KR102227512B1 - 전자기기를 위한 특정 기능 수행용 학습된 모델 작성 방법, 전자기기를 위한 특정 기능 수행용 학습된 모델, 전자기기를 위한 특정 기능 수행 전용 칩, 전자기기를 위한 특정 기능 수행 전용 칩 동작 방법, 특정 기능 수행을 위한 전자기기, 및 전자기기 특정 기능 수행 시스템 - Google Patents

Abstract

본 발명의 실시형태에 따른 전자기기를 위한 특정 기능 수행용 학습 모델 작성 방법은, 사람의 행동을 감지하기 위한 임의의 센싱 데이터 생성부로부터 수신된 센싱 데이터와, 상기 센싱 데이터에 대하여 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 짝을 지어 포함하는 인공 신경망 학습용 빅 데이터를 준비하는 단계; 센싱 데이터가 입력되는 입력 계층의 노드들, 상기 전자기기의 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력을 연산하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 준비하는 단계 및 상기 준비된 빅 데이터에 포함된 상기 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델을 기계적으로 학습시키는 단계를 포함할 수 있다.

Description

전자기기를 위한 특정 기능 수행용 학습된 모델 작성 방법, 전자기기를 위한 특정 기능 수행용 학습된 모델, 전자기기를 위한 특정 기능 수행 전용 칩, 전자기기를 위한 특정 기능 수행 전용 칩 동작 방법, 특정 기능 수행을 위한 전자기기, 및 전자기기 특정 기능 수행 시스템{LEARNED MODEL GENERATING METHOD FOR DEVICE WAKEUP, LEARNED MODEL GENERATED FOR THE DEVICE WAKEUP, WAKEUP EXCLUSIVE USE CHIP FOR THE DEVICE, WAKEUP EXCLUSIVE USE CHIP OPERATING METHOD FOR THE DEVICE, DEVICE HAVING A WAKEUP FUNCTION AND DEVICE WAKEUP SYSTEM}

본 발명은 전자기기를 위한 특정 기능 수행용 학습된 모델 작성 방법, 전자기기를 위한 특정 기능 수행용 학습된 모델, 전자기기를 위한 특정 기능 수행 전용 칩, 전자기기를 위한 특정 기능 수행 전용 칩 동작 방법, 특정 기능 수행 기능을 가진 전자기기, 및 전자기기 특정 기능 수행 시스템에 관한 것으로, 보다 구체적으로 인공 신경망을 이용하여 미리 학습된 모델을 이용하여 빠르고 정확하게 전자기기를 특정 기능 수행 하기 위한, 전자기기를 위한 특정 기능 수행용 학습된 모델 작성 방법, 전자기기를 위한 특정 기능 수행용 학습된 모델, 전자기기를 위한 특정 기능 수행 전용 칩, 전자기기를 위한 특정 기능 수행 전용 칩 동작 방법, 특정 기능 수행 기능을 가진 전자기기, 및 전자기기 특정 기능 수행 시스템에 관한 것이다.

스마트폰 같은 전자기기의 경우, 사용자가 사용하고 있지 않을 때까지 사용되지 않는 하드웨어 구성들의 전원을 모두 켜두게 되면 많은 전력 소모가 생기게 된다.

이러한 문제점을 해결하기 위하여 사용자가 사용하지 않을 경우에는 사용되지 않는 하드웨어 구성들의 전원은 꺼두도록 함으로서 불필요한 전력 소모를 줄이고자 하는 노력이 있어 왔다.

이러한 노력에도 불구하고, 종래 기술에 따른 특정 기능 수행 시스템에 따르면, 센서가 센싱 데이터를 정확히 인식하지 못하고 센싱해야할 상황이 아닌데 특정 기능 수행이 되거나 센싱해야할 상황인데 특정 기능 수행이 되지 않는 기술적 한계가 있어 왔다.

본 발명은 전술한 문제점을 해결하기 위해 도출된 것으로, 센싱 데이터를 정확히 이해하여 사용자가 의도한 정확한 상황에 특정 기능을 수행하도록 하는 데에 그 목적이 있다.

또한, 센싱 데이터를 AI 인식 모델에 입력하여 보다 빠르고 정확한 특정 기능 수행 판별 데이터를 출력하도록 하는 데에 그 목적이 있다.

그리고, 미리 학습된 AI 인식 모델을 이용하여 실시간 센싱 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, AI 인식 모델을 통해서는 추론 과정을 수행하는 것만으로도 특정 기능 수행 판별 데이터를 출력할 수 있도록 함으로서 사용자의 편의를 도모하도록 하는 데에 그 목적이 있다.

마지막으로, 전원이 항샹 켜져있지 않고 특정한 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

본 발명의 실시형태에 따른 전자기기를 위한 특정 기능 수행용 학습 모델 작성 방법은, 사람의 행동을 감지하기 위한 임의의 센싱 데이터 생성부로부터 수신된 센싱 데이터와, 상기 센싱 데이터에 대하여 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 짝을 지어 포함하는 인공 신경망 학습용 빅 데이터를 준비하는 단계; 센싱 데이터가 입력되는 입력 계층의 노드들, 상기 전자기기의 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력을 연산하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 준비하는 단계 및 상기 준비된 빅 데이터에 포함된 상기 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델을 기계적으로 학습시키는 단계를 포함할 수 있다.

본 발명의 다른 실시형태에 따른 전자기기를 위한 특정 기능 수행용 학습된 모델은, 사람의 행동을 감지하기 위한 임의의 센싱 데이터 생성부로부터 수신된 센싱 데이터와, 상기 센싱 데이터에 대하여 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 짝을 지어 포함하는 인공 신경망 학습용 빅 데이터를 이용하여, 센싱 데이터가 입력되는 입력 계층의 노드들, 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력을 연산하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을, 상기 빅 데이터에 포함된 상기 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델을 기계적으로 학습시켜서 획득된 것을 특징으로 한다.

본 발명의 다른 실시형태에 따른 전자기기를 위한 특정 기능 수행 전용 칩은, 사람의 행동을 감지하기 위한 센싱 데이터를 적어도 하나의 센싱 데이터 생성부로부터 수신하는 센싱 데이터 수신부, 상기 센싱 데이터와 매칭하여 상기 적어도 하나의 센싱 데이터 생성부를 포함하는 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 출력하는 특정 기능 수행 판별 데이터 출력부 및 상기 센싱 데이터의 입력에 대응하여 상기 특정 기능 수행 판별 데이터를 출력하기 위한 AI(Artificial Intelligence) 인식 모델을 포함하고, 상기 AI 인식 모델은 학습된 모델이 임베디드 된 것이고, 상기 학습된 모델은, 센싱 데이터가 입력되는 입력 계층의 노드들, 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력을 연산하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고, 빅 데이터에 포함된 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 빅 데이터에 포함된 상기 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것임을 특징으로 한다.

본 발명의 다른 실시형태에 따른 전자기기를 위한 특정 기능 수행 전용 칩 구동 방법은, 사람의 행동을 감지하기 위한 센싱 데이터를 적어도 하나의 센싱 데이터 생성부로부터 수신하는 단계 및 상기 센싱 데이터와 매칭하여 상기 적어도 하나의 센싱 데이터 생성부를 포함하는 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 AI 인식 모델을 이용하여 출력하는 단계를 포함하고, 상기 AI 인식 모델은 학습된 모델이 특정 기능 수행 전용 칩에 임베디드 된 것이고, 상기 학습된 모델은, 상기 센싱 데이터가 입력되는 입력 계층의 노드들, 상기 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력에 대응하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고, 상기 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 센싱 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터를 출력하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것을 특징으로 한다.

본 발명의 다른 실시형태에 따른 전자기기는, 사람의 행동을 감지하기 위한 센싱 데이터를 생성하는 적어도 하나의 센싱 데이터 생성부, 상기 적어도 하나의 센싱 데이터 생성부로부터 수신한 상기 센싱 데이터와 매칭하여 상기 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 출력하는 프로세서 및 상기 특정 기능 수행 판별 데이터를 기초로 생성된 특정 기능 수행 신호를 상기 프로세서로부터 수신하여 상기 전자기기를 구동하는 구동 명령을 생성하는 제어부를 포함하고, 상기 프로세서는, 상기 센싱 데이터의 입력에 대응하여 상기 특정 기능 수행 판별 데이터를 출력하기 위한 AI(Artificial Intelligence) 인식 모델을 포함하고,

상기 AI 인식 모델은 학습된 모델이 임베디드된 것이고, 상기 학습된 모델은, 센싱 데이터가 입력되는 입력 계층의 노드들, 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력에 응답하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고, 빅 데이터에 포함된 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 빅 데이터에 포함된 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것을 특징으로 한다.

본 발명의 다른 실시형태에 따른 전자기기 구동방법은, 적어도 하나의 센싱 데이터 생성부에서, 사람의 행동을 감지하기 위한 센싱 데이터를 생성하는 단계, 프로세서에서, 상기 적어도 하나의 센싱 데이터 생성부로부터 수신한 상기 센싱 데이터와 매칭하여 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 상기 전자기기에 내장된 AI 인식 모델을 통해 출력하는 단계, 상기 프로세서에서, 상기 특정 기능 수행 판별 데이터를 기초로 한 특정 기능 수행 신호를 생성하는 단계 및 제어부에서, 상기 프로세서로부터 상기 특정 기능 수행 신호를 수신하여 상기 전자기기를 구동하는 구동 명령을 생성하는 단계를 포함하고, 상기 AI 인식 모델은 학습된 모델이 상기 전자기기에 임베디드된 것이고, 상기 학습된 모델은, 상기 센싱 데이터가 입력되는 입력 계층의 노드들, 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력에 응답하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고, 빅 데이터에 포함된 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 매칭된 상기 빅 데이터에 포함된 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것을 특징으로 한다.

본 발명의 다른 실시형태에 따른 서버와 통신하는 전자기기는, 사람의 행동을 감지하기 위한 센싱 데이터를 생성하는 적어도 하나의 센싱 데이터 생성부, 상기 센싱 데이터 생성부로부터 상기 센싱 데이터를 수신하는 프로세서, 상기 프로세서로부터 수신한 상기 센싱 데이터를 상기 서버로 전송하는 통신부, 상기 전자기기를 제어하는 제어 명령을 생성하는 제어부 및 상기 제어 명령에 기초하여 구동하는 제2 기능부를 포함하고, 상기 서버는, 상기 센싱 데이터와 매칭하여 상기 전자기기의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터를 AI(Artificial Intelligence) 인식 모델을 통해 출력하고, 상기 AI 인식 모델은 학습된 모델이 상기 서버에 내장된 것이고, 상기 학습된 모델은, 센싱 데이터가 입력되는 입력 계층의 노드들, 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 센싱 데이터의 입력에 응답하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고, 빅 데이터에 포함된 센싱 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 빅 데이터에 포함된 상기 센싱 데이터와 짝이 되는 상기 빅 데이터에 포함된 특정 기능 수행 판별 데이터가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델을 기계적으로 학습하여 획득된 것이고, 상기 프로세서는, 상기 서버로부터 상기 특정 기능 수행 판별 데이터를 수신하여 상기 특정 기능 수행 판별 데이터에 기초한 특정 기능 수행 신호를 생성하고, 상기 제어부는 상기 프로세서로부터 수신한 상기 특정 기능 수행 신호에 기초하여 상기 제2 기능부를 구동하기 위한 구동 명령을 생성하고, 상기 제2 기능부는 상기 구동 명령에 기초하여 구동하는 것을 특징으로 한다.

본 발명의 실시형태에 따르면 센싱 데이터를 정확히 이해하여 사용자가 의도한 정확한 상황에 특정 기능 수행이 되도록 할 수 있다.

또한, 센싱 데이터를 AI 인식 모델에 입력하여 보다 빠르고 정확한 특정 기능 수행 판별 데이터를 출력할 수 있게 된다.

그리고, 미리 학습된 AI 인식 모델을 이용하여 실시간 센싱 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, AI 인식 모델을 통해서는 추론 과정을 수행하는 것만으로도 특정 기능 수행 판별 데이터를 출력할 수 있도록 함으로서 사용자의 편의를 도모할 수 있게 된다.

마지막으로, 전원이 항샹 켜져있지 않고 특정한 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있게 된다.

도 1a은 본 발명의 실시형태에 따른 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템을 설명하는 개략도이다.
도 1b는 센싱 데이터와 특정 기능 수행 판별 데이터의 조합을 설명하기 위해 참조되는 도면이다.
도 2는 본 발명의 실시형태에 따른 전자기기를 위한 특정 기능 수행용 학습 모델 작성 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시형태에 따른 특정 기능 수행 판별 전용 칩 또는 전용 시스템을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시형태에 따른 특정 기능 수행 전용 칩의 동작을 설명하기 위한 순서도이다.
도 5는 본 발명의 실시형태에 따른 전자기기를 설명하기 위한 블록도이다.
도 6은 본 발명의 실시형태에 따른 전자기기의 동작을 설명하기 위한 순서도이다.
도 7은 본 발명의 실시형태에 따른 서버와 통신하는 전자기기를 설명하기 위한 블록도이다.
도 8은 본 발명의 실시형태에 따른 서버와 통신하는 전자기기의 동작을 설명하기 위한 순서도이다.
도 9 내지 도 12는 전자기기의 종류별 특정 기능 수행 시스템을 설명하기 위해 참조되는 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

실시형태 1 (전자기기를 사람의 행동에 관한 센싱 정보에 기초하여 특정 기능 수행)

실시예 1-1 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(도 1a)

이하, 첨부되는 도면을 참조하여 본 발명의 일 실시형태에 따른 인공 신경망(Artificial Neural Network)에 기반한 전자기기 특정 기능 수행 시스템에 대해 기술한다.

도 1a은 본 발명의 일 실시형태에 따른 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)을 설명하는 개략도이다.

도 1a에 도시한 바와 같이, 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)은 기계 학습 장치(2) 및 전자기기(3)를 포함할 수 있다.

기계 학습 장치(2)는 빅 데이터(B)를 이용하여 인공 신경망 모델(220)에 대한 기계 학습을 수행하여 학습된 모델(220')을 생성한다. 구체적으로, 빅 데이터(B)와 인공 신경망 모델(220)을 각각 준비하고, 인공 신경망 모델(220)을 빅 데이터(B)를 이용하여 반복적으로 기계 학습시킴으로서 학습된 모델(220')을 생성할 수 있다.

본 발명의 실시예에 따른 빅 데이터(B)는 센싱 데이터(BS)와 특정 기능 수행 판별 데이터(BD)를 포함할 수 있다. 센싱 데이터(BS)는 임의의 센싱 데이터 생성부로부터 생성된 데이터로, 음성 정보, 근접 정보, 영상 정보, 위치 정보 등을 포함할 수 있으며, 본 실시형태에서는 이에 한정되지 않는다. 특정 기능 수행 판별 데이터(BD)는 전자기기(3)의 특정 기능 수행 여부를 판별하기 위해 센싱 데이터(BS)와 짝을 지어 미리 준비될 수 있다.

본 발명의 실시예에 따른 인공 신경망 모델(220)은 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 은닉 계층의 노드들(225), 및 출력 계층의 노드들(223)와 입력 계층의 노드들(221) 사이의 다수의 연관 파라미터( 또는 가중치 및 weight)를 포함할 수 있다.

입력 계층의 노드들(221)은 입력계층(input layer)을 구성하는 노드로 외부로부터 소정의 입력 데이터를 수신하고, 출력 계층의 노드들(223)은 출력계층(output layer)을 구성하는 노드로 외부로 소정의 출력 데이터를 출력해낸다. 입력 계층의 노드들(221)과 출력 계층의 노드들(223) 사이에 배치된 은닉 노드(225)는 은닉층(hidden layer)을 구성하는 노드로 입력 계층의 노드들(221)의 출력 데이터를 출력 계층의 노드들(223)의 입력 데이터로 연결한다. 도 1a에서는 1개의 은닉층을 도시하였으나, 실시예에 따라 복수개의 은닉층, 예를 들어, 2개 또는 4개나 그 이상으로써, 입력계층과 출력계층 사이에 배치하여 심층 인공신경망을 구현할 수도 있다.

입력계층의 각 노드들(221)은, 도 1a에 도시된 바와 같이, 출력계층의 각 노드들(223)과 인공신경망 모델의 구조에 따라서 완전 연결(fully connected)될 수도 있고, 불완전 연결될 수도 있다.

입력 계층의 노드들(221)은 외부로부터 입력 데이터를 수신하여 연산 후 결과 값을 은닉 노드(225)로 전달해주는 역할을 한다. 은닉 노드(225) 또한 전달 받은 데이터를 연산 후 결과 값을 그 다음 은닉층이나 출력층으로 전달 한다. 최종적으로 출력층 노드로 전달된 데이터가 전체 인공신경망의 출력 데이터가 된다. 인공신경망의 계층간 계산을 수행할 때에는 해당 층의 노드로 입력되는 입력 데이터에 소정의 연관 파라미터(또는 가중치, w)를 곱하여 받아들여 계산을 수행하게 된다. 그리고 각 노드에서 수행한 계산 결과값을 모두 합(가중합)한 후 (보통 행렬 곱이나 Convolution 곱 등이 보통 사용 된다.), 미리 설정된 활성화 함수를 통과시켜 소정의 출력 데이터를 생성 하여 다음 계층으로 전달한다.

활성화 함수는 계단 함수(step function), 부호 함수(sign function), 선형 함수(linear function), 로지스틱 시그모이드 함수(logistic sigmoid function), 하이퍼탄젠트 함수(hyper tangent function), ReLU 함수, 소프트맥스(softmax) 함수 중에서 보통 사용 된다. 활성화 함수는 응용 분야에 맞는 인공신경망 모델의 구조를 설계 할 때 적절히 선정된다.

인공신경망의 학습은 신경망 내의 모든 연관 파라미터(w)를 반복적으로 적절한 값으로 갱신(또는 수정)하는 과정으로 기계 학습한다. 인공신경망이 기계 학습하는 방법에는 대표적으로 지도 학습과 비지도 학습이 있다.

지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 출력 데이터가 명확히 정해져 있는 상태에서, 상기 입력 데이터를 상기 신경망에 넣어서 얻은 출력 데이터를 상기 목표 데이터에 비슷해질 수 있도록 연관 파라미터(w)를 갱신시키는 학습 방법이다. 도 1a의 다층 구조는 지도 학습에 기반하여 생성된다.

비지도 학습은 입력 데이터에 대해 임의의 신경망이 계산해내기를 바라는 목표 데이터가 정해져 있지 않고, 비슷한 입력 데이터에 대해서 일관된 출력 데이터를 내는 학습 방법이다. 비지도 학습을 수행하는 대표적인 신경망에는 자기조직화특징맵(SOM, Self-organizing feature map)과 볼쯔만머쉰(Boltzmann machine)이 있다.

다시, 도 1a를 참조하면, 빅 데이터(B)에 포함되어 있는 센싱 데이터(BS)가 인공 신경망 모델(220)의 입력계층으로 입력된다.

예를 들어, 제1 센싱 데이터(BS1)가 입력계층으로 입력되는 경우, 입력계층의 4개의 입력 계층의 노드들(221)별로 제1 센싱 데이터(BS1)를 구성하는 제1 요소 내지 제4 요소(BS1-1 내지 BS1-4)가 각각 입력되고, 출력계층의 3개의 출력 계층의 노드들(223)별로 제1 특정 기능 수행 판별 데이터(BD1)를 구성하는 제1 요소 내지 제3 요소(BD1-1 내지 BD1-3)가 각각 출력될 수 있다. 여기서, 하나의 출력 계층의 노드의 출력은 하나의 특정 동작의 수행 여부에 대한 정보를 포함할 수도 있다. 예를 들어, 전체 시스템 전원의 인가 수행 여부에 대한 정보를 포함하는 출력 계층의 노드의 수는 1개이고, 그 값은 0 과 1로 표현 될 수 있다. 다만, 본 발명의 권리범위가 도 1a에 도시한 입력 계층의 노드들(221)과 출력 계층의 노드들(223)의 개수에 제한되지 않음은 전술한 바와 같다.

제1 센싱 데이터(BS1)의 입력 방식과 동일/유사하게 제2 센싱 데이터(BS2)와 제3 센싱 데이터(BS3)도 입력계층으로 입력될 수 있으며, 제1 특정 기능 수행 판별 데이터(BD1)의 출력 방식과 동일/유사하게 제2 특정 기능 수행 판별 데이터(BD2)와 제3 특정 기능 수행 판별 데이터(BD3)도 출력될 수 있다.

센싱 데이터(BS)와 특정 기능 수행 판별 데이터(BD)의 조합은 도 1b를 참조하여 설명할 수 있다. 예를 들어, 제1 센싱 데이터(BS1)에 대응하는 제1 특정 기능 수행 판별 데이터(BD1)는 특정 기능 수행이 수행 가능한 상태(o)를 나타내는 형태로 출력되고, 제2 센싱 데이터(BS2)에 대응하는 제2 특정 기능 수행 판별 데이터(BD2)와 제3 센싱 데이터(BS3)에 대응하는 제3 특정 기능 수행 판별 데이터(BD3)는 특정 기능 수행 수행이 불가능한 상태(x)를 나타내는 형태로 출력될 수 있다.

이렇듯, 기계 학습 장치(2)는 인공 신경망 모델(220)을 구성하는 입력 계층의 노드들(221)에 대한 센싱 데이터(BS) 입력과 출력 계층의 노드들(223)로부터의 특정 기능 수행 판별 데이터(BD)를 출력하는 과정을 지속적으로 반복 수행하며 그 과정에서 연관 파라미터(w)를 갱신시키는 기계 학습을 수행함으로서 인공신경망 모델(220')을 학습시킨다. 기계 학습 장치(2)는 빅 데이터(B)에 포함된 상기 센싱 데이터(BS)를 상기 입력 계층의 노드들(221)로 입력하고 상기 출력 계층의 노드들(223)로부터 상기 빅 데이터(B)에 포함된 상기 센싱 데이터(BS)와 매칭된 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델(220)를 기계적으로 학습시킨다.

기계 학습 장치(2)에서 작성된 학습된 모델(220')은 전자기기(3)에서 전자기기(3)를 특정 기능 수행하는 데에 활용된다.

전자기기(3)는 특정 기능 수행 신호를 입력 받아 구동될 수 있는 스마트폰을 포함하는 스마트 기기, 컴퓨터, 홈 어플라이언스, 차량 등의 다양한 기기를 포함한다. 본 실시형태에서는 특정한 전자기기로 한정되지 않는다.

본 발명에서'특정 기능 수행'이란, 사용자의 호출을 인식하여 전자기기(3)가 정지 모드, 슬립 모드 또는 잠금 모드와 같은 제1 모드에서 해제되고 부팅 모드, 활성화 모드, 언락 모드와 같은 제2 모드로 동작을 시작하게 됨을 의미한다. 제1 모드는 정지 모드, 슬립 모드, 잠금 모드 등을 포함하며, 전자기기(3)의 전 기능이 비활성화되어 있거나 또는 일부 기능(예를 들어 도 1a에서 제1 기능부)만이 활성화된 상태를 포함한다. 제2 모드는, 부팅 모드, 활성화 모드, 언락 모드를 포함하며, 전자기기(3)의 전 기능이 활성화되거나 또는 비활성화되어 있던 기능 (예를 들어 도 1a에서 제2 기능부)이 활성화되는 것을 포함한다. 예를 들어, 특정 기능 수행은 전자기기(3) 전체 시스템의 웨이크업을 의미할 수 있으나, 본 발명의 권리범위는 이에 제한되지 않는다.

전자기기(3)는 센싱 데이터 생성부(310), 특정 기능 수행 프로세서(320), 제어부(330), 제1 기능부(350), 제2 기능부(360), 및 전원부(370)를 포함할 수 있다.

센싱 데이터 생성부(310)는 마이크(311), 카메라부(312), 적외선 센서(313), 그 밖에 가속도 센서, 모션 센서, 광 센서, 심박수 센서, 지문 인식 센서 등을 포함한다. 센싱 데이터 생성부(310)는 음성 데이터, 영상 데이터, 근접 데이터, 모션 데이터, 위치 데이터, 지문 인식 데이터 등을 생성할 수 있다. 생성된 센싱 데이터(BS) 중 적어도 하나는 특정 기능 수행 프로세서(320)로 전송될 수 있다.

특정 기능 수행 프로세서(320)는 인공신경망을 연산처리 하는 연산장치(미도시)를 포함하며, 당해 인공신경망 연산 장치(미도시)는 AI 인식 모델(Artificial Intelligence Recognition Model, 322)이 요구하는 연산을 수행하며 CPU/GPU 와 같은 범용 프로세서 또는 전용 AI 가속 프로세서로 구현될 수 있다.. 즉, AI 인식 모델(322)은 기계 학습 장치(2)에서 작성된 학습된 모델(220')이 특정 기능 수행 프로세서(320) 내부의 인공신경망 연산 장치에 임베디드(Embeded)된 것일 수 있다.

특정 기능 수행 프로세서(320)는 센싱 데이터 생성부(310)로부터 센싱 데이터(RS)를 수신하고, 수신한 센싱 데이터(RS)를 미리 준비된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 특정 기능 수행 판별 데이터(RD)를 출력한다. 출력된 특정 기능 수행 판별 데이터(RD)를 기초로 생성된 특정 기능 수행 신호는 제어부(330)로 입력되어 제어부(330)의 제어 하에 전자기기(3)가 특정 기능을 수행 하도록 할 수 있다. 특정 기능 수행 프로세서(320)의 자세한 동작은 도 3을 참조하여 후술한다.

한편, 본 발명에 따르면, 기계 학습 장치(2)에서 학습 모델을 준비하고 전자기기(3)가 이를 획득하여 전자기기(3)에 내장된 AI 인식 모델에서 센싱 데이터(BS) 입력에 따라 특정 기능 수행 판별 데이터(BD)를 출력하여 특정 기능을 수행하는 것을 예시하였으나, 다른 실시예에 따라 전자기기(3)의 AI 인식 모델을 기초로 추가적인 기계 학습을 수행하도록 구현할 수도 있다.

제어부(330)는 전자기기(3)의 전반적인 동작을 제어한다. 예를 들어, 어플리케이션 프로세서(AP), CPU 등을 포함할 수 있다.

제어부(330)는 특정 기능 수행 프로세서(320)로부터 특정 기능 수행 신호를 수신하여 전자기기(3)가 구동되도록 할 수 있다.

제1 기능부(350)는 전자기기(3)의 전원이 꺼져있는 상태에서도 항상 켜져 있는(Always-On) 모듈로, 예를 들어 전자기기(3)가 통신 기기인 경우 통신부(350)를 포함할 수 있다.

제2 기능부(360)는 제어부(330)의 제어 명령에 따라 구동되는 구동부로, 디스플레이와 같은 출력부 등을 포함할 수 있다. 제1 기능부(350)는 항상 켜져있어야 하지만, 제2 기능부(360)는 전력 소모를 줄이기 위해 평상시에는 꺼져있다가 제어부(330)의 제어 명령을 수신하는 경우에만 기능을 하도록 구현될 수 있다.

전원부(370)는 전자기기(3)에 전력을 공급한다. 전자기기(3)가 꺼져있어도 제1 기능부(350)는 전원부(370)로부터 항상 전력을 공급받는다. 반면, 제2 기능부(360)는 평상시에는 꺼져있다가 제어부(330)로부터 제어 명령을 수신하면 전원부(370)로부터 전력을 공급받을 수 있다.

1-1-1 전자기기를 위한 특정 기능 수행용 학습 모델 작성 방법 (독립항 1, 도 2)

도 2는 본 발명의 실시예에 따른 전자기기(3)를 위한 특정 기능 수행용 학습 모델 작성 방법을 설명하기 위한 순서도이다.

도 2에 도시한 바와 같이, 센싱 데이터(BS)와 특정 기능 수행 판별 데이터(BD)를 포함하는 빅 데이터(B)를 준비하고(S210), 인공 신경망 모델(220)를 준비하며(S220), 인공 신경망 모델(220)을 이용한 센싱 데이터(BS) 입력과 특정 기능 수행 판별 데이터(BD) 출력을 기계적으로 반복 수행(S230)하여 특정 기능 수행용 학습된 모델(220')을 작성할 수 있다.

구체적으로, 사람의 존재나 특정 행동 등을 감지하기 위한 적어도 하나의 센싱 데이터 생성부(310)로부터 수신된 센싱 데이터(BS)와, 센싱 데이터(BS)와 매칭하여 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터(BD)를 짝을 지어 포함하는 빅 데이터(B)를 준비한다.

그리고, 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하는 인공 신경망 모델(220)를 준비한다. 인공 신경망 모델(220)은 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다.

기계 학습 장치(2)는 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 매칭된 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 기계 학습을, 빅 데이터(B)에 포함된 대량의 센싱 데이터(BS)(BS1, BS2, …)와 이에 매칭되어 있는 대량의 특정 기능 수행 판별 데이터(BD)(BD1, BD2, …)에 대하여, 반복적으로 수행하여 연관 파라미터를 갱신할 수 있다. 인공 신경망 모델(220)에 대한 기계 학습을 수행하여, 갱신된 연관 파라미터로 구성된 학습된 모델(220')을 작성하게 된다.

1-1-2 학습된 모델

도 1a를 참조하여 본 발명의 실시예에 따른 전자기기(3)를 위한 특정 기능 수행용 학습된 모델에 대해 기술한다.

본 발명의 실시예에 따른 전자기기(3)를 위한 특정 기능 수행용 학습 모델은 센싱 데이터(BS)와 특정 기능 수행 판별 데이터(BD)를 포함하는 빅 데이터(B)를 이용하여 인공 신경망 모델(220)을 기계적으로 반복 학습 시켜서 획득될 수 있다.

구체적으로, 인공 신경망 모델(220)은 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하고, 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다.

기계 학습 장치(2)는 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 매칭된 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 연관 파라미터를 갱신함으로서 인공 신경망 모델(220)를 기계적으로 학습시켜서 학습된 모델(220')을 획득할 수 있다.

1-1-3 전자기기를 위한 특정 기능 수행 전용 칩 (독립항 3, 도 3)

특정 기능 수행 전용 칩(4)은 기계 학습 장치(2)에서 기계 학습을 수행하여 작성된 학습된 모델(220')을 기초로 임베디드된 AI 인식 모델(322')을 포함한다. 특정 기능 수행 전용 칩(4)은 전자기기(3)와 연결하여 전자기기(3)로부터 수신한 센싱 데이터(RS)를 AI 인식 모델(322')에 입력하여 AI 인식 모델(322')로부터 센싱 데이터(RS)에 매칭하는 특정 기능 수행 판별 데이터(RD)를 출력할 수 있다.

도 3은 이러한 특정 기능 수행 전용 칩(4)을 설명하기 위한 블록도이다.

도 3에 도시한 바와 같이, 본 발명의 실시예에 따른 전자기기(3)를 위한 특정 기능 수행 전용 칩(4)은 센싱 데이터 수신부(321'), AI 인식 모델(322'), 및 특정 기능 수행 판별 데이터 출력부(323')를 포함할 수 있다.

센싱 데이터(BS) 수신부(321')는 전자기기(3)의 센싱 데이터 생성부(310)로부터 센싱 데이터(RS)를 수신하여 AI 인식 모델(322')로 전송할 수 있다.

AI 인식 모델(322')은 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하는 인공 신경망 모델(220)을 이용하여 사전에 작성된 학습된 모델(220')을 기초로 임베디드된 것일 수 있다. 인공 신경망 모델(220)은 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다. 그리고, 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고, 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 매칭된 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 연관 파라미터를 갱신함으로서 갱신된 연관 파라미터로 구현된 학습된 모델(220')이 작성될 수 있다. 그리고 학습된 모델(220')을 기초로 한 AI 인식 모델(322')이 특정 기능 수행 전용 칩(4)에 임베디드될 수 있다.

특정 기능 수행 전용 칩(4)에 미리 구비된 AI 인식 모델(322')은 센싱 데이터 수신부(321')로부터 센싱 데이터(RS)를 수신하여 특정 기능 수행 판별 데이터 출력부(323')를 통해 센싱 데이터(RS)와 매칭하는 특정 기능 수행 판별 데이터(RD)를 출력할 수 있다.

1-1-4 전자기기 특정 기능 수행 전용 칩 학습 방법 (독립항 4, 도 4)

특정 기능 수행 전용 칩(4)은 전자기기(3)와 연결하여 전자기기(3)로부터 수신한 센싱 데이터(RS)를 AI 인식 모델(322')에 입력하여 AI 인식 모델(322')로부터 센싱 데이터(RS)에 매칭하는 특정 기능 수행 판별 데이터(RD)를 출력할 수 있다. 도 4는 이러한 특정 기능 수행 전용 칩(4)의 동작을 설명하기 위한 순서도이다.

도 4에 도시한 바와 같이, 특정 기능 수행 전용 칩(4)은 센싱 데이터(RS)를 전자기기(3)의 센싱 데이터 생성부(310)로부터 수신할 수 있다(S410). 그리고 센싱 데이터(RS)와 매칭하여 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터(RD)를 출력할 수 있다(S420). 여기서 센싱 데이터(RS)와 매칭하는 특정 기능 수행 판별 데이터(RD) 출력은 AI(Artificial Intelligence) 인식 모델(322')을 기초로 수행될 수 있다.

상기 AI 인식 모델(322')은 학습된 모델(220')이 특정 기능 수행 전용 칩(4)에 임베디드된 것일 수 있다.

구체적으로, AI 인식 모델(322')은 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하는 인공 신경망 모델(220)를 이용하여 사전에 작성된 학습된 모델(220')을 기초로 임베디드된 것일 수 있다. 인공 신경망 모델(220)은 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다. 그리고, 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고, 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 매칭된 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 연관 파라미터를 갱신함으로서 갱신된 연관 파라미터로 구현된 학습된 모델(220')이 작성될 수 있다. 그리고 학습된 모델(220')을 기초로 한 AI 인식 모델(322')이 특정 기능 수행 전용 칩(4)에 임베디드될 수 있다.

여기서, 센싱 데이터(BS) 생성과 특정 기능 수행 판별 데이터(BD) 생성, 그리고 인공 신경망 모델(220) 형성은 그 순서에 있어서 제한을 두지 않는다. 즉, 데이터 생성 이후에 인공 신경망 모델(220)가 형성될 수도 있고, 인공 신경망 모델(220)가 형성된 이후에 데이터가 생성될 수도 있으며 동시에 수행될 수도 있다.

그리고, 특정 기능 수행 전용 칩(4)은 상기 기계학습 수행 결과 획득된 상기 특정 기능 수행 판별 데이터를 후술할 전자기기(3)에 포함된 저장부(340)에 기 저장된 기준 특정 기능 수행 데이터와 비교하여 상기 특정 기능 수행 판별 데이터가 소정의 임계치 이상인지 여부를 판별할 수 있으며, 상기 특정 기능 수행 판별 데이터가 상기 소정의 임계치 이상인 것으로 판별되는 경우 상기 전자기기(3)를 특정 기능 수행하기 위한 신호를 생성할 수 있다.

1-1-5 전자기기 (독립항 5, 도 5)

전자기기(3)는 센싱 데이터(RS)를 이용하여 센싱 데이터(RS)와 매칭하는 특정 기능 수행 판별 데이터(RD)를 생성하고, 생성된 특정 기능 수행 판별 데이터(RD)를 기초로 특정 기능 수행될 수 있다.

도 5는 이러한 전자기기(3)를 설명하기 위한 블록도이다.

도 5에 도시한 바와 같이, 본 발명의 일 실시형태에 따른 전자기기(3)는 센싱 데이터 생성부(310), 특정 기능 수행 프로세서(320), 제어부(330), 및 저장부(340)를 포함할 수 있다. 본 발명의 일 실시형태에 따른 전자기기(3)는 전원부(370), 제1 기능부(350), 및 제2 기능부(360)를 더 포함할 수 있다. 각각의 구성이나 기능 중에서 앞의 실시예에서 설명한 것이 적용되는 것에 대해서는 그 설명을 생략한다.

센싱 데이터 생성부(310)는 마이크(311), 카메라부(312), 적외선 센서(313), 그 밖에 가속도 센서, 모션 센서, 광 센서, 심박수 센서, 지문 인식 센서 등으로부터 음성 데이터, 영상 데이터, 위치 데이터, 지문 인식 데이터 등을 생성할 수 있다. 생성된 센싱 데이터 중 적어도 하나는 특정 기능 수행 프로세서(320)로 전송될 수 있다.

특정 기능 수행 프로세서(320)는 센싱 데이터 수신부(321), 학습 모델(322), 특정 기능 수행 판별 데이터 출력부(323), 특정 기능 수행 신호 생성부(325), 및 특정 기능 수행 신호 전송부(326)를 포함할 수 있다.

센싱 데이터 수신부(321)는 센싱 데이터 생성부(310)로부터 센싱 데이터(RS)를 수신하여 AI 인식 모델(322)로 전송할 수 있다.

AI 인식 모델(322)은, 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)과 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하는 인공 신경망 모델(220)을 이용하여 사전에 작성된 학습된 모델(220')을 기초로 임베디드된 것일 수 있다. 인공 신경망 모델(220)은 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다. 그리고, 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고, 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 짝이 되는 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 연관 파라미터를 갱신함으로서 갱신된 연관 파라미터로 구현된 학습된 모델(220')이 작성될 수 있다. 그리고 학습된 모델(220')을 기초로 한 AI 인식 모델(322')이 특정 기능 수행 프로세서(320)에 임베디드될 수 있다.

특정 기능 수행 판별 데이터(RD)는 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 정보를 포함하고 있으며, 해당 정보는 특정 기능 수행 판별 데이터 출력부(323)를 통해 출력될 수 있다.

특정 기능 수행 신호 생성부(325)는 특정 기능 수행 판별 데이터(RD)를 기초로 특정 기능 수행 신호를 생성할 수 있다. 예를 들어, 특정 기능 수행 판별 데이터(RD)를 저장부(340)에 기 저장된 소정의 임계치에 대한 내용을 포함하는 기준 특정 기능 수행 데이터와 비교하여, 특정 기능 수행 판별 데이터(RD)가 상기 소정의 임계치 이상인 것으로 판별되는 경우 특정 기능 수행 신호를 생성할 수 있다.

그리고 생성된 특정 기능 수행 신호는 특정 기능 수행 신호 전송부(326)를 통해 제어부(330)로 전송될 수 있다. 그러면, 제어부(330)는 특정 기능 수행 신호에 기초하여 전자기기(3)를 특정 기능 수행하도록 제어한다.

제어부(330)는 전자기기(3)의 전반적인 동작을 제어한다. 예를 들어, 어플리케이션 프로세서(AP), CPU 등을 포함할 수 있다.

제어부(330)는 특정 기능 수행 프로세서(320)로부터 특정 기능 수행 신호를 수신하여 전자기기(3)를 구동하는 구동 명령을 생성할 수 있다.

저장부(340)는 전자기기(3)의 데이터를 저장할 수 있다. 저장부(340)는 특정 기능 수행 프로세서(320) 및 제어부(330)의 처리 결과를 모두 저장할 수 있다. 즉, 특정 기능 수행 프로세서(320) 및 제어부(330)는 동일한 저장부(340)를 공유할 수 있다. 다만, 다른 실시예에 따라 특정 기능 수행 프로세서(320) 와 제어부(330) 각각 별개의 저장부를 사용할 수 있다.

저장부(340)는 또한 제어부(330)가 생성한 전자기기(3) 구동 명령을 저장할 수 있다.

저장부(340)는 특정 기능 수행 신호를 발생시키기 위한 소정의 임계치에 대한 내용을 포함하는 기준 특정 기능 수행 데이터에 대한 정보를 미리 저장할 수 있다. 특정 기능 수행 프로세서(320)는 이러한 기준 특정 기능 수행 데이터에 대한 정보를 참조하여 특정 기능 수행 신호를 생성할 수 있다.

다른 실시형태에 따라 특정 기능 수행 프로세서(320)는 정정부(미도시)와 학습부(미도시)를 더 포함하여 구현될 수 있다. 이는, 출력된 특정 기능 수행 판별 데이터가 에러 데이터를 포함하고 있는 경우, 에러 데이터를 정정한 정정 데이터를 생성하고, 정정 데이터를 다시 AI 인식 모델(322)을 통해 기계 학습 시켜 정확도가 향상된 AI 인식 모델(322)을 제작하기 위함이다.

예를 들어, 사용자가 특정 음성 정보를 입력하였는데 특정 기능 수행 판별 데이터 출력부(323)에서 이를 감지하지 못한 결과 데이터가 출력된 경우, 정정부(미도시)는 이를 정정한 정정 데이터를 출력할 수 있다. 사용자는 출력된 결과 데이터에 에러가 포함되어 있다는 피드백 정보를 정정부(미도시)로 전송할 수 있고, 정정부(미도시)는 이 피드백 정보를 기초로 정정 데이터를 생성할 수 있다. 정정 데이터는 학습부(미도시)로 전송되어 AI 인식 모델(322)의 입력 계층의 노드들로 전송되고, 특정 기능 수행 프로세서(320)로부터 기 출력된 특정 기능 수행 판별 데이터가 AI 인식 모델(322)의 출력 계층의 노드들을 통해 출력됨으로서, AI 인식 모델(322)은 기계 학습을 수행할 수 있다.

AI 인식 모델(322)의 기계 학습 수행 결과 정확도가 향상된 모델(미도시)이 획득될 것이고, 정확도가 향상된 모델(미도시)을 통해 출력된 특정 기능 수행 판별 데이터는 정확도가 보다 향상된 상태에서 특정 기능 수행 신호를 생성하는 데에 기여할 수 있다.

독립항 6 - 전자기기 구동 방법 (도 6)

도 6은 도 5에서 설명한 전자기기(3)의 구동 방법을 설명하는 순서도 이다.

도 6에 도시한 바와 같이, 센싱 데이터 생성부(310)에서, 사람의 행동을 감지하기 위한 센싱 데이터(BS)를 생성(S610)하면, 특정 기능 수행 프로세서(320)에서, 센싱 데이터 생성부(310)로부터 센싱 데이터(RS)를 수신하고, 수신한 센싱 데이터(RS)와 짝을 지어 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터(RD)를 AI 인식 모델(322)을 통해 출력할 수 있다(S620). 여기서 AI 인식 모델(322)은 도 5에서 전술한 바와 같다.

특정 기능 수행 프로세서(320)는 특정 기능 수행 판별 데이터(RD)를 기초로 특정 기능 수행 여부를 결정하고(S630), 특정 기능 수행 여부 결정 결과를 기초로 한 특정 기능 수행 신호를 생성하여 제어부(330)로 전송할 수 있다(S640). 예를 들어, 특정 기능 수행 판별 데이터(RD)를 저장부(340)에 기 저장된 소정의 임계치에 대한 내용을 포함하는 기준 특정 기능 수행 데이터와 비교하여, 특정 기능 수행 판별 데이터(RD)가 상기 소정의 임계치 이상인 것으로 판별되는 경우 특정 기능 수행 신호를 생성할 수 있으며, 생성된 특정 기능 수행 신호를 제어부(330)로 전송할 수 있다.

제어부(330)는 특정 기능 수행 프로세서(320)로부터 특정 기능 수행 신호를 수신하여 전자기기(3)를 구동하는 구동 명령을 생성할 수 있다. 그리고 해당 명령에 따라 전자기기(3)가 구동된다(S650).

1-1-6 전자기기 특정 기능 수행 시스템

독립항 7- 서버와 통신하는 전자기기 (도 7)

도 7은 본 발명의 실시예에 따른 서버(5)와 통신하는 전자기기(3)를 설명하는 블록도이다. 각각의 구성이나 기능 중에서 앞의 실시예에서 설명한 것이 적용되는 것에 대해서는 그 설명을 생략한다.

도 7에 도시한 바와 같이, 서버(5)와 통신하는 전자기기(3)는 센싱 데이터 생성부(310), 특정 기능 수행 프로세서(320), 제어부(330), 저장부(340), 및 통신부(350)를 포함할 수 있다.

센싱 데이터 생성부(310)는 도 5에서 도시한 센싱 데이터 생성부(310)와 동일한 기능을 수행한다.

특정 기능 수행 프로세서(320)는 센싱 데이터 생성부(310)로부터 센싱 데이터(RS)를 수신하여 통신부(350)로 전송한다.

통신부(350)는 특정 기능 수행 프로세서(320)로부터 수신한 센싱 데이터(RS)를 서버(5)로 전송한다. 또한, 서버(5)로부터 특정 기능 수행 판별 데이터(RD)데이터를 수신하여 특정 기능 수행 프로세서(320)로 전송할 수 있다.

특정 기능 수행 프로세서(320)는 서버(5)로부터 수신한 특정 기능 수행 판별 데이터(RD)를 기초로 특정 기능 수행 신호를 생성할 수 있다. 예를 들어, 특정 기능 수행 판별 데이터(RD)가 저장부(340)에 기 저장된 소정의 임계치에 대한 내용을 포함하는 기준 특정 기능 수행 데이터와 비교하여, 특정 기능 수행 판별 데이터(RD)가 상기 소정의 임계치 이상인 것으로 판별되는 경우 특정 기능 수행 신호를 생성할 수 있다.

저장부(340)와 제어부(330)는 도 5에서 설명한 저장부(340) 및 제어부(330)와 동일/유사하게 구현될 수 있다.

서버(5)는 통신 모듈(510) 및 컨트롤러(520)를 포함할 수 있다.

통신 모듈(510)은 통신부(350)로부터 센싱 데이터(RS)를 수신하여 컨트롤러(520)로 전송한다. 또한, 컨트롤러(520)로부터 출력된 특정 기능 수행 판별 데이터(RD)를 통신부(350)로 전송한다.

컨트롤러(520)는 센싱 데이터(RS)와 매칭하여 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터(RD)를 AI(Artificial Intelligence) 인식 모델(522)을 통해 출력할 수 있다.

AI 인식 모델(522)은, 센싱 데이터(BS)가 입력되는 입력 계층의 노드들(221), 특정 기능 수행 판별 데이터(BD)를 출력하는 출력 계층의 노드들(223), 및 입력 계층의 노드들(221)와 출력 계층의 노드들(223) 사이의 연관 파라미터를 포함하는 인공 신경망 모델(220)를 이용하여 사전에 작성된 학습된 모델(220')을 기초로 임베디드된 것일 수 있다. 인공 신경망 모델(220)는 입력 계층의 노드들(221)에 대한 센싱 데이터(BS)의 입력에 응답하여 출력 계층의 노드들(223)로부터 특정 기능 수행 판별 데이터(BD)를 출력할 수 있다. 그리고, 센싱 데이터(BS)를 입력 계층의 노드들(221)로 입력하고, 출력 계층의 노드들(223)로부터 센싱 데이터(BS)와 짝이 되는 특정 기능 수행 판별 데이터(BD)가 출력되도록 하는 과정을 반복 수행하여 연관 파라미터를 갱신함으로서 갱신된 연관 파라미터로 구현된 학습된 모델(220')이 작성될 수 있다. 그리고 학습된 모델(220')을 기초로 한 AI 인식 모델(522)이 컨트롤러(520)에 임베디드될 수 있다.

컨트롤러(520)는 AI 인식 모델(522)로부터 출력된 특정 기능 수행 판별 데이터(BD)를 통신 모듈(510)을 통해 전자기기(3)로 전송한다. 전자기기(3)의 특정 기능 수행 프로세서(320)는 서버(5)로부터 수신한 특정 기능 수행 판별 데이터(BD)를 기초로 특정 기능 수행 신호를 생성하여 제2 기능부(360)를 구동할 수 있다.

독립항 8- 서버와 통신하는 전자기기 구동 방법 (도 8)

도 8은 본 발명의 실시예에 따라 서버(5)와 통신하는 전자기기(3) 구동 방법에 대한 흐름도이다.

도 8에 도시한 바와 같이, 전자기기(3)는 사람의 행동을 감지하기 위한 센싱 데이터(RS)를 생성할 수 있다. 그리고 생성된 센싱 데이터(RS)를 서버(5)로 전송할 수 있다. 서버(5)는 센싱 데이터(RS)를 수신하여, 센싱 데이터(RS)와 매칭하여 전자기기(3)의 특정 기능 수행 여부를 판별하기 위한 특정 기능 수행 판별 데이터(RD)를 AI 인식 모델(522)를 통해 출력할 수 있다.

AI 인식 모델(522)은 도 7에서 전술한 AI 인식 모델(522)과 동일한 기능을 수행한다.

서버(5)는 출력된 특정 기능 수행 판별 데이터(RD)를 전자기기(3)에 전송할 수 있다.

전자기기(3)는 서버(5)로부터 특정 기능 수행 판별 데이터(RD)를 수신하여 이를 기초로 전자기기(3)를 특정 기능 수행 하기 위한 신호를 생성할 수 있다. 그리고 전자기기(3)는 특정 기능 수행 신호에 기초하여 구동될 수 있다.

변형예 1-1-7 전자기기의 특정 기능 수행 및 특정기능 활성화 시스템

전술한 바와 같이, 본 발명의 전자기기(3)는 특정 기능 수행 신호를 입력 받아 구동될 수 있는 스마트폰을 포함하는 스마트 기기, 컴퓨터, 홈 어플라이언스, 차량 등의 다양한 기기를 포함한다. 본 실시형태에서는 특정한 전자기기로 한정되지 않는다.

또한, 전술한 바와 같이, 본 발명에서'특정 기능 수행'이란, 사용자의 호출을 인식하여 전자기기(3)가 정지 모드, 슬립 모드 또는 잠금 모드와 같은 제1 모드에서 해제되고 부팅 모드, 활성화 모드, 언락 모드와 같은 제2 모드로 동작을 시작하게 됨을 의미한다. 제1 모드는 정지 모드, 슬립 모드, 잠금 모드 등을 포함하며, 전자기기(3)의 전 기능이 비활성화되어 있거나 또는 일부 기능(예를 들어 도 1a에서 제1 기능부)만이 활성화된 상태를 포함한다. 제2 모드는, 부팅 모드, 활성화 모드, 언락 모드 등을 포함하며, 전자기기(3)의 전 기능이 활성화되거나 또는 비활성화되어 있던 기능 (예를 들어 도 1a에서 제2 기능부)이 활성화되는 것을 포함한다.

이하, 도 9 내지 도 15를 참조하여, 전자기기(3)의 특정 기능 수행 및 특정 기능 활성화 시스템을 설명한다.

도 9에 도시한 바와 같이, 전자기기(3)가 스마트폰일 경우, 스마트폰은 센싱 데이터(BS)를 기초로 내장된 AI 인식 모델(322)을 이용해 센싱 데이터(BS)에 매칭하는 스마트폰의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 스마트폰 이 특정 기능을 수행할 수 있다.

예를 들어, 스마트폰은 내장된 AI 인식 모델(322)을 이용해 음성 데이터에 매칭하는 스마트폰의 잠금 해제 데이터, 부팅 데이터, 수면 모드 해제 데이터, 음성 비서 호출 데이터, 음악 재생 데이터, 볼륨 조절(업 or 다운)데이터, 화면 밝기 조절(업 or 다운)데이터 등의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 스마트폰이 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다.

또한, 스마트폰은 내장된 AI 인식 모델(322)을 이용해 영상 데이터에 매칭하는 스마트폰의 잠금 해제 판별 데이터를 생성한다. 그리고, 잠금 해제 판별 데이터를 기초로 잠금 해제 신호를 생성하여 스마트폰이 잠금 모드에서 해제되고 언락 모드로 동작할 수 있게 된다. (도 9의 (a) -> (b))

또한, 스마트폰은 내장된 AI 인식 모델(322)을 이용해 지문 인식 데이터에 매칭하는 스마트폰의 잠금 해제 판별 데이터, 각종 인증 데이터 등의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 스마트폰이 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다.

이와 유사하게, 도 10에 도시한 바와 같이, 전자기기(3)가 컴퓨터(예를 들어, 태블릿, 노트북, PC 등을 포함할 수 있다.)일 경우, 컴퓨터는 센싱 데이터(BS)를 기초로 내장된 AI 인식 모델(322)을 이용해 센싱 데이터(BS)에 매칭하는 컴퓨터의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 컴퓨터가 특정 기능을 수행하게 될 수 있다. 본 발명의 실시형태에서 센싱 데이터(BS)는 음성 데이터, 적외선 센서 감지 데이터, 영상 데이터, 지문 인식 데이터 등을 포함할 수 있다.

예를 들어, 컴퓨터는 내장된 AI 인식 모델(322)을 이용해 음성 데이터에 매칭하는 컴퓨터의 잠금 해제 데이터, 부팅 데이터, 수면 모드 해제 데이터, 음성 비서 호출 데이터, 음악 재생 데이터, 카메라 활성화 데이터, 볼륨 조절(업 or 다운)데이터, 화면 밝기 조절(업 or 다운)데이터 등의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 컴퓨터가 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다. 도 10의 (a)에서 (b)는 컴퓨터가 정지 모드에서 해제되고 부팅 모드로 동작하게 되는 것을 예시한다.

또한, 컴퓨터는 내장된 AI 인식 모델(322)을 이용해 영상 데이터에 매칭하는 컴퓨터의 잠금 해제 판별 데이터를 생성한다. 그리고, 잠금 해제 판별 데이터를 기초로 잠금 해제 신호를 생성하여 컴퓨터가 잠금 모드에서 해제되고 언락 모드로 동작할 수 있게 된다.

또한, 컴퓨터는 내장된 AI 인식 모델(322)을 이용해 지문 인식 데이터에 매칭하는 컴퓨터의 잠금 해제 판별 데이터, 각종 인증 데이터 등의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 컴퓨터가 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다.

도 11에 도시한 바와 같이, 전자기기(3)가 홈 어플라이언스인 경우, 홈 어플라이언스는 센싱 데이터(BS)를 기초로 내장된 AI 인식 모델(322)을 이용해 센싱 데이터(BS)에 매칭하는 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 홈 어플라이언스가 특정 기능을 수행할 수 있다. 본 발명의 실시형태에서 센싱 데이터(BS)는 음성 데이터, 적외선 센서 감지 데이터, 영상 데이터, 지문 인식 데이터 등을 포함할 수 있다.

예를 들어, 냉장고는 내장된 AI 인식 모델(322)을 이용해 음성 데이터에 매칭하는 디스플레이의 온(On) 여부 판별 데이터를 생성한다. 그리고, 디스플레이의 온(On) 여부 판별 데이터를 기초로 디스플레이 온(On) 신호를 생성하여 냉장고의 디스플레이 장치가 On 될 수 있다. (도 11의 (a)->(b))

또한, 냉장고는 내장된 AI 인식 모델(322)을 이용해 지문 인식 데이터에 매칭하는 냉장고의 잠금 해제 판별 데이터, 각종 인증 데이터 등의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 냉장고가 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다.

예를 들어, TV는 내장된 AI 인식 모델(322)을 이용해 음성 데이터에 매칭하는 TV 온(On) 여부 판별 데이터, 채널 조정 데이터, 볼륨 조정 데이터를 포함하는 특정 기능 수행 판별 데이터를 생성한다. 그리고 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 TV가 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다. 도 13의 (a)에서 (b)는 TV가 A채널(100) 모드에서 해제되고 B채널(200) 모드로 동작하게 되는 것을 예시한다.

예를 들어, 에어컨은 내장된 AI 인식 모델(322)을 이용해 영상 데이터에 매칭하는 냉풍의 송풍 방향 판별 데이터를 생성한다. 여기서 영상 데이터는 에어컨에 장착된 카메라를 통해 사용자를 추적해서 획득한 데이터를 의미한다. 그리고 냉풍의 송풍 방향 판별 데이터를 기초로 송풍 신호를 생성하여 도 14와 같이 에어컨이 A 방향 송풍 모드에서 해제되고 B 방향 송풍 모드로 동작할 수 있게 된다.

도 12에 도시한 바와 같이, 전자기기(3)가 차량인 경우, 차량은 센싱 데이터(BS)를 기초로 내장된 AI 인식 모델(322)을 이용해 센싱 데이터(BS)에 매칭하는 차량의 특정 기능 수행 판별 데이터를 생성한다. 그리고, 차량의 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 차량의 특정 기능이 수행될 수 있다. 본 발명의 실시형태에서 센싱 데이터(BS)는 음성 데이터, 적외선 센서 감지 데이터, 영상 데이터, 지문 인식 데이터 등을 포함할 수 있다.

예를 들어, 차량은 내장된 AI 인식 모델(322)을 이용해 지문 인식 데이터에 매칭하는 차량의 잠금 해제, 각종 인증, 시동 켜짐을 포함하는 특정 기능 수행 판별 데이터를 생성한다. 그리고 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 차량이 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다. 도 12는 차량이 사용자 지문을 인증하여 시동 꺼짐 모드(a)에서 시동 켜짐 모드(b)로 동작하는 것을 예시한다.

예를 들어, 차량은 내장된 AI 인식 모델(322)을 이용해 음성 데이터에 매칭하는 후면 유리창 열선 장치 on/off, 전면 유리창 김서림 제거 on/off, 에어컨/히터 (운전대/좌석 히터 등 포함) on/off, 와이퍼 on/off, 상향등/각종 라이트 on/off, 비상등 on/off, 음악/라디오 on/off 및 볼륨 조정, 네비게이션 호출, 음성 비서 호출, 주행 모드 변경, 시동, 기어 변속 등의 특정 기능 수행 판별 데이터를 기초로 특정 기능 수행 신호를 생성하여 차량이 제1모드에서 해제되고 제2모드로 동작할 수 있게 된다.

특히, 전자기기(3)가 차량인 경우, 차량에 내부적으로 장착된(또는 별도로 차량에 부착된) 마이크는 사용자의 음성 명령을 인식하여 내장된 AI 인식 모델(322)을 이용해 차량 내부의 열선을 구동하거나, 와이퍼를 구동하거나, 또는 음악을 켜거나, 에어컨을 동작시키는 등 차량이 소정의 부가 기능을 수행하도록 할 수 있다. 이러한 부가 기능은 사용자가 운전 중에 간단하게 음성 명령만 차량에 전달하더라도 수행될 수 있는 것이므로, 사용자가 시야를 다른 곳으로 피하지 않고 보다 운전에 집중할 수 있도록 하게 함으로써 사고를 예방할 수 있게 된다.

또한, 차량이 사용자의 음성 명령을 항상 인식하여 상기 소정의 부가 기능이 수행될 수 있도록 구현할 수 있을 뿐 아니라, 다른 실시예에 따라 사용자가 별도의 버튼(핸들이나 좌석 등에 장착)을 누른 후 사용자의 음성 명령을 인식하여 상기 소정의 부가 기능이 수행될 수 있도록 구현할 수도 있다. 전자의 경우에는, 사용자의 음성 명령이 항시 인식될 수 있으므로 보다 편리할 수 있다는 장점이 있고, 후자의 경우에는 차량 내부에 소음이 있을 경우 소음으로 인한 오인식의 문제가 있을 수 있어, 버튼을 누른 경우에만 소음을 제외한 사용자의 음성 명령을 집중적으로 인식할 수 있게 함으로서 이러한 소음이 있는 환경에서도 편리하게 음성 명령을 인식할 수 있다는 장점이 있게 된다. 도 15에 도시한 바와 같이, 전자기기(3)가 조명장치 경우, 조명장치는 센싱 데이터(BS)를 기초로 내장된 AI 인식 모델(322)을 이용해 센싱 데이터(BS)에 매칭하는 조명장치의 on/off 판별 데이터를 생성한다. 그리고, 조명장치의 on/off 판별 데이터를 기초로 조명장치 on/off 신호를 생성하여 조명장치가 on/off될 수 있다. 본 발명의 실시형태에서 센싱 데이터(BS)는 음성 데이터, 영상 데이터 등을 포함할 수 있다.

예를 들어, 도 15는 조명장치가 사용자 음성을 인식하여 off 상태(a)에서 on 상태(b)로 변경되어 동작하는 것을 예시한다.

다만, 도 9 내지 도 15에서 설명한 전자기기(3)에 본 발명이 한정되지는 않고, 이외에도 연산 기능을 하는 컨트롤러를 포함하는 모든 종류의 기기에 도 9 내지 도 15의 내용이 동일/유사하게 적용될 수 있다.

참고로, 도 9 내지 도 15에서 설명한 전자기기(3)에 대한 센싱 데이터, 특정 기능 수행 판별 데이터에 대한 내용은 실시형태에 불과하며, 본 발명의 권리범위는 이에 제한되지 않고 다른 종류의 센싱 데이터와 특정 기능 수행 판별 데이터에도 동일/유사하게 적용될 수 있다.

그리고, 도 9 내지 도 15에서 설명한 전자기기(3)의 모드 변경에 대한 내용은, 전술한 1-1-1 전자기기를 위한 특정 기능 수행용 학습 모델 작성 방법, 1-1-2 학습된 모델, 1-1-3 전자기기를 위한 특정 기능 수행 전용 칩, 1-1-4 전자기기 특정 기능 수행 전용 칩 동작 방법, 1-1-5 전자기기, 1-1-6 전자기기 특정 기능 수행 시스템을 동일/유사하게 적용하여 구현할 수 있다.

실시형태 2 (전자기기를 사람의 음성 정보에 기초하여 특정 기능 수행)

이하, 본 발명의 다른 실시형태에 따른 전자기기(3)를 사람의 음성 정보에 기초하여 특정 기능을 수행하는 시스템에 대하여 기술한다.

실시예 2-1 음성 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템

특히, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 스마트폰을 이용하며, 특정 기능 수행 판별 데이터(BD)로 스마트폰의 잠금 해제 여부 판별 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 스마트폰의 잠금 해제 여부 판별 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 음성 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 스마트폰 잠금 해제 판별 데이터를 출력한다. 출력된 스마트폰 잠금 해제 판별 데이터로부터 생성된 특정 기능 수행 신호를 기초로 스마트폰의 잠금 상태가 해제되도록 할 수 있다.

음성 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 음성 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있어 사용자의 편의를 도모할 수 있는 이점이 있다.

그리고, 전원이 항샹 켜져있지 않고 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

2-1-1 스마트폰 언락용 학습된 모델 작성 방법

본 발명의 다른 실시형태에 따른 스마트폰 잠금 해제용 학습된 모델 작성 방법은 실시예 1-1-1에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습된 모델 작성 방법에 따르면 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 스마트폰을 이용하며, 특정 기능 수행 판별 데이터(BD)로 스마트폰의 잠금 해제 여부 판별 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 스마트폰의 잠금 해제 여부 판별 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-1-2 스마트폰 언락 학습된 모델

본 발명의 다른 실시형태에 따른 스마트폰 잠금 해제용 학습된 모델은 실시예 1-1-2에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습된 모델은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 스마트폰을 이용하며, 특정 기능 수행 판별 데이터(BD)로 스마트폰의 잠금 해제 여부 판별 데이터를 이용하여 인공 신경망 모델(220)로부터 작성된 것일 수 있다.

구체적으로, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 스마트폰의 잠금 해제 여부 판별 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-1-3 스마트폰 언락 전용 칩

본 발명의 다른 실시형태에 따른 스마트폰 잠금 해제용 전용 칩은 실시예 1-1-3에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 스마트폰 잠금 해제용 전용 칩에서, 특정 기능 수행 판별 데이터는 스마트폰에 대한 음성 데이터의 입력에 대응하여 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 스마트폰 잠금 해제용 전용 칩에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-1-4 인공 신경망을 이용한 언락 기능 스마트폰

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 잠금 해제 기능을 가진 스마트폰은 실시예 1-1-5에서 전술한 내용이 동일/유사하게 적용될 수 있고.

예를 들어, 특정 기능 수행 판별 데이터는 스마트폰에 대한 음성 데이터의 입력에 대응하여 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 스마트폰에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-1-5 인공 신경망을 이용한 스마트폰 언락 시스템 (서버 클라이언트 모델)

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 스마트폰 언락 시스템은 실시예 1-1-6에서 전술한 내용이 동일/유사하게 적용될 수 있고 이하에서는 주로 차이점을 설명한다.

예를 들어, 특정 기능 수행 판별 데이터는 스마트폰에 대한 음성 데이터의 입력에 대응하여 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 스마트폰의 잠금 해제 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 서버(5)에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

실시예 2-2 음성 데이터에 기초하여 컴퓨터 슬립 모드 해제를 위한 학습

모델 시스템

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 컴퓨터의 슬립 모드를 해제하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 컴퓨터의 슬립 모드를 해제하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 컴퓨터의 슬립 모드를 해제하기 위한 학습 모델 시스템은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 컴퓨터를 이용하며, 특정 기능 수행 판별 데이터(BD)로 컴퓨터의 슬립 모드 해제 여부를 판별하기 위한 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 컴퓨터의 슬립 모드 해제 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 음성 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 컴퓨터의 슬립 모드 해제 여부를 판별하기 위한 데이터를 출력한다.

음성 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 컴퓨터의 슬립 모드 해제 여부를 판별하기 위한 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 음성 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 컴퓨터의 슬립 모드 해제 여부를 판별하기 위한 데이터를 출력하여 사용자의 편의를 도모할 수 있는 이점이 있다.

전원이 항샹 켜져있지 않고 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

2-2-1 컴퓨터 슬립 모드 해제용 학습 모델 작성 방법

본 발명의 다른 실시형태에 따른 컴퓨터 슬립 모드 해제용 학습된 모델 작성 방법은 실시예 1-1-1에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초한 컴퓨터 슬립 모드 해제용 학습된 모델 작성 방법에 따르면 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 컴퓨터를 이용하며, 특정 기능 수행 판별 데이터(BD)로 컴퓨터 슬립 모드 해제용 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 컴퓨터 슬립 모드 해제용 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-2-2 컴퓨터 슬립 모드 해제용 학습 모델

본 발명의 다른 실시형태에 따른 컴퓨터 슬립 모드 해제용 학습된 모델은 실시예 1-1-2에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초한 컴퓨터 슬립 모드 해제용 학습된 모델은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 컴퓨터를 이용하며, 특정 기능 수행 판별 데이터(BD)로 컴퓨터 슬립 모드 해제용 데이터를 이용하여 인공 신경망 모델(220)로부터 작성된 것일 수 있다.

구체적으로, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 컴퓨터 슬립 모드 해제용 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-2-3 컴퓨터 슬립 모드 해제 전용 칩

본 발명의 다른 실시형태에 따른 컴퓨터 슬립 모드 해제용 전용 칩은 실시예 1-1-3에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 컴퓨터 슬립 모드 해제용 전용 칩에서, 특정 기능 수행 판별 데이터는 컴퓨터에 대한 음성 데이터의 입력에 대응하여 컴퓨터 슬립 모드 해제를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 컴퓨터 슬립 모드 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 컴퓨터 슬립 모드 해제용 전용 칩에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-2-4 인공 신경망을 이용한 슬립 모드 해제 기능 컴퓨터

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 슬립 모드 해제 기능을 가진 컴퓨터는 실시예 1-1-5에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 컴퓨터에 대한 음성 데이터의 입력에 대응하여 컴퓨터 슬립 모드 해제를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 컴퓨터 슬립 모드 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 컴퓨터에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-2-5 인공 신경망을 이용한 컴퓨터의 슬립 모드 해제 시스템 (서버 클라이언트 모델)

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 컴퓨터의 슬립 모드 해제 시스템은 실시예 1-1-6에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 컴퓨터에 대한 음성 데이터의 입력에 대응하여 컴퓨터의 슬립 모드 해제를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 컴퓨터의 슬립 모드 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 서버(5)에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

변형예 2-2-6 인공 신경망을 이용한 음성정보에 기초한 컴퓨터의 부팅 시스템

인공 신경망을 이용한 음성정보에 기초한 컴퓨터의 부팅 시스템의 경우, 실시예 2-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 컴퓨터 슬립 모드 해제 판별 데이터를 이용하는 대신 컴퓨터 부팅 여부 판별 데이터를 이용할 수 있다.

변형예 2-2-7 인공 신경망 이용한 음성정보에 기초한 TV의 특정 기능 수행 시스템

인공 신경망을 이용한 음성정보에 기초한 TV의 특정 기능 수행 시스템의 경우, 실시예 2-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 TV를 이용하고, 특정 기능 수행 판별 데이터로 컴퓨터 슬립 모드 해제 판별 데이터를 이용하는 대신 TV의 활성화 여부 판별 데이터를 이용할 수 있다.

실시예 2-3 음성 정보에 기초하여 가전제품(TV, 냉장고 등)의 특정 기능(디스플레이 등) 활성화를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습 모델 시스템은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 홈 어플라이언스(TV, 냉장고 등)를 이용하며, 특정 기능 수행 판별 데이터(BD)로 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 음성 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력한다.

음성 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 디스플레이 온(ON) 여부를 판별하는 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 음성 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하여 사용자의 편의를 도모할 수 있는 이점이 있다.

전원이 항샹 켜져있지 않고 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

2-3-1 가전제품 디스플레이 활성화를 위한 학습 모델 작성 방법

본 발명의 다른 실시형태에 따른 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습된 모델 작성 방법은 실시예 1-1-1에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초한 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습된 모델 작성 방법에 따르면 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 홈 어플라이언스를 이용하며, 특정 기능 수행 판별 데이터(BD)로 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-3-2 가전제품 디스플레이 활성화를 위한 학습 모델

본 발명의 다른 실시형태에 따른 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습된 모델은 실시예 1-1-2에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 학습된 모델은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 컴퓨터를 이용하며, 특정 기능 수행 판별 데이터(BD)로 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 이용하여 인공 신경망 모델(220)로부터 작성된 것일 수 있다.

구체적으로, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-3-3 가전제품 디스플레이 활성화 전용 칩

본 발명의 다른 실시형태에 따른 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 전용 칩은 실시예 1-1-3에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 전용 칩에서, 특정 기능 수행 판별 데이터는 컴퓨터에 대한 음성 데이터의 입력에 대응하여 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 홈 어플라이언스의 디스플레이를 온(ON)하기 위한 전용 칩에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-3-4 인공 신경망을 이용한 디스플레이 활성화 기능 가전제품

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 디스플레이 온(ON)기능을 가진 홈 어플라이언스는 실시예 1-1-5에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 홈 어플라이언스에 대한 음성 데이터의 입력에 대응하여 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하는 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 홈 어플라이언스에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-3-5 인공 신경망을 이용한 가전제품의 디스플레이 활성화 시스템 (서버 클라이언트 모델)

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 홈 어플라이언스의 디스플레이 활성화 시스템은 실시예 1-1-6에서 전술한 내용과 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 홈 어플라이언스에 대한 음성 데이터의 입력에 대응하여 홈 어플라이언스의 디스플레이 온(ON) 여부를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 홈 어플라이언스의 디스플레이 온(ON) 여부를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 서버(5)에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

실시예 2-4 음성 정보에 기초하여 자동차 잠금 해제를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 자동차의 잠금을 해제하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 자동차의 잠금을 해제하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초하여 자동차의 잠금을 해제하기 위한 학습 모델 시스템은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 자동차를 이용하며, 특정 기능 수행 판별 데이터(BD)로 자동차의 잠금 해제를 판별하기 위한 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 자동차의 잠금 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 음성 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 자동차의 잠금 해제를 판별하기 위한 데이터를 출력한다.

음성 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 자동차의 잠금 해제 여부를 판별하기 위한 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 음성 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 자동차의 잠금 해제 여부를 판별하기 위한 데이터를 출력하여 사용자의 편의를 도모할 수 있는 이점이 있다.

2-4-1 자동차 잠금 해제용 학습 모델 작성 방법

본 발명의 다른 실시형태에 따른 자동차 잠금 해제용 학습된 모델 작성 방법은 실시예 1-1-1에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초한 자동차의 잠금 해제용 학습된 모델 작성 방법에 따르면 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 자동차를 이용하며, 특정 기능 수행 판별 데이터(BD)로 자동차의 잠금 해제를 판별하는 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 자동차의 잠금 해제를 판별하는 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-4-2 자동차 잠금 해제용 학습 모델

본 발명의 다른 실시형태에 따른 자동차 잠금 해제용 학습된 모델은 실시예 1-1-2에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 음성 데이터에 기초한 자동차 잠금 해제용 학습된 모델은 센싱 데이터(BS)로 음성 데이터를 이용하고, 전자기기(3)로 자동차를 이용하며, 특정 기능 수행 판별 데이터(BD)로 자동차의 잠금 해제를 판별하는 데이터를 이용하여 인공 신경망 모델(220)로부터 작성된 것일 수 있다.

구체적으로, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 음성 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 자동차의 잠금 해제를 판별하는 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

2-4-3 자동차 잠금 해제 전용 칩

본 발명의 다른 실시형태에 따른 자동차의 잠금 해제를 판별하는 전용 칩은 실시예 1-1-3에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 자동차의 잠금 해제를 판별하는 전용 칩에서, 특정 기능 수행 판별 데이터는 자동차에 대한 음성 데이터의 입력에 대응하여 자동차의 잠금 해제를 판별하는 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 자동차의 잠금 해제를 판별하는 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 자동차의 잠금 해제를 판별하는 전용 칩에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-4-4 인공 신경망을 이용한 잠금 해제 기능 자동차

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 잠금 해제 기능을 가진 자동차는 실시예 1-1-5에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 자동차에 대한 음성 데이터의 입력에 대응하여 자동차의 잠금 해제를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 자동차의 잠금 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 자동차에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

2-4-5 인공 신경망을 이용한 자동차의 잠금 해제 시스템 (서버 클라이언트 모델)

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 자동차의 잠금 해제 시스템은 실시예 1-1-6에서 전술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 자동차에 대한 음성 데이터의 입력에 대응하여 자동차의 잠금 해제를 판별하기 위한 데이터이고, 인공 신경망 모델(220)의 기계 학습은, 음성 데이터를 입력 계층의 노드들(221)로 입력하고 출력 계층의 노드(223)들로부터 상기 자동차의 잠금 해제를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있으며, 반복 수행 결과 작성된 학습된 모델(220')이 서버(5)에 AI 인식 모델(322')의 형태로 임베디드될 수 있다.

변형예 2-4-6 인공 신경망을 이용한 음성정보에 기초한 자동차의 시동 켜기 시스템

인공 신경망을 이용한 음성정보에 기초한 자동차의 시동 켜기 시스템의 경우, 실시예 2-4에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 자동차의 잠금 해제 판별 데이터를 이용하는 대신 자동차의 시동 켜기 판별 데이터를 이용할 수 있다.

실시형태 3 (전자기기를 사람의 근접 정보에 기초한 특정 기능 수행)

이하, 본 발명의 다른 실시형태에 따른 전자기기(3)를 사람의 근접 정보에 기초하여 특정 기능 수행하는 시스템에 대하여 기술한다.

실시예 3-1 적외선 감지 센서 센싱 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템

특히, 본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템은 센싱 데이터(BS)로 적외선 감지 센서 센싱 데이터를 이용하고, 전자기기(3)로 스마트폰을 이용하며, 특정 기능 수행 판별 데이터(BD)로 스마트폰의 잠금 해제 여부 판별 데이터를 이용할 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 적외선 감지 센서 센싱 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 스마트폰의 잠금 해제 여부 판별 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 적외선 감지 센서 센싱 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 스마트폰 잠금 해제 판별 데이터를 출력한다. 출력된 스마트폰 잠금 해제 판별 데이터로부터 생성된 특정 기능 수행 신호를 기초로 스마트폰의 잠금 상태가 해제되도록 할 수 있다.

적외선 감지 센서 센싱 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 적외선 감지 센서 센싱 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있어 사용자의 편의를 도모할 수 있는 이점이 있다.

전원이 항샹 켜져있지 않고 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

실시예 3-2 적외선 감지 센서 센싱 데이터에 기초하여 컴퓨터 슬립 모드 해제를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여

컴퓨터 슬립 모드 해제를 위한 학습 모델 시스템에 따르면, 실시예 3-1에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 컴퓨터를 이용하고 특정 기능 수행 판별 데이터로 컴퓨터 슬립 모드 해제 판별 데이터를 이용할 수 있다.

변형예 3-2-6 인공 신경망을 이용한 적외선 감지 센서 센싱 데이터에 기초한 컴퓨터의 부팅 시스템

인공 신경망을 이용한 적외선 감지 센서 센싱 데이터에 기초한 컴퓨터의 부팅 시스템에 따르면, 실시예 3-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 컴퓨터의 부팅 판별 데이터를 이용할 수 있다.

변형예 3-2-7 인공 신경망을 이용한 적외선 감지 센서 센싱 데이터에 기초한 TV의 특정 기능 수행 시스템

인공 신경망을 이용한 적외선 감지 센서 센싱 데이터에 기초한 TV의 특정 기능 수행 시스템에 따르면, 실시예 3-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 TV를 이용하고 특정 기능 수행 판별 데이터로 TV 활성화 판별 데이터를 이용할 수 있다.

실시예 3-3 적외선 감지 센서 센싱 데이터에 기초하여 가전제품(TV, 냉장고 등)의 특정 기능(디스플레이 등) 활성화를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여

홈 어플라이언스의 디스플레이 온(on) 활성화를 위한 학습 모델 시스템에 따르면, 실시예 3-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 홈 어플라이언스를 이용하고 특정 기능 수행 판별 데이터로 디스플레이 온(on) 판별 데이터를 이용할 수 있다.

실시예 3-4 적외선 감지 센서 센싱 데이터에 기초하여 자동차 잠금 해제를

위한 학습 모델 시스템학습 모델

본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초하여

자동차 잠금 해제를 위한 학습 모델 시스템에 따르면, 실시예 3-2에서

전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로

자동차를 이용하고 특정 기능 수행 판별 데이터로 자동차 잠금 해제 판별 데이터를

이용할 수 있다.

변형예 3-4-6 인공 신경망을 이용한 적외선 감지 센서 센싱 데이터에 기초한

자동차의 시동 켜기 시스템

본 발명의 다른 실시형태에 따른 적외선 감지 센서 센싱 데이터에 기초한 자동차의 시동 켜기 시스템에 따르면, 실시예 3-4에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 자동차 시동 켜기 데이터를 이용할 수 있다.

실시형태 4 (전자기기를 영상 정보에 기초한 특정 기능 수행)

이하, 본 발명의 다른 실시형태에 따른 전자기기(3)를 영상 정보에 기초하여 특정 기능 수행하는 시스템에 대하여 기술한다.

실시예 4-1 화상 센서 센싱 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템

특히, 본 발명의 다른 실시형태에 따른 영상 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템을 설명한다.

본 발명의 다른 실시형태에 따른 영상 데이터에 기초하여 스마트폰 잠금 상태를 해제하기 위한 학습 모델 시스템은 도 1a에서 전술한 인공 신경망에 기반한 전자기기 특정 기능 수행 시스템(1)에 대하여 기술한 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 본 발명의 다른 실시형태에 따른 영상 데이터에 기초하여 스마트폰 잠금 상태 해제를 위한 학습 모델 시스템은 센싱 데이터(BS)로 영상 데이터를 이용하고, 전자기기(3)로 스마트폰을 이용하며, 특정 기능 수행 판별 데이터(BD)로 스마트폰의 잠금 해제 여부 판별 데이터를 이용할 수 있다. 영상 데이터는 카메라 등의 화상 센서로부터 획득된 데이터일 수 있다.

그리고, 기계 학습 장치(2)는 인공 신경망 모델(220)을 기초로 영상 데이터를 입력 계층의 노드들(221)에 입력하고, 출력 계층의 노드들(223)로부터 스마트폰의 잠금 해제 여부 판별 데이터를 출력하는 과정을 반복 수행하여 학습된 모델(220')을 생성할 수 있다.

그리고, 전자기기(3)는 영상 데이터를 학습된 모델(220')이 임베디드된 AI 인식 모델(322)에 입력하여 AI 인식 모델(322)로부터 스마트폰 잠금 해제 판별 데이터를 출력한다. 출력된 스마트폰 잠금 해제 판별 데이터로부터 생성된 특정 기능 수행 신호를 기초로 스마트폰의 잠금 상태가 해제되도록 할 수 있다.

영상 데이터를 AI 인식 모델(322)에 입력함으로서 보다 빠르고 정확한 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있다는 장점이 있다.

또한, 미리 학습된 AI 인식 모델(322)을 이용함으로서 실시간 영상 데이터가 입력될 때마다 별도의 학습을 수행하지 않고, 자동으로 빠르게 스마트폰 잠금 상태 해제 판별 데이터를 출력할 수 있어 사용자의 편의를 도모할 수 있는 이점이 있다.

전원이 항샹 켜져있지 않고 센싱 데이터를 수신할 때만 시스템이 구동되도록 함으로서 전력 소모를 줄일 수 있는 이점이 있다.

변형예 4-1 화상 센서 센싱 데이터에 기초하여 스마트폰의 카메라 활성화를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 영상 데이터에 기초하여 스마트폰의 카메라 활성화를 위한 학습 모델 시스템에 따르면, 실시예 4-1에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 스마트폰의 카메라 활성 판별 데이터를 이용할 수 있다.

실시예 4-2 화상 센서 센싱 데이터에 기초하여 컴퓨터 슬립 모드 해제를

위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 영상 데이터에 기초하여 컴퓨터 슬립 모드 해제를 위한 학습 모델 시스템에 따르면, 실시예 4-1에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 컴퓨터를 이용하고 특정 기능 수행 판별 데이터로 컴퓨터 슬립 모드 해제 판별 데이터를 이용할 수 있다.

변형예 4-2-6 인공 신경망을 이용한 화상 센서 센싱 데이터에 기초한 컴퓨터의 부팅 시스템

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 영상 데이터에

기초한 컴퓨터의 부팅 시스템에 따르면, 실시예 4-2에서 전술한

내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로

컴퓨터 부팅 판별 데이터를 이용할 수 있다.

변형예 4-2-7 인공 신경망을 이용한 화상 센서 센싱 데이터에 기초한 TV의 특정 기능 수행 시스템

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 영상 데이터에

기초한 TV 특정 기능 수행 시스템에 따르면, 실시예 4-2에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 TV를 이용하고 특정 기능 수행 판별 데이터로 TV 활성화 판별 데이터를 이용할 수 있다.

실시예 4-3 화상 센서 센싱 데이터에 기초하여 가전제품(TV, 냉장고 등)의 특정 기능(디스플레이 등) 활성화를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 영상 데이터에

기초한 홈 어플라이언스의 디스플레이 온(ON) 활성화를 위한 학습 모델 시스템에 따르면, 실시예 4-1에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만,

전자기기(3)로 홈 어플라이언스(예, TV, 냉장고 등)를 이용하고 특정 기능 수행 판별 데이터로 디스플레이 온(on) 판별 데이터를 이용할 수 있다.

실시예 4-4 화상 센서 센싱 데이터에 기초하여 자동차 잠금 해제를 위한 학습 모델 시스템

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 영상 데이터에

기초한 자동차 잠금 해제를 위한 학습 모델 시스템에 따르면, 실시예 4-1에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 전자기기(3)로 자동차를 이용하고 특정 기능 수행 판별 데이터로 자동차 잠금 해제 판별 데이터를 이용할 수 있다.

변형예 4-4-6 인공 신경망을 이용한 화상 센서 센싱 데이터에 기초한 자동차의 시동 켜기 시스템

본 발명의 다른 실시형태에 따른 인공 신경망을 이용한 영상 데이터에

기초한 자동차 시동 켜기를 위한 학습 모델 시스템에 따르면, 실시예 4-4에서 전술한 내용이 동일/유사하게 적용될 수 있다. 다만, 특정 기능 수행 판별 데이터로 자동차 시동 켜기 판별 데이터를 이용할 수 있다.

추가예 - 전자기기가 차량인 경우, 음성 데이터 입력에 대한 차량의 특정 기능 수행

본 추가예의 경우에는, 전술한 실시예 2-4(음성 정보에 기초하여 자동차 잠금 해제를 위한 학습 모델 시스템)의 내용이 동일/유사하게 적용될 수 있다. 이 중, 특히 2-4-4(인공 신경망을 이용한 잠금 해제 기능 자동차)의 내용이 동일/유사하게 적용될 수 있다.

예를 들어, 특정 기능 수행 판별 데이터는 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 후면 유리창 열선 장치의 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 후면 유리창 열선 장치의 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 전면 유리창 김서림 제거 기능의 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 전면 유리창 김서림 제거 기능의 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 에어컨이나 히터의 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 에어컨이나 히터의 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 와이퍼의 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 와이퍼의 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 조명장치의 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 조명장치의 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

본 발명의 차량 내 조명장치는 차량 내 비상등, 상향등, 전조등 등을 포함할 수 있으나, 본 발명의 권리범위가 이에 제한되는 것은 아니다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량 내 AVN장치의 구동을 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 AVN장치의 구동을 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다. 실시예에 따라 특정 기능 수행 판별 데이터로 AVN장치의 제어(예를 들어, 볼륨 조정)를 판별하기 위한 데이터를 이용할 수도 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량의 음성 비서 호출 기능 구동 여부를 판별하기 위한 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 음성 비서 호출 기능 구동 여부를 판별하기 위한 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량의 주행 모드 변경을 판별하는 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 주행 모드 변경을 판별하는 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량의 주행 모드 변경을 판별하는 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 주행 모드 변경을 판별하는 데이터를 출력하는 과정을 반복 수행하는 것일 수 있다.

또한, 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터의 입력에 대응하여 상기 차량의 기어 변속을 판별하는 데이터이고, 상기 인공 신경망 모델의 기계 학습은, 상기 음성 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 기어 변속을 판별하는 과정을 반복 수행하는 것일 수 있다.

다만, 본 발명의 권리범위는 전술한 차량 내 특정 기능 수행에 제한되지 않고, 음성 명령에 기반하여 차량 내에서 수행될 수 있는 모든 종류의 특정 기능을 포함한다.

이상에서 실시예들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (23)

1. 적어도 하나의 센싱 데이터를 생성하도록 구성된 센싱 데이터 생성부;
   정지 모드, 슬립 모드 또는 잠금 모드 중 하나인 제1 모드 중에 상기 센싱 데이터를 입력으로 하여, 상기 제1 모드에서 부팅 모드, 활성화 모드 또는 언락 모드 중 하나인 제2 모드로 전환하기 위한 웨이크업 데이터를 포함하는 특정 기능 수행 판별 데이터를 출력하도록 구성된 AI 인식 모델을 이용하여, 상기 센싱 데이터를 기초로 상기 웨이크업 데이터를 출력하도록 구성된 전용 AI 가속 프로세서;
   상기 웨이크업 데이터에 따라 제어 명령을 생성하도록 구성된 제어부;
   상기 제어부가 생성한 제어 명령에 따라 동작하도록 구성된 제2 기능부; 및
   상기 제1 모드 동안 상기 센싱 데이터 생성부 및 상기 전용 AI 가속 프로세서에는 전원을 인가하고 상기 제어부 및 상기 제2 기능부에는 전원을 인가하지 않고, 상기 제2 모드 동안 상기 제어부 및 상기 제2 기능부에 전원을 인가하도록 구성된 전원부를 포함하는, 전자 기기.
2. 제 1항에 있어서,
   상기 전자 기기는 디스플레이를 포함하는 홈 어플라이언스이며,
   상기 특정 기능 수행 판별 데이터는 상기 디스플레이의 온(On) 시키기 위한 데이터를 포함하는,
   전자 기기.
3. 제 1항에 있어서,
   상기 전자 기기는 차량이며,
   상기 특정 기능 수행 판별 데이터는 상기 차량의 시동 켜짐을 위한 데이터를 포함하는,
   전자 기기.
4. 제 1항에 있어서,
   상기 AI 인식 모델은 학습된 모델이 전용 AI 가속 프로세서에 임베디드 된 것이고,
   상기 학습된 모델은,
   음성 데이터 또는 영상 데이터가 입력되는 입력 계층의 노드들, 상기 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 음성 데이터 또는 상기 영상 데이터의 입력에 대응하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고,
   상기 음성 데이터 또는 상기 영상 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 음성 데이터 또는 상기 영상 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터를 출력하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것인,
   전자 기기.
5. 제 4항에 있어서,
   상기 전자 기기는 차량이며,
   상기 특정 기능 수행 판별 데이터는 상기 차량에 대한 상기 음성 데이터 또는 상기 영상 데이터의 입력에 대응하여 상기 차량 내 후면 유리창 열선 장치의 구동, 상기 차량 내 전면 유리창 김서림 제거 기능의 구동, 상기 차량 내 에어컨이나 히터의 구동, 상기 차량 내 와이퍼의 구동, 상기 차량 내 조명장치의 구동, 상기 차량 내 AVN장치의 구동, 및 상기 차량의 음성 비서 호출 기능 구동 중 하나를 판별 하기 위한 데이터를 포함하는,
   전자 기기.
6. 제 1항에 있어서,
   상기 전자 기기의 전원이 꺼져있는 상태에서도 항상 켜져 있는(Always-On) 모듈인 제1 기능부를 더 포함하는,
   전자 기기.
7. 제 6항에 있어서,
   상기 제1 기능부는 통신부인,
   전자 기기.
8. 제 6항에 있어서,
   상기 제1 기능부는 항상 켜져있고, 상기 제2 기능부는 전력 소모를 줄이기 위해 꺼져있다가 상기 제어부의 제어 명령을 수신하는 경우에만 켜지도록 구성된,
   전자 기기.
9. 전용 AI 가속 프로세서로서,
   정지 모드, 슬립 모드 또는 잠금 모드 중 하나인 제1 모드 중에, 센싱 데이터 생성부로부터 생성된 센싱 데이터를 입력으로 하여, 상기 제1 모드에서 부팅 모드, 활성화 모드 또는 언락 모드 중 하나인 제2 모드로 전환하기 위한 웨이크업 데이터를 포함하는 특정 기능 수행 판별 데이터를 출력하도록 구성된 AI 인식 모델을 이용하여, 상기 센싱 데이터를 기초로, 제어부에서 제어 명령을 생성하기 위한 상기 웨이크업 데이터를 출력하도록 구성되고,
   상기 제1 모드 동안 상기 센싱 데이터 생성부 및 상기 전용 AI 가속 프로세서에는 전원이 인가되고, 상기 제어부에는 전원이 인가되지 않고,
   상기 제2 모드 동안 상기 제어부에는 전원이 인가되는, 전용 AI 가속 프로세서.
10. 제 9항에 있어서,
    상기 AI 인식 모델은 학습된 모델이 전용 AI 가속 프로세서에 임베디드 된 것이고,
    상기 학습된 모델은,
    음성 데이터 또는 영상 데이터가 입력되는 입력 계층의 노드들, 상기 특정 기능 수행 판별 데이터를 출력하는 출력 계층의 노드들, 및 상기 입력 계층의 노드들과 상기 출력 계층의 노드들 사이의 연관 파라미터를 포함하고, 상기 입력 계층의 노드들에 대한 상기 음성 데이터 또는 상기 영상 데이터의 입력에 대응하여 상기 출력 계층의 노드들로부터 상기 특정 기능 수행 판별 데이터를 출력하기 위한 인공 신경망 모델을 이용하여 생성된 것이고,
    상기 음성 데이터 또는 상기 영상 데이터를 상기 입력 계층의 노드들로 입력하고 상기 출력 계층의 노드들로부터 상기 음성 데이터 또는 상기 영상 데이터와 짝이 되는 상기 특정 기능 수행 판별 데이터를 출력하는 과정을 반복 수행하여 상기 연관 파라미터를 갱신함으로서 상기 인공 신경망 모델이 기계적으로 학습된 것인,
    전용 AI 가속 프로세서.
    
11. 삭제
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 삭제
18. 삭제
19. 삭제
20. 삭제
21. 삭제
22. 삭제
23. 삭제

Images