KR102488619B1 - 학습된 인공 신경망을 자산화 하는 방법 - Google Patents

학습된 인공 신경망을 자산화 하는 방법 Download PDF

Info

Publication number
KR102488619B1
KR102488619B1 KR1020210181697A KR20210181697A KR102488619B1 KR 102488619 B1 KR102488619 B1 KR 102488619B1 KR 1020210181697 A KR1020210181697 A KR 1020210181697A KR 20210181697 A KR20210181697 A KR 20210181697A KR 102488619 B1 KR102488619 B1 KR 102488619B1
Authority
KR
South Korea
Prior art keywords
data
neural network
artificial neural
learning
user
Prior art date
Application number
KR1020210181697A
Other languages
English (en)
Inventor
오세진
Original Assignee
주식회사 텐
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 주식회사 텐 filed Critical 주식회사 텐
Priority to KR1020210181697A priority Critical patent/KR102488619B1/ko
Priority to PCT/KR2021/020202 priority patent/WO2023113090A1/ko
Application granted granted Critical
Publication of KR102488619B1 publication Critical patent/KR102488619B1/ko

Links

Images

Classifications

    • 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
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 컴퓨팅 장치가 학습된 인공 신경망을 자산화 하는 방법은, 제1 인공 신경망 데이터를 수신하는 단계로써, 상기 제1 인공 신경망 데이터는 제1 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하고; 및 상기 제1 인공 신경망 데이터에 대한 제2 메타 데이터를 생성하는 단계로써, 상기 제2 메타 데이터는 상기 제1 인공 신경망의 학습에 사용된 학습 데이터 항목 및 소유자 항목을 포함할 수 있다.

