KR102393418B1 - 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 - Google Patents

데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 Download PDF

Info

Publication number
KR102393418B1
KR102393418B1 KR1020170123239A KR20170123239A KR102393418B1 KR 102393418 B1 KR102393418 B1 KR 102393418B1 KR 1020170123239 A KR1020170123239 A KR 1020170123239A KR 20170123239 A KR20170123239 A KR 20170123239A KR 102393418 B1 KR102393418 B1 KR 102393418B1
Authority
KR
South Korea
Prior art keywords
air conditioner
temperature
learning model
learning
server
Prior art date
Application number
KR1020170123239A
Other languages
English (en)
Other versions
KR20180112653A (ko
Inventor
옥현우
김민경
김탄
송형선
신동준
임성빈
서형준
주영주
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to CN201880022241.2A priority Critical patent/CN110494697A/zh
Priority to BR112019020372-9A priority patent/BR112019020372B1/pt
Priority to AU2018246843A priority patent/AU2018246843B2/en
Priority to RU2019134550A priority patent/RU2772237C2/ru
Priority to EP18753038.1A priority patent/EP3411634B1/en
Priority to EP22176021.8A priority patent/EP4071416A1/en
Priority to PCT/KR2018/003774 priority patent/WO2018182357A1/en
Priority to US15/941,687 priority patent/US11137161B2/en
Priority to CA3058373A priority patent/CA3058373A1/en
Publication of KR20180112653A publication Critical patent/KR20180112653A/ko
Priority to US17/489,084 priority patent/US20220018567A1/en
Priority to KR1020220052392A priority patent/KR102553299B1/ko
Application granted granted Critical
Publication of KR102393418B1 publication Critical patent/KR102393418B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/59—Remote control for presetting
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • F24F11/523—Indication arrangements, e.g. displays for displaying temperature data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/20—Feedback from users
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Abstract

본 개시의 데이터 학습 서버는, 외부 기기와 통신 가능한 통신부, 상기 통신부를 통하여, 공기 조화기에 설정된 설정 온도 및 상기 온도 설정 시 상기 공기 조화기의 현재 온도를 획득하는 학습 데이터 획득부, 상기 설정 온도 및 상기 현재 온도를 이용하여 학습 모델을 생성 또는 갱신하는 모델 학습부, 및 상기 학습 모델의 생성 또는 갱신 결과로서, 상기 공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부를 포함한다. 예로, 본 개시의 데이터 학습 서버는, 인공 지능 알고리즘으로서, 신경망 알고리즘, 딥 러닝 알고리즘 또는 선형 회귀 알고리즘 등을 이용하여 추천 온도를 제공하도록 학습된 학습 모델을 생성할 수 있다.

