be composed of a plurality of unit times.

기준 시간부터 시작하여 시간 블록 내에서, 설정된 매 단위 시간마다 비교 보상값을 산출하여 저장할 수 있다. 여기에서, 비교 보상값은, 매 단위 시간에 미션 모듈 내 포지션에 연결되어 있는 요소로 들어오는 데이터의 횟수, 들어오지 않는 데이터의 횟수, 및 특수 요소를 포함하는 각각의 요소에 대해 미리 정의된 보상 가중치를 이용해 계산될 수 있다. 이때, 미리 정의된 보상 가중치와 관련하여, 사전에 정의된 포지션에 연결되어 있는 요소의 가중치와 특수 요소의 가중치는 서로 상이하게 정의될 수 있다.
The comparison compensation value can be calculated and stored for every unit time set within the time block starting from the reference time. Here, the comparison compensation value is defined as a compensation weight that is predefined for each element including the number of data that is input to the element connected to the position in the mission module at each unit time, the number of data that does not come in, . Here, with respect to the predefined compensation weights, the weights of the elements connected to the predefined positions and the weights of the special elements may be defined to be different from each other.

설정된 시간 블록이 종료되면 저장된 비교 보상값 중에서 중도적 의사결정을 지원할 수 있는 최적의 비교 보상값을 선정하여 블록 학습을 할 수 있다. 여기에서, 최적의 비교 보상값을 선정하는 방법은, 미션 및 애플리케이션, 보상값 선정 전략 등에 따라 상이할 수 있다. 예를 들어, 비교 보상값들 중에서 중앙값, 평균값, 최빈값 등을 최적의 비교 보상값으로 선정할 수 있고, 실시예에 따라서는 몬테카를로 시뮬레이션(Monte Carlo simulation) 기반의 보상값을 최적의 비교 보상값으로 선정할 수도 있다.
At the end of the set time block, block learning can be performed by selecting an optimal comparison compensation value that can support the intermediate decision among the stored comparison compensation values. Here, the method of selecting the optimum comparison compensation value may differ depending on the mission and application, the compensation value selection strategy, and the like. For example, the median value, the mean value, and the mode value among the comparison compensation values can be selected as the optimal comparison compensation value. In some embodiments, the compensation value based on the Monte Carlo simulation is used as the optimal comparison compensation value It can also be selected.

반응적 블록 학습부(332)는, 단위 시간 동안 입력된 요소와 미션 모듈의 포지션에 사전에 정의된 요소와의 상호 관계에 따라 기준 보상값 및 비교 보상값을 산출하고 조건적으로 학습을 할 수 있다.
The reactive block learning unit 332 can calculate the reference compensation value and the compensation compensation value according to the correlation between the element input for a unit time and the element previously defined in the position of the mission module, have.

도 30은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 반응적 블록 학습부(332)의 학습 개념을 도시한 도면이다. 도 30에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 반응적 블록 학습부(332)는, 현 상황의 분석이나 예측 등을 통해 미래 상황을 판단해서 인간의 행동 결정에 직접적이고 즉각적인 지원을 제공하는 미션에 사용되는 조건적(Conditional) 학습일 수 있다.
FIG. 30 is a diagram showing the learning concept of the reactive block learning unit 332 in the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention. 30, the reactive block learning unit 332 of the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention analyzes the current situation, Can be conditional learning used in missions to determine future situations and provide immediate and immediate support for human behavior decisions.