Description

학습된 인공 신경망을 자산화 하는 방법{Method to capitalize the learned artificial neural network}
본 발명의 실시예들은 인공 신경망의 학습을 위한 학습 데이터 및 학습된 인공 신경망을 자산화 하는 방법에 관한 것이다. 또한 본 발명의 실시예들은 자산화된 데이터와 관련된 수익을 분배하는 방법에 관한 것이다.
정보통신 기술의 발달로 많은 애플리케이션에 인공 지능 기술의 도입이 이루어 지고 있다. 가령 종래에는 텍스트로부터 음성을 생성함에 있어서, 규칙 기반으로 음성을 생성하였는데 최근에는 학습된 인공 신경망을 이용하여 텍스트로부터 음성을 생성하기에 이르게 되었다.
이와 같은 인공 신경망을 이용하기 위해서는 이용 목적에 맞는 학습 데이터와 학습 데이터를 이용한 학습 과정이 필요하다.
한편 인공 신경망의 높은 성능을 이끌어내기 위해서는 높은 품질의 학습 데이터와, 인공 신경망의 학습 노하우가 필요하다.
저품질의 학습 데이터로부터는 높은 정확도를 갖는 인공 신경망을 생성할 수 없고, 데이터의 품질이 높다고 하더라도 사용자의 적절한 학습 노하우가 없는 경우 높은 정확도를 갖는 인공 신경망을 생성할 수 없다.
이와 같은 실정에 따라 학습 데이터와 학습 된 인공 신경망 데이터를 거래하고자 하는 움직임이 증가하고 있다.
그러나 두 개의 데이터 모두 기존에는 없던 새로운 대상물에 해당하여 데이터를 어떤 형태로 거래할 수 있는지, 거래의 대상이 되는 데이터의 경계가 어디까지인지, 그리고 해당 데이터로부터 발생 된 수익을 어떻게 처리해야 하는지에 대한 명확한 가이드라인이 없는 실정이다.
본 발명은 인공 신경망의 학습을 위한 학습 데이터를 자산화 하는 방법을 제공하고자 한다.
또한 본 발명은 학습된 인공 신경망을 자산화 하는 방법을 제공하고자 한다.
또한 본 발명은 자산화된 데이터와 관련된 수익을 분배하는 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 컴퓨팅 장치가 인공 신경망의 학습을 위한 학습 데이터를 자산화 하는 방법은, 제1 학습 데이터 및 상기 제1 학습 데이터에 대한 제1 태그(Tag)를 확인하는 단계로써, 상기 제1 태그는 상기 제1 학습 데이터를 이용한 인공 신경망의 학습에 있어서 상기 제1 학습 데이터와 서로 대응되는 것으로 학습되는 표지이고; 및 상기 제1 학습 데이터에 대한 제1 메타 데이터를 생성하는 단계로써, 상기 제1 메타 데이터는 상기 제1 학습 데이터의 소유자 항목을 포함할 수 있다.
상기 제1 메타 데이터를 생성하는 단계는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 학습 데이터 자산화 방법은 상기 확인하는 단계 이후에, 상기 제1 태그를 포함하는 태그 데이터를 생성하는 단계;를 포함하고, 상기 제1 메타 데이터를 생성하는 단계는 상기 태그 데이터의 저장 경로를 상기 제1 메타 데이터에 포함시키는 단계; 및 상기 제1 학습 데이터의 저장 경로를 상기 제1 메타 데이터에 포함시키는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 학습 데이터 자산화 방법은 상기 제1 메타 데이터를 생성하는 단계 이후에, 소정의 이벤트가 발생됨에 따라 상기 제1 메타 데이터를 수정하는 단계;를 더 포함할 수 있다.
상기 제1 메타 데이터를 수정하는 단계는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자로부터 상기 제1 학습 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인하는 단계; 및
상기 제2 사용자가 구매한 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제2 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는;를 포함할 수 있다.
상기 제1 메타 데이터를 수정하는 단계는 상기 제1 학습 데이터를 수정한 제3 사용자를 확인하는 단계; 기 정의된 규칙에 따라 상기 제3 사용자에게 부여되는 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제3 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는; 및 상기 제1 메타 데이터에 포함되는 수정 이력 항목에 제3 사용자의 식별 정보 및 수정 시점을 추가하는 단계;를 포함할 수 있다.
상기 제1 메타 데이터를 수정하는 단계는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자 및 제4 사용자 어느 하나가 상기 제1 학습 데이터가 속하는 데이터 세트를 설정함에 따라, 설정된 데이터 세트의 이름을 상기 제1 메타 데이터의 데이터 세트 이름 항목에 추가하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공 신경망의 학습을 위한 학습 데이터를 자산화 하는 장치는, 제1 학습 데이터 및 상기 제1 학습 데이터에 대한 제1 태그(Tag)를 확인하고, 상기 제1 태그는 상기 제1 학습 데이터를 이용한 인공 신경망의 학습에 있어서 상기 제1 학습 데이터와 서로 대응되는 것으로 학습되는 표지이고, 상기 제1 학습 데이터에 대한 제1 메타 데이터를 생성하고, 상기 제1 메타 데이터는 상기 제1 학습 데이터의 소유자 항목을 포함할 수 있다.
상기 장치는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가할 수 있다.
상기 장치는 상기 제1 태그를 포함하는 태그 데이터를 생성하고, 상기 태그 데이터의 저장 경로를 상기 제1 메타 데이터에 포함시키고, 상기 제1 학습 데이터의 저장 경로를 상기 제1 메타 데이터에 포함시킬 수 있다.
상기 장치는 소정의 이벤트가 발생됨에 따라 상기 제1 메타 데이터를 수정할 수 있다.
상기 장치는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자로부터 상기 제1 학습 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인하고, 상기 제2 사용자가 구매한 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제2 사용자를 추가하고, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
상기 장치는 상기 제1 학습 데이터를 수정한 제3 사용자를 확인하고, 기 정의된 규칙에 따라 상기 제3 사용자에게 부여되는 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제3 사용자를 추가하고, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하고,
상기 제1 메타 데이터에 포함되는 수정 이력 항목에 제3 사용자의 식별 정보 및 수정 시점을 추가할 수 있다.
상기 장치는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자 및 제4 사용자 어느 하나가 상기 제1 학습 데이터가 속하는 데이터 세트를 설정함에 따라, 설정된 데이터 세트의 이름을 상기 제1 메타 데이터의 데이터 세트 이름 항목에 추가할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 장치가 학습된 인공 신경망을 자산화 하는 방법은, 제1 인공 신경망 데이터를 수신하는 단계로써, 상기 제1 인공 신경망 데이터는 제1 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하고; 및 상기 제1 인공 신경망 데이터에 대한 제2 메타 데이터를 생성하는 단계로써, 상기 제2 메타 데이터는 상기 제1 인공 신경망의 학습에 사용된 학습 데이터 항목 및 소유자 항목을 포함할 수 있다.
상기 제2 메타 데이터를 생성하는 단계는 상기 제1 인공 신경망의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가하는 단계;를 포함할 수 있다.
상기 학습된 인공 신경망 자산화 방법은 상기 제2 메타 데이터를 생성하는 단계 이후에, 소정의 이벤트가 발생됨에 따라 상기 제2 메타 데이터를 수정하는 단계;를 더 포함할 수 있다.
상기 제2 메타 데이터를 수정하는 단계는 상기 제1 인공 신경망 데이터의 자산화를 요청한 제1 사용자로부터 상기 제1 인공 신경망 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인하는 단계; 및 상기 제2 사용자가 구매한 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제2 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는;를 포함할 수 있다.
상기 제2 메타 데이터를 수정하는 단계는 학습과 관련된 적어도 하나의 요소를 변경하여 상기 제1 인공 신경망을 재학습한 제3 사용자를 확인하는 단계; 및 기 정의된 규칙에 따라 상기 제3 사용자에게 부여되는 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제3 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는;를 포함할 수 있다.
상기 학습과 관련된 적어도 하나의 요소는 제1 인공 신경망의 학습과 관련된 적어도 하나의 학습 파라미터 및 상기 제1 인공 신경망의 학습에 사용되는 학습 데이터 중 적어도 하나를 포함할 수 있다.
상기 제2 메타 데이터를 수정하는 단계는 상기 학습과 관련된 적어도 하나의 요소 중 학습에 사용되는 학습 데이터가 변경된 경우, 상기 변경에 따라 새롭게 사용된 학습 데이터 및 상기 제3 사용자의 식별 정보를 상기 제2 메타 데이터의 학습 이력 항목에 추가하는 단계;를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 학습된 인공 신경망을 자산화 하는 장치는, 제1 인공 신경망 데이터를 수신하고, 상기 제1 인공 신경망 데이터는 제1 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하고, 상기 제1 인공 신경망 데이터에 대한 제2 메타 데이터를 생성하고, 상기 제2 메타 데이터는 상기 제1 인공 신경망의 학습에 사용된 학습 데이터 항목 및 소유자 항목을 포함할 수 있다.
상기 장치는, 상기 제1 인공 신경망의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가할수 있다.
상기 장치는, 소정의 이벤트가 발생됨에 따라 상기 제2 메타 데이터를 수정할 수 있다.
상기 장치는, 상기 제1 인공 신경망 데이터의 자산화를 요청한 제1 사용자로부터 상기 제1 인공 신경망 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인하고, 상기 제2 사용자가 구매한 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제2 사용자를 추가하고, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
상기 장치는, 학습과 관련된 적어도 하나의 요소를 변경하여 상기 제1 인공 신경망을 재학습한 제3 사용자를 확인하고, 기 정의된 규칙에 따라 상기 제3 사용자에게 부여되는 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제3 사용자를 추가하고, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
상기 학습과 관련된 적어도 하나의 요소는 제1 인공 신경망의 학습과 관련된 적어도 하나의 학습 파라미터 및 상기 제1 인공 신경망의 학습에 사용되는 학습 데이터 중 적어도 하나를 포함할 수 있다.
상기 장치는, 상기 학습과 관련된 적어도 하나의 요소 중 학습에 사용되는 학습 데이터가 변경된 경우, 상기 변경에 따라 새롭게 사용된 학습 데이터 및 상기 제3 사용자의 식별 정보를 상기 제2 메타 데이터의 학습 이력 항목에 추가할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 장치가 자산화 된 학습 데이터 및 자산화 된 인공 신경망 데이터와 관련된 수익을 분배하는 방법은, 자산화 된 데이터에 대해 발생된 수익을 확인하는 단계로써, 상기 자산화 된 데이터는 소유권 정보를 포함하는 제1 메타 데이터가 생성된 제1 학습 데이터 및 소유권 정보를 포함하는 제2 메타 데이터가 생성된 제1 인공 신경망 데이터 중 어느 하나이고; 상기 자산화 된 데이터와 관련된 적어도 하나의 소유자를 확인하고, 상기 적어도 하나의 소유자로부터 하나 이상의 유효 소유자를 결정하는 단계; 및 상기 수익을 상기 유효 소유자에게 분배하는 단계;를 포함할 수 있다.
상기 자산화 된 데이터가 상기 제1 학습 데이터인 경우, 상기 하나 이상의 유효 소유자를 결정하는 단계는, 상기 제1 메타 데이터의 소유자 항목에 포함된 소유자를 상기 하나 이상의 유효 소유자에 추가하는 단계;를 포함할 수 있다.
상기 자산화 된 데이터가 상기 제1 인공 신경망 데이터인 경우, 상기 적어도 하나의 소유자를 확인하는 단계는 상기 제2 메타 데이터의 소유자 항목에 포함된 소유자를 상기 하나 이상의 유효 소유자에 추가하는 단계; 상기 제2 메타 데이터의 학습 이력 항목에 포함된 하나 이상의 학습 데이터를 확인하는 단계; 및 상기 하나 이상의 학습 데이터 각각에 대한 메타 데이터로부터 상기 하나 이상의 학습 데이터 각각의 소유자를 확인하고, 확인된 소유자를 상기 하나 이상의 유효 소유자에 추가하는 단계;를 포함할 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터의 사용 권한을 구입함에 따라 발생될 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터의 소유권의 적어도 일부를 구입함에 따라 발생될 수 있다.
본 발명의 일 실시예에 따른 자산화 된 데이터로부터 발생된 수익의 분배 방법은 상기 분배하는 단계 이후에, 자산화 된 데이터에 대한 메타 데이터의 소유자 항목을 갱신하는 단계;를 더 포함할 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터에 기반한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 발생될 수 있다.
상기 자산화 된 데이터가 상기 제1 학습 데이터인 경우, 상기 수익은 상기 제1 학습 데이터에 기반하여 학습 된 인공 신경망을 이용한 서비스를 상기 하나 이상의 제2 사용자에게 제공하고, 상기 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생될 수 있다.
상기 자산화 된 데이터가 상기 제1 인공 신경망 데이터인 경우, 상기 수익은 상기 제1 인공 신경망 데이터를 이용한 서비스를 상기 하나 이상의 제2 사용자에게 제공하고, 상기 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생될 수 있다.
본 발명의 일 실시예에 따른 자산화 된 학습 데이터 및 자산화 된 인공 신경망 데이터와 관련된 수익을 분배하는 장치는, 자산화 된 데이터에 대해 발생된 수익을 확인하고, 상기 자산화 된 데이터는 소유권 정보를 포함하는 제1 메타 데이터가 생성된 제1 학습 데이터 및 소유권 정보를 포함하는 제2 메타 데이터가 생성된 제1 인공 신경망 데이터 중 어느 하나이고; 상기 자산화 된 데이터와 관련된 적어도 하나의 소유자를 확인하고, 상기 적어도 하나의 소유자로부터 하나 이상의 유효 소유자를 결정하고, 상기 수익을 상기 유효 소유자에게 분배할 수 있다.
상기 자산화 된 데이터가 상기 제1 학습 데이터인 경우, 상기 장치는 상기 제1 메타 데이터의 소유자 항목에 포함된 소유자를 상기 하나 이상의 유효 소유자에 추가할 수 있다.
상기 자산화 된 데이터가 상기 제1 인공 신경망 데이터인 경우, 상기 장치는 상기 제2 메타 데이터의 소유자 항목에 포함된 소유자를 상기 하나 이상의 유효 소유자에 추가하고, 상기 제2 메타 데이터의 학습 이력 항목에 포함된 하나 이상의 학습 데이터를 확인하고, 상기 하나 이상의 학습 데이터 각각에 대한 메타 데이터로부터 상기 하나 이상의 학습 데이터 각각의 소유자를 확인하고, 확인된 소유자를 상기 하나 이상의 유효 소유자에 추가할 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터의 사용 권한을 구입함에 따라 발생될 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터의 소유권의 적어도 일부를 구입함에 따라 발생될 수 있다. 상기 장치는 자산화 된 데이터에 대한 메타 데이터의 소유자 항목을 갱신할 수 있다.
상기 수익은 제1 사용자가 상기 자산화 된 데이터에 기반한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 발생될 수 있다.
상기 자산화 된 데이터가 상기 제1 학습 데이터인 경우, 상기 수익은 상기 제1 학습 데이터에 기반하여 학습 된 인공 신경망을 이용한 서비스를 상기 하나 이상의 제2 사용자에게 제공하고, 상기 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생될 수 있다.
상기 자산화 된 데이터가 상기 제1 인공 신경망 데이터인 경우, 상기 수익은 상기 제1 인공 신경망 데이터를 이용한 서비스를 상기 하나 이상의 제2 사용자에게 제공하고, 상기 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생될 수 있다.
본 발명에 따르면 인공 신경망의 학습을 위한 학습 데이터와 학습된 인공 신경망 데이터를 자산화 할 수 있다.
본 발명에 따르면 자산화된 데이터를 거래할 수 있다.
또한 본 발명에 따르면 자산화된 데이터와 관련된 수익을 분배할 수 있다.
도 1은 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.
도 4 및 도 5는 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 6은 자산화된 학습 데이터(500)의 예시적인 구성을 도시한 도면이다.
도 7은 자산화된 학습 데이터(500A)의 구체적 예시를 도시한 도면이다.
도 8은 예시적인 메타 데이터(520A)의 내용을 도시한 도면이다.
도 9는 예시적인 태그 데이터(620A)의 구성을 도시한 도면이다.
도 10은 예시적인 데이터 세트(600)의 구성을 도시한 도면이다.
도 11, 도 12 및 도 13은 본 발명의 일 실시예에 따른 서버(100)가 도 6 내지 도 10에서 설명한 바와 같은 자산화된 학습 데이터 및/또는 데이터 세트를 생성하는 과정을 설명하기 위한 흐름도이다.
도 14는 자산화된 인공 신경망 데이터(700)의 예시적인 구성을 도시한 도면이다.
도 15는 자산화된 인공 신경망 데이터(700A)의 구체적인 예시를 도시한 도면이다.
도 16은 예시적인 메타 데이터(720A)의 내용을 도시한 도면이다.
도 17, 도 18 및 도 19는 본 발명의 일 실시예에 따른 서버(100)가 도 14 내지 도 16에서 설명한 바와 같은 자산화된 인공 신경망 데이터를 생성하는 과정을 설명하기 위한 흐름도이다.
도 20은 본 발명의 일 실시예에 따른 시스템에서 학습 데이터의 예시적인 거래 단위인 데이터 세트(800)를 도시한 도면이다.
도 21은 본 발명의 일 실시예에 따른 시스템에서 인공 신경망 데이터의 예시적인 거래 단위인 데이터 세트(900)를 도시한 도면이다.
도 22는 예시적인 수익 분배 규칙을 설명하기 위한 도면이다.
도 23, 도 24 및 도 25는 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 수익 분배 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템의 구성을 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템은 서버(100), 사용자 단말(200), 리소스 서버(300) 및 통신망(400)을 포함할 수 있다.
본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템은 인공 신경망의 학습을 위한 학습 데이터를 자산화 할 수 있다. 또한 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템은 학습된 인공 신경망 데이터를 자산화 할 수도 있다. 또한 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템은 자산화된 데이터를 사용자 상호 간에 거래할 수 있는 서비스를 제공하고, 그로부터 발생되는 수익을 분배할 수 있다.
본 발명에서 '자산화'는 대상 객체를 독립적인 거래의 대상이 될 수 있도록 규격화 하는 것을 의미할 수 있다. 가령 데이터의 자산화는 해당 데이터가 거래의 대상이 될 수 있도록 소유자, 저장 경로, 데이터 크기 등을 비롯한 데이터와 관련된 정보를 수집하여 데이터와 매핑시키는 것을 의미할 수 있다. 다만 이와 같은 과정은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명에서 '자산화된 데이터'는 자산화된 학습 데이터와 자산화 된 인공 신경망 데이터를 포괄하는 개념일 수 있다. 이때 '자산화된 학습 데이터'는 인공 신경망의 학습을 위한 데이터로써, 소정의 과정에 따라 규격화된 데이터를 의미할 수 있다. 또한 '자산화 된 인공 신경망 데이터'는 학습 된 인공 신경망의 학습 결과를 반영하는 데이터로써, 소정의 과정에 따라 규격화된 데이터를 의미할 수 있다. 자산화된 학습 데이터와 자산화 된 인공 신경망 데이터에 대한 상세한 설명은 후술한다.
본 발명에서 '인공 신경망'은 서버(100) 및/또는 리소스 서버(300)가 소정의 목적에 따라 생성한 것으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된것을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 4 및 도 5를 참조하여 후술한다.
본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100)를 매개하는 다양한 형태의 장치를 의미할 수 있다.
본 발명의 일 실시예에서 사용자 단말(200)은 사용자가 자산화 하고자 하는 데이터를 서버(100)로 전송하여 해당 데이터를 자산화 할 수 있도록 한다. 또한 사용자 단말(200)은 서버(100)에 의해 제공되는 자산화된 데이터 거래 플랫폼에서 사용자가 자신의 데이터를 다른 사용자에게 판매하거나, 다른 사용자로부터 데이터를 구매하기 위한 인터페이스를 사용자에게 제공할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201)을 의미할 수도 있고, 컴퓨터(202)를 의미할 수도 있다.
본 발명의 일 실시예에 따른 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다.
본 발명의 일 실시예에 따른 리소스 서버(300)는 서버(100)의 제어에 따라 리소스를 이용하여 소정의 연산을 수행하거나 서비스를 제공하는 장치를 의미할 수 있다. 가령 리소스 서버(100)는 서버(100)의 요청에 따라 특정 학습 데이터와 특정 인공 신경망 데이터를 이용하여 인공 신경망의 학습에 따르는 연산 및/또는 학습된 인공 신경망으로부터 출력 결과를 생성하는 과정에 따르는 연산을 수행할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 이와 같은 리소스 서버(300)는 도 1에 도시된 바와 같이 복수일 수 있다.
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 리소스 서버(300A)는 통신부(310A), 제2 프로세서(320A), 메모리(330A) 및 제3 프로세서(340A)를 포함할 수 있다.
통신부(310A)는 리소스 서버(300A)가 서버(100)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
제2 프로세서(320A)는 서버(100)로부터 수신된 요청에 따라 제3 프로세서(340A)를 제어하는 장치일 수 있다. 가령 제2 프로세서(320A)는 학습된 인공 신경망을 이용하여 소정의 아웃풋을 제공하는 프로세스의 실행 요청에 따라, 제3 프로세서(340A)를 제어하는 장치일 수 있다.
이때 프로세서(Processor)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(330A)는 리소스 서버(300A)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(330A)는 학습된 인공 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(330A)는 인공 신경망을 학습하기 위한 학습 데이터(서버(100)로부터 수신된)도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
제3 프로세서(340A)는 전술한 제2 프로세서(320A)의 제어에 따라 연산을 수행하는 장치를 의미할 수 있다. 이때 제3 프로세서(340A)는 전술한 제2 프로세서(320A)보다 높은 연산 능력을 갖는 장치일 수 있다. 가령 제3 프로세서(340A)는 GPU(Graphics Processing Unit)로 구성될 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에서, 제3 프로세서(340A)는 복수일 수도 있고, 도 2에 도시된 바와 같이 단수일 수도 있다.
도 2에서는 예시적으로, 리소스 서버(300A)의 구성만을 설명하였지만 나머지 리소스 서버도 이와 동일하거나 상응하는 구조일 수 있으므로, 나머지 리소스 서버에 대한 상세한 설명은 생략한다.
본 발명의 일 실시예에서, 각각의 리소스 서버(300A, 300B, 300C)는 서로 다른 가용 리소스를 가질 수 있다. 이때 서로 다른 가용 리소스는 서로 다른 하드웨어 사양에 기인한 것 일 수도 있고, 현재 실행되고(실행하고)있는 프로세스의 수량에 기인한 것 일 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 통신망(400)은 자산화된 데이터를 관리하는 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 인공 신경망의 학습을 위한 학습 데이터 및 학습된 인공 신경망 데이터를 자산화 할 수 있다. 또한 서버(100)는 자산화된 데이터를 사용자 상호 간에 거래할 수 있는 서비스를 제공하고, 그로부터 발생되는 수익을 분배할 수 있다.
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 통신부(110), 제1 프로세서(120) 및 메모리(130)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 서버(100)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.
통신부(110)는 서버(100)가 사용자 단말(200) 및/또는 리소스 서버(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
제1 프로세서(120)는 데이터의 자산화 및/또는 데이터의 거래에 따라 서버(100) 및/또는 리소스 서버(300)를 제어하는 수단을 의미할 수 있다.
이와 같은 제1 프로세서(120)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(130)는 서버(100)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리(130)는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(130)는 자산화된 데이터를 일시적 및/또는 영구적으로 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명에서 서버(100)는 때때로 컴퓨팅 장치, 자산화된 데이터 관리 장치로 명명되어 설명될 수 있다.
도 4 및 도 5는 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 인공 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다.
또한 본 발명의 일 실시예에 따른 서버(100)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다.
마지막으로 서버(100)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.
도 4에 도시된 예시에서는, 입력 데이터가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
이와 같은 입력 데이터의 분할 크기, 컨볼루션 레이어에 사용되는 단위 블록의 크기, 풀링 레이어의 수, 풀링 레이어의 단위 블록의 크기 등은 인공 신경망의 학습 조건을 나타내는 파라미터 셋에 포함되는 항목일 수 있다. 바꾸어 말하면, 파라미터 셋은 상술한 항목들을 결정하기 위한 파라미터(즉 구조 파라미터)들을 포함할 수 있다.
따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.
한편 이와 같은 인공 신경망은 전술한 리소스 서버(300A)의 메모리(330A)에 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리(330A)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 도 5에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.
도 5를 참조하면, 이와 같은 순환 신경망(RNN) 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다.
히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.
각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.
한편 인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다.
제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L3)에 포함되는 출력 노드(N3)간의 연결관계를 정의할 수 있다.
이와 같은 제1 함수(F1), 제2 함수(F2) 및 히든 레이어 사이의 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 신경망 모델을 포함할 수 있다.
리소스 서버(300)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터에 기초하여 제1 함수(F1) 및 제2 함수(F2)가 학습될 수 있다. 물론 인공 신경망이 학습되는 과정에서 전술한 제1 함수(F1) 및 제2 함수(F2) 외에 복수의 히든 레이어 사이의 함수들 또한 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다.
이때 본 발명의 일 실시예에 따른 서버(100)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 순환 신경망 모델에 따른 인공 신경망의 경우 파라미터 셋(특히 구조 파라미터 셋)에는 전술한 히든 레이어의 수 및 입력 노드의 수 등이 포함될 수 있다. 따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.
도 4 및 도 5에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다.
이하에서는 서버(100)가 데이터를 자산화 하는 과정을 먼저 설명하고, 자산화된 데이터로부터 발생된 수익을 분배하는 과정을 나중에 설명한다.
서버(100)가 학습 데이터를 자산화 하는 과정
본 발명의 일 실시예에 따른 서버(100)는 인공 신경망의 학습에 사용되는 학습 데이터를 자산화 할 수 있다. 전술한 바와 같이 본 발명에서 '자산화'는 대상 객체(예를 들어 데이터)를 독립적인 거래의 대상이 될 수 있도록 규격화 하는 것을 의미할 수 있다. 따라서 이하에서는 인공 신경망의 학습에 사용되는 학습 데이터를 규격화 하는 과정에 대해 상세히 설명한다.
도 6은 자산화된 학습 데이터(500)의 예시적인 구성을 도시한 도면이다.
도 6에 도시된 바와 같이 자산화된 학습 데이터(500)는 학습 데이터(510), 학습 데이터(510)에 대한 태그(530) 및 학습 데이터(510)에 대한 메타 데이터(520)를 포함할 수 있다. 이때 학습 데이터(510) 및 태그(530)는 인공 신경망의 학습에 직접적으로 사용되는 데이터로, 태그(530)는 인공 신경망의 학습 시에 학습 데이터(510)와 대응되는 것으로 학습되는 표지일 수 있다.
도 7은 자산화된 학습 데이터(500A)의 구체적 예시를 도시한 도면이다. 도 8은 예시적인 메타 데이터(520A)의 내용을 도시한 도면이다.
도 7에 도시된 바와 같이 자산화된 학습 데이터(500A)는 학습 데이터(510A), 학습 데이터(510A)에 대한 태그(530A) 및 학습 데이터(510A)에 대한 메타 데이터(520A)를 포함할 수 있다.
이때 학습 데이터(510A) 및 태그(530A)는 인공 신경망의 학습에 직접적으로 사용되는 데이터일 수 있다. 가령 도 7에 도시된 바와 같이 학습 데이터(510A)는 나비 이미지이고, 태그(530A)는 학습 데이터(510A)인 나비 이미지를 설명하는 표지인 "나비"일 수 있다.
한편 메타 데이터(520A)는 도 8에 도시된 바와 같이 학습 데이터(510A)의 자산화와 관련된 복수의 항목을 포함하는 데이터 일 수 있다. 가령 메타 데이터(520A)는 학습 데이터(510A)의 저장 위치 항목(526A), 학습 데이터(510A)가 속하는 데이터 세트의 이름 항목(525A), 태그(530A)가 저장된 파일의 이름 항목(524A), 소유자 항목(521A, 522A, 523A) 및 수정 이력 항목(527A)을 포함할 수 있다. 다만 이와 같은 메타 데이터(520A)의 내용은 예시적인것으로 메타 데이터(520A)에서 일부 항목이 생략/추가될 수도 있다.
도 9는 예시적인 태그 데이터(620A)의 구성을 도시한 도면이다. 도 10은 예시적인 데이터 세트(600)의 구성을 도시한 도면이다.
본 발명에서 '데이터 세트'는 적어도 하나 이상의 데이터를 포함하는 데이터의 집합을 의미할 수 있다. 가령 데이터 세트는 자산화된 학습 데이터(예를 들어 도 6에서 설명한)를 하나 이상 포함하는 데이터의 집합을 의미할 수 있다.
본 발명의 일 실시예에 따른 데이터 세트(600)는 하나 이상의 학습 데이터-메타 데이터 세트(610A, 610B, 610C) 및 학습 데이터에 대한 태그들을 포함하는 태그 데이터(620)를 포함할 수 있다. 이때 학습 데이터-메타 데이터 세트(610A, 610B, 610C)는 각각의 학습 데이터와 해당 학습 데이터에 대한 메타 데이터가 연관된 데이터를 의미할 수 있다.
한편 태그 데이터(620)는 학습 데이터-메타 데이터 세트(610A, 610B, 610C)에 포함된 학습 데이터들의 태그만을 수집한 데이터 일 수 있다. 가령 태그 데이터(620A)는 도 9에 도시된 바와 같이 도 7의 자산화된 학습 데이터(500A)에서 태그(530A)만을 수집한 데이터 일 수 있다. 물론 태그 데이터(620A)는 다른 자산화된 학습 데이터에서 수집된 태그를 더 포함할 수 있다.
도 10에 따르면, 데이터 세트(600)는 하나 이상의 학습 데이터, 하나 이상의 학습 데이터 각각에 대한 메타 데이터 및 하나 이상의 학습 데이터들의 태그를 수집한 태그 데이터가 포함될 수 있다. 다만 이와 같은 구성은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니며, 데이터 세트(600)를 구성하는 일부 구성요소들이 병합되어 구성될 수도 있고, 또 특정 항목이 분할되어 구성될 수도 있다.
본 발명의 선택적 실시예에서, 개별 학습 데이터에 대한 메타 데이터는 태그 데이터에 포함되는 태그를 하나의 항목으로 포함할 수 있다. 이와 같은 경우 데이터 세트(600)는 별도의 태그 데이터(620A)를 포함하지 않을 수 있다.
도 11, 도 12 및 도 13은 본 발명의 일 실시예에 따른 서버(100)가 도 6 내지 도 10에서 설명한 바와 같은 자산화된 학습 데이터 및/또는 데이터 세트를 생성하는 과정을 설명하기 위한 흐름도이다. 이하에서는 도 11 내지 도 13을 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터 및 제1 학습 데이터에 대한 제1 태그(Tag)를 확인할 수 있다.(S1110) 이때 제1 태그는 제1 학습 데이터를 이용한 인공 신경망의 학습에 있어서 제1 학습 데이터와 서로 대응되는 것으로 학습되는 표지일 수 있다.
가령 본 발명의 일 실시예에 따른 서버(100)는 도 7에 도시된 바와 같은 자산화된 학습 데이터(500A)의 생성을 위해, 학습 데이터(510A) 및 태그(530A)를 확인할 수 있다. 예를 들어 서버(100)는 사용자 단말(200)로부터 수신된 데이터로부터 학습 데이터(510A) 및 태그(530A)를 확인할 수도 있고, 사용자 단말(200)로부터 수신된 제어 신호에 따라 서버(100)의 메모리(130)에 저장된 데이터로부터 학습 데이터(510A) 및 태그(530A)를 확인할 수도 있다. 또한 서버(100)는 사용자 단말(200)로부터 수신된 외부 장치의 접속 경로를 이용하여 해당 경로에 존재하는 학습 데이터(510A) 및 태그(530A)를 확인할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 단계 S1110에서 확인된 제1 태그를 포함하는 태그 데이터를 생성할 수 있다.(S1120) 가령 서버(100)는 도 9에서 설명한 과정에 따라 제1 태그가 포함되는 태그 데이터를 생성할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 단계 S1110에서 확인된 제1 학습 데이터에 대한 제1 메타 데이터를 생성할 수 있다.(S1130) 가령 서버(100)는 도 8에 도시된 메타 데이터(520A)와 같이 제1 학습 데이터의 소유자 항목 등을 포함하는 제1 메타 데이터를 생성할 수 있다.
본 발명의 선택적 실시예에서, 서버(100)는 단계 S1130을 먼저 수행하고, 단계 S1120을 나중에 수행할 수도 있다. 또한 서버(100)는 단계 S1120과 S1130을 동시에(병렬적으로) 수행할 수도 있다.
서버(100)가 단계 S1130을 수행하는 과정을 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터의 자산화를 요청한 제1 사용자를 제1 메타 데이터의 소유자 항목에 추가할 수 있다. 가령 서버(100)는 도 8의 소유자 항목(521A)과 마찬가지로 제1 메타 데이터의 소유자 항목의 버전 1에 데이터 생성을 사유로 제1 사용자가 제1 학습 데이터의 소유권 전부를 갖는 것으로 기록할 수 있다. 이때 서버(100)는 변경 시점에 관한 정보를 함께 기록할 수도 있다.
한편 본 발명의 일 실시예에 따른 서버(100)는 단계 S1120에서 생성된 태그 데이터의 저장 경로를 제1 메타 데이터에 포함시킬 수 있다. 가령 서버(100)는 제1 메타 데이터의 태깅 정보 파일 이름 항목에 태그 데이터의 저장 경로를 추가할 수 있다.
또한 서버(100)는 제1 학습 데이터의 저장 경로 역시 제1 메타 데이터에 포함시킬 수 있다. 가령 서버(100)는 제1 메타 데이터의 저장위치 항목에 제1 학습 데이터의 저장 경로를 추가할 수 있다.
이와 같이 본 발명은 개별 학습 데이터에 대한 메타 데이터를 생성하여 관리함으로써 제1 사용자가 업로드하거나 선택한 학습 데이터를 자산화 할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 소정의 이벤트가 발생됨에 따라 제1 메타 데이터를 수정할 수 있다.(S1140) 이때 '이벤트'는 자산화된 데이터에 대한 소유권이 변경되거나 소유 지분이 변경되는 사건을 의미할 수 있다. 이하에서는 개별 이벤트의 발생에 따라 서버(100)가 제1 메타 데이터를 수정하는 과정을 중심으로 설명한다.
전술한 과정에 따라 자산화된 개별 데이터에는 식별 정보와 소유권에 관한 정보를 포함하는 메타 데이터가 연관되어 있기에, 사용자들은 자신의 데이터를 거래할 수 있다. 서버(100)는 자산화된 학습 데이터의 소유권을 이전하는 이벤트가 발생한 경우 이에 따라 메타 데이터를 수정할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터의 자산화를 요청한 제1 사용자로부터 제1 학습 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인할 수 있다.(S1141)
또한 서버(100)는 제2 사용자가 구매한 소유권의 비율을 참조하여 제1 메타 데이터의 소유자 항목에 상기 제2 사용자를 추가할 수 있다.(S1142) 이때 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
가령 서버(100)는 도 8의 소유자 항목(523A)과 마찬가지로 제1 메타 데이터의 소유자 항목에 신규 버전(예를 들어 버전 3)을 생성하고, 변경 사유로써는 소유권 구매를, 소유자에는 제2 사용자(예를 들어 이영희)를 추가할 수 있다. 이때 서버(100)는 각 소유자의 소유 비율을 함께 추가할 수 있으며, 변경 시점에 관한 정보를 함께 기록할 수도 있다.
한편 학습 데이터는 인공 신경망의 정확도 향상 등을 이유로 수정이 필요할 수 있다. 서버(100)는 자산화된 학습 데이터의 수정이 발생한 경우 이에 따르는 소유권의 일부 이전의 이벤트가 발생한 것으로 판단하고 이에 따라 메타 데이터를 수정할 수 있다
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터를 수정한 제3 사용자를 확인할 수 있다.(S1143) 또한 서버(100)는 기 정의된 규칙에 따라 제3 사용자에게 부여되는 소유권의 비율을 참조하여 소유자 항목에 제3 사용자를 추가할 수 있다.(S1144) 이때 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
가령 서버(100)는 도 8의 소유자 항목(522A)과 마찬가지로 제1 메타 데이터의 소유자 항목에 신규 버전(예를 들어 버전 2)을 생성하고, 변경 사유로써는 데이터 수정을, 소유자에는 제3 사용자(예를 들어 김철수)를 추가할 수 있다. 이때 서버(100)는 각 소유자의 소유 비율을 함께 추가할 수 있으며, 변경 시점에 관한 정보를 함께 기록할 수도 있다.
한편 상술한 '기 정의된 규칙'은 다양한 방식으로 미리 결정될 수 있다. 가령 기 정의된 규칙은 제1 사용자에 의해 설정되는 것으로, 예를 들어 수정에 따라 이전되는 소유권의 최대 비율 범위 내에서 데이터의 수정 정도에 따라 소유권이 이전되는 것으로 설정될 수 있다.
또한 기 정의된 규칙은 서버(100)에 의해 제공되는 서비스에서 정책적으로 결정된 것으로, 가령 고정된 비율로 설정될 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 제1 메타 데이터에 포함되는 수정 이력 항목에 제3 사용자의 식별 정보 및 수정 시점을 추가할 수 있다.(S1145)
가령 서버(100)는 도 8의 수정 이력 항목(527A)과 마찬가지로 제3 사용자의 식별 정보 및 수정 시점을 제1 메타 데이터에 추가할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 제1 사용자(제1 학습 데이터의 자산화를 요청한) 및 제4 사용자 어느 하나가 제1 학습 데이터가 속하는 데이터 세트를 설정함에 따라, 설정된 데이터 세트의 이름을 제1 메타 데이터의 데이터 세트 이름 항목에 추가할 수 있다. 가령 서버(100)는 도 8의 데이터 세트 이름 항목(525A)과 마찬가지로 제1 학습 데이터가 속하는 데이터 세트의 이름을 추가할 수 있다. 본 발명의 선택적 실시예에서, 데이터 세트 이름 항목(525A)에는 복수의 데이터 세트 이름이 기록될 수 있다. 바꾸어말하면 제1 학습 데이터는 복수의 데이터 세트에 포함될 수도 있다.
이로써 본 발명은 자산화된 학습 데이터가 사용자 간에 자유롭게 거래될 수 있도록 하며, 기존 소유권을 해치지 않으면서도 다른 사용자가 학습 데이터를 자유롭게 수정, 변경, 데이터 세트의 구성 등이 가능하도록 한다.
서버(100)가 학습된 인공 신경망을 자산화 하는 과정
본 발명의 일 실시예에 따른 서버(100)는 학습된 인공 신경망을 자산화 할 수 있다. 전술한 바와 같이 본 발명에서 '자산화'는 대상 객체(예를 들어 데이터)를 독립적인 거래의 대상이 될 수 있도록 규격화 하는 것을 의미할 수 있다. 따라서 이하에서는 학습된 인공 신경망 데이터를 규격화 하는 과정에 대해 상세히 설명한다.
도 14는 자산화된 인공 신경망 데이터(700)의 예시적인 구성을 도시한 도면이다.
도 14에 도시된 바와 같이 자산화된 인공 신경망 데이터(700)는 인공 신경망 데이터(710) 및 인공 신경망 데이터(710)에 대한 메타 데이터(720)를 포함할 수 있다. 이때 인공 신경망 데이터(710)는 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하는 데이터 일 수 있다.
도 15는 자산화된 인공 신경망 데이터(700A)의 구체적인 예시를 도시한 도면이다. 도 16은 예시적인 메타 데이터(720A)의 내용을 도시한 도면이다.
도 15에 도시된 바와 같이 자산화된 인공 신경망 데이터(700A)는 인공 신경망 데이터(710A) 및 인공 신경망 데이터(710A)에 대한 메타 데이터(720A)를 포함할 수 있다. 이때 인공 신경망 데이터(710A)는 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하는 데이터 일 수 있다.
한편 메타 데이터(720A)는 도 16에 도시된 바와 같이 인공 신경망 데이터(710A)의 자산화와 관련된 복수의 항목을 포함하는 데이터 일 수 있다. 가령 메타 데이터(720A)는 인공 신경망 데이터(710A)의 저장 위치 항목(724A), 소유자 항목(721A, 722A, 723A) 및 인공 신경망의 학습에 사용된 학습 데이터 항목(725A, 256A)을 포함할 수 있다. 다만 이와 같은 메타 데이터(720A)의 내용은 예시적인것으로 메타 데이터(720A)에서 일부 항목이 생략/추가될 수도 있다.
도 17, 도 18 및 도 19는 본 발명의 일 실시예에 따른 서버(100)가 도 14 내지 도 16에서 설명한 바와 같은 자산화된 인공 신경망 데이터를 생성하는 과정을 설명하기 위한 흐름도이다. 이하에서는 도 17 내지 도 19를 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 서버(100)는 제1 인공 신경망 데이터를 수신할 수 있다.(S1710) 전술한 바와 같이 본 발명에서 '인공 신경망 데이터'는 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하는 데이터 일 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200) 및/또는 학습 서버(300)로부터 제1 인공 신경망 데이터를 수신할 수 있다. 또한 본 발명의 일 실시예에 따른 서버(100)는 메모리(130)로부터 제1 인공 신경망 데이터를 독출하는 방식으로 수신할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 선택적 실시예에서 서버(100)는 제1 인공 신경망 데이터를 수신하는 것에 갈음하여, 제1 인공 신경망 데이터를 확인할 수 있다. 이때 서버(100)가 '확인'하는 것은 서버(100)가 제1 인공 신경망 데이터의 저장 위치, 접근 경로 등을 확인하는 것을 의미할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 제1 인공 신경망 데이터에 대한 제2 메타 데이터를 생성할 수 있다.(S1720) 가령 서버(100)는 도 16에 도시된 메타 데이터(720A)와 같이 제1 인공 신경망의 학습에 사용된 학습 데이터 항목 및 소유자 항목을 포함하는 제2 메타 데이터를 생성할 수 있다.
서버(100)가 단계 S1720을 수행하는 과정을 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 제1 인공 신경망 데이터의 자산화를 요청한 제1 사용자를 제2 메타 데이터의 소유자 항목에 추가할 수 있다. 가령 서버(100)는 도 16의 소유자 항목(521A)과 마찬가지로 제2 메타 데이터의 소유자 항목의 버전 1에 최초 학습을 사유로 제1 사용자가 제1 인공 신경망 데이터의 소유권 전부를 갖는 것으로 기록할 수 있다. 이때 서버(100)는 변경 시점에 관한 정보를 함께 기록할 수도 있다.
이와 같이 본 발명은 인공 신경망을 구성하는 데이터에 대한 메타 데이터를 생성하여 관리함으로써 제1 사용자가 학습시키거나 재학습시킨 인공 신경망(또는 인공 신경망 데이터)을 자산화 할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 소정의 이벤트가 발생됨에 따라 제2 메타 데이터를 수정할 수 있다.(S1730) 이때 '이벤트'는 자산화된 데이터에 대한 소유권이 변경되거나 소유 지분이 변경되는 사건을 의미할 수 있다. 이하에서는 개별 이벤트의 발생에 따라 서버(100)가 제2 메타 데이터를 수정하는 과정을 중심으로 설명한다.
전술한 과정에 따라 자산화된 개별 데이터에는 식별 정보와 소유권에 관한 정보를 포함하는 메타 데이터가 연관되어 있기에, 사용자들은 자신의 데이터를 거래할 수 있다. 서버(100)는 자산화된 학습 데이터와 마찬가지로 자산화된 인공 신경망 데이터의 소유권을 이전하는 이벤트가 발생한 경우 이에 따라 메타 데이터를 수정할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 제1 인공 신경망 데이터의 자산화를 요청한 제1 사용자로부터 제1 인공 신경망 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인할 수 있다.(S1731)
또한 서버(100)는 제2 사용자가 구매한 소유권의 비율을 참조하여 제2 메타 데이터의 소유자 항목에 상기 제2 사용자를 추가할 수 있다.(S1732) 이때 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
가령 서버(100)는 도 16의 소유자 항목(723A)과 마찬가지로 제2 메타 데이터의 소유자 항목에 신규 버전(예를 들어 버전 3)을 생성하고, 변경 사유로써는 소유권 구매를, 소유자에는 제2 사용자(예를 들어 이영희)를 추가할 수 있다. 이때 서버(100)는 각 소유자의 소유 비율을 함께 추가할 수 있으며, 변경 시점에 관한 정보를 함께 기록할 수도 있다.
한편 인공 신경망은 오차율의 개선 등을 이유로 재학습이 필요한 경우가 빈번하게 발생한다. 서버(100)는 인공 신경망의 재학습이 이루어져, 이에 따라 인공 신경망 데이터의 적어도 일부가 수정된 경우 이에 따르는 소유권의 일부 이전의 이벤트가 발생한 것으로 판단하고 이에 따라 메타 데이터를 수정할 수 있다
본 발명의 일 실시예에 따른 서버(100)는 학습과 관련된 적어도 하나의 요소를 변경하여 제1 인공 신경망을 재학습한 제3 사용자를 확인할 수 있다.(S1733)
이때 '학습과 관련된 적어도 하나의 요소'는 제1 인공 신경망의 학습과 관련된 적어도 하나의 학습 파라미터 및 제1 인공 신경망의 학습에 사용되는 학습 데이터 중 적어도 하나를 포함할 수 있다. 가령 제3 사용자는 학습 파라미터는 Learnging Rate, Batch Size 및 Iteration 등 인공 신경망의 학습 파라미터로 사용되는 범용적 파라미터 중 어느 하나를 수정하여 제1 인공 신경망을 재학습 시킬 수 있다. 또한 제3 사용자는 학습 데이터를 추가 및/또는 제외 하여 제1 인공 신경망을 재학습 시킬 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 기 정의된 규칙에 따라 제3 사용자에게 부여되는 소유권의 비율을 참조하여 소유자 항목에 상기 제3 사용자를 추가할 수 있다.(S1734) 이때 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함할 수 있다.
가령 서버(100)는 도 16의 소유자 항목(722A)과 마찬가지로 제2 메타 데이터의 소유자 항목에 신규 버전(예를 들어 버전 2)을 생성하고, 변경 사유로써는 재학습을, 소유자에는 제3 사용자(예를 들어 김철수)를 추가할 수 있다. 이때 서버(100)는 각 소유자의 소유 비율을 함께 추가할 수 있으며, 변경 시점에 관한 정보를 함께 기록할 수도 있다.
한편 상술한 '기 정의된 규칙'은 다양한 방식으로 미리 결정될 수 있다. 가령 기 정의된 규칙은 제1 사용자에 의해 설정되는 것으로, 예를 들어 재학습에 따라 이전되는 소유권의 최대 비율 범위 내에서 재학습에 따라 출력의 정확도가 향상된 정도에 비례하여 소유권이 이전되는 것으로 설정될 수 있다. 또한 기 정의된 규칙은 서버(100)에 의해 제공되는 서비스에서 정책적으로 결정된 것으로, 가령 고정된 비율로 설정될 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
한편 제3 사용자에 의한 제1 인공 신경망의 재학습 과정에서 학습 데이터가 변경된 경우, 본 발명의 일 실시예에 따른 서버(100)는 새롭게 사용된 학습 데이터(또는 신규 학습데이터) 및 제3 사용자의 식별 정보를 제2 메타 데이터의 학습 이력 항목에 추가할 수 있다.
가령 서버(100)는 도 16의 학습 이력 항목(726A)과 마찬가지로 사용된 학습 데이터 세트의 이름, 제3 사용자의 식별 정보 및 재학습 시점을 제2 메타 데이터에 추가할 수 있다.
이로써 본 발명은 학습된 인공 신경망 데이터가 사용자 간에 자유롭게 거래될 수 있도록 하며, 기존 소유권을 해치지 않으면서도 다른 사용자가 인공 신경망을 자유롭게 재학습, 수정, 변경 등을 할 수 있도록 한다.
서버(100)가 자산화된 데이터와 관련된 수익을 분배하는 과정
이상에서 도 6 내지 도 13을 통해 학습 데이터의 자산과 과정을 설명하였으며, 도 14 내지 도 19를 통해 학습된 인공 신경망 데이터의 자산화 과정을 설명하였다.
도 20은 본 발명의 일 실시예에 따른 시스템에서 학습 데이터의 예시적인 거래 단위인 데이터 세트(800)를 도시한 도면이다.
본 발명에서 '데이터 세트'는 적어도 하나 이상의 데이터를 포함하는 데이터의 집합을 의미할 수 있다. 가령 데이터 세트는 자산화된 학습 데이터(예를 들어 도 6에서 설명한)를 하나 이상 포함하는 데이터의 집합을 의미할 수 있다.
본 발명의 일 실시예에 따른 데이터 세트(800)는 하나 이상의 학습 데이터-메타 데이터 세트 및 학습 데이터에 대한 태그들을 포함하는 태그 데이터(820)를 포함할 수 있다. 이때 개별 학습 데이터-메타 데이터 세트는 학습 데이터와 그에 대한 자산화 정보를 갖는 메타 데이터를 포함할 수 있다. 가령 첫 번째 학습 데이터-메타 데이터 세트(810A)는 학습 데이터(811A)와 그에 대한 자산화 정보를 갖는 메타 데이터(812A)를 포함할 수 있다. 물론 나머지 학습 데이터-메타 데이터 세트도 이와 마찬가지 구성일 수 있다.
한편 태그 데이터(820)는 하나 이상의 학습 데이터-메타 데이터 세트에 포함된 학습 데이터들의 태그만을 수집한 데이터 일 수 있다.
도 20에 따르면 데이터 세트(800)는 하나 이상의 학습 데이터, 하나 이상의 학습 데이터 각각에 대한 메타 데이터 및 하나 이상의 학습 데이터들의 태그를 수집한 태그 데이터가 포함될 수 있다. 다만 이와 같은 구성은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 서버(100)는 사용자들이 자산화 된 학습 데이터를 세트 단위로 거래할 수 있도록 제공할 수 있다. 가령 서버(100)는 메타 데이터의 '데이터 세트 이름' 항목을 기준으로 데이터를 그룹화 하여 사용자들에게 제공할 수 있다.
한편 본 발명의 일 실시예에 따른 서버(100)는 데이터 세트(800)에 대한 거래가 발생한 경우, 데이터 세트(800)를 구성하는 개별 데이터에 대한 거래의 형태로 처리할 수 있다. 바꾸어말하면 서버(100)는 데이터 세트(800)에 대한 거래의 발생에 따라, 데이터 세트(800)에 포함된 첫 번째 학습 데이터에 대한 거래, 두 번째 학습 데이터에 대한 거래 등을 순차적으로 또는 동시에 처리할 수 있다.
도 21은 본 발명의 일 실시예에 따른 시스템에서 인공 신경망 데이터의 예시적인 거래 단위인 데이터 세트(900)를 도시한 도면이다.
도 21을 참조하면 데이터 세트(900)는 인공 신경망 데이터(910), 인공 신경망 데이터(910)에 대한 메타 데이터(920), 메타 데이터(920)를 참조하여 결정되는 하나 이상의 학습 데이터 세트(930)를 포함할 수 있다. 이때 하나 이상의 학습 데이터 세트(930)는 인공 신경망의 학습 과정에 따라 단수의 세트만을 포함할 수도 있고, 도 21에 도시된 바와 같이 복수의 세트들(931, 932)을 포함할 수도 있다.
본 발명의 일 실시예에 따른 서버(100)는 사용자들이 자산화된 인공 신경망 데이터를 인공 신경망 데이터와 학습 데이터 세트를 포함하는 데이터 세트 단위로 거래 하도록 제공할 수 있다. 가령 서버(100)는 특정 인공 신경망을 구성하는 인공 신경망 데이터와 해당 인공 신경망을 학습시킬 때 사용된 학습 데이터 세트를 그룹화 하여 사용자들에게 제공할 수 있다.
한편 본 발명의 일 실시예에 따른 서버(100)는 데이터 세트(900)에 대한 거래가 발생한 경우, 데이터 세트(900)를 구성하는 개별 데이터에 대한 거래의 형태로 처리할 수 있다. 바꾸어말하면 서버(100)는 데이터 세트(900)에 대한 거래의 발생에 따라 인공 신경망 데이터(910)에 대한 거래, 첫 번째 학습 데이터 세트(931)에 대한 거래, 두 번째 학습 데이터 세트(932)에 대한 거래 등을 순차적으로 또는 동시에 처리할 수 있다.
이하에서는 도 20 및 도 21에서 설명한 거래 단위에 따라 수익이 발생된 경우 서버(100)가 수익을 분배하는 과정을 중심으로 설명한다.
본 발명의 일 실시예에 따른 서버(100)는 자산화 된 데이터에 대해 발생된 수익을 확인할 수 있다. 이때 자산화 된 데이터는 소유권 정보를 포함하는 제1 메타 데이터가 생성된 제1 학습 데이터 및 소유권 정보를 포함하는 제2 메타 데이터가 생성된 제1 인공 신경망 데이터 중 어느 하나를 의미할 수 있다.
한편 본 발명에서 자산화된 데이터와 관련된 '수익'은 다양한 원인에 의해 발생될 수 있다. 가령 수익은 다른 사용자가 자산화된 데이터의 사용권을 구입함에 따라 발생될 수도 있고, 다른 사용자가 자산화된 데이터의 소유권의 적어도 일부를 구입함에 따라 발생될 수도 있다. 또한 수익은 자산화된 데이터에 기반한 서비스를 복수의 다른 사용자들에게 제공함으로 인해 발생될 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명에서 자산화된 데이터의 '사용권'과 '소유권'은 서로 구분되는 개념일 수 있다. 사용권은 자산화된 데이터가 타인에 의해 소유되고 있음을 전제로 해당 데이터를 자신의 서비스 등에 사용할 수 있는 권리를 의미할 수 있다. 한편 소유권은 자산화된 데이터를 전면적으로 지배할 수 있는 권리를 의미할 수 있다. 이와 같은 소유권은 상술한 사용권을 포함하는 개념일 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터와 관련된 적어도 하나의 소유자를 확인하고, 확인된 적어도 하나의 소유자 중 유효 소유자를 결정할 수 있다.
가령 자산화된 데이터가 학습 데이터인 경우, 서버(100)는 학습 데이터와 관련된 메타 데이터의 소유자 항목에 포함된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다.
한편 자산화 된 데이터가 인공 신경망 데이터인 경우, 서버(100)는 인공 신경망 데이터와 관련된 메타 데이터의 소유자 항목에 포함된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다. 또한 서버(100)는 제2 메타 데이터의 학습 이력 항목에 포함된 하나 이상의 학습 데이터를 확인할 수 있다. 서버(100)는 하나 이상의 학습 데이터 각각에 대한 메타 데이터로부터 하나 이상의 학습 데이터 각각의 소유자를 확인할 수 있다. 또한 서버(100)는 확인된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다.
이와 같이 본 발명의 일 실시예에 따른 서버(100)는 인공 신경망 데이터와 관련된 수익 분배에 있어서, 인공 신경망의 소유자뿐만 아니라 인공 신경망의 학습에 사용된 데이터의 소유자까지 고려할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터에 대해 발생된 수익을 상술한 과정에 따라 결정된 유효 소유자에게 분배할 수 있다.
가령 제1 사용자가 제3 사용자의 학습 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.
이와 같은 예시에 있어서, 수익은 제1 사용자가 제3 사용자의 학습 데이터를 이용하여 인공 신경망을 학습시키고, 학습 된 인공 신경망을 이용한 서비스를 하나 이상의 제2 사용자에게 제공하고, 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생되는 것 일 수 있다.
상술한 예시에서, 본 발명의 일 실시예에 따른 서버(100)는 유효 소유자에 데이터 소유자인 제3 사용자를 추가하고, 제3 사용자에게 수익을 분배할 수 있다. 이는 제3 사용자가 복수인 경우도 마찬가지이다.
본 발명의 일 실시예에 따른 서버(100)는 기 설정된 수익 분배 규칙에 따라서 수익을 분배할 수 있다. 가령 서버(100)는 전체 수익에서 특정 비율만큼을 전체 유효 소유자에게 할당하고, 할당 된 수익 범위 내에서는 유효 소유자 들의 소유 비율에 따라 분배하는 규칙에 따라 수익을 분배할 수 있다.
한편 제1 사용자가 제3 사용자의 인공 신경망 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.
이와 같은 예시에 있어서, 수익은 제1 사용자가 제3 사용자의 인공 신경망 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공하고, 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생되는 것 일 수 있다.
상술한 예시에서, 본 발명의 일 실시예에 따른 서버(100)는 유효 소유자에 인공 신경망 데이터 소유자인 제3 사용자뿐만 아니라, 해당 인공 신경망의 학습에 사용된 학습 데이터의 소유자인 제4 사용자까지 추가하고, 제3 사용자 및 제4 사용자에게 수익을 분배할 수 있다. 이는 제3 사용자 및 제4 사용자 각각이 복수인 경우도 마찬가지이다.
본 발명의 일 실시예에 따른 서버(100)는 기 설정된 수익 분배 규칙에 따라서 수익을 분배할 수 있다.
도 22는 예시적인 수익 분배 규칙을 설명하기 위한 도면이다.
도 22에 도시된 바와 같이 서버(100)는 소유 항목 별 수익 분배 비율 및 데이터에 대한 지분 비율에 기초하여 수익 분배 비율을 결정할 수 있다. 가령 서버(100)는 인공 신경망 데이터에 대한 30%의 지분을 갖는 소유자 2에 대해서는 전체 수익의 18%를 갖는 것으로 결정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
도 23, 도 24 및 도 25는 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 수익 분배 방법을 설명하기 위한 흐름도이다. 이하에서는 도 22 내지 도 25를 함께 참조하여 설명한다.
본 발명의 일 실시예에 따른 서버(100)는 자산화 된 데이터에 대해 발생된 수익을 확인할 수 있다.(S2310) 이때 자산화 된 데이터는 소유권 정보를 포함하는 제1 메타 데이터가 생성된 제1 학습 데이터 및 소유권 정보를 포함하는 제2 메타 데이터가 생성된 제1 인공 신경망 데이터 중 어느 하나를 의미할 수 있다.
한편 본 발명에서 자산화된 데이터와 관련된 '수익'은 다양한 원인에 의해 발생될 수 있다. 가령 수익은 다른 사용자가 자산화된 데이터의 사용권을 구입함에 따라 발생될 수도 있고, 다른 사용자가 자산화된 데이터의 소유권의 적어도 일부를 구입함에 따라 발생될 수도 있다. 또한 수익은 자산화된 데이터에 기반한 서비스를 복수의 다른 사용자들에게 제공함으로 인해 발생될 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명에서 자산화된 데이터의 '사용권'과 '소유권'은 서로 구분되는 개념일 수 있다. 사용권은 자산화된 데이터가 타인에 의해 소유되고 있음을 전제로 해당 데이터를 자신의 서비스 등에 사용할 수 있는 권리를 의미할 수 있다. 한편 소유권은 자산화된 데이터를 전면적으로 지배할 수 있는 권리를 의미할 수 있다. 이와 같은 소유권은 상술한 사용권을 포함하는 개념일 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터와 관련된 적어도 하나의 소유자를 확인하고, 확인된 적어도 하나의 소유자 중 유효 소유자를 결정할 수 있다. (S2320)
가령 자산화된 데이터가 학습 데이터인 경우, 서버(100)는 학습 데이터와 관련된 메타 데이터의 소유자 항목에 포함된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다.
한편 자산화 된 데이터가 인공 신경망 데이터인 경우, 서버(100)는 인공 신경망 데이터와 관련된 메타 데이터의 소유자 항목에 포함된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다. 또한 서버(100)는 제2 메타 데이터의 학습 이력 항목에 포함된 하나 이상의 학습 데이터를 확인할 수 있다. 서버(100)는 하나 이상의 학습 데이터 각각에 대한 메타 데이터로부터 하나 이상의 학습 데이터 각각의 소유자를 확인할 수 있다. 또한 서버(100)는 확인된 소유자를 하나 이상의 유효 소유자에 추가할 수 있다.
이와 같이 본 발명의 일 실시예에 따른 서버(100)는 인공 신경망 데이터와 관련된 수익 분배에 있어서, 인공 신경망의 소유자뿐만 아니라 인공 신경망의 학습에 사용된 데이터의 소유자까지 고려할 수 있다.
본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터에 대해 발생된 수익을 상술한 과정에 따라 결정된 유효 소유자에게 분배할 수 있다. (S2330)
가령 제1 사용자가 제3 사용자의 학습 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.
이와 같은 예시에 있어서, 수익은 제1 사용자가 제3 사용자의 학습 데이터를 이용하여 인공 신경망을 학습시키고, 학습 된 인공 신경망을 이용한 서비스를 하나 이상의 제2 사용자에게 제공하고, 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생되는 것 일 수 있다.
상술한 예시에서, 본 발명의 일 실시예에 따른 서버(100)는 유효 소유자에 데이터 소유자인 제3 사용자를 추가하고, 제3 사용자에게 수익을 분배할 수 있다. 이는 제3 사용자가 복수인 경우도 마찬가지이다.
본 발명의 일 실시예에 따른 서버(100)는 기 설정된 수익 분배 규칙에 따라서 수익을 분배할 수 있다. 가령 서버(100)는 전체 수익에서 특정 비율만큼을 전체 유효 소유자에게 할당하고, 할당 된 수익 범위 내에서는 유효 소유자 들의 소유 비율에 따라 분배하는 규칙에 따라 수익을 분배할 수 있다.
한편 제1 사용자가 제3 사용자의 인공 신경망 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.
이와 같은 예시에 있어서, 수익은 제1 사용자가 제3 사용자의 인공 신경망 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공하고, 하나 이상의 제2 사용자에게 서비스 이용 요금을 과금함에 따라 발생되는 것 일 수 있다.
상술한 예시에서, 본 발명의 일 실시예에 따른 서버(100)는 유효 소유자에 인공 신경망 데이터 소유자인 제3 사용자뿐만 아니라, 해당 인공 신경망의 학습에 사용된 학습 데이터의 소유자인 제4 사용자까지 추가하고, 제3 사용자 및 제4 사용자에게 수익을 분배할 수 있다. 이는 제3 사용자 및 제4 사용자 각각이 복수인 경우도 마찬가지이다.
본 발명의 일 실시예에 따른 서버(100)는 기 설정된 수익 분배 규칙에 따라서 수익을 분배할 수 있다.
도 22는 예시적인 수익 분배 규칙을 설명하기 위한 도면이다.
도 22에 도시된 바와 같이 서버(100)는 소유 항목 별 수익 분배 비율 및 데이터에 대한 지분 비율에 기초하여 수익 분배 비율을 결정할 수 있다. 가령 서버(100)는 인공 신경망 데이터에 대한 30%의 지분을 갖는 소유자 2에 대해서는 전체 수익의 18%를 갖는 것으로 결정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 서버
110: 통신부
120: 제1 프로세서
130: 메모리
200: 사용자 단말
201, 202: 사용자 단말
300: 리소스 서버
300A, 300B, 300C: 리소스 서버
310A: 통신부
320A: 제2 프로세서
330A: 메모리
340A: 제3 프로세서
400: 통신망

Claims (7)

  1. 컴퓨팅 장치가 학습된 인공 신경망을 자산화 하는 방법에 있어서,
    제1 인공 신경망 데이터를 수신하는 단계로써, 상기 제1 인공 신경망 데이터는 소정의 학습 데이터에 기반한 제1 인공 신경망의 학습 결과를 반영하는 적어도 하나의 가중치를 포함하고; 및
    상기 제1 인공 신경망 데이터에 대한 제2 메타 데이터를 생성하는 단계로써, 상기 제2 메타 데이터는 상기 제1 인공 신경망의 학습에 사용된 학습 데이터 항목 및 소유자 항목을 포함하는;를 포함하는, 학습된 인공 신경망 자산화 방법.
  2. 청구항 1에 있어서
    상기 제2 메타 데이터를 생성하는 단계는
    상기 제1 인공 신경망의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가하는 단계;를 포함하는, 학습된 인공 신경망 자산화 방법.
  3. 청구항 1에 있어서
    상기 학습된 인공 신경망 자산화 방법은
    상기 제2 메타 데이터를 생성하는 단계 이후에,
    소정의 이벤트가 발생됨에 따라 상기 제2 메타 데이터를 수정하는 단계;를 더 포함하는, 학습된 인공 신경망 자산화 방법.
  4. 청구항 3에 있어서
    상기 제2 메타 데이터를 수정하는 단계는
    상기 제1 인공 신경망 데이터의 자산화를 요청한 제1 사용자로부터 상기 제1 인공 신경망 데이터의 소유권의 적어도 일부를 구매한 제2 사용자를 확인하는 단계; 및
    상기 제2 사용자가 구매한 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제2 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는;를 포함하는, 학습된 인공 신경망 자산화 방법.
  5. 청구항 3에 있어서
    상기 제2 메타 데이터를 수정하는 단계는
    학습과 관련된 적어도 하나의 요소를 변경하여 상기 제1 인공 신경망을 재학습한 제3 사용자를 확인하는 단계; 및
    기 정의된 규칙에 따라 상기 제3 사용자에게 부여되는 소유권의 비율을 참조하여 상기 소유자 항목에 상기 제3 사용자를 추가하는 단계로써, 상기 소유자 항목은 개별 소유자의 식별 정보 및 개별 소유자의 소유 비율을 포함하는;를 포함하는, 학습된 인공 신경망 자산화 방법.
  6. 청구항 5에 있어서
    상기 학습과 관련된 적어도 하나의 요소는
    제1 인공 신경망의 학습과 관련된 적어도 하나의 학습 파라미터 및 상기 제1 인공 신경망의 학습에 사용되는 학습 데이터 중 적어도 하나를 포함하는, 학습된 인공 신경망 자산화 방법.
  7. 청구항 5에 있어서
    상기 제2 메타 데이터를 수정하는 단계는
    상기 학습과 관련된 적어도 하나의 요소 중 학습에 사용되는 학습 데이터가 변경된 경우, 상기 변경에 따라 새롭게 사용된 학습 데이터 및 상기 제3 사용자의 식별 정보를 상기 제2 메타 데이터의 학습 이력 항목에 추가하는 단계;를 더 포함하는, 학습된 인공 신경망 자산화 방법.
KR1020210181697A 2021-12-17 2021-12-17 학습된 인공 신경망을 자산화 하는 방법 KR102488619B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210181697A KR102488619B1 (ko) 2021-12-17 2021-12-17 학습된 인공 신경망을 자산화 하는 방법
PCT/KR2021/020202 WO2023113090A1 (ko) 2021-12-17 2021-12-29 학습된 인공 신경망을 자산화 하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210181697A KR102488619B1 (ko) 2021-12-17 2021-12-17 학습된 인공 신경망을 자산화 하는 방법

Publications (1)

Publication Number Publication Date
KR102488619B1 true KR102488619B1 (ko) 2023-01-18

Family

ID=85106762

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210181697A KR102488619B1 (ko) 2021-12-17 2021-12-17 학습된 인공 신경망을 자산화 하는 방법

Country Status (2)

Country Link
KR (1) KR102488619B1 (ko)
WO (1) WO2023113090A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101985900B1 (ko) * 2017-12-05 2019-09-03 (주)아크릴 텍스트 콘텐츠 작성자의 메타정보를 추론하는 방법 및 컴퓨터 프로그램
KR20200023266A (ko) * 2017-03-17 2020-03-04 뉴럴라 인코포레이티드 심층 신경망 및 신경망 애플리케이션을 위한 데이터 스트림에 태그 지정 및 라벨링하기 위한 온라인의 점진적 실시간 학습
KR102086001B1 (ko) * 2019-05-15 2020-03-06 김보언 블록체인 기반의 저작물 유통 이력 정보 관리 시스템
KR20200080819A (ko) * 2018-12-27 2020-07-07 (주)아크릴 인공 신경망의 상용화 서비스 제공 방법
KR102211597B1 (ko) * 2020-05-22 2021-02-03 대영유비텍 주식회사 개인 데이터 거래 서비스 제공 시스템 및 방법
KR102310598B1 (ko) * 2021-05-14 2021-10-13 주식회사 인피닉 메타데이터를 이용한 인공지능 학습용 데이터 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023266A (ko) * 2017-03-17 2020-03-04 뉴럴라 인코포레이티드 심층 신경망 및 신경망 애플리케이션을 위한 데이터 스트림에 태그 지정 및 라벨링하기 위한 온라인의 점진적 실시간 학습
KR101985900B1 (ko) * 2017-12-05 2019-09-03 (주)아크릴 텍스트 콘텐츠 작성자의 메타정보를 추론하는 방법 및 컴퓨터 프로그램
KR20200080819A (ko) * 2018-12-27 2020-07-07 (주)아크릴 인공 신경망의 상용화 서비스 제공 방법
KR102086001B1 (ko) * 2019-05-15 2020-03-06 김보언 블록체인 기반의 저작물 유통 이력 정보 관리 시스템
KR102211597B1 (ko) * 2020-05-22 2021-02-03 대영유비텍 주식회사 개인 데이터 거래 서비스 제공 시스템 및 방법
KR102310598B1 (ko) * 2021-05-14 2021-10-13 주식회사 인피닉 메타데이터를 이용한 인공지능 학습용 데이터 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Also Published As

Publication number Publication date
WO2023113090A1 (ko) 2023-06-22

Similar Documents

Publication Publication Date Title
US11238339B2 (en) Predictive neural network with sentiment data
JP7083375B2 (ja) 個人化コンテンツ推薦のためのリアルタイムグラフに基づく埋め込み構築方法およびシステム
US11496485B2 (en) Task completion using a blockchain network
AU2020207841A1 (en) Utilizing a machine learning model and blockchain technology to manage collateral
KR20210018384A (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
US11184402B2 (en) Resource access policy enforcement using a hypergraph
KR102376652B1 (ko) Ai를 활용한 상품 데이터 실시간 분석 및 상품 정보를 업데이트하기 위한 방법 및 시스템
CN107545018A (zh) 在基于反馈的系统效能确定中的时延降低
CN113342418A (zh) 基于区块链的分布式机器学习任务卸载方法
Obweger et al. Similarity searching in sequences of complex events
KR102488619B1 (ko) 학습된 인공 신경망을 자산화 하는 방법
KR102488620B1 (ko) 자산화 된 학습 데이터 및 자산화 된 인공 신경망 데이터와 관련된 수익을 분배하는 방법
KR102488618B1 (ko) 인공 신경망의 학습을 위한 학습 데이터를 자산화 하는 방법
CN109741141A (zh) 配置工业模型运行环境的方法及工业模型运行环境配置器
KR20200080813A (ko) 인공 신경망 학습 방법
Kwak A study on the evolution of post-smartphone technologies in the 5G technology environment
CN115422467A (zh) 用于转化评估的方法、装置、设备和存储介质
KR20230097676A (ko) 골프 콘텐츠에 대한 nft 토큰을 생성하기 위한 방법 및 이를 지원하는 장치
CN114742163A (zh) 一种售后任务的审核方法及装置
KR102717840B1 (ko) 리소스 크기 추천 방법
CN114880565B (zh) 一种信息推荐的方法、模型训练的方法以及相关装置
KR102632607B1 (ko) 서비스 생성 방법
US11687328B2 (en) Method and system for software enhancement and management
KR102710269B1 (ko) 프로토타입의 구성 요소 창작에 대한 기여도 평가 방법 및 그 시스템
KR20230153097A (ko) 리소스 크기 추전 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant