KR102301097B1 - 번역 단말들의 평가 정보에 기반하여 전문 번역 서비스 플랫폼을 제공하기 위한 방법 - Google Patents

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법이 개시된다. 상기 방법은, 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하는 단계, 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 상기 수신된 가입 요청 정보에 기초하여 상기 하나 이상의 번역 모델 중 상기 사용자 단말에 대응하는 최적 번역 모델을 결정하는 단계, 상기 사용자 단말로부터 입력 문장을 포함하는 번역 요청 정보가 수신되는 경우, 상기 최적 번역 모델을 활용하여 상기 수신된 입력 문장에 대응하는 번역 문장을 생성하는 단계, 상기 사용자 단말로부터 상기 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하는 단계, 상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할 것을 결정하는 단계 및 상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계를 포함할 수 있다.

Description

번역 단말들의 평가 정보에 기반하여 전문 번역 서비스 플랫폼을 제공하기 위한 방법{THE METHOD FOR PROVIDING A SPECIALIZED TRANSLATION SERVICE PLATFORM BASED ON EVALUATION INFORMATION OF TRANSLATION TERMINALS}

본 개시는 인공지능을 활용한 번역 기술에 관한 것으로, 보다 구체적으로, 사용자의 니즈에 맞춰 보다 전문적인 번역 서비스를 제공하는 컴퓨팅 장치를 제공하기 위함이다.

컴퓨터 기술의 발전으로 처리할 수 있는 정보량이 늘어남에 따라 인공지능이 빠른 속도로 진화하고 있으며, 인공지능의 발전에 따라 기계 번역에 관심이 높아지고 있다. 이러한 기계 번역을 위한 서버 플랫폼으로는, 구글 번역기, 네이버 번역기 등을 비롯한 다양한 번역기가 존재한다.

근래에는 딥 러닝 알고리즘을 통해 기계 번역의 수준이 급상승함에 따라, 현재 양질의 번역 서비스가 공급되고 있다. 이러한 기계 번역은, 실시간으로 빠르게 원문에 대한 번역문을 제공할 수 있으며, 비용이 저렴하다는 장점이 있다.

다만, 종래의 기계 번역은 특수한 전문 분야의 지식에 관한 원문 문장에 대하여 문맥을 고려하는 자연스러운 번역문 출력하는 데에는 한계가 있다. 구체적으로, 종래의 기계 번역은, 다분야에 적용되는 범용적인 번역이기 때문에 특정 분야에서 사용하는 단어들을 제대로 번역하지 못하거나 의미를 살리지 못할 우려가 있다. 예를 들어, IT 분야에서 master/slave와 같은 단어들은 하나의 일을 수행하는데 있어 동작의 주체가 되는 '주 시스템', 종속적인 역할을 하는 '종속 시스템' 등의 의미로 해석될 수 있으나, 종래의 기계 번역 서비스 플랫폼은 해당 단어들을 단순히 주인/노예 등으로 인식함에 따라 생성된 번역 문장의 정확도가 결여될 우려가 있다.

따라서, 당 업계에는 번역 서비스를 이용하고자 하는 개별 사용자의 니즈에 대응하여 보다 전문적인 번역 서비스를 제공하는 플랫폼에 대한 수요가 존재할 수 있다.

등록특허공보 제10-1818598호(2016.08.09)

본 개시가 해결하고자 하는 과제는 상술한 문제점을 해결하기 위한 것으로서, 개별 사용자의 니즈에 대응하여 보다 전문적인 번역 서비스를 제공하는 컴퓨팅 장치를 제공하는 것이다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 개시의 다양한 실시예에 따른 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법이 개시된다. 상기 방법은, 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하는 단계, 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 상기 수신된 가입 요청 정보에 기초하여 상기 하나 이상의 번역 모델 중 상기 사용자 단말에 대응하는 최적 번역 모델을 결정하는 단계, 상기 사용자 단말로부터 입력 문장을 포함하는 번역 요청 정보가 수신되는 경우, 상기 최적 번역 모델을 활용하여 상기 수신된 입력 문장에 대응하는 번역 문장을 생성하는 단계, 상기 사용자 단말로부터 상기 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하는 단계, 상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할 것을 결정하는 단계 및 상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하는 단계는, 복수의 학습 데이터를 포함하는 학습 데이터 세트를 획득하는 단계, 상기 복수의 학습 데이터를 하나 이상의 도메인을 기준으로 분류하여 하나 이상의 학습 데이터 서브 세트를 구축하는 단계 및 상기 하나 이상의 학습 데이터 서브 세트 각각을 통해 하나 이상의 신경망 모델 각각에 대한 학습을 수행하여 상기 하나 이상의 번역 모델을 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 복수의 학습 데이터를 하나 이상의 도메인을 기준으로 분류하여 하나 이상의 학습 데이터 서브 세트를 구축하는 단계는, 상기 복수의 학습 데이터 각각의 의미 분석 결과, 상기 복수의 학습 데이터 각각의 의미 분석 결과에 포함된 단어 별 반복 횟수 및 미리 정해진 주제 중 적어도 하나에 기초하여 상기 복수의 학습 데이터 각각의 도메인을 식별하는 단계 및 상기 복수의 학습 데이터 각각의 도메인에 기초하여 상기 하나 이상의 학습 데이터 서브 세트를 구축하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 가입 요청 정보는, 상기 사용자 단말에 대응하는 상기 최적 번역 모델을 결정하기 위한 기준이 되는 정보이며, 상기 번역 요청 정보는, 시작 언어와 도착 언어에 관련한 사용자 언어 식별 정보 및 사용자 도메인 식별 정보를 포함하며, 상기 재번역 요청 정보는, 상기 번역 문장에 대한 재차 번역 요청에 관한 정보로, 상기 번역 요청 정보에 기초하여 생성될 수 있다.

대안적인 실시예에서, 상기 번역 문장에 대한 역번역을 수행하여 제 1 입력 문장을 생성하고, 상기 생성된 제 1 입력 문장과 상기 입력 문장 간의 비교에 기초하여 상기 번역 문장의 번역 신뢰도를 산출하는 단계, 상기 번역 신뢰도를 상기 사용자 단말로 전송할 것을 결정하는 단계 및 상기 번역 신뢰도에 기초하여 상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할지 여부를 결정하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 복수의 번역가 단말 각각으로부터 번역 참여 정보를 수신하는 단계 및 상기 복수의 번역가 단말 각각의 번역 참여 정보에 기초하여 번역가 데이터베이스를 구축하는 단계를 더 포함하고, 상기 번역 참여 정보는, 번역가 언어 식별 정보 및 번역가 도메인 식별 정보를 포함할 수 있다.

대안적인 실시예에서, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하는 단계는, 상기 번역가 데이터베이스를 참조하여 상기 재번역 요청 정보에 대응하는 하나 이상의 후보 번역가 단말을 식별하는 단계 및 상기 식별된 하나 이상의 후보 번역가 단말의 번역 평가 점수에 기초하여 상기 하나 이상의 의뢰 번역가 단말을 결정하는 단계를 포함하고, 상기 번역 평가 점수는, 이전 시점에 대응하여 각 번역가 단말이 수행한 번역에 대한 평가 점수일 수 있다.

대안적인 실시예에서, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 번역가 단말을 결정하는 단계는, 상기 번역가 데이터베이스를 참조하여 상기 사용자 단말의 도메인 식별 정보에 대응하는 하나 이상의 후보 번역가 단말을 식별하는 단계, 상기 하나 이상의 후보 번역가 단말로 번역 서비스 참여 요청을 전송할 것을 결정하는 단계 및 상기 번역 서비스 참여 요청에 대한 상기 하나 이상의 후보 번역가 단말들의 참여 응답에 기초하여 상기 하나 이상의 의뢰 번역가 단말을 결정하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계는, 상기 하나 이상의 의뢰 번역가 단말 각각의 평가 점수 정보에 기초하여 상기 하나 이상의 재번역 문장 중 상기 제 1 재번역 문장을 결정하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 수신된 하나 이상의 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계, 상기 사용자 단말로부터 상기 하나 이상의 재번역 문장 중 적어도 하나의 재번역 문장에 대한 선택 정보를 수신하는 단계 및 상기 수신한 선택 정보에 기초하여 상기 하나 이상의 재번역 문장 중 상기 제 1 재번역 문장을 식별하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 입력 문장과 상기 제 1 재번역 문장을 매칭하여 라벨링함으로써, 추가 학습 데이터를 생성하는 단계 및 상기 추가 학습 데이터를 통해 상기 최적 번역 모델에 대한 추가 학습을 수행하여 상기 최적 번역 모델을 업데이트하는 단계를 더 포함할 수 있다.

본 개시의 다른 실시예에 따르면, 전문 번역 서비스 플랫폼을 제공하기 위한 컴퓨팅 장치. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 사용자 단말 및 번역가 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는, 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하고, 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 상기 수신된 가입 요청 정보에 기초하여 상기 하나 이상의 번역 모델 중 상기 사용자 단말에 대응하는 최적 번역 모델을 결정하고, 상기 사용자 단말로부터 입력 문장을 포함하는 번역 요청 정보가 수신되는 경우, 상기 최적 번역 모델을 활용하여 상기 수신된 입력 문장에 대응하는 번역 문장을 생성하고, 상기 사용자 단말로부터 상기 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하고, 상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할 것을 결정하고, 상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정할 수 있다.

본 개시의 다양한 실시예에 따라, 개별 사용자의 니즈에 대응하여 보다 전문적인 번역 서비스를 제공하는 컴퓨팅 장치를 제공할 수 있다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 전문 번역 서비스 플랫폼을 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 개시의 일 실시예와 관련된 하나 이상의 번역 모델에 대한 예시도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 방법의 예시적인 순서도를 도시한다.
도 5는 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
도 6은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.

본 개시의 실시예들에 따른 시스템은, 컴퓨팅 장치(100), 사용자 단말(10), 번역가 단말(20) 및 외부 서버(30) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10), 번역가 단말(20) 및 외부 서버(30)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)와의 정보 교환을 통해 입력 문장에 대응하는 번역 문장에 관련한 정보를 제공받을 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 예컨대, 사용자 단말(10)은 특정 언어로 구성된 입력 문장을 다른 언어로 번역하고자 하는 사용자 또는 번역된 문장에 대한 검수를 수행하고자 하는 사용자에 관련한 단말일 수 있다. 사용자는 사용자 단말(10)을 통해 입력 문장에 대응하는 번역 문장 및 재번역 문장 등을 수신할 수 있다.

본 개시의 번역가 단말(20)은 컴퓨팅 장치(100)와의 정보 교환을 통해 사용자 단말(10)의 번역 요청에 관련한 입력 문장에 대응하는 재번역 문장을 제공하고, 이에 대응하는 보상을 제공받을 수 있는 단말로, 번역 작업을 수행하는 사용자(또는, 번역가)가 소지한 단말을 의미할 수 있다. 예컨대, 번역가 단말(20)은 사용자 단말(10)로부터 수신한 입력 문장에 대한 번역을 수행 결과에 관련한 재번역 문장을 컴퓨팅 장치(100)로 전송하고, 그리고 컴퓨팅 장치(100)로부터 번역 수행 결과에 대응하는 보상 정보를 획득할 수 있다. 번역 작업을 수행하는 사용자(또는, 번역가)는 번역가 단말(20)을 통해 입력 문장 및 번역 작업에 관련한 보상 정보 등을 수신할 수 있다.

이러한 사용자 단말(10) 및 번역가 단말(20)은 컴퓨팅 장치(100)와 통신을 위하 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10) 및 번역가 단말(20)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10) 및 번역가 단말(20)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10) 및 번역가 단말(20)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다. 도 1에서는 단순히 컴퓨팅 장치(100)와 연계된 하나의 사용자 단말 및 하나의 번역가 단말만을 예시적으로 도시하나, 본 개시의 컴퓨팅 장치는 복수의 사용자 단말 및 복수의 번역가 단말과 연계되어 번역 서비스 플랫폼을 제공할 수 있음이 통상의 기술자에게 자명할 것이다.

본 개시의 일 실시예에 따르면, 외부 서버(30)는 번역 모델의 학습에 관련한 학습 데이터들을 저장하는 서버일 수 있다. 본 개시의 번역 모델은, 입력 문장을 입력으로 하여 해당 입력 문장에 대응하는 번역 문장을 출력하는 신경망 모델일 수 있다. 예컨대, 외부 서버(30)는 다양한 언어에 대응하는 복수의 입력 문장 및 복수의 입력 문장 각각에 대응하는 번역 정보 등을 저장하는 서버일 수 있다. 외부 서버(30)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(30)는 본 개시의 딥러닝 모델을 학습시키기 위한 데이터 세트에 관한 정보를 저장하고 있는 서버일 수 있다.

본 개시의 컴퓨팅 장치(100)는 외부 서버(30)로부터 다양한 언어로 구성된 입력 문장들 및 각 입력 문장에 대응하는 번역 문장 정보에 기초하여 학습 데이터 세트를 구축할 수 있으며, 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 복수의 신경망 모델에 대한 학습을 수행함으로써, 하나 이상의 전문 분야(또는, 도메인) 각각에 대응하여 번역 작업을 수행하는 복수의 번역 모델을 생성할 수 있다. 또한, 본 개시의 컴퓨팅 장치(100)는 입력 문장에 대응하여 번역가 단말(20)로부터 수신한 재번역 문장을 외부 서버(30)로 전송함으로써, 학습 데이터에 대한 증강(augmentation)을 수행할 수도 있다.

외부 서버(30)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(30)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10)로부터 입력 문장을 수신할 수 있으며, 수신된 입력 문장에 대한 전문 번역 서비스를 제공할 수 있다.

구체적으로, 컴퓨팅 장치(100)는 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성할 수 있다. 여기서 하나 이상의 도메인은, 복수의 학습 데이터를 분류하기 위한 기준되는 것으로, 다양한 전문 분야에 관련한 것일 수 있다. 예를 들어, 하나 이상의 도메인은, 의료 분야, 법률 분야, IT 분야 또는 경제 분야 등 다양한 전문 분야에 관련한 것일 수 있다. 컴퓨팅 장치(100)는 다양한 전문 분야에 관련한 하나 이상의 도메인 각각에 대응하는 하나 이상의 번역 모델을 생성할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 하나 이상의 도메인 각각에 대응하여, 의료 분야에 관련한 번역을 수행하는 제 1 번역 모델, 법률 분야에 관련한 번역을 수행하는 제 2 번역 모델, IT 분야에 관련한 번역을 수행하는 제 3 번역 모델 및 경제 분야에 관련한 번역을 수행하는 제 4 번역 모델을 생성할 수 있다. 전술한 하나 이상의 도메인 및 해당 도메인 각각에 대응하여 생성되는 번역 모델에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 컴퓨팅 장치(100)는 다양한 분야 각각에 특화된 번역을 수행하는 하나 이상의 번역 모델을 생성할 수 있다. 예를 들어, 도 3에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 도메인에 대응하여 법률 번역 모델(210), IT 번역 모델(220) 및 경제 번역 모델(230)을 생성할 수 있으며, 법률 번역 모델(210), IT 번역 모델(220) 및 경제 번역 모델(230) 중 적어도 하나를 사용자 단말(10)에 대응하는 최적 번역 모델로 결정할 수 있다. 이에 따라, 복수의 사용자 각각의 개별적인 니즈에 따라 전문적인 번역을 수행하는 번역 모델의 제공이 가능해질 수 있다. 따라서, 사용자는 자신의 니즈에 맞는 번역 모델을 통해 입력 문장에 대응하여 보다 전문적인 번역 문장을 획득할 수 있다.

또한, 컴퓨팅 장치(100)는 사용자 단말(10)로부터 재번역 요청 정보를 수신하는 경우, 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰한 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 재번역 요청 정보는, 번역 문장에 대한 재차 번역 요청에 대한 정보일 수 있다.

구체적으로, 컴퓨팅 장치(100)는 사용자 단말(10)의 사용자의 니즈에 부합하는 최적 번역 모델을 제공할 수 있다. 컴퓨팅 장치(100)는 사용자 단말(10)의 사용자가 번역을 수행하고자 하는 입력 문장을 해당 최적 번역 모델에 입력으로 처리하여 번역 문장을 생성할 수 있다. 컴퓨팅 장치(100)가 출력된 번역 문장을 사용자 단말(10)로 전송함에 따라, 사용자 단말(10)은 입력 문장에 대응하는 번역 문장을 수신할 수 있다. 사용자 단말(10)의 사용자는 해당 번역 문장을 검수하는 과정에서 재번역 요청 정보를 생성하여 컴퓨팅 장치(100)로 전송할 수 있다. 예컨대, 사용자는 최적 번역 모델을 통해 출력된 번역 문장의 검수 과정에서 해당 번역 문장의 의미, 또는 표현이 적절하지 않은 것으로 판단되는 경우, 재번역 요청 정보가 생성되도록 사용자 단말(10)에 입력을 인가할 수 있다.

컴퓨팅 장치(100)는 사용자 단말(10)로부터 해당 번역 문장(즉, 번역 모델의 출력에 관련한 번역 문장)에 관련한 재번역 요청 정보를 수신할 수 있다. 다시 말해, 사용자 단말(10)은 최적 번역 모델의 출력에 관련한 번역 문장이 적절하지 않다고 판단되는 경우, 해당 번역 문장에 관련한 재번역 요청 정보를 생성하여 컴퓨팅 장치(100)로 전송할 수 있다. 컴퓨팅 장치(100)는 재번역 요청 정보를 수신하는 경우, 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 이 경우, 컴퓨팅 장치(100)가 사용자 단말(10)의 입력 문장에 대한 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말은, 사용자 단말(10)로부터 수신한 입력 문장에 대응하는 번역가 단말일 수 있다. 구체적으로, 컴퓨팅 장치(100)는 입력 문장에 대한 의미 분석 결과에 기초하여 입력 문장이 하나 이상의 도메인 중 어떠한 도메인과 관련하는지 여부를 판별할 수 있다. 컴퓨팅 장치(100)는 입력 문장에 관련한 도메인에 대응하는 번역가 단말을, 해당 입력 문장에 대한 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말로 결정할 수 있다. 예컨대, 입력 문장이 "민사에 관하여 법률에 규정이 없으면 관습법에 의하고 관습법이 없으면 조리에 의한다."인 경우, 컴퓨팅 장치(100)는 입력 문장의 의미 분석을 통해 해당 입력 문장이 법률 도메인에 관련하는 것으로 판별하여 복수의 번역가 단말 중 법률 분야에 대응하는 번역가 단말들을 하나 이상의 의뢰 번역가 단말로 결정할 수 있다.

이를 위해, 컴퓨팅 장치(100)는 복수의 번역가 단말로부터 번역 참여 정보를 수신하여 번역가 데이터베이스를 구축할 수 있다. 번역 참여 정보는, 번역가 단말들이 번역에 참여하고자 하는 시점에 관련하여 생성될 수 있으며, 복수의 번역가 단말 각각을 식별하기 위한 정보일 수 있다. 또한, 번역 참여 정보는 번역가 언어 식별 정보 및 번역가 도메인 식별 정보를 포함할 수 있다. 번역가 언어 식별 정보는, 각 번역가 단말의 사용자가 활용할 수 있는 언어(즉, 번역을 수행할 수 있는 언어)를 식별하기 위한 정보일 수 있다. 번역가 도메인 식별 정보는, 각 번역가 단말의 전문적으로 번역을 수행할 수 있는 하나 이상의 도메인(또는, 분야)에 관련한 정보일 수 있다. 예를 들어, 제 1 번역가 단말의 번역가 언어 식별 정보는, 제 1 사용자(또는, 제 1 번역가)가 한국어, 영어 및 일본어를 활용할 수 있다는 정보를 포함할 수 있으며, 번역가 도메인 식별 정보는, IT 분야에 관련한 번역을 전문적으로 수행할 수 있다는 정보를 포함할 수 있다. 전술한 제 1 번역가 단말의 언어 식별 정보 및 도메인 식별 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 다시 말해, 컴퓨팅 장치(100)는 번역가 데이터베이스를 참조하여 사용자 단말(10)로부터 수신한 입력 문장에 대응하는 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 또한, 컴퓨팅 장치(100)는 입력 문장에 대응하는 것으로 결정된 하나 이상의 의뢰 번역가 단말로 입력 문장을 포함하는 재번역 요청 정보를 전송할 수 있다.

이에 따라, 하나 이상의 의뢰 번역가 단말(20) 각각은 사용자 단말(10)의 입력 문장을 수신하여 디스플레이할 수 있다. 즉, 번역에 관련한 사용자는, 각 의뢰 번역가 단말(20)을 통해 표시된 입력 문장에 기초하여 재번역 문장을 생성하고, 생성된 재번역 문장을 컴퓨팅 장치(100)로 전송할 수 있다.

컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말(20) 각각으로부터 하나 이상의 재번역 문장을 수신할 수 있다. 또한, 컴퓨팅 장치(100)는 하나 이상의 재번역 문장 중 최적의 번역 문장에 관련한 제 1 재번역 문장을 결정할 수 있다. 예컨대, 컴퓨팅 장치(100)는 하나 이상의 재번역 문장이 수신되는 경우, 각 재번역 문장의 생성에 관련한 의뢰 번역가 단말들의 번역 평가 점수에 기초하여 제 1 재번역 문장을 결정할 수 있다. 번역 평가 점수는, 이점 시점에 대응하여 각 번역가 단말이 수행한 번역에 대한 평가 점수일 수 있다. 구체적인 예를 들어, 제 1 의l 번역가 단말, 제 2 의뢰 번역가 단말 및 제 3 의뢰 번역가 단말 각각의 번역 평가 점수 각각이 50, 76 및 80이며, 각 의뢰 번역가 단말로부터 재번역 제 1 서브 문장, 재번역 제 2 서브 문장 및 재번역 제 3 서브 문장을 수신하는 경우, 컴퓨팅 장치(100)는 제 3 의뢰 번역가 단말의 번역 평가 점수가 가장 높은 것을 식별하여 해당 번역가 단말에 대응하여 생성된 재번역 제 3 서브 문장을 제 1 재번역 문장으로 결정할 수 있다. 전술한 각 의뢰 번역가 단말에 대응하는 번역 평가 점수에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말 각각으로부터 수신한 하나 이상의 재번역 문장 중 사용자 단말(10)의 입력 문장에 보다 적합한 제 1 재번역 문장을 결정하여 사용자 단말(10)에 전송할 수 있다. 다시 말해, 컴퓨팅 장치(100)는 사용자 단말(10)의 번역 요청에 대응하여 보다 전문적인 번역을 수행할 수 있는 의뢰 번역가 단말을 결정하여 해당 사용자 단말(10)과 연계시킴으로써, 전문적인 번역 정보를 제공할 수 있다. 이 경우, 컴퓨팅 장치(100)가 사용자 단말(10)과 연계하는 의뢰 번역가 단말들은, 사용자 단말(10)의 번역 요청 정보를 통해 대응하는 도메인의 번역을 수행하는 사용자와 관련한 단말들이므로, 입력 문장에 대응하여 자연스럽고 적절한 번역 문장을 제공할 수 있다. 이와 더불어, 해당 번역 문장은 해당 분야의 전문 번역가에 의해 번역된 문장임에 따라 기계가 이해하지 못하는 언어 표현, 또는 언어 구조 등에 대한 번역 문장의 제공이 가능하며, 보다 적절한 표현이 반영된 번역 문장 제공이 가능할 수 있어, 사용자의 서비스 만족도를 향상시킬 수 있다.

또한, 컴퓨팅 장치(100)는 입력 문장 및 제 1 재번역 문장에 기초하여 학습 데이터에 대한 증강을 수행할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 입력 문장과 제 1 재번역 문장을 매칭하여 라벨링함으로써, 추가 학습 데이터를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 추가 학습 데이터를 통해 사용자 단말(10)에 대응하는 최적 번역 모델에 대한 추가 학습을 수행하여 업데이트할 수 있다. 이 경우, 업데이트된 최적 번역 모델은 사용자 단말(10)의 번역 요청에 관련한 입력 문장을 입력으로 하여 해당 입력 문장에 대응하여 전문 번역가에 의해 생성된 제 1 재번역 문장을 출력하도록 학습되는 것일 수 있다. 즉, 컴퓨팅 장치(100)는 복수의 사용자 단말들로부터 수신되는 다양한 입력 문장들 각각과 이에 대응하는 번역가 단말들의 다양한 번역 문장을 통해 학습 데이터를 증강하고, 증강된 학습 데이터를 통해 최적 번역 모델을 업데이트할 수 있다. 이에 따라, 컴퓨팅 장치(100)의 상술한 프로세스에 의해 시간이 지남에 따라 번역 모델의 고도화가 가능해질 수 있다. 이는, 번역 모델을 통해 출력된 번역 문장의 신뢰도 및 정확성의 향상시키는 효과를 야기시킬 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 컴퓨팅 장치의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기초 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.

본 개시에서의 개별 사용자에 대응하여 전문 번역 서비스 플랫폼을 제공하기 위한 방법에 대한 구체적인 구성 및 이에 따른 효과는 도 2를 참조하여 후술하도록 한다.

도 2는 본 개시의 일 실시예와 전문 번역 서비스 플랫폼을 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 전술한 컴포넌트들 중 일부가 생략될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10), 번역가 단말(20) 및 외부 서버(30)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 개시의 일 실시예에 따른 전문 번역 서비스 플랫폼을 제공하기 위한 방법을 수행하기 위한 데이터들 및 신경망 모델을 학습시키기 위한 학습 데이터 세트 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 사용자 단말(10), 번역가 단말(20) 및 외부 서버(30) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 사용자 단말(10)로부터 입력 문장을 포함하는 번역 요청 정보, 번역 문장에 대한 재차 번역 요청에 관련한 재번역 요청 정보 등을 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 번역가 단말(20)로부터 번역 문장을 수신할 수 있다. 또 다른 예를 들어, 네트워크부(110)는 외부 서버(30)로부터 본 개시의 번역 모델을 학습시키기 위한 학습 데이터 세트를 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(30) 간의 정보 전달을 허용할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 본 개시의 일 실시예에 따른 전문 번역 서비스 플랫폼을 제공하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 입력 문장 및 입력 문장에 대응하는 번역 문장에 관련한 정보들을 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 입력 문장을 포함하는 번역 요청 정보, 입력 문장에 대응하는 번역 문장 및 번역 문장의 재차 번역 요청에 관련한 재번역 요청 정보 등)을 임시 또는 영구 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(130)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 하나 이상의 번역 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 입력 문장에 대응하는 번역 문장을 획득하기 위한 계산을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 하나 이상의 번역 모델을 학습시키기 위한 계산을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성할 수 있다. 본 개시에서의 하나 이상의 번역 모델 각각은, 예를 들어, 인공 신경망 기반의 기계 번역(Neural Machine Translation, NMT)을 수행하는 모델일 수 있다. 하나 이상의 번역 모델 각각은, 입력 문장을 문장 벡터 형태로 변환하고, 변환된 문장 벡터를 기반으로 출력 언어의 문장을 생성할 수 있다. 이 경우, 입력 문장을 문장 벡터로 변환하는 부분은 인코더(Encoder)일 수 있으며, 출력 문장을 생성하는 부분은 디코더(Decoder)일 수 있다. 언어 번역 모델은, 학습 입력 데이터 및 학습 결과 데이터로 구성된 학습 데이터를 통해 인코더와 디코더의 인공 신경망을 구성하는 수많은 파라미터 값을 자동으로 학습할 수 있다.

다른 예를 들어, 하나 이상의 번역 모델 각각은, 말뭉치 기반 기계 번역(Corpus-based Machine Translation, CMT)을 수행하는 신경망 모델일 수 있다. 말뭉치 기반 기계 번역은, 예시 기반 기계 번역(Example-Based Machine Translation, EBMT) 및 통계 기반 기계 번역(Statistical Machine Translation, SMT)을 포함할 수 있다. 예시 기반 기계 번역은, 번역한 입력 문장과 번역 문장의 정보를 저장해두었다가, 동일한 문장의 번역 요청에 대응하여 기 저장된 정보를 활용해 번역 결과를 출력하는 방식의 기계 번역일 수 있다. 통계 기반 기계 번역은 원문과 번역문의 언어 상관관계 빈도수를 분석하고 이를 통계화하여 번역문 산출에 활용하는 방식의 기계 번역일 수 있다.

즉, 하나 이상의 번역 모델 각각은, 복수의 학습 입력 데이터 및 복수의 학습 출력 데이터로 구성된 복수의 학습 데이터를 통해 입력 문장을 입력으로하여 번역 문장을 생성하도록 학습된 신경망 모델일 수 있다.

하나 이상의 번역 모델 생성을 위해, 프로세서(130)는 복수의 학습 데이터를 포함하는 학습 데이터 세트를 획득할 수 있다. 구체적으로, 프로세서(130)는 네트워크부(110)를 통해 학습 데이터 세트를 획득할 수 있다. 본 개시의 일 실시예에 따른 학습 데이터 세트의 획득은, 메모리(120)에 저장된 학습 데이터 세트를 수신하거나 또는, 로딩(loading)하는 것일 수 있다. 예를 들어, 학습 데이터 세트의 획득은 외부 서버(30)에 저장된 학습 데이터 세트를 수신하는 것일 수 있다. 학습 데이터의 수신은 유/무선 통신 수단에 기초하여 다른 저장 매체에, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 원문 데이터를 수신하거나 또는 로딩하는 것일 수 있다.

자세히 설명하면, 프로세서(130)는 복수의 학습 데이터를 하나 이상의 도메인을 기준으로 분류하여 하나 이상의 학습 데이터 서브 데이터를 구축할 수 있다. 하나 이상의 도메인은, 복수의 학습 데이터를 분류하기 위한 기준이 되는 것으로, 다양한 전문 분야에 관련한 것일 수 있다. 예를 들어, 하나 이상의 도메인은 의료 분야, 법률 분야, IT 분야 또는 경제 분야 등 다양한 전문 분야에 관련한 것일 수 있다.

복수의 학습 데이터는 원문으로 구성된 복수의 학습 입력 데이터 및 해당 원문에 대한 번역문으로 구성된 복수의 학습 출력 데이터를 포함할 수 있다. 예컨대, 제 1 학습 입력 데이터는 한국어로 구성된 문장일 수 있으며, 제 1 학습 출력 데이터는 해당 문장에 대한 영문 번역 결과물인 영어로 구성된 문장일 수 있다. 이 경우, 제 1 학습 입력 데이터와 제 1 학습 출력 데이터는 라벨링된 학습 데이터일 수 있다. 즉, 신경망 학습에 있어, 제 1 학습 입력 데이터는 신경망의 입력에 관련한 데이터일 수 있다. 제 1 학습 출력 데이터는, 제 1 학습 입력 데이터에 대한 신경망의 출력과 비교되는 데이터일 수 있다.

프로세서(130)는 복수의 학습 데이터 각각의 의미 분석 결과, 복수의 학습 데이터 각각의 의미 분석 결과에 포함된 단어 별 반복 횟수 및 미리 정해진 주제 중 적어도 하나에 기초하여 복수의 학습 데이터 각각의 도메인을 식별할 수 있다.

구체적으로, 프로세서(130)는 복수의 학습 데이터 각각에 대한 의미 분석 결과에 기초하여 하나 이상의 도메인을 결정할 수 있다. 예를 들어, 의미 분석 결과에 포함된 단어 각각이 '저작권은', '저작물에', '독점적', '배타적', '권리를' '보장하는', '제도입니다'인 경우, 프로세서(130)는 '저작권' 또는 '권리'의 의미가 비교적 중요도가 높은 것으로 판단하여 '저작권' 또는 '권리'을 도메인으로써 결정할 수 있다. 전술한 의미 분석 결과에 포함된 하나 이상의 단어 및 하나 이상의 단어 각각의 중요도에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 각 학습 입력 데이터에 대한 의미 분석 결과에 포함된 단어 별 반복 횟수에 기초하여 대화록에 대한 하나 이상의 도메인을 결정할 수 있다. 프로세서(130)는 의미 분석 결과에 포함된 하나 이상의 단어 각각의 반복 횟수를 식별하고, 반복 횟수가 높은 단어를 각 학습 입력 데이터에 대한 도메인으로써 결정할 수 있다.

또한, 프로세서(130)는 미리 정해진 주제에 기초하여 도메인을 결정할 수 있다. 프로세서(130)는 의미 분석 결과를 통해 학습 입력 데이터의 주제를 결정할 수 있으며, 결정된 주제에 대응하여 하나 이상의 도메인을 결정할 수 있다. 이 경우, 복수의 주제 각각에 대응하여 복수의 도메인 각각이 메모리(120)에 미리 저장될 수 있다. 예를 들어, '저작권'에 관련한 주제에 대응하여 법률 분야에 관련한 도메인이 매칭되어 메모리(120)에 미리 저장될 수 있다. 전술한 주제, 및 주제에 대응하는 도메인에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

프로세서(130)는 복수의 학습 데이터 각각의 도메인에 기초하여 하나 이상의 학습 데이터 서브 세트를 구축할 수 있다. 또한, 프로세서(130)는 하나 이상의 학습 데이터 서브 세트 각각을 통해 하나 이상의 신경망 모델 각각에 대한 학습을 수행하여 하나 이상의 번역 모델을 생성할 수 있다.

구체적인 예를 들어, 신경망의 학습에 관련한 학습 데이터 세트는 다양한 도메인에 관련한 복수의 학습 데이터를 포함할 수 있다. 이 경우, 컴퓨팅 장치(100)는 복수의 학습 데이터들을 하나 이상의 도메인 각각을 기준으로 분류함으로써, 하나 이상의 학습 데이터 서브 세트를 생성할 수 있다. 예컨대, 하나 이상의 학습 데이터 서브 세트는, 학습 데이터 서브 세트의 조합일 수 있으며, 각각의 학습 데이터 서브 세트는 서로 상이한 도메인을 기준으로 하는 복수의 학습 데이터들의 조합일 수 있다. 예를 들어, 프로세서(130)에 의해 구축된 하나 이상의 학습 데이터 서브 세트는, 제 1 학습 데이터 서브 세트 및 제 2 학습 데이터 서브 세트를 포함할 수 있다. 이 경우, 제 1 학습 데이터 서브 세트는 의료 분야에 관련한 복수의 학습 데이터들을 포함할 수 있으며, 제 2 학습 데이터 서브 세트는 법률 분야에 관련한 복수의 학습 데이터들을 포함할 수 있다. 전술한 하나 이상의 전문 분야에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

보다 구체적으로, 각각의 학습 데이터 서브 세트는, 각 분야에 관련하여 시작 언어로 구성된 학습 입력 서브 데이터 및 도착 언어로 구성된 제 2 학습 출력 서브 데이터를 포함할 수 있다. 이 경우, 프로세서(130)는 각각의 학습 데이터 서브 세트를 통해 각 신경망 모델에 대한 학습을 수행하여 복수의 번역 모델을 생성할 수 있다.

구체적인 예를 들어, 하나 이상의 학습 데이터 서브 세트는, 법률 분야에 관련한 제 1 학습 데이터 서브 세트를 포함할 수 있으며, 제 1 학습 데이터 서브 세트는, 한국어로 구성된 제 1 학습 입력 서브 데이터 및 영어로 구성된 제 1 학습 출력 서브 데이터를 포함할 수 있다. 프로세서(130)는 제 1 학습 데이터 서브 세트에 포함된 제 1 학습 입력 서브 데이터를 제 1 신경망 모델의 입력함으로써, 제 1 학습 결과 데이터를 출력할 수 있다. 프로세서(130)는 출력된 제 1 학습 결과 데이터와 제 1 학습 입력 서브 데이터에 라벨링된 제 1 학습 출력 데이터 간의 오차를 도출할 수 있다. 또한, 프로세서(130)는 해당 오차를 역전파하여 제 1 학습 결과 데이터와 제 1 학습 출력 서브 데이터가 유사해지록 신경망의 가중치를 조정함으로써 제 1 신경망 모델에 대한 학습을 수행할 수 있다. 전술한 바와 같은 제 1 신경망 모델에 대한 학습이 완료됨에 따라 제 1 번역 모델이 생성될 수 있다. 즉, 제 1 번역 모델은, 전술한 학습에 의해, 법률 분야에 관련하여 한국어로 구성된 입력 문장을 입력으로 하여 영어로 구성된 번역 문장을 출력할 수 있다. 이 경우, 제 1 번역 모델의 학습에 관련한 학습 데이터들은 프로세서(130)에 의해 법률 분야에 관련한 데이터들이므로, 제 1 번역 모델은 해당 법률 분야의 입력 문장에 대응하여 보다 적합한 번역 문장을 출력할 수 있다.

즉, 프로세서(130)는 신경망의 학습에 관련한 복수의 학습 데이터들을 다양한 전문 분야에 관련한 하나 이상의 도메인을 기준으로 분류하여 학습 데이터 서브 세트를 생성하고, 생성된 학습 데이터 서브 세트를 활용하여 다양한 분야 각각에 특화된 번역을 수행하는 하나 이상의 번역 모델을 생성할 수 있다. 이에 따라, 복수의 사용자 각각의 개별적인 니즈에 따라 적합한 번역 모델의 제공이 가능해질 수 있다. 따라서, 사용자는 자신의 니즈에 맞는 번역 모델을 통해 번역을 수행하고자 하는 입력 문장에 대응하여 보다 전문적인 번역에 관한 정보를 획득할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 번역 모델 중 사용자 단말에 대응하는 최적 번역 모델을 결정할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 수신된 가입 요청 정보에 기초하여 하나 이상의 번역 모델 중 해당 사용자 단말(10)에 대응하는 최적 번역 모델을 결정할 수 있다. 최적 번역 모델은 사용자 단말(10)에 관련한 분야에서 보다 적합한 번역 정보를 출력하기 위한 번역 모델일 수 있다. 가입 요청 정보는, 사용자 단말에 대응하는 최적 번역 모델을 결정하기 위한 기준이 되는 정보일 수 있다. 가입 요청 정보는, 사용자 언어 식별 정보 및 사용자 도메인 식별 정보 중 적어도 하나를 포함할 수 있다. 사용자 언어 식별 정보는, 사용자 단말(10)의 사용자가 번역을 원하는 시작 언어 및 번역 결과에 대응하는 도착 언어에 대한 정보를 포함할 수 있다. 예컨대, 사용자 언어 식별 정보는, 제 1 사용자 단말의 사용자가 번역하고자 하는 입력 문장이 일본어(즉, 시작 언어)이며, 번역 결과 획득하고자 하는 번역 문장이 영어(즉, 도착 언어)라는 정보를 포함할 수 있다. 전술한 입력 문장과 번역 문장에 관련한 언어에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 사용자 도메인 식별 정보는, 사용자 단말(10)의 사용자가 번역하고자 하는 입력 문장이 어떠한 분야에 관련하는지 여부를 식별하기 위한 정보일 수 있다. 예컨대, 사용자 도메인 식별 정보는, 제 1 사용자 단말의 사용자가 번역하고자 하는 입력 문장이 IT 분야에 관련한다는 정보를 포함할 수 있다. 다른 예를 들어, 사용자 도메인 식별 정보는, 제 2 사용자 단말의 사용자가 번역하고자 하는 입력 문장이 법률 분야에 관련한다는 정보를 포함할 수 있다. 전술한 사용자 언어 식별 정보 및 도메인 식별 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 가입 요청 정보에 포함된 사용자 언어 식별 정보 및 사용자 도메인 식별 정보에 기초하여 다양한 전문 분야에 대응하여 생성된 하나 이상의 번역 모델 중 해당 사용자 단말에 대응하는 최적 번역 모델을 결정할 수 있다. 예를 들어, 제 1 사용자 단말(10)로부터 수신한 가입 요청 정보가 사용자가 번역하고자 하는 입력 문장이 한국어이며, 번역 결과 획득하고자 하는 번역 문장이 영어라는 사용자 언어 식별 정보 및 사용자가 번역하고자 하는 입력 문장이 법률 분야에 관련한다는 사용자 도메인 식별 정보를 포함하는 경우, 프로세서(130)는 하나 이상의 번역 모델 중 법률 분야에 관련하여 한국어로 구성된 학습 입력 서브 데이터 및 영어로 구성된 학습 출력 서브 데이터를 포함하는 학습 데이터 서브 세트를 활용한 학습을 통해 생성된 번역 모델을 제 1 사용자 단말(10)에 대응하는 최적 번역 모델로 결정할 수 있다.

추가적인 실시예에서, 사용자 단말(10)로부터 수신하는 가입 요청 정보는, 맞춤 학습 데이터 세트를 포함할 수 있다. 여기서, 맞춤 학습 데이터 세트는, 사용자 단말(10)의 사용자의 고유한 번역 스타일에 관련한 정보들로, 사용자에게 보다 적합한 최적 번역 모델을 생성하기 위한 학습 데이터들로 활용될 수 있다. 예컨대, 맞춤 학습 데이터 세트는, 해당 사용자가 과거 시점에 수행하였던 번역 작업에 관련한 정보들을 포함할 수 있다. 즉, 맞춤 학습 데이터 세트는, 특정 사용자의 번역 스타일이 반영된 학습 데이터들일 수 있다. 이에 따라, 프로세서(130)는 사용자 단말(10)로부터 수신한 가입 요청 정보에 맞춤 학습 데이터 세트가 포함되어 있는지 여부를 식별할 수 있다. 또한, 프로세서(130)는 가입 요청 정보에 해당 사용자에 대응하는 맞춤 학습 데이터 세트가 포함된 것으로 식별된 경우, 맞춤 학습 데이터 세트를 통해 하나 이상의 네트워크 함수로 구성된 신경망 모델을 학습시킴으로써, 최적 번역 모델을 생성할 수 있다. 다시 말해, 프로세서(130)는 사용자 단말(10)로부터 해당 사용자 자신만의 번역 스타일에 대한 정보들을 집합인 맞춤 학습 데이터 세트를 수신하는 경우, 해당 맞춤 학습 데이터 세트를 통해 최적 번역 모델을 생성할 수 있다. 이 경우, 프로세서(130)에 의해 생성되는 최적 번역 모델은, 사용자의 기존 번역 스타일에 관련한 학습 데이터들(즉, 맞춤 학습 데이터 세트)을 통해 학습된 신경망 모델이므로, 입력 문장에 대응하여 사용자의 니즈에 보다 부합하는 번역 문장을 출력할 수 있다.

즉, 프로세서(130)는 다양한 도메인에 관련하여 복수의 번역 모델을 생성하고, 생성된 복수의 번역 모델 중 사용자 단말(10)에 보다 적합할 것으로 예상되는 최적 번역 모델을 선별하여 제공할 수 있다. 뿐만 아니라, 프로세서(130)는 사용자 단말(10)로부터 사용자 자신만의 고유한 번역 특성이 반영된 맞춤 학습 데이터 세트를 수신하는 경우, 해당 학습 데이터들을 통해 사용자에게 특화된 최적 번역 모델을 생성하여 제공할 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말로부터 입력 문장을 포함하는 번역 요청 정보를 수신할 수 있다. 입력 문장은 사용자 단말(10)의 사용자가 번역을 수행하고자 하는 시작 언어로 구성된 문장을 의미할 수 있다.

프로세서(130)는 사용자 단말(10)로부터 번역 요청 정보가 수신되는 경우, 최적 번역 모델을 활용하여 번역 요청 정보에 대응하는 번역 문장을 생성할 수 있다. 이 경우, 최적 번역 모델은, 전술한 바와 같이, 사용자 단말(10)에 대응하는 사용자 언어 식별 정보 및 사용자 도메인 식별 정보에 기초하여 결정된 것으로, 해당 사용자 단말(10)로부터 수신한 입력 문장에 대응하여 보다 적합한 번역 문장을 생성하는 번역 모델일 수 있다. 구체적으로, 프로세서(130)는 수신된 번역 요청 정보에서 입력 문장을 식별하고, 식별된 입력 문장을 최적 번역 모델의 입력으로 처리하여 입력 문장에 대응하는 번역 문장을 생성할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 번역 문장에 대한 번역 신뢰도를 산출할 수 있다. 보다 자세히 설명하면, 프로세서(130)는 입력 문장에 대응하여 생성된(또는, 번역된) 번역 문장에 대한 역번역(back-translation)을 수행하여 역번역 문장을 생성할 수 있다. 이 경우, 프로세서(130)가 수행하는 역번역은, 번역 문장을 입력 문장에 대응하는 언어로 번역하는 것을 의미할 수 있다. 프로세서(130)는 역번역 문장과 입력 문장에 대한 비교에 기초하여 번역 문장에 대한 번역 신뢰도를 산출할 수 있다.

구체적인 예를 들어, 한국어로 구성된 입력 문장을 영어로 구성된 번역 문장으로 번역하고자 하는 경우, 프로세서(130)는 입력 문장을 번역 모델의 입력으로 처리하여 번역 문장을 생성할 수 있다. 이 경우, 프로세서(130)는 번역 문장의 번역의 정확성을 판별하기 위하여 해당 번역 문장에 대응하는 번역 신뢰도를 산출할 수 있다. 프로세서(130)는 영어로 작성된 번역 문장을 다른 하나의 번역 모델(예컨대, 동일 도메인에 관련하며, 영어로 구성된 입력 문장을 입력으로 하여 한국어로 구성된 번역 문장을 출력하는 번역 모델)의 입력으로 처리하여 한국어로 구성된 역번역 문장을 생성할 수 있다.

또한, 프로세서(130)는 동일하게 한국어로 구성된 입력 문장과 역번역 문장에 대한 비교에 기초하여 번역 신뢰도를 산출할 수 있다. 예를 들어, 제 1 입력 문장과 상기 제 1 입력 문장에 대응하는 제 1 역번역 문장의 비교 결과, 각 문장의 구조 또는 의미가 유사한 것으로 판별되는 경우, 프로세서(130)는 제 1 번역 문장에 대한 번역의 정확성이 높은 것으로 판단하여 보다 높은 번역 신뢰도를 산출할 수 있다. 다른 예를 들어, 제 2 입력 문장과 상기 제 2 입력 문장에 대응하는 제 2 역번역 문장의 비교 결과, 각 문장의 구조 또는 의미가 유사하지 않은 것으로 판별되는 경우, 프로세서(130)는 제 2 번역 문장에 대한 번역의 정확성이 낮은 것으로 판단하여 보다 낮은 번역 신뢰도를 산출할 수 있다. 전술한 입력 문장, 번역 문장 및 역번역 문장에 대한 구체적인 기재들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 입력 문장에 대응하여 생성된 번역 문장에 대한 역번역을 수행함으로써, 번역 문장에 대한 번역 신뢰도를 산출할 수 있다. 이러한 번역 문장에 대응하는 번역 신뢰도는 번역에 대한 정확성을 나타내는 것으로, 검수 과정에서 사용자에게 번역 문장에 대한 번역의 정확성을 인지시키는 정보로 활용될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 번역가 단말 각각으로부터 번역 참여 정보를 수신할 수 있다. 번역 참여 정보는, 번역가 단말들이 번역에 참여하고자 하는 시점에 관련하여 생성될 수 있으며, 복수의 번역가 단말 각각을 식별하기 위한 정보일 수 있다. 또한, 번역 참여 정보는 번역가 언어 식별 정보 및 번역가 도메인 식별 정보를 포함할 수 있다. 번역가 언어 식별 정보는, 각 번역가 단말의 사용자가 활용할 수 있는 언어(즉, 번역을 수행할 수 있는 언어)를 식별하기 위한 정보일 수 있다. 번역가 도메인 식별 정보는, 각 번역가 단말의 전문적으로 번역을 수행할 수 있는 하나 이상의 분야에 관련한 정보일 수 있다. 예를 들어, 제 1 번역가 단말의 번역가 언어 식별 정보는, 제 1 사용자(또는, 제 1 번역가)가 한국어, 영어 및 일본어를 활용할 수 있다는 정보를 포함할 수 있으며, 번역가 도메인 식별 정보는, IT 분야에 관련한 번역을 전문적으로 수행할 수 있다는 정보를 포함할 수 있다. 전술한 제 1 번역가 단말의 언어 식별 정보 및 도메인 식별 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 복수의 번역가 단말 각각의 번역 참여 정보에 기초하여 번역가 데이터베이스를 구축할 수 있다. 프로세서(130)는 복수의 번역가 단말 각각으로부터 번역 참여 정보가 수신되는 경우, 해당 번역 참여 정보에 기초하여 번역가 데이터베이스를 구축할 수 있다. 이러한 번역가 데이터베이스는, 사용자 단말(10)이 특정 입력 문장에 대응하는 번역 요청 정보를 컴퓨팅 장치(100)로 전송하는 경우, 컴퓨팅 장치(100)에 의해 참조될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말로부터 재번역 요청 정보를 수신할 수 있다. 재번역 요청 정보는, 번역 문장에 대한 재차 번역 요청에 관한 정보이며, 번역 요청 정보에 기초하여 생성되는 정보일 수 있다. 이에 따라, 재번역 요청 정보는, 번역 요청 정보에 대응하는 입력 문장 및 도메인 식별 정보를 포함할 수 있다. 구체적으로, 재번역 요청 정보는, 번역하고자 하는 입력 문장과 번역 요청 정보에 포함된 사용자 언어 식별 정보 및 사용자 도메인 식별 정보를 포함할 수 있다.

프로세서(130)는 사용자 단말(10)로부터 재번역 요청 정보가 수신되는 경우, 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 구체적으로, 프로세서(130)는 번역가 데이터베이스를 참조하여 재번역 요청 정보에 대응하는 하나 이상의 번역가 단말을 식별할 수 있다. 예컨대, 프로세서(130)는 번역가 데이터베이스에 포함된 복수의 번역가 단말 중 재번역 요청 정보에 포함된 사용자 언어 식별 정보 및 사용자 도메인 식별 정보에 대응하는 하나 이상의 후보 번역가 단말을 결정할 수 있다.

구체적인 예를 들어, 사용자 단말(10)의 재번역 요청 정보가 사용자가 번역하고자 하는 입력 문장이 한국어이며, 번역 결과 획득하고자 하는 번역 문장이 영어라는 사용자 언어 식별 정보 및 입력 문장이 법률 분야에 관련한다는 도메인 식별 정보를 포함하는 경우, 프로세서(130)는 복수의 번역가 단말 각각의 번역가 언어 식별 정보 및 번역가 도메인 식별 정보를 포함하는 복수의 번역가 데이터베이스를 참조하여 사용자 언어 식별 정보 및 사용자 도메인 식별 정보 각각에 대응하는 하나 이상의 후보 번역가 단말을 식별할 수 있다. 이 경우, 프로세서(130)에 의해 식별된 하나 이상의 후보 번역가 단말들은 한국어와 영어 활용에 능통하며 법률 분야에 번역을 전문적으로 수행하는 번역가에 관련한 단말일 수 있다.

또한, 프로세서(130)는 식별된 하나 이상의 후보 번역가 단말의 번역 평가 점수에 기초하여 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 번역 평가 점수는, 이전 시점에 대응하여 각 번역가 단말이 수행한 번역에 대한 평가 점수일 수 있다. 예컨대, 번역 평가 점수는, 사용자 단말 또는 다른 번역가 단말들로부터 수신되는 번역 평가 점수일 수 있다. 예를 들어, 제 1 번역가 단말이 이점 시점에 번역 문장 생성에 3회 참여하였으며, 각 회에 대응하는 번역 평가 서브 점수가 5, 7 및 9인 경우, 프로세서(130)는 제 1 번역가 단말의 각 회당 번역 평가 서브 점수의 평균을 통해 제 1 번역가 단말의 번역 평가 점수를 7로 산출할 수 있다. 번역가 단말에 이전 번역 참여 횟수, 번역 평가 서브 점수 및 번역 평가 점수에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이제 제한되지 않는다.

구체적으로, 프로세서(130)는 하나 이상의 후보 번역가 단말 각각의 번역 평가 점수 중 가장 높은 번역 평가 점수를 가진 상위 3개의 후보 번역가 단말을 하나 이상의 의뢰 번역가 단말로 결정할 수 있다. 다른 예를 들어, 프로세서(130)는 하나 이상의 후보 번역가 단말 각각의 번역 평가 점수가 미리 정해진 임계 평가 점수를 초과하는지 여부에 기초하여 하나 이상의 의뢰 번역가 단말을 결정할 수도 있다. 전술한 의뢰 번역가 단말의 결정 방법에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 하나 이상의 후보 번역가 단말 중 각 후보 번역가 단말의 번역 평가 점수에 기초하여 하나 이상의 의뢰 번역가 단말을 결정함으로써, 검증된 번역가들에게 재번역 요청 정보를 전달할 수 있다. 다시 말해, 사용자에게 우수하게 평가받은 번역가 단말에게 서비스의 기회를 먼저 제공함에 따라 서비스의 질을 향상시키는 선순환 시스템을 형성할 수 있다.

본 개시의 다른 실시예에 따르면, 프로세서(130)는 하나 이상의 후보 번역가 단말을 포함하는 후보 번역가 리스트 정보를 생성하여 사용자 단말로 전송할 것을 결정할 수 있다. 후보 번역가 리스트 정보는, 사용자 단말의 사용자가 희망하는 번역을 수행할 수 있는 하나 이상의 번역가 각각에 관련한 번역가 단말들을 리스트화한 정보일 수 있다.

구체적으로, 프로세서(130)는 하나 이상의 후보 번역가 단말로 번역 서비스 참여 요청을 전송할 것을 결정할 수 있다. 이 경우, 하나 이상의 후보 번역가 단말 각각은 입력 문장에 대한 번역 서비스를 수행할 것인지 여부에 대한 참여 요청에 대응하여 참여 신호를 송신할 수 있다. 참여 응답 송신 과정이 존재함에 따라, 번역가 단말은 번역 서비스 참여 요청에 관련한 서비스를 수행할 것인지 여부를 선택할 수 있다. 따라서, 번역가 단말은 많은 수행 경험이 없는 번역 서비스에 대해서는 응답을 하지 않아 번역 서비스 배정을 회피할 수 있다.

프로세서(130)는 이에 대응하여 번역 서비스를 수행한 횟수만큼 인센티브를 제공하여 번역가 단말로 하여금 서비스에 대한 참여 응답 송신율을 높일 수 있다. 위와 같은 과정에 의해, 번역가는 경험이 많고 자신있는 서비스 요청에 즉각 응답하게 될 것이므로, 번역가에게 무조건적으로 번역 서비스를 배정하는 시스템보다 서비스의 질과 효율이 향상되는 효과를 볼 수 있다. 또한 프로세서(130)는 하나 이상의 후보 번역가 단말 각각으로부터 번역 서비스 참여 요청에 대응하는 참여 신호를 수신할 수 있으며, 수신된 참여 신호에 기초하여 번역 사용자 리스트 정보르 생성하여 사용자 단말로 전송할 것을 결정할 수 있다.

또한, 프로세서(130)는 번역 사용자 리스트 정보에 대한 사용자 단말의 응답에 기초하여 사용자가 희망하는 번역 서비스를 수행할 번역가 단말을 결정할 수 있다.

본 개시의 또 다른 실시예에 따르면, 프로세서(130)는 사용자 단말(10)로부터 재번역 요청 정보를 수신하는 경우, 사용자 단말(10)의 서비스 이력 정보에 기초하여 번역가 단말 리스트 정보를 생성하고, 상기 생성된 번역가 단말 리스트 정보를 사용자 단말(10)로 전송할 것을 결정할 수 있다. 이 경우, 서비스 이력 정보는 이전 시점에 사용자 단말(10)에 관련하여 번역 서비스를 수행한 하나 이상의 번역 단말들에 관한 정보를 포함할 수 있다.

추가적인 실시예에 따르면, 프로세서(130)는 사용자 단말(10)로부터 재번역 요청 정보를 수신하는 경우, 사용자들에게 우수하게 평가받은 후보 번역가 단말을 식별하여 번역가 단말 리스트 정보를 생성하고, 생성된 번역가 단말 리스트 정보를 사용자 단말(10)로 전송할 것을 결정할 수 있다.

추가적인 실시예에서, 프로세서(130)는 번역 문장의 번역 신뢰도에 기초하여 하나 이상의 의뢰 번역가 단말로 재번역 요청 정보를 전송할지 여부를 결정할 수 있다. 번역 문장의 번역 신뢰도는, 번역 모델의 출력에 관련한 번역에 대한 정확성을 나타내는 것으로, 검수 과정에서 사용자에게 번역 문장에 대한 번역의 정확성을 인지시키는 정보로 활용될 수 있다.

구체적으로, 프로세서(130)는 번역 문장의 번역 신뢰도가 미리 정해진 임계 신뢰도 미만인 경우, 하나 이상의 의뢰 번역가 단말로 재번역 요청 정보를 전송할 것을 결정할 수 있다. 또한, 프로세서(130)는 번역 문장의 번역 신뢰도가 미리 정해진 임계 신뢰도 이상인 경우, 하나 이상의 의뢰 번역가 단말로 재번역 요청 정보를 전송하지 않도록 결정할 수 있다.

즉, 프로세서(130)는 번역 문장의 번역 신뢰도에 기초하여 해당 번역 문장이 신뢰할 만한 수준의 번역이 이루어졌는지 여부를 판별하여 사용자 단말의 입력 문장이 자동적으로 하나 이상의 의뢰 번역가 단말 전송(즉, 번역를 의뢰할 것인지 여부를 결정)되도록 할 수 있다. 다시 말해, 최적 번역 모델의 출력에 관련한 번역 문장에 대한 사용자의 별도의 검수 과정 없이, 산출된 번역 신뢰도에 의해 자동적으로 의뢰 번역가 단말과의 연계가 진행될 수 있다. 이에 따라, 번역 문장에 대한 별도의 검수 과정이 생략되어 사용자의 편의성이 향상될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 의뢰 번역가 단말로 재번역 요청 정보를 전송할 것을 결정할 수 있다. 여기서 재번역 요청 정보는 입력 문장을 포함할 수 있으며, 입력 문장은, 사용자 단말(10)의 사용자가 번역하고자 하는 문장을 의미할 수 있다. 구체적으로, 프로세서(130)는 번역 평가 정보를 통해 결정된 하나 이상의 의뢰 번역가 단말로 사용자 단말(10)로부터 수신한 번역 요청 정보에 대응하는 재번역 요청 정보를 전송할 것을 결정할 수 있다. 이에 따라, 하나 이상의 의뢰 번역가 단말은 입력 문장에 대응하는 재번역 문장을 생성할 수 있다. 또한, 하나 이상의 의뢰 번역가 단말을 통해 생성된 재번역 문장은 프로세서(130)로 전송될 수 있다.

추가적인 실시예에서, 프로세서(130)는 최적 번역 모델을 통해 출력된 번역 문장의 번역 신뢰도에 기초하여 번역 문장을 하나 이상의 의뢰 번역가 단말로 전송할 것을 결정할 수 있다. 구체적으로, 프로세서(130)는 입력 문장에 대응하는 번역 문장의 번역 신뢰도가 미리 정해진 임계 신뢰도 이상인 경우, 번역 문장을 하나 이상의 의뢰 번역가 단말로 전송할 것을 결정할 수 있다. 예컨대, 변역 신뢰도는 번역 문장에 대한 번역을 적정성을 나타내는 정보일 수 있다. 이에 따라, 프로세서(130)는 번역 문장에 대한 번역 신뢰도를 통해, 해당 번역 문장에 일정 기준치 이상의 적정성을 가진 것으로 판별되는 경우, 번역 문장을 하나 이상의 의뢰 번역가 단말로 전송할 것을 결정할 수 있다. 이 경우, 하나 이상의 의뢰 번역가 단말은 입력 문장에 대응하는 번역 문장의 생성을 위해, 해당 입력 문장을 수신한 번역가 단말일 수 있다. 즉, 번역 모델의 출력에 관련한 번역 문장의 번역 신뢰도가 일정 기준치 이상(즉, 미리 정해진 임계 신뢰도 이상)인 경우, 해당 번역 문장은 입력 문장과 함께 하나 이상의 의뢰 번역가 단말 각각으로 전송될 수 있다.

이 경우, 의뢰 번역가 단말은 입력 문장과 해당 입력 문장에 대응하여 최적 번역 모델이 출력한 번역 문장을 동시에 수신할 수 있다. 이에 따라, 의뢰 번역가 단말의 사용자(또는, 번역가)는 입력 문장에 대응하는 재번역 문장을 생성하는 과정에서 번역 문장을 참고할 수 있다. 해당 번역 문장은 일정 기준이 이상의 번역 신뢰도를 가진 번역 문장으로, 교정 또는 수정 부분이 비교적 적은 문장일 수 있다. 따라서, 입력 문장에 대한 재번역 문장 생성 과정에서 일정 수준 이상의 신뢰도를 담보하는 번역 문장을 제공함으로써, 번역가의 번역 작업에 대한 효율성을 향상시킬 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 사용자 단말로 전송할 것을 결정할 수 있다. 구체적으로, 프로세서(130)는 하나 이상의 의뢰 번역가 단말 각각의 번역 평가 점수에 기초하여 하나 이상의 재번역 문장 중 제 1 재번역 문장을 결정할 수 있다. 제 1 재번역 문장은, 의뢰 번역가 단말들로 수신한 재번역 문장 중 가장 적절한 표현, 또는 구조를 가진 문장을 의미할 수 있다. 예를 들어, 프로세서(130)는 하나 이상의 재번역 문장 중 가장 높은 번역 평가 점수를 가진 의뢰 번역가 단말로부터 수신한 재번역 문장을 제 1 재번역 문장으로 결정할 수 있다.

본 개시의 다른 실시예에 따르면, 프로세서(130)는 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 수신된 하나 이상의 재번역 문장을 사용자 단말로 전송할 것을 결정할 수 있다. 구체적으로, 프로세서(130)는 하나 이상의 재번역 문장을 포함하는 후보 재번역 리스트 정보를 생성하여 사용자 단말로 전송할 것을 결정할 수 있다. 후보 재번역 리스트 정보는, 하나 이상의 의뢰 번역가 단말 각각으로부터 수신한 하나 이상의 재번역 문장들을 리스트화한 정보일 수 있다.

또한, 프로세서(130)는 사용자 단말(10)로부터 하나 이상의 재번역 문장 중 적어도 하나의 재번역 문장에 대한 선택 정보를 수신할 수 있다. 구체적으로, 프로세서(130)는 하나 이상의 재번역 문장들을 포함하는 후보 재번역 리스트 정보를 사용자 단말(10)에 전송할 수 있으며, 사용자 단말(10)은 후보 재번역 리스트 정보에 포함된 하나 이상의 재번역 문장들 중 적어도 하나의 문장에 대한 사용자의 선택 입력을 수신할 수 있다. 이 경우, 사용자 단말(10)은 사용자의 선택 입력에 대응하여 특정 재번역 문장에 대한 선택 정보를 생성하여 프로세서(130)로 전송할 수 있다. 이에 따라, 프로세서(130)는 사용자 단말(10)로부터 수신한 선택 정보에 기초하여 하나 이상의 재번역 문장 중 제 1 재번역 문장을 식별할 수 있다.

즉, 프로세서(130)는 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장 중 사용자의 선택에 관련한 재번역 문장을 제 1 재번역 문장으로 결정할 수 있다. 다시 말해, 프로세서(130)는 입력 문장에 대응하여 생성된 다양한 재번역 문장들을 제시하여 사용자 단말(10)의 사용자로 하여금 기호에 따라 자신의 원하는 번역 문장을 결정할 수 있도록 할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 입력 문장 및 제 1 재번역 문장에 기초하여 학습 데이터에 대한 증강을 수행할 수 있다. 구체적으로, 프로세서(130)는 입력 문장과 제 1 재번역 문장을 매칭하여 라벨링함으로써, 추가 학습 데이터를 생성할 수 있다. 또한, 프로세서(130)는 추가 학습 데이터를 통해 최적 번역 모델에 대한 추가 학습을 수행하여 최적 번역 모델을 업데이트할 수 있다. 이 경우, 최적 번역 모델은, 사용자 단말(10)의 가입 요청 정보에 기반하여 결정된 번역 모델로, 사용자가 번역을 수행하고자 하는 입력 문장에 관련한 분야에서 보다 적합한 번역 문장을 출력하는 번역 모델일 수 있다. 또한, 업데이트된 최적 번역 모델은 사용자 단말(10)의 번역 요청에 관련한 입력 문장을 입력으로 하여 해당 입력 문장에 대응하여 전문 번역가에 의해 생성된 제 1 재번역 문장을 출력하도록 추가 학습된 최적 번역 모델일 수 있다.

즉, 프로세서(130)는 복수의 사용자 단말들로부터 수신되는 다양한 입력 문장들 각각과 이에 대응하는 번역가 단말(20)들의 다양한 번역 문장을 통해 학습 데이터를 증강하고, 증강된 학습 데이터를 통해 번역 모델을 업데이트할 수 있다. 이에 따라, 프로세서(130)의 전술한 단계들에 의해 시간이 지남에 따라 번역 모델의 고도화가 가능해질 수 있다. 이는, 번역 모델의 출력과 관련한 번역 문장의 신뢰도 및 정확성의 향상시키는 효과를 야기시킬 수 있다. 또한, 각 사용자 단말에 대응하는 번역 모델이 제공되고, 해당 번역 모델이 각각이 사용자 단말(10)의 입력 문장 각각에 관련하여 계속해서 업데이트됨에 따라 개별 사용자 각각에게 보다 적합한 번역 모델로 최적화될 수 있다.

도 4는 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 방법의 예시적인 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 가입 요청 정보를 컴퓨팅 장치로 전송할 수 있다(301). 가입 요청 정보는, 사용자 언어 식별 정보 및 사용자 도메인 식별 정보 중 적어도 하나를 포함할 수 있다. 사용자 언어 식별 정보는, 사용자 단말(10)의 사용자가 번역을 원하는 시작 언어 및 번역 결과에 대응하는 도착 언어에 대한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10)에 대응하는 최적 번역 모델을 결정할 수 있다(303). 구체적으로, 컴퓨팅 장치(100)는 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 수신된 가입 요청 정보에 기초하여 하나 이상의 번역 모델 중 해당 사용자 단말(10)에 대응하는 최적 번역 모델을 결정할 수 있다. 최적 번역 모델은 사용자 단말(10)에 관련한 분야에서 보다 적합한 번역 정보를 출력하기 위한 번역 모델일 수 있다. 하나 이상의 번역 모델은 하나 이상의 도메인 각각에 대응하는 전문 번역을 수행하는 번역 모델 각각을 의미할 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 번역 요청 정보를 컴퓨팅 장치(100)로 전송할 수 있다(305). 이 경우, 번역 요청 정보는 사용자가 번역을 수행하고자 하는 시작 언어로 구성된 입력 문장을 포함할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 최적 번역 모델을 활용하여 번역 요청 정보에 대응하는 번역 문장을 생성하고, 생성된 번역 문장을 사용자 단말(10)로 전송할 수 있다(307). 이 경우, 최적 번역 모델은, 사용자 단말(10)에 대응하는 사용자 언어 식별 정보 및 사용자 도메인 식별 정보에 기초하여 결정된 것으로, 해당 사용자 단말(10)로부터 수신한 입력 문장에 대응하여 보다 적합한 번역 문장을 생성하는 번역 모델일 수 있다. 구체적으로, 컴퓨팅 장치(100)는 수신된 번역 요청 정보에서 입력 문장을 식별하고, 식별된 입력 문장을 최적 번역 모델의 입력으로 처리하여 입력 문장에 대응하는 번역 문장을 생성할 수 있다.

본 개시의 일 실시예에 따르면, 번역가 단말(20)은 컴퓨팅 장치(100)로 번역 참여 정보를 전송할 수 있다(309). 번역 참여 정보는, 번역가 단말들이 번역에 참여하고자 하는 시점에 관련하여 생성될 수 있으며, 복수의 번역가 단말 각각을 식별하기 위한 정보일 수 있다. 또한, 번역 참여 정보는 번역가 언어 식별 정보 및 번역가 도메인 식별 정보를 포함할 수 있다. 번역가 언어 식별 정보는, 각 번역가 단말의 사용자가 활용할 수 있는 언어(즉, 번역을 수행할 수 있는 언어)를 식별하기 위한 정보일 수 있다. 번역가 도메인 식별 정보는, 각 번역가 단말의 전문적으로 번역을 수행할 수 있는 하나 이상의 분야에 관련한 정보일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 번역가 데이터베이스를 구축할 수 있다(311). 컴퓨팅 장치(100)는 복수의 번역가 단말 각각으로부터 번역 참여 정보가 수신되는 경우, 해당 번역 참여 정보에 기초하여 번역가 데이터베이스를 구축할 수 있다. 이러한 번역가 데이터베이스는, 사용자 단말(10)이 특정 입력 문장에 대응하는 번역 요청 정보를 컴퓨팅 장치(100)로 전송하는 경우, 컴퓨팅 장치(100)에 의해 참조될 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)로 재번역 요청 정보를 전송할 수 있다(313). 재번역 요청 정보는, 번역 문장에 대한 재차 번역 요청에 관한 정보이며, 번역 요청 정보에 기초하여 생성되는 정보일 수 있다. 이에 따라, 재번역 요청 정보는, 번역 요청 정보에 대응하는 입력 문장 및 도메인 식별 정보를 포함할 수 있다. 예컨대, 사용자는 최적 번역 모델을 통해 출력된 번역 문장의 검수 과정에서 해당 번역 문장의 의미, 또는 표현이 적절하지 않은 것으로 판단되는 경우, 재번역 요청 정보가 생성되도록 사용자 단말(10)에 입력을 인가할 수 있다.

구체적으로, 재번역 요청 정보는, 번역하고자 하는 입력 문장과 번역 요청 정보에 포함된 사용자 언어 식별 정보 및 사용자 도메인 식별 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 사용자 단말(10)로부터 재번역 요청 정보가 수신되는 경우, 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 번역가 데이터베이스를 참조하여 재번역 요청 정보에 대응하는 하나 이상의 번역가 단말을 식별할 수 있다. 예컨대, 컴퓨팅 장치(100)는 번역가 데이터베이스에 포함된 복수의 번역가 단말 중 재번역 요청 정보에 포함된 사용자 언어 식별 정보 및 사용자 도메인 식별 정보에 대응하는 하나 이상의 후보 번역가 단말을 결정할 수 있다.

본 개시의 일 실시예에 따르면, 번역가 단말(20)은 하나 이상의 재번역 문장을 컴퓨팅 장치(100)로 전송할 수 있다(315). 컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 사용자 단말로 전송할 것을 결정할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말 각각의 번역 평가 점수에 기초하여 하나 이상의 재번역 문장 중 제 1 재번역 문장을 결정할 수 있다. 제 1 재번역 문장은, 의뢰 번역가 단말들로 수신한 재번역 문장 중 가장 적절한 표현, 또는 구조를 가진 문장을 의미할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 하나 이상의 재번역 문장 중 가장 높은 번역 평가 점수를 가진 의뢰 번역가 단말로부터 수신한 재번역 문장을 제 1 재번역 문장으로 결정할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10)로 제 1 재번역 문장을 전송할 수 있다(317).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 입력 문장 및 제 1 번역 문장을 통해 최적 번역 모델을 업데이트할 수 있다(319). 컴퓨팅 장치(100)는 입력 문장과 제 1 재번역 문장을 매칭하여 라벨링함으로써, 추가 학습 데이터를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 추가 학습 데이터를 통해 최적 번역 모델에 대한 추가 학습을 수행하여 최적 번역 모델을 업데이트할 수 있다. 이 경우, 최적 번역 모델은, 사용자 단말(10)의 가입 요청 정보에 기반하여 결정된 번역 모델로, 사용자가 번역을 수행하고자 하는 입력 문장에 관련한 분야에서 보다 적합한 번역 문장을 출력하는 번역 모델일 수 있다. 또한, 업데이트된 최적 번역 모델은 사용자 단말(10)의 번역 요청에 관련한 입력 문장을 입력으로 하여 해당 입력 문장에 대응하여 전문 번역가에 의해 생성된 제 1 재번역 문장을 출력하도록 추가 학습된 최적 번역 모델일 수 있다.

즉, 컴퓨팅 장치(100)는 복수의 사용자 단말들로부터 수신되는 다양한 입력 문장들 각각과 이에 대응하는 번역가 단말(20)들의 다양한 번역 문장을 통해 학습 데이터를 증강하고, 증강된 학습 데이터를 통해 번역 모델을 업데이트할 수 있다.

도 5는 본 개시의 일 실시예와 관련된 전문 번역 서비스 플랫폼을 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성할 수 있다(410).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말로부터 가입 요청 정보가 수신되는 경우, 수신된 가입 요청 정보에 기초하여 하나 이상의 번역 모델 중 사용자 단말에 대응하는 최적 번역 모델을 결정할 수 있다(420).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말로부터 번역 요청 정보가 수신되는 경우, 제 1 번역 모델을 활용하여 수신된 입력 문장에 대응하는 번역 문장을 생성할 수 있다(430).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말로부터 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정할 수 있다(440).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말로 재번역 요청 정보를 전송할 것을 결정할 수 있다(450).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 사용자 단말로 결정할 수 있다(460).

전술한 도 5에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기초하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (5)

1. 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하는 단계;
   사용자 단말로부터 가입 요청 정보가 수신되는 경우, 상기 수신된 가입 요청 정보에 기초하여 상기 하나 이상의 번역 모델 중 상기 사용자 단말에 대응하는 최적 번역 모델을 결정하는 단계;
   상기 사용자 단말로부터 입력 문장을 포함하는 번역 요청 정보가 수신되는 경우, 상기 최적 번역 모델을 활용하여 상기 수신된 입력 문장에 대응하는 번역 문장을 생성하는 단계;
   상기 사용자 단말로부터 상기 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하는 단계;
   상기 번역 문장에 대한 역번역을 수행하여 제 1 입력 문장을 생성하고, 상기 생성된 제 1 입력 문장과 상기 입력 문장 간의 비교에 기초하여 상기 번역 문장의 번역 신뢰도를 산출하는 단계;
   상기 번역 신뢰도를 상기 사용자 단말로 전송할 것을 결정하는 단계;
   상기 번역 신뢰도에 기초하여 상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할지 여부를 결정하는 단계;
   상기 하나 이상의 의뢰 번역가 단말로 상기 재번역 요청 정보를 전송할 것을 결정하는 단계; 및
   상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계;
   를 포함하고,
   상기 하나 이상의 의뢰 번역가 단말로부터 하나 이상의 재번역 문장이 수신되는 경우, 상기 수신된 하나 이상의 재번역 문장 중 제 1 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계는,
   상기 하나 이상의 의뢰 번역가 단말 각각의 평가 점수 정보에 기초하여 상기 하나 이상의 재번역 문장 중 상기 제 1 재번역 문장을 결정하는 단계;
   를 포함하며,
   상기 가입 요청 정보는,
   상기 사용자 단말에 대응하는 사용자와 관련한 이전 시점에 수행된 번역 작업에 관련한 정보들을 포함하는 맞춤 학습 데이터 세트를 포함하며,
   상기 최적 번역 모델을 결정하는 단계는,
   상기 가입 요청 정보에 상기 맞춤 학습 데이터 세트가 포함되어 있는지 여부를 식별하는 단계; 및
   상기 식별 결과에 기초하여 상기 맞춤 학습 데이터 세트를 통한 하나 이상의 네트워크 함수에 대한 학습을 수행하여 상기 최적 번역 모델을 생성하는 단계;
   를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법.
   
2. 제 1 항에 있어서,
   상기 사용자 단말로부터 상기 번역 문장에 관련한 재번역 요청 정보가 수신되는 경우, 상기 수신된 재번역 요청 정보에 기초하여 재번역을 의뢰할 하나 이상의 의뢰 번역가 단말을 결정하는 단계는,
   상기 하나 이상의 의뢰 번역가 단말 중 미리 정해진 평가 점수 이상의 후보 번역가 단말을 식별하여 번역가 단말 리스트 정보를 생성하는 단계; 및
   상기 번역가 단말 리스트 정보를 상기 사용자 단말로 전송하고, 상기 번역가 단말 리스트에 대한 상기 사용자 단말의 응답에 기초하여 상기 하나 이상의 의뢰 번역가 단말을 결정하는 단계;
   를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법.
   
3. 제 1 항에 있어서,
   상기 하나 이상의 도메인에 대응하여 하나 이상의 번역 모델을 생성하는 단계는,
   복수의 학습 데이터를 포함하는 학습 데이터 세트를 획득하는 단계;
   상기 복수의 학습 데이터를 하나 이상의 도메인을 기준으로 분류하여 하나 이상의 학습 데이터 서브 세트를 구축하는 단계; 및
   상기 하나 이상의 학습 데이터 서브 세트 각각을 통해 하나 이상의 신경망 모델 각각에 대한 학습을 수행하여 상기 하나 이상의 번역 모델을 생성하는 단계;
   를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법.
   
4. 제 3 항에 있어서,
   상기 복수의 학습 데이터를 하나 이상의 도메인을 기준으로 분류하여 하나 이상의 학습 데이터 서브 세트를 구축하는 단계는,
   상기 복수의 학습 데이터 각각의 의미 분석 결과, 상기 복수의 학습 데이터 각각의 의미 분석 결과에 포함된 단어 별 반복 횟수 및 미리 정해진 주제 중 적어도 하나에 기초하여 상기 복수의 학습 데이터 각각의 도메인을 식별하는 단계; 및
   상기 복수의 학습 데이터 각각의 도메인에 기초하여 상기 하나 이상의 학습 데이터 서브 세트를 구축하는 단계;
   를 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법.
   
5. 제 1 항에 있어서,
   상기 수신된 하나 이상의 재번역 문장을 상기 사용자 단말로 전송할 것을 결정하는 단계;
   상기 사용자 단말로부터 상기 하나 이상의 재번역 문장 중 적어도 하나의 재번역 문장에 대한 선택 정보를 수신하는 단계; 및
   상기 수신한 선택 정보에 기초하여 상기 하나 이상의 재번역 문장 중 상기 제 1 재번역 문장을 식별하는 단계;
   를 더 포함하는,
   컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는, 전문 번역 서비스 플랫폼을 제공하기 위한 방법.
   

Images