도 31은 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)에서, 반응적 블록 학습부(332)의 학습 과정을 예를 들어 도시한 도면이다. 도 31에 도시된 바와 같이, 본 발명의 일실시예에 따른 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈(300)의 반응적 블록 학습부(332)는, 미션 모듈이 활성화된 시점을 기준 시간으로 설정하고, 기준 시간을 기점으로 단위 시간을 설정하며, 설정된 단위 시간 내에서 기준 보상값(Reward Reference)을 산출할 수 있다. 즉, 기준 시간으로부터 첫 번째 단위 시간에서 기준 보상값을 산출하는데, 이때 기준 보상값은, 기준 시간부터 단위 시간까지 미션 모듈 내의 포지션에 연결되어 있는 요소로 들어오는 데이터의 횟수, 들어오지 않는 데이터의 횟수, 및 특수 요소를 포함하는 각각의 요소에 대해 미리 정의된 보상 가중치의 함수를 이용해 계산될 수 있다.
31 is a diagram illustrating a learning process of the reactive block learning unit 332 in the self learning module 300 of the artificial neural network model using a neuroblock chain combination according to an embodiment of the present invention. 31, the reactive block learning unit 332 of the self learning module 300 of the artificial neural network model using the neuroblock chain combination according to an embodiment of the present invention determines the time when the mission module is activated The reference time can be set as the reference time, the unit time can be set as the reference time, and the reference compensation value (Reward Reference) can be calculated within the set unit time. In other words, the reference compensation value is calculated in the first unit time from the reference time, where the reference compensation value is the number of data that is input to the element connected to the position in the mission module from the reference time to the unit time, And a function of predefined compensation weights for each element including the special element.

그 다음 단위 시간 내에서 산출한 비교 보상값이 기준 보상값보다 크면 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 할 수 있다. 즉, 기준 보상값이 계산된 단위 시간이 끝난 시점부터 시작하는 단위 시간 내에서 비교 보상값을 계산할 수 있으며, 이때 비교 보상값은 기준 보상값의 계산 시 사용하는 항목을 고려하여 계산할 수 있다. 산출된 비교 보상값과 기준 보상값을 비교하여 학습 여부를 결정할 수 있는데, 보다 구체적으로는 비교 보상값이 기준 보상값보다 큰 경우에는 비교 보상값을 기준 보상값으로 변경하고 블록 학습을 시작할 수 있다. 비교 보상값이 기준 보상값보다 작거나 같은 경우에는 블록 학습을 시작하지 않으며, 그 다음 단위 시간에 대해 비교 보상값을 계산한 후 기존 보상값과 비교하는 과정을 반복해서 수행할 수 있다.
If the comparison compensation value calculated within the next unit time is larger than the reference compensation value, the comparison compensation value can be changed to the reference compensation value and the block learning can be performed. That is, the comparison compensation value can be calculated within a unit time starting from the end of the unit time at which the reference compensation value is calculated, and the comparison compensation value can be calculated in consideration of the item used in calculating the reference compensation value. In other words, if the comparison compensation value is larger than the reference compensation value, the comparison compensation value may be changed to the reference compensation value and the block learning may be started . If the comparison compensation value is smaller than or equal to the reference compensation value, the block learning is not started, and the comparison compensation value is calculated for the next unit time and then compared with the existing compensation value.

이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics of the invention.

10: 전처리기 11: 텍스트 변환 모듈
12: 정보 추출 모듈 13: 요소 도출 모듈
20: 자가 적응 학습 엔진 30: 이펙터
31: 이해 및 스케줄링 모듈 32: 판단 및 예측 모듈
33: 추천 및 조치 모듈 40: DNA 툴
41: 변환 툴 42: 추출 툴
43: 콤비네이션 툴 41: 변환 툴
42: 추출 툴 43: 콤비네이션 툴
44: 자가 적응 툴 50: 리소스 및 라이브러리
60: 운영체제 70: 미들웨어
80: 비즈니스 및 서비스 100: 자가 조직 모듈
110: 블록체인 비교부 120: 블록체인 활성화부
121: 포지션 활성화부 122: 체인 생성부
123: 블록 구축부 124: 미션 모듈 활성화부
125: 미션 조직부 130: 포지션 식별부
200: 자가 구성 모듈 210, 310: 입력부
220: 하위 모델 구성부 221: 레이어 결정부
222: 노드 결정부 223: 은닉층 구성부
230: DNA 모델 구성부 300: 자가 학습 모듈
320: 체인 학습부 330: 블록 학습부
331: 수용적 블록 학습부 332: 반응적 블록 학습부10: preprocessor 11: text conversion module
12: information extraction module 13: element derivation module
20: self adaptive learning engine 30: effector
31: Understanding and Scheduling Module 32: Judgment and Prediction Module
33: Recommendation and action module 40: DNA tool
41: conversion tool 42: extraction tool
43: Combination tool 41: Conversion tool
42: Extraction tool 43: Combination tool
44: Self-adapting tool 50: Resources and libraries
60: Operating system 70: Middleware
80: Business & Services 100: Self Organizing Module
110: block chain comparison unit 120: block chain activation unit
121: position activation unit 122: chain generation unit
123: block building unit 124: mission module activating unit
125: mission organization part 130: position identification part
200: self-configuration module 210, 310:
220: Lower model construction unit 221: Layer determination unit
222: node determining unit 223: hidden layer construction unit
230: DNA model building block 300: self learning module
320: chain learning unit 330: block learning unit
331: Acceptable block learning unit 332: Reactive block learning unit

Claims

As an artificial intelligence platform system,
A preprocessor 10 for processing input data to derive elements;
A DNA mission is organized using the elements derived from the preprocessor 10, an artificial neural network DNA model is constructed using the organized DNA mission, and the constructed DNA model is learned A self-adaptive learning engine 20; And
(30) for performing a function according to learning results of the self-adaptive learning engine (20) through an understanding and scheduling module, a judgment and prediction module, and a recommendation and action module,
The self-adaptive learning engine (20)
A self-organizing module 100 that self-organizes the DNA missions by comparing and evaluating elements derived from the preprocessor 10 and intra-mission elements of a predefined organization;
A self-organizing module 200 that self-organizes an artificial neural network DNA model that can be learned on a deep learning basis using the self-organized DNA mission; And
A self-learning module (300) that self-learns the self-configured DNA model,
The self-organizing module (100)
We compared the pre-defined organizational mission as a function of the elements to be input into the artificial neural network model and the poses of organization and the result of comparing the self-organized DNA mission using the elements extracted from the input data. A block chain activator 120 for constructing chains and blocks using elements extracted from the input data, and organizing and activating a DNA mission, which is a combination of a mission module and a mission module, Chain Activator)
The block-chain activating unit 120,
A position activation unit (121) for connecting positions matched with elements extracted from the input data using the comparison result and activating a position satisfying an activation condition;
A chain generating unit 122 for continuously connecting the positions connected to the positions activated by the position activating unit 121 to generate a chain interconnecting the plurality of positions;
A block construction unit 123 for constructing a block including a position constituting the chain generated by the chain generation unit 122;
A mission module activating unit (124) for activating the mission module when a condition determined according to the organizational mission is satisfied with respect to a position included in the constructed block; And
And a mission organization unit (125) for organizing the DNA mission when all the mission modules corresponding to the mission mission of the organizational mission are activated.

The apparatus of claim 1, wherein the preprocessor (10)
A text conversion module (11) for converting unstructured data, excluding text, into text data in input data;
An information extraction module 12 for extracting information necessary for mission execution from the text data converted by the text conversion module 11; And
And an element derivation module (13) for identifying an element to be input to the self-adaptive learning engine (20) based on the extracted information, and deriving an element to be input to the self-adaptive learning engine (20) .

delete

The method according to claim 1,
The DNA mission is a combination of Blocks of Organization and Chains,
Wherein the DNA model is a combination of functional blocks (Blocks of Function) and chains. The artificial intelligence platform system using deep learning based self-adaptive learning technology.

The apparatus of claim 1, wherein the effector (30)
An understanding and scheduling module (31) that understands a given situation or grasps the intent, and provides scheduling to the decision maker using the understanding of the situation or the result of the intention identification;
A judgment and prediction module 32 for providing judgment and analysis results on a given situation and predicting and providing a possible situation; And
And a recommendation and action module (33) for recommending decision-making on a given situation using the analysis result and the prediction result and providing an action accordingly. Intelligent platform system.

The method according to claim 1,
Further comprising a DNA tool (40) for providing a plurality of tools to the preprocessor (10), the self-adaptive learning engine (20) and the effector (30) Artificial intelligence platform system.

7. The method of claim 6, wherein the DNA tool (40)
A conversion tool 41 for converting unstructured data into text, an extraction tool 42 for extracting information, and a block and a chain for self-organization of the DNA mission and a self- And a combination tool (43) for connecting the robot and the robot to each other. The artificial intelligence platform system using the self-adaptive learning technique based on deep learning.