KR102413588B1

KR102413588B1 - 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램

Info

Publication number: KR102413588B1
Application number: KR1020210156665A
Authority: KR
Inventors: 김범진; 이진석; 윤석원
Original assignee: 주식회사 테스트웍스
Priority date: 2021-11-15
Filing date: 2021-11-15
Publication date: 2022-06-27

Abstract

본 발명의 신경망 모델 추천 방법은 신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 단계, 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하는 단계, 추출된 제1 데이터 특징 정보를 기초로 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 단계, 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 추천하는 단계를 포함할 수 있다.

Description

학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램{Object recognition model recommendation method, system and computer program according to training data}

본 발명은 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램에 관한 것이다.

최근 딥러닝의 성능이 향상됨에 따라 다양한 분야에서 딥러닝이 이용되고 있다. 특히, 이미지 내 객체 인식을 위해 딥러닝이 많이 이용되고 있다.

이미지 내 객체 인식율을 높이기 위해서는 객체 인식을 위한 학습 데이터를 기초로 최적의 결과를 낼 수 있는 딥러닝 기반 객체 인식 모델을 선택하는 것이 중요하다.

종래에는 객체 인식을 위한 학습 데이터를 학습시킬 딥러닝 기반 객체 인식 모델을 선택하는 과정에서 전문가 개인의 노하우에 의지하여 다양한 모델에 대한 실험을 통해 최적의 결과를 내는 모델을 선택하고 있다.

이는 학습 데이터에 따라 각 객체 인식 모델이 다른 성능을 보이는 것은 자명하나 그 인과가 명확하지 않아 객체 인식 모델을 선택할 때 취할 수 있는 일반적인 방법론이 없기 때문이다.

이러한 종래의 방식은 전문가의 개인의 노하우 정도에 따라 딥러닝 기반 객체 인식 모델의 선택 결과가 달라지며, 객관적인 딥러닝 기반 객체 인식 모델의 선택 결과를 얻을 수 없다는 단점이 있다.

또한, 전문가를 통한 딥러닝 기반 객체 인식 모델을 선택하는 과정에서 많은 시간이 소요되며 이에 따른 비용이 증가하게 된다는 단점이 있다.

따라서, 객체 인식을 위한 학습 데이터를 기초로 최적의 결과를 낼 수 있는 딥러닝 기반 객체 인식 모델을 선택하기 위한 객관적인 방법이 요구되고 있다.

본 발명은 객체 인식을 위한 학습 데이터를 기초로 최적의 결과를 낼 수 있는 딥러닝 기반 객체 인식 모델을 선택하기 위한 객관적인 방법을 제공함에 있다.

구체적으로, 본 발명은 데이터에 따른 객체인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램을 제공함에 있다.

상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 신경망 모델 추천 방법은 신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 단계, 상기 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하는 단계, 추출된 제1 데이터 특징 정보를 기초로 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 단계, 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 상기 후보 신경망 모델 중 상기 학습 데이터에 적합한 신경망 모델을 추천하는 단계를 포함할 수 있다.

또한, 과거 학습 데이터를 기초로 상기 성능 예측 모델을 학습하는 단계를 더 포함할 수 있다.

또한, 상기 과거 학습 데이터를 분석하여 제2 데이터 특징 정보를 추출하는 단계 및 상기 과거 학습 데이터로 학습된 상기 후보 신경망 모델들의 과거 성능 정보를 획득하는 단계를 더 포함하고, 상기 성능 예측 모델을 학습하는 단계는 상기 제2 데이터 특징 정보와 상기 제2 데이터 특징 정보에 대응되는 신경망 모델의 과거 성능 정보를 학습 데이터 셋으로 상기 성능 예측 모델을 학습할 수 있다.

또한, 상기 성능 예측 모델은 상기 제2 데이터 특징 정보와 상기 후보 신경망 모델의 과거 성능 정보 간의 상관 관계를 기초로 상기 제1 데이터 특징 정보에 따른 상기 후보 신경망 모델들의 예측 성능 정보를 출력하도록 학습될 수 있다.

한편, 본 발명의 신경망 모델 추천 시스템은 신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 획득부; 상기 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하는 추출부, 추출된 제1 데이터 특징 정보를 기초로 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 산출부, 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 상기 후보 신경망 모델 중 상기 학습 데이터에 적합한 신경망 모델을 추천하는 추천부를 포함할 수 있다.

또한, 과거 학습 데이터를 기초로 상기 성능 예측 모델을 학습하는 학습부를 더 포함할 수 있다.

또한, 상기 추출부는 상기 과거 학습 데이터를 분석하여 제2 데이터 특징 정보를 추출하고, 상기 획득부는 상기 과거 학습 데이터로 학습된 상기 후보 신경망 모델들의 과거 성능 정보를 획득하고, 상기 학습부는 상기 제2 데이터 특징 정보와 상기 제2 데이터 특징 정보에 대응되는 신경망 모델의 과거 성능 정보를 학습 데이터 셋으로 상기 성능 예측 모델을 학습할 수 있다.

한편, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 기록 매체에 저장된 프로그램은 상술한 신경망 모델 추천 방법을 실행하기 위한 프로그램 코드를 포함할 수 있다.

본 발명에 따르면, 학습 데이터를 기초로 딥러닝 기반 객체 인식 모델을 선택하기 위한 객관적인 방법을 제공할 수 있다.

또한, 본 발명은 학습 데이터를 기초로 신경망 모델을 추천함으로써, 최적의 객체 인식 결과를 낼 수 있는 객체 인식 모델을 추천할 수 있다.

또한, 본 발명은 성능 예측 모델을 기초로 객체 인식 모델을 추천함으로써, 객체 인식 모델의 선택 과정에서 소요되는 시간 및 비용을 줄일 수 있다.

도 1은 본 발명의 일 실시예에 따른 신경망 모델 추천 방법을 나타낸 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 성능 예측 모델의 학습 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 성능 예측 모델의 구조를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 성능 예측 모델의 학습 방법을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 성능 예측 모델을 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 신경망 모델 추천 시스템의 구성을 나타낸 블록도이다.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.

또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.

이하에는 첨부된 도면을 참조하여 본 발명의 다양한 실시 예에 대하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 신경망 모델 추천 방법을 나타낸 흐름도이다.

도 1을 참조하면, 객체 인식을 위한 신경망 모델 추천 시스템(100)은 과거 학습 데이터를 기초로 성능 예측 모델을 학습시킬 수 있다(S100). 여기서, 과거 학습 데이터는 과거에 신경망 모델을 학습하기 위해 이용된 학습 데이터를 의미하며, 과거 학습 데이터는 객체에 대해 레이블링(labeling)된 이미지들로 구성될 수 있다.

이하에서, 도 2와 도 3을 참조하여 성능 예측 모델의 학습 방법을 보다 구체적으로 설명한다.

도 2는 본 발명의 일 실시예에 따른 성능 예측 모델의 학습 방법을 나타낸 흐름도이다.

도 3은 본 발명의 일 실시예에 따른 성능 예측 모델의 구조를 나타낸 예시도이다.

도 2를 참조하면, 신경망 모델 추천 시스템(100)은 과거 학습 데이터를 분석하여 제2 데이터 특징 정보를 추출할 수 있다(S110). 여기서, 제2 데이터 특징 정보는 과거 학습 데이터의 특징을 나타내는 데이터로써, 데이터 외부 특징 정보와 데이터 내부 특징 정보로 구성될 수 있다.

구체적으로, 신경망 모델 추천 시스템(100)은 과거 학습 데이터의 라벨 데이터(xml, json, csv, txt 등)와 메타데이터를 분석하여 데이터 외부 특징 정보와 데이터 내부 특징 정보를 포함하는 제2 데이터 특징 정보를 추출할 수 있다. 여기서, 데이터 외부 특징 정보에는 이미지 자체에 대한 정보로써, 과거 학습 데이터 내 이미지 총 개수, 이미지 평균 크기, 이미지 평균 비율 등이 포함될 수 있다. 또한, 데이터 내부 특징 정보에는 이미지 내 객체에 대한 정보로써, 이미지 내 객체의 평균 개수, 전체 객체 개수, 객체의 종류별 개수 등이 포함될 수 있다.

또한, 과거 학습 데이터에 따라 데이터 외부 특징 정보나 데이터 내부 특징 정보에 포함되는 정보는 달라질 수 있다.

다음, 신경망 모델 추천 시스템(100)은 과거 학습 데이터로 학습된 후보 신경망 모델들의 과거 성능 정보를 획득할 수 있다(S120). 여기서, 후보 신경망 모델은 신경망 모델 추천 시스템(100)에 의해 추천될 딥러닝 기반 객체 인식 모델 후보로써, 예를 들어 후보 신경망 모델에는 이미지 내 객체를 인식하기 위한 R-CNN Fast R-CNN, Faster R-CNN 및 Mask R-CNN 등과 같은 여러 유형의 딥러닝 기반 객체 인식 모델들이 포함될 수 있다.

구체적으로, 신경망 모델 추천 시스템(100)은 데이터베이스(160)나 외부 저장 장치로부터 무작위(random)의 이미지가 입력되는 와일드한 환경(in the wild)에서의 과거 학습 데이터로 학습된 후보 신경망 모델들의 과거 성능 정보를 획득할 수 있다. 여기서, 과거 성능 정보에는 해당 후보 신경망 모델의 객체 인식률 및 인식 속도(또는 응답 속도) 등이 포함될 수 있다.

그리고, 신경망 모델 추천 시스템(100)은 제2 데이터 특징 정보와 각 후보 신경망 모델들의 과거 성능 정보를 기초로 성능 예측 모델을 학습시킬 수 있다(S130).

구체적으로, 신경망 모델 추천 시스템(100)은 제2 데이터 특징 정보와 제2 데이터 특징 정보에 대응되는 후보 신경망 모델들의 과거 성능 정보를 학습 데이터 셋으로 성능 예측 모델을 학습시킬 수 있다. 이때, 성능 예측 모델은 학습 데이터 셋을 기초로 가중치를 업데이트하며 학습되며, 적합한 신경망 모델을 분류하기 위해 완전 연결 레이어(Fully connected layer)와 소프트맥스(softmax) 함수가 이용될 수 있다.

여기서, 성능 예측 모델은 제2 데이터 특징 정보와 후보 신경망 모델의 과거 성능 정보 간의 상관 관계를 기초로 제1 데이터 특징 정보에 따른 후보 신경망 모델들의 예측 성능 정보를 각각 출력하도록 학습될 수 있다.

예를 들어, 후보 신경망 모델이 3개인 경우, 도 3과 같이 성능 예측 모델은 dense_1, dense_2 및 dense_3과 같이 3개의 레이어를 통해 입력노드와 출력노드 사이의 연결된 총 4675개의 간선을 거쳐 3개의 출력값(예측 성능 정보)을 출력하는 구조를 가질 수 있다.

즉, 신경망 모델 추천 시스템(100)은 도 4와 같이 과거 학습 데이터(41)로부터 제2 데이터 특징 정보를 추출하고, 과거 학습 데이터(41)로 학습된 후보 신경망 모델들(43a, 43b ... 43n : 43)의 각 과거 성능 정보(45a, 45b ... 45n : 45)를 획득할 수 있다.

그리고, 신경망 모델 추천 시스템(100)은 성능 정보(45)에 제2 데이터 특징 정보가 매핑된 학습 데이터 셋(47)을 기초로 성능 예측 모델(49)을 학습시킬 수 있다.

다시, 도 1을 참조하면, 신경망 모델 추천 시스템(100)은 신경망 모델을 학습시키기 위한 학습 데이터를 획득할 수 있다(S200).

구체적으로, 신경망 모델 추천 시스템(100)은 관리자로부터 신경망 모델을 학습시키기 위한 학습 데이터를 입력 받아 학습 데이터를 획득할 수 있다. 여기서, 관리자는 학습 데이터에 따른 신경망 모델 추천을 제공하기 위해 신경망 모델 추천 시스템(100)을 관리하는 자로써, 학습 데이터에 따른 신경망 모델 추천을 제공받기 위해 신경망 모델 추천 시스템(100)를 이용하는 사용자를 포함하는 개념일 수 있다.

또한, 신경망 모델 추천 시스템(100)는 관리자의 제어 명령을 기초로 데이터베이스(160)나 외부 저장 장치로부터 학습 데이터를 획득할 수 있다. 이때, 신경망 모델 추천 시스템(100)은 신경망 모델 추천 시스템(100) 내 리소스를 고려하여 학습 데이터의 수량(quantity)이나 특성(quality)을 결정하여 학습 데이터를 획득할 수 있다.

그리고, 신경망 모델 추천 시스템(100)은 획득된 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출할 수 있다(S300).

구체적으로, 신경망 모델 추천 시스템(100)은 획득된 학습 데이터의 메타데이터와 라벨 데이터로부터 제1 데이터 특징 정보를 추출할 수 있다. 여기서, 제1 데이터 특징 정보에는 데이터 내부 특징 정보와 데이터 외부 특징 정보로 구성될 수 있다.

다음, 신경망 모델 추천 시스템(100)은 추출된 제1 데이터 특징 정보를 기초로 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출할 수 있다(S400). 이와 관련하여 도 5를 참조하여 설명한다.

도 5는 본 발명의 일 실시예에 따른 성능 예측 모델을 나타낸 예시도이다.

도 5를 참조하면, 신경망 모델 추천 시스템(100)은 학습 데이터(51)에서 추출된 제1 데이터 특징 정보를 입력 데이터로 성능 예측 모델(53)에 입력하여 후보 신경망 모델들의 각 예측 성능 정보(55)를 산출할 수 있다. 여기서, 예측 성능 정보에는 각 후보 신경망 모델 별로 예상 객체 인식률 및 예상 인식 속도 등이 포함될 수 있다.

그리고, 신경망 모델 추천 시스템(100)은 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 선택하여 추천할 수 있다(S500). 여기서 적합한 신경망 모델은 해당 학습 데이터로 학습하여 객체 인식을 수행하기 위한 특정 조건을 만족하는 신경망 모델을 의미한다.

구체적으로, 신경망 모델 추천 시스템(100)은 예측 성능 정보를 기초로 높은 객체 인식률과 낮은 인식 속도를 가지는 후보 신경망 모델을 선택하여 학습 데이터에 적합한 신경망 모델로 추천할 수 있다. 이때, 신경망 모델 추천 시스템(100)은 적어도 하나 이상의 신경망 모델을 추천할 수 있다.

또한, 신경망 모델 추천 시스템(100)은 관리자의 요청 정보와 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 선택하여 추천할 수 있다. 여기서, 관리자의 요청 정보에는 관리자가 원하는 신경망 모델의 성능 스펙 정보가 포함될 수 있다.

예를 들어, 관리자 요청 정보가 객체 인식률 98%이상, 객체 인식 속도 0.5ms이하인 경우, 신경망 모델 추천 시스템(100)은 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 해당 관리자 요청 정보를 만족하는 후보 신경망 모델을 선택하여 학습 데이터에 적합한 신경망 모델로 추천할 수 있다.

또한, 신경망 모델 추천 시스템(100)은 학습 정보와 학습 장치 정보를 추가로 고려하여 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 선택하여 추천할 수 있다. 여기서, 학습 정보에는 해당 신경망 모델이 학습 데이터로 학습하는데 소요되는 시간인 학습 소요 시간과 신경망 모델이 학습 데이터로 학습하는데 필요한 리소스 정보를 포함될 수 있다. 학습 장치 정보는 해당 신경망 모델을 학습 및 이용하게 되는 학습 장치에 대한 정보로써, 리소스 정보, OS(operating system) 정보 및 장치 종류 정보 등이 포함될 수 있다.

예를 들어, 신경망 모델 추천 시스템(100)은 후보 신경망 모델 중 A가 B보다 객체 인식률이 높고 객체 인식 속도가 빠르더라도 학습 정보와 학습 장치 정보를 추가로 고려하여 신경망 모델 B를 학습 데이터에 적합한 신경망 모델로 선택하여 추천할 수도 있다.

이를 통해, 신경망 모델 추천 시스템(100)은 학습 장치에 보다 적합한 신경망 모델을 선택하여 추천할 수 있다. 여기서, 신경망 모델은 딥러닝 기반 객체 인식 모델을 의미한다.

이어서, 도 6을 참조하여 신경망 모델 추천 시스템(100)의 구성에 대해 설명한다.

도 6은 본 발명의 일 실시예에 따른 신경망 모델 추천 시스템(100)의 구성을 나타낸 블록도이다.

도 6을 참조하면, 신경망 모델 추천 시스템(100)은 획득부(110), 추출부(120), 학습부(130), 산출부(140), 추천부(150) 및 테이터베이스(160)로 구성될 수 있다.

획득부(110)는 신경망 모델 추천 시스템(100)에 필요한 여러 데이터를 획득할 수 있다.

구체적으로, 획득부(110)는 데이터베이스(160)나 외부 저장 장치로부터 신경망 모델을 학습시키기 위한 학습 데이터를 획득하거나 과거 학습 데이터를 획득할 수 있다.

또한, 획득부(110)는 과거 학습 데이터로 학습된 후보 신경망 모델들의 과거 성능 정보를 획득할 수 있다.

또한, 획븍두(110)는 관리자로부터 관리자 요청 정보를 획득할 수 있으며, 학습 장치로부터 학습 장치 정보를 획득할 수 있다.

또한, 획득부(110)는 후보 신경망 모델로부터 학습 정보를 획득할 수 있다.

추출부(120)는 학습 데이터나 과거 학습 데이터를 분석하여 제1 데이터 특징 정보나 제2 데이터 특징 정보를 추출할 수 있다.

구체적으로, 추출부(120)는 학습 데이터나 과거 학습 데이터의 메타데이터와 라벨 데이터를 기초로 제1 데이터 특징 정보나 제2 데이터 특징 정보를 추출할 수 있다.

학습부(130)는 과거 학습 데이터를 기초로 성능 예측 모델을 학습시킬 수 있다.

구체적으로, 학습부(130)는 제2 데이터 특징 정보와 제2 데이터 특징 정보에 대응되는 신경망 모델의 과거 성능 정보를 학습 데이터 셋으로 성능 예측 모델을 학습시킬 수 있다. 여기서, 성능 예측 모델은 데이터 특징 정보와 후보 신경망 모델의 과거 성능 정보 간의 상관 관계를 기초로 데이터 특징 정보에 따른 후보 신경망 모델들의 예측 성능 정보를 출력하도록 학습될 수 있다.

산출부(140)는 기 학습된 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능을 산출할 수 있다.

구체적으로, 산출부(140)는 추출된 제1 데이터 특징 정보를 성능 예측 모델에 입력하여 후보 신경망 모델들의 각 예측 성능 정보를 산출할 수 있다.

추천부(150)는 산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 후보 신경망 모델 중 학습 데이터에 적합한 신경망 모델을 선택하여 추천할 수 있다.

테이터베이스(160)에는 신경망 모델 추천 시스템(100)의 동작에 필요한 여러 데이터가 저장될 수 있다.

구체적으로, 데이터베이스(160)에는 학습 데이터와 과거 학습 데이터가 저장될 수 있으며, 후보 신경망 모델의 과거 성능 정보가 저장될 수 있다.

또한, 데이터베이스(160)에는 추출된 데이터 특징 정보들이 저장될 수 있다.

또한, 데이터베이스(160)에는 상술한 신경망 모델 추천 방법에 이용되는 성능 예측 모델이 저장될 수 있으며, 신경망 모델 추천 방법을 실행하기 위한 프로그램 코드가 기록된 컴퓨터가 판독 가능한 기록 매체에 기록된 프로그램이 저장될 수도 있다.

한편, 상술한 본 발명에 따르면, 학습 데이터를 기초로 딥러닝 기반 객체 인식 모델을 선택하기 위한 객관적인 방법을 제공할 수 있다.

나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

신경망 모델 추천 장치가 수행하는 신경망 모델 추천 방법에 있어서,
과거 학습 데이터를 분석하여 제2 데이터 특징 정보를 추출하는 단계;
상기 과거 학습 데이터로 학습된 후보 신경망 모델들의 과거 성능 정보를 획득하는 단계;
상기 과거 학습 데이터를 기초로 성능 예측 모델을 학습하는 단계;
신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 단계;
상기 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하는 단계;
추출된 제1 데이터 특징 정보를 기초로 기 학습된 상기 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 단계; 및
산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 상기 후보 신경망 모델 중 상기 학습 데이터에 적합한 신경망 모델을 추천하는 단계;를 포함하고,
상기 성능 예측 모델을 학습하는 단계는 상기 제2 데이터 특징 정보와 상기 제2 데이터 특징 정보에 대응되는 신경망 모델의 과거 성능 정보를 학습 데이터 셋으로 상기 성능 예측 모델을 학습하고,
상기 성능 예측 모델은 상기 제2 데이터 특징 정보와 상기 후보 신경망 모델의 과거 성능 정보 간의 상관 관계를 기초로 상기 제1 데이터 특징 정보에 따른 상기 후보 신경망 모델들의 예측 성능 정보를 출력하도록 학습되는 것을 특징으로 하는 신경망 모델 추천 방법.
제 1 항에 있어서,
상기 제2 데이터 특징 정보를 추출하는 단계는
상기 과거 학습 데이터의 라벨 데이터와 메타데이터를 기초로 상기 제2 데이터 특징 정보를 추출하는 것을 특징으로 하는 신경망 모델 추천 방법.
제 1 항에 있어서,
상기 신경망 모델을 추천하는 단계는 학습 정보와 학습 장치 정보를 고려하여 적합한 신경망 모델을 추천하는 것을 특징으로 하는 신경망 모델 추천 방법.
제 3 항에 있어서,
상기 학습 정보에는 해당 신경망 모델이 학습 데이터로 학습하는데 소요되는 시간인 학습 소요 시간과 신경망 모델이 학습 데이터로 학습하는데 필요한 리소스 정보가 포함되며,
상기 학습 장치 정보는 해당 신경망 모델을 학습 및 이용하게 되는 학습 장치에 대한 정보인 것을 특징으로 하는 신경망 모델 추천 방법.
신경망 모델 추천 시스템에 있어서,
과거 학습 데이터로 학습된 후보 신경망 모델들의 과거 성능 정보를 획득하고, 신경망 모델을 학습시키기 위한 학습 데이터를 획득하는 획득부;
상기 학습 데이터를 분석하여 제1 데이터 특징 정보를 추출하고, 상기 과거 학습 데이터를 분석하여 제2 데이터 특징 정보를 추출하는 추출부;
상기 과거 학습 데이터를 기초로 성능 예측 모델을 학습하는 학습부;
추출된 제1 데이터 특징 정보를 기초로 기 학습된 상기 성능 예측 모델을 이용하여 후보 신경망 모델들의 각 예측 성능 정보를 산출하는 산출부; 및
산출된 후보 신경망 모델들의 예측 성능 정보를 기초로 상기 후보 신경망 모델 중 상기 학습 데이터에 적합한 신경망 모델을 추천하는 추천부;를 포함하고,
상기 학습부는 상기 제2 데이터 특징 정보와 상기 제2 데이터 특징 정보에 대응되는 신경망 모델의 과거 성능 정보를 학습 데이터 셋으로 상기 성능 예측 모델을 학습하고,
상기 성능 예측 모델은 상기 제2 데이터 특징 정보와 상기 후보 신경망 모델의 과거 성능 정보 간의 상관 관계를 기초로 상기 제1 데이터 특징 정보에 따른 상기 후보 신경망 모델들의 예측 성능 정보를 출력하도록 학습되는 것을 특징으로 하는 신경망 모델 추천 시스템.
제 5 항에 있어서,
상기 추출부는
상기 과거 학습 데이터의 라벨 데이터와 메타데이터를 기초로 상기 제2 데이터 특징 정보를 추출하는 것을 특징으로 하는 신경망 모델 추천 시스템.
제 5 항에 있어서,
상기 추천부는 학습 정보와 학습 장치 정보를 고려하여 적합한 신경망 모델을 추천하는 것을 특징으로 하는 신경망 모델 추천 시스템.
제 7 항에 있어서,
상기 학습 정보에는 해당 신경망 모델이 학습 데이터로 학습하는데 소요되는 시간인 학습 소요 시간과 신경망 모델이 학습 데이터로 학습하는데 필요한 리소스 정보가 포함되며,
상기 학습 장치 정보는 해당 신경망 모델을 학습 및 이용하게 되는 학습 장치에 대한 정보인 것을 특징으로 하는 신경망 모델 추천 시스템.
제 1 항 내지 제 4 항 중 어느 한 항에 따른 신경망 모델 추천 방법을 수행하는 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.
제 1 항 내지 제 4 항 중 어느 한 항에 따른 신경망 모델 추천 방법을 실행하기 위한 프로그램 코드를 포함하는 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램.