KR102363432B1

KR102363432B1 - 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법

Info

Publication number: KR102363432B1
Application number: KR1020200122227A
Authority: KR
Inventors: 김종주
Original assignee: (주) 지니테크
Priority date: 2020-09-22
Filing date: 2020-09-22
Publication date: 2022-02-16

Abstract

본 발명은 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법에 관한 것이다. 본 발명에 따른 장애호 검출 시스템의 제어방법은, 개별 호에 대하여 단위 시간당 통화 품질을 포함하는 기본 호 처리 데이터를 수집하는 단계와; 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 단계와; 상기 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 생성된 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 단계와; 실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 상기 인공지능 시스템에 적용시켜 장애호를 판단하는 단계를 포함하는 것을 특징으로 한다.

Description

기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법{SYSTEM FOR DETECTING ERROR OCCURRENCE CALL USING MACHINE LEARNING AND CONTROL METHOD THEREOF}

본 발명은 장애호 검출 시스템 및 그 제어방법에 관한 것으로, 보다 상세하게는 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법에 관한 것이다.

최근 통신 기술의 발전과 더불어 유선, 인터넷 전화, 무선 전화 등이 널리 이용되고 있는데, 급격한 통신 환경의 변화로 인해 적절한 장비 증설이 이루어지지 않거나 기타 다양한 이유로 인해 통신 서비스 이용자들(고객들)로부터 통화 품질과 관련한 불만이 많이 제기되고 있다.

그런데 종래에는 통화 품질이 떨어지는 상태 즉, 장애호를 검출함에 있어서 통신 서비스 제공 업체의 운영자에 의해 수작업에 의존하고 있는 실정이다.

장애호가 발견되는 경우 이를 신속하게 파악하고 해결하는 것이 더 많은 고객을 유치하고 고객 충성도를 높이는데 기여하는 것임에도 불구하고, 운영자에 의한 수작업은 신속하지도 않을 뿐만 아니라 정확하지도 않다는 문제점이 있다.

즉, 호가 연결되어 통화가 이루어는 중간에는 수없이 많은 통신 환경 변화가 발생하고 그에 따라 매 순간 통화 품질이 변하게 되는데, 이러한 다양한 경우에 대해 단순히 개별 호 마다 생성되는 기존의 CDR(Call Detail Record)에 대한 수동 분석만으로는 장애호 여부에 대한 판정이 부정확할 수밖에 없다.

공개특허 제10-2009-0008948호

본 발명은 상기한 종래의 문제점을 해결하기 위해 안출된 것으로서, 그 목적은 수집된 호 처리 관련 데이터를 기초로 적절한 통계 데이터를 산출하고 기계 학습을 통해 장애호를 검출하는 시스템 및 그 제어방법을 제공하는 것이다.

상기한 목적을 달성하기 위해 본 발명에 따른 장애호 검출 시스템은, 개별 호에 대하여 단위 시간당 통화 품질을 포함하는 기본 호 처리 데이터를 수집하는 데이터 수집부와; 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 통계 데이터 생성부와; 상기 기본 호 처리 데이터에서 수집한 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 통계 데이터 생성부에서 생성한 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 기계 학습 처리부와; 실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 상기 인공지능 시스템에 적용시켜 장애호를 판단하는 판단부를 포함하여 구성된다.

또, 상기한 목적을 달성하기 위해 본 발명에 따른 장애호 검출 시스템의 제어방법은, 개별 호에 대하여 단위 시간당 통화 품질을 포함하는 기본 호 처리 데이터를 수집하는 단계와; 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 단계와; 상기 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 생성된 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 단계와; 실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 상기 인공지능 시스템에 적용시켜 장애호를 판단하는 단계를 포함하여 이루어진다.

이상 설명한 바와 같이 본 발명에 따르면, 장애호 검출의 정확도를 높일 수 있을 뿐만 아니라, 장애호 패턴에 대한 기계 학습을 통해 자동화가 이루어짐으로써, 장애호 패턴이 변하는 경우라도 장애호 검출이 가능해진다.

특히, 기계 학습을 수행함에 있어서, 각 개별 호의 통화 시간이 상당히 가변적이므로 각 호에 대한 단위 시간당 통화 품질을 그대로 이용하는 경우 기계 학습의 결과 생성된 인공 지능 모듈의 정확도가 상당히 떨어지는데, 본 발명과 같이 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 먼저 생성하는 경우 정규화 처리가 일관되게 이루어질 수 있고, 기계 학습의 결과 생성된 인공 지능 모듈의 정확도가 상당히 증대될 수 있다.

더 나아가 고객 클레임 정보와 저품질 비율을 동시에 고려하여 장애호 판정에 기초하여 기계 학습을 수행함으로써, 인공 지능 모듈의 정확도가 개선될 수 있다.

도 1은 본 발명의 일 실시예에 따른 장애호 검출 시스템을 포함하는 전체 시스템의 개략 구성도이고,
도 2는 도 1의 장애호 검출 시스템의 기능 블록도이고,
도 3은 인터넷 통화에 대해 실시간 획득 가능한 데이터의 일 예를 나타낸 도면이고,
도 4는 도 3의 데이터에 본 발명의 일 실시예에 따른 장애호 검출 시스템이 생성한 통계 데이터가 추가로 반영된 데이터의 일 예를 나타낸 도면이고,
도 5는 통화 품질 분포도를 그래프 형태로 나타낸 일 예를 나타낸 도면이고,
도 6은 CNN 처리 구조를 나타낸 도면이고,
도 7은 인터넷 통화에 대해 실시간 획득 가능한 데이터를 누적 저장하고 이렇게 누적 저장된 데이터에 기초하여 기계 학습이 이루어지는 과정을 나타낸 도면이고,
도 8은 PSTN 통화가 이루어진 후 저장되는 CDR 데이터에서 필요한 데이터를 누적 저장하고 이렇게 누적 저장된 데이터에 기초하여 기계 학습이 이루어지는 과정을 나타낸 도면이다.

이하에서는 첨부도면을 참조하여 본 발명에 대해 상세히 설명한다.

이하 본 발명에 따른 각 실시예는 본 발명의 이해를 돕기 위한 하나의 예에 불과하고, 본 발명이 이러한 실시예에 한정되는 것은 아니다. 특히 본 발명은 각 실시예에 포함되는 개별 구성, 개별 기능, 또는 개별 단계 중 적어도 어느 하나 이상의 조합으로 구성될 수 있다.

특히, 편의상 청구 범위의 일부 청구항에는 '(a)'와 같은 알파벳을 포함시켰으나, 이러한 알파벳이 각 단계의 순서를 규정하는 것은 아니다.

본 발명의 일 실시예에 따른 장애호 검출 시스템(100)을 포함하는 전체 시스템의 개략 구성은 도 1에 도시된 바와 같다.

동 도면에서 발신 단말기(300)는 전화를 상대방에게 거는 단말기이고, 착신 단말기(400)는 상대방으로부터 걸려온 전화를 받는 단말기이다.

이처럼 발신 단말기(300)와 착신 단말기(400)의 통신 경로 상의 중간에는 호 처리 시스템(200)이 존재하는데, 호 처리 시스템(200)의 기능은 발신 단말기(300)의 호 연결 요청을 수신하여 이에 대한 검증 처리 및 착신 단말기(400)로의 호 연결 처리를 수행하고, 더 나아가 발신 단말기(300)와 착신 단말기(400) 간의 호 연결 및 통화와 관련된 정보, 즉, 호 처리 데이터를 관리하는 기능을 수행한다.

이처럼 발신 단말기(300), 착신 단말기(400), 호 처리 시스템(200) 간에 발신, 착신, 호 연결 및 호 처리 데이터가 저장되는 과정은 기 공지된 기술에 해당하므로 보다 상세한 설명은 생략한다.

한편, 장애호 검출 시스템(100)은 상술한 호 처리 시스템(200)과 통신하여 호 연결 시점 또는 호 연결이 이루어지고 나서 기 설정된 시간이 경과한 후에 각 호에 대해 장애호인지 여부를 판단하는 기능을 수행한다.

특히, 실시간 장애호 검출을 위해서는 호 처리 시스템(200)과 장애호 검출 시스템(100) 간 패킷 미러링 또는 포트 미러링을 위한 장치가 더 구비될 수 있는데, 이 역시 공지된 기술에 해당하므로 보다 상세한 설명은 생략한다.

특히 장애호 검출 시스템(100)은 기계 학습을 수행한 이후, 장애호 여부를 검출하는 기능을 수행한다.

도 2에는 이러한 장애호 검출 시스템(100)의 구체적인 기능 블록의 일 예가 도시되었다.

동 도면에 도시된 바와 같이 장애호 검출 시스템(100)은 데이터 수집부(110), 데이터 정규화 처리부(130), 통계 데이터 생성부(120), 기계 학습 처리부(140), 판단부(150)를 포함하여 구성될 수 있다.

우선 데이터 수집부(110)는 각 개별 호와 관련된 기본 호 처리 데이터를 수집하는 기능을 수행한다.

여기서 호 처리 데이터는 호 연결이 발생한 시점의 실시간 데이터일 수도 있고, 또는 호가 종료된 이후 저장된 일종의 CDR(Call Detail Record) 데이터일 수도 있다.

특히, 데이터 수집부(110)가 수집하는 기본 호 처리 데이터에는 단위 시간당 통화 품질이 포함될 수 있고, 더 나아가 발신자 식별번호, 착신자 식별번호, 호 시작 시간, 호 종료 시간 또는 통화 시간 등이 포함될 수 있다.

뿐만 아니라 이러한 데이터 수집부(110)가 수집하는 기본 호 처리 데이터에는 해당 호에 대응되는 고객 클레임 정보가 포함될 수 있는데, 이는 해당 호의 통화 품질과 관련된 고객의 항의 또는 불만 표시가 있었는지를 나타내는 정보이다.

여기서 단위 시간당 통화 품질은 기 설정된 시간 간격으로 측정한 통화 품질을 의미하고, 예를 들어 100초 동안 통화를 하였고, 기 설정된 시간 간격이 20초라면, 총 5 개의 통화 품질이 측정되게 된다.

여기서 통화 품질은 통화 중 발생하는 딜레이를 고려하지 않은 값인 LQ(Listening Quality), 통화 중 발생하는 딜레이를 고려하는 값인 CQ(Conversation Quality) 중 적어도 어느 하나에 해당할 수 있고, 이러한 통화 품질 측정 값 또는 그 측정 방식 그 자체는 공지된 기술에 해당하므로 보다 상세한 설명은 생략한다.

다만, 본 실시예에서 통화 품질은 업링크와 다운링크 각각 구분된 것일 수 있다.

물론 이러한 통화 품질은 본 실시예에 따른 다른 구성에서 별도로 생성하는 것일 수도 있지만, 본 실시예에서는 기본 호 처리 데이터에 포함되는 것을 일 예로 한다.

또한 발신자 식별번호와 착신자 식별번호에는 각 통화 대상 단말기에 대한 식별번호 뿐만 아니라 통신 경로상에 위치한 장치들에 대한 식별번호도 포함될 수 있다.

즉, 발신자 식별번호에는 발신 단말기(300)의 식별번호(일 예로 발신 단말기(300) 전화번호)는 물론이고, 발신자측에 해당하는 장치들의 식별번호도 포함될 수 있고, 착신자 식별번호에는 착신 단말기(400)의 식별번호(일 예로 착신 단말기(400)의 전화번호)는 물론이고, 착신자측에 해당하는 장치들의 식별번호도 포함될 수 있다.

이에 따라 동일한 통화 품질이라도 각 통신 경로가 달라지는 경우 고객이 느끼는 정도가 다른 경우까지 포함하여 기계 학습이 이루어지도록 할 수 있다.

통계 데이터 생성부(120)는 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 기능을 수행한다.

구체적으로 통계 데이터 생성부(120)는 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질 각각에 대해 기 설정된 통화 품질 구간을 선정하고, 해당 호 전체에 대하여 통화 품질 구간별 비율을 이용하여 통화 품질의 분포도를 생성할 수 있다.

예를 들어 통화 품질 100을 기준으로 하였을 때, 통화 품질 구간을 30미만, 30이상에서 50미만 사이, 50이상에서 70미만 사이, 70이상에서 90미만 사이, 90이상으로 총 5 단계로 구분한 경우, 통계 데이터 생성부(120)는 단위 시간(예를 들어 100ms, 1s, 10초 등으로 미리 설정된 시간) 마다 측정된 통화 품질이 이러한 5단계 중에 어느 구간에 속하는지 판단하고, 통화 전체에 걸쳐서 측정된 통화 품질들에 대해 각 구간에 속한 비율을 판단함으로써 통화 품질의 분포도를 생성할 수 있다.

도 3에는 기본 호 처리 데이터의 일 예가 나타나 있고, 도 4에는 이러한 기본 호 처리 데이터를 이용하여 통화 품질의 분포도와 관련된 데이터가 추가된 상태가 나타나 있다. 즉, 도 4에는 도 3에서 추가된 데이터에 대해 음영처리로 나타내었다.

도 3 및 도 4는 데이터들이 논리적 구조를 나타낸 것으로서, 반드시 특정 데이터베이스에 포함된 테이블에 해당되는 것은 아니고, 적어도 일부가 메모리 등에 별도의 형태로 저장 또는 생성된 것일 수도 있다.

그리고 도 5에는 업링크와 다운링크 각각에 대한 통화 품질 분포도가 그래픽 형태로 나타나 있다.

도 5를 참조하면 업링크 및 다운링크의 경우 수집된 단위 시간당 전체 통화 품질 중에서 30미만인 경우가 11.11%이고, 30이상에서 50미만인 경우도 11.11%이며, 50이상에서 70미만인 경우가 0%이고, 70이상에서 90미만인 경우가 44.44%이며, 90이상인 경우가 33.33%임을 알 수 있다.

도 5에는 업링크와 다운링크가 모두 동일한 분포도를 보이는 것을 일 예로 하였으나, 업링크와 다운링크의 통화 품질 분포도가 통신 환경에 따라 서로 달라질 수도 있다.

데이터 정규화 처리부(130)는 데이터 수집부(110)에서 수집하는 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 통계 데이터 생성부(120)에서 생성한 통화 품질의 분포도를 기 설정된 알고리즘에 따라 동일한 길이가 되도록 정규화 처리를 수행하는 기능을 수행한다.

예를 들어 데이터 정규화 처리부(130)는 기 저장된 호 처리 데이터와 생성된 통화 품질 분포도를 추출 또는 수신하여 필드별로 기 설정된 알고리즘에 따라 동일한 길이가 되도록 정규화 처리를 수행하는 기능을 수행한다.

여기서, 데이터 정규화 처리부(130)는 이러한 호 처리 데이터가 자체 저장되어 있는 경우 이를 추출할 수도 있고, 또는 외부의 서버(200)로부터 수신할 수도 있다.

특히, 데이터 정규화 처리부(130)는 호 처리 데이터 및 통화 품질 분포도를 필드별로 정규화 처리를 수행하는데, 예를 들어 발신 전화 필드에 대한 정규화 크기가 15자리이고, 호 처리 데이터에 포함된 발신 전화번호가 '010-5555-1111'인 경우, 이에 대해 15자리를 맞추기 위해 추가로 '0'을 삽입하여 '000001055551111'과 같은 형태로 만들 수 있다.

특히 상술한 바와 같이 데이터 정규화 처리부(130)는 추출/수신된 기본 호 처리 데이터만을 정규화 처리하는 것이 아니라, 통계 데이터 생성부(120)에서 생성된 통화 품질의 분포도 역시 정규화 처리를 수행할 수 있는 것이다.

기계 학습 처리부(140)는 기본 호 처리 데이터에서 수집한 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 통계 데이터 생성부(120)에서 생성한 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 기능을 수행한다.

특히 앞서 설명한 바와 같이 정규화 처리부에 의한 각 필드별 정규화 처리가 된 경우, 기계 학습 처리부(140)는 정규화된 기본 호 처리 데이터 및 정규화된 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정할 수 있다.

즉, 인공지능 시스템 특히, 머신 러닝의 일종인 딥 러닝의 경우에는 신경망 구성을 이루는 각 레이어의 파라미터 값에 의해 그 결과가 달라질 수 있는데, 기계 학습 처리부(140)는 기계 학습을 통해 각 레이어의 파라미터 값을 결정하고 해당 인공지능 시스템에 반영되도록 하는 기능을 수행하는 것이다.

머신 러닝의 과정이 이처럼 인공 지능 시스템의 각 레이어에 있어서의 파라미터 값(일 예로 행렬 값)을 산출하는 과정에 해당하는 것 그 자체는 공지된 기술에 해당하므로 보다 상세한 설명은 생략한다.

기계 학습 처리부(140)는 기계 학습을 처리함에 있어서 특유의 기능을 수행하는데, 즉, 데이터 정규화 처리부(130)에 의해 정규화된 데이터를 1차원 이미지 데이터로 형성한 후, 해당 1차원 이미지 데이터에 대해 CNN(Convolutional Neural Network)에 의한 기계 학습을 수행하여 그 CNN의 각 파라미터를 결정하여 반영되도록 할 수 있다.

1차원 이미지로 형성하는 과정에 대해, 도 4의 데이터 중 일부를 이용하는 경우를 일 예로 설명하면, 데이터 정규화 처리부(130)는 발신 아이피(CALLER_IP), 착신 아이피(CALLEE_IP), 업링크에 대응하여 수집된 단위 시간당 전체 통화 품질 중에서 30미만, 30이상에서 50미만, 50이상에서 70미만, 70이상에서 90미만인 경우, 90이상인 경우, 다운링크에 대응하여 수집된 단위 시간당 전체 통화 품질 중에서 30미만인 경우, 30이상에서 50미만인 경우, 50이상에서 70미만인 경우, 70이상에서 90미만인 경우, 90이상인 경우가 순서대로 각각 '121.111.0.1', '212.0.0.112', '11.11', '11.11', '0', '44.44', '33.33', '11.11', '11.11', '0', '44.44', '33.33'인 경우, 이에 대해 각각 정규화 데이터를 '121111000001', '212000000112', '1111', '1111', '0000', '4444', '3333', '1111', '1111', '0000', '4444', '3333'과 같이 생성한 후, 이렇게 정규화 된 데이터를 일렬로 나란히 붙인 데이터 '1211110000012120000001121111111100004444333311111111000044443333'을 생성하고, 이를 1차원 이미지 데이터화 하는 것이다.

여기서 1차원 이미지라 함은, 한쪽 방향(일 예로, 가로 방향)으로만 픽셀이 서로 연결되고, 다른 쪽 방향(일 예로, 세로 방향)으로는 픽셀이 연결되지 않는 이미지를 의미한다.

이렇게 1차원 이미지화 처리를 수행한 기계 학습 처리부(140)는 해당 1차원 이미지를 CNN에 의한 기계 학습을 수행하여 CNN의 각 파라미터를 결정하여 반영시키게 된다.

n 픽셀을 가진 1차원 이미지를 CNN 알고리즘에 적용하여 처리하는 과정이 도 6에 도시되었다.

도 6을 참조하면, AI(인공지능) 모델인 신경망의 구성은 입력(Input), 층(Layer), 예측(Predict Result), 실제값(Target), 손실함수(Loss Function), 옵티마이저(Optimizer)로 구성될 수 있는데, 여기서 입력(Input)은 앞서 설명한 실시간 데이터 또는 CDR데이터와 통화 품질 분포도에 대해 정규화 방식으로 인코딩된 데이터가 입력되는 것을 의미한다.

또한, 층(Layer)은 신경망을 구성하는 층으로, 실시간 데이터처리 또는 CDR 데이터와 통화 품질 분포도 처리에 적합하도록 Layer 1 Dimension CNN 알고리즘에 최적화하도록 모델링 될 수 있다.

손실함수(Loss Function)는 학습에 사용할 피드백 신호를 정의하는 중요 구성요소로 deep learning 지침에 의해 2개의 클래스 분류의 경우 이진 크로스 엔트로피(Binary Crossentropy), 여러 클래스 분류의 경우 범주형 크로스 엔트로피(Categorical Crossentropy), 회귀의 경우 평균 제곱 오차, 시퀀스의 경우 CTC(connection TemporlClassification)를 적용하며, 다중 클래스가 존재하므로 주형 크로스 엔트로피(Categorical Crossentropy) 적용이 이루어진 것일 수 있다.

옵티마이저(Optimizer)는 학습 진행 방식을 결정하는 구성요소로 손실함수를 기반으로 신경망의 가중치 update를 결정하며, 확률적 경사 하강법(SGD: Stochastic Gradient Decent) 적용이 이루어지는 것일 수 있다.

상술한 바와 같이 정규화 작업을 마친 데이터는 CNN 모델링이 가능하도록 일차원 이미지 배열로 구성되고, 이미지에 대한 반복적인Convolution 연산을 통하는 기계 학습에 의해 레이어 파라미터에 대한 최적의 값이 도출될 수 있는 것이다.

다만, 기계 학습을 수행함에 있어서, 장애호 판정 여부에 대한 정보(도 4의 AI_LABEL)가 일종의 라벨링을 위해 필요한데, 기계 학습 처리부(140)는 기본 호 처리 데이터에 포함된 고객 클레임 정보에 기초하여 장애호 판정 여부를 판단할 수 있다.

즉, 본 실시예에 따른 기계 학습은 장애호 판정을 위한 각종 레이어 파라미터를 수행하는 것으로서, 기계 학습시 입력된 데이터에 대한 예상 결과(도 6의 Result Y')와 장애호 판정 값(도 6의 Target Y)을 비교하면서 점차 예측차이가 줄어드는 방향으로 학습이 이루어지는데, 이때 장애호 판정값을 고객 클레임 정보에 따라 결정할 수 있는 것이다. 즉 고객 클레임이 있다면 장애호로 판정하는 것이다.

다른 예로써, 기계 학습 처리부(140)는 기계 학습 수행시 필요한 장애호 판정값을 단위 시간당 통화 품질 중 기 설정된 기준 품질 이하인 비율(이하, '저품질 비율'이라고 함)에 기초할 수도 있다.

예를 들어 10분 동안 이루어진 호에 대해 20초 간격으로 통화 품질값을 저장한 경우, 100점을 기준으로 기 설정된 값(예를 들어 50점) 이하인 통화 품질이 측정된 비율이 15% 이상인 경우 해당 호에 대해 장애호로 판정할 수 있는 것이다.

더 나아가 기계 학습 처리부(140)는 상술한 고객 클레임 정보와 저품질 비율을 조합하여 장애호 판정을 결정할 수도 있다.

예를 들어 관리자에 의해 고객의 클레임 정보가 상, 중, 하로 입력된 경우, 저품질 비율과 상, 중, 하 각각에 할당된 점수를 기 설정된 비율로 조합하여 장애호 판정을 결정할 수 있는 것이다.

도 6과 같은 구성이 이루어진 경우, CNN 알고리즘에 따라 기계 학습이 이루어지는 과정 그 자체는 공지된 기술에 해당하므로 보다 상세한 설명은 생략한다.

한편, 판단부(150)는 실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 인공지능 시스템에 적용시켜 장애호를 판단하는 기능을 수행한다.

즉, 앞서 설명한 바와 같이 기계 학습에 의해 인공지능 시스템의 각 파라미터가 결정된 이후, 판단부(150)는 실시간 호 연결 데이터 또는 CDR 데이터를 해당 인공지능 시스템에 입력값으로 전달하여 장애호 여부를 판단토록 하는 것이다.

특히, 판단부(150)는 호 연결 방식에 따른 처리를 구분하여 처리할 수 있는데, 호 연결이 인터넷을 통한 연결인 경우 실시간 호 연결 데이터를 추출한 후 해당 호 연결 데이터를 인공지능 시스템에 적용시켜 장애호를 판단하고, 호 연결이 공중전화망(PSTN : Public Switched Telephone Network)을 통한 연결인 경우 해당 호 연결이 종료된 후 저장되는 CDR 정보를 인공지능 시스템에 적용시켜 장애호를 판단할 수 있다.

이처럼 호 연결 방식에 따른 전체적인 처리 방식에 대해서는 도 7 및 도 8에 도시 되었다.

도 7은 인터넷을 통해 SIP 호가 발생되는 경우의 처리 과정을 나타낸 것이다.

동 도면을 참조하면, 장애호 검출 시스템(100)은 호 처리 시스템(200)에 송수신 되는 패킷이 패킷 미러링을 통해 수신되는 경우, 실시간 데이터 추출 블록의 실시간 추출 모듈에서 실시간 호 관련 정보를 추출하여 AI 검출 블록에 전달하는데, AI 검출 블록에서는 이를 기 구축된 AI 모델(즉, 상술한 파라미터가 결정 및 반영된 인공지능 시스템에 해당함)에 적용하여 장애호를 검출함과 아울러, 해당 실시간 데이터에 대한 기계 학습 처리도 추가로 수행한다.

이러한 기계 학습 처리의 추가 진행은 인공지능 시스템의 파라미터에 대한 갱신을 의미하며, 이에 따라 장애호 패턴이 변경되는 경우에도 지속적으로 추적 관리가 가능해 진다.

도 8은 PSTN을 통해 호가 발생되는 경우의 처리 과정을 나타낸 것이다.

동 도면을 참조하면, 장애호 검출 시스템(100)의 CDR 수집 블록은 PSTN 호 발생 후 누적 저장되는 CDR 데이터를 주기적으로 수집하고, 이를 AI 검출 블록에 전달하는데, AI 검출 블록에서는 이러한 CDR 데이터를 기 구축된 AI 모델에 적용하여 장애호를 검출함과 아울러, 해당 CDR 데이터에 대한 기계 학습 처리도 추가로 수행한다.

한편, 상술한 각 실시예를 수행하는 과정은 소정의 기록 매체(예를 들어 컴퓨터로 판독 가능한)에 저장된 프로그램 또는 애플리케이션에 의해 이루어질 수 있음은 물론이다. 여기서 기록 매체는 RAM(Random Access Memory)과 같은 전자적 기록 매체, 하드 디스크와 같은 자기적 기록 매체, CD(Compact Disk)와 같은 광학적 기록 매체 등을 모두 포함한다.

이때, 기록 매체에 저장된 프로그램은 컴퓨터나 스마트폰 등과 같은 하드웨어 상에서 실행되어 상술한 각 실시예를 수행할 수 있다. 특히, 상술한 본 발명에 따른 장애호 검출 시스템(100)의의 기능 블록 중 적어도 어느 하나는 이러한 프로그램 또는 애플리케이션에 의해 구현될 수 있다.

또한, 본 발명은 상기한 특정 실시예에 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 변형 및 수정하여 실시할 수 있는 것이다.

특히, 상술한 실시예에서는 통화 호가 연결된 경우를 위주로 설명하였으나, 통화 호가 제대로 연결되지 않고 실패한 경우까지 포함할 수 있음은 물론이다. 이 경우 단위 시간당 통화 품질 정보는 공백으로 채워질 수 있다.

이러한 변형 및 수정이 첨부되는 청구범위에 속한다면 본 발명에 포함된다는 것은 자명할 것이다.

100 : 장애호 검출 시스템 200 : 호 처리 시스템
300 : 발신 단말기 400 : 착신 단말기
110 : 데이터 수집부 120 : 통계 데이터 생성부
130 : 데이터 정규화 처리부 140 : 기계 학습 처리부
150 : 판단부

Claims

삭제
(a) 개별 호에 대하여 단위 시간당 통화 품질을 포함하는 기본 호 처리 데이터를 수집하는 단계와;
(b) 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 단계와;
(c) 상기 (a) 단계의 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 (b) 단계에서 생성된 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 단계와;
(d) 실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 상기 인공지능 시스템에 적용시켜 장애호를 판단하는 단계를 포함하고,
상기 (c) 단계 이전에, (e) 상기 (a) 단계의 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 (b) 단계에서 생성된 통화 품질의 분포도를 기 설정된 알고리즘에 따라 동일한 길이가 되도록 정규화 처리를 수행하는 단계를 더 포함하고,
상기 (c) 단계에서는, 상기 정규화 처리된 데이터를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항에 있어서,
상기 (b) 단계는,
(b1) 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질 각각에 대해 기 설정된 통화 품질 구간을 선정하는 단계와;
(b2) 해당 호 전체에 대하여 통화 품질 구간별 비율을 이용하여 통화 품질의 분포도를 생성하는 단계를 포함하는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항에 있어서,
상기 (c) 단계에서는, 상기 (e) 단계에서 정규화된 데이터를 1차원 이미지 데이터로 형성한 후, 해당 1차원 이미지 데이터에 대해 CNN(Convolutional Neural Network)에 의한 기계 학습을 수행하여 상기 CNN의 각 파라미터를 결정하는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항에 있어서,
상기 (a) 단계의 기본 호 처리 데이터에는, 해당 호에 대응되는 고객 클레임 정보가 포함되고,
상기 (c) 단계의 기계 학습 수행시 필요한 장애호 판정은 상기 기본 호 처리 데이터에 포함된 고객 클레임 정보에 기초하는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항에 있어서,
상기 (c) 단계의 기계 학습 수행시 필요한 장애호 판정은 상기 단위 시간당 통화 품질 중 기 설정된 기준 품질 이하인 비율에 기초하는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항에 있어서,
상기 (a) 단계에서는 상기 기본 호 처리 데이터에는 발신자 식별번호, 착신자 식별번호, 호 시작 시간, 호 종료 시간 및 시간당 통화 품질이 포함되는 것을 특징으로 하는 장애호 검출 시스템의 제어방법.
제2항 내지 제7항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
하드웨어와 결합되어 제2항 내지 제7항 중 어느 한 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능 기록 매체에 저장된 응용 프로그램.
삭제
개별 호에 대하여 단위 시간당 통화 품질을 포함하는 기본 호 처리 데이터를 수집하는 데이터 수집부와;
상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질에 기초하여 통화 품질의 분포도를 생성하는 통계 데이터 생성부와;
상기 기본 호 처리 데이터에서 수집한 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 통계 데이터 생성부에서 생성한 통화 품질의 분포도를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 기계 학습 처리부와;
실시간 호 연결 데이터와 CDR(Call Detail Record) 데이터 중 적어도 어느 하나를 상기 인공지능 시스템에 적용시켜 장애호를 판단하는 판단부를 포함하고,
상기 데이터 수집부에서 수집하는 기본 호 처리 데이터에 포함된 적어도 하나의 정보와 상기 통계 데이터 생성부에서 생성한 통화 품질의 분포도를 기 설정된 알고리즘에 따라 동일한 길이가 되도록 정규화 처리를 수행하는 정규화 처리부를 더 포함하고,
상기 기계 학습 처리부는 상기 정규화 처리된 데이터를 입력값으로 하는 기계 학습을 수행하여 인공지능 시스템의 각 파라미터를 결정하는 것을 특징으로 하는 장애호 검출 시스템.
제11항에 있어서,
상기 통계 데이터 생성부는, 상기 기본 호 처리 데이터에 포함된 단위 시간당 통화 품질 각각에 대해 기 설정된 통화 품질 구간을 선정하고, 해당 호 전체에 대하여 통화 품질 구간별 비율을 이용하여 통화 품질의 분포도를 생성하는 것을 특징으로 하는 장애호 검출 시스템.
제11항에 있어서,
상기 기계 학습 처리부는, 상기 정규화 처리부에 의해 정규화된 데이터를 1차원 이미지 데이터로 형성한 후, 해당 1차원 이미지 데이터에 대해 CNN(Convolutional Neural Network)에 의한 기계 학습을 수행하여 상기 CNN의 각 파라미터를 결정하는 것을 특징으로 하는 장애호 검출 시스템.
제11항에 있어서,
상기 데이터 수집부가 수집하는 기본 호 처리 데이터에는 해당 호에 대응되는 고객 클레임 정보가 포함되고,
상기 기계 학습 처리부는 기계 학습 수행시 필요한 장애호 판정을 상기 기본 호 처리 데이터에 포함된 고객 클레임 정보에 기초하는 것을 특징으로 하는 장애호 검출 시스템.
제11항에 있어서,
상기 기계 학습 처리부는 기계 학습 수행시 필요한 장애호 판정을 상기 단위 시간당 통화 품질 중 기 설정된 기준 품질 이하인 비율에 기초하는 것을 특징으로 하는 장애호 검출 시스템.
제11항에 있어서,
상기 데이터 수집부가 수집하는 기본 호 처리 데이터에는 발신자 식별번호, 착신자 식별번호, 호 시작 시간, 호 종료 시간 및 시간당 통화 품질이 포함되는 것을 특징으로 하는 장애호 검출 시스템.