Description

데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법{DATA LEARNING SERVER AND METHOD FOR GENERATING AND USING THEREOF}
본 개시는 학습 모델 생성 방법 및 생성된 학습 모델을 이용하는 데이터 학습 서버에 관한 것이다.
근래에는 음성, 이미지, 동영상 또는 텍스트와 같은 데이터를 자동(Automation)으로 인식하여 데이터와 연관된 정보를 제공하거나 데이터와 관련된 서비스를 제공하는 지능형 서비스(Intelligent Service)가 다양한 분야에서 사용되고 있다.
지능형 서비스에 이용되는 인공 지능 기술은 인간 수준의 지능을 구현하는 기술로서, 기존 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 기술이다. 인공 지능 기술은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 기술은 점차 인공 지능 기술로 대체되고 있다.
인공 지능 기술은 기계학습 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 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.
인공 지능 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.
개시된 발명의 일 측면은, 인공 지능 기술을 이용하여 공기 조화기(또는, 에어컨)의 온도를 설정하는 데 목적이 있다.
이에 따라, 본 개시는, 공기 조화기의 온도를 설정하기 위한 학습 모델을 생성 및 이용하는 방법을 제시한다.
그밖에, 본 개시에서 해결하고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급하지 않은 다른 기술적 과제들은 아래의 기재로부터 본 개시에 속하는 기술분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
본 개시에 실시예에 따른 데이터 학습 서버는, 외부 기기와 통신 가능한 통신부, 상기 통신부를 통하여, 공기 조화기에 설정된 설정 온도 및 상기 온도 설정 시 상기 공기 조화기의 현재 온도를 획득하는 학습 데이터 획득부, 상기 설정 온도 및 상기 현재 온도를 이용하여 학습 모델을 생성 또는 갱신하는 모델 학습부, 및 상기 학습 모델의 생성 또는 갱신 결과로서, 상기 공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부를 포함한다.
본 개시의 다른 실시예에 따른 데이터 학습 서버는, 공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부, 상기 공기 조화기의 현재 온도를 획득하는 인식 데이터 획득부, 상기 현재 온도를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하는 모델 적용부, 및 상기 추천 온도를 외부 기기로 전송하는 통신부를 포함한다.
본 개시의 또 다른 실시예에 따른, 네트워크 시스템은 공기 조화기 및 상기 공기 조화기로부터 획득된 학습 데이터를 이용하여 학습 모델을 생성하는 학습 모델 서버를 포함하고, 상기 공기 조화기는 상기 공기 조화기 주변의 현재 온도를 감지하는 온도 센서, 상기 공기 조화기에 설정된 설정 온도에 기반하여, 냉기를 외부로 토출하는 송풍팬, 및 상기 감지된 현재 온도 및 상기 설정된 설정 온도를 외부 기기로 전송하는 통신부를 포함하고, 상기 학습 모델 서버는, 상기 현재 온도 및 상기 설정 온도를 획득하는 학습 데이터 획득부, 상기 획득된 설정 온도 및 상기 현재 온도를 이용하여 학습 모델을 생성하는 모델 학습부, 및 상기 학습 모델의 생성 결과로서, 상기 공기 조화기의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부를 포함한다.
본 개시의 또 다른 실시예에 따른, 네트워크 시스템은, 상기 네트워크 시스템은, 공기 조화기 및 상기 공기 조화기로부터 획득된 인식 데이터를 이용하여 추천 온도를 제공하는 학습 모델 서버를 포함하고, 상기 공기 조화기는, 상기 공기 조화기의 현재 온도를 감지하는 온도 센서, 상기 공기 조화기에서 생성된 냉기를 외부로 토출하는 송풍팬, 및 상기 현재 온도를 제1 외부 기기로 전송하는 통신부를 포함하고, 상기 학습 모델 서버는 상기 공기 조화기의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부, 상기 현재 온도를 획득하는 인식 데이터 획득부, 상기 현재 온도를 상기 학습 모델로 입력하여 상기 공기 조화기의 추천 온도를 획득하는 모델 적용부, 및 상기 획득된 추천 온도를 제2 외부 기기로 전송하는 통신부를 포함한다.
본 개시의 또 다른 실시예에 따른, 공기 조화기는, 냉기를 외부로 토출하는 송풍팬, 상기 공기 조화기 주변의 현재 온도를 감지하는 온도 센서, 외부 기기와 통신 가능한 통신부, 및 상기 현재 온도가 상기 외부 기기로 전송되도록 상기 통신부를 제어하고, 상기 현재 온도의 전송에 따라, 학습 모델에 상기 현재 온도를 적용한 결과인 추천 온도가 상기 외부 기기로부터 수신되도록 상기 통신부를 제어하고, 상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 프로세서를 포함한다. 이 때, 학습 모델은 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델일 수 있다.
본 개시의 또 다른 실시예에 따른, 사용자 단말은, 화면을 표시하는 디스플레이, 외부 기기와 통신 가능한 통신부, 사용자 입력을 수신하는 입력부, 및 상기 화면에 포함된 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호가 상기 입력부를 통하여 수신되면, 상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호가 상기 공기 조화기로 전송되도록 상기 통신부를 제어하고, 상기 인공 지능 동작 요청 신호에 따라 상기 공기 조화기의 현재 온도를 학습 모델에 적용한 결과인 상기 공기 조화기에 설정되는 추천 온도가 상기 통신부를 통하여 획득되면, 상기 획득된 추천 온도가 표시되도록 상기 디스플레이를 제어하는 프로세서를 포함한다.
본 개시의 또 다른 실시예에 따른, 데이터 학습 서버의 학습 모델 생성 방법은, 공기 조화기에 설정된 설정 온도 및 상기 온도 설정 시 상기 공기 조화기의 현재 온도를 획득하는 동작, 상기 설정 온도 및 상기 현재 온도를 이용하여 학습 모델을 생성 또는 갱신하는 동작, 및 상기 학습 모델의 생성 또는 갱신 결과로서, 상기 공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 동작을 포함한다.
본 개시의 또 다른 실시예에 따른, 데이터 학습 서버의 학습 모델 이용 방법은, 공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 동작, 상기 공기 조화기의 현재 온도를 획득하는 동작, 상기 현재 온도를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하는 동작, 및 상기 추천 온도를 외부 기기로 전송하는 동작을 포함한다.
본 개시의 또 다른 실시예에 따른, 공기 조화기의 추천 온도 제공 방법은, 상기 공기 조화기의 현재 온도를 감지하는 동작, 상기 감지된 현재 온도를 외부 기기로 전송하는 동작, 상기 현재 온도의 전송에 따라, 학습 모델에 상기 현재 온도를 적용한 결과인 추천 온도를 상기 외부 기기로부터 수신하는 동작, 및 상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 동작을 포함한다. 이 때, 학습 모델은 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델일 수 있다.
본 개시의 또 다른 실시예에 따른, 사용자 단말의 공기 조화기 제어 방법은, 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신하는 동작, 상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 상기 공기 조화기로 전송하는 동작, 상기 인공 지능 동작 요청 신호에 따라, 상기 공기 조화기의 현재 온도를 학습 모델에 적용한 결과인 상기 공기 조화기에 설정되는 추천 온도를 획득하는 동작, 상기 획득된 추천 온도를 화면에 표시하는 동작을 포함한다.
본 개시의 또 다른 실시예에 따른, 공기 조화기 및 학습 모델 서버를 포함하는 네트워크 시스템의 학습 모델 생성 방법은, 상기 공기 조화기에서, 온도를 설정하는 사용자 제어 신호를 수신하는 동작, 상기 공기 조화기에서, 상기 설정 온도 및 상기 공기 조화기의 현재 온도를 외부 기기로 전송하는 동작, 상기 학습 모델 서버에서, 상기 설정 온도 및 상기 현재 온도를 이용하여 학습 모델을 생성하는 동작, 및 상기 학습 모델 서버에서, 상기 공기 조화기의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 동작을 포함한다.
본 개시의 또 다른 실시예에 따른, 공기 조화기 및 학습 모델 서버를 포함하는 네트워크 시스템의 추천 온도 제공 방법은, 상기 공기 조화기에서, 상기 공기 조화기의 현재 온도를 외부 기기로 전송하는 동작, 상기 학습 모델 서버에서, 상기 현재 온도를 학습 모델에 적용하여 공기 조화기의 추천 온도를 획득하는 동작, 및 상기 공기 조화기에서, 상기 추천 온도를 상기 외부 기기로 전송하는 동작을 포함한다.
본 개시의 또 다른 실시예에 따른, 공기 조화기 및 사용자 단말을 포함하는 네트워크 시스템의 공기 조화기 제어 방법에 있어서, 상기 사용자 단말에서, 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신하는 동작, 상기 사용자 단말에서, 상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 상기 공기 조화기로 전송하는 동작, 상기 공기 조화기에서, 상기 인공 지능 동작 요청 신호가 수신되면, 상기 공기 조화기의 현재 온도를 외부 기기로 전송하는 동작, 상기 공기 조화기에서, 상기 현재 온도의 전송에 따라, 학습 모델에 상기 현재 온도를 적용한 결과인 추천 온도를 상기 외부 기기로부터 수신하는 동작, 및 상기 공기 조화기에서, 상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 동작을 포함한다. 이 때, 상기 학습 모델은 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델일 수 있다.
본 개시의 실시예에 따르면, 인공 지능 기술을 이용하여 공기 조화기에 설정되는 온도가 자동으로 추천됨에 따라, 온도를 제어하는 사용자의 편의성이 크게 향상될 수 있다. 특히, 사용자에게 가장 이상적인 추천 온도가 제공될 수 있다.
또한, 본 개시의 학습 모델 이용 방식에 따르면, 공기 조화기를 설정하는 사용자의 온도 설정 이력에 기반하여 학습 모델의 지속적인 업데이트 및 성능 향상이 가능하게 되어, 본 개시에 따른 학습 모델을 이용할수록 사용자에게 가장 이상적인 추천 온도가 제공될 수 있다.
즉, 공기 조화기를 이용하는 사용자들 각각에게 맞춤화된 학습 모델의 생성이 가능하여, 다수의 사용자들 각각에 적합한 최적의 추천 온도의 제공이 가능하게 된다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
도 1a 및 도 1b는, 본 개시의 실시예에 따른 학습 모델을 생성 및 이용하는 네트워크 시스템을 나타내는 도면이다.
도 2a 및 도 2b는, 본 개시의 실시예에 따른 데이터 학습 서버의 구성을 나타내는 도면이다.
도 3a 및 도 3b는 본 개시의 일 실시예에 따른 네트워크 시스템의 흐름도들이다.
도 4는, 본 개시의 실시예에 따른 학습 모델의 생성 예를 나타내는 표이다.
도 5는, 본 개시의 실시예에 따른 학습 데이터의 가중치 부여 예를 나타내는 도면이다.
도 6은, 본 개시의 실시예에 따른 클라우드 서버의 구조를 나타내는 도면이다.
도 7은, 본 개시의 실시예에 따른 학습 모델의 생성 절차를 나타내는 도면들이다.
도 8은, 본 개시의 실시예에 따른 공기 조화기의 구성을 나타내는 블록도들이다.
도 9는 본 개시의 일 실시 예에 따른 사용자 단말(U)의 구성을 도시한 블럭도이다.
도 10a 및 도 10b는 본 개시의 일 실시예에 따른, 사용자 단말이 추천 온도를 제공하는 화면을 나타내는 도면이다.
도 11은 본 개시의 일 실시 예에 따른 데이터 학습 서버의 학습 모델 생성 방법을 나타내는 흐름도이다.
도 12는 본 개시의 일 실시 예에 따른 데이터 학습 서버의 학습 모델 이용 방법을 나타내는 흐름도이다.
도 13은 본 개시의 일 실시 예에 따른 공기 조화기의 추천 온도 제공 방법을 나타내는 흐름도이다.
도 14는 본 개시의 일 실시 예에 따른 사용자 단말의 공기 조화기 제어 방법을 나타내는 흐름도이다.
도 15는 본 개시의 일 실시예에 따른 사용자 단말 및 공기 조화기를 포함하는 네트워크 시스템의 흐름도이다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 개시된 발명의 바람직한 일 예에 불과할 뿐이며, 본 출원의 출원시점에 있어서 본 명세서의 실시예와 도면을 대체할 수 있는 다양한 변형 예들이 있을 수 있다.
또한, 본 명세서의 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다.
또한, 본 명세서에서 사용한 용어는 실시예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는다.
또한, 본 명세서에서 사용한 "제1", "제2" 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, (예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
이하에서는 본 발명에 따른 실시예를 첨부된 도면을 참조하여 상세히 설명한다.
도 1a 및 도 1b는, 본 개시의 실시예에 따른 학습 모델을 생성 및 이용하는 네트워크 시스템을 나타내는 도면이다.
네트워크 시스템은 공기 조화기(A: Aa 또는 Ab), 사용자 단말(U: Ua 또는 Ub) 및 클라우드 서버(C)를 포함할 수 있다. 공기 조화기(A)는 실내의 공기의 온도 또는 습도를 조절하는 가전 기기일 수 있다. 공기 조화기(A)에는, 공기 조화기(Aa)과 같이 벽걸이형이 있을 수 있고, 공기 조화기(Ab)와 같이 스탠드형이 있을 수 있다.
사용자 단말(U)은 공기 조화기(A)를 원격으로 제어하는 기기일 수 있다. 사용자 단말(U)은, 사용자 단말(Ua)과 같이, 공기 조화기 제어 어플리케이션(또는, 앱)이 설치된 스마트 폰(Smart Phone), 셀룰러 폰(Cellular Phone) 또는 태블릿 피씨(Tablet PC)이 있을 수 있고, 또는, 사용자 단말(Ub)과 같이, 공기 조화기 전용 원격 제어 장치(Remote Controller)(또는, 리모컨)가 있을 수 있다. 그 밖에, 사용자 단말(U)은, 스마트 TV, 디지털 카메라, 개인용 디지털 보조장치(PDA, Personal Digital Assistant), 휴대용 멀티미디어 플레이어(Portable Multimedia Player: PMP), 노트북 및 데스크 탑 컴퓨터 등이 그 대상이 될 수 있으나, 전술한 예에 제한되지는 않는다.
사용자 단말(U)은 공기 조화기(A)를 원격으로 제어할 수 있다. 예로, 사용자 단말(U)은 지그비(ZigBee), 와이파이(WIFI), 블루투스(Bluetooth), 이동 통신, 근거리 통신망(LAN), 광역 통신망(WAN), 적외선(IrDA), UHF 및 VHF와 같은 RF 통신 기술 등을 이용하여 공기 조화기(A)로 제어 명령을 전송할 수 있다.
클라우드 서버(C)는 공기 조화기(A)와 제3 기기(예로, 엑세스 포인트(AP), 중계기, 공유기, 게이트웨이 또는 허브 등)를 통하여 연결되거나 또는 직접 연결될 수 있다.
클라우드 서버(C)는 하나 이상의 서버로 구성될 수 있다. 예로, 클라우드 서버(C)는 브릿지 서버(BS), 스마트 홈 서비스 서버(SS) 및 데이터 학습 서버(DS) 중 적어도 하나를 포함할 수 있다. 이 경우, 브릿지 서버(BS), 스마트 홈 서비스 서버(SS) 및 데이터 학습 서버(DS) 중 두 개 이상은 통합되어 하나의 서버로 구성될 수 있다. 또는, 브릿지 서버(BS), 스마트 홈 서비스 서버(SS) 및 데이터 학습 서버(DS) 중 적어도 하나는 복수 개의 서브 서버들로 분리될 수도 있다.
브릿지 서버(BS)(또는, 기기 상태 정보 수집 서버)는 스마트 가전 기기(예로, 공기 조화기, 세탁기, 냉장기, 청소기, 오븐 등)의 상태 정보를 수집할 수 있다.
브릿지 서버(BS)는 연결 API(connectivity API)(BS1) 및 기기 상태 데이터 DB(BS2)를 포함할 수 있다.
연결 API(BS1)는, 이종(異種)의 프로토콜에 따라 동작하는 서로 다른 기기들 간의 인터페이스 역할을 하는 어플리케이션 프로그래밍 인터페이스(Application Programming Interface; 이하 API라 함)를 포함할 수 있다. API는 어느 하나의 프로토콜에서 다른 프로토콜의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API는 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경을 제공할 수 있다.
브릿지 서버(BS)는 연결 API(BS1)를 이용하여, 공기 조화기의 상태 정보를 수집할 수 있다. 그리고, 브릿지 서버(BS)는 수집된 공기 조화기의 상태 정보를 기기 상태 데이터 DB(BS2)에 저장할 수 있다.
스마트 홈 서비스 서버(SS)(또는, 외부 환경 정보 수집 서버)는 외부 환경 정보를 수집할 수 있다. 외부 환경 정보는, 예로, 외부 컨텐츠 서버(CP)(예로, 기상청 서버, 웨더아이 서버 등)가 제공하는 날씨 정보로서 외부 온도 및 외부 습도 중 적어도 하나를 포함할 수 있다.
데이터 학습 서버(DS)는 학습 모델을 생성하고, 학습된 생성 모델을 이용하여 학습 모델 적용 결과를 획득할 수 있다.
데이터 학습 서버(DS)는, 데이터 수집 API(Data Import API)(DS1), 데이터 분석 엔진(Data Analytics Engine)(DS2), 분석 DB(Analytics DB)(DS3), 데이터 서비스 API(Data Service API)(DS4)를 포함할 수 있다.
도 1a는, 데이터 학습 서버(DS)가 학습 모델을 생성하는 네트워크 시스템이고, 도 1b는 데이터 학습 서버(DS)의 생성된 학습 모델을 이용하는 네트워크 시스템을 나타낸다.
먼저, 도 1a를 참조하여, 데이터 학습 서버(DS)가 학습 모델을 생성하는 네트워크 시스템의 절차를 설명하고자 한다.
동작 ①에서, 공기 조화기(A)는 공기 조화기(A)의 상태 정보(예로, 설정 온도, 현재 온도 등)을 제3 기기(예로, 엑세스 포인트(AP), 중계기, 공유기, 게이트웨이 또는 허브 등)를 통하여 클라우드 서버(C)로 전송할 수 있다. 클라우드 서버(C)의 브릿지 서버(BS)는 연결 API(connectivity API)(BS1)을 이용하여, 공기 조화기(A)으로부터 전송된 공기 조화기(A)의 상태 정보를 수집하여 기기 상태 데이터 DB(BS2)에 저장할 수 있다.
공기 조화기(A)의 상태 정보는, 사용자의 희망 온도에 따라 공기 조화기(A)에 설정된 설정 온도 및 상기 온도 설정 시의 공기 조화기의 현재 온도(예로, 실내 온도, 주변 온도)를 포함할 수 있다.
여기서, 사용자의 희망 온도는 일반적으로는 공기 조화기(A)에서 설정되는 설정 온도와 동일할 수 있으나, 희망 온도에 다다르기까지 공기 조화기(A)가 단계적으로 설정한 설정 온도가 될 수도 있다.
또한, 온도 설정 시의 현재 온도(또는, 실내 온도, 주변 온도)란, 예로, 온도 설정 시각(예로, 공기 조화기(A)의 온도를 설정하는 사용자의 조작이 발생한 시각)에 공기 조화기(A)가 센싱한 온도뿐만 아니라, 온도 설정 후 일정 시간(예로, 10분) 이내에 공기 조화기(A)가 센싱한 온도 또는 온도 설정 전에 미리 센싱하여 저장 중인 최근의 온도 중 적어도 하나를 포함할 수 있다.
또한, 공기 조화기(A)의 상태 정보는, 공기 조화기(A)에 설정된 운전 모드 정보를 포함할 수 있다. 운전 모드에는, 예로, 스마트 쾌적 모드, 열대야 쾌면 모드, 무풍 열대야 쾌면 모드 및 2 단계 쿨링(2-step cooling) 모드 등이 있을 수 있으나, 전술한 모드에 제한되지는 않는다.
다양한 실시예로, 기기 상태 데이터 DB(BS2)에는 공기 조화기(A)의 온도 설정 시의 시간 정보가 함께 저장될 수도 있다. 온도 설정 시의 시간 정보는, 예로, 온도를 설정하는 사용자의 조작 시각, 브릿지 서버(BS)가 설정 온도의 수신 시각 또는 상기 설정 온도가 기기 상태 데이터 DB(BS2)에 저장되는 시각 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따르면, 기기 상태 데이터 DB(BS2)에는 공기 조화기(A)의 위치 정보가 함께 저장될 수도 있다. 이 경우, 공기 조화기(A)의 위치 정보는 온도 설정 시에 수신되어 저장될 수도 있으나, 미리 저장되어 있을 수도 있다.
동작 ②에서, 스마트 홈 서비스 서버(SS)는 통신 연결된 외부 컨텐츠 서버(CP)로부터 일정 주기(예로, 5분 내지 30분 사이)마다 외부 환경 정보(또는, 날씨 정보)를 수집하여 날씨 데이터 DB(SS1)에 저장할 수 있다.
외부 환경 정보는 실외 온도, 실외 습도, 먼지 농도, 강수랑 및 일조량 중 적어도 하나를 포함할 수 있으나, 전술한 예에 제한되지 않는다.
동작 ③ 및 ③´에서, 데이터 학습 서버(DS)는 데이터 수집 API(Data Import API)(DS1)을 이용하여 브릿지 서버(BS)의 기기 상태 데이터 DB(BS2)에 저장된 공기 조화기(A)의 상태 정보를 획득할 수 있다. 또한, 데이터 학습 서버(DS)는 데이터 수집 API(Data Import API)(DS1)를 이용하여 스마트 홈 서비스 서버(SS)의 날씨 데이터 DB(SS1)에 저장된 외부 환경 정보를 획득할 수 있다.
이 경우, 외부 환경 정보는 공기 조화기(A)의 온도 설정 시의 외부 환경 정보로서, 기기 상태 데이터 DB(BS2)에 저장된 공기 조화기(A)의 온도 설정 시의 시간 정보에 기반하여 날씨 데이터 DB(SS1)에서 검색된 정보가 될 수 있다.
구체적으로, 온도 설정 시의 외부 환경 정보는, 예로, 사용자가 온도를 설정학 시각의 외부 환경 정보, 사용자가 온도를 설정한 시간 대(예로, 아침/낮/저녁 또는 오전/오후)의 외부 환경 정보 또는 사용자가 온도 설정한 월(月) 또는 계절의 외부 환경 정보 중 적어도 하나를 포함할 수 있다
또한, 외부 환경 정보는 공기 조화기(A)의 위치 정보에 기반하여 획득된 날씨 정보일 수도 있다. 예로, 외부 환경 정보는 기기 상태 데이터 DB(BS2)에 저장된 공기 조화기(A)의 위치 정보에 기반하여 날씨 데이터 DB(SS1)에서 검색된 날씨 정보일 수 있다.
동작 ④에서, 데이터 학습 서버(DS)의 데이터 분석 엔진(Data Analytics Engine)(DS2)은 획득된 공기 조화기(A)의 상태 정보 및 외부 환경 정보를 학습 데이터로서 이용하여 학습 모델을 생성할 수 있다.
다양한 실시예로, 데이터 학습 서버(DS)의 데이터 분석 엔진(DS2)은 공기 조화기(A)의 온도 설정 시의 시간 정보를 학습 데이터로서 이용하여 학습 모델을 생성할 수도 있다.
또한, 데이터 분석 엔진(DS2)은 공기 조화기(A)의 온도 설정 시의 공기 조화기(A)의 운전 모드 별로 복수의 학습 모델들을 생성할 수도 있다.
예로, 데이터 분석 엔진(DS2)은 스마트 쾌적 모드에서 이용 가능한 학습 모델, 열대야 쾌면 모드에서 이용 가능한 학습 모델, 무풍 열대야 쾌면 모드에서 이용 가능한 학습 모델 및 2 단계 쿨링 모드에서 이용 가능한 학습 모델들을 각각 생성할 수도 있다.
또한, 데이터 학습 서버(DS)가 학습 데이터를 이용하여 학습 모델을 생성(또는, 학습 모델을 갱신)하는 모델링 주기는, 예로, 시간, 일, 월 단위로 진행되거나 또는 이벤트 발생시 진행될 수 있으나 전술한 주기에 제한되는지는 않는다.
데이터 학습 서버(DS)가 학습 모델을 생성하는 과정은 도 4, 도 5 및 도 7에서 보다 상세히 후술될 예정이다.
동작 ⑤에서, 데이터 학습 서버(DS)는 생성된 학습 모델을 분석 DB(Analytics DB)(DS3)에 저장할 수 있다. 이 경우, 학습 모델은, 일반적인(generic) 학습 모델이 아닌, 공기 조화기(A)의 추천 온도를 제공하도록 설정(configured) 또는 구성된 학습 모델일 수 있다.
다음으로, 도 1b를 참조하여, 데이터 학습 서버(DS)가 생성한 학습 모델을 이용하는 네트워크 시스템의 절차를 설명하고자 한다.
동작 ⑥에서, 공기 조화기(A)는 사용자 단말(U)로부터 인공 지능 기능의 실행(예, AI 모드 ON)을 요청하는 제어 명령을 수신할 수 있다.
동작 ⑦에서, 공기 조화기(A)는 공기 조화기(A)의 상태 정보(예로, 현재 온도, 운전 모드 등)를 제3 기기(예로, 엑세스 포인트(AP))를 통하여 클라우드 서버(C)로 전송할 수 있다. 클라우드 서버(C)의 데이터 학습 서버(DS)는 데이터 서비스 API(Data service API)(DS4)를 이용하여, 공기 조화기(A)의 상태 정보를 획득할 수 있다.
동작 ⑧에서, 데이터 학습 서버(DS)는 획득된 공기 조화기(A)의 상태 정보를 분석 DB(DS3)에 저장된 공기 조화기(A)의 추천 온도를 제공하도록 학습된 학습 모델로 입력할 수 있다.
동작 ⑨에서, 데이터 학습 서버(DS)는 학습 모델의 적용 결과로서, 공기 조화기(A)의 추천 온도를 획득할 수 있다.
동작 ⑩에서, 데이터 학습 서버(DS)는 획득된 공기 조화기(A)의 추천 온도를 제3 기기(예로, 엑세스 포인트(A))를 통하여 공기 조화기(A)로 전송할 수 있다. 또한, 단계 ⑩´에서, 데이터 학습 서버(DS)는 획득된 공기 조화기(A)의 추천 온도를 사용자 단말(U)로 전송할 수 있다.
동작 ⑪에서, 추천 온도를 수신한 공기 조화기(A)는 수신된 추천 온도로 공기 조화기(A)의 온도를 설정할 수 있다.
또한, 동작 ⑫에서, 추천 온도를 수신한 사용자 단말(U)은 수신된 추천 온도를 사용자가 확인 가능하도록 디스플레이할 수 있다. 또는, 동작 ⑫´과 같이, 추천 온도를 수신한 사용자 단말(U)은 사용자가 기 설정한 설정 온도 이력과 대조하여 바람직한 추천 온도가 채택되었음을 나타내는 시각적 정보를 디스플레이 할 수 있다.
도 2a 및 도 2b는 본 개시의 실시예에 따른 데이터 학습 서버(DS)의 구성을 나타내는 도면이다.
도 2a의 데이터 학습 서버(DS)는 학습 모델을 생성하는 기능 블록도이고, 도 2b의 데이터 학습 서버(DS)는 생성된 학습 모델을 이용하는 기능 블록도이다.
도 2a 및 도 2b에서, 데이터 학습 서버(DS)는 통신부(201), 저장부(202), 프로세서(203)를 포함할 수 있다.
통신부(201)는 외부 기기와 통신을 수행할 수 있다.
외부 기기는 외부의 서버(예로, 브릿지 서버 또는 스마트홈 서비스 서버 등) 및 공기 조화기(A) 중 적어도 하나를 포함할 수 있다.
통신부(201)는 외부 기기와 유선 또는 무선 통신을 수행할 수 있다. 무선 통신은, 예로, 셀룰러 통신, 근거리 무선 통신, 또는 GNSS(global navigation satellite system) 통신을 포함할 수 있다. 셀룰러 통신은, 예를 들면, LTE(Long-Term Evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications)을 포함할 수 있다. 근거리 무선 통신은, 예를 들면, WiFi(wireless fidelity), WiFi Direct, LiFi(light fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN)을 포함할 수 있다.
데이터 학습 서버(DS)는 저장부(202)를 포함할 수 있다. 저장부(202)는 데이터 학습 서버(DS)가 생성한 학습 모델을 저장할 수 있다.
저장부(202)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 휘발성 메모리는, 예를 들면, RAM(random access memory)(예: DRAM, SRAM, 또는 SDRAM)을 포함할 수 있다. 비휘발성 메모리는, 예를 들면, OTPROM(one time programmable read-only memory(ROM)), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD))를 포함할 수 있다.
프로세서(203)는 중앙처리장치, 어플리케이션 프로세서, GPU(graphic processing unit), 카메라 이미지 신호 프로세서, 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다. 일 실시예에 따르면, 프로세서(203)는 SoC(system on chip) 또는 SiP(system in package)으로 구현될 수 있다. 프로세서(203)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(203)에 연결된 데이터 학습 서버(DS)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(203)는 다른 구성요소들(예: 통신부(201))로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다.
도 2a의 프로세서(203)는 학습 모델을 생성하는 기능 블록도로 설명될 수 있다.
도 2a에서, 프로세서(203)는 학습 데이터 획득부(203a) 및 모델 학습부(203b)를 포함할 수 있다.
학습 데이터 획득부(203a)는 통신부(201)를 통하여 공기 조화기(A)에 설정된 설정 온도 및 온도 설정 시 공기 조화기(A)의 현재 온도를 획득할 수 있다. 예로, 학습 데이터 획득부(203a)는 공기 조화기(A)와 통신 연결된 브릿지 서버(BS)로부터 설정 온도 및 현재 온도를 획득할 수 있다. 또는, 학습 데이터 획득부(203a)는 공기 조화기(A) 또는 공기 조화기(A)와 통신 연결된 제3 기기로부터 설정 온도 및 현재 온도를 획득할 수도 있다.
또한, 학습 데이터 획득부(203a)는 통신부(201)를 통하여 외부 환경 정보를 더 획득할 수 있다. 외부 환경 정보는 외부 온도 및 외부 습도 중 적어도 하나를 포함할 수 있다. 예로, 학습 데이터 획득부(203a)는 외부의 콘텐트 제공 서버(CP)와 통신 연결된 스마트 홈 서비스 서버(SS)로부터 외부 환경 정보를 획득할 수 있다.
모델 학습부(203b)는 획득한 설정 온도 및 현재 온도를 이용하여 학습 모델을 생성 또는 갱신할 수 있다. 학습 데이터 획득부(203a)가 외부 환경 정보를 더 획득한 경우, 모델 학습부(203b)는 설정 온도, 현재 온도 및 외부 환경 정보를 이용하여 학습 모델을 생성 또는 갱신할 수 있다. 또한, 학습 데이터 획득부(203a)가 공기 조화기(A)의 온도 설정 시의 시간 정보를 더 획득한 경우, 모델 학습부(203b)는 설정 온도, 현재 온도 및 시간 정보를 이용하여 학습 모델을 생성 또는 갱신할 수 있다.
저장부(202)는 학습 모델의 생성 또는 갱신 결과로서, 공기 조화기(A)에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장할 수 있다.
한편, 모델 학습부(203b)가 공기 조화기(A)의 운전 모드 별로 복수의 학습 모델들을 생성 또는 갱신한 경우, 저장부(202)는 복수의 학습 모델들을 각각 저장할 수 있다.
도 2b의 프로세서(203)는 학습 모델을 이용하는 기능 블록도로 설명될 수 있다.
도 2b에서, 프로세서(203)는 인식 데이터 획득부(203c) 및 모델 적용부(203d)를 포함할 수 있다. 이 경우, 저장부(202)는 공기 조화기(A)에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장한 상황일 수 있다.
도 2b에서, 인식 데이터 획득부(203c)는 공기 조화기(A)의 현재 온도를 획득할 수 있다.
모델 적용부(203d)는 획득한 현재 온도를, 저장부(202)의 학습 모델로 입력하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
인식 데이터 획득부(203c)가 외부 환경 정보를 더 획득한 경우, 모델 적용부(203d)는 현재 온도 및 외부 환경 정보를, 학습 모델로 입력하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
또한, 저장부(202)가 공기 조화기(A)의 운전 모드 별로 복수의 학습 모델들을 저장하는 경우, 모델 적용부(203d)는 현재 온도를 공기 조화기(A)의 현재 운전 모드에 대응하는 학습 모델로 입력하여 공기 조화기(A)의 추천 온도를 획득할 수 있다.
통신부(201)는 획득한 추천 온도를 외부 기기로 전송할 수 있다. 외부 기기는, 예로, 공기 조화기(A) 또는 공기 조화기(A)와 통신 연결된 제3 기기 등이 될 수 있다.
도 3a 및 도 3b는 본 개시의 일 실시예에 따른 네트워크 시스템의 흐름도들이다.
네트워크 시스템의 흐름도는, 공기 조화기(A), 사용자 단말(U) 및 클라우드 서버(C) 간의 데이터 흐름 절차를 나타낸다.
네트워크 시스템의 흐름도는, 학습 데이터를 수집하는 데이터 수집 절차(351), 학습 데이터에 기초하여 데이터 모델을 생성하는 절차(352), 인공 지능 기능을 동작시키는 절차(353), 기능 별 선호 모드를 설정하는 절차(354)로 구성될 수 있다.
도 3a에서, 공기 조화기(A)는 마이컴(301) 및 근거리 통신 모듈(예로, Wi-Fi 모듈)(302)를 포함할 수 있다. 여기서, 마이컴(301)은 도 2a 및 도 2b의 프로세서(203)에 대응되고, 근거리 통신 모듈(302)은 도 2a 및 도 2b의 통신부(201)에 대응될 수 있다. 근거리 통신 모듈(302)을 이용하여 공기 조화기(A)는 사용자 단말(U) 및 클라우드 서버(C)와 네트워크를 통하여 통신할 수 있다. 또한, 공기 조화기(A)는 클라우드 서버(C)에서 추천한 추천 온도를 근거리 통신 모듈(302)과 관련된 API 호출을 통하여 수신하여 추천 온도에 따라 공기 조화기(A)의 온도를 설정할 수 있다.
사용자 단말(U)은 모바일 앱(또는, 모바일 어플리케이션)(303)을 포함할 수 있다. 모바일 앱(303)은, 공기 조화기(A)의 인공 지능 기능 및 운전 모드를 설정하고, 클라우드 서버(C)에서 제공하는 추천 온도를 사용자 단말(U)에 표시하는 기능 등을 수행할 수 있다.
클라우드 서버(C)는 브릿지 서버(BS), DB 서버(304) 및 데이터 학습 서버(DS)을 포함할 수 있다. 여기서, DB 서버(304)는 브릿지 서버(BS)의 일부이거나, 또는 브릿지 서버(BS)와 물리적으로 분리된 제3 서버가 될 수 있다.
먼저, 동작 311에서, 사용자 단말(U)은 모바일 앱(303)을 통하여 희망 온도를 변경(또는, 설정)하는 사용자 입력을 수신할 수 있다. 모바일 앱(303)은 예로, 공기 조화기(A)를 제어하는 사용자 인터페이스를 제공하는 앱이 될 수 있다.
사용자의 입력에 따라, 동작 312에서, 사용자 단말(U)은 공기 조화기(A)를 희망 온도로 설정하기 위한 제어 명령을 근거리 통신 모듈(302)을 통하여 마이컴(301)으로 전송할 수 있다.
또는, 동작 311´에서, 사용자는 원격 제어 장치(Ub)를 통하여 희망 온도를 변경할 수 있다. 사용자의 변경 입력에 따라, 동작 312´에서, 원격 제어 장치(Ub)는 공기 조화기(A)를 희망 온도로 설정하기 위한 제어 명령을 마이컴(301)으로 전송할 수 있다.
동작 313에서, 공기 조화기(A)의 마이컴(301)은 사용자의 희망 온도 변경 요청에 따른, 희망 온도 변경 이벤트를 발생시키고, 이를 근거리 통신 모듈(302)를 통하여 브릿지 서버(BS)로 전송할 수 있다. 이 때, 희망 온도 변경 이벤트에는, 이벤트 데이터가 포함될 수 있다. 이벤트 데이터는, 예로, 공기 조화기(A)의 상태 정보를 포함할 수 있다. 공기 조화기(A)의 상태 정보는, 희망 온도(또는, 설정 온도) 및 희망 온도 설정 시의 현재 온도를 포함할 수 있다.
또한, 이벤트 데이터는, 예로, 공기 조화기(A)의 운전 모드 정보 및 시간 정보를 포함할 수 있다. 운전 모드 정보는, 예로, 사용자의 제어 명령 수신 시의 공기 조화기(A)의 운전 모드 또는 희망 온도 변경 이벤트 발생 시의 공기 조화기(A)의 운전 모드를 나타내는 정보를 포함할 수 있다. 시간 정보는, 예로, 사용자의 제어 명령 수신 시의 시간 정보 또는 희망 온도 변경 이벤트 발생 시의 시간 정보를 포함할 수 있다.
동작 314에서, 브릿지 서버(BS)는 이벤트 데이터를 DB 서버(304)로 전달할 수 있다. 동작 315에서, DB 서버(304)는 수신한 이벤트 데이터를 저장할 수 있다.
동작 316에서, DB 서버(304)는 저장된 이벤트 데이터를 일정 주기마다 데이터 학습 서버(DS)로 전송할 수 있다. 예로, DB 서버(304)는 다이어리 배치(daily batch) 파일 형태로 이벤트 데이터를 매일 마다 전송할 수 있다. 이 때, 다이어리 배치 파일에는 복수 개의 이벤트 데이터들이 포함될 수도 있다. 예로, 사용자의 희망 온도 변경 요청이 하루에 복수 회 발생한 경우, 이벤트 데이터 또한 복수 개가 생성되어 DB 서버(304)에 저장될 수 있다. 그리고, 생성된 복수 개의 이벤트 데이터들이 다이어리 배치 파일에 포함되어 데이터 학습 서버(DS)로 전송될 수 있다.
동작 317에서, 데이터 학습 서버(DS)는 수신된 이벤트 데이터를 학습 데이터로서 이용하여 학습 모델을 생성할 수 있다. 예로, 데이터 학습 서버(DS)는 공기 조화기(A)의 설정 온도, 현재 온도, 외부 환경 정보, 운전 모드 정보 및 시간 정보 중 적어도 하나를 이용하여 학습 모델을 생성할 수 있다.
학습 모델이 생성된 상황에서, 동작 318과 같이, 사용자 단말(U)은 공기 조화기(A)의 인공 지능(AI) 기능을 온(ON)하는 사용자 입력을 수신할 수 있다. 도 318a는, 인공 지능 기능의 온을 위한 사용자 인터페이스를 포함하는 사용자 단말(U)의 화면의 일부를 나타낸다. 도 318a에서, 사용자 단말(U)은 인공 지능 기능을 온하기 위하여 'AI 맞춤 운전' 실행 객체(318b)를 선택하는 사용자 입력을 수신할 수 있다.
사용자 입력에 따라, 동작 319에서, 사용자 단말(U)은 공기 조화기(A)의 인공 지능 기능을 온하기 위한, 인공 지능 기능 활성화 명령을 근거리 통신 모듈(302)을 통하여 마이컴(301)으로 전송할 수 있다.
인공 지능 기능 활성화 명령에 기반하여, 동작 320과 같이, 마이컴(301)은 공기 조화기(A)의 인공 지능 기능이 활성화된 것을 나타내는 기기 상태 정보를 근거리 통신 모듈(302)을 사용자 단말(U)로 전송할 수 있다. 이 경우, 공기 조화기(A)의 상태 정보는 알림 이벤트(notification event)에 포함되어 전송될 수도 있다.
또는, 동작 321과 같이, 사용자 단말(U)은 공기 조화기(A)의 상태 정보를 요청하는 디바이스 정보 요청 명령을 근거리 통신 모듈(302)을 통하여 마이컴(301)으로 전송할 수 있다. 디바이스 정보 요청 명령은, 예로, 'GET DEVICE' 메시지에 포함되어 전송될 수 있다.
마이컴(301)은 디바이스 정보 요청 명령에 기반하여, 동작 322와 같이, 디바이스 정보 응답을 근거리 통신 모듈(302)을 통하여 사용자 단말(U)로 전송할 수 있다. 이 경우, 디바이스 정보 응답에는, 공기 조화기(A)의 상태 정보로서, 공기 조화기(A)의 인공 지능 기능이 온으로 설정된 것을 나타내는 인공 지능 설정 정보가 포함될 수 있다.
즉, 공기 조화기(A)의 인공 지능 기능을 제어하는 다수의 사용자 단말(U)들이 존재하는 상황을 고려하여, 공기 조화기(A)는 주기적으로 또는 이벤트 발생 시에 공기 조화기(A)의 인공 지능 기능의 활성화 여부를 사용자 단말(U)에게 알려줄 수 있다.
이와 같이, 공기 조화기(A)의 인공 지능 기능이 활성화된 경우, 사용자 단말(U)은 운전 모드를 설정하는 사용자 입력을 수신할 수 있다.
예로, 도 3b의 동작 323에서, 사용자 단말(U)은 스마트 쾌적 모드의 실행을 요청하는 사용자 입력을 수신할 수 있다.
사용자 입력에 따라, 동작 324에서, 사용자 단말(U)은 공기 조화기(A)의 스마트 쾌적 모드를 실행하기 위한, 스마트 쾌적 제어 명령을 근거리 통신 모듈(302)를 통하여 마이컴(301)으로 전송할 수 있다.
스마트 쾌적 제어 명령에 기반하여, 동작 325와 같이, 마이컴(301)은 추천 온도(또는, 선호 온도) 요청 명령을 근거리 통신 모듈(302)을 통하여 데이터 학습 서버(DS)로 전송할 수 있다. 이 때, 추천 온도 요청 명령에는, 공기 조화기(A)의 상태 정보로서, 예로, 공기 조화기(A)의 현재 온도가 포함될 수 있다. 또는, 추천 온도 요청 명령에는, 공기 조화기(A)의 현재 운전 모드를 나타내는 운전 모드 정보, 공기 조화기(A)의 위치 정보 중 적어도 하나를 더 포함할 수 있다.
동작 326에서, 데이터 학습 서버(DS)는 공기 조화기(A)의 상태 정보의 학습 모델의 적용 결과로서, 공기 조화기(A)의 추천 온도를 획득할 수 있다. 즉, 데이터 학습 서버(DS)는 공기 조화기(A)의 상태 정보를 데이터 학습 서버(DS)에 저장된 학습 모델로 입력하여, 공기 조화기(A)의 추천 온도를 획득할 수 있다.
이 경우, 데이터 학습 서버(DS)는 공기 조화기(A)의 운전 모드 정보에 기반하여, 공기 조화기(A)의 운전 모드에 대응하는 학습 모델에게 공기 조화기(A)의 상태 정보를 적용하여 공기 조화기(A)의 추천 온도를 획득할 수 있다. 본 실시예에서는, 데이터 학습 서버(DS)는 스마트 쾌적 모드에 대응하는 학습 모델에게 공기 조화기(A)의 상태 정보를 적용하여 공기 조화기(A)의 추천 온도를 획득할 수 있다.
추천 온도가 획득되면, 동작 327에서, 데이터 학습 서버(DS)는 획득된 추천 온도를 근거리 통신 모듈(302)을 통하여 마이컴(301)으로 전송할 수 있다.
동작 328에서, 추천 온도를 수신한 마이컴(301)은 추천 온도를 설정 온도로 변경할 수 있다. 그리고, 마이컴(301)은 변경된 설정 온도에 따라 공기 조화기(A)를 제어할 수 있다.
한편, 마이컴(301)이 데이터 학습 서버(DS)로 추천 온도를 요청한 후, 일정 시간(예로, 30초)(329) 동안 데이터 학습 서버(DS)로부터 응답이 없는 경우, 동작 330에서, 마이컴(301)은 기존의 설정 온도를 유지할 수 있다. 기존의 설정 온도는, 예로, 스마트 쾌적 모드의 실행을 요청하는 사용자 입력 전에 기 설정된 온도 또는 현재 운전 모드(예로, 스마트 쾌적 모드)에 대응하여 기 설정된 온도 등이 될 수 있다.
도 4는, 본 개시의 실시예에 따른 학습 모델의 생성 사례를 나타내는 표이다.
도 4를 참조하면, 데이터 학습 서버(DS)는 공기 조화기(A)의 타입(401), 공기 조화기(A)의 모드(402)에 따라 각각 다른 학습 데이터(403)를 이용하여 학습 절차(404)를 수행할 수 있다. 예로, 공기 조화기(A)의 타입(401)에는 거실형 공기 조화기(또는, 스탠드형 공기 조화기)(Floor Air Conditioner, FAC) 타입 및 룸형(또는, 벽걸이형 공기 조화기)(Room Air Conditioner, RAC) 타입이 있을 수 있다. 이 경우, 데이터 학습 서버(DS)는 거실형 공기 조화기의 운전 모드로서, 스마트 쾌적 모드, 열대야 쾌면 모드 및 무풍 열대야 쾌면 모드 별 각각에 대응하는 학습 모델을 생성할 수 있다. 또한, 데이터 학습 서버(DS)는 룸형 공기 조화기의 운전 모드로서, 2 단계 쿨링 모드, 열대야 쾌면 모드 및 무풍 열대야 쾌면 모드 각각에 대응하는 학습 모델을 생성할 수 있다.
공기 조화기(A)의 타입(401), 공기 조화기(A)의 모드(402)를 고려한 학습 절차(404)에 따른 각각의 학습 모델이 생성되면, 데이터 학습 서버(DS)는 학습 모델을 이용하여 추천 온도를 획득할 수 있다. 이 경우, 운전 모드 별 설정 범위(405)를 고려하여 추천 온도가 획득될 수 있다. 예로, 데이터 학습 서버(DS)가 획득한 추천 온도가 설정 범위(405)를 벗어나는 경우, 추천 온도와 가장 가까운 설정 범위(405)의 온도가 최종 추천 온도로 결정될 수 있다.
도 4에서, 411의 스마트 쾌적 모드에서의 학습 모델 생성 절차를 일 실시예로 설명하면, 먼저, 학습 데이터로서 실내 온도(또는, 현재 온도) 및 희망 온도(또는, 설정 온도)가 이용될 수 있다. 이 경우, 실내 온도는 희망 온도 변경 시에 측정된 실내 온도가 될 수 있다. 또한, 학습 데이터는 특정 기간에 수집된 데이터들이 이용될 수 있다. 특정 기간은, 예로, 특정 연도, 특정 월 또는 특정 계절에 수집된 데이터가 될 수 있다. 특정 데이터는 공기 조화기(A)의 사용자뿐만 아닌 공기 조화기(A)와 동일 또는 유사한 제품을 이용하는 불특정 사용자들의 공기 조화기의 온도 설정 이력 정보에 기반하여 수집된 데이터가 될 수 있다. 이 때, 불특정 사용자는, 예로, 공기 조화기(A)와 동일 또는 유사한 지역, 또는 동일 또는 유사한 환경의 사용자로 한정될 수도 있다.
411의 스마트 쾌적 모드에서, 데이터 학습 서버(DS)는 현재 온도(또는, 실내 온도), 외부 온도, 외부 습도, 희망 온도를 학습 데이터로서 이용할 수 있다.
또한, 데이터 학습 서버(DS)는 학습 데이터로서 공기 조화기(A)의 지역 정보에 기반한 외부 환경 정보를 이용할 수 있다. 한편, 데이터 학습 서버(DS)가 공기 조화기(A)의 지역 정보를 확인할 수 없는 경우에는, 데이터 학습 서버는 현재 온도 및 희망 온도를 학습 데이터로서 이용하여 학습 모델을 생성, 학습 및 갱신할 수 있다.
데이터 학습 서버(DS)는 생성, 학습 및 갱신된 학습 모델을 이용하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
이 경우, 획득된 추천 온도가 설정 범위인 22도 내지 26도를 벗어나는 경우, 데이터 학습 서버(DS)는 설정 범위를 고려하여 최종 추천 온도를 결정할 수 있다.
예로, 학습 모델을 이용하여 획득된 추천 온도가 22도 미만인 경우, 데이터 학습 서버(DS)는 추천 온도를 22도로 결정할 수 있다. 또한, 학습 모델을 이용하여 획득된 추천 온도가 26도 이상인 경우, 데이터 학습 서버(DS)는 추천 온도를 26도로 결정할 수 있다.
다양한 실시예에 따르면, 학습 모델은 학습 모델을 생성 시에, 데이터 학습 서버(DS)는 최근에 수집된 학습 데이터에 더 가중치를 부여하여 학습 모델을 생성할 수 있다.
도 5를 참조하면, 데이터 학습 서버(DS)는 도 5의 501, 502, 503과 같이, 각각 1일, 2일, 3일 동안 수집한 학습 데이터에 가중치를 각각 다르게 부여할 수 있다.
예로, 도 5의 501에서는, 데이터 학습 서버(DS)는 과년도 전체 데이터(예로, 불특정 사용자들로부터 수집한 데이터)에는 0.8의 가중치를 부여하고, 1일 차에 수집한 공기 조화기(A)의 사용자의 개인 데이터(사용자의 희망 온도 및 현재 온도 등)에는 0.2의 가중치를 부여할 수 있다. 유사하게, 도 5의 502에서, 데이터 학습 서버(DS)는 과년도 전체 데이터 및 1일 차에 수집한 공기 조화기(A)의 사용자의 개인 데이터에는 0.8의 가중치를 부여하고, 2일 차에 수집한 공기 조화기(A)의 사용자의 개인 데이터에는 0.2의 가중치를 부여할 수 있다. 또한, 도 5의 503에서, 데이터 학습 서버(DS)는 과년도 전체 데이터 및 1일차, 2일차에 수집한 공기 조화기(A)의 사용자의 개인 데이터에는 0.8의 가중치를 부여하고, 3일 차에 수집한 사용자의 개인 데이터에는 0.2의 가중치를 부여할 수 있다.
한편, 전술한 가중치 값은 일 예에 불과하고, 데이터 학습 서버(DS)는 데이터 학습 서버(DS)의 제조자, 관리자, 운영 시스템 또는 어플리케이션의 제공자 등에 의하여 다른 값으로 미리 설정될 수도 있다. 예로, 도 5에서, 0.8의 가중치 및 0.2의 가중치 대신에 각각 0.9의 가중치 및 0.1의 가중치가 이용될 수도 있다. 다른 예로, 도 5에서, 0.8의 가중치 및 0.2의 가중치 대신에 각각 0.7의 가중치 및 0.3의 가중치가 이용될 수도 있다.
한편, 전술한 가중치는 미리 설정된 고정형이 아닌, 상황에 따라 변경되는 가변형이 될 수도 있다.
이 경우, 가중치는 데이터 학습 서버(DS)의 관리자 또는 공기 조화기의 사용자 등에 의하여 수동적으로 변경될 수도 있고, 또는 특정 조건에 따라 자동으로 변경될 수도 있다. 예로, 수집한 학습 데이터의 전체 양이 증가할 수록 가장 최근에 수집한 개인 데이터의 가중치도 비례하여 증가될 수도 있다.
도 6은, 본 개시의 실시예에 따른 클라우드 서버의 구조를 나타내는 도면이다.
클라우드 서버(C)는 배치(batch)부(601), CP 데이터 수집부(Contents Provider Data Collector)(602), CSV 생성부(CSV Maker)(603), 모델 생성부(Model Maker)(604) 및 학습 온도 제공 서버 API(605)를 포함할 수 있다. 전술한, 클라우드 서버(C)의 구성 요소들(601~604)은, 클라우드 서버(C)의 저장부(또는, 데이터 베이스)에 저장된 데이터들을 이용 및 가공하여 공기 조화기(A)에 적합한 추천 온도를 제공할 수 있다.
먼저, 클라우드 서버(C)는 공기 조화기(A)의 상태 변경 이벤트 발생에 따라 획득된 공기 조화기(A)의 상태 정보를 포함하는 기기 상태 데이터를 저장부(651)에 저장할 수 있다. 저장부(651)는, 예로, 도 1a 및 도 1b의 기기 상태 데이터 DB(BS2)에 대응될 수 있다. 클라우드 서버(C)는 일정 주기(예로, 매일)마다 저장부(651)에 저장된 상기 상태 정보를 획득하여 일정 기준(예로, 날짜 별)에 따라 생성된 로우 데이터(raw data)를 오브젝트 저장부(652)에 저장할 수 있다.
클라우드 서버(C)의 배치부(601)는 오브젝트 저장부(652)에서 로우 데이터를 획득하고, 필터링하여 필터링된 데이터를 분산 환경 데이터 DB(예로, Not Only SQL DB, NoSQL DB)(653)에 저장할 수 있다. 필터링된 데이터는, 예로, 공기 조화기(A)의 기기 상태 데이터 또는 메타 데이터로부터 추출된 상태 정보를 포함하는 데이터가 될 수 있다.
또한, CP 데이터 수집부(602)는 외부 컨텐츠 서버(CP)로부터 수집한 날씨 정보를 포함하는 날씨 데이터를 오브젝트 저장부(654)에 저장할 수 있다.
클라우드 서버(C)의 CSV 생성부(603)은 오브젝트 분산 환경 데이터 DB(653) 및 오브젝트 저장부(654)로부터 획득한 데이터를 정제하여 학습 모델의 생성에 적합한 특정 포맷(예로, CSV 포맷)의 데이터를 생성하고 이를 오브젝트 저장부(655)에 저장할 수 있다.
모델 생성부(604)는 오브젝트 저장부(655)로부터 특정 포맷의 데이터를 획득하고, 이를 이용하여 학습 모델을 생성하고, 생성된 학습 모델을 오브젝트 저장부(656)에 저장할 수 있다.
클라우드 서버(C)는 학습 모델의 이용이 필요한 경우에는 오브젝트 저장부(655)에 저장된 학습 모델을 고속 기억 메모리인 캐쉬(cache)(657)에 임시적으로 저장할 수 있다.
학습 모델의 이용이 필요한 상황에서, 클라우드 서버(C)의 추천 온도 제공 API(605)는 캐쉬(657)에 저장된 학습 모델을 이용하여 공기 조화기(A)의 추천 온도를 획득할 수 있다.
클라우드 서버(C)는 획득된 추천 온도 제공 API(605)를 통하여 획득된 추천 온도를 공기 조화기(A) 및 사용자 단말(U)의 모바일 앱으로 전송할 수 있다.
한편, 도 6에서는, 오브젝트 저장부들(652,654,655,656)을 설명의 편의를 위하여 다른 부호를 이용하였으나, 상기 오브젝트 저장부(652,654,655,656)들은 동일한 오브젝트 저장부를 의미할 수 있으며, 또는 분산된 둘 이상의 오브젝트 저장부를 의미할 수도 있다.
도 7은, 본 개시의 실시예에 따른 학습 모델의 생성 절차를 나타내는 도면들이다.
학습 모델은, 인공 지능 알고리즘을 이용하여 생성될 수 있다. 예로, 학습 모델은 결정 트리 알고리즘, 서포트 벡터 머신 알고리즘, 선형 분별 분석 알고리즘, 유전 알고리즘 또는 인간의 신경망의 뉴런을 모의하는 신경망 알고리즘을 이용하여 생성될 수 있다. 신경망 알고리즘은, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 학습 모델은, 신경망 알고리즘에서 발전한 딥 러닝 알고리즘을 이용하여 생성될 수도 있다. 딥 러닝 알고리즘에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기에는, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델 들이 포함될 수 있으며, 전술한 예에 제한되지는 않는다.
본 개시는, 설명의 편의를 위하여, 학습 모델의 생성에 이용되는 알고리즘으로서 선형 회귀 알고리즘(linear regression)을 이용하여 추천 온도를 제공하는 방법을 기술한다.
데이터 학습 서버(DS)는 선형 회귀 알고리즘에 따라 하기의 <수학식 1>과 같은 학습 모델을 도출할 수 있다.
<수학식 1>
y = a0 + a1x1 + a2x2 + a3x3
<수학식 1>에서, y는 공기 조화기(A)에 설정된 설정 온도에 관한 변수이고, a0, a1, a2, a3는 상수 값이다. 또한, x1은 현재 온도에 관한 변수이고, x2은 실외 온도에 관한 변수이고, x3는 실외 습도에 관한 변수이다.
이해가 용이하도록, <수학식 1>에서, 학습 변수(또는, 학습 요소)가 2개인 경우의 학습 모델을 나타내면 아래의 <수학식 2>와 같다.
<수학식 2>
y = a0 + a1x1
이 경우, 도 7의 (a)의 표는, 공기 조화기의 현재 온도(또는, 주변 온도, 실내 온도)(711)에 따른 설정 온도(예로, 사용자의 설정 온도)(712)를 나타낸다.
데이터 학습 서버(DS)는 선형 회귀 알고리즘에 기반하여, 현재 온도(711)에 따른 설정 온도(712)의 관계를 나타내는 계산식인 학습 모델을 도출할 수 있다.
이를, 그래프로 도식화하면, 도 7의 (b)와 같다.
도 7의 (b)에서, 도 7의 (a)의 현재 온도(711) 및 설정 온도(712)를, x축 및 y 축 상에 나타내면 그래프 상에 'X' 표식에 대응될 수 있다.
이 경우, 복수 개의 'X' 표식들 오차의 합이 적도록 선형 회귀 알고리즘을 이용한 선형 회귀선(721)이 획득될 수 있다. 즉, <수학식 2>에서, 공기 조화기(A)의 설정 온도(712)와 예측 온도의 차이가 값이 가장 적은 상수 값인 a0, a1 이 계산될 수 있다.
계산된 상수 값을 반영한 선형 회귀 모델은 일 예로 아래와 같다.
<수학식 3>
y = 29.91840623 + (-0.3717125)x1
이에 따라, 데이터 학습 모델(DS)은 <수학식 3>에 기초하여, 공기 조화기(A)의 추천 온도 요청 명령에 따른 추천 온도를 공기 조화기(A)에 제공할 수 있게 된다.
예로, 공기 조화기(A)의 주변의 현재 실내 온도가 26도인 경우, <수학식 3>의 학습 모델의 이용에 따라 제공되는 추천 온도는 19도가 될 수 있다.
다양한 실시예에 따르면, 학습 모델은 지속적으로 갱신(또는, 업데이트)될 수 있다.
이를 위하여, 데이터 학습 서버(DS)는 모델 갱신부(미도시)를 더 포함할 수 있다. 모델 갱신부는 미리 구축되어 있는 학습 모델에 이용된 기본 학습 데이터와 새롭게 입력된 학습 데이터 간의 관련성을 분석하여 학습 모델의 갱신 여부를 판단할 수 있다. 이 때, 관련성은, 학습 데이터가 생성된 지역, 시간, 학습 데이터를 제공한 공기 조화기의 모델 등에 기초하여 결정될 수 있다.
예로, 모델 갱신부는 공기 조화기(A)의 온도를 설정하는 사용자의 온도 설정 이력 및 추천 온도에 대하여 변경하는 사용자의 변경 이력 등을 학습 데이터로서 이용하여 기 구축되어 있는 학습 모델을 지속적으로 업데이트할 수 있다.
다양한 실시예에 따르면, 학습 모델은 별도의 서버가 아닌 공기 조화기(A)의 저장부에 저장될 수 있다. 이 경우, 데이터 학습 서버(DS)에서 구축된 학습 모델이 주기적 또는 이벤트 발생 시에 공기 조화기(A)로 전송할 수 있다.
학습 모델이 공기 조화기(A)에 마련된 경우, 공기 조화기(A)는 저장된 학습 모델을 이용하여 추천 온도를 획득할 수 있다. 예로, 공기 조화기(A)는 센싱된 현재 온도를 학습 모델에 입력하여 추천 온도를 획득할 수 있다. 이 경우, 사용자의 개입 없이도 공기 조화기(A)는 센싱된 현재 온도를 이용하여 추천 온도를 획득하고, 자동으로 추천 온도에 따라 공기 조화기(A)의 온도를 설정할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 공기 조화기(A)의 구성을 도시한 블럭도이다.
도 8을 참조하면, 공기 조화기(A)는 온도 센서(810), 송풍팬(820), 통신부(830), 저장부(840), 및 프로세서(850)를 포함할 수 있다. 다양한 실시예로, 공기 조화기(A)는 전술한 구성 요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다.
온도 센서(810)는 공기 조화기(A) 주변의 실내의 온도를 감지할 수 있다.
송풍팬(820)은 냉기를 개폐부(미도시)를 통하여 외부로 토출할 수 있다. 또는, 무풍 모드에서는 송풍팬(820)는 냉기를 복수의 마이크로 홀(미도시)를 통해 기 설정된 유속 이하로 외부로 배출할 수 있다. 이때, 기설정된 유속은 0.25m/s이하, 바람직하게는 0.15m/s이하일 수 있다.
통신부(830)는 외부 기기와 통신할 수 있다. 이 때, 외부 기기는 클라우드 서버(C), 데이터 학습 서버(DS) 및 사용자 단말(U) 중 적어도 하나를 포함할 수 있다. 통신부(830)가 외부 기기와 통신한다는 것은, 제3 기기 등을 통하여 외부 기기와 통신하는 것을 포함할 수 있다. 예로, 통신부(830)는 사용자 단말(U)로부터 공기 조화기(A)를 제어하기 위한 원격 제어 신호를 수신할 수도 있다.
통신부(830)는 유선 통신 또는 무선 통신을 통하여 외부 기기와 통신할 수 있다. 예로, 통신부(830)는 케이블을 이용하여 연결하는 포트뿐만 아니라, 셀룰러 통신, 근거리 통신 및 인터넷망을 통해 제어 단말 장치와 통신을 수행하는 형태, USB(Universal Serial Bus) 통신, 와이파이, 블루투스, 지그비, 적외선(IrDA), UHF 및 VHF와 같은 RF 및 초광대역 통신(UWB) 등의 규격에 따른 통신을 수행할 수 있다.
저장부(840)는 공기조화기(A)의 기능을 수행하기 위한 각종 소프트웨어 및 프로그램을 저장한다. 구체적으로, 저장부(840)는 복수의 운전 모드에 따른 온도 제어 알고리즘을 저장할 수 있다. 여기서, 온도 제어 알고리즘은 각 운전 모드 별로 기설정된 주기에 따른 설정 온도의 변화, 풍속의 세기, 풍속의 방향 등을 포함할 수 있다. 또한, 본 개시에 따른, 저장부(840)는 설정 온도 및 현재 온도에 기반하여 학습된 학습 모델을 저장할 수도 있다.
프로세서(850)는 저장부(840)에 저장된 프로그램 등을 독출할 수 있다. 구체적으로, 프로세서(850)는 공기 조화기(A)의 기능을 수행하기 위하여, 판독 가능한 일련의 명령이 포함된 프로그램들을 독출하여 설정된 온도에 따라 공기 조화를 수행할 수 있다.
프로세서(850)는 실내 열 교환기에 냉매의 압력 및/또는 온도를 감지하여 정상적인 공기조화가 이루어지고 있는지 감지할 수 있다. 예를 들어, 프로세서(850)는 실내 열 교환기 배관의 파손 또는 성에가 있는지 여부 및 공기 중의 수증기가 응결된 물이 적절히 제거되고 있는지 감지할 수 있다.
프로세서(850)는 송풍팬(820)의 속도를 제어할 수 있다. 구체적으로, 프로세서(850)는 온도 센서(810)에 의해 측정된 현재 온도 및 설정 온도에 따라 송풍팬(820)이 회전하는 속도를 제어할 수 있다. 구체적으로, 프로세서(850)는 현재 온도 및 설정 온도의 차이에 따라 송풍팬(820)이 회전하는 속도를 제어할 수 있다. 예를 들어, 현재 온도 및 설정 온도의 차이가 크면 송풍팬(820)의 회전 속도를 빠르게 하여 설정 온도에 빨리 도달하도록 제어하고, 실내 온도와 설정 온도의 차이가 작거나, 실내 온도가 설정 온도에 도달하면, 실내 온도가 너무 떨어져 실외기의 압축기가 꺼지는 일이 없도록 송풍팬(820)의 회전 속도를 느리게 할 수 있다. 일 예로, 프로세서(850)는 500RPM 내지 900RPM 사이에서 송풍팬(820)의 회전 속도를 제어할 수 있다.
프로세서(850)는 온도 센서(810)에서 감지된 현재 온도 및 설정 온도가 외부 기기로 전송되도록 통신부(830)를 제어할 수 있다.
또한, 프로세서(850)는 외부 기기로부터 수신된 추천 온도가 수신되도록 통신부(830)를 제어하고, 통신부(830)를 통하여 획득한 추천 온도가 설정 온도로서 공기 조화기(A)에 설정되도록 제어할 수 있다.
또한, 프로세서(850)는 온도 센서(810)에서 감지된 현재 온도가 외부 기기로 전송되도록 통신부(830)를 제어하고, 외부 기기로부터 현재 온도의 전송에 따른 추천 온도를 수신하여 공기 조화기(a)에 설정할 수 있다. 이 때, 추천 온도는 공기 조화기(A)에 설정되었던 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델에 온도 센서(810)에 감지된 현재 온도를 적용한 결과일 수 있다. 이 경우, 외부 기기는 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
다양한 실시예에 따르면, 공기 조화기(A) 및 공기 조화기(A)로부터 획득된 학습 데이터를 이용하여 학습 모델을 생성하는 학습 모델 서버(DS)를 포함하는 네트워크 시스템이 존재할 수 있다.
이 경우, 네트워크 시스템의 공기 조화기(A)는 현재 온도를 감지하는 온도 센서(810), 냉기를 외부로 토출하는 송풍팬(820) 및 외부 기기와 통신 가능한 통신부(830)를 포함할 수 있다. 그리고, 공기 조화기(A)에 설정된 설정 온도 및 온도 센서(810)를 통하여 감지된 현재 온도가 외부 기기로 전송되도록 통신부(830)를 제어하는 프로세서(850)를 포함할 수 있다.
여기서, 외부 기기는 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
또한, 네트워크 시스템의 학습 모델 서버(DS)는 공기 조화기(A)에서 전송한 현재 온도 및 설정 온도를 획득하는 학습 데이터 획득부(예로, 도 2a의 학습 데이터 획득부(203a)), 설정 온도 및 현재 온도를 이용하여 학습 모델을 생성하는 모델 학습부(예로, 도 2a의 모델 학습부(203b)), 학습 모델의 생성 결과로서 공기 조화기(A)의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부(예로, 도 2a의 저장부(202))를 포함할 수 있다.
다양한 실시예에 따르면, 공기 조화기(A) 및 공기 조화기(A)로부터 획득된 인식 데이터를 이용하여 추천 온도를 제공하는 학습 모델 서버(DS)를 포함하는 네트워크 시스템이 존재할 수 있다.
이 경우, 네트워크 시스템의 공기 조화기(A)는 현재 온도를 감지하는 온도 센서(810), 냉기를 외부로 토출하는 송풍팬(820), 외부 기기와 통신 가능한 통신부(830) 및 온도 센서(810)를 통하여 감지된 현재 온도가 외부 기기로 전송되도록 통신부(830)를 제어하는 프로세서(850)를 포함할 수 있다.
여기서, 외부 기기는 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
또한, 학습 모델 서버(DS)는 공기 조화기(A)의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부(예로, 도 2b의 저장부(202)), 공기 조화기(A)의 현재 온도를 획득하는 인식 데이터 획득부(예로, 도 2b의 인식 데이터 획득부(203c)) 및 현재 온도를 학습 모델로 입력하여 공기 조화기(A)의 추천 온도를 획득하는 모델 적용부(예로, 도 2b의 모델 적용부(203d)), 획득된 추천 온도를 외부 기기로 전송하는 통신부(예로, 도 2b의 통신부(201))를 포함할 수 있다. 여기서, 외부 기기는 공기 조화기(A) 또는 공기 조화기(A)와 통신 연결된 제3 기기를 포함할 수 있다. 또한, 외부 기기는 사용자 단말(U) 또는 사용자 단말(U)과 통신 연결되어 추천 온도를 전달할 제3 기기를 포함할 수도 있다.
도 9는 본 개시의 일 실시 예에 따른 사용자 단말(U)의 구성을 도시한 블럭도이다.
도 9를 참조하면, 사용자 단말(U)은 디스플레이(910), 통신부(920), 입력부(930), 저장부(940) 및 프로세서(950)를 포함할 수 있다.
디스플레이(910)는 사용자 단말(U)의 사용자에게 정보를 시각적으로 제공할 수 있다. 예로, 디스플레이(910)는 프로세서(950)의 제어에 의하여 인공 지능 동작 UI를 포함하는 화면을 표시할 수 있다.
통신부(920)는 사용자 단말(U) 및 외부 장치 간의 유선 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 외부 장치는 예로, 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
통신부(920)은 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)를 이용하여 근거리 통신 네트워크(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 등) 또는 원거리 통신 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN) 등)를 통하여 외부 장치와 통신할 수 있다. 상술한 여러 종류의 통신 모듈)은 하나의 칩으로 구현되거나 또는 각각 별도의 칩으로 구현될 수 있다.
입력부(930)는 사용자 단말(U)의 구성요소(예: 프로세서(950))에 사용될 명령 또는 데이터를 사용자 단말(U)의 외부(예: 사용자)로부터 수신할 수 있다. 입력부(930)는 예로, 버튼, 마이크 또는 터치 패널 등을 포함할 수 있다. 입력부(930)는 사용자 단말(U)을 제어하기 위한 사용자 입력에 따라 발생된 사용자 입력 신호를 프로세서(950)로 전송할 수 있다.
저장부(940)는 사용자 단말(U)의 적어도 하나의 구성요소(예: 프로세서(950)에 의해 사용되는 다양한 데이터, 예를 들어, 소프트웨어(예: 프로그램) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 저장할 수 있다. 저장부(940)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.
프로그램은 저장부(940)에 저장되는 소프트웨어로서, 예를 들면, 운영 체제, 미들 웨어 또는 어플리케이션을 포함할 수 있다.
프로세서(950)는 예를 들면, 저장부(940)에 저장된 소프트웨어(예: 프로그램)를 구동하여 프로세서(950)에 연결된 사용자 단말(U)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서(950)는 다른 구성요소(예: 통신부(920))로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시예에 따르면, 프로세서(950)는 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.
다양한 실시예에 따르면, 디스플레이(910)가 제공하는 화면에 포함된 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호가 입력부(930)를 통하여 수신되면, 프로세서(950)는 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호가 공기 조화기(A)로 전송되도록 통신부(920)를 제어할 수 있다. 그리고, 인공 지능 동작 요청 신호에 따라 공기 조화기(A)에 설정되는 추천 온도가 통신부(920)를 통하여 획득되면, 프로세서(950)는 획득된 추천 온도가 표시되도록 디스플레이(910)를 제어할 수 있다. 이 때, 추천 온도는 공기 조화기(A)가 공기 조화기(A)의 현재 온도를 학습 모델에 적용한 결과로 획득한 것일 수 있다. 이 경우, 프로세서(950)는 사용자가 현재 온도에서 과거에 공기 조화기(A)에 설정한 설정 온도를 추천 온도와 함께 표시하도록 디스플레이(910)를 제어할 수 있다.
다양한 실시예에 따르면, 공기 조화기(A) 및 공기 조화기(A)를 제어하는 사용자 단말(U)을 포함하는 네트워크 시스템이 존재할 수 있다.
이 경우, 사용자 단말(U)의 디스플레이(910)가 제공하는 화면에 포함된 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호가 입력부(930)를 통하여 수신되면, 프로세서(950)는 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호가 공기 조화기(A)로 전송되도록 통신부(920)를 제어할 수 있다.
공기 조화기(A)가 공기 조화기(A)의 통신부(830)를 통하여 인공 지능 동작 요청을 수신하면, 공기 조화기(A)의 프로세서(850)는 공기 조화기(A)의 현재 온도가 외부 기기로 전송되도록 통신부(830)를 제어할 수 있다. 그리고, 공기 조화기(A)의 프로세서(850)는 현재 온도의 전송에 따른 추천 온도가 외부 기기로부터 수신되도록 통신부(830)를 제어할 수 있다. 프로세서(850)는 통신부(830)를 통하여 수신된 추천 온도를 공기 조화기(A)에 설정할 수 있다. 이 때, 추천 온도는 공기 조화기(A)에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들에 기반하여 학습된 학습 모델에 현재 온도를 적용한 결과일 수 있다. 여기서, 외부 기기는 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
도 10a 및 도 10b는 본 개시의 일 실시예에 따른, 사용자 단말이 추천 온도를 제공하는 화면을 나타내는 도면이다.
도 10a에서, 사용자 단말(U)은 공기 조화기(A)를 제어 가능한 어플리케이션을 실행하여 공기 조화기 제어 화면(1010)을 표시할 수 있다.
공기 조화기 제어 화면(1010)은 공기 조화기(A)을 온 또는 오프하는 UI(1011), 공기 조화기(A)의 동작 모드를 선택하는 UI(1012), 현재 온도 정보(1013), 인공 지능 모드 동작 여부 정보(1014), 바람문 설정 UI(1015), 바람 세기 설정 UI(1016), 무풍 동작 여부 UI(1017), 공기 청정 동작 여부 UI(1018), 인공 지능 설정 UI(1019) 및 예약 설정 UI(1020) 등을 포함할 수 있다.
이 때, 공기 조화기 제어 화면(1010)이 사용자 단말(UI)의 디스플레이의 뷰포트(viewport) 범위를 벗어나는 경우, 사용자는 드래그 제스처를 통하여 뷰포트 범위 밖에 공기 조화기 제어 화면(1110)을 뷰포트 범위 내에 표시할 수 있다.
이러한 상황에서, 인공 지능 설정 UI(1019)를 선택하는 사용자 입력이 수신되면, 사용자 단말(U)은 도 10b와 같이, 공기 조화기(A)의 동작 모드(예로, 스마트 쾌적 모드)에서 인공 지능 제어 화면(1020)을 표시할 수 있다. 인공 지능 제어 화면(1020)은 공기 조화기(A)의 인공 지능 모드 동작을 위한 인공 지능 동작 UI(1021) 및 공기 조화기(A)의 인공 지능 모드 동작 여부를 나타내는 인공 지능 동작 여부 정보(1022)를 포함할 수 있다.
이 경우, 인공 지능 동작 UI(1021)를 선택하는 사용자 입력이 수신되면, 사용자 입력에 기반하여, 사용자 단말(U)은 공기 조화기에 설정되는 추천 온도를 획득할 수 있다. 예로, 사용자 단말(U)은 클라우드 서버(C)와 통신 연결된 제3 기기(예로, 엑세스 포인트(AP))를 통하여 추천 온도를 획득할 수 있다.
그리고, 사용자 단말(U)은 인공 지능 제어 화면(1020)에 추천 온도(1023)를 표시할 수 있다. 이 때, 추천 온도(1023)는 인공 지능 동작 UI(1021)를 선택하는 사용자 입력에 기반하여, 공기 조화기(A)가 공기 조화기(A)의 현재 온도를 학습 모델 서버(DS)에 적용한 결과로 획득한 것일 수 있다.
사용자 단말(U)은 인공 지능 제어 화면(1020)에 추천 온도(1023)뿐만 아니라 공기 조화기(A)의 사용자가 이전에 공기 조화기(A)에 직접 설정한 설정 온도(1024) 또한 표시할 수 있다. 이 경우, 추천 온도(1023) 및 설정 온도(1024)는 비교 가능하도록 그래프 상에 함께 표시될 수도 있다.
도 11은 본 개시의 일 실시 예에 따른 데이터 학습 서버(DS)의 학습 모델 생성 방법을 나타내는 흐름도이다.
먼저, 동작 1101에서, 데이터 학습 서버(DS)는 공기 조화기(A)에 설정된 설정 온도 및 설정 온도 설정 시의 공기 조화기(A)의 현재 온도를 획득할 수 있다. 또한, 데이터 학습 서버(DS)는 공기 조화기(A)의 외부 환경 정보를 더 획득할 수 있다.
이 때, 데이터 학습 서버(DS)는 공기 조화기(A)와 통신 연결된 브릿지 서버(BS)로부터 설정 온도 및 현재 온도를 획득하고, 외부 콘텐트 제공 서버(CP)와 통신 연결된 스마트 홈 서비스 서버(SS)로부터 외부 환경 정보를 획득할 수 있다.
또한, 데이터 학습 서버(DS)은 공기 조화기(A)에 온도 설정 시의 시간 정보를 더 획득할 수도 있다.
동작 1103에서, 데이터 학습 서버(DS)는 획득한 설정 온도 및 현재 온도를 이용하여 학습 모델을 생성하거나 또는 갱신할 수 있다.
데이터 학습 서버(DS)가 외부 환경 정보를 더 획득한 경우, 데이터 학습 서버(DS)는 획득한 설정 온도, 현재 온도 및 외부 환경 정보를 이용하여 학습 모델을 생성하거나 또는 갱신할 수 있다.
또한, 데이터 학습 서버(DS)가 온도 설정 시의 시간 정보를 더 획득한 경우, 데이터 학습 서버(DS)는 획득한 설정 온도, 현재 온도 및 시간 정보를 이용하여 학습 모델을 생성하거나 또는 갱신할 수 있다.
동작 1105에서, 데이터 학습 서버(DS)는 학습 모델의 생성 및 갱신 결과로서, 공기 조화기(A)에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장할 수 있다.
한편, 데이터 학습 서버(DS)는 공기 조화기(A)의 운전 모드 별로 복수의 학습 모델들을 생성 또는 갱신할 수 있다. 이 경우, 데이터 학습 서버(DS)는 복수의 학습 모델들을 저장할 수 있다.
도 12는 본 개시의 일 실시 예에 따른 데이터 학습 서버(DS)의 학습 모델 이용 방법을 나타내는 흐름도이다.
먼저, 동작 1201에서, 데이터 학습 서버(DS)는 공기 조화기(A)에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장할 수 있다.
학습된 학습 모델이 저장된 상황에서, 동작 1203에서, 데이터 학습 서버(DS)는 공기 조화기(A)의 현재 온도를 획득할 수 있다. 이 경우, 데이터 학습 서버(DS)는 공기 조화기(A)의 외부 환경 정보를 더 획득할 수 있다.
동작 1205에서, 데이터 학습 서버(DS)는 획득한 현재 온도를 학습된 학습 모델로 입력하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
또한, 데이터 학습 서버(DS)가 외부 환경 정보를 더 획득한 경우, 데이터 학습 서버(DS)는 획득한 추천 온도 및 외부 환경 정보를 학습 모델로 입력하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
한편, 데이터 학습 서버(DS)는 공기 조화기(A)의 운전 모드 별로 복수의 학습 모델들을 저장할 수 있다. 이 경우, 데이터 학습 서버(DS)는 획득한 현재 온도를 공기 조화기(A)의 현재 운전 모드에 대응하는 학습 모델로 입력하여 공기 조화기(A)의 현재 운전 모드에 대응하는 학습 모델로 입력하여 공기 조화기(A)에 설정할 추천 온도를 획득할 수 있다.
동작 1207에서, 데이터 학습 서버(DS)는 획득한 추천 온도를 외부 기기로 전송할 수 있다. 외부 기기는, 예로, 공기 조화기(A) 또는 공기 조화기(A)와 통신 연결되어 추천 온도를 전달할 제3 기기가 될 수 있다. 또한, 외부 기기는 사용자 단말(U) 또는 사용자 단말(U)과 통신 연결되어 추천 온도를 전달할 제3 기기가 될 수 있다.
도 13은 본 개시의 일 실시 예에 따른 공기 조화기(A)의 추천 온도 제공 방법을 나타내는 흐름도이다.
먼저, 동작 1301에서, 공기 조화기(A)는 공기 조화기(A)의 현재 온도를 감지할 수 있다.
다음으로, 동작 1303에서, 공기 조화기(A)는 감지된 현재 온도를 외부 기기로 전송할 수 있다. 예로, 공기 조화기(A)는 감지된 현재 온도를 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나로 전송할 수 있다.
동작 1305에서, 공기 조화기(A)는 현재 온도의 전송에 따라, 학습 모델에 현재 온도를 적용한 결과인 추천 온도를 외부 기기로부터 수신할 수 있다. 이 때, 추천 온도는 공기 조화기(A)에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델에 현재 온도를 적용한 결과일 수 있다.
동작 1307에서, 공기 조화기(A)는 수신된 추천 온도를 공기 조화기에 설정할 수 있다.
도 14는 본 개시의 일 실시 예에 따른 사용자 단말(U)의 공기 조화기 제어 방법을 나타내는 흐름도이다.
먼저, 동작 1401에서, 사용자 단말(U)은 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신할 수 있다.
사용자 입력 신호에 응답하여, 동작 1403에서, 사용자 단말(U)은 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 공기 조화기(A)로 전송할 수 있다.
그리고, 동작 1405에서, 사용자 단말(U)은 인공 지능 동작 요청 신호에 따라, 공기 조화기(A)의 현재 온도를 학습 모델에 적용한 결과로서 공기 조화기(A)에 설정되는 추천 온도를 획득할 수 있다.
동작 1407에서, 사용자 단말(U)은 획득된 추천 온도를 화면에 표시할 수 있다. 이 때, 사용자 단말(U)은 상기 현재 온도에서 사용자가 이전에 공기 조화기(A)에 설정한 설정 온도를 상기 추천 온도와 함께 표시할 수 있다.
도 15는 본 개시의 일 실시예에 따른 사용자 단말 및 공기 조화기를 포함하는 네트워크 시스템의 흐름도이다.
먼저, 동작 1501에서, 사용자 단말(U)은 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신할 수 있다.
동작 1503에서, 사용자 단말(U)은 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 공기 조화기(A)로 전송할 수 있다.
동작 1505에서, 공기 조화기(A)는 공기 조화기(A)의 현재 온도를 감지할 수 있다.
그리고, 동작 1507에서, 공기 조화기(A)는 감지된 현재 온도를 외부 기기(1500)로 전송할 수 있다. 외부 기기는, 예로, 클라우드 서버(C), 학습 모델 서버(DS), 클라우드 서버(C) 또는 학습 모델 서버(DS)와 통신 연결된 제3 기기 중 적어도 하나를 포함할 수 있다.
동작 1509에서, 공기 조화기(A)는 현재 온도의 전송에 따라, 학습 모델에 현재 온도를 적용한 결과인 추천 온도를 외부 기기(1500)로부터 수신할 수 있다. 이 때, 학습 모델은 공기 조화기(A)에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 온도들을 이용하여 학습된 학습 모델일 수 있다.
동작 1511에서, 공기 조화기(A)는 수신된 추천 온도를 공기 조화기에 설정할 수 있다.
개시된 실시예들은 컴퓨터로 읽을 수 있는 저장 매체(computer-readable storage media)에 저장된 명령어들을 포함하는 S/W 프로그램으로 구현될 수 있다.
컴퓨터는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 개시된 실시예에 따른 동작이 가능한 장치로서, 개시된 실시예들에 따른 데이터 학습 서버 또는 데이터 학습 서버와 통신 연결된 외부의 서버를 포함할 수 있다. 또는, 컴퓨터는 개시된 실시예들에 따른, 공기 조화기 또는 공기 조화기와 통신 연결된 외부의 서버를 포함할 수 있다.
컴퓨터로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal), 전류(current)를 포함하지 않으며, 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 예로, 비일시적 저장 매체는 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 내장 메모리, 메모리 카드, ROM 또는 RAM 등과 같은 비일시적 판독가능 기록매체뿐만 아니라 레지스터, 캐쉬, 버퍼 등과 같이 임시적으로 저장되는 매체를 포함할 수 있다.
또한, 개시된 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)으로 제공될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체 또는 판매자 및 구매자 간에 거래되는 상품을 포함할 수 있다.
예를 들어, 컴퓨터 프로그램 제품은 데이터 학습 서버 또는 공기 조화기의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사 또는 전자 마켓의 서버, 또는 중계 서버의 저장매체가 될 수 있다.
이상에서는 본 개시의 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
A: 공기 조화기
C: 클라우드 서버
BS: 브릿지 서버
SS: 스마트 홈 서비스 서버
DS: 데이터 학습 서버
U: 사용자 단말

Claims (30)

  1. 데이터 학습 서버에 있어서,
    통신부;
    학습 모델이 저장된 저장부;
    상기 통신부를 통하여, 공기 조화기에 설정된 설정 온도 및 상기 온도 설정 시 상기 공기 조화기의 현재 실내 온도를 획득하고,
    상기 설정 온도 및 상기 현재 실내 온도를 상기 학습 모델에 적용하며, 상기 공기 조화기에 설정할 추천 온도를 획득하는 프로세서;를 포함하며,
    상기 학습 모델은,상기 공기 조화기에 설정할 상기 추천 온도를 제공하도록 학습되는, 데이터 학습 서버.
  2. 제1항에 있어서,
    상기 프로세서는,
    외부 환경 정보를 더 획득하고,
    상기 설정 온도, 상기 현재 실내 온도 및 상기 외부 환경 정보를 이용하여 상기 학습 모델을 생성 또는 갱신하는, 데이터 학습 서버.
  3. 제2항에 있어서,
    상기 외부 환경 정보는,
    상기 온도 설정 시 외부 온도 및 외부 습도 중 적어도 하나를 포함하는, 데이터 학습 서버.
  4. 제2항에 있어서,
    상기 프로세서는,상기 통신부를 통하여, 상기 공기 조화기와 통신 연결된 브릿지 서버로부터 상기 설정 온도 및 상기 현재 실내 온도를 획득하고,
    상기 통신부를 통하여, 외부의 콘텐트 제공 서버와 통신 연결된 스마트 홈 서비스 서버로부터 상기 외부 환경 정보를 획득하는, 데이터 학습 서버.
  5. 제1항에 있어서,
    상기 프로세서는,상기 온도 설정 시 시간 정보를 더 획득하고,
    상기 설정 온도, 상기 현재 실내 온도 및 상기 시간 정보를 이용하여 상기 학습 모델을 생성 또는 갱신하는, 데이터 학습 서버.
  6. 제1항에 있어서,
    상기 프로세서는,상기 공기 조화기의 운전 모드 별로 복수의 학습 모델들을 생성 또는 갱신하고, 상기 저장부에 상기 복수의 학습 모델들을 저장하는, 데이터 학습 서버.
  7. 데이터 학습 서버에 있어서,
    공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부;
    통신부; 및
    상기 공기 조화기의 현재 실내 온도를 획득하고, 상기 현재 실내 온도를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하며,
    상기 추천 온도를 외부 기기로 전송하도록 상기 통신부를 제어하는 프로세서;를 포함하는 데이터 학습 서버.
  8. 제7항에 있어서,
    상기 프로세서는,
    외부 환경 정보를 더 획득하고,
    상기 현재 실내 온도 및 상기 외부 환경 정보를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하는, 데이터 학습 서버.
  9. 제7항에 있어서,
    상기 저장부가,
    상기 공기 조화기의 운전 모드 별로 복수의 학습 모델들을 저장하는 경우,
    상기 프로세서는,상기 현재 실내 온도를 상기 공기 조화기의 현재 운전 모드에 대응하는 학습 모델로 입력하여 상기 공기 조화기의 추천 온도를 획득하는, 데이터 학습 서버.
  10. 공기 조화기에 있어서,
    냉기를 외부로 토출하는 송풍팬;
    상기 공기 조화기 주변의 현재 실내 온도를 감지하는 온도 센서;
    외부 기기와 통신 가능한 통신부; 및
    상기 현재 실내 온도가 상기 외부 기기로 전송되도록 상기 통신부를 제어하고,
    상기 현재 실내 온도의 전송에 따라, 학습 모델에 상기 현재 실내 온도를 적용한 결과인 추천 온도가 상기 외부 기기로부터 수신되도록 상기 통신부를 제어하고,
    상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 프로세서;를 포함하고,
    상기 학습 모델은 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 실내 온도들을 이용하여 학습된 학습 모델인, 공기 조화기.
  11. 공기 조화기를 제어하는 사용자 단말에 있어서,
    화면을 표시하는 디스플레이;
    외부 기기와 통신 가능한 통신부;
    사용자 입력을 수신하는 입력부; 및
    상기 화면에 포함된 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호가 상기 입력부를 통하여 수신되면,
    상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호가 상기 공기 조화기로 전송되도록 상기 통신부를 제어하고,
    상기 인공 지능 동작 요청 신호에 따라 상기 공기 조화기의 현재 실내 온도를 학습 모델에 적용한 결과인 상기 공기 조화기에 설정되는 추천 온도가 상기 통신부를 통하여 획득되면, 상기 획득된 추천 온도가 표시되도록 상기 디스플레이를 제어하는 프로세서를 포함하는, 사용자 단말.
  12. 제11항에 있어서,
    상기 프로세서는,
    사용자가 상기 현재 실내 온도에서 과거에 상기 공기 조화기에 설정한 설정 온도를 상기 추천 온도와 함께 표시하도록 상기 디스플레이를 제어하는, 사용자 단말.
  13. 네트워크 시스템에 있어서,
    상기 네트워크 시스템은,
    공기 조화기 및 상기 공기 조화기로부터 획득된 학습 데이터를 이용하여 학습 모델을 생성하는 학습 모델 서버를 포함하고,
    상기 공기 조화기는,
    냉기를 외부로 토출하는 송풍팬;
    상기 공기 조화기 주변의 현재 실내 온도를 감지하는 온도 센서;
    외부 기기와 통신 가능한 통신부;
    상기 공기 조화기에 설정된 설정 온도 및 상기 온도 센서를 통하여 감지된 현재 실내 온도가 외부 기기로 전송되도록 상기 통신부를 제어하는 프로세서;를 포함하고,
    상기 학습 모델 서버는,
    상기 현재 실내 온도 및 상기 설정 온도를 획득하고,
    상기 획득된 설정 온도 및 상기 현재 실내 온도를 상기 학습 모델에 적용하며,
    상기 공기 조화기에 설정할 추천 온도를 획득하는 프로세서;를 포함하며,
    상기 학습 모델은,
    상기 공기 조화기에 설정할 상기 추천 온도를 제공하도록 학습되는, 네트워크 시스템.
  14. 네트워크 시스템에 있어서,
    상기 네트워크 시스템은,
    공기 조화기 및 상기 공기 조화기로부터 획득된 인식 데이터를 이용하여 추천 온도를 제공하는 학습 모델 서버를 포함하고,
    상기 공기 조화기는,
    냉기를 외부로 토출하는 송풍팬;
    상기 공기 조화기의 현재 실내 온도를 감지하는 온도 센서;
    외부 기기와 통신 가능한 통신부; 및
    상기 온도 센서를 통하여 감지된 현재 실내 온도가 상기 외부 기기로 전송되도록 상기 통신부를 제어하는 프로세서를 포함하고,
    상기 학습 모델 서버는,
    상기 공기 조화기의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 저장부; 및
    통신부;
    상기 현재 실내 온도를 획득하고,
    상기 현재 실내 온도를 상기 학습 모델로 입력하여 상기 공기 조화기의 추천 온도를 획득하고,
    상기 추천 온도를 상기 외부 기기로 전송하도록 상기 통신부를 제어하는 프로세서; 를 포함하는 네트워크 시스템.
  15. 네트워크 시스템에 있어서,
    상기 네트워크 시스템은,
    공기 조화기 및 상기 공기 조화기를 제어하는 사용자 단말을 포함하고,
    상기 사용자 단말은,
    화면을 표시하는 디스플레이;
    외부 기기와 통신 가능한 통신부;
    사용자 입력을 수신하는 입력부; 및
    상기 화면에 포함된 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호가 상기 입력부를 통하여 수신되면, 상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호가 상기 공기 조화기로 전송되도록 상기 통신부를 제어하는 프로세서를 포함하고,
    상기 공기 조화기는,
    냉기를 외부로 토출하는 송풍팬;
    상기 공기 조화기 주변의 현재 실내 온도를 감지하는 온도 센서;
    외부 기기와 통신 가능한 통신부; 및
    상기 인공 지능 동작 요청이 상기 통신부를 통하여 수신되면,
    상기 현재 실내 온도가 상기 외부 기기로 전송되고, 상기 현재 실내 온도의 전송에 따른 추천 온도가 상기 외부 기기로부터 수신되도록 상기 통신부를 제어하고,
    상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 프로세서;를 포함하고,
    상기 추천 온도는 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 실내 온도들에 기반하여 학습된 학습 모델에 상기 현재 실내 온도를 적용한 결과인, 공기 조화기.
  16. 데이터 학습 서버의 학습 모델 생성 방법에 있어서,
    공기 조화기에 설정된 설정 온도 및 상기 온도 설정 시 상기 공기 조화기의 현재 실내 온도를 획득하는 동작; 및
    상기 설정 온도 및 상기 현재 실내 온도를 학습 모델에 적용하며, 상기 공기 조화기에 설정할 추천 온도를 획득하는 단계;를 포함하며,
    상기 학습 모델은,
    상기 공기 조화기에 설정할 상기 추천 온도를 제공하도록 학습되는, 학습 모델 생성 방법.
  17. 제16항에 있어서,
    상기 학습 모델 생성 방법은,
    상기 공기 조화기의 외부 환경 정보를 획득하는 단계; 및상기 설정 온도, 상기 현재 실내 온도 및 상기 외부 환경 정보를 이용하여 학습 모델을 생성 또는 갱신하는 단계;를 더 포함하는, 학습 모델 생성 방법.
  18. 제17항에 있어서,
    상기 외부 환경 정보는,
    상기 온도 설정 시 외부 온도 및 외부 습도 중 적어도 하나를 포함하는, 학습 모델 생성 방법.
  19. 제17항에 있어서,
    상기 설정 온도 및 상기 현재 실내 온도를 획득하는 단계는,
    상기 공기 조화기와 통신 연결된 브릿지 서버로부터 상기 설정 온도 및 상기 현재 실내 온도를 획득하는 단계;를 포함하고,
    상기 외부 환경 정보를 획득하는 단계는,
    외부의 콘텐트 제공 서버와 통신 연결된 스마트 홈 서비스 서버로부터 상기 외부 환경 정보를 획득하는 단계;를 포함하는, 학습 모델 생성 방법.
  20. 제16항에 있어서,
    상기 온도 설정 시 시간 정보를 획득하는 단계; 및
    상기 설정 온도, 상기 현재 실내 온도 및 상기 시간 정보를 이용하여 학습 모델을 생성 또는 갱신하는 단계;를 더 포함하는, 학습 모델 생성 방법.
  21. 제16항에 있어서,
    상기 공기 조화기의 운전 모드 별로 복수의 학습 모델들을 생성 또는 갱신하는 단계; 및
    상기 복수의 학습 모델들을 저장하는 단계;를 더 포함하는, 학습 모델 생성 방법.
  22. 데이터 학습 서버의 학습 모델 이용 방법에 있어서,
    공기 조화기에 설정할 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 단계;
    상기 공기 조화기의 현재 실내 온도를 획득하는 단계;
    상기 현재 실내 온도를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하는 단계; 및
    상기 추천 온도를 외부 기기로 전송하는 단계;를 포함하는 학습 모델 이용 방법.
  23. 제22항에 있어서,
    상기 공기 조화기의 외부 환경 정보를 획득하는 단계;를 더 포함하고,
    상기 공기 조화기에 설정할 추천 온도를 획득하는 동작은,
    상기 현재 실내 온도 및 상기 외부 환경 정보를 상기 학습 모델로 입력하여, 상기 공기 조화기에 설정할 추천 온도를 획득하는 단계;를 포함하는, 학습 모델 이용 방법.
  24. 제22항에 있어서,
    상기 학습 모델을 저장하는 동작은,
    상기 공기 조화기의 운전 모드 별로 복수의 학습 모델들을 저장하는 단계;를 포함하고,
    상기 공기 조화기에 설정할 추천 온도를 획득하는 단계는,
    상기 현재 실내 온도를 상기 공기 조화기의 현재 운전 모드에 대응하는 학습 모델로 입력하여 상기 공기 조화기에 설정할 추천 온도를 획득하는 단계;를 포함하는, 학습 모델 이용 방법.
  25. 공기 조화기의 추천 온도 제공 방법에 있어서,
    상기 공기 조화기의 현재 실내 온도를 감지하는 단계;
    상기 감지된 현재 실내 온도를 외부 기기로 전송하는 단계;
    상기 현재 실내 온도의 전송에 따라, 학습 모델에 상기 현재 실내 온도를 적용한 결과인 추천 온도를 상기 외부 기기로부터 수신하는 단계; 및
    상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 단계;를 포함하고,
    상기 학습 모델은 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 실내 온도들을 이용하여 학습된 학습 모델인, 추천 온도 제공 방법.
  26. 사용자 단말의 공기 조화기 제어 방법에 있어서,
    인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신하는 단계;
    상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 상기 공기 조화기로 전송하는 단계;
    상기 인공 지능 동작 요청 신호에 따라, 상기 공기 조화기의 현재 실내 온도를 학습 모델에 적용한 결과인 상기 공기 조화기에 설정되는 추천 온도를 획득하는 단계; 및
    상기 획득된 추천 온도를 화면에 표시하는 단계;를 포함하는 공기 조화기 제어 방법.
  27. 제26항에 있어서,
    상기 방법은,
    사용자가 상기 현재 실내 온도에서 사용자가 이전에 상기 공기 조화기에 설정한 설정 온도를 상기 추천 온도와 함께 표시하는 단계;를 더 포함하는 공기 조화기 제어 방법.
  28. 공기 조화기 및 학습 모델 서버를 포함하는 네트워크 시스템의 학습 모델 생성 방법에 있어서,
    상기 공기 조화기에서, 온도를 설정하는 사용자 제어 신호를 수신하는 단계;
    상기 공기 조화기에서, 상기 설정 온도 및 상기 공기 조화기의 현재 실내 온도를 외부 기기로 전송하는 단계;
    상기 학습 모델 서버에서, 상기 설정 온도 및 상기 현재 실내 온도를 이용하여 학습 모델을 생성하는 단계; 및
    상기 학습 모델 서버에서, 상기 공기 조화기의 추천 온도를 제공하도록 학습된 학습 모델을 저장하는 단계;를
    포함하는 학습 모델 생성 방법.
  29. 공기 조화기 및 학습 모델 서버를 포함하는 네트워크 시스템의 추천 온도 제공 방법에 있어서,
    상기 공기 조화기에서, 상기 공기 조화기의 현재 실내 온도를 외부 기기로 전송하는 단계;
    상기 학습 모델 서버에서, 상기 현재 실내 온도를 학습 모델에 적용하여 공기 조화기의 추천 온도를 획득하는 단계; 및
    상기 공기 조화기에서, 상기 추천 온도를 상기 외부 기기로 전송하는 단계;를 포함하는 추천 온도 제공 방법.
  30. 공기 조화기 및 사용자 단말을 포함하는 네트워크 시스템의 공기 조화기 제어 방법에 있어서,
    상기 사용자 단말에서, 인공 지능 동작 UI를 선택하는 사용자 입력에 따른 사용자 입력 신호를 수신하는 단계;
    상기 사용자 단말에서, 상기 인공 지능 동작 UI에 대응하는 인공 지능 동작 요청 신호를 상기 공기 조화기로 전송하는 단계;
    상기 공기 조화기에서, 상기 인공 지능 동작 요청 신호가 수신되면, 상기 공기 조화기의 현재 실내 온도를 외부 기기로 전송하는 단계;
    상기 공기 조화기에서, 상기 현재 실내 온도의 전송에 따라, 학습 모델에 상기 현재 실내 온도를 적용한 결과인 추천 온도를 상기 외부 기기로부터 수신하는 단계; 및
    상기 공기 조화기에서, 상기 수신된 추천 온도를 상기 공기 조화기에 설정하는 단계;를 포함하고,
    상기 학습 모델은 상기 공기 조화기에 이전에 설정된 복수의 설정 온도들 및 복수의 현재 실내 온도들을 이용하여 학습된 학습 모델인, 온도 설정 방법.
KR1020170123239A 2017-03-30 2017-09-25 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 KR102393418B1 (ko)

Priority Applications (11)

Application Number Priority Date Filing Date Title
US15/941,687 US11137161B2 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
AU2018246843A AU2018246843B2 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
RU2019134550A RU2772237C2 (ru) 2017-03-30 2018-03-30 Сервер обучения на основе данных и способ формирования и использования его обучающей модели
EP18753038.1A EP3411634B1 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
CN201880022241.2A CN110494697A (zh) 2017-03-30 2018-03-30 数据学习服务器和用于生成和使用其学习模型的方法
PCT/KR2018/003774 WO2018182357A1 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
BR112019020372-9A BR112019020372B1 (pt) 2017-03-30 2018-03-30 Método para gerar um modelo de aprendizado de um servidor de aprendizado de dados, servidor de aprendizado de dados, e sistema de rede
CA3058373A CA3058373A1 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
EP22176021.8A EP4071416A1 (en) 2017-03-30 2018-03-30 Data learning server and method for generating and using learning model thereof
US17/489,084 US20220018567A1 (en) 2017-03-30 2021-09-29 Data learning server and method for generating and using learning model thereof
KR1020220052392A KR102553299B1 (ko) 2017-03-30 2022-04-27 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762479207P 2017-03-30 2017-03-30
US62/479,207 2017-03-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220052392A Division KR102553299B1 (ko) 2017-03-30 2022-04-27 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법

Publications (2)

Publication Number Publication Date
KR20180112653A KR20180112653A (ko) 2018-10-12
KR102393418B1 true KR102393418B1 (ko) 2022-05-03

Family

ID=63876854

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020170123239A KR102393418B1 (ko) 2017-03-30 2017-09-25 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
KR1020220052392A KR102553299B1 (ko) 2017-03-30 2022-04-27 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
KR1020230086675A KR102648234B1 (ko) 2017-03-30 2023-07-04 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020220052392A KR102553299B1 (ko) 2017-03-30 2022-04-27 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
KR1020230086675A KR102648234B1 (ko) 2017-03-30 2023-07-04 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법

Country Status (6)

Country Link
US (1) US20220018567A1 (ko)
EP (2) EP4071416A1 (ko)
KR (3) KR102393418B1 (ko)
CN (1) CN110494697A (ko)
AU (1) AU2018246843B2 (ko)
CA (1) CA3058373A1 (ko)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102440118B1 (ko) 2018-03-05 2022-09-05 삼성전자주식회사 공조 장치 및 그 제어 방법
US10970128B2 (en) 2018-04-13 2021-04-06 Samsung Electronics Co., Ltd. Server, air conditioner and method for controlling thereof
KR102040505B1 (ko) * 2018-09-21 2019-11-05 엘지전자 주식회사 인공지능 기반의 공기 청정장치 및 그를 포함하는 공기청정 시스템
JP6760348B2 (ja) * 2018-10-11 2020-09-23 株式会社富士通ゼネラル 空気調和機、データ送信方法及び空気調和システム
KR102371180B1 (ko) * 2018-12-20 2022-03-07 한국전자기술연구원 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템
KR102208037B1 (ko) * 2018-12-21 2021-01-26 한국기술교육대학교 산학협력단 실내 대기 환경 개선을 위한 최적의 활동의 자동 추천 방법
KR102544265B1 (ko) * 2019-01-09 2023-06-16 삼성전자주식회사 전자 장치 및 그 제어 방법
JP6699764B1 (ja) 2019-01-16 2020-05-27 株式会社富士通ゼネラル 空気調和システム
US20220127772A1 (en) * 2019-02-01 2022-04-28 Lg Electronics Inc. Clothing processing device and online system comprising same
JP7173907B2 (ja) 2019-03-18 2022-11-16 ダイキン工業株式会社 空調機の予冷運転又は予暖運転の運転条件を決定する機械学習装置
US20220189476A1 (en) * 2019-03-22 2022-06-16 Mitsubishi Heavy Industries Thermal Systems, Ltd. Control device, apparatus control system, control method, and program
US11448412B2 (en) 2019-04-02 2022-09-20 Lg Electronics Inc. Air conditioner with an artificial intelligence
KR20200120557A (ko) * 2019-04-12 2020-10-21 삼성전자주식회사 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법
US11531912B2 (en) 2019-04-12 2022-12-20 Samsung Electronics Co., Ltd. Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
JP7188255B2 (ja) * 2019-04-16 2022-12-13 富士通株式会社 学習方法、学習プログラムおよび学習装置
CN112097369A (zh) * 2019-05-31 2020-12-18 广东美的制冷设备有限公司 空气调节设备及其控制方法、服务器和可读存储介质
KR102286137B1 (ko) 2019-07-22 2021-08-06 엘지전자 주식회사 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
JP7353917B2 (ja) * 2019-10-29 2023-10-02 キヤノン株式会社 画像処理装置、その制御方法及びプログラム
KR102114989B1 (ko) * 2019-12-10 2020-05-26 한국산업기술시험원 심층 강화 학습 알고리즘을 적용한 공기조화기 정밀 학습 시스템 및 그 방법
KR102296329B1 (ko) * 2020-01-13 2021-09-01 주식회사 유러스 예측 공조로 최적화 운전이 가능한 스마트 공기 조화 시스템
KR20210100355A (ko) * 2020-02-06 2021-08-17 엘지전자 주식회사 공기 조화기 및 이의 제어 방법
GB2592215A (en) * 2020-02-19 2021-08-25 Daimler Ag Method of controlling air conditioner (AC) setting in a vehicle, and system thereof
CN111649465B (zh) * 2020-06-05 2022-04-08 哈尔滨工业大学 一种空调设备自动控制方法及系统
KR20220014620A (ko) * 2020-07-29 2022-02-07 삼성전자주식회사 공기 조화 장치, 공기 조화 시스템 및 제어 방법
KR102264390B1 (ko) * 2020-10-08 2021-06-17 제이비씨엔지니어링 주식회사 Iot 지능형 제어를 통한 에어 돔 자율운전 시스템
CN112541292B (zh) * 2020-12-22 2023-12-12 苏州光格科技股份有限公司 一种基于分布式光纤测温原理的海底电缆埋深估计算法
CN112856727A (zh) * 2021-01-21 2021-05-28 广州三星通信技术研究有限公司 用于控制电子装置的方法和设备
CN114963458B (zh) * 2021-02-23 2023-09-05 海信集团控股股份有限公司 一种热舒适参数预测方法及其设备
CN114251777B (zh) * 2021-12-02 2023-02-14 珠海格力电器股份有限公司 一种热泵机组的自然风识别控制方法和系统及存储介质
CN114688688B (zh) * 2022-03-30 2023-09-05 湖南大友恒集团有限公司 一种基于深度学习的智能制冷舒适空调

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006200865A (ja) * 2005-01-24 2006-08-03 Yamatake Corp 設定温度推奨方法および装置
US20160139575A1 (en) * 2014-11-11 2016-05-19 Webee LLC Systems and methods for smart spaces

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1173134C (zh) * 2001-12-17 2004-10-27 乐金电子(天津)电器有限公司 空调机的制冷控制方法
JP3954087B2 (ja) * 2004-02-27 2007-08-08 松下電器産業株式会社 機器制御方法および機器制御装置
JP2008128582A (ja) * 2006-11-22 2008-06-05 Fujitsu General Ltd 空気調和機
JP4360409B2 (ja) * 2007-02-13 2009-11-11 株式会社デンソー 車両用空調装置、車両用空調装置の制御方法および制御装置
US8467905B2 (en) * 2009-06-08 2013-06-18 Josmon C. George Environment control system
CN103138395B (zh) * 2011-12-05 2015-08-19 中国科学院沈阳自动化研究所 楼宇智能用电管理系统
KR20140094125A (ko) * 2013-01-21 2014-07-30 삼성전자주식회사 디스플레이 장치 및 이를 이용한 사용자 맞춤형 정보 제공방법
US9595070B2 (en) * 2013-03-15 2017-03-14 Google Inc. Systems, apparatus and methods for managing demand-response programs and events
GB201313444D0 (en) * 2013-07-29 2013-09-11 Ambi Labs Ltd Energy efficient indoor climate controller
US20150159893A1 (en) * 2013-12-11 2015-06-11 International Business Machines Corporation Intelligent thermostat control system
WO2015100460A2 (en) * 2013-12-27 2015-07-02 Jeff Bartenbach Air conditioning apparatus and controller
US9817375B2 (en) * 2014-02-26 2017-11-14 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches
US10386795B2 (en) * 2014-10-30 2019-08-20 Vivint, Inc. Methods and apparatus for parameter based learning and adjusting temperature preferences
CN105717960B (zh) * 2014-12-04 2018-01-19 台达电子工业股份有限公司 环境舒适度控制系统及其控制方法
US10386800B2 (en) * 2015-02-24 2019-08-20 Siemens Industry, Inc. Variable air volume modeling for an HVAC system
NL2016068B1 (en) * 2015-05-08 2017-02-15 Rasser De Haan B V Modulating learning thermostat.
CN108141394B (zh) * 2015-06-30 2020-10-23 K4连接股份有限公司 包括用于终止与异常操作的可寻址设备的通信的安全控制器的家庭自动化系统及相关方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006200865A (ja) * 2005-01-24 2006-08-03 Yamatake Corp 設定温度推奨方法および装置
US20160139575A1 (en) * 2014-11-11 2016-05-19 Webee LLC Systems and methods for smart spaces

Also Published As

Publication number Publication date
EP3411634B1 (en) 2022-06-01
US20220018567A1 (en) 2022-01-20
KR102648234B1 (ko) 2024-03-18
EP4071416A1 (en) 2022-10-12
CA3058373A1 (en) 2018-10-04
KR20220065723A (ko) 2022-05-20
AU2018246843B2 (en) 2023-04-27
CN110494697A (zh) 2019-11-22
EP3411634A4 (en) 2019-06-26
BR112019020372A2 (pt) 2020-04-28
AU2018246843A1 (en) 2019-09-26
RU2019134550A3 (ko) 2021-11-08
RU2019134550A (ru) 2021-04-30
KR20230110452A (ko) 2023-07-24
EP3411634A1 (en) 2018-12-12
KR102553299B1 (ko) 2023-07-11
KR20180112653A (ko) 2018-10-12

Similar Documents

Publication Publication Date Title
KR102393418B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US11137161B2 (en) Data learning server and method for generating and using learning model thereof
US11405231B2 (en) Data learning server, and method for generating and using learning model thereof
US11353218B2 (en) Integrated management method and system for kitchen environment using artificial intelligence
US10970128B2 (en) Server, air conditioner and method for controlling thereof
CN111868449A (zh) 空调及其控制方法
CN110308661A (zh) 基于机器学习的智能设备控制方法及装置
CN113339965A (zh) 用于空调控制的方法、装置和空调
US20220019186A1 (en) Method and system for smart environment management
TWI689830B (zh) 基於語音控制設備的方法及控制終端設備
US11371741B2 (en) Air conditioning apparatus and method for controlling using learned sleep modes
RU2772237C2 (ru) Сервер обучения на основе данных и способ формирования и использования его обучающей модели
US20220381472A1 (en) Air conditioner, air conditioner control method, and air conditioner control system
CN113537661B (zh) 管理系统、设备控制方法、共享空间、设备及存储介质
Wilson Radically Connected Home for Power Control and Device Discovery and Synergy
Diniz de Faria Smart Thermally Controlled Bedding
Tait Smart Rubbish Bins
BR112019020372B1 (pt) Método para gerar um modelo de aprendizado de um servidor de aprendizado de dados, servidor de aprendizado de dados, e sistema de rede
Rodriguez Location Finding of Wireless Beacons
Dhillon et al. Health Analyzing Smart Mirror
Ross Augmented Reality Interface for Visualizing and Interacting with IoT Devices
Dhillon et al. IoT Device for Vehicle Analytics and Smart Actions
CN117111485A (zh) 设备控制方法和装置
KR20200055826A (ko) 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치
JPH1194328A (ja) 空調制御装置及び空調制御プログラムを記録したコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant