KR102198322B1

KR102198322B1 - Intelligent data visualization system using machine learning

Info

Publication number: KR102198322B1
Application number: KR1020200104528A
Authority: KR
Inventors: 임대우
Original assignee: 플레인브레드 주식회사
Priority date: 2020-08-20
Filing date: 2020-08-20
Publication date: 2021-01-04
Also published as: KR102345753B1

Abstract

Provided is an intelligent data visualization system using machine learning to perform automatic data visualization analysis. According to one embodiment of the present invention, the intelligent data visualization system implemented in a computer system comprises: a data table including a plurality of pieces of data respectively provided from each of the plurality of data sources; a data acquisition unit receiving the plurality of pieces of data from the data table and selecting one of the plurality of pieces of data; a machine learning unit generating prediction data based on the data selected from the data acquisition unit using a previously learned model through machine learning; and a data visualization unit generating data visualization content based on the selected data and the prediction data.

Description

Intelligent data visualization system using machine learning {INTELLIGENT DATA VISUALIZATION SYSTEM USING MACHINE LEARNING}

본 발명은 기계 학습을 이용한 지능형 데이터 시각화 시스템에 관한 것이다. The present invention relates to an intelligent data visualization system using machine learning.

전 세계 국가에 인터넷이 보편화 되고 이를 통해 전달되는 데이터의 중요성이 날로 높아지고 있는 상황에서, 데이터 활용을 보다 효과적으로 수행하기 위한 다양한 기술들은 빠르게 발전하고 있다. 특히, 최근에는 다양한 데이터를 사용자가 한눈에 확인할 수 있도록 차트, 이미지, 비디오 등의 다양한 콘텐츠로 가공하는 데이터 시각화 기술이 각광을 받고 있다.With the Internet becoming common in countries around the world and the importance of data transmitted through it is increasing day by day, various technologies for more effective use of data are rapidly developing. In particular, recently, a data visualization technology that processes various data into various contents such as charts, images, and videos so that users can check at a glance is in the spotlight.

이러한 데이터 시각화 기술은 크게 시각화하고자 하는 데이터를 획득하는 기술과 획득된 데이터를 클라이언트 환경 상에서 시각화하는 기술로 구성된다. This data visualization technology is largely composed of a technology to acquire data to be visualized and a technology to visualize the acquired data in a client environment.

종래에는 방대한 양의 데이터를 시각화하기 위해, 사용자는 시각화 하고자 하는 데이터에 적합한 차트를 직접 선택하고, 차트를 그리기 위한 축 설정 등의 작업을 일일이 수행해야 했다. 이로 인해, 데이터 시각화의 결과는 사용자의 차트 이해도에 크게 의존되어 편향된 분석이 일어날 수 있고, 데이터 시각화에 소요되는 노력과 시간도 크게 요구되어 생산성의 하락이 발생할 수 있다. Conventionally, in order to visualize a vast amount of data, the user had to manually select a chart suitable for the data to be visualized, and perform tasks such as setting an axis for drawing the chart. For this reason, the result of data visualization is highly dependent on the user's chart comprehension and biased analysis may occur, and the effort and time required for data visualization are also greatly required, resulting in a decrease in productivity.

본 발명은 사용자의 전문성이 없어도 정확도 높은 데이터 분석을 하고, 사용자의 의사와 관계없이 획득된 데이터에 근거하여 자동으로 데이터 시각화 분석을 하는 지능형 데이터 시각화 시스템을 제공하는데 그 목적이 있다. An object of the present invention is to provide an intelligent data visualization system that analyzes data with high accuracy even without a user's expertise and automatically performs data visualization analysis based on acquired data regardless of the user's intention.

또한, 본 발명은 주어진 데이터를 기초로 기계 학습(machine learning)을 이용하여 예측된 데이터를 제공하는 지능형 데이터 시각화 시스템을 제공하는데 그 목적이 있다.In addition, an object of the present invention is to provide an intelligent data visualization system that provides predicted data using machine learning based on given data.

본 발명의 과제들은 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those skilled in the art from the following description.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 지능형 데이터 시각화 시스템은 컴퓨터 시스템 내에서 구현되고, 복수의 데이터 소스들로부터 각각 제공된 복수의 데이터들을 포함하는 데이터 테이블; 상기 데이터 테이블로부터 상기 복수의 데이터들을 제공받고, 상기 복수의 데이터들 중 적어도 하나의 데이터를 선택하는 데이터 취득부; 기계 학습을 통해 미리 학습된 모델을 이용하여 상기 데이터 취득부로부터 선택된 데이터를 기반으로 예측 데이터를 생성하는 기계 학습부 및 상기 선택된 데이터 및 상기 예측 데이터를 기초로 데이터 시각화 콘텐츠(contents)를 생성하는 데이터 시각화부를 포함한다.An intelligent data visualization system according to an embodiment of the present invention for solving the above problems is implemented in a computer system, and includes a data table including a plurality of data each provided from a plurality of data sources; A data acquisition unit that receives the plurality of data from the data table and selects at least one of the plurality of data; A machine learning unit that generates prediction data based on the data selected by the data acquisition unit using a model previously learned through machine learning, and data that generates data visualization contents based on the selected data and the prediction data It includes a visualization unit.

여기서, 상기 미리 학습된 모델은 와이드 모델(wide model) 및 딥 모델(deep model) 중 적어도 하나를 기초로 기계 학습하여 생성된 모델이고, 상기 와이드 모델 및 상기 딥 모델은 각각 상기 선택된 데이터가 입력되는 입력 노드 및 상기 예측 데이터가 출력되는 출력 노드를 포함할 수 있다.Here, the pre-trained model is a model generated by machine learning based on at least one of a wide model and a deep model, and the wide model and the deep model are each inputted with the selected data. It may include an input node and an output node from which the prediction data is output.

여기서, 상기 기계 학습부는 상기 선택된 데이터가 카테고리형(category type) 데이터인 경우 상기 와이드 모델을 기초로 학습된 모델을 이용하여 상기 예측 데이터를 생성하고, 상기 선택된 데이터가 시계열형(time series type) 데이터인 경우 상기 딥 모델을 기초로 학습된 모델을 이용하여 상기 예측 데이터를 생성하고, 상기 와이드 모델은 상기 출력 노드에 상기 입력 노드가 직접 연결되는 제1 신경망을 포함하는 선형 모델이고, 상기 딥 모델은 상기 출력 노드 및 상기 입력 노드 사이에 적어도 하나의 히든 레이어가 연결되는 제2 신경망을 포함하는 비선형 모델일 수 있다.Here, the machine learning unit generates the prediction data using a model learned based on the wide model when the selected data is category type data, and the selected data is time series type data. In the case of, the prediction data is generated using a model learned based on the deep model, and the wide model is a linear model including a first neural network to which the input node is directly connected to the output node, and the deep model is It may be a nonlinear model including a second neural network to which at least one hidden layer is connected between the output node and the input node.

여기서, 상기 기계 학습부는 시각화 추천부를 더 포함하되, 상기 시각화 추천부는 상기 선택된 데이터를 기초로 시각화 유형 추천 정보를 생성하여 상기 데이터 시각화부에 제공하고, 상기 데이터 시각화부는 상기 시각화 유형 추천 정보를 기초로 상기 데이터 시각화 콘텐츠를 생성할 수 있다.Here, the machine learning unit further includes a visualization recommendation unit, wherein the visualization recommendation unit generates visualization type recommendation information based on the selected data and provides it to the data visualization unit, and the data visualization unit is based on the visualization type recommendation information. The data visualization content may be generated.

여기서, 사용자에게 대시보드를 출력하는 콘텐츠 출력부를 더 포함하되, 상기 대시보드는 상기 데이터 시각화 콘텐츠가 표시되는 적어도 하나의 패널을 포함할 수 있다.Here, the content output unit for outputting a dashboard to the user may be further included, wherein the dashboard may include at least one panel on which the data visualization content is displayed.

여기서, 상기 콘텐츠 출력부는 상기 대시보드 내 상기 패널에 대한 사용자의 입력에 대응하여 상기 패널을 확대 또는 축소하여 표시하고, 상기 사용자의 입력은 상기 패널의 가장자리에 대한 드래그(drag)이고, 상기 콘텐츠 출력부는 상기 대시보드 내 상기 패널에 대한 사용자의 입력에 대응하여 상기 패널을 이동시키되, 상기 사용자의 입력은 상기 패널의 내부 영역에 대한 드래그(drag)일 수 있다.Here, the content output unit enlarges or reduces the panel in response to the user's input to the panel in the dashboard, and the user's input is a drag on the edge of the panel, and the content output The unit moves the panel in response to a user's input to the panel in the dashboard, but the user's input may be a drag on an inner area of the panel.

여기서, 상기 콘텐츠 출력부는 상기 대시보드 내 패널 추가 영역을 표시하고, 상기 패널 추가 영역에 대한 사용자의 입력에 대응하여 대시보드 관리 GUI(Graphic User Interface)를 제공하되, 상기 사용자의 입력은 상기 추가 패널에 대한 클릭(click) 및 더블 클릭(double click) 중 적어도 하나를 포함할 수 있다.Here, the content output unit displays a panel addition area in the dashboard, and provides a dashboard management GUI (Graphic User Interface) in response to a user's input to the panel addition area, wherein the user input is the additional panel It may include at least one of a click and a double click.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Details of other embodiments are included in the detailed description and drawings.

본 발명의 실시예들에 따른 지능형 데이터 시각화 시스템에 의하면, 사용자의 전문성이 없어도 정확도 높은 데이터 분석을 하고, 사용자의 의사와 관계없이 획득된 데이터에 근거하여 자동으로 데이터 시각화 분석을 하는 지능형 데이터 시각화 시스템을 제공할 수 있다.According to the intelligent data visualization system according to embodiments of the present invention, an intelligent data visualization system that analyzes data with high accuracy even without the user's expertise and automatically performs data visualization analysis based on the acquired data regardless of the user's intention. Can provide.

또한 본 발명의 다양한 실시예들에 따르면, 주어진 데이터를 기초로 와이드 모델(wide model) 및 딥 모델(deep model)에 기반한 기계 학습(machine learning)을 이용하여 정확도가 높은 시각화 콘텐츠를 제공할 수 있고, 예측된 데이터를 제공하는 지능형 데이터 시각화 시스템을 제공하여 사용자가 신속한 의사 결정을 도모할 수 있도록 도움을 제공할 수 있다.In addition, according to various embodiments of the present invention, visualization content with high accuracy can be provided using machine learning based on a wide model and a deep model based on given data. In addition, by providing an intelligent data visualization system that provides predicted data, it is possible to provide help so that users can make quick decisions.

실시예들에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.Effects according to the embodiments are not limited by the contents illustrated above, and more various effects are included in the present specification.

도 1은 본 발명의 일 실시예에 따른 지능형 데이터 시각화 시스템을 나타내는 블록도이다.
도 2는 도 1의 지능형 데이터 시각화 시스템이 포함하는 기계 학습부를 나타내는 블록도이다.
도 3은 도 2의 와이드 모델이 포함하는 제1 신경망을 설명하기 위한 도면이다.
도 4는 도 2의 딥 모델이 포함하는 제2 신경망을 설명하기 위한 도면이다.
도 5는 도 1의 데이터 시각화부가 출력하는 데이터 시각화 콘텐츠의 일 예이다.
도 6은 도 1의 컨텐츠 출력부에 의해 대시보드가 컴퓨팅 디바이스에서 구현된 표시 화면의 일 예이다.
도 7 내지 도 9는 대시보드에 대한 사용자의 입력에 따른 콘텐츠 출력부의 인터랙션 동작을 설명하기 위한 도면들이다. 1 is a block diagram showing an intelligent data visualization system according to an embodiment of the present invention.
2 is a block diagram illustrating a machine learning unit included in the intelligent data visualization system of FIG. 1.
FIG. 3 is a diagram illustrating a first neural network included in the wide model of FIG. 2.
4 is a diagram illustrating a second neural network included in the deep model of FIG. 2.
5 is an example of data visualization content output by the data visualization unit of FIG. 1.
6 is an example of a display screen in which a dashboard is implemented in a computing device by the content output unit of FIG. 1.
7 to 9 are diagrams for explaining an interaction operation of a content output unit according to a user's input to a dashboard.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various forms different from each other, and only these embodiments make the disclosure of the present invention complete, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to those who have it, and the invention is only defined by the scope of the claims.

실시예들을 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 또한, 도면에서 본 발명과 관계없는 부분은 본 발명의 설명을 명확하게 하기 위하여 생략되거나 간소하게 표현될 수 있다.The shapes, sizes, ratios, angles, numbers, etc. disclosed in the drawings for describing the embodiments are exemplary, and the present invention is not limited to the illustrated matters. The same reference numerals refer to the same components throughout the specification. In addition, parts not related to the present invention in the drawings may be omitted or simplified in order to clarify the description of the present invention.

비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.Although the first, second, and the like are used to describe various components, it goes without saying that these components are not limited by these terms. These terms are only used to distinguish one component from another component. Therefore, it goes without saying that the first component mentioned below may be the second component within the technical idea of the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise.

이때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨팅 디바이스의 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다.In this case, it will be appreciated that each block of the process flow diagrams and combinations of the flow chart diagrams may be executed by computer program instructions of the computing device.

또한, 각 블록은 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇몇 실시예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행될 수도 있다.In addition, each block may represent a module, segment, or part of code containing one or more executable instructions for executing specified logical functions. In addition, it should be noted that in some embodiments, functions mentioned in the blocks may occur out of order. For example, two blocks shown in succession may in fact be executed substantially simultaneously, or the blocks may sometimes be executed in the reverse order depending on the corresponding function.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(Field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 특정의 역할들을 수행할 수 있다.In this case, the term'~ unit' used in this embodiment refers to software or hardware components such as field-programmable gate array (FPGA) or application specific integrated circuit (ASIC), and'~ unit' is a specific Can play roles.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.In describing the embodiments of the present invention in detail, examples of specific systems will be the main target, but the main subject matter to be claimed in this specification is the scope disclosed in the present specification to other communication systems and services having a similar technical background. It can be applied within a range that does not deviate greatly, and this will be possible at the judgment of a person skilled in the art.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 지능형 데이터 시각화 시스템을 나타내는 블록도이다.1 is a block diagram showing an intelligent data visualization system according to an embodiment of the present invention.

도 1을 참조하면, 지능형 데이터 시각화 시스템(1000)은 복수의 데이터 소스들(101, 102, 103), 데이터 테이블(200), 데이터 취득부(300), 기계 학습부(400), 데이터 시각화부(500), 및 콘텐츠 출력부(600)를 포함할 수 있다.1, the intelligent data visualization system 1000 includes a plurality of data sources 101, 102, 103, a data table 200, a data acquisition unit 300, a machine learning unit 400, and a data visualization unit. 500, and a content output unit 600 may be included.

복수의 데이터 소스들(101, 102, 103)은 인터넷 상에 구축된 데이터 베이스 상에서 검색된 데이터들을 포함할 수 있다. 또는, 복수의 데이터 소스들(101, 102, 103)는 컴퓨팅 장치에 저장되어 있던 데이터 베이스로부터 업로드된 데이터들일 수 있다. 즉, 사용자의 간단한 선택 동작에 의해 업로드된 데이터 파일일 수 있다.The plurality of data sources 101, 102, and 103 may include data retrieved from a database built on the Internet. Alternatively, the plurality of data sources 101, 102, and 103 may be data uploaded from a database stored in the computing device. That is, it may be a data file uploaded by a user's simple selection operation.

데이터 테이블(200)은 복수의 데이터 소스들(101, 102, 103)로부터 데이터들(DS1, DS2, DS3)을 제공받아 취합할 수 있으며, 사용자의 필요에 따른 데이터 베이스(DATA)를 새롭게 구성할 수 있다. 이를 위해, 제1 데이터 소스(101)는 제1 데이터(DS1)를 데이터 테이블(200)에 제공하고, 제2 데이터 소스(102)는 제2 데이터(DS2)를 데이터 테이블(200)에 제공하며, 제3 데이터 소스(103)는 제3 데이터(DS3)를 데이터 테이블(200)에 제공할 수 있다. The data table 200 can be collected by receiving data (DS1, DS2, DS3) from a plurality of data sources 101, 102, 103, and a new database (DATA) according to the user's needs can be constructed. I can. To this end, the first data source 101 provides the first data DS1 to the data table 200, the second data source 102 provides the second data DS2 to the data table 200, and , The third data source 103 may provide the third data DS3 to the data table 200.

일 예로, 각각의 데이터들(DS1, DS2, DS3)은 셀 단위로 데이터가 저장되어 있는 스프레드 시트 방식일 수 있다. 각 셀에 저장되어 있는 데이터에는 변수 타입이 부여될 수 있다. 변수 타입은 데이터의 속성을 나타낼 수 있다. 예를 들어, 각각의 데이터들(DS1, DS2, DS3)은 성별(남자와 여자), 계급(이병, 일병, 상병, 병장)과 같이 사전에 정해진 특정 유형으로 분류되거나, 나이, 키, 몸무게 등의 수치로 분류되는 카테고리형(category type) 데이터 및 시간별 전력 소모량, 연도별 출생률과 같이 시간적 순서에 따른 시계열적 특징을 같는 시계열형(time series type) 데이터로 구분될 수 있다. For example, each of the data DS1, DS2, and DS3 may be a spreadsheet method in which data is stored in units of cells. Data stored in each cell can be assigned a variable type. The variable type can represent data properties. For example, each of the data (DS1, DS2, DS3) is classified into a specific type determined in advance, such as gender (male and female), class (private, private, sergeant, sergeant), or age, height, weight, etc. It can be classified into category type data classified by numerical values of and time series type data having the same time series characteristics according to a chronological order, such as power consumption by time and birth rate by year.

데이터 취득부(300)는 데이터 테이블(200)로부터 데이터 베이스(DATA)를 제공받을 수 있다. 일 실시예에서, 데이터 취득부(300)는 데이터 테이블(200)의 데이터 베이스(DATA) 중 적어도 하나의 데이터를 선택할 수 있다. 데이터 취득부(300)는 데이터 베이스(DATA)를 자동적으로 스캔하여 사용자의 요구에 적합한 데이터(CDATA)를 선별할 수 있다. 다만, 이에 한정되는 것은 아니며, 데이터 취득부(300)는 사용자의 정의 옵션에 따라 데이터 베이스(DATA)를 스캔하여 적합한 데이터(CDATA)를 선별할 수 있다.The data acquisition unit 300 may receive a database DATA from the data table 200. In an embodiment, the data acquisition unit 300 may select at least one data from the database DATA of the data table 200. The data acquisition unit 300 may automatically scan the database DATA to select data CDATA suitable for a user's request. However, the present invention is not limited thereto, and the data acquisition unit 300 may select suitable data CDATA by scanning the database DATA according to a user's definition option.

기계 학습부(400)는 데이터 취득부(300)가 선택한 데이터(CDATA)를 제공받을 수 있고, 선택된 데이터(CDATA)를 학습 데이터로서 학습하여 예측 데이터(PDATA)를 생성할 수 있다. 여기서 예측 데이터(PDATA)는 선택된 데이터(CDATA) 내에 주어진 정보를 바탕으로, 선택된 데이터(CDATA) 내에 제공되지 않은 정보를 추측하여 도출된 데이터일 수 있다. The machine learning unit 400 may receive the data CDATA selected by the data acquisition unit 300, and may generate predicted data PDATA by learning the selected data CDATA as training data. Here, the prediction data PDATA may be data derived by inferring information not provided in the selected data CDATA based on information given in the selected data CDATA.

실시예에 따라, 기계 학습부(400)는 선택된 데이터(CDATA)를 학습하는 과정에서 사용자에게 효과적으로 정보를 전달하기 위한 시각화 유형을 추천할 수 있다. 이러한 시각화 유형 추천 정보는 예측 데이터(PDATA)와 함께 데이터 시각화부(500)에 제공될 수 있다. According to an embodiment, the machine learning unit 400 may recommend a visualization type for effectively transmitting information to a user in the process of learning the selected data CDATA. This visualization type recommendation information may be provided to the data visualization unit 500 together with the prediction data PDATA.

데이터 시각화부(500)는 기계 학습부(400)로부터 예측 데이터(PDATA) 및 선택된 데이터(CDATA)를 제공받아 데이터 시각화 콘텐츠(DVC)를 생성할 수 있다. 데이터 시각화 콘텐츠(DVC)는 데이터 취득부(300)에 의해 선택된 데이터(CDATA) 및 기계 학습부(400)에 의해 생성된 예측 데이터(PDATA)를 토대로 사용자에게 시각적 정보 전달을 위해 생성된 자료일 수 있다. 데이터 시각화 콘텐츠(DVC)의 형식은 사용자에게 데이터 분석 내용을 효과적으로 전달할 수 있는 형식이라면 특별히 제한되지 않으나, 차트, 이미지, 비디오, 텍스트 등의 형식으로 이루어질 수 있다. 또한, 상술한 바와 같이, 데이터 시각화부(500)는 기계 학습부(400)로부터 제공된 시각화 유형 추정 정보를 토대로 시각화 유형을 결정할 수 있다. The data visualization unit 500 may receive the prediction data PDATA and the selected data CDATA from the machine learning unit 400 to generate data visualization content DVC. The data visualization content (DVC) may be data generated to deliver visual information to the user based on the data selected by the data acquisition unit 300 (CDATA) and the predicted data (PDATA) generated by the machine learning unit 400 have. The format of the data visualization content (DVC) is not particularly limited as long as it can effectively deliver the data analysis content to the user, but may be in the form of charts, images, videos, text, and the like. Also, as described above, the data visualization unit 500 may determine a visualization type based on the visualization type estimation information provided from the machine learning unit 400.

일 실시예에서, 데이터 시각화부(500)는 기계 학습부(400)로부터 예측 데이터(PDATA) 및 선택된 데이터(CDATA)를 모두 제공받을 수 있으나, 이에 한정되지 않으며, 기계 학습부(400)로부터 예측 데이터(PDATA)를 제공받고, 데이터 취득부(300)로부터 선택된 데이터(CDATA)를 각각 제공받을 수도 있다. In one embodiment, the data visualization unit 500 may receive both the prediction data PDATA and the selected data CDATA from the machine learning unit 400, but is not limited thereto, and the prediction from the machine learning unit 400 Data PDATA may be provided, and selected data CDATA may be provided by the data acquisition unit 300, respectively.

콘텐츠 출력부(600)는 데이터 시각화부(500)에서 생성된 데이터 시각화 콘텐츠(DVC)를 제공받아 사용자에게 표시할 수 있다. 콘텐츠 출력부(600)는 데이터 시각화 콘텐츠(DVC)를 표시하기 위한 대시보드(700) 및 대시보드(700) 내에 표시되는 데이터 시각화 콘텐츠(DVC)에 대한 세부 편집이 가능한 컨트롤 보드 등을 포함할 수 있다. 콘텐츠 출력부(600)는 제공된 데이터 시각화 콘텐츠(DVC)를 대시보드(700)에 표시하여 사용자에게 데이터 분석 정보를 제공할 수 있다. The content output unit 600 may receive and display the data visualization content DVC generated by the data visualization unit 500 to a user. The content output unit 600 may include a dashboard 700 for displaying data visualization content (DVC) and a control board capable of detailed editing of data visualization content (DVC) displayed in the dashboard 700. have. The content output unit 600 may provide data analysis information to a user by displaying the provided data visualization content DVC on the dashboard 700.

콘텐츠 출력부(600)는 사용자의 입력에 대응한 인터랙션을 수행할 수 있다. 사용자의 입력은 마우스, 카메라, 마이크, 터치 구동 스크린, 키보드, 및 이에 필적하는 것들을 포함하는 하드웨어에 의해 이루어질 수 있다. 또한, 사용자의 입력은 광학 제스처 캡처, 자이로스코프 입력 장치, 마우스, 키보드, 안구 추적 입력, 및 이에 필적하는 소프트웨어 및/또는 하드웨어 기반 기술과 같은 다른 입력 메카니즘을 통해 이루어질 수도 있다. 사용자의 입력 동작은 대시보드(700) 상의 일부 영역을 클릭(Click)(또는, 더블 클릭)하거나 드래그(Drag) 하는 것일 수 있다.The content output unit 600 may perform an interaction corresponding to a user's input. User input may be made by hardware including a mouse, camera, microphone, touch-driven screen, keyboard, and equivalents. In addition, user input may be via optical gesture capture, gyroscope input devices, mouse, keyboard, eye tracking input, and other input mechanisms such as comparable software and/or hardware based technologies. The user's input operation may be clicking (or double-clicking) or dragging a partial area on the dashboard 700.

상술한 바와 같이, 본 발명의 실시예에 따른 지능형 데이터 시각화 시스템(1000)에 의하면, 사용자의 의사와 관계없이 획득된 데이터에 근거하여 자동으로 데이터 시각화 분석이 수행될 수 있으므로, 사용자의 전문성이 없어도 정확도 높은 데이터 분석이 이루어질 수 있다.As described above, according to the intelligent data visualization system 1000 according to an embodiment of the present invention, data visualization analysis can be automatically performed based on the acquired data regardless of the user's intention, so even without the user's expertise High-accuracy data analysis can be performed.

또한 본 발명의 실시예에 따른 지능형 데이터 시각화 시스템(1000)은 주어진 입력 데이터(CDATA)를 기계 학습(machine learning)을 이용하여 정확도가 높은 데이터 시각화 콘텐츠(DVC)를 제공할 수 있고, 예측 데이터(PDATA)를 제공하여 사용자가 신속한 의사 결정을 도모할 수 있도록 도움을 제공할 수 있다.In addition, the intelligent data visualization system 1000 according to an embodiment of the present invention may provide data visualization content (DVC) with high accuracy by using machine learning for given input data (CDATA), and predicted data ( PDATA) can be provided to help users make quick decisions.

도 2는 도 1의 지능형 데이터 시각화 시스템이 포함하는 기계 학습부를 나타내는 블록도이다.2 is a block diagram illustrating a machine learning unit included in the intelligent data visualization system of FIG. 1.

도 1 및 도 2를 참조하면, 기계 학습부(400)는 와이드 모델(410), 딥 모델(420), 및 시각화 추천부(430)를 포함할 수 있다. 1 and 2, the machine learning unit 400 may include a wide model 410, a deep model 420, and a visualization recommendation unit 430.

상술한 바와 같이, 기계 학습부(400)는 데이터 취득부(300)로부터 제공된 데이터(CDATA)를 학습 데이터로서 기계 학습을 수행할 수 있다. 또는, 기계 학습부(400)는 학습용 데이터(CDATA) 및 학습용 예측 데이터(PDATA)를 학습 데이터로서 학습할 수 있다. 여기서 기계 학습부(400)는 와이드 모델(410) 및 딥 모델(420) 중 적어도 하나의 모델을 적용할 수 있다. 즉, 기계 학습부(400)는 와이드 모델(410) 및/또는 딥 모델(420)을 이용하여 학습용 데이터(CDATA) 및 학습용 예측 데이터(PDATA)를 학습할 수 있으며, 입력된 데이터(CDATA) 및 학습을 통해 도출된 모델을 기반으로 예측 데이터(PDATA)를 출력할 수 있다. 여기서, 학습용 데이터(CDATA) 및 학습용 예측 데이터(PDATA)는 모두 학습용 데이터(CDATA)라고 지칭할 수도 있으며, 학습용 데이터(CDATA)의 적어도 일부를 학습용 데이터(CDATA)로 이용할 수 있고, 나머지 일부를 예측 데이터(PDATA)로 이용할 수도 있다. 예를 들어, 학습용 데이터(CDATA)가 시계열형 데이터인 경우, 시간적 순서를 기준으로 마지막 데이터 또는 일부 데이터를 학습용 예측 데이터(PDATA)로 이용할 수 있고, 나머지 데이터를 학습용 데이터(CDATA)로 이용할 수도 있다.As described above, the machine learning unit 400 may perform machine learning using the data CDATA provided from the data acquisition unit 300 as learning data. Alternatively, the machine learning unit 400 may learn the training data CDATA and the training prediction data PDATA as training data. Here, the machine learning unit 400 may apply at least one of the wide model 410 and the deep model 420. That is, the machine learning unit 400 may learn training data (CDATA) and training prediction data (PDATA) using the wide model 410 and/or the deep model 420, and the input data (CDATA) and Prediction data (PDATA) can be output based on a model derived through learning. Here, both the training data (CDATA) and the training prediction data (PDATA) may be referred to as training data (CDATA), and at least a portion of the training data (CDATA) can be used as the training data (CDATA), and the remaining part is predicted. It can also be used as data (PDATA). For example, when the training data CDATA is time series data, the last data or some data based on a temporal order may be used as the training prediction data PDATA, and the remaining data may be used as the training data CDATA. .

기계 학습부(400)는 학습용 데이터(CDATA)의 유형에 따라 다른 모델을 선택하여 기계 학습을 수행할 수 있다. 일 실시예로, 기계 학습부(400)는 학습용 데이터(CDATA)가 카테고리형(category type) 데이터인 경우 와이드 모델(410)을 적용하여 기계 학습을 수행할 수 있고, 학습용 데이터(CDATA)가 시계열형(time series type) 데이터인 경우 딥 모델(420)을 적용하여 기계 학습을 수행할 수 있다. 또한, 기계 학습부(400)는 입력된 데이터(CDATA)의 유형에 따라 다른 모델을 기반으로 예측 데이터(PDATA)를 도출할 수 있다. 일 실시예로, 기계 학습부(400)는 입력된 데이터(CDATA)가 카테고리형(category type) 데이터인 경우 와이드 모델(410)을 통해 예측 데이터(PDATA)를 도출할 수 있고, 입력된 데이터(CDATA)가 시계열형(time series type) 데이터인 경우 딥 모델(420)을 통해 예측 데이터(PDATA)를 도출할 수 있다.The machine learning unit 400 may perform machine learning by selecting a different model according to the type of training data CDATA. In an embodiment, when the training data CDATA is category type data, the machine learning unit 400 may perform machine learning by applying the wide model 410, and the training data CDATA is time series. In the case of time series type data, machine learning may be performed by applying the deep model 420. Also, the machine learning unit 400 may derive the prediction data PDATA based on different models according to the type of the input data CDATA. In one embodiment, the machine learning unit 400 may derive the prediction data PDATA through the wide model 410 when the input data CDATA is category type data, and the input data ( When CDATA) is time series type data, prediction data PDATA may be derived through the deep model 420.

다만, 기계 학습부(400)가 모델을 선택하는 방법은 이에 한정되지 않는다. 실시예에 따라, 기계 학습부(400)는 와이드 모델(410) 및 딥 모델(420)을 모두 적용하여 데이터에 대한 기계 학습을 수행할 수도 있으며, 모두 적용하여 입력된 데이터에 대한 예측 데이터를 도출할 수도 있다. 이하 도 3 및 도 4를 더 참조하여 와이드 모델(410) 및 딥 모델(420)에 대해 더욱 구체적으로 설명하기로 한다. However, the method of selecting the model by the machine learning unit 400 is not limited thereto. Depending on the embodiment, the machine learning unit 400 may apply both the wide model 410 and the deep model 420 to perform machine learning on data, and apply both to derive predictive data for input data. You may. Hereinafter, the wide model 410 and the deep model 420 will be described in more detail with reference to FIGS. 3 and 4.

기계 학습부(400)는 시각화 추천부(430)를 더 포함할 수 있다. 시각화 추천부(430)는 입력 데이터(CDATA)를 기초로 사용자에게 더욱 효과적으로 분석 정보를 제공할 수 있는 시각화 유형을 추천할 수 있다. 일 실시예로 시각화 추천부(430)는 입력 데이터(CDATA)를 기초로 시각화 유형 추천 정보를 생성하여 데이터 시각화부(500)에 제공할 수 있다. 데이터 시각화부(500)는 시각화 추천부(430)로부터 제공된 시각화 유형 추천 정보를 기초로 데이터 시각화 콘텐츠(DVC)의 유형을 결정하고 생성할 수 있다. The machine learning unit 400 may further include a visualization recommendation unit 430. The visualization recommendation unit 430 may recommend a visualization type capable of more effectively providing analysis information to a user based on the input data CDATA. In an embodiment, the visualization recommendation unit 430 may generate visualization type recommendation information based on the input data CDATA and provide it to the data visualization unit 500. The data visualization unit 500 may determine and generate a type of data visualization content DVC based on the visualization type recommendation information provided from the visualization recommendation unit 430.

도 3은 도 2의 와이드 모델이 포함하는 제1 신경망을 설명하기 위한 도면이다. 도 4는 도 2의 딥 모델이 포함하는 제2 신경망을 설명하기 위한 도면이다.FIG. 3 is a diagram illustrating a first neural network included in the wide model of FIG. 2. 4 is a diagram illustrating a second neural network included in the deep model of FIG. 2.

도 1 내지 도 4를 참조하면, 와이드 모델(410)은 제1 신경망(415)을 포함하고, 딥 모델(420)은 제2 신경망(425)을 포함할 수 있다.1 to 4, the wide model 410 may include a first neural network 415, and the deep model 420 may include a second neural network 425.

제1 신경망(415) 및 제2 신경망(425)은 각각 입력 레이어(IPL) 및 출력 레이어(OPL)를 포함할 수 있다. The first neural network 415 and the second neural network 425 may each include an input layer (IPL) and an output layer (OPL).

입력 레이어(IPL)에는 기계 학습부(400)에 입력된 데이터(CDATA) 또는 학습용 데이터(CDATA)가 제공될 수 있다. 입력 레이어(IPL)에는 데이터(CDATA)가 포함하는 다양한 값들이 각각 입력될 수 있다. Data CDATA input to the machine learning unit 400 or data for learning CDATA may be provided to the input layer IPL. Various values included in the data CDATA may be respectively input to the input layer IPL.

출력 레이어(OPL)에는 입력 레이어(IPL)에 입력된 학습용 데이터(CDATA)를 기초로 기계 학습이 수행된 결과 값이 출력될 수 있다. 일 실시예는 학습용 데이터(CDATA)에 따른 결과 값 및 학습용 예측 데이터(PDATA)를 기반으로 가중치 등을 수정하여 학습을 진행할 수 있다. 또한, 출력 레이어(OPL)에는 입력 레이어(IPL)에 입력된 데이터(CDATA)를 기초로 기계 학습이 수행된 결과 값, 즉, 예측 데이터(PDATA)가 출력될 수 있다.A result value of machine learning performed based on the learning data CDATA input to the input layer IPL may be output to the output layer OPL. According to an exemplary embodiment, learning may be performed by modifying a weight, etc. based on a result value according to the training data CDATA and the training prediction data PDATA. In addition, a result value of machine learning performed based on data CDATA input to the input layer IPL, that is, prediction data PDATA, may be output to the output layer OPL.

제1 신경망(415)의 입력 레이어(IPL)는 복수의 제1 입력 노드들(411)을 포함할 수 있다. 제1 신경망(415)의 출력 레이어(OPL)는 제1 출력 노드(412)를 포함할 수 있다. 제1 신경망(415)에 있어서, 입력 레이어(IPL)의 제1 입력 노드들(411)과 출력 레이어(OPL)의 제1 출력 노드(412)는 서로 직접 연결될 수 있다. 즉, 제1 신경망(415)에는 입력 레이어(IPL)와 출력 레이어(OPL) 사이에 다른 레이어가 존재하지 않을 수 있다. 이에 따라, 와이드 모델(410)은 제1 신경망(415)을 포함하는 선형 모델일 수 있다. The input layer IPL of the first neural network 415 may include a plurality of first input nodes 411. The output layer OPL of the first neural network 415 may include a first output node 412. In the first neural network 415, first input nodes 411 of the input layer IPL and the first output node 412 of the output layer OPL may be directly connected to each other. That is, in the first neural network 415, no other layer may exist between the input layer IPL and the output layer OPL. Accordingly, the wide model 410 may be a linear model including the first neural network 415.

제2 신경망(425)의 입력 레이어(IPL)는 복수의 제2 입력 노드들(421)을 포함할 수 있다. 제2 신경망(425)의 출력 레이어(OPL)는 제2 출력 노드(422)를 포함할 수 있다. 제2 신경망(425)에 있어서, 입력 레이어(IPL)의 제2 입력 노드들(421)과 제2 출력 레이어(OPL)의 제2 출력 노드(422)는 서로 직접 연결되지 않고, 간접적으로 연결될 수 있다. 즉, 제2 신경망(425)에는 입력 레이어(IPL)와 출력 레이어(OPL) 사이에 적어도 하나의 히든 레이어(HDL)가 연결될 수 있다. 이에 따라, 딥 모델(420)은 제2 신경망(425)을 포함하는 비선형 모델일 수 있다. 도 4에서는 하나의 히든 레이어(HDL)만을 도시하고 있으나, 이에 한정되는 것은 아니며, 더욱 많은 수의 히든 레이어(HDL)들이 입력 레이어(IPL)와 출력 레이어(OPL) 사이에 연결될 수 있다. 히든 레이어(HDL)의 노드들은 입력 레이어(IPL)의 제2 입력 노드들(421)과 각각 연결될 수 있다.The input layer IPL of the second neural network 425 may include a plurality of second input nodes 421. The output layer OPL of the second neural network 425 may include a second output node 422. In the second neural network 425, the second input nodes 421 of the input layer (IPL) and the second output node 422 of the second output layer (OPL) are not directly connected to each other, but may be indirectly connected to each other. have. That is, at least one hidden layer HDL may be connected between the input layer IPL and the output layer OPL to the second neural network 425. Accordingly, the deep model 420 may be a nonlinear model including the second neural network 425. 4 illustrates only one hidden layer HDL, but is not limited thereto, and a greater number of hidden layers HDL may be connected between the input layer IPL and the output layer OPL. The nodes of the hidden layer HDL may be connected to the second input nodes 421 of the input layer IPL, respectively.

상술한 바와 같이, 본 발명에 의한 지능형 데이터 시각화 시스템(1000)은 분석 대상 데이터의 유형을 카테고리형 데이터 및 시계열형 데이터로 구분할 수 있고, 데이터 유형에 따라 서로 다른 신경망 모델을 적용하여 기계 학습을 수행하므로, 더욱 정확도가 높은 데이터 시각화 콘텐츠를 제공할 수 있다. As described above, the intelligent data visualization system 1000 according to the present invention can classify the type of data to be analyzed into categorical data and time series data, and perform machine learning by applying different neural network models according to data types. Therefore, data visualization content with higher accuracy can be provided.

도 5는 도 1의 데이터 시각화부가 출력하는 데이터 시각화 콘텐츠의 일 예이다. 도 5에서는 데이터 시각화 콘텐츠가 막대형 그래프 및 라인 그래프를 포함하는 차트인 것으로 설명한다. 5 is an example of data visualization content output by the data visualization unit of FIG. 1. In FIG. 5, it is described that the data visualization content is a chart including a bar graph and a line graph.

도 1 내지 도 5를 참조하면, 데이터 시각화부(500)에 의해 생성된 데이터 시각화 콘텐츠(DVC)는 입력 영역(CR) 및 예측 영역(PR)을 포함할 수 있다. 1 to 5, the data visualization content DVC generated by the data visualization unit 500 may include an input area CR and a prediction area PR.

입력 영역(CR)은 선택된 데이터(CDATA)를 기초로 주어진 자료를 표현하는 영역일 수 있다. 예측 영역(PR)은 선택된 데이터(CDATA)를 기초로 기계 학습부(400)에 의해 예측된 예측 값(PV)을 표현하는 영역일 수 있다. 예시적으로, 도 5의 데이터 시각화 콘텐츠는 시계열형 데이터를 시각화한 것으로 설명한다. 상술한 바와 같이, 선택된 데이터(CDATA)가 시계열형 데이터인 경우, 기계 학습부(400)는 딥 모델(420)을 적용하여 기계 학습을 수행할 수 있다. 이에 따라, 예측 영역(PR)은 입력 영역(CR) 이후의 시간대에서의 값을 나타낼 수 있다. The input area CR may be an area expressing data given based on the selected data CDATA. The prediction area PR may be an area representing the prediction value PV predicted by the machine learning unit 400 based on the selected data CDATA. For example, the data visualization content of FIG. 5 is described as visualizing time series data. As described above, when the selected data CDATA is time-series data, the machine learning unit 400 may perform machine learning by applying the deep model 420. Accordingly, the prediction area PR may represent a value in a time period after the input area CR.

본 발명에 따른 데이터 시각화 시스템(1000)에 의하면, 사용자는 예측 데이터(PDATA)를 포함하는 데이터 시각화 콘텐츠(DVC)를 통해 신속한 의사 결정을 도모할 수 있다.According to the data visualization system 1000 according to the present invention, a user can make a quick decision through data visualization content DVC including predictive data PDATA.

도 6은 도 1의 컨텐츠 출력부에 의해 대시보드가 컴퓨팅 디바이스에서 구현된 표시 화면의 일 예이다.6 is an example of a display screen in which a dashboard is implemented in a computing device by the content output unit of FIG. 1.

도 1 및 도 6을 참조하면, 컴퓨팅 디바이스의 표시 영역(DA)에는 콘텐츠 출력부(600)에 의해 대시보드(700)가 출력될 수 있다. 일 예로, 콘텐츠 출력부(600)는 대시보드(700)를 출력하기 위한 컴퓨팅 디바이스 내 클라이언트 환경을 의미할 수 있다. 1 and 6, a dashboard 700 may be output on a display area DA of a computing device by a content output unit 600. For example, the content output unit 600 may refer to a client environment in the computing device for outputting the dashboard 700.

본 발명에 있어서, 컴퓨팅 디바이스는 데스크탑 PC, 태블릿 PC, 랩탑 PC, 셋탑 박스를 포함하는 IPTV와 같이, 네트워크를 통하여 외부 서버와 연결될 수 있는 통신 장치와 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC 등과 같이 네트워크를 통하여 외부 서버와 연결될 수 있는 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치, 멀티 프로세서 시스템, 마이크로프로세서-기반 또는 프로그래밍 가능한 소비자 가전, 미니 컴퓨터, 메인프레임 컴퓨터 등을 의미할 수 있다.In the present invention, the computing device includes a communication device that can be connected to an external server through a network, such as a desktop PC, a tablet PC, a laptop PC, and an IPTV including a set-top box, a mobile phone, a smart phone, a personal digital assistant (PDA), Handheld-based wireless communication devices of all kinds that can be connected to an external server via a network, such as PMP (Portable Multimedia Player), tablet PC, etc., multiprocessor systems, microprocessor-based or programmable consumer electronics, mini computers , May mean a mainframe computer, etc.

대시보드(700)는 데이터 시각화 콘텐츠들(DVC1, DVC2, DVC3, DVC4)이 각각 표시되는 복수의 패널들(PN1, PN2, PN3, PN4)을 포함할 수 있다. 여기서 제1 패널(PN1)은 제1 데이터 시각화 콘텐츠(DVC1)를 표시하고, 제2 패널(PN2)은 제2 데이터 시각화 콘텐츠(DVC2)를 표시하고, 제3 패널(PN3)은 제3 데이터 시각화 콘텐츠(DVC3)를 표시하며, 제4 패널(PN4)은 제4 데이터 시각화 콘텐츠(DVC4)를 표시할 수 있다. The dashboard 700 may include a plurality of panels PN1, PN2, PN3, and PN4 on which data visualization contents DVC1, DVC2, DVC3, and DVC4 are respectively displayed. Here, the first panel (PN1) displays the first data visualization content (DVC1), the second panel (PN2) displays the second data visualization content (DVC2), and the third panel (PN3) displays the third data visualization. The content DVC3 is displayed, and the fourth panel PN4 may display the fourth data visualization content DVC4.

상술한 바와 같이, 본 발명에 따른 지능형 데이터 시각화 시스템(1000)이 표현할 수 있는 시각화 유형은 다양할 수 있다. 예를 들어, 제1 데이터 시각화 콘텐츠(DVC1)는 라인 차트(Line chart) 유형을 나타내고, 제2 데이터 시각화 콘텐츠(DVC2)는 바 차트(Bar chart) 유형을 나타내며, 제3 데이터 시각화 콘텐츠(DVC3)는 파이 차트(Pie chart) 유형을 나타낼 수 있다. As described above, the types of visualization that can be expressed by the intelligent data visualization system 1000 according to the present invention may be various. For example, a first data visualization content (DVC1) represents a line chart type, a second data visualization content (DVC2) represents a bar chart type, and a third data visualization content (DVC3) Can represent a pie chart type.

또한, 제4 데이터 시각화 콘텐츠(DVC4)는 데이터 수치를 이미지로 표현하는 이미지 콘텐츠(DVC4a) 및 문자로 표현하는 텍스트 콘텐츠(DVC4b)를 포함하는 복합적인 시각화 유형일 수 있다. In addition, the fourth data visualization content DVC4 may be a complex visualization type including image content DVC4a representing data values as images and text content DVC4b representing text values.

본 실시예에서, 데이터 시각화 콘텐츠들(DVC1, DVC2, DVC3, DVC4)은 입력되는 입력 데이터(CDATA)의 변화에 따라 변경될 수 있다. 예를 들어, 기존 데이터에 있어서 새로운 값이 추가되거나 변경되는 경우, 새로운 데이터에 기초하여 시각화 콘텐츠들이 업데이트될 수 있다. 시각화 콘텐츠들의 업데이트는 실시간으로 이루어질 수 있으며, 몇몇 실시예에서 사용자의 정의에 따라 일정 주기로 이루어질 수도 있다. In this embodiment, the data visualization contents DVC1, DVC2, DVC3, and DVC4 may be changed according to the change of input input data CDATA. For example, when a new value is added or changed in existing data, visualization contents may be updated based on the new data. The visualization contents may be updated in real time, and in some embodiments may be performed at a certain period according to the user's definition.

대시보드(700)는 홈 버튼(701), 제1 스크린 버튼(702), 및 제2 스크린 버튼(703)을 구비할 수 있다. The dashboard 700 may include a home button 701, a first screen button 702, and a second screen button 703.

홈 버튼(701)은 대시보드(700)의 메인 스크린을 표시하는 버튼일 수 있다. 홈 버튼(701)이 활성화되는 경우, 제1 스크린 버튼(702) 및 제2 스크린 버튼(703)은 비활성화될 수 있으며, 대시보드(700)에는 메인 스크린만이 표시될 수 있다. 메인 스크린은 데이터 시각화부(500)에 의해 시각화된 콘텐츠들을 종합적으로 표시하는 영역일 수 있다. 콘텐츠 출력부(600)는 홈 버튼(701)의 활성화에 따라 메인 스크린에 데이터 시각화 콘텐츠들(DVC1, DVC2, DVC3, DVC4)을 종합적으로 표시하되, 사용자의 정의에 따라 일부 시각화 콘텐츠를 제거하거나 추가할 수 있다. The home button 701 may be a button that displays the main screen of the dashboard 700. When the home button 701 is activated, the first screen button 702 and the second screen button 703 may be deactivated, and only the main screen may be displayed on the dashboard 700. The main screen may be an area for comprehensively displaying contents visualized by the data visualization unit 500. The content output unit 600 comprehensively displays data visualization contents (DVC1, DVC2, DVC3, DVC4) on the main screen according to the activation of the home button 701, but removes or adds some visualization contents according to the user's definition. can do.

예컨대, 도 6은 홈 버튼(701)이 활성화되고, 제1 스크린 버튼(702) 및 제2 스크린 버튼(703)이 비활성화되어 대시보드(700)에 메인 스크린만이 표시되는 구조를 예시하고 있다.For example, FIG. 6 illustrates a structure in which only the main screen is displayed on the dashboard 700 by activating the home button 701 and deactivating the first screen button 702 and the second screen button 703.

제1 스크린 버튼(702) 및 제2 스크린 버튼(703)은 사용자의 필요에 따라 정의될 수 있는 영역을 활성화하는 버튼일 수 있다. 예를 들어, 제1 스크린 버튼(702)을 활성화하는 경우, 대시보드(700)에는 제1 서브 스크린이 표시될 수 있으며, 제1 서브 스크린에는 데이터 유형들 중 카테고리형 데이터들의 시각화 콘텐츠들만을 표시할 수 있다. 또한, 제2 스크린 버튼(703)을 활성화하는 경우, 대시보드(700)에는 제2 서브 스크린이 표시될 수 있으며, 제2 서브 스크린에는 데이터 유형들 중 시계열형 데이터들의 시각화 콘텐츠들만을 표시할 수 있다. The first screen button 702 and the second screen button 703 may be buttons for activating an area that can be defined according to a user's needs. For example, when activating the first screen button 702, a first sub-screen may be displayed on the dashboard 700, and only visualization contents of categorical data among data types are displayed on the first sub-screen. can do. In addition, when activating the second screen button 703, a second sub-screen may be displayed on the dashboard 700, and only visualization contents of time series data among data types may be displayed on the second sub-screen. have.

제1 스크린 버튼(702) 및 제2 스크린 버튼(703)은 서로 각각 활성화되거나, 동시에 활성화될 수 있다. 제1 스크린 버튼(702)이 활성화되고, 제2 스크린 버튼(703)이 비활성화되는 경우, 대시보드(700)는 제1 서브 스크린만을 표시하고, 그 반대의 경우에 대시보드(700)는 제2 서브 스크린만을 표시할 수 있다. 또한, 제1 스크린 버튼(702) 및 제2 스크린 버튼(703)이 동시에 활성화되는 경우, 대시보드(700)는 분할된 스크린을 제공할 수 있다. 즉, 대시보드(700)는 일부 영역에서 제1 서브 스크린을 표시하고, 나머지 일부 영역에서 제2 서브 스크린을 표시할 수 있다.The first screen button 702 and the second screen button 703 may be activated respectively or simultaneously activated. When the first screen button 702 is activated and the second screen button 703 is deactivated, the dashboard 700 displays only the first sub-screen, and vice versa, the dashboard 700 is Only the sub screen can be displayed. Further, when the first screen button 702 and the second screen button 703 are activated at the same time, the dashboard 700 may provide a divided screen. That is, the dashboard 700 may display the first sub-screen in a partial area and display the second sub-screen in the remaining partial area.

실시예에 따라, 홈 버튼(701)은 제1 스크린 버튼(702) 및/또는 제2 스크린 버튼(703)과 동시에 활성화될 수 있다. 이 경우, 대시보드(700)에는 메인 스크린이 표시되고, 제1 스크린 버튼(702) 및/또는 제2 스크린 버튼(703)의 활성화에 따른 제1 서브 스크린 및/또는 제2 서브 스크린은 팝-업(Pop-Up) 스크린의 형태로 표시될 수 있다. According to an embodiment, the home button 701 may be activated simultaneously with the first screen button 702 and/or the second screen button 703. In this case, the main screen is displayed on the dashboard 700, and the first sub-screen and/or the second sub-screen according to activation of the first screen button 702 and/or the second screen button 703 are pop- It can be displayed in the form of a pop-up screen.

또 다른 실시예로, 메인 스크린, 제1 서브 스크린, 및 제2 서브 스크린 중 적어도 두 개의 스크린들은 대시보드(700) 상에 분할 스크린으로서 제공될 수도 있다.In another embodiment, at least two of the main screen, the first sub-screen, and the second sub-screen may be provided as split screens on the dashboard 700.

예를 들어, 홈 버튼(701)은 대시보드(700)의 바깥 영역 중 상단 영역에 위치될 수 있으며, 상기 상단 영역 중 대시보드(700)의 좌측 경계 및 상기 홈 버튼(701)의 좌측 경계가 이어지도록 위치될 수 있다. 또한, 제1 스크린 버튼(702)는 상기 홈 버튼(701)의 우측에 위치할 수 있으며, 상기 홈 버튼(701)의 우측 경계 및 상기 제1 스크린 버튼(702)의 좌측 경계가 일정한 거리만큼 떨어져 있을 수 있다. 또한, 제2 스크린 버튼(703)는 상기 제1 스크린 버튼(702)의 우측에 위치할 수 있으며, 상기 제1 스크린 버튼(702)의 우측 경계 및 상기 제2 스크린 버튼(703)의 좌측 경계가 일정한 거리만큼 떨어져 있을 수 있다. 여기서, 홈 버튼(701) 및 제1 스크린 버튼(702) 간의 제1 거리 및 제1 스크린 버튼(702) 및 제2 스크린 버튼(703) 간의 제2 거리는 동일할 수 있다. 다만, 제1 거리가 제2 거리보다 상대적으로 멀 수 있으므로, 이에 한정되는 것은 아니다.For example, the home button 701 may be located in the upper region of the outer region of the dashboard 700, and the left boundary of the dashboard 700 and the left boundary of the home button 701 among the upper regions It can be positioned to connect. In addition, the first screen button 702 may be located on the right side of the home button 701, and the right boundary of the home button 701 and the left boundary of the first screen button 702 are separated by a certain distance. There may be. In addition, the second screen button 703 may be located on the right side of the first screen button 702, and the right border of the first screen button 702 and the left border of the second screen button 703 are It can be a certain distance apart. Here, the first distance between the home button 701 and the first screen button 702 and the second distance between the first screen button 702 and the second screen button 703 may be the same. However, since the first distance may be relatively farther than the second distance, it is not limited thereto.

대시보드(700)가 표시하는 스크린들 및 이에 대한 버튼들은 상기 내용에 한정되지 않는다. 사용자의 정의에 따라, 더 많은 서브 스크린 및 스크린 버튼들이 생성될 수 있다. 이러한 정의 내용은 사용자 별로 기록되어 사용자 로그인 동작에 따라 동기화되어 제공될 수 있다. Screens displayed by the dashboard 700 and buttons therefor are not limited to the above contents. According to the user's definition, more sub-screens and screen buttons can be created. These definitions may be recorded for each user and provided in synchronization according to a user login operation.

한편, 콘텐츠 출력부(600)는 대시보드(700) 내에 패널 추가 영역(PN_ADD)을 더 표시할 수 있다. 사용자의 입력에 따라 패널 추가 영역(PN_ADD)이 활성화되는 경우, 콘텐츠 출력부(600)는 새로운 패널(PN)의 추가를 위한 GUI(Graphic User Interface)를 표시할 수 있다. 구체적인 패널(PN) 추가 방법과 관련하여 도 9를 참조하여 후술하기로 한다.Meanwhile, the content output unit 600 may further display a panel addition area PN_ADD in the dashboard 700. When the panel addition area PN_ADD is activated according to a user input, the content output unit 600 may display a Graphic User Interface (GUI) for adding a new panel PN. A detailed method of adding the panel PN will be described later with reference to FIG. 9.

도 7 내지 도 9는 대시보드에 대한 사용자의 입력에 따른 콘텐츠 출력부의 인터랙션 동작을 설명하기 위한 도면들이다. 7 to 9 are diagrams for explaining an interaction operation of a content output unit according to a user's input to a dashboard.

우선, 도 7을 참조하면, 대시보드(700) 내 패널(PN)의 사이즈(size)는 사용자의 입력에 따라 자유롭게 조절될 수 있다. 예컨대, 사용자는 포인터(PT)를 이용하여 패널(PN)의 가장자리(PNs)를 드래그(drag)할 수 있다. 드래그 방향(drag)에 따라 패널(PN)의 사이즈가 조절될 수 있다. First, referring to FIG. 7, the size of the panel PN in the dashboard 700 may be freely adjusted according to a user's input. For example, the user may drag the edge PNs of the panel PN using the pointer PT. The size of the panel PN may be adjusted according to the drag direction.

일 예로, 포인터(PT)를 이용하여 패널(PN)의 가장자리(PNs)를 도면상 좌상측 방향으로 드래그하는 경우, 패널(PN)의 크기는 축소 패널(PNA)의 크기로 조절될 수 있다. 다른 예로, 포인터(PT)를 이용하여 패널(PN)의 가장자리(PNs)를 도면상 우하측 방향으로 드래그하는 경우, 패널(PN)의 크기는 확대 패널(PNB)의 크기로 조절될 수 있다. For example, when the edge PNs of the panel PN is dragged in the upper left direction in the drawing by using the pointer PT, the size of the panel PN may be adjusted to the size of the reduced panel PNA. As another example, when dragging the edge PNs of the panel PN in the lower right direction in the drawing using the pointer PT, the size of the panel PN may be adjusted to the size of the enlarged panel PNB.

여기서 사용자의 입력은 패널(PN)의 가장자리(PNs)에 대한 드래그(drag) 동작일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 사용자가 패널(PN)의 가장자리(PNs)를 클릭(Click) 또는 더블 클릭(Double click)하는 경우에도 기 설정된 정의에 따라 패널(PN)의 사이즈가 조절될 수 있다. 또한, 별도의 입력 커맨드를 통해 패널(PN)의 사이즈를 직접 입력하여 조절할 수도 있다.Here, the user's input may be a drag operation with respect to the edge PNs of the panel PN, but is not limited thereto. For example, even when a user clicks or double-clicks the edge PNs of the panel PN, the size of the panel PN may be adjusted according to a preset definition. Also, the size of the panel PN may be directly input and adjusted through a separate input command.

다음으로, 도 8을 참조하면, 대시보드(700) 내 패널(PN)의 위치(location)는 사용자의 입력에 따라 자유롭게 이동될 수 있다. 예컨대, 사용자는 포인터(PT)를 이용하여 패널(PN)의 내부 영역을 드래그(drag)할 수 있다. 드래그 방향(drag)에 따라 패널(PN)의 위치가 이동될 수 있다. Next, referring to FIG. 8, the location of the panel PN in the dashboard 700 may be freely moved according to a user's input. For example, the user may drag the inner area of the panel PN using the pointer PT. The position of the panel PN may be moved according to the drag direction.

일 예로, 포인터(PT)를 이용하여 패널(PN)의 내부 영역을 도면상 우측 방향으로 드래그하는 경우, 패널(PN)은 이동 패널(PNC)의 위치로 이동될 수 있다. For example, when the inner area of the panel PN is dragged to the right in the drawing by using the pointer PT, the panel PN may be moved to the position of the moving panel PNC.

여기서 사용자의 입력은 패널(PN)의 내부 영역에 대한 드래그(drag) 동작일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 별도의 입력 커맨드를 통해 패널(PN)의 위치를 직접 입력하여 이동시킬 수도 있다.Here, the user's input may be a drag operation on the inner area of the panel PN, but is not limited thereto. For example, the position of the panel PN may be directly input and moved through a separate input command.

다음으로, 도 9를 참조하면, 대시보드(700)는 패널 추가 영역(PN_ADD)을 제공할 수 있다. 사용자의 입력에 따라 패널 추가 영역(PN_ADD)이 활성화되는 경우, 대시보드(700)는 대시보드 관리 GUI(Graphic User Interface)(710)를 더 표시할 수 있다. 여기서 패널 추가 영역(PN_ADD)은 포인터(PT)를 이용한 클릭(Click) 또는 더블 클릭(Double Click)에 의해 활성화될 수 있다. Next, referring to FIG. 9, the dashboard 700 may provide a panel addition area PN_ADD. When the panel addition area PN_ADD is activated according to a user's input, the dashboard 700 may further display a dashboard management GUI (Graphic User Interface) 710. Here, the panel addition area PN_ADD may be activated by clicking or double clicking using the pointer PT.

패널 추가 영역(PN_ADD)의 활성화에 따라 출력되는 대시보드 관리 GUI(710)는 팝-업(pop-up) 스크린의 형태로 대시보드(700)의 메인 스크린과 중첩되도록 표시될 수 있으나, 이에 한정되는 것은 아니다.The dashboard management GUI 710 output according to the activation of the panel addition area PN_ADD may be displayed to overlap the main screen of the dashboard 700 in the form of a pop-up screen, but is limited thereto. It does not become.

대시보드 관리 GUI(710)는 데이터 리스트(711), 패널 설정부(712), 및 시각화 예시부(713)를 포함할 수 있다.The dashboard management GUI 710 may include a data list 711, a panel setting unit 712, and a visualization example unit 713.

데이터 리스트(711)는 데이터 테이블(200)이 포함하는 데이터 베이스(DATA) 중 데이터 취득부(300)에 의해 자동으로 스캔된 데이터들의 목록을 표시할 수 있다. 사용자의 입력에 따라 데이터 리스트(711)의 데이터들 중 하나의 데이터가 선택되는 경우, 선택된 데이터는 입력 데이터(CDATA)로서 기계 학습부(400)에 제공될 수 있다. The data list 711 may display a list of data automatically scanned by the data acquisition unit 300 from among the databases DATA included in the data table 200. When one of the data of the data list 711 is selected according to a user input, the selected data may be provided to the machine learning unit 400 as input data CDATA.

패널 설정부(712)는 선택된 데이터 중 시각화할 정보들을 특정하거나, 범위를 설정하기 위한 설정 값들을 사용자에게 제공할 수 있다. 패널 설정부(712)는 데이터와 관련된 설정 값들 외에도 패널 내 시각화 콘텐츠에 대한 설정 값들도 제공할 수 있다. 예를 들어, 패널 설정부(712)는 새로 추가되는 패널(PN)의 크기, 위치, 언어, 색상 등에 대한 설정 값을 제공할 수 있다.The panel setting unit 712 may specify information to be visualized among selected data or provide setting values for setting a range to a user. The panel setting unit 712 may provide setting values for visualization content in the panel in addition to setting values related to data. For example, the panel setting unit 712 may provide setting values for the size, position, language, color, and the like of the newly added panel PN.

시각화 예시부(713)는 데이터 리스트(711)에서 선택된 데이터에 대응하여 제1 시각화 예시(713a) 및 제2 시각화 예시(713b)를 사용자에게 표시할 수 있다. 시각화 예시부(713)가 표시하는 시각화 예시들(713a, 713b)은 선택된 데이터를 가장 효과적으로 분석하여 제공하기 위한 시각화 유형일 수 있다. 상술한 바와 같이, 시각화 예시부(713)는 시각화 추천부(430)에 의해 생성된 시각화 유형 추천 정보를 바탕으로 시각화 예시들을 표시할 수 있다. The visualization example unit 713 may display the first visualization example 713a and the second visualization example 713b to the user corresponding to the data selected from the data list 711. The visualization examples 713a and 713b displayed by the visualization example unit 713 may be a visualization type for most effectively analyzing and providing selected data. As described above, the visualization example unit 713 may display visualization examples based on the visualization type recommendation information generated by the visualization recommendation unit 430.

한편, 패널 설정부(712)에 의해 패널(PN)의 시각화 콘텐츠에 대한 사용자의 정의가 존재하는 경우, 시각화 예시부(713)는 사용자의 정의에 따른 시각화 예시를 생성할 수 있다. 이 경우에도, 시각화 예시부(713)는 시각화 유형 추천 정보를 바탕으로 추천 시각화 예시들을 더 표시할 수 있다. Meanwhile, when there is a user definition of the visualization content of the panel PN by the panel setting unit 712, the visualization example unit 713 may generate a visualization example according to the user's definition. Even in this case, the visualization example unit 713 may further display recommended visualization examples based on the visualization type recommendation information.

예를 들어, 시각화 유형 추천 정보는 라인 차트 유형, 바 차트 유형, 파이 차트 유형 및 복합적인 시각화 유형 중 적어도 하나를 나타낼 수 있다. 또는 상기 시각화 유형 추천 정보는 상기 라인 차트 유형, 바 차트 유형 및 파이 차트 유형를 추천 순서에 따라 나열한 정보일 수 있으며, 상기 시각화 예시부(713)는 상기 추천 순서에 따라 나열한 정보를 기반으로, 좌측 상단, 우측 상단 및 좌측 하단의 순서로 예시들을 표시할 수 있다.For example, the visualization type recommendation information may indicate at least one of a line chart type, a bar chart type, a pie chart type, and a complex visualization type. Alternatively, the visualization type recommendation information may be information listing the line chart type, bar chart type, and pie chart type according to a recommendation order, and the visualization example unit 713 is based on the information arranged according to the recommendation order, and the upper left The examples can be displayed in the order of, upper right and lower left.

예를 들어, 시각화 유형 추천 정보는 데이터(CDATA)의 값, 예측 데이터(PDATA)의 값, 데이터(CDATA)의 값들의 변동성 정보, 데이터(CDATA)의 값 및 예측 데이터(PDATA)의 값 간의 변동성 정보를 기반으로 도출될 수 있으나, 이에 한정되는 것은 아니다.For example, the visualization type recommendation information includes the value of data (CDATA), the value of predicted data (PDATA), the variability information of the values of data (CDATA), the variability between the value of data (CDATA) and the value of predicted data (PDATA). It may be derived based on information, but is not limited thereto.

제1 데이터 시각화 콘텐츠(DVC1)는 라인 차트(Line chart) 유형을 나타내고, 제2 데이터 시각화 콘텐츠(DVC2)는 바 차트(Bar chart) 유형을 나타내며, 제3 데이터 시각화 콘텐츠(DVC3)는 파이 차트(Pie chart) 유형을 나타낼 수 있다. The first data visualization content (DVC1) represents a line chart type, the second data visualization content (DVC2) represents a bar chart type, and the third data visualization content (DVC3) represents a pie chart ( Pie chart) type.

상술한 바와 같이, 본 발명에 따른 지능형 데이터 시각화 시스템(1000)에 의하면, 지능형 데이터 시각화 시스템(1000)은 대시보드(700) 상에 다양한 시각화 콘텐츠를 표시하는 복수의 패널(PN)들을 통해 사용자에게 다수의 데이터를 효과적으로 제공할 수 있다. 또한, 패널(PN)을 통해 제공되는 데이터 시각화 콘텐츠(DVC)는 데이터의 변화에 따라 실시간으로 응답하여 변경될 수 있으므로, 사용자는 데이터의 변화에 대해 더욱 즉각적으로 반응할 수 있다.As described above, according to the intelligent data visualization system 1000 according to the present invention, the intelligent data visualization system 1000 provides a user through a plurality of panels PNs displaying various visualization contents on the dashboard 700. A large number of data can be effectively provided. In addition, since the data visualization content DVC provided through the panel PN can be changed in real time according to the change in data, the user can more immediately react to the change in data.

사용자의 입력에 따라 대시보드(700)에 표시되는 패널(PN)의 시각화 콘텐츠 종류, 크기, 위치 등이 간편하게 편집될 수 있다. 즉, 대시보드(700) 상의 사용자의 입력에 의해 패널(PN)의 크기 조절, 이동 등이 즉시 이루어질 수 있고, 사용자는 대시보드(700) 상의 패널 추가 영역(PN_ADD) 및 대시보드 관리 GUI(710)를 통해 원하는 데이터의 시각화 콘텐츠를 직접 확인하며 추가할 수 있으므로, 사용자 편의성이 더욱 향상될 수 있다. The type, size, and location of the visualization content of the panel PN displayed on the dashboard 700 may be easily edited according to the user's input. That is, the size of the panel (PN) can be immediately adjusted and moved according to the user's input on the dashboard 700, and the user has the panel addition area (PN_ADD) on the dashboard 700 and the dashboard management GUI 710 ), the visualization content of the desired data can be directly checked and added, so user convenience can be further improved.

본 명세서와 도면에 개시된 본 발명의 실시예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 즉 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명의 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한 상기 각각의 실시예는 필요에 따라 서로 조합되어 운용할 수 있다. 예컨대, 본 발명의 모든 실시예는 일부분들이 서로 조합되어 구현될 수 있다.The embodiments of the present invention disclosed in the present specification and drawings are only provided for specific examples to easily explain the technical content of the present invention and to aid understanding of the present invention, and are not intended to limit the scope of the present invention. That is, it is apparent to those of ordinary skill in the art that other modifications based on the technical idea of the present invention can be implemented. In addition, each of the above embodiments can be operated in combination with each other as needed. For example, all embodiments of the present invention may be implemented in combination with each other.

또한, 본 발명에 따른 지능형 데이터 시각화 시스템을 제어하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.In addition, the method for controlling the intelligent data visualization system according to the present invention may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium.

이와 같이, 본 발명의 다양한 실시예들은 특정 관점에서 컴퓨터 리드 가능 기록 매체(computer readable recording medium)에서 컴퓨터 리드 가능 코드(computer readable code)로서 구현될 수 있다. 컴퓨터 리드 가능 기록 매체는 컴퓨터 시스템에 의해 리드될 수 있는 데이터를 저장할 수 있는 임의의 데이터 저장 디바이스이다. 컴퓨터 리드 가능 기록 매체의 예들은 읽기 전용 메모리(read only memory: ROM)와, 랜덤-접속 메모리(random access memory: RAM)와, 컴팩트 디스크- 리드 온니 메모리(compact disk-read only memory: CD-ROM)들과, 마그네틱 테이프(magnetic tape)들과, 플로피 디스크(floppy disk)들과, 광 데이터 저장 디바이스들, 및 캐리어 웨이브(carrier wave)들(인터넷을 통한 데이터 송신 등)을 포함할 수 있다. As described above, various embodiments of the present invention may be implemented as computer readable code in a computer readable recording medium from a specific viewpoint. A computer-readable recording medium is any data storage device capable of storing data that can be read by a computer system. Examples of computer-readable recording media include read only memory (ROM), random access memory (RAM), and compact disk-read only memory (CD-ROM). ), magnetic tapes, floppy disks, optical data storage devices, and carrier waves (such as data transmission over the Internet).

컴퓨터 리드 가능 기록 매체는 또한 네트워크 연결된 컴퓨터 시스템들을 통해 분산될 수 있고, 따라서 컴퓨터 리드 가능 코드는 분산 방식으로 저장 및 실행된다. 또한, 본 발명의 다양한 실시예들을 성취하기 위한 기능적 프로그램들, 코드, 및 코드 세그먼트(segment)들은 본 발명이 적용되는 분야에서 숙련된 프로그래머들에 의해 쉽게 해석될 수 있다.The computer readable recording medium can also be distributed through networked computer systems, so that the computer readable code is stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for achieving various embodiments of the present invention can be easily interpreted by experienced programmers in the field to which the present invention is applied.

또한 본 발명의 다양한 실시예들에 따른 장치 및 방법은 하드웨어, 소프트웨어 또는 하드웨어 및 소프트웨어의 조합의 형태로 실현 가능하다는 것을 알 수 있을 것이다. 이러한 소프트웨어는 예를 들어, 삭제 가능 또는 재기록 가능 여부와 상관없이, ROM 등의 저장 장치와 같은 휘발성 또는 비휘발성 저장 장치, 또는 예를 들어, RAM, 메모리 칩, 장치 또는 집적 회로와 같은 메모리, 또는 예를 들어 콤팩트 디스크(compact disk: CD), DVD, 자기 디스크 또는 자기 테이프 등과 같은 광학 또는 자기적으로 기록 가능함과 동시에 기계(예를 들어, 컴퓨터)로 읽을 수 있는 저장 매체에 저장될 수 있다. 또한 상기 소프트웨어는 클라우드 서버 및/또는 블록체인 서버를 포함하는 하드웨어 모듈에 저장되거나 상기 클라우드 서버 및/또는 블록체인 서버의 기능을 포함하는 소프트웨어 모듈에 저장될 수도 있다. In addition, it will be appreciated that the apparatus and method according to various embodiments of the present invention can be realized in the form of hardware, software, or a combination of hardware and software. Such software may be, for example, a volatile or nonvolatile storage device such as a storage device such as a ROM, or a memory such as a RAM, memory chip, device or integrated circuit, or For example, it may be optically or magnetically recordable, such as a compact disk (CD), a DVD, a magnetic disk, or a magnetic tape, and stored in a storage medium that can be read by a machine (for example, a computer). In addition, the software may be stored in a hardware module including a cloud server and/or a block chain server, or may be stored in a software module including a function of the cloud server and/or a block chain server.

본 발명의 일 실시예에 의한 데이터 테이블의 차트 시각화 방법을 실행하기 위해, 인터넷 환경에 접속하는 것은 웹 브라우저 (Web browser)를 통해 이루어질 수 있다. 웹 브라우저는 인터넷 상에서 제공되는 다양한 정보를 웹 페이지를 통해 표시하는 프로그램으로, 예를 들면, 'Internet Explorer' 등과 같이 운영체제 설치 시 컴퓨팅 디바이스 각각의 메모리 내에 함께 설치될 수 있고, 'Chrome', 'Firefox' 등과 같이 고객 요청에 따라 별도로 컴퓨팅 디바이스의 메모리 내에 설치될 수도 있다. In order to execute the method for visualizing a chart of a data table according to an embodiment of the present invention, access to the Internet environment may be performed through a web browser. A web browser is a program that displays various information provided on the Internet through a web page. For example, when an operating system is installed, such as'Internet Explorer', it can be installed together in the memory of each computing device, and'Chrome','Firefox' ', etc. may be separately installed in the memory of the computing device according to customer request.

따라서, 본 발명은 본 명세서의 청구항에 기재된 장치 또는 방법을 구현하기 위한 코드를 포함하는 프로그램 및 이러한 프로그램을 저장하는 기계(컴퓨터 등)로 읽을 수 있는 저장 매체를 포함한다. 또한, 이러한 프로그램은 유선 또는 무선 연결을 통해 전달되는 통신 신호와 같은 임의의 매체를 통해 전자적으로 이송될 수 있고, 본 발명은 이와 균등한 것을 적절하게 포함한다.Accordingly, the present invention includes a program including a code for implementing the apparatus or method described in the claims of the present specification, and a storage medium readable by a machine (such as a computer) storing such a program. Further, such a program may be transferred electronically through any medium, such as a communication signal transmitted through a wired or wireless connection, and the present invention suitably includes equivalents thereto.

101, 102, 103: 데이터 소스 200: 데이터 테이블
300: 데이터 취득부 400: 기계 학습부
410: 와이드 모델 420: 딥 모델
430: 시각화 추천부 500: 데이터 시각화부
600: 콘텐츠 출력부 700: 대시보드
701: 홈 버튼 702, 703: 제1 및 제2 스크린 버튼
710: 대시보드 관리 GUI DVC: 데이터 시각화 콘텐츠
PN: 패널101, 102, 103: data source 200: data table
300: data acquisition unit 400: machine learning unit
410: wide model 420: deep model
430: visualization recommendation unit 500: data visualization unit
600: content output unit 700: dashboard
701: home button 702, 703: first and second screen buttons
710: Dashboard Management GUI DVC: Data Visualization Content
PN: Panel

Claims

In the data visualization system implemented in a computer system,
A data table including a plurality of data each provided from a plurality of data sources;
A data acquisition unit that receives the plurality of data from the data table and selects at least one of the plurality of data;
A machine learning unit that generates predictive data based on data selected from the data acquisition unit by using a model previously learned through machine learning; And
A data visualization unit that generates data visualization contents based on the selected data and the prediction data,
The pre-trained model is a model generated by machine learning based on at least one of a wide model and a deep model,
The wide model and the deep model each include an input node to which the selected data is input and an output node to which the prediction data is output,
The machine learning unit,
When the selected data is category type data, the prediction data is generated using a model learned based on the wide model, and the wide model is a first neural network in which the input node is directly connected to the output node. Is a linear model including,
When the selected data is time series type data, the prediction data is generated using a model learned based on the deep model, and the deep model is at least one hidden between the output node and the input node. It includes a second neural network to which the layers are connected,
The machine learning unit further includes a visualization recommendation unit,
The visualization recommendation unit generates visualization type recommendation information based on the selected data and provides it to the data visualization unit,
The data visualization unit generates the data visualization content based on the visualization type recommendation information,
The visualization type recommendation information is derived based on the selected data, the prediction data, variability information of the selected data, and variability information between the selected data and prediction data,
The visualization content includes a first visualization example and a second visualization example,
The first visualization example and the second visualization example are displayed in the order of the upper left and the upper right according to a recommendation order included in the visualization type recommendation information,
Further comprising a content output unit for outputting a dashboard to the user,
The dashboard includes at least one panel on which the data visualization content is displayed,
The dashboard includes a main screen activated by a home button, a first sub-screen activated by a first screen button, and a second sub-screen activated by a second screen button,
The main screen represents all visualization contents for the selected data, and the main screen may remove some of the visualization contents according to a user's preset definition,
The first sub-screen shows only the visualization content of the categorical data among the selected data,
The second sub-screen shows only the visualization content of the time series data among the selected data,
When the first sub-screen and the second sub-screen are activated at the same time, the dashboard is divided to display the first sub-screen in a partial region and the second sub-screen in the remaining partial region,
When the main screen, the first sub-screen, and the second sub-screen are simultaneously activated, the dashboard indicates the main screen, the first sub-screen and the second sub-screen are displayed in a pop-up screen form,
When one of the first sub-screen and the second sub-screen and the main screen are activated at the same time, the dashboard indicates the main screen, and the one sub-screen is displayed in the form of a pop-up screen,
The visualization content includes a complex visualization type of visualization content including image content representing data values as images and text content representing the data values as text,
Settings for the main screen, the first sub-screen, and the second sub-screen are recorded for each user and synchronized according to the user's login operation,
The content output unit enlarges or reduces the panel in response to a first user's input to the panel in the dashboard and displays it,
The first user's input is a drag on the edge of the panel,
The content output unit moves the panel in response to a second user's input to the panel in the dashboard,
The second user's input is a drag on the inner area of the panel,
The content output unit displays a panel addition area in the dashboard, and provides a dashboard management GUI (Graphic User Interface) in response to a third user's input to the panel addition area,
The third user's input includes at least one of a click and a double click on the additional panel,
When the panel addition area is activated according to the third user's input to the panel addition area, the dashboard management GUI for the panel addition area is displayed as a pop-up screen so as to overlap the main screen,
The dashboard management GUI includes a panel setting unit, and the panel setting unit provides setting values for the size, position, language, and color of the additional panel.

delete