KR101979161B1 - 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법 - Google Patents

블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법 Download PDF

Info

Publication number
KR101979161B1
KR101979161B1 KR1020180153330A KR20180153330A KR101979161B1 KR 101979161 B1 KR101979161 B1 KR 101979161B1 KR 1020180153330 A KR1020180153330 A KR 1020180153330A KR 20180153330 A KR20180153330 A KR 20180153330A KR 101979161 B1 KR101979161 B1 KR 101979161B1
Authority
KR
South Korea
Prior art keywords
data
label
unlabeled
raw data
block chain
Prior art date
Application number
KR1020180153330A
Other languages
English (en)
Inventor
엄성민
Original Assignee
엄성민
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엄성민 filed Critical 엄성민
Priority to KR1020180153330A priority Critical patent/KR101979161B1/ko
Application granted granted Critical
Publication of KR101979161B1 publication Critical patent/KR101979161B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2219—Large Object storage; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법에 관한 것으로, 보다 구체적으로는, 종래의 AI 학습을 위해 제공되는 데이터에 대한 관리자의 수작업으로 할 수밖에 없는 한계점을 자동화시킬 뿐만 아니라 언레이블 타입 데이터(Unlabeled raw data)에 대한 레이블 타입 데이터(labeled data) 생성시의 이력을 관리하여 해킹에 대비하여 안정적 데이터 저장 체계를 확립할 있도록 하기 위한 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법에 관한 것이다.

Description

블록체인을 이용한 레이블 타입 데이터 관리 기반의 ＡＩ 학습 데이터 생산성 향상 시스템 및 그 방법{Artificial Intelligence Learning Data Productivity Improvement System based on Label Type Data Management Using Block Chain, and Method thereof}
본 발명은 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법에 관한 것으로, 보다 구체적으로는, 종래의 AI 학습을 위해 제공되는 데이터에 대한 관리자의 수작업으로 할 수밖에 없는 한계점을 자동화시킬 뿐만 아니라 언레이블 타입 데이터(Unlabeled raw data)에 대한 레이블 타입 데이터(labeled data) 생성시의 이력을 관리하여 해킹에 대비하여 안정적 데이터 저장 체계를 확립할 있도록 하기 위한 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법에 관한 것이다.
블록체인은 최근 이슈가 되는 가상화폐인 비트코인 투자를 구현하는 기술로, 신기술 플랫폼을 기반으로 하고 있다는 점과 4차 산업혁명시대에 삶을 편리하게 바꿔 놓게 될 기술로 하나로 누구나 열람할 수 있는 장부에 거래 내역을 투명하게 기록하고, 수많은 컴퓨터에 동시에 복제해 저장하는 분산형 데이터 저장기술에 해당한다.
한편, 4차 산업혁명시대의 또 다른 기술로 인공지능을 기반으로 AI 학습 시스템이 대두되고 있으며, 이러한 AI 학습 시스템은 머신러닝 및 딥러닝 기반으로 지식 신경망을 구축함으로써, 자체적인 학습을 통해 발전하는 기술에 해당한다.
이에 따라 본 발명에서는 블록체인과 인공지능을 기반으로, 종래의 AI 학습을 위해 제공되는 데이터에 대한 관리자의 수작업으로 할 수밖에 없는 한계점을 자동화시킬 뿐만 아니라 언레이블 타입 데이터(Unlabeled raw data)에 대한 레이블 타입 데이터(labeled data) 생성시의 이력을 관리하여 해킹에 대비하여 안정적 데이터 저장 체계를 확립할 있도록 하기 위한 기술을 제공하도록 한다.
대한민국 특허출원 출원번호 제10-2009-0091702호 "지능형 로봇의 실시간 시뮬레이션 데이터 처리 시스템(Simulation Processing System for AI Robotics)"
본 발명은 상기의 문제점을 해결하기 위한 것으로, 종래의 AI 학습을 위해 제공되는 데이터에 대한 관리자의 수작업으로 할 수밖에 없는 한계점을 자동화시킬 뿐만 아니라 언레이블 타입 데이터(Unlabeled raw data)에 대한 레이블 타입 데이터(labeled data) 생성시의 이력을 관리하여 해킹에 대비하여 안정적 데이터 저장 체계를 확립할 있도록 하기 위한 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법을 제공하기 위한 것이다.
또한, 본 발명은 AI 학습 시스템상에서 로우 데이터(raw data)인 언레이블 타입 데이터(1st Unlabeled raw data)에서 레이블 타입 데이터(labeled data) 생성에 대한 로드(load)를 감소시키기 위해 레이블 타입 데이터(labeled data) 에 대한 부분적인 생성만으로 잔여 언레이블 타입 데이터(1st Unlabeled raw data)에 대해서 자동으로 레이블 타입 데이터(labeled data) 생성이 가능하도록 하기 위한 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법을 제공하기 위한 것이다.
그러나 본 발명의 목적들은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위해 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 방법은, AI 기반 레이블 생산성 향상 제공 서버(300)가, 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 및 타겟 기준 정보가 네트워크(200)를 통해 복수의 클라이언트 스마트 디바이스(100) 중 특정한 하나로 전송되는 경우, 특정한 하나의 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI), 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)를, 네트워크(200)를 통해 블록체인 관리 서버(500)로 전송하는 제 1 단계; 및 특정한 하나의 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)에, 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)가 암호화되어 저장 완료된 뒤, 특정한 하나의 클라이언트 스마트 디바이스(100)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 사용자가 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성 완료를 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하고, 생성된 제 1 레이블 타입 데이터(1st labeled data)가 제 2 레이블 타입 데이터(2nd labeled data) 생성에 사용되는 것도 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하는 경우, AI 기반 레이블 생산성 향상 제공 서버(300)가, 사용 통지를 블록체인 관리 서버(500)로 전송하는 제 2 단계; 를 포함하는 것을 특징으로 한다.
이때, 상기 제 2 단계 이후, AI 기반 레이블 생산성 향상 제공 서버(300)가, 블록체인 관리 서버(500)로부터의 요청에 따라 생성된 제 2 레이블 타입 데이터(2nd labeled data)의 생성의 기초가 되는 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호를, 블록체인 관리 서버(500)로 네트워크(200)를 통해 전송하는 제 3 단계; 를 더 포함하는 것이 바람직하다.
본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법은, 종래의 AI 학습을 위해 제공되는 데이터에 대한 관리자의 수작업으로 할 수밖에 없는 한계점을 자동화시킬 뿐만 아니라 언레이블 타입 데이터(Unlabeled raw data)에 대한 레이블 타입 데이터(labeled data) 생성시의 이력을 관리하여 해킹에 대비하여 안정적 데이터 저장 체계를 확립할 있도록 하는 효과를 제공한다.
뿐만 아니라, 본 발명의 다른 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템 및 그 방법은, AI 학습 시스템상에서 로우 데이터(raw data)인 언레이블 타입 데이터(1st Unlabeled raw data)에서 레이블 타입 데이터(labeled data) 생성에 대한 로드(load)를 감소시키기 위해 레이블 타입 데이터(labeled data) 에 대한 부분적인 생성만으로 잔여 언레이블 타입 데이터(1st Unlabeled raw data)에 대해서 자동으로 레이블 타입 데이터(labeled data) 생성이 가능하도록 하는 효과를 제공한다.
도 1은 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1)을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1) 중 블록체인 관리 서버(500)의 구조를 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1) 중 AI 기반 레이블 생산성 향상 제공 서버(300)의 구성요소를 나타내는 블록도이다.
도 4는 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 방법을 나타내는 흐름도이다.
이하, 본 발명의 바람직한 실시예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터 또는 신호를 '전송'하는 경우에는 구성요소는 다른 구성요소로 직접 상기 데이터 또는 신호를 전송할 수 있고, 적어도 하나의 또 다른 구성요소를 통하여 데이터 또는 신호를 다른 구성요소로 전송할 수 있음을 의미한다.
도 1은 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1)을 나타내는 도면이다. 도 1을 참조하면, A블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1)은 복수의 클라이언트 스마트 디바이스(100)로 이루어지는 클라이언트 스마트 디바이스 그룹(100g)이 네트워크(200)를 통해 AI 기반 레이블 생산성 향상 제공 서버(300), 빅데이터 서버(400), 블록체인 관리 서버(500)와 연결된 구조를 갖는다.
도 2는 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1) 중 블록체인 관리 서버(500)의 구조를 나타내는 도면이다. 도 2를 참조하면, 블록체인 관리 서버(500)는 블록체인 계정 관리 모듈(Block Chain Account Management Module)(510), 블록체인 교류 정보 관리 모듈(Block Chain Exchange Information Management Module)(520) 및 블록체인 정보 활용 모듈(Block chain information usage module)(530)을 포함할 수 있다.
블록체인 계정 관리 모듈(510)은 AI 기반 레이블 생산성 향상 제공 서버(300)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 및 타겟 기준 정보가 네트워크(200)를 통해 복수의 클라이언트 스마트 디바이스(100) 중 지정된 하나로 전송되는 경우, 지정된 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI), 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)를 네트워크(200)를 통해 AI 기반 레이블 생산성 향상 제공 서버(300)로부터 수신한 뒤, 네트워크(200)를 통해 지정된 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)로 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)가 암호화되어 저장되도록 할 수 있다.
이후, 블록체인 교류 정보 관리 모듈(520)은 지정된 클라이언트 스마트 디바이스(100)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 사용자가 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성에 따라 AI 기반 레이블 생산성 향상 제공 서버(300)로의 전송 이후, AI 기반 레이블 생산성 향상 제공 서버(300) 상에서 생성된 제 1 레이블 타입 데이터(1st labeled data)가 제 2 레이블 타입 데이터(2nd labeled data) 생성에 사용되는 경우, 사용 통지를 AI 기반 레이블 생산성 향상 제공 서버(300)로부터 네트워크(200)를 통해 수신한다.
이후, 블록체인 교류 정보 관리 모듈(520)은 제 1 레이블 타입 데이터(1st labeled data)의 제 2 레이블 타입 데이터(2nd labeled data) 생성의 사용에 따라 AI 기반 레이블 생산성 향상 제공 서버(300)에 대한 요청을 통해 AI 기반 레이블 생산성 향상 제공 서버(300)로부터 생성된 제 2 레이블 타입 데이터(2nd labeled data)의 생성의 기초가 되는 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 수신한다.
이후, 블록체인 정보 활용 모듈(530)은 네트워크(200)를 통해 지정된 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)로 전송함으로써, 블록체인 계정 모듈(100a)에 제 2 로우 데이터 식별 번호(ID)와, 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 제 1 로우 데이터 식별 번호(ID)와 결합하여 저장되도록 할 수 있다.
또한, 블록체인 정보 활용 모듈(530)은 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 활용하여 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)로도 제 1 로우 데이터 식별 번호(ID)와, 제 1 레이블 타입 데이터(1st labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 전송함으로써, 제 1 레이블 타입 데이터(1st labeled data) 및 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100) 간의 레이블 타입 데이터의 거래 내역을 투명하게 기록하고, 여러 대의 스마트 디바이스에 이를 복제해 저장하는 분산형 데이터 저장을 통해 AI 기반 레이블 생산성 향상 제공 서버(300)가 빅데이터 서버(400)에 의한 해킹시 여러 대의 스마트 디바이스에 대한 요청을 통해 동일한 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에 대한 제 2 레이블 타입 데이터(2nd labeled data) 생성시 제 1 언레이블 타입 데이터(1st Unlabeled raw data)에 대한 추적을 통해 안정적 데이터 저장 체계를 확립할 수 있다.
도 3은 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 시스템(1) 중 AI 기반 레이블 생산성 향상 제공 서버(300)의 구성요소를 나타내는 블록도이다. 도 3을 참조하면, AI 기반 레이블 생산성 향상 제공 서버(300)는 네트워크(200)를 통해 클라이언트 스마트 디바이스 그룹(100g) 및 빅데이터 서버(400)와 신호 및 데이터 송수신을 수행하는 송수신부(310), 그리고 제어부(320)를 포함하며, 제어부(320)는 강화 학습 모듈(Reinforcing learning Module)(321), 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322), 그리고 블록체인 연동 모듈(Block Chain Interlocking Module)(323)을 포함할 수 있다.
그리고 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.
강화 학습 모듈(Reinforcing learning Module)(321)은 기준 레이블 데이터 생성 수단(321a), 기준 레이블 검수 수단(321b), 유틸리티 함수 작동 수단(321c)을 구비할 수 있다.
기준 레이블 데이터 생성 수단(321a)은 빅데이터 서버(400)의 로우 데이터 DB(410)에 순차적으로 저장된 복수의 언레이블 타입 데이터(Unlabeled raw data) 중 최우선 순위에 해당하는 데이터 스트림 타입의 제 1 언레이블 타입 데이터(1st Unlabeled raw data)와, 제 1 언레이블 타입 데이터(1st Unlabeled raw data)에 대한 제 1 로우 데이터 식별 번호(ID), 그리고 미리 설정된 타겟 기준 정보를 추출한다.
이후, 기준 레이블 데이터 생성 수단(321a)은 클라이언트 스마트 디바이스(100) 상에서 클라이언트에 의해 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)의 생성에 따라 제 1 레이블 타입 데이터(1st labeled data)를 반환받아, 반환받은 제 1 레이블 타입 데이터(1st labeled data)를 빅데이터 서버(400)의 레이블 데이터 DB(420)에 제 1 로우 데이터 식별 번호(ID)를 메타데이터로 하여 저장한다.
기준 레이블 검수 수단(321b)은 크라우드 소싱(crowd sourcing) 방식을 통해 클라이언트 스마트 디바이스 그룹(100g)을 구성하는 n(n은 2 이상의 자연수)개의 클라이언트 스마트 디바이스(100)로부터 제 1 레이블 타입 데이터(1st labeled data)에 대한 검수를 진행하여, 각 제 1 레이블 타입 데이터(1st labeled data)에 대한 제 1 검수 데이터(1st inspection data)를 검수 데이터 DB(430)에 제 1 로우 데이터 식별 번호(ID)를 메타데이터로 지정하여 저장할 수 있다.
여기서 제 1 검수 데이터(1st inspection data)는 각 제 1 타겟 정보에 대한 매칭 여부 정보{정(正), 부(不)}로 지정될 수 있으며, n 개의 클라이언트 스마트 디바이스(100)에 대해서 개별적으로 매칭 여부 정보를 수신하여 정(正) 및 부(不) 중 상대적으로 많은 것에 해당하는 것을 매칭 여부 정보로 지정되어 검수 데이터 DB(430)에 강화 학습 모듈(Reinforcing learning Module)(321)에 의해 저장될 수 있다.
유틸리티 함수 작동 수단(321c)은 로우 데이터 DB(410)에 저장된 전체 언레이블 타입 데이터(Unlabeled raw data)의 전체 개수 중 미리 설정된 할당량 이상에 대한 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성이 완료되고, 각 제 1 레이블 타입 데이터(1st labeled data)에 포함된 모든 제 1 타겟 정보에 대한 제 1 검수 데이터(1st inspection data)의 정확도가 미리 설정된 매칭율 이상이 되는 경우, 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)로 언레이블 타입 데이터(Unlabeled raw data)의 전체 개수 중 잔여 할당량에 해당하는 제 2 레이블 타입 데이터(2nd labeled data)에 대한 생성을 요청할 수 있다.
본 발명에서 미리 설정된 할당량 및 미리 설정된 매칭율은 강화 학습 모듈(Reinforcing learning Module)(321)에 의한 제 1 차 AI 학습과 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의한 제 2 차 AI 학습으로의 전환을 위한 기준이 되는데 전체 언레이블 타입 데이터(Unlabeled raw data)의 개수와 하나의 언레이블 타입 데이터(Unlabeled raw data)에서 레이블 타입 데이터(labeled data)의 생성에 소요되는 시간인 사이클 타임(Cycle time)과, 각 사이클 타임(Cycle time)의 최대 시간인 택트 타임(Tact time)의 감소를 최소화하는 방식으로 optimization 알고리즘인 딥러닝 알고리즘을 통해서 설정될 수 있다.
본 발명의 보다 실제적인 실시예로, 강화 학습 모듈(Reinforcing learning Module)(321)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)에서 제 1 레이블 타입 데이터(1st labeled data) 생성 과정을 살펴보면, 타겟 기준 정보로 "문장에서 주어 추출"에 해당하는 데이터 스트림 타입의 제 1 언레이블 타입 데이터(1st Unlabeled raw data)가 "I ate rice, and mother enters the room."인 경우, 하나의 클라이언트 스마트 디바이스(100)에 의해 제 1 레이블 타입 데이터(1st labeled data)에 해당하는 "I(제 1 타겟 정보) enter(제 1 레이블 정보) m o t h e r(제 1 타겟 정보) enter(제 1 레이블 정보)"에는 최소한의 9번의 입력을 필요로 한다.
이런식으로 어느 정도 문장에서 주어를 추출하는 데이터가 쌓였다는 가정하에, AI 학습을 통해 제 1 타겟 정보인 "I", "mohter"를 포함하여 로우 데이터 DB(410)에 저장된 미리 설정된 개수의 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 중 미리 설정된 개수에 대해서 제 1 레이블 타입 데이터(1st labeled data)가 생성되고, 제 1 레이블 타입 데이터(1st labeled data)를 구성하는 모든 제 1 타겟 정보에 대한 제 1 검수 데이터(1st inspection data)인 매칭 여부 정보{정(正), 부(不)}의 "정(正)인 개수/(정(正)인 개수+부(不)인 개수)"의 비율에 해당하는 매칭율이 미리 설정된 임계치 이상인 경우, 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의한 로우 데이터 DB(410)에 저장된 전체의 언레이블 타입 데이터( Unlabeled raw data)의 개수에서 상술한 미리 설정된 개수에 해당하는 제 1 언레이블 타입 데이터(1st Unlabeled raw data)를 제외한 잔여 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에 대한 자동적인 제 2 레이블 타입 데이터(2nd labeled data)가 생성될 수 있으며 제 2 레이블 타입 데이터(2nd labeled data) 생성 과정에 대해서 이하 후술하도록 한다.
차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)은 추가 정보 AI 학습 수단(322a), 잔여 정보 AI 학습 수단(322b), AI 기반 빅데이터 생성 수단(322c)을 포함할 수 있다.
추가 정보 AI 학습 수단(322a)은 잔여 할당량에 해당하는 각 데이터 스트림 타입의 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)를 로우 데이터 DB(410)에서 추출한 뒤, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 기준으로 레이블 데이터 DB(420)에 저장된 모든 제 1 레이블 타입 데이터(1st labeled data) 중 제 1 타겟 정보에 대한 비교를 통해 매칭되는 것이 있는 경우 제 2-1 타겟 정보로 추출하고, 제 2-1 타겟 정보를 식별하기 위한 제 2-1 레이블 정보를 포함하는 제 2-1 레이블 타입 데이터(2nd-1 labeled data)를 생성한다.
잔여 정보 AI 학습 수단(322b)은 제 2 언레이블 타입 데이터(2nd Unlabeled raw data) 중에서 제 1 타겟 정보와 매칭되지 않는 잔여 정보를 추출하고, 추출된 잔여 정보를 식별하기 위한 제 2-2 레이블 정보를 생성한 뒤, 잔여 정보와 제 2-2 레이블 정보를 포함하는 적어도 하나 이상의 제 2-2 레이블 타입 데이터(2nd-2 labeled data)를 생성한다.
AI 기반 빅데이터 생성 수단(322c)은 제 2-1 레이블 타입 데이터(labeled data) 및 제 2-2 레이블 타입 데이터(2nd-2 labeled data)에 대해서 제 2 레이블 타입 데이터(2nd labeled data)로 하여 제 2 로우 데이터 식별 번호(ID)를 메타데이터로 하여 레이블 데이터 DB(420)에 저장할 수 있다.
이러한 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의한 나머지 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에 대한 동일한 과정을 반복할 수 있다.
본 발명의 보다 실제적인 실시예로, 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의해 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에서 제 2 레이블 타입 데이터(2nd labeled data) 생성 과정을 살펴보면, 데이터 스트림 타입의 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)가 제 1 언레이블 타입 데이터(1st Unlabeled raw data)와 동일한 "I ate rice, and mother enters the room."인 경우, "I(제 2-1 타겟 정보) enter(제 2-1 레이블 정보) m o t h e r(제 2-1 타겟 정보) enter(제 2-1 레이블 정보)"에 해당하는 제 2-1 레이블 타입 데이터(2nd-1 labeled data)를 생성할 뿐만 아니라, "a t e(제 2-2 타겟 정보) space(제 2-2 레이블 정보) r i c e(제 2-2 타겟 정보) space(제 2-2 레이블 정보) e n t e r s(제 2-2 타겟 정보) space(제 2-2 레이블 정보) t h e(제 2-2 타겟 정보) space(제 2-2 레이블 정보) r o o m(제 2-2 타겟 정보) space(제 2-2 레이블 정보)"에 해당하는 제 2-2 레이블 타입 데이터(2nd-2 labeled data)를 생성할 수 있다. 여기서, 상술한 제 1 레이블 정보와 제 2-1 레이블 정보는 같은 "enter"로 표기하였지만 상호 다르게 설정할 수 있다.
이와 같이, 강화 학습 모듈(Reinforcing learning Module)(321)에 의한 제 1 언레이블 타입 데이터(1st Unlabeled raw data)강화 학습을 미리 설정된 수준까지 진행 후, 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의한 차별적 지도 학습을 진행함으로써, 레이블 정보에 대한 생성 속도가 비약적으로 향상될 수 있으며, 차별적 지도 학습 모듈(Discriminative supervised learning Module)(322)에 의한 차별적 지도 학습이 반복됨에 따라 추가되는 데이터 스트림 타입의 언레이블 타입 데이터(Unlabeled raw data)에 대한 검수 데이터(inspection data)의 정확도가 향상될 수 있다.
한편, 블록체인 연동 모듈(Block Chain Interlocking Module)(323)은 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 및 타겟 기준 정보가 네트워크(200)를 통해 복수의 클라이언트 스마트 디바이스(100) 중 지정된 하나로 전송되는 경우, 네트워크(200)를 통해 블록체인 관리 서버(500)로 지정된 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI), 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)를 전송하도록 송수신부(310)를 제어할 수 있다.
이후, 블록체인 관리 서버(500)에 의해 네트워크(200)를 통해 지정된 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)로 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)가 암호화되어 저장이 완료된 뒤, 블록체인 연동 모듈(Block Chain Interlocking Module)(323)은 지정된 클라이언트 스마트 디바이스(100)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 사용자가 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성 완료를 인식하고, 생성된 제 1 레이블 타입 데이터(1st labeled data)가 제 2 레이블 타입 데이터(2nd labeled data) 생성에 사용되는 것도 인식되는 경우, 사용 통지를 블록체인 관리 서버(500)로 네트워크(200)를 통해 전송하도록 송수신부(310)를 제어할 수 있다.
이후, 블록체인 연동 모듈(Block Chain Interlocking Module)(323)은 블록체인 관리 서버(500)로부터의 요청에 따라 생성된 제 2 레이블 타입 데이터(2nd labeled data)의 생성의 기초가 되는 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 블록체인 관리 서버(500)로 네트워크(200)를 통해 전송하도록 송수신부(31)를 제어할 수 있다.
이후, 블록체인 연동 모듈(Block Chain Interlocking Module)(323)은 블록체인 관리 서버(500)에 의해 네트워크(200)를 통해 지정된 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)로 전송에 따라, 지정된 클라이언트 스마트 디바이스(100)의 블록체인 계정 모듈(100a)에 제 2 로우 데이터 식별 번호(ID)와, 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 제 1 로우 데이터 식별 번호(ID)와 결합하여 저장되도록 하고, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 활용하여 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)로도 제 1 로우 데이터 식별 번호(ID)와, 제 1 레이블 타입 데이터(1st labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 전송함으로써, 제 1 레이블 타입 데이터(1st labeled data) 및 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100) 간의 레이블 타입 데이터의 거래 내역을 투명하게 기록하도록 하는 경우, 빅데이터 서버(400)에 의한 해킹시 여러 대의 스마트 디바이스에 대한 요청을 통해 동일한 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에 대한 제 2 레이블 타입 데이터(2nd labeled data) 생성시 제 1 언레이블 타입 데이터(1st Unlabeled raw data)에 대한 추적을 통해 활용할 수 있는 안정적 구조를 제공할 수 있다.
도 4는 본 발명의 실시예에 따른 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 방법을 나타내는 흐름도이다. 도 4를 참조하면, AI 기반 레이블 생산성 향상 제공 서버(300)가, 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 및 타겟 기준 정보가 네트워크(200)를 통해 복수의 클라이언트 스마트 디바이스(100) 중 특정한 하나로 전송되는 경우, 특정한 하나의 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI), 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)를, 네트워크(200)를 통해 블록체인 관리 서버(500)로 전송한다(S11).
단계(S11) 이후, 특정한 하나의 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)에, 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)가 암호화되어 저장 완료된 뒤, 특정한 하나의 클라이언트 스마트 디바이스(100)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 사용자가 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성 완료를 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하고, 생성된 제 1 레이블 타입 데이터(1st labeled data)가 제 2 레이블 타입 데이터(2nd labeled data) 생성에 사용되는 것도 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하는 경우, AI 기반 레이블 생산성 향상 제공 서버(300)가, 사용 통지를 블록체인 관리 서버(500)로 전송한다(S12).
단계(S12) 이후, AI 기반 레이블 생산성 향상 제공 서버(300)는, 블록체인 관리 서버(500)로부터의 요청에 따라 생성된 제 2 레이블 타입 데이터(2nd labeled data)의 생성의 기초가 되는 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를, 블록체인 관리 서버(500)로 네트워크(200)를 통해 전송한다(S13).
단계(S13) 이후, AI 기반 레이블 생산성 향상 제공 서버(300)는 블록체인 관리 서버(500)에 의해 네트워크(200)를 통해 지정된 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)로 전송에 따라, 지정된 클라이언트 스마트 디바이스(100)의 블록체인 계정 모듈(100a)에 제 2 로우 데이터 식별 번호(ID)와, 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 제 1 로우 데이터 식별 번호(ID)와 결합하여 저장되도록 하고, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 활용하여 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100)로도 제 1 로우 데이터 식별 번호(ID)와, 제 1 레이블 타입 데이터(1st labeled data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI)를 전송함으로써, 제 1 레이블 타입 데이터(1st labeled data) 및 제 2 레이블 타입 데이터(2nd labeled data)를 생성한 클라이언트 스마트 디바이스(100) 간의 레이블 타입 데이터의 거래 내역을 투명하게 기록하도록 하는 경우, 빅데이터 서버(400)에 의한 해킹시 여러 대의 스마트 디바이스에 대한 요청을 통해 동일한 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)에 대한 제 2 레이블 타입 데이터(2nd labeled data) 생성시 제 1 언레이블 타입 데이터(1st Unlabeled raw data)에 대한 추적을 통해 활용한다(S13).
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
1 : AI 기반의 데이터 생산성 향상 시스템
100 : 클라이언트 스마트 디바이스
100g : 클라이언트 스마트 디바이스 그룹
200 : 네트워크
300 : 기반 레이블 생산성 향상 제공 서버
400 : 빅데이터 서버
500 : 블록체인 관리 서버

Claims (2)

  1. AI 기반 레이블 생산성 향상 제공 서버(300)가, 제 1 언레이블 타입 데이터(1st Unlabeled raw data) 및 타겟 기준 정보가 네트워크(200)를 통해 복수의 클라이언트 스마트 디바이스(100) 중 특정한 하나로 전송되는 경우, 특정한 하나의 클라이언트 스마트 디바이스(100)의 단말번호(예, IMEI), 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)를, 네트워크(200)를 통해 블록체인 관리 서버(500)로 전송하는 제 1 단계; 및
    특정한 하나의 클라이언트 스마트 디바이스(100)의 암호화된 블록체인 계정 모듈(100a)에, 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 제 1 로우 데이터 식별 번호(ID)가 암호화되어 저장 완료된 뒤, 특정한 하나의 클라이언트 스마트 디바이스(100)에 의해 제 1 언레이블 타입 데이터(1st Unlabeled raw data)의 데이터 스트림 중 자체적으로 타겟 기준 정보와 매칭되는 것으로 사용자가 판단한 적어도 하나 이상의 제 1 타겟 정보와, 그리고 제 1 타겟 정보를 식별하기 위한 제 1 레이블 정보를 포함하는 제 1 레이블 타입 데이터(1st labeled data)에 대한 생성 완료를 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하고, 생성된 제 1 레이블 타입 데이터(1st labeled data)가 제 2 레이블 타입 데이터(2nd labeled data) 생성에 사용되는 것도 AI 기반 레이블 생산성 향상 제공 서버(300)가 인식하는 경우, AI 기반 레이블 생산성 향상 제공 서버(300)가, 사용 통지를 블록체인 관리 서버(500)로 전송하는 제 2 단계; 를 포함하는 것을 특징으로 하는 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 방법.
  2. 청구항 1에 있어서, 상기 제 2 단계 이후,
    AI 기반 레이블 생산성 향상 제공 서버(300)가, 블록체인 관리 서버(500)로부터의 요청에 따라 생성된 제 2 레이블 타입 데이터(2nd labeled data)의 생성의 기초가 되는 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)의 제 2 로우 데이터 식별 번호(ID)와, 제 2 언레이블 타입 데이터(2nd Unlabeled raw data)를 생성한 클라이언트 스마트 디바이스(100)의 단말번호를, 블록체인 관리 서버(500)로 네트워크(200)를 통해 전송하는 제 3 단계; 를 더 포함하는 것을 특징으로 하는 블록체인을 이용한 레이블 타입 데이터 관리 기반의 AI 학습 데이터 생산성 향상 방법.
KR1020180153330A 2018-12-03 2018-12-03 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법 KR101979161B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180153330A KR101979161B1 (ko) 2018-12-03 2018-12-03 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180153330A KR101979161B1 (ko) 2018-12-03 2018-12-03 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR101979161B1 true KR101979161B1 (ko) 2019-05-15

Family

ID=66579709

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180153330A KR101979161B1 (ko) 2018-12-03 2018-12-03 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR101979161B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488831A (zh) * 2020-11-20 2021-03-12 东软集团股份有限公司 区块链网络交易方法、装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083419A (ko) * 2016-01-08 2017-07-18 마우키스튜디오 주식회사 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
KR101893729B1 (ko) * 2018-03-28 2018-10-04 주식회사 마크로젠 복수의 블록체인에 기반한 데이터 공유 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083419A (ko) * 2016-01-08 2017-07-18 마우키스튜디오 주식회사 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
KR101893729B1 (ko) * 2018-03-28 2018-10-04 주식회사 마크로젠 복수의 블록체인에 기반한 데이터 공유 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
대한민국 특허출원 출원번호 제10-2009-0091702호 "지능형 로봇의 실시간 시뮬레이션 데이터 처리 시스템(Simulation Processing System for AI Robotics)"

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488831A (zh) * 2020-11-20 2021-03-12 东软集团股份有限公司 区块链网络交易方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN108595157B (zh) 区块链数据的处理方法、装置、设备和存储介质
KR100751965B1 (ko) 탈퇴 고객들을 예측하기 위한 방법 및 시스템
CN111667267B (zh) 一种区块链交易风险识别方法及装置
CN108537543A (zh) 区块链数据的并行处理方法、装置、设备和存储介质
CN111160749B (zh) 一种情报质量评估和情报融合方法及装置
WO2022252363A1 (zh) 数据处理方法、计算机设备以及可读存储介质
CN110290522A (zh) 用于移动设备的风险识别方法、装置和计算机系统
CN109543455A (zh) 一种区块链的数据归档方法及装置
CN108369675A (zh) 用于案例分配的技术
CN109951547A (zh) 事务请求并行处理方法、装置、设备和介质
KR102107911B1 (ko) Ａｉ 학습 기반의 레이블 타입 데이터 자동 검수 시스템 및 그 방법
CN110210845B (zh) 用于区块链数据迁移的方法、装置、介质和计算设备
CN109376011A (zh) 虚拟化系统中管理资源的方法和装置
CN110134646B (zh) 知识平台服务数据存储与集成方法及系统
KR101979161B1 (ko) 블록체인을 이용한 레이블 타입 데이터 관리 기반의 ａｉ 학습 데이터 생산성 향상 시스템 및 그 방법
US7428486B1 (en) System and method for generating process simulation parameters
CN114610795A (zh) 应用于大数据挖掘的数字化业务信息处理方法及服务器
CN111949720B (zh) 基于大数据和人工智能的数据分析方法及云端数据服务器
CN112182111B (zh) 基于区块链的分布式系统分层处理方法和电子设备
CN110070383B (zh) 基于大数据分析的异常用户识别方法及装置
CN116737111A (zh) 一种基于场景化的安全需求分析方法
CN116109102A (zh) 基于遗传算法的资源调配方法及系统
JP4718939B2 (ja) オブジェクトのカテゴリ化
CN105677478A (zh) 资源管理的方法和装置
CN115344633A (zh) 数据处理方法、装置、设备和存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant