KR102343038B1

KR102343038B1 - 작업자 배치 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Info

Publication number: KR102343038B1
Application number: KR1020210035696A
Authority: KR
Inventors: 김원석
Original assignee: 주식회사 인피닉
Priority date: 2021-03-19
Filing date: 2021-03-19
Publication date: 2021-12-24

Abstract

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터에 대하여 어노테이션(annotation) 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치하는 방법을 제안한다. 상기 방법은 학습 데이터 설계 장치가 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀(pool)을 대상으로, 상기 풀에 포함된 각각의 작업자에 대한 서열(rank)을 부여하는 단계; 및 상기 학습 데이터 설계 장치가 상기 각각의 작업자에 대하여 부여된 서열을 기초로, 상기 풀에 포함된 각각의 작업자에게 사전에 설정된 역할(role) 중 어느 하나를 지정하는 단계를 포함할 수 있다.

Description

작업자 배치 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램{Method for disposing workers, and computer program recorded on record-medium for executing method therefor}

본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터 설계에 관한 것이다. 보다 상세하게는, 인공지능(AI) 학습용 데이터에 대하여 어노테이션 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치하는 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램에 관한 것이다.

인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.

일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장, 및 데이터의 검증 단계로 진행된다.

각각의 단계에서 대하여 보다 구체적으로 설명하면, 데이터 구조의 설계는 온톨로지(ontology) 정의, 분류 체계의 정의 등을 통해 이루어진다. 데이터의 수집은 직접 촬영, 웹 크롤링(web crawling) 또는 협회/전문 단체 등을 통해 데이터를 수집하여 이루어진다. 데이터 정제는 수집된 데이터 내에서 중복 데이터를 제거하고, 개인 정보 등을 비식별화하여 이루어진다. 데이터의 가공은 메타데이터(meta data)를 입력하고 어노테이션(annotation)을 수행하여 이루어진다. 데이터의 확장은 온톨로지 매핑(mapping)을 수행하고, 필요에 따라 온톨로지를 보완하거나 확장하여 이루어진다. 그리고, 데이터의 검증은 다양한 검증 도구를 활용하여 설정된 목표 품질에 따른 유효성을 검증하여 이루어진다.

그리고, 데이터 가공 단계의 어노테이션 작업은 이미지 속에 포함된 객체에 대하여 바운딩 박스(bounding box) 처리하고, 바운딩 박스 처리된 객체의 속성 정보를 입력하여 진행된다. 이와 같은 어노테이션 작업은 데이터 라벨링(data labeling)이라 지칭되기도 한다. 그리고, 어노테이션 작업 결과물에 해당되는 데이터셋(dataset)은 JSON(Java Script Object Notation) 파일 형태로 산출된다. 이러한, 어노테이션 작업은 적게는 몇 천개에서 많게는 수 백만개에 이르는 많은 수의 데이터를 대상으로 이루어지므로, 어노테이션 작업을 수행하는 작업자 또한 많은 수의 인원으로 이루어진다.

따라서, 수많은 작업자가 수많은 어노테이션 작업을 수행해야하는 프로젝트의 전체 작업 비용을 산출하는 것은 어려운 작업이다. 종래에는 어노테이션 작업에 관한 프로젝트의 전체 작업 비용은 단순히 작업 대상이 되는 데이터의 개수, 또는 담당자의 직관에 따라 예측된 작업의 난이도에 의존하여 산출되고 있다. 그러나, 작업 대상이 되는 데이터의 개수가 동일하더라도 각각의 작업 대상마다 작업의 난이도는 천차만별일 수 있으며, 담당자에 의해 예측된 작업의 난이도가 언제나 올바를 것이라는 보장이 없다.

한편, 수많은 작업자 각각에 대하여 수많은 어노테이션 작업을 할당하는 것 또한 쉬운 일이 아니다. 각각의 작업자들마다 작업 수행 능력, 에러율 등이 상이하므로, 단순하게 수많은 어노테이션 작업을 작업자의 수에 따라 분할하고, 분할된 어노테이션 작업을 각각의 작업자에게 할당하는 방식은 비효율적일 수밖에 없다.

대한민국 공개특허공보 제10-2020-0042629호, ‘인공지능 학습을 위한 모바일 기기의 터치 기반 어노테이션과 이미지 생성 방법 및 그 장치’, (2020.04.24. 공개

본 발명의 일 목적은 인공지능(AI) 학습용 데이터에 대하여 어노테이션 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치하는 방법을 제공하는 것이다.

본 발명의 다른 목적은 작업자들을 효율적으로 배치하는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 인공지능(Artificial Intelligence, AI) 학습용 데이터에 대하여 어노테이션(annotation) 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치하는 방법을 제안한다. 상기 방법은 학습 데이터 설계 장치가 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀(pool)을 대상으로, 상기 풀에 포함된 각각의 작업자에 대한 서열(rank)을 부여하는 단계; 및 상기 학습 데이터 설계 장치가 상기 각각의 작업자에 대하여 부여된 서열을 기초로, 상기 풀에 포함된 각각의 작업자에게 사전에 설정된 역할(role) 중 어느 하나를 지정하는 단계를 포함할 수 있다. 이 경우, 상기 역할은 상기 인공지능(AI) 학습을 위한 데이터 가공 과정 전반에서 상기 작업자가 수행해야 하는 세부 업무를 의미한다.

상기 서열을 부여하는 단계는 작업자가 기존에 수행한 어노테이션 작업 결과물을 기초로, 상기 풀에 포함된 각각의 작업자에 대한 수행율(performance rate)의 서열과 에러율(error rate)의 서열을 각각 부여할 수 있다. 이 경우, 상기 역할을 지정하는 단계는 상기 수행율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 리뷰어(reviewer)의 역할을 부여하되, 상기 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당되고, 상기 에러율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 인스펙터(inspector)의 역할을 부여하되, 상기 인스펙터는 상기 어노테이션 작업 결과물을 스크립트(script)를 이용하여 검증하는 자에 해당되고, 상기 수행율의 서열 또는 상기 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹에 속하는 작업자에 대하여 트레이니(trainee)의 역할을 부여하되, 상기 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당되고, 상기 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 작업자에 대하여 라벨러(labeler)의 역할을 부여하되, 상기 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당될 수 있다.

상기 수행율은 사전에 설정된 단위 시간동안 작업자가 어노테이션 작업을 수행한 이미지의 개수를 기준으로 산출될 수 있다. 정밀도를 향상시키기 위하여, 상기 수행율은 상기 작업자가 수행한 상기 어노테이션 작업에 의하여 상기 이미지로부터 특정된 객체(object)의 클래스(class)에 대한 유형 및 개수와, 상기 객체를 특정하기 위해 사용된 툴(tool)에 대한 유형 및 개수를 추가적으로 고려할 수 있다. 이 경우, 상기 수행율은 상기 클래스에 대한 유형 및 상기 툴에 대한 유형에 대하여 사전에 설정된 가중치를 적용한 이후에 산출될 수도 있다.

상기 에러율은 상기 작업자가 기존에 수행한 어노테이션 작업 결과물에 대하여 스크립트(script)를 이용한 검증을 수행하여 검출된 에러의 개수를 기준으로 산출될 수 있다. 이 경우, 상기 스크립트는 상기 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 및 데이터의 유효성 여부를 검증하기 위하여 구비된 코드가 될 수 있다.

이와 다르게, 상기 에러율은 상기 작업자가 기존에 어노테이션 작업을 수행하는 과정에서 가이드 정보를 무시하고 작업을 진행한 횟수를 기준으로 산출될 수 있다. 이 경우, 상기 가이드 정보는 어노테이션 작업의 각 과정에서 작업자가 참고할 수 있도록 인공지능(AI) 학습의 목표 및 학습 방법론에 대응하여 사전에 설정된 정보로, 상기 어노테이션 작업의 각 과정에 대응하여 사전에 설정된 사용자 인터페이스(User Interface, UI)를 통해 출력될 수 있다.

한편, 상기 서열을 부여하는 단계는 상기 풀에 포함된 각각의 작업자에 대한 숙련도(skill level)의 서열을 더 부여할 수 있다. 그리고, 상기 역할을 지정하는 단계는 상기 숙련도의 서열을 추가적으로 고려하여 상기 작업자에게 상기 역할을 지정할 수 있다. 이 경우, 상기 숙련도는 상기 작업자가 수행 예정인 어노테이션 작업과 관련된 프로젝트와, 유사성을 가지는 프로젝트와 관련된 작업량을 기준으로 산출될 수 있다. 그리고, 상기 유사성은 프로젝트별로 사전에 설정된 인공지능(AI)의 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지로부터 식별하고자 하는 객체의 속성 및 바운딩 박스(bounding box)의 설정 규칙을 기준으로 판단될 수 있다.

나아가, 상기 역할을 지정하는 단계는 상기 작업자에 대한 수행율의 서열 또는 에러열의 서열을 상기 작업자가 기존에 수행한 어노테이션 작업과 관련된 프로젝트별로 분류하고, 상기 프로젝트별로 분류된 수행율의 서열 또는 에러율의 서열 중에서 사전에 설정된 오차 범위를 벗어난 수행율의 서열 또는 에러율을 서열을 가지는 프로젝트를 기준으로 상기 작업자에 대한 전문성을 판단하고, 상기 판단된 전문성을 기준으로 상기 작업자에게 부여된 수행율의 서열 또는 에러율의 서열을 재조정할 수 있다.

상술한 바와 같은 기술적 과제를 달성하기 위하여, 본 발명은 작업자들을 효율적으로 배치하는 방법을 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램을 제안한다. 상기 컴퓨터 프로그램은 메모리(memory); 및 상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합될 수 있다. 그리고, 상기 컴퓨터 프로그램은 상기 프로세서가 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀을 대상으로, 상기 풀에 포함된 각각의 작업자에 대한 서열을 부여하는 단계; 및 상기 프로세서가 상기 각각의 작업자에 대하여 부여된 서열을 기초로, 상기 풀에 포함된 각각의 작업자에게 사전에 설정된 역할 중 어느 하나를 지정하는 단계를 실행시키기 위하여, 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시 예들에 따르면, 수많은 어노테이션 작업을 수행하게 될 수많은 작업자들에 대하여, 고유한 작업 수행 능력 및 에러율 등을 기준으로 평가된 서열(rank)을 기준으로 최적의 역할을 부여함으로써, 작업자의 어노테이션 작업 효율을 극대화시킬 수 있다.

본 발명의 효과들은 이상에서 언급한 효과로 제한되지 아니하며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1 및 도 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 하드웨어 구성도이다.
도 5는 종래의 프로젝트의 전체 작업 비용을 예측하는 방식을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따라 프로젝트의 전체 작업 비용을 예측하는 방식을 설명하기 위한 예시도이다.
도 7 및 도 8은 본 발명의 몇몇 실시예에 따라 작업자의 역할을 지정하는 과정을 설명하기 위한 예시도이다.
도 9는 본 발명의 일 실시예에 따른 인공지능 학습용 데이터 설계 방법을 설명하기 위한 순서도이다.
도 10은 본 발명의 일 실시예에 따른 작업 비용 예측 방법을 설명하기 위한 순서도이다.
도 11은 본 발명의 일 실시예에 따른 데이터 가공 방법을 설명하기 위한 순서도이다.

본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다. 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.

한편, 상술한 바와 같이, 수많은 작업자가 수많은 어노테이션 작업을 수행해야하는 프로젝트의 전체 작업 비용을 산출하는 것은 어려운 작업이다. 종래에는 어노테이션 작업에 관한 프로젝트의 전체 작업 비용은 단순히 작업 대상이 되는 데이터의 개수, 또는 담당자의 직관에 따라 예측된 작업의 난이도에 의존하여 산출되고 있다. 그러나, 작업 대상이 되는 데이터의 개수가 동일하더라도 각각의 작업 대상마다 작업의 난이도는 천차만별일 수 있으며, 담당자에 의해 예측된 작업의 난이도가 언제나 올바를 것이라는 보장이 없다.

이러한 한계를 극복하기 위하여, 본 발명은 인공지능(AI) 학습용 데이터에 관한 프로젝트의 전체 작업 비용을 합리적으로 예측하며, 어노테이션 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치할 수 있는 수단들을 제안하고자 한다.

도 1 및 도 2는 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 학습 시스템은 하나 이상의 어노테이션 장치(100-1, 100-2, 100-3, …, 100-n; 100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)를 포함하여 구성될 수 있다.

또한, 도 2에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공지능 학습 시스템은 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)가 공개된 네트워크(public network)를 통해 서로 연결될 수도 있다. 이 경우, 어노테이션 장치(100)의 일부는 클라우딩 서비스(clouding service)에 의해 어노테이션을 수행하는 장치가 될 수도 있다.

이와 같은, 다양한 실시예에 따른 인공지능 학습 시스템의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

각각의 구성 요소에 대하여 설명하면, 어노테이션 장치(100)는 학습 데이터 설계 장치(200)로부터 제공된 이미지에 대하여 어노테이션을 수행하는데 사용될 수 있는 장치이다.

이와 같은, 어노테이션 장치(100)의 사용자는 라벨러(labeler), 리뷰어(reviewer), 인스펙터(inspector) 및 트레이니(trainee)로 구분될 수 있다.

여기서, 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당된다. 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당된다. 인스펙터는 상기 어노테이션 작업 결과물을 스크립트(script)를 이용하여 검증하는 자에 해당된다. 그리고, 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당된다.

구체적으로, 어노테이션 장치(100)는 라벨러에 해당되는 사용자의 제어에 따라 다음과 같이 어노테이션 작업을 수행할 수 있다.

어노테이션 장치(100)는 학습 데이터 설계 장치(200)로부터 하나 이상의 이미지를 수신할 수 있다. 여기서, 이미지는 인공지능(AI) 학습을 위한 어노테이션 작업의 대상이 되는 이미지이다.

어노테이션 장치(100)는 사용자의 제어에 따라, 학습 데이터 설계 장치(200)로부터 수신된 이미지를 출력할 수 있다.

어노테이션 장치(100)는 사용자의 제어에 따라, 툴을 선택할 수 있다. 여기서, 툴(tool)은 이미지 속에 포함되어 있는 하나 이상의 객체를 특정하는 바운딩 박스를 설정하기 위한 도구이다. 어노테이션 장치(100)는 선택된 툴을 이용한 사용자의 제어에 따라, 좌표를 입력 받을 수 있다. 어노테이션 장치(100)는 입력된 좌표를 기초로 바운딩 박스를 설정할 수 있다. 여기서, 바운딩 박스(bounding box)는 이미지 속에 포함된 객체들 중에서 인공지능(AI) 학습의 대상이 되는 객체를 특정하기 위한 영역이다. 이와 같은, 바운딩 박스는 사각형(rectangle) 또는 다각형(polygon) 형상을 가질 수 있으며, 이에 한정되는 것은 아니다.

어노테이션 장치(100)는 사용자의 제어에 따라, 바운딩 박스에 의해 특정된 객체의 속성 정보를 설정할 수 있다. 여기서, 객체의 속성 정보는 인공지능(AI) 학습의 대상이 되는 객체의 속성을 지정하기 위한 정보이다. 이와 같은, 객체의 속성 정보에는 어노테이션의 종류(type), 클래스 명(class), 분류 항목(tags), 객체의 잘림 여부(truncated), 대분류, 소분류 또는 상위 레벨(instance upper)에 관한 정보가 포함될 수 있으며, 이에 한정되는 것은 아니다.

어노테이션 장치(100)는 사용자에 의해 설정된 바운딩 박스의 위치 및 크기에 따른 좌표와, 설정된 속성 정보를 포함하여 어노테이션의 작업 결과물을 생성할 수 있다. 이와 같은, 작업 결과물은 JSON(Java Script Object Notation) 파일 형식을 가질 수 있으나, 이에 한정되는 것은 아니다.

그리고, 어노테이션 장치(100)는 생성된 어노테이션 작업 결과물을 학습 데이터 설계 장치(200)에 전송할 수 있다.

한편, 어노테이션 장치(100)는 리뷰어에 해당되는 사용자의 제어에 따라, 다음과 같이 어노테이션 작업 결과물을 검증할 수 있다.

어노테이션 장치(100)는 라벨러에 의해 제어되는 다른 어노테이션 장치(100)에 의해 생성된 어노테이션 작업 결과물을 수신할 수 있다. 어노테이션 장치(100)는 수신된 어노테이션 작업 결과물 및 해당 어노테이션 작업의 대상이 된 이미지를 출력한 이후, 사용자로부터 검증 결과를 입력 받을 수 있다. 그리고, 어노테이션 장치(100)는 입력된 검증 결과를 학습 데이터 설계 장치(200)에 전송할 수 있다.

한편, 어노테이션 장치(100)는 인스펙터에 해당되는 사용자의 제어에 따라, 다음과 같이 어노테이션 작업 결과물을 검증할 수 있다.

어노테이션 장치(100)는 라벨러에 의해 제어되는 다른 어노테이션 장치(100)에 의해 생성된 어노테이션 작업 결과물을 수신할 수 있다. 어노테이션 장치(100)는 사용자의 제어에 따라 스크립트를 생성할 수 있다. 여기서, 스크립트는 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 및 데이터의 유효성 여부를 검증하기 위하여 구비된 코드가 될 수 있다. 어노테이션 장치(100)는 생성된 스크립트를 이용하여 어노테이션 작업 결과물의 검증을 수행하여, 검증 결과를 생성할 수 있다. 그리고, 어노테이션 장치(100)는 생성된 검증 결과를 학습 데이터 설계 장치(200)에 전송할 수 있다.

한편, 어노테이션 장치(100)는 트레이니에 해당되는 사용자의 제어에 따라, 다음과 같이 어노테이션 작업 교육을 수행할 수 있다.

어노테이션 장치(100)는 학습 데이터 설계 장치(200)로부터 교육 및 테스트를 수행하기 위한 데이터를 수신할 수 있다. 어노테이션 장치(100)는 수신된 교육을 수행하기 위한 데이터를 출력할 수 있다. 어노테이션 장치(100)는 수신된 테스트를 수행하기 위한 데이터를 기반으로, 사용자의 학습 정도를 테스트하여, 테스트 결과를 생성할 수 있다. 그리고, 어노테이션 장치(100)는 생성된 테스트 결과를 학습 데이터 설계 장치(200)에 전송할 수 있다.

이와 같은, 어노테이션 장치(100)는 학습 데이터 설계 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다.

예를 들어, 어노테이션 장치(100)는 데스크탑(desktop), 워크스테이션(workstation) 또는 서버(server)와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되지 아니하고, 스마트폰(smart phone), 랩탑(laptaop), 태블릿(tablet), 패블릿(phablet), 휴대용 멀티미디어 재생장치(Portable Multimedia Player, PMP), 개인용 휴대 단말기(Personal Digital Assistants, PDA) 또는 전자책 단말기(E-book reader)과 같은 이동식 컴퓨팅 장치 중 어느 하나가 될 수도 있다.

다음 구성으로, 학습 데이터 설계 장치(200)는 인공지능(AI) 학습용 데이터를 설계하는데 사용될 수 있는 장치이다. 이와 같은, 학습 데이터 설계 장치(200)는 기본적으로 인공지능 학습 장치(300)와 구분되는 장치이나, 실제 물리적 환경에서 인공지능 학습 장치(300)에 통합되어 구현될 수도 있다.

특히, 본 발명에 따른 학습 데이터 설계 장치(200)는 인공지능 학습 장치(300)와의 관계에서, 인공지능(AI) 학습용 데이터에 관한 프로젝트의 전체 작업 비용을 합리적으로 예측할 수 있다. 또한, 학습 데이터 설계 장치(200)는 어노테이션 장치(100)와의 관계에서, 어노테이션 작업을 수행하기 위한 수많은 작업자들을 효율적으로 배치할 수 있다.

이와 같은, 학습 데이터 설계 장치(200)는 어노테이션 장치(100) 및 인공지능 학습 장치(300)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 학습 데이터 설계 장치(200)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

상술한 바와 같은, 학습 데이터 설계 장치(200)에 대한 구체적인 구성 및 동작에 대해서는 추후 도 3 내지 도 11을 참조하여 설명하기로 한다.

다음 구성으로, 인공지능 학습 장치(300)는 인공지능(AI) 학습용 데이터를 기초로, 인공지능(AI)의 기계 학습을 수행하는데 사용될 수 있는 장치이다.

구체적으로, 인공지능 학습 장치(300)는 수행 예정인 프로젝트와 관련된 둘 이상의 샘플 데이터를 학습 데이터 설계 장치(200)에 전송할 수 있다. 여기서, 샘플 데이터는 인공지능(AI) 학습을 위하여 수행 예정인 어노테이션 작업과 관련된 샘플이다. 이와 같은, 샘플 데이터는 어노테이션 작업의 대상이 되는 이미지이거나, 또는 어노테이션 작업 결과물이 될 수 있으며, 이에 한정되는 것도 아니다.

인공지능 학습 장치(300)는 학습 데이터 설계 장치(200)로부터 수행 예정인 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 수신할 수 있다. 인공지능 학습 장치(300)는 수신된 전체 작업 비용을 출력할 수 있다.

이러한, 전체 작업 비용은 인공지능 학습 장치(300)의 운영 주체와 학습 데이터 설계 장치(200)의 운영 주체 사이에 프로젝트 수행과 관련된 계약을 체결하는데 활용될 수 있다.

인공지능 학습 장치(300)의 운영 주체와 학습 데이터 설계 장치(200)의 운영 주체 사이에 프로젝트 수행과 관련된 계약이 체결된 이후, 인공지능 학습 장치(300)는 학습 데이터 설계 장치(200)로부터 패키징된 어노테이션 작업 결과물을 수신할 수 있다. 그리고, 인공지능 학습 장치(300)는 수신된 어노테이션 작업 결과물을 기반으로, 인공지능(AI)의 기계 학습을 수행할 수 있다.

이와 같은, 인공지능 학습 장치(300)는 학습 데이터 설계 장치(200)와 데이터를 송수신하고, 송수신된 데이터를 이용하여 연산을 수행할 수 있는 장치라면 어떠한 장치라도 허용될 수 있다. 예를 들어, 인공지능 학습 장치(300)는 데스크탑, 워크스테이션 또는 서버와 같은 고정식 컴퓨팅 장치 중 어느 하나가 될 수 있으나, 이에 한정되는 것은 아니다.

상술한 바와 같은, 하나 이상의 어노테이션 장치(100), 학습 데이터 설계 장치(200) 및 인공지능 학습 장치(300)는 장치들 사이에 직접 연결된 보안회선, 공용 유선 통신망 또는 이동 통신망 중 하나 이상이 조합된 네트워크를 이용하여 데이터를 송수신할 수 있다.

예를 들어, 공용 유선 통신망에는 이더넷(ethernet), 디지털가입자선(x Digital Subscriber Line, xDSL), 광동축 혼합망(Hybrid Fiber Coax, HFC), 광가입자망(Fiber To The Home, FTTH)가 포함될 수 있으나, 이에 한정되는 것도 아니다. 그리고, 이동 통신망에는 코드 분할 다중 접속(Code Division Multiple Access, CDMA), 와이드 밴드 코드 분할 다중 접속(Wideband CDMA, WCDMA), 고속 패킷 접속(High Speed Packet Access, HSPA), 롱텀 에볼루션(Long Term Evolution, LTE), 5세대 이동통신(5th generation mobile telecommunication)가 포함될 수 있으나, 이에 한정되는 것은 아니다.

이하, 상술한 바와 같은, 학습 데이터 설계 장치(200)의 구성에 대하여 보다 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시예에 따른 학습 데이터 설계 장치의 논리적 구성도이다.

도 3에 도시된 바와 같이, 학습 데이터 설계 장치(200)는 통신부(205), 입출력부(210), 저장부(215), 프로젝트 관리부(220), 데이터 설계 및 수집부(225), 데이터 정제부(230), 데이터 가공부(235) 및 데이터 검증 및 납품부(240)를 포함하여 구성될 수 있다.

이와 같은, 학습 데이터 설계 장치(200)의 구성 요소들은 기능적으로 구분되는 요소들을 나타낸 것에 불과하므로, 둘 이상의 구성 요소가 실제 물리적 환경에서는 서로 통합되어 구현되거나, 하나의 구성 요소가 실제 물리적 환경에서는 서로 분리되어 구현될 수 있을 것이다.

예를 들어, 학습 데이터 설계 장치(200)의 데이터 설계 및 수집부(225) 및 데이터 정제부(230)는 인공지능 학습 장치(300)에 속한 구성요소로 구현될 수도 있다.

학습 데이터 설계 장치(200)를 구성하는 각 구성 요소에 대하여 설명하면, 통신부(205)는 어노테이션 장치(100) 및 인공지능 학습 장치(300) 중 하나 이상과 데이터를 송수신할 수 있다.

구체적으로, 통신부(205)는 어노테이션 작업의 대상이 되는 하나 이상의 이미지를 어노테이션 장치(100)에 전송할 수 있다. 통신부(205)는 어노테이션 장치(100)로부터 수신된 어노테이션 작업 결과물을 다른 어노테이션 장치(100)에 전송할 수 있다.

통신부(205)는 어노테이션 장치(100)로부터 어노테이션 작업 결과물을 수신할 수 있다. 통신부(205)는 어노테이션 장치(100)로부터 검증 결과를 수신할 수 있다. 그리고, 통신부(205)는 어노테이션 장치(100)로부터 테스트 결과를 수신할 수 있다.

통신부(205)는 인공지능 학습 장치(300)로부터 둘 이상의 샘플 데이터를 수신할 수 있다. 통신부(205)는 프로젝트 관리부(220)에 의해 예측되거나, 또는 사용자로부터 입력된, 수행 예정인 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 인공지능 학습 장치(300)에 전송할 수 있다.

그리고, 통신부(205)는 데이터 검증 및 납품부(240)의 제어에 따라, 패키징된 어노테이션 작업 결과물을 인공지능 학습 장치(300)에 전송할 수 있다.

다음 구성으로, 입출력부(210)는 사용자 인터페이스(User Interface, UI)를 통해 사용자로부터 신호를 입력 거나, 또는 연산된 결과를 외부로 출력할 수 있다.

구체적으로, 입출력부(210)는 사용자로부터 프로젝트의 속성 정보를 입력 받을 수 있다. 여기서, 프로젝트의 속성 정보에는 인공지능(AI)의 학습과 관련된 프로젝트에 대한 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지에서 식별하고자 하는 객체의 속성, 바운딩 박스 설정 규칙 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

입출력부(210)는 사용자로부터 작업자의 속성 정보를 입력 받을 수 있다. 여기서, 작업자의 속성 정보에는 작업자의 명칭, 식별번호, 할당된 작업량, 작업에 따른 비용, 작업 결과 평가 등이 포함될 수 있으나, 이에 한정되는 것은 아니다.

입출력부(210)는 사용자로부터 샘플 데이터를 입력 받을 수 있다. 또한, 입출력부(210)는 사용자로부터 분해 구성요소별 단위 비용, 가중치 및 가이드 정보를 입력 받을 수 있다. 여기서, 분해 구성요소는 어노테이션 작업 결과물을 구성하고 있는 요소들 중에서, 프로젝트의 전체 작업 비용을 예측하기 위해 사용되는 요소이다. 예를 들어, 분해 구성요소에는 클래스(class)와 툴(tool)이 포함될 수 있으나, 이에 한정되는 것은 아니다.

그리고, 가이드 정보는 어노테이션 작업의 각 과정에서 작업자가 참고할 수 있도록 인공지능(AI) 학습의 목표 및 학습 방법론에 대응하여 사전에 설정된 정보가 될 수 있다. 이 경우, 어노테이션 작업 과정은 어노테이션 작업의 대상이 되는 이미지의 로딩 과정, 작업자에 의한 툴의 선택 과정, 툴을 이용한 좌표의 입력 과정, 좌표에 의한 바운딩 박스의 설정 과정, 바운딩 박스에 의해 특정된 객체의 속성 정보 입력 과정을 포함하여 구분될 수 있다.

입출력부(210)는 프로젝트 관리부(220)에 의해 예측된, 수행 예정인 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 출력할 수 있다. 입출력부(210)는 사용자로부터 수정된 전체 작업 비용을 입력 받을 수 있다.

입출력부(210)는 데이터 가공부(235)에 의해 부여된 작업자의 서열(rank)에 관한 정보를 출력할 수 있다. 그리고, 입출력부(210)는 데이터 가공부(235)에 의해 식별된 작업자의 역할을 출력할 수 있다.

다음 구성으로, 저장부(215)는 인공지능(AI) 학습을 위한 데이터 설계하는데 필요한 데이터를 저장할 수 있다.

구체적으로, 저장부(215)는 어노테이션 작업의 대상이 되는 이미지들을 저장할 수 있다. 저장부(215)는 프로젝트의 속성, 이미지의 속성 또는 작업자의 속성을 저장할 수 있다.

저장부(215)는 기존에 수행된 복수 개의 프로젝트에 관한 정보를 저장하고 있는 데이터베이스, 및 어노테이션 작업을 수행할 수 있는 작업자들의 풀(pool)을 저장할 수 있다. 그리고, 저장부(215)는 데이터 가공부(235)에 의해 부여된 작업자의 서열 및 작업자의 역할을 저장할 수 있다.

다음 구성으로, 프로젝트 관리부(220)는 수행된 프로젝트에 관한 정보 및 수행 예정인 프로젝트에 관한 정보를 관리할 수 있다.

특징적으로, 본 발명의 일 실시예에 따른 프로젝트 관리부(220)는 수행 예정인 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 예측할 수 있다.

구체적으로, 프로젝트 관리부(220)는 통신부(205)를 통해 인공지능 학습 장치(300)로부터 둘 이상의 샘플 데이터를 수신하거나, 또는 입출력부(210)를 통해 사용자로부터 둘 이상의 샘플 데이터를 입력 받을 수 있다. 여기서, 샘플 데이터는 인공지능(AI) 학습을 위하여 수행 예정인 어노테이션 작업과 관련된 샘플이다. 이와 같은, 샘플 데이터는 어노테이션 작업의 대상이 되는 이미지이거나, 또는 어노테이션 작업 결과물이 될 수 있으며, 이에 한정되는 것도 아니다.

프로젝트 관리부(220)는 수신 또는 입력된 둘 이상의 샘플 데이터를 대상으로, 각각의 샘플 데이터를 구성하고 있는 하나 이상의 분해 구성요소를 식별할 수 있다. 여기서, 분해 구성요소는 어노테이션 작업 결과물을 구성하고 있는 요소들 중에서, 프로젝트의 전체 작업 비용을 예측하기 위해 사용되는 요소이다. 예를 들어, 분해 구성요소에는 클래스(class)와 툴(tool)이 포함될 수 있으나, 이에 한정되는 것은 아니다.

일 예를 들어, 샘플 데이터가 어노테이션 작업 대상이 되는 이미지에 해당되는 경우, 프로젝트 관리부(220)는 샘플 데이터에 해당되는 이미지를 대상으로, 사용자의 제어에 따라 어노테이션 작업을 수행할 수 있다. 그리고, 프로젝트 관리부(220)는 어노테이션 작업에 의해 이미지로부터 특정된 객체의 클래스와, 객체를 특정하기 위하여 사용된 툴을 샘플 데이터의 분해 구성요소로 식별할 수 있다.

다른 예를 들어, 샘플 데이터가 JSON 파일 형식을 가지는 어노테이션 작업의 결과물에 해당되는 경우, 프로젝트 관리부(220)는 샘플 데이터에 해당되는 어노테이션 작업 결과물에 포함된 정보들 중에서, JSON 파일의 태그(tag)를 기초로 클래스와 툴을 추출할 수 있다. 그리고, 프로젝트 관리부(220)는 추출된 클래스와 툴을 분해 구성요소로 식별할 수 있다.

프로젝트 관리부(220)는 각각의 샘플 데이터로부터 식별된 하나 이상의 분해 구성요소를 기초로, 수행 예정인 프로젝트의 최종 결과물에 포함될 분해 구성요소별 개수를 추정할 수 있다. 예를 들어, 프로젝트 관리부(220)는 샘플 데이터의 개수 및 유형과, 수행 예정인 프로젝트에 포함된 어노테이션 작업 대상(즉, 이미지)의 개수 및 유형을 서로 대비하여, 수행 예정인 프로젝트의 최종 결과물에 포함될 분해 구성요소별 개수를 추정할 수 있다.

프로젝트 관리부(220)는 분해 구성요소 각각에 대응되는 단위 비용을 산출할 수 있다. 이를 위하여, 프로젝트 관리부(220)는 기존에 수행된 프로젝트의 어노테이션 작업과 관련된 기존 데이터를 대상으로, 기존 데이터를 구성하고 있는 하나 이상의 분해 구성요소를 식별할 수 있다. 프로젝트 관리부(220)는 기존 데이터로부터 식별된 분해 구성요소와 샘플 데이터로부터 식별된 분해 구성요소를 서로 대비하며, 기존 데이터로부터 식별된 분해 구성요소의 단위 비용을 샘플 데이터로부터 식별된 분해 구성요소의 단위 비용으로 설정할 수 있다.

이와 같은, 단위 비용 설정의 기초가 되는 기존에 수행된 프로젝트는 저장부(215)의 데이터베이스에 저장된 기존에 수행된 복수 개의 프로젝트 중에서 수행 예정인 어노테이션 작업과 관련된 프로젝트와의 유사성이 가장 높은 프로젝트에 해당될 수 있다. 이를 위한, 프로젝트 사이의 유사성은 프로젝트별로 사전에 설정된 인공지능(AI)의 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지로부터 식별하고자 하는 객체의 속성 및 바운딩 박스의 설정 규칙을 기준으로 판단될 수 있다.

프로젝트 관리부(220)는 산출된 분해 구성요소별 단위 비용을 기초로 전체 작업 비용을 예측할 수 있다. 여기서, 전체 작업 비용은 수행 예정인 어노테이션 작업과 관련된 프로젝트를 수행하기 위하여 요구되는 총 비용을 의미한다.

상세하게, 프로젝트 관리부(220)는 산출된 분해 구성요소별 단위 비용과 추정된 구성요소별 개수를 기초로, 전체 작업 비용을 예측할 수 있다. 이 경우, 프로젝트 관리부(220)는 산출된 단위 비용에 분해 구성요소별로 사전에 설정된 가중치를 적용한 이후, 추정된 분해 구성요소별 개수를 곱하여 전체 작업 비용을 예측할 수도 있다.

이와 같이 전체 작업 비용을 예측한 이후, 프로젝트 관리부(220)는 기존에 수행된 프로젝트를 수행하기 위하여 요구되었던 전체 작업 비용과 비교하여 사전에 설정된 오차 범위 이내인지 여부를 기준으로, 수행 예정인 어노테이션 작업과 관련된 프로젝트에 대하여 예측된 전체 작업 비용을 검증할 수 있다. 이 경우, 기존에 수행된 프로젝트는 데이터베이스에 저장된 기존에 수행된 복수 개의 프로젝트 중에서 수행 예정인 어노테이션 작업과 관련된 프로젝트와 유사성이 가장 높은 프로젝트가 될 수 있다.

그리고, 프로젝트 관리부(220)는 예측된 전체 작업 비용을 입출력부(210)를 통하여 출력할 수 있다. 프로젝트 관리부(220)는 입출력부(210)를 통해 입력된 사용자의 제어에 따라, 전체 작업 비용을 수정할 수도 있다. 그리고, 프로젝트 관리부(220)는 예측 또는 수정된 전체 작업 비용을 통신부(205)를 통해 인공지능 학습 장치(300)에 전송할 수 있다.

다음 구성으로, 데이터 설계 및 수집부(225)는 인공지능 학습 장치(300)의 운영 주체와 프로젝트 수행과 관련된 계약이 체결되면, 해당 프로젝트를 위하여 인공지능(AI) 학습용 데이터를 설계 및 수집할 수 있다.

구체적으로, 데이터 설계 및 수집부(225)는 입출력부(210)를 통해 입력된 프로젝트의 속성 정보 및 사용자의 제어를 기초로, 인공지능(AI) 학습용 데이터에 관한 온톨로지(ontology)의 정의 및 분류 체계의 정의를 결정할 수 있다.

데이터 설계 및 수집부(225)는 결정된 온톨로지의 정의 및 분류 체계의 정의를 기초로, 인공지능(AI) 학습을 위한 로우 데이터(raw data)를 수집할 수 있다.

예를 들어, 데이터 설계 및 수집부(225)는 통신부(205)를 통해 인공지능 학습 장치(300)로부터 로우 데이터를 수신하거나, 입출력부(210)를 통해 사용자로부터 로우 데이터를 입력 받을 수 있다. 데이터 설계 및 수집부(225)는 사전에 설정된 웹 크롤러(web crawler)를 이용하여, 로우 데이터를 웹 크롤링할 수 있다. 또한, 데이터 설계 및 수집부(22256)는 사전에 설정된 협회 또는 전문 단체가 운용하는 FTP(File Transfer Protocol) 서버로부터 로우 데이터를 다운로드 할 수도 있다.

다음 구성으로, 데이터 정제부(230)는 데이터 설계 및 수집부(225)에 의해 수집된 로우 데이터를 정제할 수 있다.

구체적으로, 데이터 정제부(230)는 데이터 설계 및 수집부(225)에 의해 수집된 로우 데이터를 사전에 설정된 카테고리(category)에 따라 분류할 수 있다. 데이터 정제부(230)는 카테고리별로 분류된 로우 데이터를 대상으로, 데이터의 유사도를 평가할 수 있다. 데이터 정제부(230)는 평가된 데이터의 유사도를 기준으로 중복 데이터를 제거할 수 있다.

데이터 정제부(230)는 중복 데이터가 제거된 로우 데이터에 포함된 개인 정보를 비식별화할 수 있다. 여기서, 개인 정보에는 로우 데이터(즉, 이미지)에 포함된 인물의 얼굴, 자동차의 번호판 등이 포함될 수 있으며, 이에 한정되는 것은 아니다. 이를 위하여, 데이터 정제부(230)는 로우 데이터에 포함된 개인 정보에 대하여, 가우시안 필터(Gaussian filter)를 이용하여 블러(blur) 처리할 수 있으나, 데이터 정제부(230)의 비식별화 방법은 이에 한정되지 않는다.

다음 구성으로, 데이터 가공부(235)는 데이터 정제부(230)에 의해 정제된 데이터(즉, 어노테이션 작업 대상이 되는 이미지)를 가공할 수 있다.

특징적으로, 본 발명의 일 실시예에 따른 데이터 가공부(235)는 데이터 가공 작업을 수행하기에 앞서, 어노테이션 장치(100)를 이용하여 어노테이션 작업을 수행할 수많은 작업자들을 효율적으로 배치할 수 있다.

우선, 데이터 가공부(235)는 인공지능(AI) 학습을 위하여 저장부(215)에 저장된 작업자들의 풀을 대상으로, 풀에 포함된 각각의 작업자에 대한 서열(rank)을 부여할 수 있다.

구체적으로, 데이터 가공부(235)는 작업자가 기존에 수행한 어노테이션 작업 결과물을 기초로, 풀에 포함된 각각의 작업자에 대한 수행율(performance rate)의 서열과, 에러율(error rate)의 서열을 각각 부여할 수 있다.

이 경우, 수행율은 사전에 설정된 단위 시간동안 작업자가 어노테이션 작업을 수행한 이미지의 개수를 기준으로 산출될 수 있다.

보다 정밀도를 향상시키기 위하여, 수행율은 작업자가 수행한 어노테이션 작업에 의하여 이미지로부터 특정된 객체의 클래스에 대한 유형 및 개수와, 객체를 특정하기 위하여 사용된 툴에 대한 유형 및 개수를 추가적으로 고려하여 산출될 수 있다. 이 경우, 수행율은 클래스에 대한 유형 및 툴에 대한 유형에 대하여 사전에 설정된 가중치를 적용한 이후에 산출될 수도 있다.

한편, 에러율은 작업자가 기존에 수행한 어노테이션 작업 결과물에 대하여 스크립트를 이용한 검증을 수행하여 검출된 에러의 개수를 기준으로 산출될 수 있다. 이 경우, 스크립트는 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 및 데이터의 유효성 여부를 검증하기 위하여 구비된 코드가 될 수 있다.

이와 다르게, 에러율은 작업자가 기존에 어노테이션 작업을 수행하는 과정에서 가이드 정보를 무시하고 작업을 진행한 횟수를 기준으로 산출될 수도 있다. 이 경우, 가이드 정보는 어노테이션 작업의 각 과정에서 작업자가 참고할 수 있도록 인공지능(AI) 학습의 목표 및 학습 방법론에 대응하여 사전에 설정된 정보로, 상기 어노테이션 작업의 각 과정에 대응하여 입출력부(210)의 사용자 인터페이스(UI)를 통해 출력되는 정보가 될 수 있다.

한편, 작업자에게 서열이 부여된 이후, 데이터 가공부(235)는 작업자에 대한 수행율의 서열 또는 에러율의 서열을 작업자가 기존에 수행한 어노테이션 작업과 관련된 프로젝트별로 분류할 수 있다. 데이터 가공부(235)는 프로젝트별로 분류된 수행율의 서열 또는 에러율의 서열 중에서 사전에 설정된 오차 범위를 벗어는 수행율의 서열 또는 에러율의 서열을 가지는 프로젝트를 식별할 수 있다. 데이터 가공부(235)는 오차 범위를 벗어난 프로젝트의 속성을 기준으로, 작업자에 대한 전문성을 판단할 수 있다. 그리고, 데이터 가공부(235)는 작업자에 대하여 판단된 전문성을 기준으로, 작업자에게 부여된 수행율의 서열 또는 에러율의 서열을 재조정할 수도 있다.

상술한 바와 같이 각각의 작업자에 대하여 서열이 부여된 이후, 데이터 가공부(235)는 각각의 작업자에 대하여 부여된 서열을 기초로, 저장부(215)의 작업자들의 풀에 포함된 각각의 작업자에게 사전에 설정된 역할(role)을 지정할 수 있다. 여기서, 역할은 인공지능(AI) 학습을 위한 데이터 가공 과정 전반에서 작업자가 수행해야 하는 세부 업무를 의미한다.

구체적으로, 데이터 가공부(235)는 작업자에 대한 수행율의 서열을 기준으로, 사전에 설정된 상위그룹에 속하는 작업자에 대하여, 리뷰어의 역할을 부여할 수 있다. 여기서, 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당된다.

데이터 가공부(235)는 작업자들에 대한 에러율의 서열을 기준으로, 사전에 설정된 상위그룹에 속하는 작업자에 대하여, 인스펙터의 역할을 부여할 수 있다. 여기서, 인스펙터는 상기 어노테이션 작업 결과물을 스크립트를 이용하여 검증하는 자에 해당된다.

이 경우, 상위그룹은 부여된 수행율 또는 에러율의 서열이 사전에 설정된 상위 등수 이하에 해당되는 작업자들의 그룹을 의미한다. 이와 같은, 상위그룹에 속하는 작업자들은 추가 보수(pay)를 지급받을 수 있으므로, 인센티브 그룹(incentive group)이라 지칭될 수도 있다.

데이터 가공부(235)는 수행율의 서열 또는 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹에 속하는 작업자에 대하여 트레이니의 역할을 부여할 수 있다. 여기서, 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당된다.

이 경우, 하위그룹은 부여된 수행율 또는 에러율의 서열이 사전에 설정된 하위 등수 이상에 해당되는 작업자들의 그룹을 의미한다. 이와 같은, 하위그룹에 속하는 작업자들은 통상적인 어노테이션 작업을 수행하지 못하고, 추가적인 교육 및 테스트를 수행하여야 하므로, 페널티 그룹(penalty group)이라 지칭될 수도 있다.

그리고, 데이터 가공부(235)는 작업자들의 풀에 포함된 작업자들 중에서 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 나머지 작업자에 대하여 라벨러의 역할을 부여할 수 있다. 여기서, 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당된다.

한편, 데이터 가공부(235)는 작업자들의 풀에 포함된 각각의 작업자에 대한 숙련도의 서열을 더 부여할 수 있다. 여기서, 숙련도는 작업자가 수행 예정인 어노테이션 작업과 관련된 프로젝트와 유사성을 가지는 프로젝트와 관련된 작업량을 기준으로 산출될 수 있다. 이를 위한, 프로젝트 사이의 유사성은 프로젝트별로 사전에 설정된 인공지능(AI)의 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지로부터 식별하고자 하는 객체의 속성 및 바운딩 박스의 설정 규칙을 기준으로 판단될 수 있다. 그리고, 데이터 가공부(235)는 작업자에게 부여된 숙련도의 서열을 추가적으로 고려하여 작업자에게 역할을 지정할 수도 있다.

상술한 바와 같이 각각의 작업자에 대하여 역할이 지정된 이후, 데이터 가공부(235)는 각각의 작업자에 대하여 지정된 역할에 대응하여, 어노테이션 장치(100)들에 대하여 하나 이상의 어노테이션 작업 대상물(즉, 이미지)을 분배할 수 있다.

그리고, 데이터 가공부(235)는 어노테이션 장치(100)들로부터 어노테이션 작업 결과물을 수신할 수 있다.

다음 구성으로, 데이터 검증 및 납품부(240)는 어노테이션 작업 결과물의 검증한 후, 인공지능 학습 장치(300)에 납품할 수 있다.

구체적으로, 데이터 검증 및 납품부(240)는 데이터 가공부(235)에 의해 리뷰어 또는 인스펙터의 역할이 지정된 작업자들의 어노테이션 장치(100)에 대하여, 어노테이션 작업 결과물을 전송할 수 있다. 데이터 검증 및 납품부(240)는 리뷰어 또는 인스펙터의 역할이 지정된 작업자들의 어노테이션 장치(100)로부터 검증 결과를 수신할 수 있다.

데이터 검증 및 납품부(240)는 수신된 검증 결과를 기초로, 어노테이션 작업 결과물 중 일부를 재작업 대상 또는 폐기 대상으로 지정할 수 있다. 데이터 검증 및 납품부(240)는 재작업 대상 또는 폐기 대상으로 지정되지 않은 남은 어노테이션 작업 결과물을 패키징(packaging)한 후, 통신부(205)를 통해 인공지능 학습 장치(300)에 전송할 수 있다.

이하, 상술한 바와 같은 학습 데이터 설계 장치(200)의 논리적 구성요소를 구현하기 위한 하드웨어에 대하여 보다 구체적으로 설명한다.

도 4는 본 발명의 일 실시예에 따른 학습 데이터 설게 장치의 하드웨어 구성도이다.

도 4에 도시된 바와 같이, 학습 데이터 설계 장치(200)는 프로세서(Processor, 250), 메모리(Memory, 255), 송수신기(Transceiver, 260), 입출력장치(Input/output device, 265), 데이터 버스(Bus, 270) 및 스토리지(Storage, 275)를 포함하여 구성될 수 있다.

프로세서(250)는 메모리(255)에 상주된 소프트웨어(280a)에 따른 명령어를 기초로, 학습 데이터 설계 장치(200)의 동작 및 기능을 구현할 수 있다. 메모리(255)에는 본 발명에 따른 방법이 구현된 소프트웨어(280a)가 상주(loading)될 수 있다. 송수신기(260)는 어노테이션 장치(100) 및 인공지능 학습 장치(300)와 데이터를 송수신할 수 있다. 입출력장치(265)는 학습 데이터 설계 장치(200)의 동작에 필요한 데이터를 입력 받고, 예측된 전체 작업 비용, 작업자에 대한 서열 및 작업자에게 지정된 역할을 출력할 수 있다. 데이터 버스(270)는 프로세서(250), 메모리(255), 송수신기(260), 입출력장치(265) 및 스토리지(275)와 연결되어, 각각의 구성 요소 사이가 서로 데이터를 전달하기 위한 이동 통로의 역할을 수행할 수 있다.

스토리지(275)는 본 발명에 다른 방법이 구현된 소프트웨어(280a)의 실행을 위해 필요한 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API), 라이브러리(library) 파일, 리소스(resource) 파일 등을 저장할 수 있다. 스토리지(275)는 본 발명에 따른 방법이 구현된 소프트웨어(280b)를 저장할 수 있다. 또한, 스토리지(275)는 인공지능 학습용 데이터 설계 방법의 수행에 필요한 정보들을 저장할 수 있다. 특히, 스토리지(275)는 프로젝트의 속성, 이미지의 속성, 작업자의 속성, 기존에 수행된 복수 개의 프로젝트에 관한 정보 및 작업자들의 풀을 저장하는 데이터베이스(285)를 포함할 수 있다.

본 발명의 제1 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 소프트웨어(280a, 280b)는 프로세서(250)가 인공지능(AI) 학습을 위하여 수행 예정인 어노테이션 작업과 관련된 둘 이상의 샘플 데이터를 대상으로, 각각의 샘플 데이터를 구성하고 있는 하나 이상의 분해 구성요소를 식별하는 단계; 프로세서(250)가 분해 구성요소 각각에 대응되는 단위 비용을 산출하는 단계; 및 프로세서(250)가 산출된 단위 비용을 기초로 수행 예정인 어노테이션 작업과 관련된 프로젝트를 수행하기 위하여 요구되는 전체 작업 비용을 예측하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

본 발명의 제2 실시예에 따르면, 메모리(255)에 상주되거나 또는 스토리지(275)에 저장된 소프트웨어(280a, 280b)는 프로세서(250)가 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀을 대상으로 풀에 포함된 각각의 작업자에 대한 서열을 부여하는 단계; 및 프로세서(250)가 각각의 작업자에 대하여 부여된 서열을 기초로 풀에 포함된 각각의 작업자에게 사전에 설정된 역할 중 어느 하나를 지정하는 단계를 실행시키기 위하여 기록매체에 기록된 컴퓨터 프로그램이 될 수 있다.

보다 구체적으로, 프로세서(250)는 ASIC(Application-Specific Integrated Circuit), 다른 칩셋(chipset), 논리 회로 및/또는 데이터 처리 장치를 포함할 수 있다. 메모리(255)는 ROM(Read-Only Memory), RAM(Random Access Memory), 플래쉬 메모리, 메모리 카드, 저장 매체 및/또는 다른 저장 장치를 포함할 수 있다. 송수신기(260)는 유무선 신호를 처리하기 위한 베이스밴드 회로를 포함할 수 있다. 입출력장치(265)는 키보드(keyboard), 마우스(mouse), 및/또는 조이스틱(joystick) 등과 같은 입력 장치 및 액정표시장치(Liquid Crystal Display, LCD), 유기 발광 다이오드(Organic LED, OLED) 및/또는 능동형 유기 발광 다이오드(Active Matrix OLED, AMOLED) 등과 같은 영상 출력 장치 프린터(printer), 플로터(plotter) 등과 같은 인쇄 장치를 포함할 수 있다.

본 명세서에 포함된 실시 예가 소프트웨어로 구현될 경우, 상술한 방법은 상술한 기능을 수행하는 모듈(과정, 기능 등)로 구현될 수 있다. 모듈은 메모리(255)에 상주되고, 프로세서(250)에 의해 실행될 수 있다. 메모리(255)는 프로세서(250)의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서(250)와 연결될 수 있다.

도 4에 도시된 각 구성요소는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한, 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이하, 지금까지 상술한 바와 같은 본 발명의 다양한 실시예에 따른 인공지능 학습 시스템의 특징들에 대하여, 도면을 참조하여 구체적으로 설명하기로 한다.

도 5는 종래의 프로젝트의 전체 작업 비용을 예측하는 방식을 설명하기 위한 예시도이다.

도 5에 도시된 바와 같이, 종래에는 프로젝트 전체 작업 비용을 방식은 어노테이션 작업 대상(즉, 이미지)의 개수에 의존하여 예측하였다.

구체적으로, 종래의 예측 방식은 단순히 어노테이션 작업 대상(t₁, t₂, t₃, t₄, …; 10)의 개수와, 담당자의 직관에 따라 예측된 작업의 난이도에 따른 단위 비용(labor cost)을 곱하여, 프로젝트의 전체 작업 비용을 예측하였다.

그러나, 어노테이션 작업 대상(10)이 되는 데이터의 개수가 동일하더라도, 각각의 작업 대상마다 작업의 난이도는 천차만별일 수 있다. 또한, 담당자에 의해 예측된 작업의 난이도가 언제나 올바를 것이라는 보장이 없다.

따라서, 종래의 방식에 따라 예측된 전체 작업 비용은 합리적이지 않은 경우가 많았다.

도 6은 본 발명의 일 실시예에 따라 프로젝트의 전체 작업 비용을 예측하는 방식을 설명하기 위한 예시도이다.

도 6에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(200)는 어노테이션 작업 대상(즉, 이미지)을 구성하는 분해 구성요소의 유형 및 개수에 의존하여 예측할 수 있다.

구체적으로, 학습 데이터 설계 장치(200)는 샘플 데이터를 기초로 수행 예정인 프로젝트의 최종 결과물에 포함될 분해 구성요소(t_A, t_B, t_C, t_D, …, t_甲, t_乙, t_丙, t_丁, …; 20) 별 개수를 추정할 수 있다.

여기서, 분해 구성요소는 어노테이션 작업 결과물을 구성하고 있는 요소들 중에서, 프로젝트의 전체 작업 비용을 예측하기 위해 사용되는 요소이다. 예를 들어, 분해 구성요소에는 클래스와 툴이 포함될 수 있으나, 이에 한정되는 것은 아니다.

그리고, 학습 데이터 설계 장치(200)는 추정된 구성요소(20)별 개수와 분해 구성요소별의 단위 비용(cost of class, cost of tool)을 기초로, 수행 예정인 프로젝트의 전체 작업 비용을 예측할 수 있다. 이 경우, 학습 데이터 설계 장치(200)는 분해 구성요소(10)별의 단위 비용에 사전에 설정된 가중치(weight)를 적용한 이후, 분해 구성요소(10)별 개수를 곱하여, 수행 예정인 프로젝트의 전체 작업 비용을 예측할 수도 있다.

따라서, 본 발명의 일 실시예에 따르면, 수많은 작업자가 수많은 어노테이션 작업을 수행해야하는 프로젝트의 전체 작업 비용을 산출함에 있어, 어노테이션 작업 대상을 구성하는 분해 구성요소에 의존하여 전체 작업 비용을 예측함으로써, 수행 예정인 프로젝트의 전체 작업 비용을 보다 합리적으로 예측할 수 있게 된다.

도 7 및 도 8은 본 발명의 몇몇 실시예에 따라 작업자의 역할을 지정하는 과정을 설명하기 위한 예시도이다.

도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(200)는 작업자들에게 부여된 서열을 기준으로, 작업자에게 역할을 지정할 수 있다.

구체적으로, 학습 데이터 설계 장치(200)는 데이터베이스의 작업자들의 풀에 포함된 각각의 작업자에 대한 수행율의 서열과, 에러율의 서열을 각각 부여할 수 있다.

이 경우, 수행율은 사전에 설정된 단위 시간동안 작업자가 어노테이션 작업을 수행한 이미지의 개수를 기준으로 산출될 수 있다. 보다 정밀도를 향상시키기 위하여, 수행율은 작업자가 수행한 어노테이션 작업에 의하여 이미지로부터 특정된 객체의 클래스에 대한 유형 및 개수와, 객체를 특정하기 위하여 사용된 툴에 대한 유형 및 개수를 추가적으로 고려하여 산출될 수 있다. 이 경우, 수행율은 클래스에 대한 유형 및 툴에 대한 유형에 대하여 사전에 설정된 가중치를 적용한 이후에 산출될 수도 있다.

또한, 에러율은 작업자가 기존에 수행한 어노테이션 작업 결과물에 대하여 스크립트를 이용한 검증을 수행하여 검출된 에러의 개수를 기준으로 산출될 수 있다. 이와 다르게, 에러율은 작업자가 기존에 어노테이션 작업을 수행하는 과정에서 가이드 정보를 무시하고 작업을 진행한 횟수를 기준으로 산출될 수도 있다.

학습 데이터 설계 장치(200)는 각각의 작업자에게 부여된 수행율의 서열 기준으로, 사전에 설정된 상위그룹(인센티브 그룹)에 속하는 작업자(30p)에 대하여 리뷰어의 역할을 부여할 수 있다. 여기서, 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당된다.

학습 데이터 설계 장치(200)는 각각의 작업자에게 부여된 에러율의 서열 기준으로, 사전에 설정된 상위그룹(인센티브 그룹)에 속하는 작업자(30e)에 대하여 인스펙터의 역할을 부여할 수 있다. 여기서, 인스펙터는 상기 어노테이션 작업 결과물을 스크립트를 이용하여 검증하는 자에 해당된다.

학습 데이터 설계 장치(200)는 수행율의 서열 또는 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹(패널티 그룹)에 속하는 작업자(50)에 대하여 트레이니의 역할을 부여할 수 있다. 여기서, 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당된다.

그리고, 학습 데이터 설계 장치(200)는 작업자들의 풀에 포함된 작업자들 중에서 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 나머지 작업자(40)에 대하여 라벨러의 역할을 부여할 수 있다. 여기서, 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당된다.

따라서, 본 발명의 일 실시예에 따르면, 수많은 어노테이션 작업을 수행하게 될 수많은 작업자들에 대하여, 고유한 작업 수행 능력 및 에러율 등을 기준으로 평가된 서열을 기준으로 최적의 역할을 부여함으로써, 작업자의 어노테이션 작업 효율을 극대화시킬 수 있다.

도 9는 본 발명의 일 실시예에 따른 인공지능 학습용 데이터 설계 방법을 설명하기 위한 순서도이다.

도 9에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(100)는 인공지능(AI) 학습을 위한 데이터 구조를 설계할 수 있다(S100). 구체적으로, 학습 데이터 설계 장치(100)는 프로젝트의 속성 정보 및 사용자의 제어를 기초로, 인공지능(AI) 학습용 데이터에 관한 온톨로지의 정의 및 분류 체계의 정의를 결정할 수 있다.

학습 데이터 설계 장치(200)는 결정된 온톨로지의 정의 및 분류 체계의 정의를 기초로, 인공지능(AI) 학습을 위한 로우 데이터(raw data)를 수집할 수 있다(S200). 구체적으로, 학습 데이터 설계 장치(200)는 인공지능 학습 장치(300)로부터 로우 데이터를 수신하거나, 사용자로부터 로우 데이터를 입력 받을 수 있다. 학습 데이터 설계 장치(200)는 사전에 설정된 웹 크롤러를 이용하여, 로우 데이터를 웹 크롤링할 수 있다. 또한, 학습 데이터 설계 장치(200)는 사전에 설정된 협회 또는 전문 단체가 운용하는 FTP 서버로부터 로우 데이터를 다운로드 할 수도 있다.

학습 데이터 설계 장치(200)는 수집된 로우 데이터를 정제할 수 있다(S300). 구체적으로, 학습 데이터 설계 장치(200)는 수집된 로우 데이터를 사전에 설정된 카테고리(category)에 따라 분류할 수 있다. 학습 데이터 설계 장치(200)는 카테고리별로 분류된 로우 데이터를 대상으로, 데이터의 유사도를 기준으로 중복 데이터를 제거할 수 있다. 그리고, 학습 데이터 설계 장치(200)는 중복 데이터가 제거된 로우 데이터에 포함된 개인 정보를 비식별화할 수 있다.

학습 데이터 설계 장치(200)는 정제된 데이터를 가공할 수 있다(S400). 학습 데이터 설계 장치(200)의 데이터 가공 방법에 대해서는 추후 도 11을 참조하여 보다 구체적으로 설명하기로 한다.

학습 데이터 설계 장치(200)는 가공된 데이터를 검증한 후 인공지능 학습 장치(300)에 납품할 수 있다(S500). 구체적으로, 학습 데이터 설계 장치(200)는 데이터 가공을 수행한 어노테이션 장치(100)로부터 어노테이션 작업 결과물을 수신할 수 있다. 학습 데이터 설계 장치(200)는 리뷰어 또는 인스펙터의 역할이 지정된 작업자들의 어노테이션 장치(100)에 대하여, 어노테이션 작업 결과물을 전송할 수 있다. 학습 데이터 설계 장치(200)는 리뷰어 또는 인스펙터의 역할이 지정된 작업자들의 어노테이션 장치(100)로부터 검증 결과를 수신할 수 있다. 학습 데이터 설계 장치(200)는 수신된 검증 결과를 기초로, 어노테이션 작업 결과물 중 일부를 재작업 대상 또는 폐기 대상으로 지정할 수 있다. 그리고, 학습 데이터 설계 장치(200)는 재작업 대상 또는 폐기 대상으로 지정되지 않은 남은 어노테이션 작업 결과물을 패키징한 후, 인공지능 학습 장치(300)에 전송할 수 있다.

상술한 바와 같은, 인공지능(AI) 학습용 데이터 설계 방법은 학습 데이터 설계 장치(200)의 운영 주체와 인공지능 학습 장치(300)의 운영 주체 사이에서 프로젝트 수행과 관련된 계약이 체결된 이후에 진행될 것이다. 이러한, 프로젝트 수행과 관련된 계약이 체결되기 위해서는 수행 예정인 프로젝트의 전체 작업 비용이 선행적으로 예측되어야 할 것이다.

도 10은 본 발명의 일 실시예에 따른 작업 비용 예측 방법을 설명하기 위한 순서도이다.

도 10에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(200)는 샘플 데이터를 준비할 수 있다(S10). 구체적으로, 학습 데이터 설계 장치(200)는 인공지능 학습 장치(300)로부터 둘 이상의 샘플 데이터를 수신하거나, 또는 사용자로부터 둘 이상의 샘플 데이터를 입력 받을 수 있다. 여기서, 샘플 데이터는 인공지능(AI) 학습을 위하여 수행 예정인 어노테이션 작업과 관련된 샘플이다. 이와 같은, 샘플 데이터는 어노테이션 작업의 대상이 되는 이미지이거나, 또는 어노테이션 작업 결과물이 될 수 있으며, 이에 한정되는 것도 아니다.

학습 데이터 설계 장치(200)는 준비된 둘 이상의 샘플 데이터를 대상으로, 각각의 샘플 데이터를 구성하고 있는 하나 이상의 분해 구성요소를 식별할 수 있다(S20). 여기서, 분해 구성요소는 어노테이션 작업 결과물을 구성하고 있는 요소들 중에서, 프로젝트의 전체 작업 비용을 예측하기 위해 사용되는 요소이다. 예를 들어, 분해 구성요소에는 클래스(class)와 툴(tool)이 포함될 수 있으나, 이에 한정되는 것은 아니다.

학습 데이터 설계 장치(200)는 각각의 샘플 데이터로부터 식별된 하나 이상의 분해 구성요소를 기초로, 수행 예정인 프로젝트의 최종 결과물에 포함될 분해 구성요소별 개수를 추정할 수 있다(S30). 예를 들어, 학습 데이터 설계 장치(200)는 샘플 데이터의 개수 및 유형과, 수행 예정인 프로젝트에 포함된 어노테이션 작업 대상(즉, 이미지)의 개수 및 유형을 서로 대비하여, 수행 예정인 프로젝트의 최종 결과물에 포함될 분해 구성요소별 개수를 추정할 수 있다.

학습 데이터 설계 장치(200)는 분해 구성요소 각각에 대응되는 단위 비용을 산출할 수 있다(S40). 이를 위하여, 학습 데이터 설계 장치(200)는 기존에 수행된 프로젝트의 어노테이션 작업과 관련된 기존 데이터를 대상으로, 기존 데이터를 구성하고 있는 하나 이상의 분해 구성요소를 식별할 수 있다. 학습 데이터 설계 장치(200)는 기존 데이터로부터 식별된 분해 구성요소와 샘플 데이터로부터 식별된 분해 구성요소를 서로 대비하며, 기존 데이터로부터 식별된 분해 구성요소의 단위 비용을 샘플 데이터로부터 식별된 분해 구성요소의 단위 비용으로 설정할 수 있다.

그리고, 학습 데이터 설계 장치(200)는 산출된 분해 구성요소별 단위 비용과 추정된 구성요소별 개수를 기초로, 전체 작업 비용을 예측할 수 있다(S50). 이 경우, 학습 데이터 설계 장치(200)는 산출된 단위 비용에 분해 구성요소별로 사전에 설정된 가중치를 적용한 이후, 추정된 분해 구성요소별 개수를 곱하여 전체 작업 비용을 예측할 수도 있다.

도 11은 본 발명의 일 실시예에 따른 데이터 가공 방법을 설명하기 위한 순서도이다.

도 10에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 데이터 설계 장치(200)는 데이터베이스에 저장된 작업자들의 풀을 대상으로, 풀에 포함된 각각의 작업자에 대한 서열을 부여할 수 있다(S410). 구체적으로 학습 데이터 설계 장치(200)는 작업자가 기존에 수행한 어노테이션 작업 결과물을 기초로, 풀에 포함된 각각의 작업자에 대한 수행율(performance rate)의 서열과, 에러율(error rate)의 서열을 각각 부여할 수 있다.

학습 데이터 설계 장치(200)는 각각의 작업자에 대하여 부여된 서열을 기초로, 작업자들의 풀에 포함된 각각의 작업자에게 사전에 설정된 역할을 지정할 수 있다(S420). 여기서, 역할은 인공지능(AI) 학습을 위한 데이터 가공 과정 전반에서 작업자가 수행해야 하는 세부 업무를 의미한다.

구체적으로, 학습 데이터 설계 장치(200)는 작업자에 대한 수행율의 서열을 기준으로, 사전에 설정된 상위그룹에 속하는 작업자에 대하여, 리뷰어의 역할을 부여할 수 있다. 학습 데이터 설계 장치(200)는 작업자들에 대한 에러율의 서열을 기준으로, 사전에 설정된 상위그룹에 속하는 작업자에 대하여, 인스펙터의 역할을 부여할 수 있다. 학습 데이터 설계 장치(200)는 수행율의 서열 또는 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹에 속하는 작업자에 대하여 트레이니의 역할을 부여할 수 있다. 그리고, 학습 데이터 설계 장치(200)는 작업자들의 풀에 포함된 작업자들 중에서 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 나머지 작업자에 대하여 라벨러의 역할을 부여할 수 있다.

학습 데이터 설계 장치(200)는 각각의 작업자에 대하여 지정된 역할에 대응하여, 어노테이션 장치(100)들에 대하여 하나 이상의 어노테이션 작업 대상물을 분배할 수 있다(S430). 그리고, 학습 데이터 설계 장치(200)는 어노테이션 장치(100)들로부터 어노테이션 작업 결과물을 수신할 수 있다.

이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으나, 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 선정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

어노테이션 장치: 100-1, 100-2, 100-3, …, 100-n; 100
학습 데이터 설계 장치: 200 인공지능 학습 장치: 300
통신부: 205 입출력부: 210
저장부: 215 프로젝트 관리부: 220
데이터 설계 및 수집부: 225 데이터 정제부: 230
데이터 가공부: 235 데이터 검증 및 납품부: 240

Claims

메모리(memory); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀을 대상으로, 상기 풀에 포함된 각각의 작업자에 대한 서열을 부여하는 단계; 및
상기 프로세서가, 상기 각각의 작업자에 대하여 부여된 서열을 기초로, 상기 풀에 포함된 각각의 작업자에게 사전에 설정된 역할 중 어느 하나를 지정하는 단계를 실행시키되,
상기 역할은 상기 인공지능(AI) 학습을 위한 데이터 가공 과정 전반에서 상기 작업자가 수행해야 하는 세부 업무를 의미하며,
상기 서열을 부여하는 단계는
작업자가 기존에 수행한 어노테이션 작업 결과물을 기초로, 상기 풀에 포함된 각각의 작업자에 대한 수행율(performance rate)의 서열과 에러율(error rate)의 서열을 각각 부여하고,
상기 역할을 지정하는 단계는
상기 수행율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 리뷰어(reviewer)의 역할을 부여하되, 상기 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당되고,
상기 에러율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 인스펙터(inspector)의 역할을 부여하되, 상기 인스펙터는 상기 어노테이션 작업 결과물을 스크립트(script)를 이용하여 검증하는 자에 해당되고,
상기 수행율의 서열 또는 상기 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹에 속하는 작업자에 대하여 트레이니(trainee)의 역할을 부여하되, 상기 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당되고,
상기 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 작업자에 대하여 라벨러(labeler)의 역할을 부여하되, 상기 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당되며,
상기 수행율은
사전에 설정된 단위 시간동안 작업자가 어노테이션 작업을 수행한 이미지의 개수를 기준으로 산출되고,
상기 수행율은
상기 작업자가 수행한 상기 어노테이션 작업에 의하여 상기 이미지로부터 특정된 객체(object)의 클래스(class)에 대한 유형 및 개수와, 상기 객체를 특정하기 위해 사용된 툴(tool)에 대한 유형 및 개수를 추가적으로 고려하여 산출되며,
상기 수행율은
상기 클래스에 대한 유형 및 상기 툴에 대한 유형에 대하여 사전에 설정된 가중치를 적용한 이후에 산출되는 것을 특징으로 하고,
상기 에러율은
상기 작업자가 기존에 수행한 어노테이션 작업 결과물에 대하여 스크립트(script)를 이용한 검증을 수행하여 검출된 에러의 개수를 기준으로 산출되되,
상기 스크립트는 상기 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 및 데이터의 유효성 여부를 검증하기 위하여 구비된 코드인 것을 특징으로 하는, 작업자 배치 방법.
제1 항에 있어서, 상기 에러율은
상기 작업자가 기존에 어노테이션 작업을 수행하는 과정에서 가이드 정보를 무시하고 작업을 진행한 횟수를 기준으로 산출되되,
상기 가이드 정보는 어노테이션 작업의 각 과정에서 작업자가 참고할 수 있도록 인공지능(AI) 학습의 목표 및 학습 방법론에 대응하여 사전에 설정된 정보로, 상기 어노테이션 작업의 각 과정에 대응하여 사전에 설정된 사용자 인터페이스(User Interface, UI)를 통해 출력되는 것을 특징으로 하는, 작업자 배치 방법.
제1 항에 있어서, 상기 서열을 부여하는 단계는
상기 풀에 포함된 각각의 작업자에 대한 숙련도(skill level)의 서열을 더 부여하고,
상기 역할을 지정하는 단계는
상기 숙련도의 서열을 추가적으로 고려하여 상기 작업자에게 상기 역할을 지정하되,
상기 숙련도는
상기 작업자가 수행 예정인 어노테이션 작업과 관련된 프로젝트와, 유사성을 가지는 프로젝트와 관련된 작업량을 기준으로 산출되며,
상기 유사성은
프로젝트별로 사전에 설정된 인공지능(AI)의 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지로부터 식별하고자 하는 객체의 속성 및 바운딩 박스(bounding box)의 설정 규칙을 기준으로 판단되는 것을 특징으로 하는, 작업자 배치 방법.
제1 항에 있어서, 상기 역할을 지정하는 단계는
상기 작업자에 대한 수행율의 서열 또는 에러열의 서열을 상기 작업자가 기존에 수행한 어노테이션 작업과 관련된 프로젝트별로 분류하고, 상기 프로젝트별로 분류된 수행율의 서열 또는 에러율의 서열 중에서 사전에 설정된 오차 범위를 벗어난 수행율의 서열 또는 에러율을 서열을 가지는 프로젝트를 기준으로 상기 작업자에 대한 전문성을 판단하고, 상기 판단된 전문성을 기준으로 상기 작업자에게 부여된 수행율의 서열 또는 에러율의 서열을 재조정하는 것을 특징으로 하는, 작업자 배치 방법.
메모리(memory); 및
상기 메모리에 상주된 명령어를 처리하는 프로세서(processor)를 포함하여 구성된 컴퓨팅 장치와 결합되어,
상기 프로세서가, 인공지능(AI) 학습을 위한 어노테이션 작업을 수행할 수 있는 작업자들의 풀을 대상으로, 상기 풀에 포함된 각각의 작업자에 대한 서열을 부여하는 단계; 및
상기 프로세서가, 상기 각각의 작업자에 대하여 부여된 서열을 기초로, 상기 풀에 포함된 각각의 작업자에게 사전에 설정된 역할 중 어느 하나를 지정하는 단계를 실행시키되,
상기 역할은 상기 인공지능(AI) 학습을 위한 데이터 가공 과정 전반에서 상기 작업자가 수행해야 하는 세부 업무를 의미하는 것을 특징으로 하고,
상기 서열을 부여하는 단계는
작업자가 기존에 수행한 어노테이션 작업 결과물을 기초로, 상기 풀에 포함된 각각의 작업자에 대한 수행율(performance rate)의 서열과 에러율(error rate)의 서열을 각각 부여하고,
상기 역할을 지정하는 단계는
상기 수행율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 리뷰어(reviewer)의 역할을 부여하되, 상기 리뷰어는 상기 어노테이션 작업이 수행된 이미지를 시각적으로 검증하는 자에 해당되고,
상기 에러율의 서열을 기준으로 사전에 설정된 상위그룹에 속하는 작업자에 대하여 인스펙터(inspector)의 역할을 부여하되, 상기 인스펙터는 상기 어노테이션 작업 결과물을 스크립트(script)를 이용하여 검증하는 자에 해당되고,
상기 수행율의 서열 또는 상기 에러율의 서열 중 하나 이상이 사전에 설정된 하위그룹에 속하는 작업자에 대하여 트레이니(trainee)의 역할을 부여하되, 상기 트레이니는 상기 어노테이션 작업을 수행하기 위한 교육을 받는 자에 해당되고,
상기 리뷰어, 인스펙터 또는 트레이니의 역할이 부여되지 않은 작업자에 대하여 라벨러(labeler)의 역할을 부여하되, 상기 라벨러는 이미지를 대상으로 어노테이션 작업을 수행하는 자에 해당되며,
상기 수행율은
사전에 설정된 단위 시간동안 작업자가 어노테이션 작업을 수행한 이미지의 개수를 기준으로 산출되고,
상기 수행율은
상기 작업자가 수행한 상기 어노테이션 작업에 의하여 상기 이미지로부터 특정된 객체(object)의 클래스(class)에 대한 유형 및 개수와, 상기 객체를 특정하기 위해 사용된 툴(tool)에 대한 유형 및 개수를 추가적으로 고려하여 산출되며,
상기 수행율은
상기 클래스에 대한 유형 및 상기 툴에 대한 유형에 대하여 사전에 설정된 가중치를 적용한 이후에 산출되는 것을 특징으로 하고,
상기 에러율은
상기 작업자가 기존에 수행한 어노테이션 작업 결과물에 대하여 스크립트(script)를 이용한 검증을 수행하여 검출된 에러의 개수를 기준으로 산출되되,
상기 스크립트는 상기 어노테이션 작업 결과물을 대상으로 사전에 설정된 목표 품질의 부합 여부 및 데이터의 유효성 여부를 검증하기 위하여 구비된 코드인 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제5 항에 있어서, 상기 에러율은
상기 작업자가 기존에 어노테이션 작업을 수행하는 과정에서 가이드 정보를 무시하고 작업을 진행한 횟수를 기준으로 산출되되,
상기 가이드 정보는 어노테이션 작업의 각 과정에서 작업자가 참고할 수 있도록 인공지능(AI) 학습의 목표 및 학습 방법론에 대응하여 사전에 설정된 정보로, 상기 어노테이션 작업의 각 과정에 대응하여 사전에 설정된 사용자 인터페이스(User Interface, UI)를 통해 출력되는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제5 항에 있어서, 상기 서열을 부여하는 단계는
상기 풀에 포함된 각각의 작업자에 대한 숙련도(skill level)의 서열을 더 부여하고,
상기 역할을 지정하는 단계는
상기 숙련도의 서열을 추가적으로 고려하여 상기 작업자에게 상기 역할을 지정하되,
상기 숙련도는
상기 작업자가 수행 예정인 어노테이션 작업과 관련된 프로젝트와, 유사성을 가지는 프로젝트와 관련된 작업량을 기준으로 산출되며,
상기 유사성은
프로젝트별로 사전에 설정된 인공지능(AI)의 학습 목적, 학습 기간, 학습에 필요한 이미지의 수, 이미지로부터 식별하고자 하는 객체의 속성 및 바운딩 박스(bounding box)의 설정 규칙을 기준으로 판단되는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
제5 항에 있어서, 상기 역할을 지정하는 단계는
상기 작업자에 대한 수행율의 서열 또는 에러열의 서열을 상기 작업자가 기존에 수행한 어노테이션 작업과 관련된 프로젝트별로 분류하고, 상기 프로젝트별로 분류된 수행율의 서열 또는 에러율의 서열 중에서 사전에 설정된 오차 범위를 벗어난 수행율의 서열 또는 에러율을 서열을 가지는 프로젝트를 기준으로 상기 작업자에 대한 전문성을 판단하고, 상기 판단된 전문성을 기준으로 상기 작업자에게 부여된 수행율의 서열 또는 에러율의 서열을 재조정하는 것을 특징으로 하는, 기록매체에 기록된 컴퓨터 프로그램.
삭제
삭제