KR102131347B1 - 머신 러닝 학습 데이터 생성 방법 및 그 시스템 - Google Patents

머신 러닝 학습 데이터 생성 방법 및 그 시스템 Download PDF

Info

Publication number
KR102131347B1
KR102131347B1 KR1020200010355A KR20200010355A KR102131347B1 KR 102131347 B1 KR102131347 B1 KR 102131347B1 KR 1020200010355 A KR1020200010355 A KR 1020200010355A KR 20200010355 A KR20200010355 A KR 20200010355A KR 102131347 B1 KR102131347 B1 KR 102131347B1
Authority
KR
South Korea
Prior art keywords
data
label
history
original
learning
Prior art date
Application number
KR1020200010355A
Other languages
English (en)
Inventor
장은동
서인덕
Original Assignee
주식회사 이글루시큐리티
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 주식회사 이글루시큐리티 filed Critical 주식회사 이글루시큐리티
Priority to KR1020200010355A priority Critical patent/KR102131347B1/ko
Application granted granted Critical
Publication of KR102131347B1 publication Critical patent/KR102131347B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

일 실시예들은 머신 러닝 학습 데이터 생성 방법 및 그 시스템에 관한 것이다.

Description

머신 러닝 학습 데이터 생성 방법 및 그 시스템{METHOD FOR GENERATING LEARNING DATA OF MACHINE LEARNING AND SYSTEM THEREOF}
아래 실시예들은 머신 러닝 학습 데이터 생성 방법 및 그 시스템에 관한 것이다.
머신 러닝(Machine Learning)에 있어서, 학습 방법과 알고리즘 이상으로 중요한 것은 학습을 위한 데이터이다. 따라서, 양질의 학습 데이터를 많이 확보하는 것은 머신 러닝 분야에서 매우 중요하다.
학습 데이터를 얻기 위해서는, 일반적으로 로우 데이터(raw data)와 로우 데이터에 대한 라벨링 정보가 필요하다. 라벨링 작업은 사람에 의하여 수행되어야 하므로, 머신 러닝을 연구하거나 개발하는 곳에서는 라벨링 작업을 수행하는 인력을 보유하기도 한다.
그러나, 라벨링 작업은 전문지식 없이도 누구나 할 수 있는 일인 경우가 많으므로, 인건비의 절감을 위해 인터넷을 통해 다수의 작업자들에게 데이터를 분배하고, 라벨링 작업에 따른 보수를 지급하는 형태의 플랫폼이 등장하게 되었다.
그러나, 기존의 플랫폼의 경우 작업자가 성실하게 라벨링을 수행했는지 검수하는 과정이 없어, 학습 데이터의 신뢰도를 보장할 수 없는 문제점이 존재한다. 따라서, 기존 플랫폼의 장점을 유지하면서도 학습 데이터의 신뢰도를 높일 수 있는 기술 개발이 요구된다.
그리고, 로우 데이터에 대한 라벨링 정보가 시간에 따라 변경되는 경우도 발생한다. 작업자가 라벨링 변경 작업을 진행할 때, 작업자의 실수에 의해 학습 데이터의 무결성이 유지되지 못하는 경우가 발생하기도 한다. 따라서, 작업자의 실수가 발생하더라도 학습 데이터의 무결성을 유지하고 학습 데이터의 신뢰도를 높일 수 있는 기술 개발이 요구된다.
이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로써, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
아래 실시예들은 전술한 문제점을 해결하기 위하여 안출된 것으로서, 일 실시예는 학습 데이터의 무결성을 유지하고 학습 데이터의 신뢰도를 높이는 것을 목적으로 한다.
일 실시예가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따르면, 학습 데이터 생성 장치에서 수행되는 머신 러닝의 학습 데이터 생성 방법은, 원본 데이터 생성 장치로부터 원본 데이터를 수신하는 동작; 사용자 단말로부터 라벨 선택 데이터를 수신하는 동작; 상기 라벨 선택 데이터를 이용하여 상기 원본 데이터의 라벨 이력 데이터를 업데이트하는 동작; 상기 라벨 이력 데이터를 이용하여 상기 원본 데이터의 라벨 데이터를 결정하는 동작; 및 원본 데이터, 라벨 이력 데이터 및 라벨 데이터 중 적어도 하나를 포함하는 학습 데이터를 생성하는 동작을 포함한다.
일 실시예에 따르면, 상기 라벨 이력 데이터는 사용자에게 선택된 상기 라벨 데이터의 카운트(Count) 정보이다.
일 실시예에 따르면, 상기 라벨 이력 데이터 업데이트 동작은 상기 라벨 선택 데이터에 가중치를 부여하는 동작을 포함한다.
일 실시예에 따르면, 상기 라벨 데이터 결정 동작은 상기 라벨 이력 데이터 중에서 가장 높은 값을 가지는 데이터를 상기 라벨 데이터로 결정하거나, 상기 라벨 이력 데이터 중에서 가장 최근에 업데이트된 데이터를 상기 라벨 데이터로 결정한다.
일 실시예에 따르면, 상기 라벨 데이터 결정 동작은 상기 라벨 이력 데이터를 이용하여 라벨 데이터를 복수 개로 결정한다.
일 실시예에 따르면, 원본 데이터 생성 장치로부터 원본 데이터를 수신하고, 사용자 단말로부터 라벨 선택 데이터를 수신하도록 구성된 통신부; 상기 라벨 선택 데이터를 이용하여 상기 원본 데이터의 라벨 이력 데이터를 업데이트하도록 구성된 라벨 이력 관리부; 상기 라벨 이력 데이터를 이용하여 상기 원본 데이터의 라벨 데이터를 결정하도록 구성된 라벨 결정부; 및 원본 데이터, 라벨 이력 데이터 및 라벨 데이터 중 적어도 하나를 포함하는 학습 데이터를 생성하도록 구성된 학습 데이터 생성부를 포함하는 학습 데이터 생성 장치를 제공한다.
이상에서 설명한 바와 같은 일 실시예들에 따르면, 라벨 이력 데이터를 이용하여 원본 데이터의 라벨을 결정함에 따라, 사용자의 라벨링 작업 오류가 존재하더라도 학습 데이터의 신뢰도를 높일 수 있는 학습 데이터 생성 방법 및 그 시스템을 제공할 수 있는 효과가 있다.
일 실시예의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 학습 데이터 생성 시스템을 도시한 도면이다.
도 2는 일 실시예에 따른 학습 데이터 생성 장치의 구성을 도시한 도면이다.
도 3은 일 실시예에 따른 학습 데이터를 도시한 도면이다.
도 4는 일 실시예에 따른 라벨 이력 데이터가 업데이트된 학습 데이터를 도시한 도면이다.
도 5는 일 실시예에 따른 라벨 데이터가 결정된 학습 데이터를 도시한 도면이다.
도 6은 다른 실시예에 따른 학습 데이터를 도시한 도면이다.
도 7은 다른 실시예에 따른 라벨 이력 데이터가 업데이트된 학습 데이터를 도시한 도면이다.
도 8은 다른 실시예에 따른 라벨 데이터가 결정된 학습 데이터를 도시한 도면이다.
도 9는 일 실시예에 따른 학습 데이터 생성 방법의 흐름도를 도시한 도면이다.
도 10은 일 실시예에 따른 사용자 단말의 구성을 도시한 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 동작, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 동작, 구성 요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 학습 데이터 생성 시스템(10)을 도시한 도면이다.
도 1을 참조하면, 일 실시예에 따른 학습 데이터 생성 시스템(10)은 학습 데이터 생성 장치(100), 원본 데이터 생성 장치(300) 및 사용자 단말(200)을 포함한다.
학습 데이터 생성 장치(100)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 이용하여, 학습 데이터(20)를 생성한다.
학습 데이터 생성 장치(100)는 머신 러닝을 위한 기초 자료인 원본 데이터(21)를 원본 데이터 생성 장치(300)로부터 수신하며, 원본 데이터(21)에 대해 사용자가 선택한 정답 데이터인 라벨 선택 데이터를 사용자 단말(200)로부터 수신한다.
그리고, 학습 데이터 생성 장치(100)는 사용자 단말(200)로부터 수신된 라벨 선택 데이터를 이용하여, 라벨 이력 데이터(22)를 업데이트한다.
그리고, 학습 데이터 생성 장치(100)는 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨 데이터(23)를 결정한다. 라벨 데이터(23)는 원본 데이터(21)의 정답 데이터이다.
그리고, 학습 데이터 생성 장치(100)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 포함하는 학습 데이터(20)를 생성한다.
학습 데이터 생성 장치(100)의 구체적인 구성 및 기능에 대해서는 이하 도 2에서 자세히 설명하도록 한다.
학습 데이터 생성 장치(100)는 예를 들어, 컴퓨터, UMPC(Ultra Mobile PC), 워크스테이션, 넷북(net-book), PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), PMP(portable multimedia player) 같은 전자 장치 중 하나로서, 학습 데이터 생성 장치(100)와 관련된 교차 시험 영상 처리 어플리케이션의 설치 및 실행이 가능한 모든 전자 장치를 포함할 수 있다. 전자 장치는 교차 시험 영상 처리 어플리케이션의 제어 하에 예를 들어, 서비스 화면의 구성, 데이터 입력, 데이터 송수신, 데이터 저장 등과 같은 교차 시험 영상 처리 서비스 전반의 동작을 수행할 수 있다.
원본 데이터 생성 장치(300)는 머신 러닝을 위한 기초 자료인 원본 데이터(21)를 생성하여, 생성된 원본 데이터(21)를 학습 데이터 생성 장치(100)에 전송한다.
사용자 단말(200)은 원본 데이터(21)에 대해 사용자가 선택한 정답 데이터인 라벨 선택 데이터를 생성하여, 생성된 라벨 선택 데이터를 학습 데이터 생성 장치(100)에 전송한다.
사용자 단말(200)의 구체적인 구성과 기능에 대해서는 이하 도 10에서 자세히 설명하도록 한다.
도 2는 일 실시예에 따른 학습 데이터 생성 장치(100)의 구성을 도시한 도면이다.
도 2를 참조하면, 일 실시예에 학습 데이터 생성 장치(100)는 제어부(110), 라벨 이력 관리부(120), 라벨 결정부(130), 학습 데이터 생성부(140), 사용자 인터페이스부(150), 데이터베이스부(160) 및 통신부(170)를 포함한다.
학습 데이터 생성 장치(100) 내에 포함된 다양한 개체들(entities) 간의 통신은 유/무선 네트워크(미도시)를 통해 수행될 수 있다. 유/무선 네트워크는 표준 통신 기술 및/또는 프로토콜들이 사용될 수 있다.
학습 데이터 생성 장치(100)의 하드웨어 구성은 다양하게 구현될 수 있다. 라벨 이력 관리부(120)와 라벨 결정부(130)를 통합하거나, 라벨 결정부(130)와 학습 데이터 생성부(140)를 통합하여 하드웨어를 구성할 수 있다. 이와 같이, 학습 데이터 생성 장치(100)의 하드웨어 구성은 본 명세서의 기재에 한정되지 아니하며, 다양한 방법과 조합으로 구현될 수 있다.
제어부(110)는 학습 데이터 생성 장치(100)의 다양한 기능을 수행하도록 라벨 이력 관리부(120), 라벨 결정부(130), 학습 데이터 생성부(140), 사용자 인터페이스부(150), 데이터베이스부(160) 및 통신부(170)를 제어한다.
그리고, 제어부(110)는 프로세서(Processor), 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 호칭될 수 있으며, 제어부는 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어 또는 이들의 결합에 의해 구현될 수 있다.
라벨 이력 관리부(120)는 사용자 단말(200)로부터 수신된 라벨 선택 데이터를 이용하여, 라벨 이력 데이터(22)를 업데이트한다.
라벨 선택 데이터는 원본 데이터(21)에 대해 사용자가 선택한 정답 데이터이며, 라벨 이력 데이터(22)는 원본 데이터(21)의 정답으로 선택된 라벨 데이터(23)의 이력 정보로, 사용자가 원본 데이터(21)에 대해 어떤 정답을 몇번 선택하였는지를 나타내는 이력 정보이다. 즉, 라벨 이력 데이터(22)는 사용자에게 선택된 라벨 데이터들의 카운트(Count) 정보이다.
일례로, 사용자 단말(200)로부터 원본 데이터(21) X에 대한 정답이 Y 라고 선택된 라벨 선택 데이터를 수신한 경우, 라벨 이력 관리부(120)는 원본 데이터(21) X의 라벨 이력 데이터(22) 중에서 Y 값에 1을 더할 수 있다
그리고, 라벨 이력 관리부(120)는 라벨 선택 정보의 가중치를 다르게 적용할 수 있다. 일례로, 제 1 사용자 단말에서 전송된 라벨 선택 정보에는 2배의 가중치를 부여하고, 제 2 사용자 단말에서 전송된 라벨 선택 정보를 0.5배 가중치를 부여할 수 있다.
일례로, 제 1 사용자 단말(200)로부터 원본 데이터(21) X에 대한 정답이 Y 라고 선택된 라벨 선택 데이터를 수신한 경우, 라벨 이력 관리부(120)는 원본 데이터(21) X의 라벨 이력 데이터(22) 중에서 Y 값을 2를 더할 수 있으며, 제 2 사용자 단말(200)로부터 원본 데이터(21) X에 대한 정답이 Y 라고 선택된 라벨 선택 데이터를 수신한 경우, 라벨 이력 관리부(120)는 원본 데이터(21) X의 라벨 이력 데이터(22) 중에서 Y 값을 0.5를 더할 수 있다.
라벨 결정부(130)는 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨 데이터(23)를 결정한다. 라벨 데이터(23)는 원본 데이터(21)의 정답 데이터이다.
라벨 결정부(130)는 다양한 기준에 따라, 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨을 결정할 수 있다. 일례로, 라벨 결정부(130)는 라벨 이력 데이터(22) 중에서 가장 높은 값을 가지는 데이터를 라벨로 결정할 수 있으며, 라벨 결정부(130)는 라벨 이력 데이터(22) 중에서 가장 최근에 업데이트된 데이터를 라벨로 결정할 수 있으며, 라벨 결정부(130)는 라벨 이력 데이터(22) 중에서 가장 낮은 값을 가지는 데이터를 라벨로 결정할 수 있다. 또한, 라벨 결정부(130)는 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨을 복수 개로 결정할 수 있다.
학습 데이터 생성부(140)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 이용하여, 학습 데이터(20)를 생성한다. 학습 데이터 생성부(140)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 포함하는 학습 데이터(20)를 생성한다. 학습 데이터(20)에 대해서는 도 3 이하에서 자세히 설명하도록 한다.
사용자 인터페이스부(150)는 사용자에게 데이터를 입력할 수 있는 인터페이스를 제공한다. 사용자는 사용자 인터페이스부(150)를 통해 원본 데이터(21), 라벨 선택 데이터를 입력할 수 있다.
데이터베이스부(160)는 학습 데이터 생성 장치(100)가 딥러닝 기반의 학습 데이터를 생성하는데 필요한 다양한 데이터를 저장한다. 일례로, 데이터베이스부(160)는 학습 데이터(20), 라벨 선택 데이터 등을 저장할 수 있다.
통신부(170)는 외부 장치들과와 데이터 통신한다. 통신부(170)는 원본 생성 장치(300)로부터 원본 데이터(21)를 수신하고, 사용자 단말(200)로부터 라벨 선택 데이터를 수신할 수 있다.
도 3은 일 실시예에 따른 학습 데이터(20)를 도시한 도면이다.
도 3을 참조하면, 일 실시예에 따른 학습 데이터(20)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 포함한다.
전술한 바와 같이, 원본 데이터(21)는 머신 러닝을 위한 기초 자료로 원본 데이터 생성 장치(300)로부터 수신된다. 도면의 학습 데이터(20)에는 X={1,9,3,2,5}인 원본 데이터(21)가 입력되어 있는 것을 볼 수 있다.
그리고, 라벨 이력 데이터(22)는 원본 데이터(21)의 정답으로 선택된 라벨 데이터(23)의 이력 정보로, 사용자가 원본 데이터(21)에 대해 어떤 정답을 몇번 선택하였는지를 나타내는 이력 정보이다. 즉, 라벨 이력 데이터(22)는 사용자에게 선택된 라벨 데이터들의 카운트(Count) 정보이다. 라벨 이력 관리부(120)는 사용자 단말(200)로부터 수신된 라벨 선택 데이터를 이용하여, 라벨 이력 데이터(22)를 업데이트한다.
도면의 학습 데이터(20)에는 X=1 인 원본 데이터(21)의 라벨 이력 데이터(22)로 Pass(Y_P) 값이 1, Fail(Y_F) 값이 2로 입력되어 있고, X=9 인 원본 데이터(21)의 라벨 이력 데이터(22)로 Pass(Y_P) 값이 1, Fail(Y_F) 값이 0으로 입력되어 있고, X=5 인 원본 데이터(21)의 라벨 이력 데이터(22)로 Pass(Y_P) 값이 1, Fail(Y_F) 값이 3으로 입력되어 있는 것을 볼 수 있다.
라벨 데이터(23)는 원본 데이터(21)의 정답 데이터로, 라벨 결정부(130)는 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨 데이터(23)를 결정한다.
도면의 학습 데이터(20)에는 X=1 인 원본 데이터(21)의 라벨 데이터(23)로 Fail에 해당하는 0 값이, X=9 인 원본 데이터(21)의 라벨 데이터(23)로 Pass에 해당하는 1 값이, X=5 인 원본 데이터(21)의 라벨 데이터(23)로 Fail에 해당하는 0 값이 결정된 것을 볼 수 있다.
학습 데이터 생성부(140)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 이용하여, 학습 데이터(20)를 생성한다.
도 4는 일 실시예에 따른 라벨 이력 데이터(22)가 업데이트된 학습 데이터(20)를 도시한 도면이다. 도 4에 도시된 학습 데이터(20)에는 X=1 인 원본 데이터(21)의 라벨 이력 데이터(Y_F, 22)가 2에서 3으로 업데이트된 것을 볼 수 있다.
라벨 이력 관리부(120)는 사용자 단말(200)에서 전송된 라벨 선택 정보를 이용하여, 라벨 이력 데이터(22)를 업데이트 한다.
도면에서, 사용자 단말(200)로부터 X=1 인 원본 데이터(21)의 라벨을 Y_F로 결정한 라벨 선택 데이터를 수신한 경우로, 라벨 이력 관리부(120)는 수신한 라벨 선택 데이터를 이용하여, X=1 인 원본 데이터(21)의 라벨 이력 데이터(22)를 2에서 3으로 업데이트 한다.
도 5는 일 실시예에 따른 라벨 데이터(23)가 결정된 학습 데이터(20)를 도시한 도면이다. 도 5에 도시된 학습 데이터(20)에는 X=1 인 원본 데이터(21)의 라벨 데이터(Y, 23)가 0으로 결정된 것을 볼 수 있다.
라벨 결정부(130)는 업데이트된 라벨 이력 데이터(22)를 이용하여, 원본 데이터(21)의 라벨을 결정한다. 도면에서, X=1 인 원본 데이터(21)의 라벨 이력 데이터(22)는 Y_P=1, Y_F=3으로 업데이트 되었다.
전술한 바와 같이, 라벨 결정부(130)는 다양한 기준에 따라, 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨을 결정할 수 있다. 라벨 결정부(130)는 라벨 이력 데이터(22) 중에서 가장 높은 값을 가지는 데이터를 라벨로 결정할 수 있으며, 도면에서, X=1 인 원본 데이터(21)의 라벨 이력 데이터(22)는 Y_P=1, Y_F=3이므로, 높은 값을 가지는 Y_F에 해당하는 0 값을 라벨로 결정할 수 있다.
라벨 결정부(130)는 X=1 인 원본 데이터(21)의 라벨 데이터(23)를 0으로 결정하여, 결정된 라벨 데이터(23)를 학습 데이터 생성부(140)로 전송하고, 학습 데이터(140)는 라벨 결정부(130)에서 전송된 라벨 데이터(23)를 이용하여, 학습 데이터(140)를 생성한다.
도 6은 다른 실시예에 따른 학습 데이터(20)를 도시한 도면이다.
도 6을 참조하면, 다른 실시예에 따른 학습 데이터(20)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 포함한다.
전술한 바와 같이, 원본 데이터(21)는 머신 러닝을 위한 기초 자료로 원본 데이터 생성 장치(300)로부터 수신된다. 도면의 학습 데이터(20)에는 {A1, A2, A3, A4, A5}인 원본 데이터(21)가 입력되어 있는 것을 볼 수 있다.
그리고, 라벨 이력 데이터(22)는 원본 데이터(21)의 정답으로 선택된 라벨 데이터(23)의 이력 정보로, 사용자가 원본 데이터(21)에 대해 어떤 정답을 몇번 선택하였는지를 나타내는 이력 정보이다. 즉, 라벨 이력 데이터(22)는 사용자에게 선택된 라벨 데이터들의 카운트(Count) 정보이다. 라벨 이력 관리부(120)는 사용자 단말(200)로부터 수신된 라벨 선택 데이터를 이용하여, 라벨 이력 데이터(22)를 업데이트한다.
도면의 학습 데이터(20)에는 {1,0,1,0,1} 인 원본 데이터(21)의 라벨 이력 데이터(22)로 W(Warning) 값이 1로 입력되어 있고, {1,1,1,1,1} 인 원본 데이터(21)의 라벨 이력 데이터(22)로 C(Critical) 값이 2로, W(Warning) 값이 1로 입력되어 있고, {0,0,0,1,1} 인 원본 데이터(21)의 라벨 이력 데이터(22)로 S(Suspension) 값이 2로, I(Information) 값이 3으로 입력되어 있는 것을 볼 수 있다.
라벨 데이터(23)는 원본 데이터(21)의 정답 데이터로, 라벨 결정부(130)는 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨 데이터(23)를 결정한다.
도면의 학습 데이터(20)에는 {1,0,1,0,1} 인 원본 데이터(21)의 라벨 데이터(23)로 Warning에 해당하는 W 값이, {1,1,1,1,1} 인 원본 데이터(21)의 라벨 데이터(23)로 Critical에 해당하는 C 값이, {0,0,0,1,1} 인 원본 데이터(21)의 라벨 데이터(23)로 Information에 해당하는 I 값이 결정된 것을 볼 수 있다.
학습 데이터 생성부(140)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 이용하여, 학습 데이터(20)를 생성한다.
도 7은 다른 실시예에 따른 라벨 이력 데이터(22)가 업데이트된 학습 데이터(20)를 도시한 도면이다.
도 7에 도시된 학습 데이터(20)에는 {1,0,1,0,1}인 원본 데이터(21)의 라벨 이력 데이터(S, 22)가 0에서 2로 업데이트되고, {1,1,1,1,1}인 원본 데이터(21)의 라벨 이력 데이터(W, 22)가 1에서 2로 업데이트된 것을 볼 수 있다.
라벨 이력 관리부(120)는 사용자 단말(200)에서 전송된 라벨 선택 정보를 이용하여, 라벨 이력 데이터(22)를 업데이트 한다.
전술한 바와 같이, 라벨 선택 정보의 가중치를 다르게 적용할 수 있다. 일례로, 제 1 사용자 단말에서 전송된 라벨 선택 정보에는 2배의 가중치를 부여하고, 제 2 사용자 단말에서 전송된 라벨 선택 정보를 0.5배 가중치를 부여할 수 있다.
도면에서, 제 1 사용자 단말(200)로부터 {1,0,1,0,1}인 원본 데이터(21)의 라벨을 S로 선택한 라벨 선택 데이터를 수신하고, 제 2 사용자 단말(200)로부터 {1,1,1,1,1}인 원본 데이터(21)의 라벨을 W로 선택한 라벨 선택 데이터를 수신한 경우로 가정한다.
라벨 이력 관리부(120)는 제 1 사용자 단말(200)과 제 2 사용자 단말(200)로부터 수신한 라벨 선택 데이터를 이용하여, {1,0,1,0,1} 및 {1,1,1,1,1}인 원본 데이터(21)의 라벨 이력 데이터(22)를 업데이트 한다. 제 1 사용자 단말(200)의 라벨 선택 데이터는 2배 가중치를 부여하여, {1,0,1,0,1}인 원본 데이터(21)의 라벨 이력 데이터(22) 중 S 값을 0에서 2로 업데이트하고, 제 2 사용자 단말(200)의 라벨 선택 데이터는 0.5배 가중치를 부여하여, {1,1,1,1,1}인 원본 데이터(21)의 라벨 이력 데이터(22) 중 W 값을 1에서 1.5로 업데이트 한다.
도 8은 다른 실시예에 따른 라벨 데이터(23)가 결정된 학습 데이터(20)를 도시한 도면이다. 도 8에 도시된 학습 데이터(20)에는 {1,0,1,0,1}인 원본 데이터(21)의 라벨 데이터(23)가 S로 결정되고, {1,1,1,1,1}인 원본 데이터(21)의 라벨 데이터(23)가 C로 결정된 것을 볼 수 있다.
라벨 결정부(130)는 업데이트된 라벨 이력 데이터(22)를 이용하여, 원본 데이터(21)의 라벨을 결정한다. 도면에서, {1,0,1,0,1}인 원본 데이터(21)의 라벨 이력 데이터(22)는 S 값이 0에서 2로 업데이트되고, {1,1,1,1,1}인 원본 데이터(21)의 라벨 이력 데이터(22)는 W 값이 1에서 1.5로 업데이트 되었다.
전술한 바와 같이, 라벨 결정부(130)는 다양한 기준에 따라, 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨을 결정할 수 있다. 라벨 결정부(130)는 라벨 이력 데이터(22) 중에서 가장 높은 값을 가지는 데이터를 라벨로 결정할 수 있으며, 도면에서, {1,0,1,0,1}인 원본 데이터(21)는 라벨 이력 데이터(22) 중 가장 높은 값을 가지는 S를 라벨 데이터(23)로 결정하고, {1,1,1,1,1}인 원본 데이터(21)는 라벨 이력 데이터(22) 중 가장 높은 값을 가지는 C를 라벨 데이터(23)로 결정할 수 있다.
라벨 결정부(130)는 결정된 라벨 데이터(23)를 학습 데이터 생성부(140)로 전송하고, 학습 데이터(140)는 라벨 결정부(130)에서 전송된 라벨 데이터(23)를 이용하여, 학습 데이터(140)를 생성한다.
도 9는 일 실시예에 따른 학습 데이터 생성 방법의 흐름도를 도시한 도면이다.
도 9를 참조하면, 일 실시예에 따른 학습 데이터 생성 방법은 원본 데이터 수신 단계(S100), 라벨 선택 데이터 수신 단계(S110), 라벨 이력 데이터 업데이트 단계(S120), 라벨 데이터 결정 단계(S130) 및 학습 데이터 생성 단계(S140)를 포함한다.
우선, 원본 데이터 수신 단계(S100)로, 학습 데이터 생성 장치(100)는 머신 러닝을 위한 기초 자료인 원본 데이터(21)를 원본 데이터 생성 장치(300)로부터 수신한다.
그리고, 라벨 선택 데이터 수신 단계(S110)로, 학습 데이터 생성 장치(100)는 원본 데이터(21)에 대해 사용자가 선택한 정답 데이터인 라벨 선택 데이터를 사용자 단말(200)로부터 수신한다.
그리고, 라벨 이력 데이터 업데이트 단계(S120)로, 학습 데이터 생성 장치(100)는 사용자 단말(200)로부터 수신된 라벨 선택 데이터를 이용하여, 라벨 이력 데이터(22)를 업데이트한다.
그리고, 라벨 데이터 결정 단계(S130)로, 라벨 이력 데이터(22)를 이용하여 원본 데이터(21)의 라벨 데이터(23)를 결정한다. 라벨 데이터(23)는 원본 데이터(21)의 정답 데이터이다.
그리고, 학습 데이터 생성 단계(S140)로, 학습 데이터 생성 장치(100)는 원본 데이터(21), 라벨 이력 데이터(22) 및 라벨 데이터(23)를 포함하는 학습 데이터(20)를 생성한다.
도 10은 일 실시예에 따른 사용자 단말(200)의 구성을 도시한 도면이다. 이하, 도 10에 도시된 사용자 단말(200)를 구성하는 구성요소들에 대해 차례로 살펴본다.
무선 통신부(210)는 사용자 단말(200)와 무선 통신 시스템 사이의 무선 통신 또는 사용자 단말(200)와 사용자 단말(200)가 위치한 네트워크 사이의 무선 통신을 수행하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 무선 통신부(210)는 방송 수신 모듈(211), 이동통신 모듈(212), 무선 인터넷 모듈(213), 근거리 통신 모듈(214) 및 위치정보 모듈(215) 등을 포함할 수 있다.
방송 수신 모듈(211)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 여기에서, 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 한편, 방송 관련 정보는 이동통신망을 통하여도 제공될 수 있으며, 이러한 경우에는 이동통신 모듈(212)에 의해 수신될 수 있다.
또한, 이동통신 모듈(212)은 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
무선 인터넷 모듈(213)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 사용자 단말(200)에 내장되거나 외장 될 수 있다.
근거리 통신 모듈(214)은 근거리 통신을 위한 모듈을 말한다. 근거리 통신 기술로, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
또한, 위치정보 모듈(215)은 사용자 단말(200)의 위치를 확인하거나 얻기 위한 모듈이다. 일례로 GPS(Global Position System) 모듈을 들 수 있다. GPS 모듈은 복수 개의 인공위성으로부터 위치 정보를 수신한다. 여기에서, 위치 정보는 위도 및 경도로 표시되는 좌표 정보를 포함할 수 있다.
한편, A/V(Audio/Video) 입력부(220)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(221)와 마이크(222) 등이 포함될 수 있다. 카메라(221)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 그리고, 처리된 화상 프레임은 디스플레이부(251)에 표시될 수 있다.
카메라(221)에서 처리된 화상 프레임은 메모리(260)에 저장되거나 무선 통신부(210)를 통하여 외부로 전송될 수 있다. 카메라(221)는 사용자 단말(200)의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
마이크(222)는 통화모드 또는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력받아 전기적인 음성 데이터로 처리한다. 그리고, 처리된 음성 데이터는 통화 모드인 경우 이동통신 모듈(212)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다. 마이크(222)는 외부의 음향 신호를 입력받는 과정에서 발생하는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 구현할 수 있다.
사용자 입력부(230)는 사용자로부터 입력 동작을 받아들여, 사용자 단말(200)의 동작 제어를 위한 입력 데이터를 발생시킨다.
센싱부(240)는 사용자 단말(200)의 위치, 사용자 접촉 유무, 사용자 단말(200)의 방위, 사용자 단말(200)의 가속/감속 등과 같이, 사용자 단말(200)의 현 상태를 감지하여 사용자 단말(200)의 동작을 제어하기 위한 센싱 신호를 발생시킨다.
인터페이스부(270)는 사용자 단말(200)에 연결되는 모든 외부기기와의 인터페이스 역할을 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 포함될 수 있다.
출력부(250)는 오디오 신호 또는 비디오 신호 또는 알람(alarm) 신호의 출력을 위한 것으로, 이에는 디스플레이부(251)와 음향 출력 모듈(252), 알람부(253) 등이 포함될 수 있다.
디스플레이부(251)는 사용자 단말(200)에서 처리되는 정보를 표시 출력한다. 예를 들어, 단말기가 통화 모드인 경우, 통화와 관련된 UI(User Interface) 또는 GUI(Graphic User Interface)를 표시한다. 그리고, 사용자 단말(200)가 화상 통화 모드 또는 촬영 모드인 경우, 촬영 또는/및 수신된 영상 또는 UI, GUI를 표시한다.
