KR102352991B1

KR102352991B1 - 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법

Info

Publication number: KR102352991B1
Application number: KR1020200003498A
Authority: KR
Inventors: 여승기
Original assignee: 여승기
Priority date: 2020-01-10
Filing date: 2020-01-10
Publication date: 2022-01-18
Also published as: KR20210090368A

Abstract

본 발명의 일 실시 예에 따른 인공지능 모델 생성 방법은 사용자 단말로부터 수신한 입력데이터에 대하여 분석모델을 이용하여 입력데이터로부터 하나 이상의 특징을 추출하고 추출된 특징에 따라 입력데이터를 분류하는 단계, 사용자 단말로부터 수신한 목표항목에 기초하여 입력데이터로부터 복수개의 인공지능 알고리즘들 각각을 이용하여 도출된 예측 결과를 표시하는 단계, 사용자 단말로부터 입력된 선택신호 및 미리 설정된 기준항목 중 어느 하나에 의하여 선택된 복수개의 인공지능 알고리즘들 중 어느 하나를 이용하여 인공지능 모델이 생성되는 단계 및 생성된 인공지능 모델을 이용하여 입력데이터로부터의 분석 결과를 사용자 단말로 제공하는 단계를 포함할 수 있다.

Description

인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법{ARTIFICIAL INTELLIGENCE MODEL GENERATION METHOD USING ARTIFICIAL INTELLIGENCE MODEL GENERATION PLATFORM PROVIDING SYSTEM}

본 발명은 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법에 관한 것이다. 보다 상세하게는 사용자 단말로부터 수신한 입력데이터에 대하여 분석모델을 이용하여 입력데이터로부터 하나 이상의 특징을 추출하고 추출된 특징에 따라 입력데이터를 분류하는 단계, 사용자 단말로부터 수신한 목표항목에 기초하여 입력데이터로부터 복수개의 인공지능 알고리즘들 각각을 이용하여 도출된 예측 결과를 표시하는 단계, 사용자 단말로부터 입력된 선택신호 및 미리 설정된 기준항목 중 어느 하나에 의하여 선택된 복수개의 인공지능 알고리즘들 중 어느 하나를 이용하여 인공지능 모델이 생성되는 단계 및 생성된 인공지능 모델을 이용하여 입력데이터로부터의 분석 결과를 사용자 단말로 제공하는 단계를 포함하는 인공지능 모델 생성 방법에 관한 것이다.

근래에는 인간 수준의 지능을 구현하는 인공지능(Artificial Intelligence, AI) 시스템이 다양한 분야에서 이용되고 있다. 인공지능 시스템은 기존의 규칙(rule) 기반으로 구현되는 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(Ex. Deep-Learning) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다. 인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

한편, 인공지능 기술을 이용하여 분석하고자 하는 데이터의 종류는 다양하며 각각의 데이터마다 가장 적합한 인공지능 모델이 상이할 수 있다. 이에 따라, 사용자가 입력한 데이터를 분석 또는 분류하기 위한 최적의 인공지능 모델을 자동으로 선별하여 주는 기술에 대한 개발이 요구되고 있는 실정이다.

대한민국 공개실용공보 제10-2004-0005538호 (공고일자: 2004.01.16)

본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로써, 사용자가 입력한 데이터로부터 특징을 추출하여 입력한 데이터를 분석하기 위한 최적의 인공지능 모델을 사용자에게 제공할 수 있는 인공지능 모델 생성 방법을 제공하고자 함에 그 목적이 있다.

본 발명의 일 실시 예로써, 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법이 제공될 수 있다.

본 발명의 일 실시 예에 따른 인공지능 모델 생성 방법에 있어서, 입력데이터를 분류하는 단계에서는, 입력데이터가 추출된 특징 별 데이터 형식, 이상데이터 및 수치데이터 중 적어도 어느 하나에 따라 분류될 수 있다.

본 발명의 일 실시 예에 따른 인공지능 모델 생성 방법에 있어서, 예측 결과는 예측 속도 데이터 및 예측 정확도 데이터를 포함할 수 있다.

본 발명의 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법에 의하면, 사용자가 입력한 데이터로부터 특징을 추출하여 입력한 데이터를 분석하기 위한 최적의 인공지능 모델을 사용자에게 제공할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시 예에 따른 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 모델 생성 플랫폼 제공 시스템을 나타낸 블록도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.

도 1은 본 발명의 일 실시 예에 따른 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시 예에 따른 인공지능 모델 생성 플랫폼 제공 시스템을 나타낸 블록도이다. 이하에서는, 상술한 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

본 발명의 일 실시 예에 따른 인공지능 모델 생성 플랫폼 제공 시스템(10)은 하나 이상의 인스트럭션을 저장하는 메모리(300), 메모리(300)에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서(200) 및 통신부(100)를 포함할 수 있다.

일 개시에 따른, 통신부(100)는 본 발명의 인공지능 모델 생성 플랫폼 제공 시스템(10) 내부의 구성요소 간 데이터 송수신은 물론, 후술하는 사용자 단말과 유선 또는 무선 통신 채널의 수립 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신부(100)는 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 상기 통신부는 무선 통신 모듈( Ex. 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈 ) 또는 유선 통신 모듈( Ex. LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈 )을 포함할 수 있다.

일 개시에 의하여 프로세서(200)는, 예를 들면, 소프트웨어(예: 프로그램)를 구동하여 프로세서에 연결된 재활 보조기 제작 시스템의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서는 다른 구성요소( Ex. 통신 모듈 )로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시 예에 따르면, 프로세서는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로, 메인 프로세서보다 저전력을 사용하거나, 또는 지정된 기능에 특화된 보조 프로세서(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 여기서, 보조 프로세서는 메인 프로세서와 별개로 또는 임베디드되어 운영될 수 있다.

일 개시에 의하여, 메모리(300)는 프로세서(200)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 본 발명의 장치로 입력되거나 또는 장치에서 출력되는 데이터를 저장할 수도 있다. 메모리에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 여기서, 복수 개의 모듈들은 하드웨어가 아닌 소프트웨어로서, 기능적으로 동작하는 모듈이다. 일 개시에 의한, 메모리에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 여기서, 복수 개의 모듈들은 하드웨어가 아닌 소프트웨어로서, 기능적으로 동작하는 모듈을 의미할 수 있다.

본 발명의 일 실시 예에 따른 인공지능 모델 생성 방법은 사용자 단말로부터 수신한 입력데이터에 대하여 분석모델을 이용하여 입력데이터로부터 하나 이상의 특징을 추출하고 추출된 특징에 따라 입력데이터를 분류하는 단계(S100), 사용자 단말로부터 수신한 목표항목에 기초하여 입력데이터로부터 복수개의 인공지능 알고리즘들 각각을 이용하여 도출된 예측 결과를 표시하는 단계(S200), 사용자 단말로부터 입력된 선택신호 및 미리 설정된 기준항목 중 어느 하나에 의하여 선택된 복수개의 인공지능 알고리즘들 중 어느 하나를 이용하여 인공지능 모델이 생성되는 단계(S300) 및 생성된 인공지능 모델을 이용하여 입력데이터로부터의 분석 결과를 사용자 단말로 제공하는 단계(S400)를 포함할 수 있다.

이하에서는, 본 발명의 인공지능 모델 생성 방법의 각 단계(S100 - S400)에 대하여 보다 상세하게 설명한다. 또한, 본 발명은 전술한 바와 같이 인공지능 모델 생성 플랫폼 제공 시스템에 의하여 수행될 수 있다.

먼저, 사용자 단말로부터 수신한 입력데이터에 대하여 분석모델을 이용하여 입력데이터로부터 하나 이상의 특징을 추출하고, 추출된 특징에 따라 입력데이터가 분류(S100)될 수 있다.

일 개시에 따른 사용자 단말은 휴대성과 이동성이 보장되는 휴대용 이동식 단말일 수 있다. 상기 단말에는, 개인용 통신 장치(Personal Communication System, PCS), 이동통신 글로벌 시스템(Global System for Mobile communications, GSM), 디지털 셀룰러 통신장비(Personal Digital Cellular, PDC), 개인 통신 전화(Personal Handyphone System, PHS), 개인 정보 단말기(Personal Digital Assisatnt, PDA), 와이브로(Wireless Broadband Internet, WiBro) 단말, 스마트폰(Smartphone), 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치가 포함될 수 있다. 특히, 본 발명에 있어서, 사용자 단말은 휴대용 디바이스에 인터넷 통신과 정보 검색 등 컴퓨터 지원 기능을 추가한 지능형 디바이스로서, 사용자가 원하는 복수의 어플리케이션들을 설치하여 실행할 수 있는 스마트폰일 수 있다. 또한, 사용자 단말은 데스크탑, 랩탑 등의 범용 컴퓨터로 구현될 수 있을 수도 있다.

일 개시에 따른 입력데이터는 다양한 형태로 입력될 수 있다. 예를 들면, 데이터가 포함된 URL(Uniform Resource Locator), ODBC(Open Database Connectivity), HDFS(Hadoop Distributed File System) 등 다양한 형식의 데이터가 입력될 수 있다. 바람직하게는, 상기 입력데이터는 쉼표를 기준으로 항목을 구분하여 저장된 CSV(Comma-seperated values) 파일 형식으로 마련되어 입력될 수 있다.

일 개시에 따른 분석모델은 딥러닝 알고리즘에 따라 미리 학습된 결과에 따라 생성된 것으로, 상기 딥러닝 알고리즘에는 DNN(Deep Neural Network), CNN(Convolutional Neural Network)이 포함될 수 있다. 뿐만 아니라, 상기 분석모델은 상기 DNN 및 CNN 외에도 RNN(Recurrent Neural Network)와 결합되어 학습된 결과에 따라 생성될 수도 있다. 이하에서는 CNN 기반 학습 결과에 따라 형성된 분석모델을 기준으로 설명한다. 먼저, CNN에 대하여 간략히 설명하면 CNN은 입력데이터(주로, 시각적 이미지)를 분석하기 위해 사용되는 인공신경망의 한 종류일 수 있고 특징추출계층에서 입력데이터로부터의 특징이 추출되고, 분류계층에서 추출된 특징에 기초하여 입력데이터가 어떤 클래스에 해당되는지 분류될 수 있다. 상기 특징추출계층에는 적어도 하나 이상의 콘볼루션 레이어(convolutional layer) 및 풀링 레이어(pooling layer)가 포함될 수 있고, 상기 분류계층은 하나의 히든 레이어(hidden layer)가 포함된 풀리 커넥티드 레이어(fully connected layer)일 수 있다. 콘볼루션 레이어는 콘볼루션(convolution) 연산을 통해 객체의 특징을 나타내는 특징 맵을 생성하는 필터에 해당될 수 있다. 풀링 레이어에서는 콘볼루션 레이어의 출력 데이터의 크기를 줄이거나 특정 데이터를 강조하는 풀링연산이 수행될 수 있다. 상기 풀링 레이어에는 맥스풀링 레이어(max pooling layer) 및 평균풀링 레이어(average pooling layer)가 포함될 수 있다. 풀리 커넥티드 레이어(fully connected layer)는 추출된 특징정보에 기초하여 입력데이터의 분류를 위한 분류기(classifier)에 해당될 수 있다.

일 개시에 따른 분석모델은, 바람직하게는 입력데이터로부터 제 1 특징을 추출하기 위한 제 1 신경망, 입력데이터로부터 제 2 특징을 추출하기 위한 제 2 신경망, 추출된 제 1 특징 및 제 2 특징에 기초하여 결함발생 여부를 판별하기 위한 분류층 및 제 1 신경망 및 제 2 신경망의 출력이 융합되어 분류층으로 입력되도록 형성된 융합층이 더 포함될 수 있다.

상기 제 1 신경망은 단일의 콘볼루션 레이어이 포함된 콘볼루션 신경망(CNN: Convolutional Neural Network) 기반으로 형성된 신경망에 해당될 수 있다. 즉, 상기 제 1 신경망은 제 1 콘볼루션 레이어 및 제 1 풀링 레이어만이 구비되어 얕은(shallow) 구조로 형성되어 입력된 입력데이터로부터 제 1 특징이 추출될 수 있다.

이와는 달리, 제 2 신경망은 복수개의 콘볼루션 레이어들이 포함된 콘볼루션 신경망 기반으로 형성된 신경망에 해당될 수 있다. 즉, 상기 제 2 신경망은 제 2 내지 제 4 콘볼루션 레이어들 및 제 2 풀링 레이어가 구비되어 깊은(deep) 구조로 형성되어 입력된 입력데이터로부터 제 2 특징이 추출될 수 있다.

상기 콘볼루션 레이어가 하나만 포함되어 있는 신경망은 전술한 바와 같이 얕은 구조의 신경망에 해당되고, 상기 콘볼루션레이어가 복수개 포함된 신경망은 깊은 구조의 신경망에 해당될 수 있다. 이에 따라, 상기 얕은 구조인 제 1 신경망으로부터 추출된 제 1 특징은 얕은 특징일 수 있고, 깊은 구조인 제 2 신경망으로부터 추출된 제 2 특징은 깊은 특징일 수 있다.

상기 융합층은 제 1 신경망과 제 2 신경망의 출력을 융합하여 상기 분류층의 입력이 되도록 연결하는 레이어일 수 있다. 상기 융합층은 풀링 레이어로 구성될 수 있다.

상기 분류층은 전술한 풀리 커넥티드 레이어(fully connected layer)로써, 상기 분류층에는 적어도 하나 이상의 히든 레이어(hidden layer) 및 출력 레이어(output layer)는 물론, 차원 변경을 위한 플래튼 레이어(flatten layer)가 추가적으로 포함될 수 있다. 상기 출력 레이어에는 Softmax 활성화 기능이 사용됨으로써 용접에 따른 결함 발생여부가 판별될 수 있다.

더욱 상세하게는 제 1 신경망은 단일의 제 1 콘볼루션 레이어와 제 1 풀링 레이어가 함께 형성되어 얕은 구조의 콘볼루션 신경망이 형성될 수 있다. 이와는 달리 제 2 신경망에는 제 2 콘볼루션 레이어, 제 3 콘볼루션 레이어, 제 4 콘볼루션 레이어에 해당되는 3개의 콘볼루션 레이어들과 제 2 풀링 레이어가 연결되어 깊은 구조의 콘볼루션 신경망이 형성도리 수 있다. 상기 제 1 내지 제 4 콘볼루션 레이어의 필터 수 및 필터 크기는 모두 동일하거나 각각 상이하게 설정될 수 있다.

일 개시에 따른 입력데이터를 분류하는 단계에서는, 입력데이터가 추출된 특징 별 데이터 형식, 이상데이터 및 수치데이터 중 적어도 어느 하나에 따라 분류될 수 있다.

일 개시에 따른 분석모델을 이용하여 입력데이터로부터 추출된 특징은 입력데이터를 분류하기 위한 정보일 수 있다. 예를 들면, 입력데이터가 음식점을 이용하는 고객들에 대한 데이터인 경우에 상기 고객들의 성별, 나이, 식사 시간대, 평균 식사시간, 선호 음식 등이 상기 특징에 해당될 수 있다. 즉, 입력데이터로부터 분석모델을 이용하여 분석한 결과에 따른 특징들에 따라 입력데이터를 분류할 수 있다. 다시 말하면, S100 단계는 사용자 단말을 통해 입력된 입력데이터가 특징에 따라 분류됨으로써 입력데이터를 통해 인공지능 모델을 생성하기 위해 입력데이터를 1차적으로 분류하는 과정으로 이해될 수 있다.

일 개시에 따른, 데이터 형식은 문자, 숫자, 기호 등 데이터의 변수 타입일 수 있다. 일 개시에 따른, 이상데이터는 특징에 따라 분류된 데이터의 수를 나타낼 수 있다. 음식점에 방문하는 고객의 연령을 예로 들면, 19세/25세/30세/45세/60세의 고객들이 방문하였다면, 상기 이상데이터는 5일 수 있다. 성별을 예로 들면, 남자/여자이므로 성별에 대한 이상데이터는 2일 수 있다. 일 개시에 따른, 수치데이터는 상기 특징에 따른 데이터의 총 수를 나타낼 수 있다.

다음으로, 사용자 단말로부터 수신한 목표항목에 기초하여 입력데이터로부터 복수개의 인공지능 알고리즘들을 이용하여 도출된 예측 결과를 표시( 또는 사용자 단말로 제공 )하는 단계(S200)가 수행될 수 있다.

일 개시에 따른 S200 단계에서, 복수개의 인공지능 알고리즘에는 이전에 공개된 인공지능 알고리즘들을 포함할 수 있다. 상기 인공지능 알고리즘은 학습(learning) 기반의 알고리즘일 수 있다. 상기 인공지능 알고리즘에는 심층 신경망(Deep Neural Network), 컨볼루션 신경망(Convolutional Neural Network), 서포트 벡터 머신(Support Vector Machine), 의사결정나무(Decision Tree), 로지스틱회귀분석(Logistic Regression)의 등의 알고리즘은 물론, 상기 알고리즘들을 이용하여 미리 공개된 분류기(Classifier)들을 포함할 수 있다. 상기 분류기에는 Random Forest Classifier, eXtreme Gradient Boosted, TensorFlow Deep Learning Classifier 등 상용화된 분류기를 포함할 수 있다. 즉, 상기 복수개의 인공지능 알고리즘에는 제한이 없고 이미 모델화된 상기 분류기도 상기 인공지능 알고리즘에 포함될 수 있다.

일 개시에 따른 S200에서는 인공지능 알고리즘들 각각을 이용하여 학습된 시험모델이 생성될 수 있고, 상기 시험 모델에 교차검증(Cross-Validation)을 적용하여 시험 모델의 유효성을 판단할 수 있다.

일 개시에 따른 목표항목은 사용자 단말로부터 수신될 수 있다. 일 개시에 따른 목표항목은 사용자가 입력데이터로부터 도출하고자 하는 타겟 데이터일 수 있다. 전술한 음식점 이용 고객들에 대한 데이터로 예를 들면, 상기 목표항목은 오후 1시부터 오후 2시까지의 예상 방문 고객의 수일 수 있다. 즉, 상기 목표항목은 사용자가 본 발명을 통해 생성된 인공지능 모델을 이용하여 획득하고자 하는 예측 데이터 혹은 분석 데이터일 수 있다.

일 개시에 따른 예측 결과는 예측 속도 데이터 및 예측 정확도 데이터를 포함할 수 있다. 즉, S200에서는 복수개의 인공지능 알고리즘을 이용하여 입력데이터로부터 목표항목을 도출하고자 하는 경우 예측 결과를 표시할 수 있다. 상기 표시는 사용자 단말로 상기 예측 결과가 제공됨으로써 수행될 수 있다. 즉, 상기 예측 결과는 사용자 단말로 전송되어 사용자 단말을 통해 표시되도록 할 수 있다. 또한, 예측 결과는 유효성 평가 데이터를 더 포함할 수 있다. 즉, 인공지능 알고리즘을 이용하여 생성된 시험 모델에 대하여 교차 검증을 적용한 유효성 평가 결과를 이용하여 S300에서 인공지능 모델이 결정(생성)되도록 할 수 있다.

예를 들면, A 인공지능 알고리즘을 이용한 예측결과로써 예측 속도 데이터(A_1) 및 예측 정확도 데이터(A_2), B 인공지능 알고리즘을 이용한 예측결과로써 예측 속도 데이터(B_1) 및 예측 정확도 데이터(B_2)와 같이 각각의 인공지능 알고리즘(A, B, C, .. )을 이용하여 예측한 결과를 각각 제공할 수 있다.

다음으로, 사용자 단말로부터 입력된 선택신호 및 미리 설정된 기준항목 중 어느 하나에 의하여 선택된 복수개의 인공지능 알고리즘들 중 어느 하나를 이용하여 인공지능 모델이 생성(S300)될 수 있다.

일 개시에 따른 S300에서는, S200에서 제공된 예측 결과를 이용하여 사용자가 직접 인공지능 알고리즘을 선택하거나 미리 설정된 기준항목을 충족하는 인공지능 알고리즘이 자동으로 선택될 수 있다.

일 개시에 따른 기준항목은 사용자 단말을 통해 입력된 항목설정신호에 따라 설정될 수 있다. 상기 항목설정신호는 상기 예측 속도 데이터 및 예측 정확도 데이터에 대하여 사용자가 기준데이터를 설정하기 위한 신호일 수 있다. 예를 들면, 사용자가 사용자 단말을 이용하여 기준이 되는 기준 예측 속도 데이터 및 기준 예측 정확도 데이터에 관한 항목설정신호를 송신할 수 있다. 본 발명의 인공지능 모델 생성 플랫폼 제공 시스템은 상기 항목설정신호를 수신하여, S200에서 도출된 각각의 인공지능 알고리즘 마다의 예측 결과들 중에서 상기 항목설정신호에서 설정된 기준 예측 속도 데이터 및 기준 예측 정확도 데이터를 충족하는 인공지능 알고리즘이 선택될 수 있다.

일 개시에 따른 S300에서는, 전술한 과정을 따라 선택된 인공지능 알고리즘을 이용하여 인공지능 모델이 생성될 수 있다.

일 개시에 따른 S300에서는, S200에서 생성된 시험모델이 상기 과정에 따라 선택됨으로써 최종적으로 인공지능 모델로 결정되는 단계일 수 있다.

일 개시에 따른, S300에는 상기 항목설정신호에 따른 기준 예측 속도 데이터 및 기준 예측 정확도 데이터를 기초로 신규모델이 생성될 수 있다.

바람직하게는, 상기 항목설정신호에 따른 기준 예측 속도 데이터 및 기준 예측 정확도 데이터에 기초하여 S200에서 생성된 인공지능 알고리즘 학습 기반의 시험모델들이 나열될 수 있다. 예를 들면, 기준 예측 속도 데이터를 충족하는 1차 시험모델(Ex. Test_A, Test_B, Test_C)들이 존재하고, 기준 예측 정확도 데이터를 충족하는 2차 시험모델(Ex. Test_D, Test_E, TEST_F)가 존재한다면, 각각의 시험모델 상호 간 순차적 결합에 따라 신규시험모델이 생성될 수 있다. 즉, 1차 시험모델의 출력이 2차 시험모델의 입력으로 인가되도록 1차 시험모델 및 2차 시험모델이 연결(Ex. 신규시험모델 1: Test_A + Test_D, 신규시험모델 2: Test_B + Test_E, 신규시험모델 3:..)됨으로써 신규시험모델들이 생성될 수 있다. 다음으로, 생성된 신규시험모델에 대하여 입력데이터를 입력함으로써 예측 속도 및 예측 정확도를 재측정함으로써 신규시험모델의 성능이 평가될 수 있다. 평가된 신규시험모델의 성능을 기초로 최종 신규모델이 인공지능 모델로 결정될 수 있다.

마지막으로, 생성된 인공지능 모델을 이용하여 입력데이터로부터의 분석 결과를 사용자 단말로 제공(S400)할 수 있다.

본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.

즉, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다. 즉, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10: 인공지능 모델 생성 플랫폼 제공 시스템
100: 통신부 200: 프로세서
300: 메모리

Claims

인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법에 있어서,
사용자 단말로부터 수신한 입력데이터에 대하여 분석모델을 이용하여 상기 입력데이터로부터 하나 이상의 특징을 추출하고 상기 추출된 특징에 따라 상기 입력데이터를 분류하는 단계;
상기 사용자 단말로부터 수신한 목표항목에 기초하여 상기 입력데이터로부터 복수개의 인공지능 알고리즘들 각각을 이용하여 도출된 예측 결과를 표시하는 단계;
상기 사용자 단말로부터 입력된 선택신호 및 미리 설정된 기준항목 중 어느 하나에 의하여 선택된 상기 복수개의 인공지능 알고리즘들 중 어느 하나를 이용하여 인공지능 모델이 생성되는 단계; 및
상기 생성된 인공지능 모델을 이용하여 상기 입력데이터로부터의 분석 결과를 상기 사용자 단말로 제공하는 단계를 포함하되,
상기 분석모델은,
상기 입력데이터로부터 제 1 특징을 추출하기 위한 제 1 신경망,
상기 입력데이터로부터 제 2 특징을 추출하기 위한 제 2 신경망,
상기 제 1 특징 및 상기 제 2 특징에 기초하여 결함 발생 여부를 판별하기 위한 분류층 및
상기 제 1 신경망 및 상기 제 2 신경망의 출력이 융합되어 상기 분류층으로 입력되도록 형성된 융합층을 포함하는 것인,
인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 입력데이터를 분류하는 단계에서는, 상기 입력데이터가 상기 추출된 특징 별 데이터 형식, 이상데이터 및 수치데이터 중 적어도 어느 하나에 따라 분류되는,
인공지능 모델 생성 방법.
제 1 항에 있어서,
상기 예측 결과는 예측 속도 데이터 및 예측 정확도 데이터를 포함하는,
인공지능 모델 생성 방법.