KR102412939B1 - 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법 - Google Patents

감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법 Download PDF

Info

Publication number
KR102412939B1
KR102412939B1 KR1020190116736A KR20190116736A KR102412939B1 KR 102412939 B1 KR102412939 B1 KR 102412939B1 KR 1020190116736 A KR1020190116736 A KR 1020190116736A KR 20190116736 A KR20190116736 A KR 20190116736A KR 102412939 B1 KR102412939 B1 KR 102412939B1
Authority
KR
South Korea
Prior art keywords
training
training model
user terminal
neural network
connection port
Prior art date
Application number
KR1020190116736A
Other languages
English (en)
Other versions
KR20200125890A (ko
Inventor
중-치 황
컨 잉-카이 랴오
푸-런 차이
Original Assignee
에버 포춘.에이아이 컴퍼니 리미티드
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
Priority claimed from TW108123294A external-priority patent/TWI739124B/zh
Application filed by 에버 포춘.에이아이 컴퍼니 리미티드 filed Critical 에버 포춘.에이아이 컴퍼니 리미티드
Publication of KR20200125890A publication Critical patent/KR20200125890A/ko
Application granted granted Critical
Publication of KR102412939B1 publication Critical patent/KR102412939B1/ko

Links

Images

Classifications

    • G06N3/0427—
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Security & Cryptography (AREA)

Abstract

감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 시스템 및 방법에 있어서, 주로 상이한 훈련 프로그램으로 복수의 데이터 자료를 훈련하여, 상이한 훈련 모델을 얻고, 사용자 단말기가 원격으로 제3자 거래 플랫폼에 의해 거래를 진행할 수 있고, 감시 유닛의 감시 하에서 거래 결과에 따라 상술한 상이한 훈련 모델을 다운로드하여, 사용자 단말기가 상이한 훈련 모델 간의 정확도 차이를 비교함으로써 훈련 모델의 정확도를 향상시킨다.

Description

감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법{CLOUD-BASED TRANSACTION SYSTEM AND METHOD CAPABLE OF PROVIDING NEURAL NETWORK TRAINING MODEL IN SUPERVISED STATE}
본 발명은 인공신경망 훈련 모델의 클라우드 기반 거래 기술에 관한 것으로, 특히 대량의 패턴화 의료 데이터 베이스에서, 사용자가 훈련 데이터를 자유롭게 사용하여 지불 거래를 진행하도록 하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법에 관한 것이다.
인공지능, 머신러닝, 인공신경망 딥러닝 사이의 스택 관계는 분리할 수 없고, 영향을 미친 결과는 각 분야에서 기능적으로 예측한 정확도의 높고 낮음이고, 가장 기본적인 딥러닝은 머신러닝을 수행하는 영혼이며, 이에 의해 인류의 지혜를 나타낸다. 그러나 딥러닝에서는 치밀한 인공신경망구조에서, 자료에 대해 특성화 학습을 진행해야 하는 연산법만이 정확도가 높은 기능성 예측에 도달할 수 있다. 그러나 현재로서는 전세계 인공지능 인재가 사용할 완벽하고 완전한 대량의 정확한 패턴화 의료 데이터 베이스가 없으므로, 의료 분야에서 인공지능의 개발 및 응용은 병목 현상이 나타나고 있으며, 또한 완벽하고 완전한 대량의 정확한 패턴화 의료 데이터 베이스를 보유한 기관단체들은, 일반적으로 이러한 데이터를 쉽게 공개하지 않고, 자체적으로 사용하여 연구 개발을 진행하나 인재가 제한적이므로, 완벽하고 완전한 대량의 정확한 의료 영상 표기 데이터 베이스가 있으면서도 정확도가 높은 모델 및 정확도가 높은 응용을 훈련시키는 새로운 연산법을 개발할 인재가 없어 어려움을 겪고 있어, 모델 정확도 향상이 늦어지고, 적용 범위가 작아지게 된다.
데이터 자료의 경우, 인공신경망으로 훈련시켜 모델을 형성하는 기술도, 이미 잘 알려진 기술이다. 예를 들면 대만특허공고 TW I645303호의 특허청구범위 제18항은 인공신경망으로 특성 데이터를 훈련하는 기술을 개시했다. 또한 예를 들면 대만특허공고 TW I662511호의 특허청구범위 제5항, 제6항은, 상이한 딥 콘볼루션 신경망(DCNN)으로 상이한 여러 분류의 모델을 훈련하여 형성하는 기술을 개시했다.
따라서, 본 발명자는 제품의 지속적인 개선 및 혁신 이념, 수년간 제품 설계 개발에 종사한 실제 경험, 그리고 적극적이고 활발한 연구 개발에 기초하여, 수많은 실제 개발 경험을 통해 본 발명을 안출하기에 이른 것이다.
현재 대량 패턴화 의료 데이터 베이스에는, 사용자가 지불 거래 메커니즘을 통해 인공신경망으로 훈련된 훈련 모델을 얻을 수 있는 메커니즘이 없으며, 나아가 훈련 모델이 정확도를 더 향상시킬 여지도 없다.
상술한 문제를 해결하기 위해, 본 발명은 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법을 제시했고, 대량 패턴화 의료 데이터 베이스를 데이터 자료로서 제공할 수 있고, 훈련된 예비 훈련 모델을 제공하고, 훈련 프로그램을 제공하여 사용자가 해당 훈련 프로그램으로 훈련하여 완성된 완성 훈련 모델을 얻도록 함으로써, 사용자가 상이한 훈련 모델의 정확도 차이를 파악하도록 한다.
상기 효과를 달성하기 위해, 본 발명은 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템에 있어서, 적어도, 복수의 데이터 자료, 소정의 인공신경망을 통해 상기 복수의 데이터 자료를 훈련하여 완성된 예비 훈련 모델, 적어도 하나의 인공신경망의 제1 훈련 프로그램, 및 상기 적어도 하나의 제1 훈련 프로그램을 통해 상기 복수의 데이터 자료를 훈련하여 완성된 적어도 하나의 완성 훈련 모델이 저장되어 있고, 상기 적어도 하나의 완성 훈련 모델의 정확도는 상기 예비 훈련 모델의 정확도와 다른, 저장 유닛; 상기 저장 유닛과 연결되는 감시 유닛; 상기 감시 유닛과 연결되고, 상기 감시 유닛이 외부의 제3자 거래 플랫폼과 연결되도록 하는 거래 포트; 및 상기 감시 유닛과 연결되고 사용자 단말기가 클라우드를 통해 연결되도록 하는 연결 포트;를 포함하고, 상기 감시 유닛은 상기 거래 포트를 통해 거래 정보를 수신하고, 상기 거래 정보에 따라 특정 사용자 단말기가 상기 연결 포트를 통해 상기 저장 유닛으로부터 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 다운로드하도록 허용하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템을 제시했다.
또한, 본 발명은 사용자 단말기로 클라우드를 통해 상기 연결 포트를 연결하는 단계; 상기 사용자 단말기가 구매하고자 하는 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 선택하는 단계; 상기 사용자 단말기가 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 구매하기 위한 비용을 상기 제3자 거래 플랫폼에 지불하면, 상기 제3자 거래 플랫폼은 상기 감시 유닛으로 거래 정보를 발송하고, 상기 감시 유닛은 상기 거래 정보에 따라 상기 사용자 단말기의 다운로드 권한을 개방하는 단계; 및 상기 사용자 단말기는 상기 연결 포트를 통해, 상기 감시 유닛의 감시 하에서, 구매한 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 다운로드하는 단계;를 포함하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법에 대해서도 제시했다.
따라서, 본 발명은 사용자가 응용할 수 있도록 대량 패턴화 의료 데이터 베이스를 제공함과 동시에, 훈련된 예비 훈련 모델을 더 제공하고, 사용자가 새로운 훈련 모델을 얻도록 적어도 하나의 훈련 프로그램을 제공함으로써, 모델 정확도를 향상시킨다.
또한, 본 발명은 또한 사용자가 직접 별도의 훈련 프로그램을 업로드 하여, 동일한 데이터 자료를 훈련함으로써, 별도의 훈련 모델을 얻을 수 있게 한다. 즉, 상술한 예비 훈련 모델 및 완성 훈련 모델 외에, 본 발명은 사용자가 자체적으로 훈련 프로그램을 제공하여 상술한 데이터 자료를 훈련하여, 새로운 훈련 모델을 얻을 수 있도록 함으로써, 인공신경망의 머신러닝과 딥러닝 기능을 향상시키는 것을 통해 훈련 모델의 정확도를 지속적으로 향상시킬 수 있다.
업로드 시, 상기 사용자 단말기는 상기 연결 포트를 통해 인공신경망의 제2 훈련 프로그램을 업로드하고, 상기 감시 유닛은 상기 저장 유닛에 저장되도록 상기 제2 훈련 프로그램을 해제(release)하고, 상기 클라우드 서버는 상기 제2 훈련 프로그램을 통해 상기 복수의 데이터 자료를 훈련하여 개선 훈련 모델을 생성하여, 상기 개선 훈련 모델을 상기 저장 유닛에 저장한다.
도 1은 본 발명의 제1 바람직한 실시예에 따른 블록도이다.
도 2는 본 발명의 제1 바람직한 실시예에 따른 흐름도이다.
도 3은 본 발명의 제1 바람직한 실시예에 따른 다른 블록도이다.
도 4는 본 발명의 제2 바람직한 실시예에 따른 블록도이다.
도 5는 본 발명의 제2 바람직한 실시예에 따른 흐름도이다.
본 발명의 기술적 특징을 상세히 설명하기 위해, 다음의 바람직한 실시예와 도면을 결합하여 다음과 같이 설명한다.
도 1 내지 도 2에 도시된 바와 같이, 본 발명의 제1 바람직한 실시예에서 제시한 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템(10)은, 주로 저장 유닛(103), 감시 유닛(600), 거래 포트(106) 및 연결 포트(108)로 구성되고,
상기 저장 유닛(103)은 복수의 데이터 자료(101), 소정의 인공신경망(미도시)을 통해 상기 복수의 데이터 자료(101)를 훈련하여 완성된 예비 훈련 모델(300), 적어도 하나의 인공신경망의 제1 훈련 프로그램(104), 및 상기 적어도 하나의 제1 훈련 프로그램(104)을 통해 상기 복수의 데이터 자료(101)를 훈련하여 완성된 적어도 하나의 완성 훈련 모델(400)이 저장되어 있고, 상기 적어도 하나의 완성 훈련 모델(400)의 정확도는 상기 예비 훈련 모델(300)의 정확도와 다르다. 상기 소정의 인공신경망은 제조자에 의해 자체 개발된, 외부에 공개하지 않는, 정확도가 높은 연산법의 훈련 프로그램일 수 있고, 상기 소정의 인공신경망 및 상기 적어도 하나의 제1 훈련 프로그램(104)은 콘볼루션 인공신경망(CNN, Convolutional Neural Network) 또는 순환 인공신경망(Recurrent Neural Network, RNN) 또는 익스트림 그라디언트 부스팅(eXtreme Gradient Boosting, XGBoost) 또는 랜덤 포리스트(Random Forest) 또는 그라디언트 부스팅 머신(Gradient Boosting Machine) 또는 서포트 벡터 머신(Support Vector Machine) 등일 수 있고, 상기 소정의 인공신경망 및 상기 적어도 하나의 제1 훈련 프로그램(104)의 연산법은 서로 다르므로, 상기 예비 훈련 모델(300)과 상기 적어도 하나의 완성 훈련 모델(400)의 정확도가 동일하지 않도록 할 수 있다. 상기 복수의 데이터 자료(101)는 패턴화 의료 데이터 자료이다. 상기 적어도 하나의 제1 훈련 프로그램(104)은 수량 면에서 1개일 수 있고, 다수 개일 수도 있고, 다수 개의 제1 훈련 프로그램(104)인 경우, 각 제1 훈련 프로그램(104)은 실질적으로 상술한 상이한 인공신경망(콘볼루션 인공신경망(CNN, Convolutional Neural Network) 또는 순환 인공신경망(Recurrent Neural Network, RNN) 또는 익스트림 그라디언트 부스팅 (eXtreme Gradient Boosting, XGBoost) 또는 랜덤 포리스트(Random Forest) 또는 그라디언트 부스팅 머신(Gradient Boosting Machine) 또는 서포트 벡터 머신(Support Vector Machine))에 따라 각각 서로 다른 상이한 연산법을 가지며, 각각의 제1 훈련 프로그램(104)간에 차이가 발생하게 되고, 이하 설명은 모두 복수개의 제1 훈련 프로그램(104)을 예로 들었으므로, 상기 적어도 하나의 완성 훈련 모델(400)도 복수개를 예로 들며, 또한 상호 간의 정확도도 차이가 있게 된다.
상기 감시 유닛(600)은, 상기 저장 유닛(103)과 연결된다.
상기 거래 포트(106)는, 상기 감시 유닛(600)과 연결되고 상기 감시 유닛(600)이 외부의 제3자 거래 플랫폼(702)과 연결되도록 한다.
상기 연결 포트(108)는, 상기 감시 유닛(600)과 연결되고 사용자 단말기(201)가 클라우드를 통해 연결되도록 한다. 실제 실행 시, 상기 저장 유닛(103), 상기 감시 유닛(600), 상기 거래 포트(106) 및 상기 연결 포트(108)는 하나의 클라우드 서버(100)에 통합될 수 있고, 여기서 클라우드 서버(100)는 하나의 실제 컴퓨터 서버일 수 있고, 다수의 실제 컴퓨터 서버를 결합하여 형성된 하나의 대형 시스템일 수도 있고, 본 실시예에서는 하나의 실제 컴퓨터 서버를 예로 들어 설명하며, 실제 컴퓨터 서버는 자체적으로 연산 처리 기능을 갖는다. 상기 사용자 단말기(201)는 실질적으로 하나의 컴퓨터 또는 스마트 폰일 수 있다. 또한, 사용자 단말기(201)가 상기 연결 포트(108)에 연결된 후, 실질적으로 모두 상기 사용자 단말기(201) 조작을 위한 하나의 서비스 제어 인터페이스(203)를 가지며, 상기 서비스 제어 인터페이스(203)는 본 시스템 중 일부일 수 있고, 즉 본 시스템(10)은 상기 서비스 제어 인터페이스(203)를 더 포함하고, 상기 사용자 단말기(201)가 상기 연결 포트(108)과 연결될 경우, 상기 서비스 제어 인터페이스(203)는 상기 연결 포트(108)를 통해 상기 사용자 단말기(201)에 개방되고, 예를 들면, 웹페이지 형식으로 상기 사용자 단말기(201)에게 나타난다. 또한, 다른 실시예에 있어서, 상기 서비스 제어 인터페이스(203)는 하나의 상기 사용자 단말기(201)에 하나의 프로그램을 직접 설치하는 것일 수도 있고, 상기 연결 포트(108)과 연결된 후 나타나며, 이 경우, 상기 서비스 제어 인터페이스(203)는 본 시스템에 포함되지 않고, 상기 사용자 단말기(201)의 프로그램에 설치된다. 상기 서비스 제어 인터페이스(203)는 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400) 등 구매 옵션을 제공하여 상기 사용자 단말기(201)가 구매하도록 하고, 상기 서비스 제어 인터페이스(203)는 상기 제3자 거래 플랫폼(702)과 연결된 링크를 제공함으로써, 사용자 단말기(201)가 구매 결정 후 비용을 지불하고자 할 때, 상기 링크를 클릭하면 상기 제3자 거래 플랫폼(702)과 연결되어 지불을 진행할 수 있다.
여기서, 상기 감시 유닛(600)은 상기 거래 포트(106)를 통해, 상기 제3자 거래 플랫폼(702)에 의해 전송된 거래 정보(703)를 수신하여, 상기 사용자 단말기(201)가 상기 거래 정보(703)에 따라, 상기 연결 포트(108)를 통해 상기 저장 유닛(103)으로부터 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400) 중 적어도 하나를 다운로드 하도록 허용한다.
도 2에 도시된 바와 같이, 본 실시예 1은 거래 진행 시, 거래 방법은 다음과 같은 단계로 진행된다:
S1: 상기 사용자 단말기(201)로 클라우드를 통해 상기 연결 포트(108)를 연결한다.
S2: 상기 사용자 단말기(201)는 상기 서비스 제어 인터페이스(203)를 통해 구매하고자 하는 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400) 중 적어도 하나를 선택한다. 이하, 상기 사용자 단말기(201)가 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)을 모두 선택한 경우를 예로 들어 설명한다.
S3: 상기 사용자 단말기(201)가 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)을 구매하는 상응한 비용을 상기 제3자 거래 플랫폼(702)에 지불하면, 상기 제3자 거래 플랫폼(702)은 거래 정보(703)를 상기 감시 유닛(600)으로 발송하고, 상기 감시 유닛(600)은 상기 거래 정보(703)에 따라 상기 사용자 단말기(201)의 다운로드 권한을 개방한다.
S4:상기 사용자 단말기(201)는 상기 연결 포트(108)을 통해, 상기 감시 유닛(600)의 감시 하에서, 구매한 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)을 다운로드 한다.
상기 단계가 완료되면, 사용자 단말기(201)는 상기 감시 유닛(600)의 감시 하에서, 구매한 대상을 다운로드 한다. 상술한 예비 훈련 모델(300) 및 복수의 완성 훈련 모델(400)은 정확도가 서로 다르며, 이는 주로 다운로드 후 사용자 단말기(201)가 상이한 훈련 프로그램으로 훈련하여 얻은 훈련 모델의 정확도 차이를 파악할 수 있도록 하여, 해당 차이에 따라 훈련 모델의 정확도를 향상시키기 위한 보다 정확한 훈련 프로그램을 다시 개발해야 할지 여부를 결정할 수 있도록 하기 위한 것이다. 이로부터 알 수 있듯이, 본 발명은 사용자가 응용하도록 대량 패턴화 의료 데이터 베이스를 제공할 수 있음과 동시에, 훈련된 예비 훈련 모델(300)을 더 제공하고, 상기 복수의 제1 훈련 프로그램(104)을 제공하여 사용자가 상기 복수의 완성 훈련 모델(400)을 얻도록 함으로써, 상이한 훈련 모델의 정확도 차이 및 상기 복수의 제1 훈련 프로그램(104)의 인공신경망의 머신러닝과 딥러닝 기능 차이에 의해, 훈련 모델의 정확도를 향상시킬 수 있다. 또한, 하나의 제1 훈련 프로그램(104)만 있는 경우에는, 복수의 제1 훈련 프로그램(104) 간에 차이가 있는 문제가 존재하지 않으므로, 하나의 제1 훈련 프로그램(104)에 의해서만 훈련된 완성 훈련 모델(400)은 마찬가지로 복수개의 완성 훈련 모델(400)의 정확도 차이가 존재하지 않게 되고, 이 경우, 상기 완성 훈련 모델(400)의 정확도와 상기 예비 훈련 모델(300)에 대해서만 정확도 차이를 비교한다.
또한, 보충 설명할 것은, 도 3에 도시된 바와 같이, 상기 저장 유닛(103), 상기 감시 유닛(600), 상기 거래 포트(106) 및 상기 연결 포트(108)는, 다수의 실제 컴퓨터 서버(1001)가 결합되어 형성된 시스템에 통합되는 경우, 상기 저장 유닛(103)도 다수의 실제 컴퓨터 서버(1001) 중의 저장 장치(1031)에 의해 결합 형성되고, 이 경우, 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)을 임의의 실제 컴퓨터 서버(1001)의 저장 장치(1031)에 저장할 수 있고, 상기 실제 컴퓨터 서버(1001)에만 상기 거래 포트(106) 및 상기 연결 포트(108)를 설치하며, 상기 복수의 데이터 자료(101)를 상기 결합 시스템 중의 다른 실제 컴퓨터 서버(1001)의 저장 장치(1031)에 저장한다. 이에 따라, 마찬가지로 저장 효과에 도달할 수 있고, 또한 상기 복수의 데이터 자료(101)를 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)과 함께 동일한 저장 장치(1031)에 저장하지 않고 분리시킬 수 있어, 사용자가 상기 예비 훈련 모델(300), 상기 복수의 제1 훈련 프로그램(104) 및 상기 복수의 완성 훈련 모델(400)만 다운로드 가능하며, 상기 복수의 데이터 자료(101)를 다운로드 할 기회가 없도록 보장할 수 있어, 상기 복수의 데이터 자료를 별도로 보호하는 효과에 도달한다.
다시 도 4 및 도 5를 참조하면, 본 발명의 제2 바람직한 실시예서 제시한, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템(10')은, 주로 상술한 실시예 1과 유사하며, 차이점은 다음과 같다:
본 실시예 2에서, 상기 사용자 단말기(201')는 상기 연결 포트(108')를 통해 인공신경망의 제2 훈련 프로그램(503')을 업로드하고, 상기 감시 유닛(600')은 상기 제2 훈련 프로그램(503')이 상기 저장 유닛(103')에 저장되도록 해제하고, 상기 클라우드 서버(100')는 상기 제2 훈련 프로그램(503')을 통해 상기 복수의 데이터 자료(101')를 훈련하여 개선 훈련 모델(500')을 생성하고, 상기 개선 훈련 모델(500')을 상기 저장 유닛(103')에 저장하고, 상기 클라우드 서버(100')는 처리 연산 기능을 가진 실제 컴퓨터 서버로 구성되므로, 상기 훈련 행위를 수행할 수 있다. 상기 제2 훈련 프로그램(503')은 상기 사용자 단말기(201')에서 상기 클라우드 서버(100')로 업로드된 것이므로, 상기 클라우드 서버(100')는 상기 사용자 단말기(201')가 상기 개선 훈련 모델(500')을 다운로드할 수 있도록 허용하고, 즉, 상기 거래 정보(703')가 없는 조건에서, 상기 감시 유닛(600')은 상기 사용자 단말기(201')만이 상기 연결 포트(108')를 통해 상기 저장 유닛(103')으로부터 상기 제2 훈련 프로그램(503')에 의해 훈련된 상기 개선 훈련 모델(500')을 다운도르 할 수 있도록 허용한다.
본 실시예 2의 시스템(10')은 거래 진행 시, 거래 방법은 상술한 단계(S1 내지 S4) 외에도, 상기 사용자 단말기(201')는 상기 연결 포트(108')를 통해 상기 제2 훈련 프로그램(503')을 업로드하고, 상기 감시 유닛(600')은 상기 저장 유닛(103')에 저장되도록 상기 제2 훈련 프로그램(503')을 해제하고, 상기 클라우드 서버(100')는 상기 제2 훈련 프로그램(503')으로 상기 복수의 데이터 자료(101')를 훈련하여 상기 개선 훈련 모델(500')을 생성하고, 상기 개선 훈련 모델(500')을 상기 저장 유닛(103')에 저장하는 단계(Sn)를 더 포함할 수 있다. 상기 단계(Sn)는, 단계(S1) 이후에 수행하면 되고, S2~S4 이전이나 이후 또는 사이에 수행될 수 있고, 도 5에서는 Sn가 S4 이후에 수행되는 것을 예로 든다.
상기로부터 알 수 있듯이, 본 실시예 2는 사용자 단말기(201')가 감시 하에서 구매한 대상에 대한 다운로드를 완료할 수 있고, 얻고자 하는 훈련 모델을 얻어 정확도 차이를 파악할 수 있게 하는 것 외에도, 사용자 단말기(201')는 더 나은 것으로 판단되는 상기 제2 훈련 프로그램(503')을 자체적으로 업로드할 수 있어, 상기 제2 훈련 프로그램(503')으로 상기 개선 훈련 모델(500')을 훈련할 수 있다. 이러한 방식으로, 사용자가 상기 복수의 데이터 자료(101')를 자유롭게 사용할 수 있도록 하여, 더 나은 훈련 프로그램을 추가로 개발할 수 있어, 훈련 모델의 정확도를 크게 향상시킨다.
본 실시예 2의 나머지 기술특징 및 도달할 수 있는 기능은 상술한 실시예 1과 유사하므로, 설명을 생략한다.
본 발명의 상기 복수의 데이터 자료(101)는, 중국 의학대학 및 부속 병원에 의해 수집된 의료 영상 데이터이며, 중국 의과 대학 & 병원 연구 윤리위원회(China Medical University & Hospital Research Ethics Committee)에 의해 승인된 임상 실험 계획이다.
이상 본 발명의 실시예는, 설명의 편의를 위해서 제공될 뿐이며, 본 건을 한정하기 위한 것은 아니며, 설명된 특허청구범위에 근거한 다양한 변경 설계는 모두 본 건의 특허청구범위에 포함되어야 한다.
10: 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템
10': 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템
100: 클라우드 서버
100': 클라우드 서버
101: 데이터 자료
101': 데이터 자료
103: 저장 유닛
103': 저장 유닛
104: 제1 훈련 프로그램
106: 거래 포트
108: 연결 포트
108': 연결 포트
1001: 실제 컴퓨터 서버
1031: 저장 장치
201: 사용자 단말기
201': 사용자 단말기
203: 서비스 제어 인터페이스
300: 예비 훈련 모델
400: 완성 훈련 모델
500': 개선 훈련 모델
503': 제2 훈련 프로그램
600: 감시 유닛
600': 감시 유닛
702: 제3자 거래 플랫폼
703: 거래 정보
703': 거래 정보

Claims (11)

  1. 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템에 있어서,
    적어도, 복수의 데이터 자료, 소정의 인공신경망을 통해 상기 복수의 데이터 자료를 훈련하여 완성된 예비 훈련 모델, 적어도 하나의 인공신경망의 제1 훈련 프로그램 및 상기 적어도 하나의 제1 훈련 프로그램을 통해 상기 복수의 데이터 자료를 훈련하여 완성된 적어도 하나의 완성 훈련 모델이 저장되어 있고, 상기 적어도 하나의 완성 훈련 모델의 정확도는 상기 예비 훈련 모델의 정확도와 다른, 저장 유닛;
    상기 저장 유닛과 연결되는 감시 유닛;
    상기 감시 유닛과 연결되고, 상기 감시 유닛이 외부의 제3자 거래 플랫폼과 연결되도록 하는 거래 포트; 및
    상기 감시 유닛과 연결되고, 사용자 단말기가 클라우드를 통해 연결되도록 하는 연결 포트;
    를 포함하고,
    상기 감시 유닛은 상기 거래 포트를 통해 거래 정보를 수신하여, 상기 거래 정보에 따라 특정 사용자 단말기가 상기 연결 포트를 통해 상기 저장 유닛으로부터 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 다운로드하도록 허용하고,
    상기 저장 유닛, 상기 감시 유닛, 상기 거래 포트 및 상기 연결 포트는 클라우드 서버에 통합되고,
    상기 사용자 단말기는 상기 연결 포트를 통해 인공신경망의 제2 훈련 프로그램을 업로드하고, 상기 감시 유닛은 상기 저장 유닛에 저장되도록 상기 제2 훈련 프로그램을 해제하고, 상기 클라우드 서버는 상기 제2 훈련 프로그램으로 상기 복수의 데이터 자료를 훈련하여 개선 훈련 모델을 생성하여, 상기 개선 훈련 모델을 상기 저장 유닛에 저장하는,
    감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템.
  2. 제1항에 있어서,
    상기 클라우드 서버는 적어도 하나의 실제 컴퓨터 서버를 포함하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템.
  3. 제1항에 있어서,
    상기 감시 유닛은 상기 거래 정보가 없는 조건에서는, 상기 사용자 단말기가 상기 연결 포트를 통해 상기 저장 유닛으로부터 상기 제2 훈련 프로그램에 의해 훈련된 상기 개선 훈련 모델을 다운로드하는 것에 대해서만 허용하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템.
  4. 제1항에 있어서,
    서비스 제어 인터페이스를 더 포함하되, 상기 사용자 단말기가 상기 연결 포트와 연결되면, 상기 서비스 제어 인터페이스는 상기 연결 포트를 통해 상기 사용자 단말기에 개방되고, 상기 서비스 제어 인터페이스는 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델의 구매 옵션을 제공하여 상기 사용자 단말기가 구매하도록 하고, 상기 서비스 제어 인터페이스는 상기 제3자 거래 플랫폼과 연결된 링크를 제공하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템.
  5. 제1항에 따른 시스템을 이용하여, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법에 있어서,
    사용자 단말기로 클라우드를 통해 상기 연결 포트를 연결하는 단계;
    상기 사용자 단말기는 구매하고자 하는 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 선택하는 단계;
    상기 사용자 단말기가 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 구매하기 위한 비용을 상기 제3자 거래 플랫폼에 지불하면, 상기 제3자 거래 플랫폼은 상기 감시 유닛으로 거래 정보를 발송하고, 상기 감시 유닛은 상기 거래 정보에 따라 상기 사용자 단말기의 다운로드 권한을 개방하는 단계; 및
    상기 사용자 단말기는 상기 연결 포트를 통해, 상기 감시 유닛의 감시 하에서, 구매한 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성 훈련 모델 중 적어도 하나를 다운로드하는 단계;
    를 포함하는 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법.
  6. 제5항에 있어서,
    상기 저장 유닛, 상기 감시 유닛, 상기 거래 포트 및 상기 연결 포트는 클라우드 서버에 통합되는, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법.
  7. 제6항에 있어서,
    상기 사용자 단말기는 상기 연결 포트를 통해 인공신경망의 제2 훈련 프로그램을 업로드하고, 상기 감시 유닛은 상기 저장 유닛에 저장되도록 상기 제2 훈련 프로그램을 해제하고, 상기 클라우드 서버는 상기 제2 훈련 프로그램으로 상기 복수의 데이터 자료를 훈련하여 개선 훈련 모델을 생성하여, 상기 개선 훈련 모델을 상기 저장 유닛에 저장하는 단계를 더 포함하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법.
  8. 제7항에 있어서,
    상기 감시 유닛은 상기 거래 정보가 없는 조건에서는, 상기 사용자 단말기가 상기 연결 포트를 통해 상기 저장 유닛으로부터 상기 제2 훈련 프로그램에 의해 훈련된 상기 개선 훈련 모델을 다운로드하는 것에 대해서만 허용하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법.
  9. 제5항에 있어서,
    상기 시스템은 서비스 제어 인터페이스를 더 포함하고, 상기 사용자 단말기가 상기 연결 포트와 연결되면, 상기 서비스 제어 인터페이스는 상기 연결 포트를 통해 상기 사용자 단말기에 개방되고, 상기 서비스 제어 인터페이스는 상기 예비 훈련 모델, 상기 적어도 하나의 제1 훈련 프로그램 및 상기 적어도 하나의 완성된 훈련 모델의 구매 옵션을 제공하여 상기 사용자 단말기가 구매하도록 하고, 상기 서비스 제어 인터페이스는 상기 제3자 거래 플랫폼과 연결된 링크를 제공하는, 감시 하에서 인공신경망 훈련 모델을 제공하는 거래 방법.
  10. 삭제
  11. 삭제
KR1020190116736A 2019-04-26 2019-09-23 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법 KR102412939B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
TW108114677 2019-04-26
TW108114677 2019-04-26
TW108123294 2019-07-02
TW108123294A TWI739124B (zh) 2019-04-26 2019-07-02 在被監督狀態下提供類神經網路訓練模型之雲端交易系統及其方法

Publications (2)

Publication Number Publication Date
KR20200125890A KR20200125890A (ko) 2020-11-05
KR102412939B1 true KR102412939B1 (ko) 2022-06-23

Family

ID=67874323

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190116736A KR102412939B1 (ko) 2019-04-26 2019-09-23 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법

Country Status (6)

Country Link
US (1) US20200342313A1 (ko)
EP (1) EP3731153A1 (ko)
JP (1) JP2020184289A (ko)
KR (1) KR102412939B1 (ko)
CN (1) CN110532445A (ko)
CA (1) CA3053334A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11394808B2 (en) * 2020-08-03 2022-07-19 Kyndryl, Inc. Passive identification of service ports in containers
CN113052328B (zh) * 2021-04-02 2023-05-12 上海商汤科技开发有限公司 深度学习模型生产系统、电子设备和存储介质
CN113177597A (zh) * 2021-04-30 2021-07-27 平安国际融资租赁有限公司 模型训练数据确定方法、检测模型训练方法、装置及设备
CN113205093A (zh) * 2021-07-07 2021-08-03 浙江中科华知科技股份有限公司 基于XGBoost回归与卷积网络的数据资产分析方法、系统及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4329927B2 (ja) * 2003-07-03 2009-09-09 株式会社リコー 画像形成装置、データ出力システム、画像形成方法、データ出力方法、及びこれらを実行するプログラム及び記録媒体
WO2009136616A1 (ja) * 2008-05-09 2009-11-12 日本電気株式会社 運転状態判定方法及びシステム
JP6228786B2 (ja) * 2012-09-07 2017-11-08 正造 牧 決済システム
JP5844854B2 (ja) * 2014-06-19 2016-01-20 ヤフー株式会社 提供装置、提供方法及び提供プログラム
KR20180052442A (ko) * 2016-11-10 2018-05-18 주식회사 얍컴퍼니 코드 기반의 결제 서비스 제공 시스템, 장치 및 방법
TWI645303B (zh) 2016-12-21 2018-12-21 財團法人工業技術研究院 字串驗證方法、字串擴充方法與驗證模型訓練方法
CN107632995B (zh) * 2017-03-13 2018-09-11 平安科技（深圳）有限公司 随机森林模型训练的方法及模型训练控制系统
TWI662511B (zh) 2017-10-03 2019-06-11 財團法人資訊工業策進會 階層式影像辨識方法及系統
CN107871164B (zh) * 2017-11-17 2021-05-04 浪潮集团有限公司 一种雾计算环境个性化深度学习方法
CN109615058A (zh) * 2018-10-24 2019-04-12 上海新储集成电路有限公司 一种神经网络模型的训练方法

Also Published As

Publication number Publication date
KR20200125890A (ko) 2020-11-05
US20200342313A1 (en) 2020-10-29
CN110532445A (zh) 2019-12-03
CA3053334A1 (en) 2020-10-26
EP3731153A1 (en) 2020-10-28
JP2020184289A (ja) 2020-11-12

Similar Documents

Publication Publication Date Title
KR102412939B1 (ko) 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법
US11164145B2 (en) Apparatus and method of identifying and sizing clothing in an inventory management system
EP3593246A1 (en) Building management system development and control platform
CN105308577B (zh) 用于提供负载测试服务的方法、系统和计算机可读存储器
CN108337909A (zh) 用于提供交互式流传输媒体的系统和方法
CN107111787A (zh) 流处理
JP6551715B2 (ja) 拡張性保有装置
CN107133039A (zh) 规则引擎的构建方法和装置
KR20180108487A (ko) 분산 컴퓨팅 트랜잭션들을 위한 프록시 에이전트
CN103842961A (zh) 用于创建个人化和定制的移动设备的系统
KR20180053774A (ko) 사용자―규정 알고리즘 전자 거래
Bisong et al. Tensorflow 2.0 and keras
US11789846B2 (en) Method and system for using stacktrace signatures for bug triaging in a microservice architecture
CN107316082A (zh) 用于确定机器学习样本的特征重要性的方法及系统
US20140022238A1 (en) System for simulating user clothing on an avatar
Kowalkiewicz et al. The business consequences of a digitally transformed economy
Deng et al. Multi-channel autobidding with budget and ROI constraints
CN114930290A (zh) 用于管理对资产操作进行管理的应用程序的系统、设备、方法和数据栈
US20180169529A1 (en) Sensor acquisition and analytics platform for enhancing interaction with adult devices
WO2022134516A1 (zh) Ai服务平台的商品处理方法及装置、电子设备、存储介质、计算机程序产品
TW202040438A (zh) 在被監督狀態下提供類神經網路訓練模型之雲端交易系統及其方法
Davarakis et al. Reinforcement learning with smart contracts on blockchains
Truong et al. Context-aware programming for hybrid and diversity-aware collective adaptive systems
JP2020057062A (ja) ネットワークシステム、サーバおよび情報処理方法
Fabisch et al. Bolero: Behavior optimization and learning for robots

Legal Events

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