KR102488620B1

KR102488620B1 - Method for distributing revenue related to assetized training data and assetized artificial neural network data

Info

Publication number: KR102488620B1
Application number: KR1020210181698A
Authority: KR
Inventors: 오세진
Original assignee: 주식회사 텐
Priority date: 2021-12-17
Filing date: 2021-12-17
Publication date: 2023-01-18
Also published as: WO2023113091A1; KR20230092691A

Abstract

The present invention relates to a method for distributing profits related to capitalized training data and capitalized artificial neural network data, which implements transaction of capitalized data. According to one embodiment of the present invention, the method comprises the steps of: checking revenue generated from capitalized data, wherein the capitalized data is any one of first learning data from which first metadata including ownership information is generated and first artificial neural network data from which second metadata including ownership information is generated; identifying at least one owner associated with the capitalized data and determining one or more effective owners from the at least one owner; and distributing profits to the effective owners.

Description

Method for distributing revenue related to assetized training data and assetized artificial neural network data}

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.Embodiments of the present invention relate to learning data for learning an artificial neural network and a method of capitalizing the learned artificial neural network. Embodiments of the present invention also relate to a method of distributing revenue related to capitalized data.

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.With the development of information and communication technology, artificial intelligence technology is being introduced to many applications. For example, conventionally, when generating voice from text, voice was generated based on rules, but recently, voice has been generated from text using a learned artificial neural network.

이와 같은 인공 신경망을 이용하기 위해서는 이용 목적에 맞는 학습 데이터와 학습 데이터를 이용한 학습 과정이 필요하다. In order to use such an artificial neural network, learning data suitable for the purpose of use and a learning process using the learning data are required.

한편 인공 신경망의 높은 성능을 이끌어내기 위해서는 높은 품질의 학습 데이터와, 인공 신경망의 학습 노하우가 필요하다. On the other hand, in order to derive high performance of artificial neural networks, high-quality learning data and learning know-how of artificial neural networks are required.

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.An artificial neural network with high accuracy cannot be generated from low-quality training data, and even if the quality of data is high, an artificial neural network with high accuracy cannot be generated without proper learning know-how of the user.

이와 같은 실정에 따라 학습 데이터와 학습 된 인공 신경망 데이터를 거래하고자 하는 움직임이 증가하고 있다. In accordance with this situation, there is an increasing movement to trade learning data and learned artificial neural network data.

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.However, both data correspond to new objects that did not exist before, so it is difficult to determine in what form the data can be traded, how far the boundary of the data to be traded is, and how to process the revenue generated from the data. There are no clear guidelines.

본 발명은 인공 신경망의 학습을 위한 학습 데이터를 자산화 하는 방법을 제공하고자 한다.The present invention is intended to provide a method of assetizing learning data for learning of an artificial neural network.

또한 본 발명은 학습된 인공 신경망을 자산화 하는 방법을 제공하고자 한다.In addition, the present invention is to provide a method of capitalizing the learned artificial neural network.

또한 본 발명은 자산화된 데이터와 관련된 수익을 분배하는 방법을 제공하고자 한다.In addition, the present invention is to provide a method of distributing revenue related to assetized data.

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.A method of assetizing learning data for learning an artificial neural network by a computing device according to an embodiment of the present invention includes the step of checking first learning data and a first tag for the first learning data, The first tag is a mark learned to correspond to the first training data in learning of the artificial neural network using the first training data; and generating first meta data for the first learning data, wherein the first meta data may include an owner item of the first learning data.

상기 제1 메타 데이터를 생성하는 단계는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가하는 단계;를 포함할 수 있다.The generating of the first meta data may include adding a first user requesting assetization of the first learning data to the owner item.

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.The learning data assetization method according to an embodiment of the present invention includes, after the checking step, generating tag data including the first tag, and generating the first meta data includes the tag data. including a data storage path in the first meta data; and including a storage path of the first learning data in the first metadata.

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.The learning data assetization method according to an embodiment of the present invention may further include, after generating the first meta data, modifying the first meta data according to occurrence of a predetermined event.

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; 및The modifying of the first metadata may include identifying a second user who has purchased at least a part of ownership of the first learning data from a first user who has requested assetization of the first learning data; and

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.Adding the second user to the owner item by referring to the percentage of ownership purchased by the second user, wherein the owner item includes identification information of individual owners and ownership percentages of individual owners; there is.

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.The modifying of the first meta data may include identifying a third user who has modified the first training data; Adding the third user to the owner item by referring to the percentage of ownership granted to the third user according to a predefined rule, wherein the owner item includes identification information of individual owners and ownership percentages of individual owners. doing; and adding identification information and modification time of a third user to a modification history item included in the first meta data.

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.In the step of modifying the first meta data, when one of the first user and the fourth user who requested assetization of the first learning data sets a data set to which the first learning data belongs, the name of the set data set is changed to the above. Adding to the data set name item of the first meta data; may include.

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.An apparatus for capitalizing learning data for learning an artificial neural network according to an embodiment of the present invention checks first learning data and a first tag for the first learning data, and the first tag is In the learning of the artificial neural network using the first training data, a mark learned to correspond to the first training data, first meta data for the first training data is generated, and the first meta data is the first training data. 1 Can include owner of learning data.

상기 장치는 상기 제1 학습 데이터의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가할 수 있다.The device may add a first user requesting assetization of the first learning data to the owner item.

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.The device may generate tag data including the first tag, include a storage path of the tag data in the first meta data, and include a storage path of the first training data in the first meta data. there is.

상기 장치는 소정의 이벤트가 발생됨에 따라 상기 제1 메타 데이터를 수정할 수 있다.The device may modify the first meta data when a predetermined event occurs.

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.The device identifies a second user who has purchased at least a part of the ownership of the first learning data from the first user who has requested assetization of the first learning data, and refers to the ratio of the ownership purchased by the second user to determine the ownership. The second user is added to an owner item, and the owner item may include identification information of each owner and an ownership rate of each owner.

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,The device identifies a third user who has modified the first learning data, adds the third user to the owner item with reference to the percentage of ownership granted to the third user according to a predefined rule, and The owner item includes the identification information of each owner and the ownership rate of each owner,

상기 제1 메타 데이터에 포함되는 수정 이력 항목에 제3 사용자의 식별 정보 및 수정 시점을 추가할 수 있다.The third user's identification information and modification time may be added to the modification history item included in the first meta data.

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.When either the first user or the fourth user requesting assetization of the first learning data sets a data set to which the first learning data belongs, the device sets the name of the set data set to the data set of the first metadata. You can add it to the name field.

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.A method for assetizing a learned artificial neural network by a computing device according to an embodiment of the present invention includes receiving first artificial neural network data, wherein the first artificial neural network data reflects at least a learning result of the first artificial neural network. contains one weight; and generating second meta data for the first artificial neural network data, wherein the second meta data may include a learning data item used for learning of the first artificial neural network and an owner item.

상기 제2 메타 데이터를 생성하는 단계는 상기 제1 인공 신경망의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가하는 단계;를 포함할 수 있다.The generating of the second metadata may include adding a first user requesting assetization of the first artificial neural network to the owner item.

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.The learned artificial neural network assetization method may further include, after generating the second meta data, modifying the second meta data according to occurrence of a predetermined event.

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.The modifying of the second metadata may include identifying a second user who has purchased at least a part of ownership of the first artificial neural network data from a first user who has requested assetization of the first artificial neural network data; and adding the second user to the owner item by referring to the percentage of ownership purchased by the second user, wherein the owner item includes identification information of individual owners and ownership percentages of individual owners. can

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.The modifying of the second metadata may include identifying a third user who has relearned the first artificial neural network by changing at least one element related to learning; and adding the third user to the owner item by referring to the percentage of ownership granted to the third user according to a predefined rule, wherein the owner item includes identification information of individual owners and ownership percentages of individual owners. Including; may include.

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.At least one element related to the learning may include at least one of at least one learning parameter related to learning of the first artificial neural network and learning data used for learning of the first artificial neural network.

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.In the step of modifying the second metadata, when learning data used for learning among at least one element related to learning is changed, newly used learning data and identification information of the third user according to the change are converted into the second meta data. Adding to the learning history item of the meta data; may further include.

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.An apparatus for capitalizing a learned artificial neural network according to an embodiment of the present invention receives first artificial neural network data, and the first artificial neural network data includes at least one weight that reflects a learning result of the first artificial neural network. and generate second metadata for the first artificial neural network data, and the second metadata may include a learning data item used for learning of the first artificial neural network and an owner item.

상기 장치는, 상기 제1 인공 신경망의 자산화를 요청한 제1 사용자를 상기 소유자 항목에 추가할수 있다.The device may add a first user requesting assetization of the first artificial neural network to the owner item.

상기 장치는, 소정의 이벤트가 발생됨에 따라 상기 제2 메타 데이터를 수정할 수 있다.The device may modify the second meta data when a predetermined event occurs.

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.The device identifies a second user who has purchased at least a part of the ownership of the first artificial neural network data from the first user who has requested assetization of the first artificial neural network data, and determines the percentage of ownership purchased by the second user. The second user may be added to the owner item with reference to the owner item, and the owner item may include identification information of each owner and an ownership rate of each owner.

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.The device identifies a third user who has relearned the first artificial neural network by changing at least one factor related to learning, and refers to a ratio of ownership granted to the third user according to a predefined rule to determine the third user. The third user is added to an owner item, and the owner item may include identification information of each owner and an ownership rate of each owner.

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.When learning data used for learning among at least one element related to learning is changed, the device converts the newly used learning data and identification information of the third user according to the change to the learning history item of the second metadata. can be added to

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.A method for distributing revenue related to assetized learning data and assetized artificial neural network data by a computing device according to an embodiment of the present invention is the step of confirming the revenue generated for the assetized data, wherein the assetized data is owned one of first learning data for which first meta data including information is generated and first artificial neural network data for which second meta data including ownership information is generated; identifying at least one owner associated with the capitalized data and determining one or more effective owners from the at least one owner; and distributing the revenue to the effective owners.

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.When the assetized data is the first learning data, the determining of the one or more effective owners may include adding an owner included in the owner item of the first meta data to the one or more effective owners. can

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.When the assetized data is the first artificial neural network data, the checking of the at least one owner may include adding an owner included in an owner item of the second meta data to the at least one effective owner; checking one or more learning data included in the learning history item of the second meta data; and identifying an owner of each of the one or more learning data from metadata for each of the one or more learning data, and adding the identified owner to the one or more effective owners.

상기 수익은 제1 사용자가 상기 자산화 된 데이터의 사용 권한을 구입함에 따라 발생될 수 있다.The revenue may be generated when the first user purchases the right to use the assetized data.

상기 수익은 제1 사용자가 상기 자산화 된 데이터의 소유권의 적어도 일부를 구입함에 따라 발생될 수 있다.The revenue may be generated when the first user purchases at least a part of ownership of the capitalized data.

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.The method for distributing revenue generated from assetized data according to an embodiment of the present invention may further include, after the distributing step, updating the owner item of metadata for the assetized data.

상기 수익은 제1 사용자가 상기 자산화 된 데이터에 기반한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 발생될 수 있다.The revenue may be generated when the first user provides a service based on the capitalized data to one or more second users.

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.When the assetized data is the first learning data, the revenue is used to provide a service using an artificial neural network learned based on the first learning data to the one or more second users, and to provide the service to the one or more second users. It may occur as a result of charging a usage fee.

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.If the assetized data is the first artificial neural network data, the revenue is to provide a service using the first artificial neural network data to the one or more second users, and to charge service usage fees to the one or more second users may occur accordingly.

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.An apparatus for distributing revenue related to assetized learning data and assetized artificial neural network data according to an embodiment of the present invention checks the revenue generated for the assetized data, and the assetized data includes ownership information 1 any one of first learning data for which metadata is generated and first artificial neural network data for which second metadata including ownership information is generated; At least one owner associated with the capitalized data may be identified, one or more effective owners may be determined from the at least one owner, and the revenue may be distributed to the effective owners.

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.If the assetized data is the first learning data, the device may add an owner included in the owner item of the first meta data to the one or more effective owners.

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.If the assetized data is the first artificial neural network data, the device adds an owner included in the owner item of the second meta data to the one or more effective owners, and includes it in the learning history item of the second meta data. It is possible to check the one or more learning data that has been created, identify an owner of each of the one or more learning data from metadata for each of the one or more learning data, and add the identified owner to the one or more effective owners.

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.The revenue may be generated when the first user purchases at least a part of ownership of the capitalized data. The device may update the owner item of meta data for assetized data.

본 발명에 따르면 인공 신경망의 학습을 위한 학습 데이터와 학습된 인공 신경망 데이터를 자산화 할 수 있다.According to the present invention, learning data for learning artificial neural networks and learned artificial neural network data can be capitalized.

본 발명에 따르면 자산화된 데이터를 거래할 수 있다.According to the present invention, assetized data can be traded.

또한 본 발명에 따르면 자산화된 데이터와 관련된 수익을 분배할 수 있다.In addition, according to the present invention, it is possible to distribute profits related to assetized data.

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.1 is a diagram schematically showing the configuration of a system for managing assetized data according to an embodiment of the present invention.
2 is a diagram schematically illustrating the configuration of a resource server 300A according to an embodiment of the present invention.
Figure 3 is a diagram schematically showing the configuration of the server 100 according to an embodiment of the present invention.
4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network.
6 is a diagram illustrating an exemplary configuration of assetized learning data 500 .
7 is a diagram showing a specific example of assetized learning data 500A.
8 is a diagram illustrating contents of exemplary meta data 520A.
9 is a diagram showing the configuration of an exemplary tag data 620A.
10 is a diagram illustrating the configuration of an example data set 600.
11, 12 and 13 are flowcharts for explaining a process of generating assetized learning data and/or data sets as described in FIGS. 6 to 10 by the server 100 according to an embodiment of the present invention. .
14 is a diagram illustrating an exemplary configuration of assetized artificial neural network data 700 .
15 is a diagram showing a specific example of assetized artificial neural network data 700A.
16 is a diagram illustrating contents of exemplary meta data 720A.
17, 18 and 19 are flowcharts for explaining a process of generating assetized artificial neural network data as described in FIGS. 14 to 16 by the server 100 according to an embodiment of the present invention.
20 is a diagram illustrating a data set 800 that is an exemplary transactional unit of learning data in a system according to an embodiment of the present invention.
21 is a diagram illustrating a data set 900 that is an exemplary transactional unit of artificial neural network data in a system according to an embodiment of the present invention.
22 is a diagram for explaining exemplary revenue distribution rules.
23, 24 and 25 are flowcharts for explaining a revenue distribution method performed by the server 100 according to an embodiment of the present invention.

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. Since the present invention can apply various transformations and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. Effects and features of the present invention, and methods for achieving them will become clear with reference to the embodiments described later in detail together with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms.

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.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, and when describing with reference to the drawings, the same or corresponding components are assigned the same reference numerals, and overlapping descriptions thereof will be omitted. .

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. In the following embodiments, terms such as first and second are used for the purpose of distinguishing one component from another component without limiting meaning. In the following examples, expressions in the singular number include plural expressions unless the context clearly dictates otherwise. In the following embodiments, terms such as include or have mean that features or components described in the specification exist, and do not preclude the possibility that one or more other features or components may be added. In the drawings, the size of components may be exaggerated or reduced for convenience of description. For example, since the size and shape of each component shown in the drawings are arbitrarily shown for convenience of description, the present invention is not necessarily limited to those shown.

도 1은 본 발명의 일 실시예에 따른 자산화된 데이터를 관리하는 시스템의 구성을 개략적으로 도시한 도면이다.1 is a diagram schematically showing the configuration of a system for managing assetized data according to an embodiment of the present invention.

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.Referring to Figure 1, a system for managing assetized data according to an embodiment of the present invention may include a server 100, a user terminal 200, a resource server 300 and a communication network 400.

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.A system for managing assetized data according to an embodiment of the present invention may capitalize learning data for learning of an artificial neural network. In addition, the system for managing assetized data according to an embodiment of the present invention may capitalize learned artificial neural network data. In addition, the system for managing assetized data according to an embodiment of the present invention can provide a service for trading assetized data between users and distribute profits generated therefrom.

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.In the present invention, 'assetization' may mean standardizing a target object so that it can be an independent transaction target. For example, assetization of data may mean collecting information related to data, such as the owner, storage path, data size, etc., and mapping them to data so that the data can be a target of transaction. However, such a process is exemplary and the spirit of the present invention is not limited thereto.

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.In the present invention, 'assetized data' may be a concept encompassing assetized learning data and assetized artificial neural network data. In this case, 'assetized learning data' is data for learning of the artificial neural network, and may mean standardized data according to a predetermined process. In addition, 'assetized artificial neural network data' is data reflecting the learning result of the learned artificial neural network, and may mean standardized data according to a predetermined process. A detailed description of the assetized learning data and the assetized artificial neural network data will be described later.

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.In the present invention, the 'artificial neural network' is created by the server 100 and/or the resource server 300 for a predetermined purpose, and means learned by machine learning or deep learning techniques. can do. The structure of such a neural network will be described later with reference to FIGS. 4 and 5 .

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. The user terminal 200 according to an embodiment of the present invention may refer to various types of devices that mediate the user and the server 100 so that the user can use various services provided by the server 100 .

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. In one embodiment of the present invention, the user terminal 200 transmits the data that the user wants to capitalize to the server 100 so that the data can be capitalized. In addition, the user terminal 200 may provide the user with an interface for the user to sell his/her own data to other users or to purchase data from other users in the assetized data trading platform provided by the server 100 . However, this is illustrative and the spirit of the present invention is not limited thereto.

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. Meanwhile, such a user terminal 200 may mean a portable terminal 201 or a computer 202 as shown in FIG. 1 .

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. The user terminal 200 according to an embodiment of the present invention may include a display means for displaying content and an input means for acquiring a user's input for such content in order to perform the above-described functions. At this time, the input means and the display means may be configured in various ways. For example, the input means may include, but is not limited to, a keyboard, a mouse, a trackball, a microphone, a button, a touch panel, and the like.

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.The resource server 300 according to an embodiment of the present invention may mean a device that performs a predetermined operation or provides a service using resources under the control of the server 100 . For example, the resource server 100 uses specific learning data and specific artificial neural network data according to the request of the server 100 to perform calculations according to learning of the artificial neural network and/or calculations according to the process of generating an output result from the learned artificial neural network. can be performed. However, this is illustrative and the spirit of the present invention is not limited thereto. Such a resource server 300 may be plural as shown in FIG. 1 .

도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.2 is a diagram schematically illustrating the configuration of a resource server 300A according to an embodiment of the present invention.

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.Referring to FIG. 2 , a resource server 300A according to an embodiment of the present invention may include a communication unit 310A, a second processor 320A, a memory 330A, and a third processor 340A.

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. The communication unit 310A may be a device including hardware and software necessary for the resource server 300A to transmit/receive a signal such as a control signal or a data signal to and from another network device such as the server 100 through a wired or wireless connection.

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.The second processor 320A may be a device that controls the third processor 340A according to a request received from the server 100 . For example, the second processor 320A may be a device that controls the third processor 340A according to an execution request of a process that provides a predetermined output using the learned artificial neural network.

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.In this case, the processor may mean, for example, a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program. As an example of such a data processing device built into the hardware, a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated (ASIC) Circuit) and FPGA (Field Programmable Gate Array), but the scope of the present invention is not limited thereto.

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.The memory 330A temporarily or permanently stores data processed by the resource server 300A. The memory may include magnetic storage media or flash storage media, but the scope of the present invention is not limited thereto. For example, the memory 330A may temporarily and/or permanently store data constituting the learned artificial neural network (eg, coefficients). Of course, the memory 330A may also store learning data (received from the server 100) for learning the artificial neural network. However, this is illustrative and the spirit of the present invention is not limited thereto.

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.The third processor 340A may refer to a device that performs an operation under the control of the aforementioned second processor 320A. In this case, the third processor 340A may be a device having higher computational power than the aforementioned second processor 320A. For example, the third processor 340A may be configured as a graphics processing unit (GPU). However, this is an example and the spirit of the present invention is not limited thereto.

본 발명의 일 실시예에서, 제3 프로세서(340A)는 복수일 수도 있고, 도 2에 도시된 바와 같이 단수일 수도 있다.In one embodiment of the present invention, the third processor 340A may be plural or singular as shown in FIG. 2 .

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.Although only the configuration of the resource server 300A is illustratively described in FIG. 2 , since the other resource servers may have the same or corresponding structure, a detailed description of the other resource servers will be omitted.

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.In one embodiment of the present invention, each of the resource servers 300A, 300B, and 300C may have different available resources. At this time, different available resources may be due to different hardware specifications or may be due to the number of processes currently being executed (executed). However, this is illustrative and the spirit of the present invention is not limited thereto.

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.The communication network 400 according to an embodiment of the present invention may refer to a communication network that mediates data transmission and reception between each component of a system for managing assetized data. For example, the communication network 400 may be a wired network such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), ISDNs (Integrated Service Digital Networks), wireless LANs, CDMA, Bluetooth, satellite communication, etc. However, the scope of the present invention is not limited thereto.

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. The server 100 according to an embodiment of the present invention may capitalize learning data for learning an artificial neural network and learned artificial neural network data. In addition, the server 100 may provide a service for trading assetized data between users and distribute revenue generated therefrom.

도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.Figure 3 is a diagram schematically showing the configuration of the server 100 according to an embodiment of the present invention.

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. Referring to FIG. 3 , a server 100 according to an embodiment of the present invention may include a communication unit 110 , a first processor 120 and a memory 130 . Also, although not shown in the drawings, the server 100 according to the present embodiment may further include an input/output unit, a program storage unit, and the like.

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. The communication unit 110 includes hardware and software necessary for the server 100 to transmit/receive signals such as control signals or data signals with other network devices such as the user terminal 200 and/or the resource server 300 through wired or wireless connections. It may be a device that includes

제1 프로세서(120)는 데이터의 자산화 및/또는 데이터의 거래에 따라 서버(100) 및/또는 리소스 서버(300)를 제어하는 수단을 의미할 수 있다.The first processor 120 may mean a means for controlling the server 100 and/or the resource server 300 according to data assetization and/or data transaction.

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.The first processor 120 may refer to a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program, for example. As an example of such a data processing device built into the hardware, a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated (ASIC) Circuit) and FPGA (Field Programmable Gate Array), but the scope of the present invention is not limited thereto.

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.The memory 130 performs a function of temporarily or permanently storing data processed by the server 100 . The memory 130 may include magnetic storage media or flash storage media, but the scope of the present invention is not limited thereto. For example, the memory 130 may temporarily and/or permanently store assetized data. However, this is illustrative and the spirit of the present invention is not limited thereto.

본 발명에서 서버(100)는 때때로 컴퓨팅 장치, 자산화된 데이터 관리 장치로 명명되어 설명될 수 있다.In the present invention, the server 100 may sometimes be named and described as a computing device or an assetized data management device.

도 4 및 도 5는 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network.

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.An artificial neural network according to an embodiment of the present invention may be an artificial neural network based on a Convolutional Neural Network (CNN) model as shown in FIG. 4 . In this case, the CNN model may be a hierarchical model used to finally extract features of input data by alternately performing a plurality of operation layers (Convolutional Layer, Pooling Layer). At this time, the server 100 according to an embodiment of the present invention may build or learn an artificial neural network model by processing learning data according to a supervised learning technique.

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. The server 100 according to an embodiment of the present invention generates a convolution layer for extracting feature values of input data and a pooling layer constituting a feature map by combining the extracted feature values. can do.

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. In addition, the server 100 according to an embodiment of the present invention combines the generated feature maps to generate a fully connected layer preparing to determine a probability that input data corresponds to each of a plurality of items. can

마지막으로 서버(100)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.Finally, the server 100 may calculate an output layer including an output corresponding to the input data.

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.In the example shown in FIG. 4, it is shown that input data is divided into 5X7 blocks, 5X3 unit blocks are used to create a convolution layer, and 1X4 or 1X2 unit blocks are used to create a pooling layer. However, this is an example and the spirit of the present invention is not limited thereto.

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. The split size of the input data, the size of unit blocks used in the convolution layer, the number of pooling layers, and the size of unit blocks in the pooling layer may be items included in a parameter set representing learning conditions of an artificial neural network. In other words, the parameter set may include parameters (ie structure parameters) for determining the above items.

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.Therefore, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and thus the learning result may be different even if the same training data is used.

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.On the other hand, such an artificial neural network includes a coefficient of at least one node constituting the artificial neural network in the memory 330A of the aforementioned resource server 300A, a weight of the node, and a function defining a relationship between a plurality of layers constituting the artificial neural network. It can be stored in the form of coefficients. Of course, the structure of the artificial neural network may also be stored in the form of source codes and/or programs in the memory 330A.

본 발명의 일 실시예에 따른 인공 신경망은 도 5에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.An artificial neural network according to an embodiment of the present invention may be an artificial neural network based on a Recurrent Neural Network (RNN) model as shown in FIG. 5 .

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.Referring to FIG. 5 , an artificial neural network according to such a recurrent neural network (RNN) model includes an input layer L1 including at least one input node N1 and a hidden layer L2 including a plurality of hidden nodes N2. ) and an output layer L3 including at least one output node N3.

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.As shown, the hidden layer L2 may include one or more fully connected layers. When the hidden layer L2 includes a plurality of layers, the artificial neural network may include a function (not shown) defining a relationship between each hidden layer.

각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.A value included in each node of each layer may be a vector. In addition, each node may include a weight corresponding to the importance of the corresponding node.

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. Meanwhile, the artificial neural network includes a first function F1 defining the relationship between the input layer L1 and the hidden layer L2 and a second function F2 defining the relationship between the hidden layer L2 and the output layer L3. can include

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.The first function F1 may define a connection relationship between the input node N1 included in the input layer L1 and the hidden node N2 included in the hidden layer L2. Similarly, the second function F2 may define a connection relationship between the hidden node N2 included in the hidden layer L2 and the output node N3 included in the output layer L3.

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.Functions between the first function F1, the second function F2, and the hidden layer may include a recurrent neural network model that outputs a result based on an input of a previous node.

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.In the course of learning the artificial neural network by the resource server 300, the first function F1 and the second function F2 may be learned based on a plurality of learning data. Of course, in the process of learning the artificial neural network, functions between the plurality of hidden layers may also be learned in addition to the first function F1 and the second function F2 described above.

본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다. An artificial neural network according to an embodiment of the present invention may be learned in a supervised learning method based on labeled learning data.

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. The server 100 according to an embodiment of the present invention uses a plurality of learning data and inputs any one of the input data to the artificial neural network so that the generated output value approaches the value marked in the corresponding training data. The artificial neural network can be trained by repeatedly performing a process of updating F1, F2, functions between hidden layers, etc.

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.At this time, the server 100 according to an embodiment of the present invention may update the aforementioned functions (F1, F2, functions between hidden layers, etc.) according to a back propagation algorithm. However, this is an example and the spirit of the present invention is not limited thereto.

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.Meanwhile, in the case of an artificial neural network based on a recurrent neural network model, a parameter set (particularly, a structure parameter set) may include the number of hidden layers and the number of input nodes. Therefore, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and thus the learning result may be different even if the same training data is used.

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. The type and/or structure of the artificial neural network described in FIGS. 4 and 5 is exemplary, and the spirit of the present invention is not limited thereto. Accordingly, artificial neural networks of various types of models may correspond to 'artificial neural networks' described throughout the specification.

이하에서는 서버(100)가 데이터를 자산화 하는 과정을 먼저 설명하고, 자산화된 데이터로부터 발생된 수익을 분배하는 과정을 나중에 설명한다.Hereinafter, a process of the server 100 capitalizing data will be first described, and a process of distributing revenue generated from the capitalized data will be described later.

서버(100)가 학습 데이터를 자산화 하는 과정The process of the server 100 capitalizing learning data

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.The server 100 according to an embodiment of the present invention may capitalize learning data used for learning of an artificial neural network. As described above, in the present invention, 'capitalization' may mean standardizing a target object (eg, data) so that it can be a subject of independent transaction. Accordingly, a process of standardizing learning data used for learning of an artificial neural network will be described in detail below.

도 6은 자산화된 학습 데이터(500)의 예시적인 구성을 도시한 도면이다.6 is a diagram illustrating an exemplary configuration of assetized learning data 500 .

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.As shown in FIG. 6, the assetized learning data 500 may include learning data 510, a tag 530 for the learning data 510, and metadata 520 for the learning data 510. . In this case, the learning data 510 and the tag 530 are data directly used for learning of the artificial neural network, and the tag 530 may be a mark learned to correspond to the learning data 510 during learning of the artificial neural network. .

도 7은 자산화된 학습 데이터(500A)의 구체적 예시를 도시한 도면이다. 도 8은 예시적인 메타 데이터(520A)의 내용을 도시한 도면이다.7 is a diagram showing a specific example of assetized learning data 500A. 8 is a diagram illustrating contents of exemplary meta data 520A.

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. As shown in FIG. 7, the assetized learning data 500A may include learning data 510A, a tag 530A for the learning data 510A, and metadata 520A for the learning data 510A. .

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. In this case, the learning data 510A and the tag 530A may be data directly used for learning of the artificial neural network. For example, as shown in FIG. 7 , the learning data 510A may be a butterfly image, and the tag 530A may be a “butterfly” that is a mark describing the butterfly image, which is the learning data 510A.

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.Meanwhile, the meta data 520A may be data including a plurality of items related to assetization of the learning data 510A, as shown in FIG. 8 . For example, the metadata 520A includes a storage location item 526A of the training data 510A, a name item 525A of a data set to which the training data 510A belongs, a name item 524A of a file in which a tag 530A is stored, Owner items 521A, 522A, 523A and modification history items 527A may be included. However, the content of the meta data 520A is exemplary, and some items may be omitted/added from the meta data 520A.

도 9는 예시적인 태그 데이터(620A)의 구성을 도시한 도면이다. 도 10은 예시적인 데이터 세트(600)의 구성을 도시한 도면이다.9 is a diagram showing the configuration of an exemplary tag data 620A. 10 is a diagram illustrating the configuration of an example data set 600.

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.In the present invention, a 'data set' may mean a data set including at least one piece of data. For example, the data set may refer to a set of data including one or more assetized learning data (eg, described in FIG. 6 ).

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.The data set 600 according to an embodiment of the present invention may include one or more training data-meta data sets 610A, 610B, and 610C and tag data 620 including tags for training data. In this case, the learning data-meta data sets 610A, 610B, and 610C may refer to data associated with respective learning data and meta data for the corresponding learning data.

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.Meanwhile, the tag data 620 may be data obtained by collecting only tags of learning data included in the training data-meta data sets 610A, 610B, and 610C. For example, as shown in FIG. 9 , the tag data 620A may be data obtained by collecting only the tag 530A from the assetized learning data 500A of FIG. 7 . Of course, the tag data 620A may further include tags collected from other assetized learning data.

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.According to FIG. 10 , the data set 600 may include one or more pieces of training data, meta data for each of the one or more pieces of training data, and tag data obtained by collecting tags of one or more pieces of the pieces of training data. However, such a configuration is exemplary and the spirit of the present invention is not limited thereto, and some components constituting the data set 600 may be merged and configured, or a specific item may be divided and configured.

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.In an optional embodiment of the present invention, meta data for individual learning data may include a tag included in tag data as one item. In this case, the data set 600 may not include separate tag data 620A.

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.11, 12 and 13 are flowcharts for explaining a process of generating assetized learning data and/or data sets as described in FIGS. 6 to 10 by the server 100 according to an embodiment of the present invention. . Hereinafter, it will be described with reference to FIGS. 11 to 13 together.

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.The server 100 according to an embodiment of the present invention may check the first learning data and a first tag for the first learning data (S1110). At this time, the first tag is artificial using the first learning data. In the learning of the neural network, it may be a mark learned to correspond to the first learning data.

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.For example, the server 100 according to an embodiment of the present invention may check the learning data 510A and the tag 530A in order to generate assetized learning data 500A as shown in FIG. 7 . For example, the server 100 may check the learning data 510A and the tag 530A from the data received from the user terminal 200, and the server 100 may check the control signal received from the user terminal 200. The learning data 510A and the tag 530A may be identified from data stored in the memory 130 . In addition, the server 100 may check the learning data 510A and the tag 530A existing in the corresponding path by using the connection path of the external device received from the user terminal 200 . However, this is illustrative and the spirit of the present invention is not limited thereto.

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.The server 100 according to an embodiment of the present invention may generate tag data including the first tag identified in step S1110 (S1120). You can create tag data that includes tags.

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.The server 100 according to an embodiment of the present invention may generate first meta data for the first learning data identified in step S1110 (S1130). For example, the server 100 may generate the meta data shown in FIG. As in 520A, first meta data including an owner item of the first learning data may be generated.

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.In an optional embodiment of the present invention, the server 100 may first perform step S1130 and perform step S1120 later. Also, the server 100 may simultaneously (parallel) perform steps S1120 and S1130.

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.Looking at the process of the server 100 performing step S1130 in more detail, the server 100 according to an embodiment of the present invention adds the first user who requested assetization of the first learning data to the owner item of the first metadata. can do. For example, like the owner item 521A of FIG. 8 , the server 100 may record in version 1 of the owner item of the first meta data that the first user has all ownership of the first learning data for the reason of data creation. . At this time, the server 100 may also record information about the change time.

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. Meanwhile, the server 100 according to an embodiment of the present invention may include the storage path of the tag data generated in step S1120 in the first metadata. For example, the server 100 may add the storage path of the tag data to the tagging information file name item of the first meta data.

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.In addition, the server 100 may also include the storage path of the first learning data in the first metadata. For example, the server 100 may add the storage path of the first learning data to the storage location item of the first meta data.

이와 같이 본 발명은 개별 학습 데이터에 대한 메타 데이터를 생성하여 관리함으로써 제1 사용자가 업로드하거나 선택한 학습 데이터를 자산화 할 수 있다.In this way, the present invention can capitalize learning data uploaded or selected by the first user by generating and managing meta data for individual learning data.

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.The server 100 according to an embodiment of the present invention may modify the first meta data as a predetermined event occurs (S1140). At this time, the 'event' refers to a change in ownership of assetized data or a change in ownership stake. can mean an event. Hereinafter, a process of modifying the first meta data by the server 100 according to the occurrence of individual events will be mainly described.

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.Meta data including identification information and ownership information is associated with individual data capitalized according to the above process, so users can trade their own data. The server 100 may modify meta data accordingly when an event of transferring ownership of assetized learning data occurs.

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) The server 100 according to an embodiment of the present invention may identify a second user who purchased at least a part of the ownership of the first learning data from the first user who requested assetization of the first learning data (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.In addition, the server 100 may add the second user to the owner item of the first meta data by referring to the percentage of ownership purchased by the second user (S1142). At this time, the owner item includes identification information of individual owners and individual owners. It may include the ownership percentage of the owner.

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.For example, the server 100 creates a new version (for example, version 3) in the owner item of the first meta data as in the owner item 523A of FIG. For example, Lee Young-hee) can be added. At this time, the server 100 may add the ownership ratio of each owner together, and may also record information about the change time.

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 있다Meanwhile, the training data may need to be modified for reasons such as improving the accuracy of the artificial neural network. When the assetized learning data is modified, the server 100 may determine that a partial previous event of ownership has occurred and modify the metadata accordingly.

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.The server 100 according to an embodiment of the present invention may check the third user who modified the first learning data (S1143). In addition, the server 100 may assign ownership rights to the third user according to a predefined rule. A third user may be added to the owner item with reference to the ratio of (S1144). At this time, the owner item may include identification information of individual owners and ownership ratios of individual owners.

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.For example, the server 100 creates a new version (for example, version 2) in the owner item of the first meta data as in the owner item 522A of FIG. For example, Chul-Soo Kim) can be added. At this time, the server 100 may add the ownership ratio of each owner together, and may also record information about the change time.

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. Meanwhile, the aforementioned 'predefined rule' may be determined in advance in various ways. For example, the predefined rule may be set by the first user, and for example, ownership may be transferred according to the degree of modification of data within the range of the maximum ratio of ownership transferred according to modification.

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.In addition, the predefined rules are determined by policy in the service provided by the server 100, and may be set at a fixed rate, for example. However, this is illustrative and the spirit of the present invention is not limited thereto.

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)The server 100 according to an embodiment of the present invention may add the third user's identification information and modification time to the modification history item included in the first meta data (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.For example, the server 100 may add identification information and modification time of a third user to the first metadata, similar to the modification history item 527A of FIG. 8 .

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.The server 100 according to an embodiment of the present invention sets the data set to which the first learning data belongs when either the first user (who has requested assetization of the first learning data) or the fourth user sets the data set to which the first learning data belongs. The name may be added to the data set name item of the first meta data. For example, the server 100 may add the name of the data set to which the first training data belongs, similarly to the data set name item 525A of FIG. 8 . In an optional embodiment of the present invention, a plurality of data set names may be recorded in the data set name item 525A. In other words, the first training data may be included in a plurality of data sets.

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.Accordingly, the present invention allows assetized learning data to be freely traded between users, and allows other users to freely modify, change, configure data sets, and the like, without compromising existing ownership of learning data.

서버(100)가 학습된 인공 신경망을 자산화 하는 과정The process of assetizing the learned artificial neural network by the server 100

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.The server 100 according to an embodiment of the present invention may capitalize the learned artificial neural network. As described above, in the present invention, 'capitalization' may mean standardizing a target object (eg, data) so that it can be a subject of independent transaction. Therefore, the process of standardizing the learned artificial neural network data will be described in detail below.

도 14는 자산화된 인공 신경망 데이터(700)의 예시적인 구성을 도시한 도면이다.14 is a diagram illustrating an exemplary configuration of assetized artificial neural network data 700 .

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.As shown in FIG. 14 , assetized artificial neural network data 700 may include artificial neural network data 710 and metadata 720 for the artificial neural network data 710 . In this case, the artificial neural network data 710 may be data including at least one weight value reflecting the learning result of the artificial neural network.

도 15는 자산화된 인공 신경망 데이터(700A)의 구체적인 예시를 도시한 도면이다. 도 16은 예시적인 메타 데이터(720A)의 내용을 도시한 도면이다.15 is a diagram showing a specific example of assetized artificial neural network data 700A. 16 is a diagram illustrating contents of exemplary meta data 720A.

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.As shown in FIG. 15 , the assetized artificial neural network data 700A may include artificial neural network data 710A and metadata 720A for the artificial neural network data 710A. In this case, the artificial neural network data 710A may be data including at least one weight value reflecting the learning result of the artificial neural network.

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.Meanwhile, as shown in FIG. 16, the meta data 720A may be data including a plurality of items related to assetization of the artificial neural network data 710A. For example, the metadata 720A may include a storage location item 724A of the artificial neural network data 710A, owner items 721A, 722A, and 723A, and training data items 725A and 256A used for learning the artificial neural network. there is. However, the content of the meta data 720A is exemplary, and some items may be omitted/added from the meta data 720A.

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.17, 18 and 19 are flowcharts for explaining a process of generating assetized artificial neural network data as described in FIGS. 14 to 16 by the server 100 according to an embodiment of the present invention. Hereinafter, it will be described with reference to FIGS. 17 to 19 together.

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.The server 100 according to an embodiment of the present invention may receive the first artificial neural network data (S1710). As described above, in the present invention, 'artificial neural network data' refers to at least one item reflecting the learning result of the artificial neural network. It may be data including weights of For example, the server 100 according to an embodiment of the present invention may receive first artificial neural network data from the user terminal 200 and/or the learning server 300 . In addition, the server 100 according to an embodiment of the present invention may receive the first artificial neural network data from the memory 130 by reading it. However, this is illustrative and the spirit of the present invention is not limited thereto.

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.In an optional embodiment of the present invention, the server 100 may check the first artificial neural network data instead of receiving the first artificial neural network data. At this time, 'confirmation' by the server 100 may mean that the server 100 checks the storage location and access path of the first artificial neural network data.

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.The server 100 according to an embodiment of the present invention may generate second metadata for the first artificial neural network data (S1720). For example, the server 100 may generate metadata 720A shown in FIG. Similarly, second metadata including a training data item used for learning of the first artificial neural network and an owner item may be generated.

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.Looking at the process of the server 100 performing step S1720 in more detail, the server 100 according to an embodiment of the present invention assigns the first user who requested assetization of the first artificial neural network data to the owner item of the second metadata. can be added For example, the server 100 may record that the first user owns all of the first artificial neural network data in version 1 of the owner item of the second meta data as in the owner item 521A of FIG. 16 for the reason of initial learning. there is. At this time, the server 100 may also record information about the change time.

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.In this way, the present invention can capitalize the artificial neural network (or artificial neural network data) learned or re-learned by the first user by generating and managing metadata for data constituting the artificial neural network.

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.The server 100 according to an embodiment of the present invention may modify the second meta data as a predetermined event occurs (S1730). At this time, the 'event' refers to a change in ownership of assetized data or a change in ownership stake. can mean an event. Hereinafter, a process of modifying the second meta data by the server 100 according to the occurrence of individual events will be mainly described.

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.Meta data including identification information and ownership information is associated with individual data capitalized according to the above process, so users can trade their own data. Like assetized learning data, the server 100 may modify metadata accordingly when an event of transferring ownership of assetized artificial neural network data occurs.

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)The server 100 according to an embodiment of the present invention may identify a second user who purchased at least a part of the ownership of the first artificial neural network data from the first user who requested assetization of the first artificial neural network data (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.In addition, the server 100 may add the second user to the owner item of the second meta data by referring to the percentage of ownership purchased by the second user (S1732). At this time, the owner item includes identification information of individual owners and individual owners. It may include the ownership percentage of the owner.

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.For example, the server 100 creates a new version (for example, version 3) in the owner item of the second meta data as in the owner item 723A of FIG. For example, Lee Young-hee) can be added. At this time, the server 100 may add the ownership ratio of each owner together, and may also record information about the change time.

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 있다On the other hand, artificial neural networks frequently require re-learning for reasons such as improving error rates. The server 100 determines that the relearning of the artificial neural network is performed and, accordingly, when at least a part of the artificial neural network data is modified, it is determined that a part of the previous event of ownership has occurred and the metadata is modified accordingly.

본 발명의 일 실시예에 따른 서버(100)는 학습과 관련된 적어도 하나의 요소를 변경하여 제1 인공 신경망을 재학습한 제3 사용자를 확인할 수 있다.(S1733)The server 100 according to an embodiment of the present invention may identify a third user who has relearned the first artificial neural network by changing at least one element related to learning (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.In this case, 'at least one element related to learning' may include at least one of at least one learning parameter related to learning of the first artificial neural network and learning data used for learning of the first artificial neural network. For example, the third user may relearn the first artificial neural network by modifying any one of universal parameters used as learning parameters of the artificial neural network, such as learning rate, batch size, and iteration. Also, the third user may re-learn the first artificial neural network by adding and/or excluding training data. However, this is illustrative and the spirit of the present invention is not limited thereto.

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.The server 100 according to an embodiment of the present invention may add the third user to the owner item by referring to the percentage of ownership granted to the third user according to a predefined rule (S1734). may include the individual owner's identification information and the individual owner's ownership rate.

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.For example, the server 100 creates a new version (for example, version 2) in the owner item of the second meta data as in the owner item 722A of FIG. 16, relearning as the reason for change, and a third user ( For example, Chul-Soo Kim) can be added. At this time, the server 100 may add the ownership ratio of each owner together, and may also record information about the change time.

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.Meanwhile, the aforementioned 'predefined rule' may be determined in advance in various ways. For example, the predefined rule is set by the first user, for example, ownership is transferred in proportion to the degree of improvement in the accuracy of the output according to re-learning within the range of the maximum rate of ownership transferred according to re-learning It can be. In addition, the predefined rules are determined by policy in the service provided by the server 100, and may be set at a fixed rate, for example. However, this is illustrative and the spirit of the present invention is not limited thereto.

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.Meanwhile, when the learning data is changed in the re-learning process of the first artificial neural network by the third user, the server 100 according to an embodiment of the present invention determines the newly used learning data (or new learning data) and the third user's information. Identification information may be added to the learning history item of the second meta data.

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.For example, the server 100 may add the name of the used learning data set, identification information of the third user, and relearning time to the second metadata, similar to the learning history item 726A of FIG. 16 .

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.Accordingly, the present invention allows learned artificial neural network data to be freely traded between users, and allows other users to freely relearn, modify, and change the artificial neural network without compromising existing ownership.

서버(100)가 자산화된 데이터와 관련된 수익을 분배하는 과정Server 100 process of distributing revenue related to assetized data

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.In the above, the asset and process of learning data have been described through FIGS. 6 to 13, and the process of assetization of learned artificial neural network data has been described through FIGS. 14 to 19.

도 20은 본 발명의 일 실시예에 따른 시스템에서 학습 데이터의 예시적인 거래 단위인 데이터 세트(800)를 도시한 도면이다.20 is a diagram illustrating a data set 800 that is an exemplary transactional unit of learning data in a system according to an embodiment of the present invention.

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.The data set 800 according to an embodiment of the present invention may include one or more training data-meta data sets and tag data 820 including tags for the training data. In this case, the individual learning data-meta data set may include learning data and meta data having assetization information therefor. For example, the first learning data-meta data set 810A may include learning data 811A and metadata 812A having assetization information therefor. Of course, the rest of the training data-meta data set may have a similar configuration.

한편 태그 데이터(820)는 하나 이상의 학습 데이터-메타 데이터 세트에 포함된 학습 데이터들의 태그만을 수집한 데이터 일 수 있다.Meanwhile, the tag data 820 may be data obtained by collecting only tags of learning data included in one or more training data-meta data sets.

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.According to FIG. 20 , the data set 800 may include one or more pieces of training data, meta data for each of the one or more pieces of training data, and tag data obtained by collecting tags of one or more pieces of the pieces of training data. However, this configuration is exemplary and the spirit of the present invention is not limited thereto.

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.The server 100 according to an embodiment of the present invention may provide users with assetized learning data to be traded in units of sets. For example, the server 100 may group data based on a 'data set name' item of meta data and provide the data to users.

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. Meanwhile, when a transaction for the data set 800 occurs, the server 100 according to an embodiment of the present invention may process it in the form of a transaction for individual data constituting the data set 800 . In other words, the server 100 sequentially or simultaneously processes a transaction for the first training data included in the data set 800 and a transaction for the second training data included in the data set 800 according to the occurrence of a transaction for the data set 800. can do.

도 21은 본 발명의 일 실시예에 따른 시스템에서 인공 신경망 데이터의 예시적인 거래 단위인 데이터 세트(900)를 도시한 도면이다.21 is a diagram illustrating a data set 900 that is an exemplary transactional unit of artificial neural network data in a system according to an embodiment of the present invention.

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.Referring to FIG. 21, a data set 900 includes artificial neural network data 910, metadata 920 for the artificial neural network data 910, and one or more training data sets 930 determined by referring to the metadata 920. can include In this case, the one or more training data sets 930 may include only a single set according to the learning process of the artificial neural network, or may include a plurality of sets 931 and 932 as shown in FIG. 21 .

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.The server 100 according to an embodiment of the present invention may provide users with assetized artificial neural network data to trade in units of data sets including artificial neural network data and learning data sets. For example, the server 100 may group artificial neural network data constituting a specific artificial neural network and a training data set used when training the artificial neural network, and provide the grouped data to users.

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. Meanwhile, when a transaction for the data set 900 occurs, the server 100 according to an embodiment of the present invention may process it in the form of a transaction for individual data constituting the data set 900 . In other words, the server 100 generates a transaction for the artificial neural network data 910, a transaction for the first training data set 931, and a second training data set 932 according to the occurrence of the transaction for the data set 900. Transactions can be processed sequentially or simultaneously.

이하에서는 도 20 및 도 21에서 설명한 거래 단위에 따라 수익이 발생된 경우 서버(100)가 수익을 분배하는 과정을 중심으로 설명한다.Hereinafter, a process in which the server 100 distributes revenue when revenue is generated according to the transaction unit described in FIGS. 20 and 21 will be mainly described.

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.Server 100 according to an embodiment of the present invention can check the revenue generated for the assetized data. In this case, the assetized data may mean any one of first learning data from which first metadata including ownership information is generated and first artificial neural network data from which second metadata including ownership information is generated.

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.Meanwhile, in the present invention, 'revenue' related to assetized data may be generated by various causes. For example, revenue may be generated as another user purchases the right to use capitalized data, or may be generated as other users purchase at least a portion of the ownership of capitalized data. In addition, revenue may be generated by providing a service based on assetized data to a plurality of other users. However, this is illustrative and the spirit of the present invention is not limited thereto.

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. In the present invention, 'use right' and 'ownership' of assetized data may be distinct concepts. The right to use may refer to the right to use the assetized data for one's own service, etc., on the premise that the data is owned by another person. On the other hand, ownership can mean the right to fully dominate assetized data. Such ownership may be a concept including the above-described right of use.

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.The server 100 according to an embodiment of the present invention may identify at least one owner related to assetized data and determine an effective owner from among the identified at least one owner.

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.For example, when assetized data is learning data, the server 100 may add an owner included in an owner item of meta data related to the learning data to one or more effective owners.

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. Meanwhile, when the assetized data is artificial neural network data, the server 100 may add an owner included in an owner item of metadata related to artificial neural network data to one or more effective owners. In addition, the server 100 may check one or more learning data included in the learning history item of the second meta data. The server 100 may identify the owner of each of the one or more pieces of learning data from the metadata for each of the one or more pieces of learning data. Server 100 may also add the verified owner to one or more effective owners.

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.As such, the server 100 according to an embodiment of the present invention may consider not only the owner of the artificial neural network but also the owner of data used for learning the artificial neural network in distributing revenue related to artificial neural network data.

본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터에 대해 발생된 수익을 상술한 과정에 따라 결정된 유효 소유자에게 분배할 수 있다.The server 100 according to an embodiment of the present invention may distribute the revenue generated for the assetized data to the effective owner determined according to the above-described process.

가령 제1 사용자가 제3 사용자의 학습 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.For example, suppose a case in which revenue is generated as a first user provides a service using learning data of a third user to one or more second users.

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.In this example, the revenue is obtained by allowing the first user to learn an artificial neural network using learning data of a third user, providing a service using the learned artificial neural network to one or more second users, and providing one or more second users with a service. It may be caused by charging service usage fees.

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.In the above example, the server 100 according to an embodiment of the present invention may add a third user who is a data owner to the effective owner and distribute profits to the third user. This is also the case when there are a plurality of third users.

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.The server 100 according to an embodiment of the present invention may distribute revenue according to a preset revenue distribution rule. For example, the server 100 may distribute the revenue according to a rule of allocating a specific percentage of total revenue to all effective owners and distributing the revenue according to the ownership ratio of the effective owners within the range of the allocated revenue.

한편 제1 사용자가 제3 사용자의 인공 신경망 데이터를 이용한 서비스를 하나 이상의 제2 사용자에게 제공함에 따라 수익이 발생되는 경우를 가정해 보자.Meanwhile, suppose a case in which revenue is generated as a first user provides a service using artificial neural network data of a third user to one or more second users.

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.In this example, the revenue may be generated as the first user provides a service using the artificial neural network data of the third user to one or more second users and charges the one or more second users a service fee. there is.

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.In the above example, the server 100 according to an embodiment of the present invention adds not only the third user who is the owner of artificial neural network data to the effective owner, but also the fourth user who is the owner of learning data used for learning the artificial neural network. and may distribute profits to the third user and the fourth user. This is also the case where the third user and the fourth user are plural.

본 발명의 일 실시예에 따른 서버(100)는 기 설정된 수익 분배 규칙에 따라서 수익을 분배할 수 있다. The server 100 according to an embodiment of the present invention may distribute revenue according to a preset revenue distribution rule.

도 22는 예시적인 수익 분배 규칙을 설명하기 위한 도면이다.22 is a diagram for explaining exemplary revenue distribution rules.

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.As shown in FIG. 22 , the server 100 may determine a revenue distribution ratio based on a revenue distribution ratio for each owned item and a stake ratio for data. For example, the server 100 may determine that Owner 2, who has a 30% stake in the artificial neural network data, has 18% of the total revenue. However, this is illustrative and the spirit of the present invention is not limited thereto.

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.23, 24 and 25 are flowcharts illustrating a method of distributing revenue performed by the server 100 according to an embodiment of the present invention. Hereinafter, it will be described with reference to FIGS. 22 to 25 together.

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.The server 100 according to an embodiment of the present invention may check the revenue generated for the assetized data (S2310). At this time, the assetized data is the first learning data in which the first metadata including ownership information is generated. and first artificial neural network data from which second meta data including ownership information is generated.

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)The server 100 according to an embodiment of the present invention may identify at least one owner related to assetized data and determine an effective owner from among the identified at least one owner. (S2320)

본 발명의 일 실시예에 따른 서버(100)는 자산화된 데이터에 대해 발생된 수익을 상술한 과정에 따라 결정된 유효 소유자에게 분배할 수 있다. (S2330)The server 100 according to an embodiment of the present invention may distribute the revenue generated for the assetized data to the effective owner determined according to the above-described process. (S2330)

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. Embodiments according to the present invention described above may be implemented in the form of a computer program that can be executed on a computer through various components, and such a computer program may be recorded on a computer-readable medium. In this case, the medium may store a program executable by a computer. Examples of the medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROM and DVD, magneto-optical media such as floptical disks, and ROM, RAM, flash memory, etc. configured to store program instructions.

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.Meanwhile, the computer program may be specially designed and configured for the present invention, or may be known and usable to those skilled in the art of computer software. An example of a computer program may include not only machine language code generated by a compiler but also high-level language code that can be executed by a computer using an interpreter or the like.

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.Specific implementations described in the present invention are examples and do not limit the scope of the present invention in any way. For brevity of the specification, description of conventional electronic components, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection of lines or connecting members between the components shown in the drawings are examples of functional connections and / or physical or circuit connections, which can be replaced in actual devices or additional various functional connections, physical connection, or circuit connections. In addition, if there is no specific reference such as "essential" or "important", it may not necessarily be a component necessary for the application of the present invention.

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.Therefore, the spirit of the present invention should not be limited to the above-described embodiments and should not be determined, and all scopes equivalent to or equivalently changed from the claims as well as the claims described below are within the scope of the spirit of the present invention. will be said to belong to

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: 통신망100: server
110: communication department
120: first processor
130: memory
200: user terminal
201, 202: user terminal
300: resource server
300A, 300B, 300C: Resource Server
310A: communication department
320A: second processor
330A: memory
340A: third processor
400: communication network

Claims

A method for distributing revenue related to assetized learning data and assetized artificial neural network data by a computing device,
As a step of confirming the revenue generated for the assetized data, the assetized data includes first learning data in which first metadata including ownership information is generated and second metadata including ownership information is generated. any one of artificial neural network data, wherein the first artificial neural network data includes at least one weight value reflecting a learning result of the first artificial neural network;
identifying at least one owner associated with the capitalized data and determining one or more effective owners from the at least one owner; and
A method of distributing revenue generated from assetized data, including distributing the revenue to the effective owner.

in claim 1
When the assetized data is the first learning data,
Determining the one or more effective owners comprises:
Adding an owner included in the owner item of the first metadata to the one or more effective owners; a method of distributing revenue generated from assetized data, including.

in claim 1
When the assetized data is the first artificial neural network data,
The step of verifying the at least one owner
adding an owner included in an owner item of the second meta data to the one or more effective owners;
checking one or more learning data included in the learning history item of the second meta data; and
Identifying the owner of each of the one or more learning data from the metadata for each of the one or more learning data, and adding the identified owner to the one or more effective owners; distribution of revenue generated from assetized data, including Way.

in claim 1
said revenue
A method of distributing revenue generated from assetized data, which occurs as the first user purchases the right to use the assetized data.

in claim 1
said revenue
A method of distributing revenue generated from assetized data, which occurs as the first user purchases at least a portion of the ownership of the assetized data.

in claim 5
The method of distributing the revenue generated from the assetized data is
After the distribution step,
Updating the owner item of the metadata for the assetized data; further comprising a method of distributing revenue generated from assetized data.

in claim 1
said revenue
A method of distributing revenue generated from capitalized data, which is generated when a first user provides a service based on the capitalized data to one or more second users.

in claim 7
When the assetized data is the first learning data,
said revenue
Revenue generated from assetized data generated by providing a service using an artificial neural network learned based on the first learning data to the one or more second users and charging service usage fees to the one or more second users distribution method.

in claim 7
When the assetized data is the first artificial neural network data,
said revenue
A method of distributing revenue generated from assetized data, which is generated by providing a service using the first artificial neural network data to the one or more second users and charging service usage fees to the one or more second users.