KR102472585B1

KR102472585B1 - 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법

Info

Publication number: KR102472585B1
Application number: KR1020200107066A
Authority: KR
Inventors: 장동훈
Original assignee: (주)데이터센트릭
Priority date: 2020-08-25
Filing date: 2020-08-25
Publication date: 2022-11-30
Also published as: WO2022045697A1; US20230297885A1; KR20220026258A

Abstract

본 발명은 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법이 개시된다. 본 발명의 모듈형 AI 엔진 서버는 적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부 및 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부를 포함한다.

Description

빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법{Big data-based modular AI engine server and driving method of the same}

본 발명은 모듈형 AI 엔진 서버에 관한 것으로, 사물인터넷(IoT) 환경에 최적화된 학습 및 데이터 분류를 모듈 형태로 수행하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법에 관한 것이다.

일반적으로 사물인터넷(internet of thing, IoT) 환경은 센서나 통신 기능이 내장된 기기들이 인터넷으로 연결해 주변의 정보를 수집하고, 이 정보를 다른 장비와 주고받으며 스스로 일을 처리할 수 있는 적절한 결정도 내릴 수 있는 환경을 의미한다.

사물인터넷 환경을 구축하기 위한 IoT 장치들이 다양해지고, 전송되는 데이터양이 증가하면서 수집된 데이터를 인터넷을 통해 시간과 장소에 구애받지 않고, 공유 및 전송할 수 있는 방식이 발전하기 시작하고, 기존 IT 자원을 기업의 서버나 개인 PC에서 소유하던 방식에서 필요한 만큼의 자원을 클라우드 공간에서 임대하여 사용하는 클라우드 컴퓨팅 시스템이 등장하였다.

하지만 클라우드 컴퓨팅 시스템은 대부분 고사양 하드웨어 및 대용량 스토리지로 이루어짐에 따라 비용적인 측면으로 인해 중소기업들이 해당 영역에 대한 접근성이 쉽지 않다는 문제점을 가지고 있다.

공개특허공보 제10-2019-0134982호(2019.12.05.)

본 발명이 이루고자 하는 기술적 과제는 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법를 제공하는데 목적이 있다.

본 발명이 이루고자 하는 다른 기술적 과제는 AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법을 제공하는데 목적이 있다.

본 발명이 이루고자 하는 또 다른 기술적 과제는 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법을 제공하는데 목적이 있다.

상기 목적을 달성하기 위해 본 발명에 따른 빅데이터 기반의 모듈형 AI 엔진 서버는 적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부 및 상기 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부를 포함한다.

또한 상기 제어부는, 상기 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 상기 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정하는 모델 매니저부 및 상기 결정된 AI 분석모델과 통계 분석모델을 기초로 센서 데이터를 분석하여 상기 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하는 하이브리드 분석부를 포함하는 것을 특징으로 한다.

또한 AI 분석모델 및 통계 분석모델이 모듈 형태로 저장되고, 상기 분석된 결과를 기반으로 학습된 학습 데이터가 저장되는 저장부;를 더 포함하는 것을 특징으로 한다.

또한 상기 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 상기 모델 매니저부는, 상기 통계 분석모델 및 상기 학습 데이터를 이용하여 참조 인자를 생성하고, 상기 생성된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 한다.

또한 상기 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 상기 모델 매니저부는, 상기 수신된 센서 데이터를 상기 빅데이터 서버로 전송시켜 상기 빅데이터 서버의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 상기 제공된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 한다.

또한 상기 결정된 AI 분석모델이 상기 저장부에 저장되지 않은 경우, 상기 모델 매니저부는, 상기 빅데이터 서버로 상기 결정된 AI 분석모델의 제공을 요청하여 상기 결정된 AI 분석모델이 수신되도록 제어하는 것을 특징으로 한다.

또한 상기 모델 매니저부는, 상기 하이브리드 분석부로부터 생성된 구동 제어 신호를 수신하고, 상기 수신된 구동 제어 신호가 해당 IoT 장치로 전송되도록 제어하는 것을 특징으로 한다.

또한 상기 하이브리드 분석부는, 상기 AI 분석모델 및 상기 통계 분석모델을 하이브리드 방식으로 상기 센서 데이터를 분석하는 것을 특징으로 한다.

본 발명에 따른 모듈형 AI 엔진 서버의 구동 방법은 모듈형 AI 엔진 서버가 적어도 하나의 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하는 단계 및 상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 단계를 포함한다.

또한 상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 모듈 형태로 저장하는 단계 및 상기 모듈형 AI 엔진 서버가 상기 분석된 결과를 기반으로 학습된 학습 데이터를 저장하는 단계를 더 포함하는 것을 특징으로 한다.

본 발명의 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하되, AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용함으로써, 저사양 저전력의 하드웨어 구현이 가능해 설비 비용을 절감할 수 있다.

또한 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화함으로써, 데이터 사용 비용을 절감할 수 있다.

도 1은 본 발명의 실시예에 따른 데이터 처리 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 모듈형 AI 엔진서버를 설명하기 위한 블록도이다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이다.
도 4는 도 3의 하이브리드 분석부를 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 인공신경망의 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 모듈형 AI 엔진 서버의 구동 방법을 설명하기 위한 순서도이다.

이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 1은 본 발명의 실시예에 따른 데이터 처리 시스템을 설명하기 위한 구성도이다.

도 1을 참조하면, 데이터 처리 시스템(400)은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석을 지원한다. 이때 데이터 처리 시스템(400)은 AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 인 메모리(In Memory) 데이터베이스에서 AI 모델을 관리하는 모델 매니저로 로딩하여 사용할 수 있도록 한다. 데이터 처리 시스템(400)은 모듈형 AI 엔진서버(100), IoT 장치(200) 및 빅데이터 서버(300)를 포함한다.

모듈형 AI 엔진서버(100)는 IoT 장치(200) 및 빅데이터 서버(300) 사이에 위치하고, IoT 장치(200)로부터 전달된 센서 데이터를 자체적으로 분석하여 빅데이터 서버(300)로 전송되는 데이터를 최소화한다. 이때 모듈형 AI 엔진서버(100)는 모듈 형태의 AI 모델을 이용하여 센서 데이터를 분석할 수 있다. 모듈형 AI 엔진서버(100)는 분석된 결과인 구동 제어 신호를 센서 데이터를 전달한 IoT 장치로 전송하여 해당 IoT 장치의 구동을 제어할 수 있다. 모듈형 AI 엔진서버(100)는 플랫폼 형태로 구현될 수 있다. 모듈형 AI 엔진서버(100)는 AI 모델 학습이 가능한 최소의 하드웨어 사양을 갖춘 임베디스 시스템이다.

IoT 장치(200)는 통신 모듈이 구비하는 모든 전자장치를 의미한다. IoT 장치(200)는 센서 데이터를 수집하고, 수집된 센서 데이터를 모듈형 AI 엔진서버(100)로 전달한다. 여기서 센서 데이터는 생체 데이터, 영상 데이터, 위치 데이터, 환경 데이터, 날씨 데이터, 압력 데이터 등을 포함한다. IoT 장치(200)는 휴대단말, 가전제품, 산업 장비, 사회기반시설 장비, 무인비행기, 자율주행차량, 라이다, 고사양 카메라, 의료장비 등일 수 있다.

빅데이터 서버(300)는 빅데이터를 저장하고 있는 서버로써, 빅데이터 플랫폼으로 구현될 수 있다. 즉 빅데이터 서버(300)는 다양한 데이터 소스에서 수집한 데이터를 처리 및 분석하여 해당 지식을 추출하고, 추출된 지식을 기반으로 지능화된 서비스를 제공한다. 여기서 지능화된 서비스는 AI 모델을 이용한 서비스를 의미한다. 상세하게는 빅데이터 플랫폼은 확장성있는 대용량 처리 능력, 이기종 데이터 수집 및 통합 처리 능력, 빠른 데이터 접근 및 처리 능력, 대량의 데이터를 저장 관리할 수 있는 능력, 대량의 이기종 데이터를 원하는 수준으로 분석할 수 있는 능력 등을 포함한다. 예를 들어 빅데이터 플랫폼 서비스는 Mosquitto, RabbitMQ, ZeroMQ 등과 Kafka 연동하는 다종 메시지 큐잉 시스템 인터페이스, SQL on Hadoop과 연동하는 하둡 기반 빅데이터 분석 인터페이스 등을 포함할 수 있다. 이러한 서비스를 제공하는 빅데이터 서버(300)는 서버 컴퓨터, 클러스터 컴퓨터, 슈퍼컴퓨터 등일 수 있다.

한편 데이터 처리 장치(400)는 모듈형 AI 엔진서버(100)와 IoT 장치(200) 사이에 에지망(410)을 구축하고, 모듈형 AI 엔진서버(100)와 빅데이터 서버(300) 사이에 코어망(420)을 구축하여 서로 간의 통신을 수행할 수 있다. 에지망(410) 및 코어망(420)은 FTTH(Fiber To The Home), ADSL(Asymmetric Digital Subscriber Line), 케이블망, 지그비(zigbee), 블루투스(bluetooth), Wireless LAN(IEEE 802.11b, IEEE 802.11a, IEEE 802.11g, IEEE 802.11n), Wireless Hart(ISO/IEC62591-1), ISA100.11a(ISO/IEC 62734), COAP(Constrained Application Protocol), MQTT(Multi-Client Publish/Subscribe Messaging), WIBro(Wireless Broadband), Wimax, 3G, HSDPA(High Speed Downlink Packet Access), 4G 및 5G일 수 있다.

도 2는 본 발명의 실시예에 따른 모듈형 AI 엔진서버를 설명하기 위한 블록도이다.

도 1 및 도 2를 참조하면, 모듈형 AI 엔진서버(100)는 통신부(10) 및 제어부(30)를 포함하고, 저장부(50)를 더 포함할 수 있다.

통신부(10)는 적어도 하나의 IoT 장치(200) 및 빅데이터 서버(300)와 통신을 수행한다. 통신부(10)는 IoT 장치(200)로부터 적어도 하나의 센서 데이터를 수신하고, IoT 장치(200)로 구동 제어 신호를 전송한다. 통신부(10)는 빅데이터 서버(300)로 센서 데이터를 전송하고, 빅데이터 서버(300)로부터 AI 분석모듈을 수신할 수 있다.

제어부(30)는 IoT 장치(200)로부터 수신된 적어도 하나의 센서 데이터를 분석하기 위한 적합한 AI 분석모델을 결정하고, 결정된 AI 분석모델을 이용하여 센서 데이터를 분석한다. 이때 AI 분석모델은 모듈형으로 이루어져 필요한 AI 분석모델만 로딩하여 센서 데이터를 분석함으로써, 시스템에 부하를 줄일 수 있다. 제어부(30)는 분석된 센서 데이터를 이용하여 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하고, 생성된 구동 제어 신호를 센서 데이터를 전송한 IoT 장치로 전송한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들(idle) 상태 전환/유지, 웨이크 업(wake up) 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.

저장부(50)는 AI 분석모델 및 통계 분석모델이 모듈 형태로 저장된다. 저장부(50)는 새로운 분석모델이 저장되면 기존에 저장된 분석모델과 같이 모듈 형태로 저장하고, 제어부(30)에 요청에 의해 임의의 분석모델이 로딩되는 경우, 기존과 같이 전체 또는 그룹핑된 분석모델이 로딩되는 것이 아니라 요청된 분석모델에 해당하는 모듈만 로딩될 수 있도록 한다. 또한 저장부(50)는 분석된 결과를 기반으로 학습된 학습 데이터가 저장된다. 저장부(50)는 플래시 메모리 타입(flash memory type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory) 중 적어도 하나의 저장매체를 포함할 수 있다.

도 3은 도 2의 제어부를 설명하기 위한 블록도이고, 도 4는 도 3의 하이브리드 분석부를 설명하기 위한 블록도이며, 도 5는 본 발명의 실시예에 따른 인공신경망의 구성을 설명하기 위한 도면이고, 도 6은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.

도 1 내지 도 6을 참조하면, 제어부(30)는 전처리부(31), 모델 매니저부(33) 및 하이브리드 분석부(35)를 포함한다.

전처리부(31)는 통신부(10)를 통해 수신된 센서 데이터를 전처리한다. 즉 전처리부(31)는 센서 데이터를 수집하고, 수집된 센서 데이터 중 유사성이 있는 센서 데이터끼리 정합 또는 그룹핑한다. 전처리부(31)는 정합 또는 그룹핑된 센서 데이터를 샘플링(sampling)하고, 샘플링된 센서 데이터를 필터링(filtering)한다. 이때 전처리부(31)는 병렬 구조로 전처리를 수행하여 연산 처리 속도를 극대화할 수 있다.

모델 매니저부(33)는 전처리된 센서 데이터를 기반으로 AI 분석모델을 관리한다. 모델 매니저부(33)는 센서 데이터를 전송한 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정한다. 여기서 적합한 AI 분석모델은 센서 데이터를 분석하기에 가장 최적화된 분석모델로써, 연산을 간단한 과정으로 수행하여 속도를 빠르게 하면서도 결과값이 정확하게 산출하는 모델을 의미한다. 즉 모델 매니저부(33)는 IoT 장치 및 센서 데이터의 특성에 맞는 맞춤형 AI 분석모델을 결정할 수 있다.

이때 모델 매니저부(33)는 AI 분석모델을 결정하기 위한 참조 인자를 내부 또는 외부로부터 제공받을 수 있다. 예를 들어 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 결정하는 경우, 모델 매니저부(33)는 저장부(50)에 저장된 통계 분석모델과 사전 학습 모델을 이용하여 참조 인자를 추정하고, AI 분석 모델을 결정한다. 여기서 하이브리드 분석부(35)는 센서 데이터를 통계모델에 적용하여 패턴을 추정하고, 이와 부합되는 최적의 AI 분석 모델을 찾아 참조 인자를 결정한다. 또한 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 모델 매니저부(33)는 센서 데이터를 빅데이터 서버(300)로 전송시켜 빅데이터 서버(300)의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정한다. 여기서 빅데이터 서버(300)는 빅데이터 플랫폼을 이용하여 센서 데이터의 패턴에 대해 분류, 군집 및 기타 분석이 가능한 가장 적합한 AI 분석 모델이 생성되도록 참조 인자를 추정하고 AI 모델을 생성한다.

모델 매니저부(33)는 결정된 AI 분석모델을 저장부(50)로부터 로딩하여 하이브리드 분석부(35)로 해당 AI 분석모델을 전달한다. 이때 저장부(50)가 결정된 AI 분석모델을 저장하고 있지 않으면 모델 매니저부(33)는 빅데이터 서버(300)로 결정된 AI 분석모델의 제공을 요청하고, 요청에 대한 응답으로 결정된 AI 분석모델을 제공받아 제공된 AI 분석모델을 하이브리드 분석부(35)로 전달하고 저장부(50)에 저장시킨다.

모델 매니저부(33)는 하이브리드 분석부(35)로 전달한 AI 분석모델를 통해 생성된 구동 제어 신호를 하이브리드 분석부(35)로부터 수신하고, 수신된 구동 제어 신호가 센서 데이터를 전송한 IoT 장치로 전송되도록 제어한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들(idle) 상태 전환/유지, 웨이크업(wake-up) 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.

하이브리드 분석부(35)는 모델 매니저부(33)로부터 결정된 AI 분석모델을 수신하고, 수신된 AI 분석 모델을 이용하여 센서 데이터를 분석한다. 이때 하이브리드 분석부(35)는 수신된 AI 분석모델(41)뿐만 아니라, 통계 분석모델(43)을 더 이용하여 센서 데이터를 분석할 수 있다. 즉 하이브리드 분석부(35)는 AI 분석모델(41)을 기반으로 센서 데이터를 분석하되, 통계 분석모델(43)가 보완하는 형태의 하이브리드 방식으로 최적의 결과값인 구동 제어 신호를 생성한다. 여기서 AI 분석모델(41)은 인공신경망(ANN), 기계학습(machine learning), 딥러닝(deep learning) 등과 같은 다양한 인공지능 모델일 수 있다.

예를 들어 도 5는 AI 분석모델(41)의 일례인 인공신경망을 도시하였으며, 도시된 바와 같이 인공신경망은 복수의 계층을 포함한다. 이러한 복수의 계층은 입력층(IL: Input Layer), 은닉층(HL: Hidden Layer, HL1 내지 HLk) 및 출력층(OL: Output Layer)을 포함한다.

또한 복수의 계층(IL, HL, OL) 각각은 하나 이상의 노드를 포함한다. 예컨대 도시된 바와 같이, 입력층(IL)은 n개의 입력노드(i1 ~ in)를 포함하며, 출력층(OL)은 1개의 출력노드(v)를 포함할 수 있다. 또한 은닉층(HL) 중 제1 은닉계층(HL1)은 a개의 노드(h11 ~ h1a)를 포함하고, 제2 은닉계층(HL2)은 b개의 노드(h21 ~ h2b)를 포함하고, 제k 은닉계층(HLk)은 c개의 노드(hk1 ~ hkc)를 포함할 수 있다.

복수의 계층의 노드 각각은 연산을 수행한다. 특히 서로 다른 계층의 복수의 노드는 가중치(w: weight)를 가지는 채널(점선으로 표시)로 연결된다. 다른 말로, 어느 하나의 노드의 연산 결과는 가중치(w) 혹은 임계치(b)를 포함하는 인공신경망의 파라미터가 적용되어 다음 계층의 노드에 입력된다. 이러한 연결 관계에 대해 노드를 기준으로 설명하기로 한다.

도 6에 본 발명의 실시예에 따른 노드(h)의 일례가 도시되었다. 도 6의 노드는 히든 노드(h) 중 하나인 것으로 설명되지만, 발파모델(BM)에 포함된 모든 노드에 공통으로 적용될 수 있다. 이러한 노드(h)의 연산은 다음의 [수학식 1]에 따라 이루어진다.

여기서, 함수 F는 활성화 함수(activation function)를 의미한다. 또한, x는 이전 계층의 복수의 노드 각각의 연산 결과에 따른 노드값이고, 다음 계층의 노드(h)에 대한 입력을 의미한다. 이러한 입력은 x=[x1, x2, … , xn]와 같이 표현될 수 있다. w는 입력 x에 대응하는 가중치이며, w=[w1, w2, … , wn]와 같이 표현될 수 있다. 수학식 1에 따르면, 노드(h)는 이전 계층의 복수의 노드 각각의 노드값인 입력 x=[x1, x2, … , xn]에 가중치 w=[w1, w2, … , wn]를 적용한 후, 그 결과에 함수 F를 취한다. 여기서, 파라미터 b는 임계치이며, 임계치 b는 [수학식 1]에서

의 값이 임계치 보다 작을 때 해당 노드가 활성화되지 않도록 하는 역할을 한다.

예를 들면, 노드(h)의 이전 계층의 노드가 3개라고 가정한다(n=3). 이에 따라, 노드(h)에 대해 3개의 입력 x1, x2, x3과 3개의 가중치 w1, w2, w3이 존재한다. 노드(h)는 3개의 입력 x1, x2, x3에 대응하는 가중치 w1, w2, w3을 곱한 값을 입력받고, 모두 합산한 후, 합산된 값을 전달 함수에 대입하여 출력을 산출한다. 구체적으로, 입력 [x1, x2, x3] = 0.5, -0.3, 0이라고 가정하고, 가중치 w=[w1, w2, w3] = 4, 5, 2라고 가정한다. 또한, 활성화함수 F는 ‘sgn()’이고, 임계치는 0.01이라고 가정하면, [수학식 1]에 따른 연산을 통해 다음과 같이 출력이 산출된다.

x1 × w1 = 0.5 × 0.19 = 0.095

x2 × w2 = - 0.3 × 0.25 = -0.075

x3 × w3 = 0 × 0.66 = 0

0.095 + (-0.075) + 0 = 0.02

b=0.01일 때, sgn(0.02-0.01) = 1

이와 같이, 인공신경망으로부터 생성된 복수의 계층에 대한 복수의 노드 각각은 이전 계층의 노드값 x1, x2, x3에 인공신경망의 파라미터인 가중치 w1, w2, w3 및 임계치 b가 적용된 값을 입력받고, 활성화함수 F에 의한 연산을 수행하여 출력값 OUT을 산출한다. 다음 계층이 존재하는 경우, 산출된 출력값 OUT은 다음 계층의 노드에 대한 입력이 된다. 즉, AI 분석모델의 어느 한 계층의 어느 하나의 노드는 이전 계층의 노드의 출력에 가중치 혹은 임계치를 적용한 값을 입력받고, 활성화함수 F에 의한 연산을 수행하여 그 연산 결과를 다음 계층으로 전달한다.

AI 분석모델(41)의 전체적인 연산은 다음과 같이 이루어진다. 먼저, AI 분석모델에 대한 입력 데이터로 센서 데이터가 사용된다. 입력 데이터는 입력특징벡터로 변환되어 입력될 수 있다. 입력특징벡터 IV는 AI 분석모델(41)의 입력층(IL)의 복수의 입력노드(i1 ~ in)에 대응하는 복수의 요소값 iv1 ~ ivn을 가진다. 이에 따라 입력층(IL)의 복수의 입력노드(i1 ~ in)에 입력특징벡터 IV=[iv1 ~ ivn]가 입력되면, 제1 은닉층(HL1)의 복수의 제1 은닉노드(h11 ~ h1a) 각각은 복수의 입력노드(i1 ~ in)의 복수의 요소값 iv1 ~ ivn에 가중치 및 임계치를 적용하고, 가중치 및 임계치가 적용된 입력특징벡터의 복수의 요소값 각각에 대해 활성화함수에 따른 연산을 수행하여 복수의 제1 은닉노드값을 산출한다.

이어서 제2 은닉층(HL2)의 복수의 제2 은닉노드(h21 ~ h2b) 각각은 복수의 제1 은닉노드(h11 ~ h1a)의 복수의 제1 은닉노드값 각각에 가중치 및 임계치를 적용하고, 가중치 및 임계치가 적용된 복수의 제1 은닉노드값 각각에 대해 활성화함수에 따른 연산을 수행하여 복수의 제2 은닉노드값을 산출한다. 이와 같은 방식으로 은닉층(HL) 내에서 이전의 노드값이 가중치가 적용되어 전달되고, 연산을 통해 현재의 노드값이 산출된다. 이러한 과정을 반복하여, 제k 은닉계층(HLk)의 복수의 제k 은닉노드(hk1 ~ hkc)의 복수의 제k 은닉노드값을 산출할 수 있다.

이에 따라 출력층(OL)의 출력노드(v)는 제k 은닉계층(HLk)의 복수의 제k 은닉노드(hk1 ~ hkc)의 복수의 제k 은닉노드값에 가중치 w=[w1, w2, … , wc]가 적용된 값을 입력받고(점선으로 표시), 입력된 값을 모두 합산한 후, 임계치를 차감하고, 해당 값에 대해 활성화함수에 따른 연산을 수행하여 출력값을 산출한다. 이러한 출력노드(v)가 산출한 출력값은 구동 제어값의 추정치가 될 수 있다.

상술된 바와 같이 하이브리드 분석부(35)는 인공신경망을 통해 구동 제어 신호에 대한 결과값을 추정하나, 이에 한정하지 않고 다양한 AI 분석모델 및 통계 분석모델을 이용하여 구동 제어 신호에 대한 결과값을 추정할 수 있다.

도 7은 본 발명의 실시예에 따른 모듈형 AI 엔진 서버의 구동 방법을 설명하기 위한 순서도이다.

도 1 및 도 7을 참조하면, 모듈형 AI 엔진 서버(100)의 구동 방법(이하 ‘구동 방법’이라 함)은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하되, AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용함으로써, 저사양 저전력의 하드웨어 구현이 가능해 설비 비용을 절감할 수 있다. 또한 구동 방법은 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화함으로써, 데이터 사용 비용을 절감할 수 있다.

S110 단계에서, 모듈형 AI 엔진 서버(100)는 센서 데이터를 수신한다. 모듈형 AI 엔진 서버(100)는 IoT 장치(200)로부터 적어도 하나의 센서 데이터를 수신한다. 여기서 센서 데이터는 생체 데이터, 영상 데이터, 위치 데이터, 환경 데이터, 날씨 데이터, 압력 데이터 등을 포함한다. IoT 장치(200)는 휴대단말, 가전제품, 산업 장비, 사회기반시설 장비, 무인비행기, 자율주행차량, 라이다, 고사양 카메라, 의료장비 등일 수 있다.

S120 단계에서, 모듈형 AI 엔진 서버(100)는 수신된 센서 데이터를 전처리한다. 모듈형 AI 엔진 서버(100)는 센서 데이터를 수집하고, 수집된 센서 데이터 중 유사성이 있는 센서 데이터끼리 정합 또는 그룹핑한다. 모듈형 AI 엔진 서버(100)는 정합 또는 그룹핑된 센서 데이터를 샘플링하고, 샘플링된 센서 데이터를 필터링한다. 이때 모듈형 AI 엔진 서버(100)는 병렬 구조로 전처리를 수행할 수 있다.

S130 단계에서, 모듈형 AI 엔진 서버(100)는 센서 데이터를 전송한 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정한다. 여기서 적합한 AI 분석모델은 센서 데이터를 분석하기에 가장 최적화된 분석모델로써, 연산을 간단한 과정으로 수행하여 속도를 빠르게 하면서도 결과값이 정확하게 산출하는 모델을 의미한다. 즉 모듈형 AI 엔진 서버(100)는 IoT 장치 및 센서 데이터의 특성에 맞는 맞춤형 AI 분석모델을 결정할 수 있다.

상세하게는 모듈형 AI 엔진 서버(100)는 AI 분석모델을 결정하기 위한 참조 인자를 내부 또는 외부로부터 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정할 수 있다. 예를 들어 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 모듈형 AI 엔진 서버(100)는 센서 데이터에 포함된 인자들을 기초로 기 저장된 통계 분석모델과 학습 데이터를 이용하여 참조 인자를 생성하고, 생성된 참조 인자를 이용하여 AI 분석모델을 결정한다. 또한 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 모듈형 AI 엔진 서버(100)는 센서 데이터를 빅데이터 서버(300)로 전송시켜 빅데이터 서버(300)의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정한다.

S140 단계에서, 모듈형 AI 엔진 서버(100)는 결정된 AI 분석모델이 기 저장되어 있는지 판단한다. 모듈형 AI 엔진 서버(100)는 해당 AI 분석모델이 기 저장되어 있으면 S160 단계를 수행하고, 기 저장되어 있지 않으면 S150 단계를 수행한다.

S150 단계에서, 모듈형 AI 엔진 서버(100)는 빅데이터 서버(300)로부터 결정된 AI 분석모델을 수신한다. 이를 위해 모듈형 AI 엔진 서버(100)는 빅데이터 서버(300)로 결정된 AI 분석모델의 제공을 요청할 수 있다. 또한 모듈형 AI 엔진 서버(100)는 수신된 AI 분석모델을 모듈 형태로 저장하여 추후 해당 AI 분석모델을 모듈 형태로 로딩할 수 있도록 한다.

S160 단계에서, 모듈형 AI 엔진 서버(100)는 결정된 AI 분석모듈 및 통계 분석모듈을 이용하여 센서 데이터를 분석한다. 여기서 모듈형 AI 엔진 서버(100)는 AI 분석모델을 기반으로 센서 데이터를 분석하되, 통계 분석모델가 보완하는 형태의 하이브리드 방식으로 최적의 결과값인 구동 제어 신호를 생성한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들 상태 전환/유지, 웨이크업 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.

S170 단계에서, 모듈형 AI 엔진 서버(100)는 생성된 구동 제어 신호를 해당 IoT 장치로 전송한다. 이를 통해 모듈형 AI 엔진 서버(100)는 해당 IoT 장치의 구동을 제어할 수 있다.

본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 장치에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드디스크, ROM, RAM, CD-ROM, 하드 디스크, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

10: 통신부 30: 제어부
31: 전처리부 33: 모델 매니저부
35: 하이브리드 분석부 41: AI 분석모델
43: 통계 분석모델 50: 저장부
100: 모듈형 AI 엔진서버 200: IoT 장치
300: 빅데이터 서버 400: 데이터 처리 시스템
410: 에지망 420: 코어망

Claims

적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부; 및
상기 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부;를 포함하고,
상기 제어부는,
상기 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 상기 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정하되, 상기 IoT 장치 및 상기 센서 데이터의 특성에 맞는 맞춤형 AI 분석모델을 결정하는 모델 매니저부; 및
상기 결정된 AI 분석모델과 통계 분석모델을 기초로 센서 데이터를 분석하여 상기 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하는 하이브리드 분석부;를 포함하고,
상기 모델 매니저부는 모듈화된 복수의 AI 분석모델들 중 상기 센서 데이터 분석에 적합한 특정 AI 분석모델을 결정하고,
AI 분석모델 및 통계 분석모델이 모듈 형태로 저장되고, 상기 분석된 결과를 기반으로 학습된 학습 데이터가 저장되는 저장부;를 더 포함하되, 상기 학습 데이터는 상기 결정된 AI 분석모델과 통계 분석모델을 기초로 상기 IoT 장치가 제공한 센서 데이터를 분석하여 상기 IoT 장치에 어떠한 구동 제어 신호를 전송하였는지를 학습한 학습 데이터이고,
상기 모델 매니저부는,
상기 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 상기 통계 분석모델 및 상기 학습 데이터를 이용하여 참조 인자를 생성하고, 상기 생성된 참조 인자를 이용하여 상기 AI 분석모델을 결정하고,
상기 모델 매니저부는,
상기 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 상기 수신된 센서 데이터를 상기 빅데이터 서버로 전송시켜 상기 빅데이터 서버의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 상기 제공된 참조 인자를 이용하여 상기 AI 분석모델을 결정하고,
상기 모델 매니저부는,
상기 결정된 AI 분석모델이 상기 저장부에 저장되지 않은 경우, 상기 빅데이터 서버로 상기 결정된 AI 분석모델의 제공을 요청하여 상기 결정된 AI 분석모델이 수신되도록 제어하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
삭제
삭제
삭제
삭제
삭제
제 1항에 있어서,
상기 모델 매니저부는,
상기 하이브리드 분석부로부터 생성된 구동 제어 신호를 수신하고, 상기 수신된 구동 제어 신호가 해당 IoT 장치로 전송되도록 제어하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
제 1항에 있어서,
상기 하이브리드 분석부는,
상기 AI 분석모델 및 상기 통계 분석모델을 하이브리드 방식으로 상기 센서 데이터를 분석하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
삭제
삭제