한편, 전술한 바와 같이, 디스플레이부(251)와 터치 패드가 상호 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(251)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(251)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 그리고, 사용자 단말(200)의 구현 형태에 따라, 디스플레이부(251)는 2개 이상 존재할 수도 있다. 예를 들어, 사용자 단말(200)에 외부 디스플레이부(미도시)와 내부 디스플레이부(미도시)가 동시에 구비될 수 있다.
음향 출력 모듈(252)은 호 신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서, 무선 통신부(210)로부터 수신되거나 메모리(260)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력 모듈(252)은 사용자 단말(200)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음 등)과 관련된 음향 신호를 출력한다. 이러한 음향 출력 모듈(252)에는 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
알람부(253)는 사용자 단말(200)의 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력 등이 있다.
메모리(260)는 제어부(280)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 폰북, 메시지, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다.
메모리(260)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
그리고, 제어부(280)는 통상적으로 단말기의 전반적인 동작을 제어한다. 예를 들어, 음성 통화, 데이터 통신, 화상 통화 등을 위한 관련된 제어 및 처리를 수행한다. 또한, 제어부(280)는 멀티 미디어 재생을 위한 멀티미디어 모듈(281)을 구비할 수도 있다. 멀티미디어 모듈(281)은 제어부(280) 내에 구현될 수도 있고, 제어부(280)와 별도로 구현될 수도 있다.
그리고, 제어부(280)는 원본 데이터(21)에 대해 사용자가 선택한 정답 데이터인 라벨 선택 데이터를 생성하여, 학습 데이터 생성 장치(100)에 전송한다.
전원 공급부(290)는 제어부(280)의 제어에 의해 외부의 전원, 내부의 전원을 인가받아 각 구성요소들의 동작에 필요한 전원을 공급한다.
여기에 설명되는 다양한 실시예는 예를 들어 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여, 컴퓨터로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 그러한 실시 예들이 제어부(280)에 의해 구현될 수 있다.
소프트웨어적인 구현에 의하면, 절차나 기능과 같은 실시 예들은 적어도 하나의 기능 또는 작동을 수행하게 하는 별개의 소프트웨어 모듈과 함께 구현될 수 있다. 소프트웨어 코드는 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션에 의해 구현될 수 있다. 또한, 소프트웨어 코드는 메모리(260)에 저장되고, 제어부(280)에 의해 실행될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 프로세싱 유닛(Graphics Processing Unit; GPU), ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 주문형 집적 회로(Application Specific Integrated Circuits; ASICS), 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 학습 데이터 생성 장치에서 수행되는 머신 러닝의 학습 데이터 생성 방법으로,
    원본 데이터 생성 장치로부터 원본 데이터를 수신하는 동작;
    사용자 단말로부터 라벨 선택 데이터를 수신하는 동작;
    상기 라벨 선택 데이터를 이용하여 상기 원본 데이터의 라벨 이력 데이터를 업데이트하는 동작;
    상기 라벨 이력 데이터를 이용하여 상기 원본 데이터의 라벨 데이터를 결정하는 동작; 및
    원본 데이터 및 라벨 데이터를 포함하는 학습 데이터를 생성하는 동작을 포함하고,
    상기 라벨 데이터는 상기 라벨 이력 데이터를 이용하여 Critical, Warning, Suspension, Information 중에 하나로 결정되고,
    상기 라벨 선택 데이터는 사용자에 의해 선택된 라벨 데이터이고,
    상기 라벨 이력 데이터는 상기 사용자가 상기 원본 데이터에 대해 어떤 라벨 데이터를 몇번 선택하였는지를 나타내는 카운트(Count) 정보를 포함하고,
    상기 라벨 이력 데이터를 업데이트하는 동작은 제1 사용자 단말로부터 수신한 라벨 선택 데이터에 대해서는 제1 배수의 제1 가중치를 부여하고, 제2 사용자 단말로부터 수신한 라벨 선택 데이터에 대해서는 상기 제1 배수보다 낮은 제2 배수의 제2 가중치를 부여하는 동작을 포함하고,
    상기 라벨 데이터를 결정하는 동작은 상기 라벨 이력 데이터 중에서 가장 높은 카운트 정보 값을 가지는 데이터를 상기 라벨 데이터로 결정하거나, 상기 라벨 이력 데이터 중에서 가장 최근에 업데이트된 데이터를 상기 라벨 데이터로 결정하는
    학습 데이터 생성 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 원본 데이터 생성 장치로부터 원본 데이터를 수신하고, 사용자 단말로부터 라벨 선택 데이터를 수신하도록 구성된 통신부;
    상기 라벨 선택 데이터를 이용하여 상기 원본 데이터의 라벨 이력 데이터를 업데이트하도록 구성된 라벨 이력 관리부;
    상기 라벨 이력 데이터를 이용하여 상기 원본 데이터의 라벨 데이터를 결정하도록 구성된 라벨 결정부; 및
    원본 데이터 및 라벨 데이터를 포함하는 학습 데이터를 생성하도록 구성된 학습 데이터 생성부를 포함하고,
    상기 라벨 데이터는 상기 라벨 이력 데이터를 이용하여 Critical, Warning, Suspension, Information 중에 하나로 결정되고,
    상기 라벨 선택 데이터는 사용자에 의해 선택된 라벨 데이터이고,
    상기 라벨 이력 데이터는 상기 사용자가 상기 원본 데이터에 대해 어떤 라벨 데이터를 몇번 선택하였는지를 나타내는 카운트(Count) 정보를 포함하고,
    상기 라벨 이력 관리부는 제1 사용자 단말로부터 수신한 라벨 선택 데이터에 대해서는 제1 배수의 제1 가중치를 부여하고, 제2 사용자 단말로부터 수신한 라벨 선택 데이터에 대해서는 상기 제1 배수보다 낮은 제2 배수의 제2 가중치를 부여하도록 구성되고,
    상기 라벨 결정부는 상기 라벨 이력 데이터 중에서 가장 높은 카운트 정보 값을 가지는 데이터를 상기 라벨 데이터로 결정하거나, 상기 라벨 이력 데이터 중에서 가장 최근에 업데이트된 데이터를 상기 라벨 데이터로 결정하도록 구성되는
    학습 데이터 생성 장치.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
KR1020200010355A 2020-01-29 2020-01-29 머신 러닝 학습 데이터 생성 방법 및 그 시스템 KR102131347B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200010355A KR102131347B1 (ko) 2020-01-29 2020-01-29 머신 러닝 학습 데이터 생성 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200010355A KR102131347B1 (ko) 2020-01-29 2020-01-29 머신 러닝 학습 데이터 생성 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR102131347B1 true KR102131347B1 (ko) 2020-07-07

Family

ID=71602729

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200010355A KR102131347B1 (ko) 2020-01-29 2020-01-29 머신 러닝 학습 데이터 생성 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102131347B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102343055B1 (ko) * 2021-07-08 2021-12-24 주식회사 인피닉 로컬 장치를 이용한 어노테이션 로드 밸런싱 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017211689A (ja) * 2016-05-23 2017-11-30 株式会社ツクタ技研 分類モデル装置、分類モデル学習方法、および分類モデル学習プログラム
KR20180079391A (ko) * 2015-10-30 2018-07-10 가부시키가이샤 모르포 학습 시스템, 학습 장치, 학습 방법, 학습 프로그램, 교사 데이터 작성 장치, 교사 데이터 작성 방법, 교사 데이터 작성 프로그램, 단말 장치 및 임계치 변경 장치
JP2019008675A (ja) * 2017-06-27 2019-01-17 ファナック株式会社 故障予測装置及び機械学習装置
JP2019175482A (ja) * 2019-05-24 2019-10-10 株式会社フューチャーアイ 学習支援システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180079391A (ko) * 2015-10-30 2018-07-10 가부시키가이샤 모르포 학습 시스템, 학습 장치, 학습 방법, 학습 프로그램, 교사 데이터 작성 장치, 교사 데이터 작성 방법, 교사 데이터 작성 프로그램, 단말 장치 및 임계치 변경 장치
JP2017211689A (ja) * 2016-05-23 2017-11-30 株式会社ツクタ技研 分類モデル装置、分類モデル学習方法、および分類モデル学習プログラム
JP2019008675A (ja) * 2017-06-27 2019-01-17 ファナック株式会社 故障予測装置及び機械学習装置
JP2019175482A (ja) * 2019-05-24 2019-10-10 株式会社フューチャーアイ 学習支援システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102343055B1 (ko) * 2021-07-08 2021-12-24 주식회사 인피닉 로컬 장치를 이용한 어노테이션 로드 밸런싱 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
CN109523187B (zh) 任务调度方法、装置和设备
CN109918040B (zh) 语音指令分发方法和装置、电子设备及计算机可读介质
US11095727B2 (en) Electronic device and server for providing service related to internet of things device
US9928846B2 (en) Method and electronic device for tracking audio
CN111552470A (zh) 物联网中的数据分析任务创建方法、装置及存储介质
KR102110480B1 (ko) 비지도 학습 기반의 이상 탐지 방법 및 그 시스템
US11268822B2 (en) Method and system for navigation using video call
CN110059623B (zh) 用于生成信息的方法和装置
CN110084317B (zh) 用于识别图像的方法和装置
EP2634536A2 (en) Apparatus and method for providing navigation service in electronic device
CN114489896B (zh) 内容显示方法、装置、存储介质及电子设备
KR102131347B1 (ko) 머신 러닝 학습 데이터 생성 방법 및 그 시스템
KR102125848B1 (ko) 맥 어드레스를 이용한 물리 보안 관제 방법 및 그 시스템
CN116088537B (zh) 车辆避障方法、装置、电子设备和计算机可读介质
CN114550728B (zh) 用于标记说话人的方法、装置和电子设备
CN110674050A (zh) 内存越界检测方法、装置、电子设备及计算机存储介质
US20230185543A1 (en) System and method for creating configurational blocks used for building continuous real-time software logical sequences
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
KR102131353B1 (ko) 머신 러닝의 예측 데이터 피드백 적용 방법 및 그 시스템
CN110083283B (zh) 用于管理信息的方法、装置和系统
CN116416018A (zh) 内容输出方法、装置、计算机可读介质及电子设备
CN110086880B (zh) 创建网络请求的实例的方法和装置
KR102081389B1 (ko) 위치 기반 서비스 제공 방법 및 그 전자 장치
CN117473047B (zh) 业务文本生成方法、装置、电子设备及可读存储介质
CN113469159B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant