KR102498533B1 - 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 - Google Patents
딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR102498533B1 KR102498533B1 KR1020220087821A KR20220087821A KR102498533B1 KR 102498533 B1 KR102498533 B1 KR 102498533B1 KR 1020220087821 A KR1020220087821 A KR 1020220087821A KR 20220087821 A KR20220087821 A KR 20220087821A KR 102498533 B1 KR102498533 B1 KR 102498533B1
- Authority
- KR
- South Korea
- Prior art keywords
- response
- information
- user
- model
- memory
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 26
- 230000004044 response Effects 0.000 title claims description 190
- 230000006870 function Effects 0.000 title description 23
- 238000011017 operating method Methods 0.000 title description 2
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000009193 crawling Effects 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000004043 responsiveness Effects 0.000 claims 8
- 238000013528 artificial neural network Methods 0.000 description 117
- 230000008569 process Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 230000008451 emotion Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008921 facial expression Effects 0.000 description 8
- 230000009118 appropriate response Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
- G06Q20/145—Payments according to the detected use or quantity
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/24—Speech recognition using non-acoustical features
- G10L15/25—Speech recognition using non-acoustical features using position of the lips, movement of the lips or face analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/225—Feedback of the input speech
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
본원의 다양한 실시예에 따른 딥러닝 기법에 의해 학습된 대화형 전자 장치는, 메모리; 통신 모듈; 입력 수단; 출력 수단; 및 딥 러닝 기법에 의해 학습된 모델을 이용하여 메모리, 통신 모듈, 입력 수단, 및 출력 수단을 제어하는 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리에 저장된 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 메모리에 저장된 크롤링 모델에 상기 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하고, 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집하고, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답 정보를 수집하고, 상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하고, 상기 응답 가능 판단 모델은 응답 가능 판단 모델 구축 단계들에 의해 구축되고, 상기 응답 가능 판단 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 응답 가능 판단 모델 구축 단계들은: 입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계; 상기 메모리에 저장된 정보에 기초하여 상기 사용자의 요청 정보에 대한 응답이 가능한지 판단하는 단계;를 포함할 수 있다.
Description
본원 발명은 인공지능 기술분야의 로봇 기술분야에 관한 것으로, 구체적으로 딥 러닝 기법으로 학습되어 사용자와 대화를 수행하는 대화형 전자 장치 또는 로봇 및 그 동작 방법에 관한 것이다.
최근, 인공 지능 열풍에 따른 인공 지능 기술의 발전에 따라 많은 기업들이 고객 서비스, 마케팅, 안내 등 다양한 측면의 요구를 만족하기 위해 사용자의 질문 또는 발화에 따라 적절한 응답 또는 정보를 제공하려는 대화형 전자 장치 또는 로봇을 제작함으로써 인공 지능 시대에 진출하고자 하고 있다. 상술한 대화형 전자 장치 또는 로봇은 사용자와 대화 또는 수화로 소통이 가능하기 때문에, 고객의 질문 또는 대화에 대응이 가능하다.
예를 들어, 학부모 또는 자녀는 교육분야와 관련하여, 취업 준비생은 커리어를 쌓기 위한 자료 또는 정보, 개인사업자는 사업을 영위하는데 유익한 적절한 정보 등을 적시에 제공 받거나 질문으로서 요청할 수 있고, 상술한 대화형 전자 장치 또는 로봇은 이에 대한 적절한 응답과 해법을 제공하고자 할 수 있다.
하지만, 실제로 상술한 전자 장치 또는 로봇을 구현하고자 하는 경우, 개발자는 다양한 분야, 다양한 주제에 걸친 사용자의 질문에 모두 응답하기 위해 많은 질문 또는 응답을 구비하고 있어야 한다. 따라서, 개발자가 응답 로봇을 구축할 경우, 대량의 인건비를 소모해야 한다는 단점이 존재하였다.
본원은 상술한 문제점을 해결하기 위한 것으로, 전문가 그룹에 의해 기초 지식만으로 학습된 응답 로봇이 스스로 필요한 정보에 대해 크롤링하거나 고객(사용자) 상담이나 설문 등을 통해 사용자가 필요로 하는 정보를 적절하게 제공할 수 있도록 하는 것을 목적으로 한다.
본원의 다양한 실시예에 따른 인공지능을 이용한 대화형 전자 장치에 있어서, 메모리; 통신 모듈; 딥 러닝 기법에 의해 학습된 모델에 따라 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리에 저장된 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 메모리에 저장된 크롤링 모델에 상기 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하고, 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집하고, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하고, 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고, 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답 정보를 수집하고, 상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하고, 상기 판단 모델은 응답 판단 모델 구축 단계들에 의해 구축되고, 상기 판단 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 판단 모델 구축 단계들은: 입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계; 상기 메모리에 저장된 정보에 기초하여 상기 사용자의 요청 정보에 대한 응답이 가능한지 판단하는 단계;를 포함할 수 있다.
일실시예에 따른 상기 응답 가능판단 모델 구축 단계들은: 상기 사용자의 요청 정보와 상기 메모리에 분야 별로 클러스터링되어 저장된 정보와의 유사도를 계산하여, 상기 사용자의 요청 정보의 분야를 판단하는 단계, 상기 판단된 분야에 대한 상기 메모리에 포함된 정보를 조합하여 상기 사용자의 요청 정보에 대한 응답을 생성할 수 있는지 확인하여 상기 분야에 대한 추가적인 정보가 필요한지 결정하는 단계를 더 포함하고, 상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은: 상기 추가적인 정보가 필요한 경우, 네트워크를 통해 인터넷에 접속하여 상기 추가적인 정보를 수집하는 단계; 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보를 비교하여, 상기 수집된 추가적인 정보에 대한 신뢰도 파라미터를 계산하는 단계; 상기 신뢰도 파라미터에 기초하여, 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보 각각에 대한 가중치를 계산하는 단계; 각각의 정보에 대한 가중치의 크기에 따라 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보의 양을 조절함으로써 응답을 생성하는 단계;를 더 포함할 수 있다.
일실시예에 따른 상기 모델은 주기적으로 평가되어 강화학습(reinforcement learning)을 수행하고, 기초패턴 데이터를 이용하여 지도학습을 수행하고, 상기 응답 가능 판단 모델 구축 단계들은, 상기 강화학습 및 지도학습을 통해 획득하여 상기 메모리에 클러스터링되어 저장된 정보들과 상기 수집된 추가적인 정보를 비교하는 단계; 상기 비교 결과에 따라, 상기 수집된 추가적인 정보의 신뢰도 파라미터를 계산하는 단계; 상기 계산된 신뢰도 파라미터에 따라, 상기 수집된 추가적인 정보를 상기 메모리에 저장할지 결정하는 단계;를 포함할 수 있다.
일실시예에 따른 상기 응답 모델은 응답 모델 구축 단계들에 의해 구축되고, 상기 응답 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 판단 모델 구축 단계들은: 상기 사용자의 요청 정보에 대해 생성된 응답의 정확도를 나타내는 정확도 파라미터를 계산하는 단계; 상기 정확도 파라미터가 임계치 이상인 경우 상기 응답을 자연어로 변환하여 출력수단을 통해 출력하는 단계; 및 상기 정확도 파라미터가 임계치 미만인 경우, 크롤링 모델을 이용하여 네트워크를 통해 인터넷에 접속하여 추가적인 정보를 수집하는 단계를 포함할 수 있다.
일실시예에 따른 상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은: 상기 추가적인 정보를 획득하는데 비용이 발생하는지 확인하는 단계; 발생하는 비용, 추가적인 정보의 양, 및 비용 발생 없이 추가적인 정보를 네트워크를 통한 인터넷에서 획득 가능한지 여부에 기초하여 비용 지불 여부를 결정하는 단계; 비용을 지불하기로 결정한 경우, 결제를 수행하여 추가적인 정보를 획득하는 단계를 더 포함할 수 있다.
일실시예에 따른 이미지 센서를 더 포함하고, 상기 응답 모델 구축 단계는, 이미지 센서를 이용하여 사용자의 움직임, 얼굴의 표정을 감지하는 단계, 사용자의 움직임, 얼굴의 표정에 기초하여 컨텍스트 정보를 획득하는 단계, 획득된 컨텍스트 정보에 기초하여, 사용자의 요청 정보를 유도하기 위한 질문 정보를 생성하는 단계, 생성된 질문 정보를 이용하여 사용자에게 제공할 질문에 해당하는 기계어를 자연어로 변환하는 단계, 및 변환된 자연어를 출력수단을 이용하여 출력하는 단계를 더 포함할 수 있다.
일실시예에 따른 상기 응답 모델 구축 단계는, 상기 컨텍스트 정보 및 상기 요청 정보에 기초하여, 출력 수단을 이용하여 사용자에게 응답을 출력하는 단계, 상기 사용자로부터의 추가 발화를 입력 수단을 통해 수신하며 상기 사용자의 움직임, 얼굴의 표정을 상기 이미지 센서를 통해 감지하는 단계, 상기 수신된 추가 발화에 포함된 정보 및 상기 사용자의 움직임, 얼굴의 표정으로부터 획득된 컨텍스트 정보에 기초하여, 상기 사용자에게 필요할 것으로 예상되는 정보를 예측하기 위한 예측 응답을 생성하는 단계, 및 상기 예측 응답을 출력 수단을 통해 출력하는 단계를 포함할 수 있다.
일실시예에 따른 상기 응답 모델 구축 단계는, 상기 추가 발화에 대한 사용자의 움직임, 및 얼굴의 표정을 이미지 센서를 통해 감지하는 단계, 감지된 사용자의 움직임 및 얼굴 표정에 대한 이미지를 획득하고, 상기 메모리에 저장된 사용자의 감정 별로 클러스터링된 이미지들과 비교하여 사용자의 감정을 판단하고, 상기 판단된 감정을 이용하여 상기 추가 발화의 적절성을 나타내는 적절성 파라미터를 계산하는 단계, 상기 계산된 적절성 파라미터가 미리 설정된 임계치 이상인 경우 상기 추가 발화에 대한 추가 대화를 수행하는 단계, 및 상기 계산된 적절성 파라미터가 미리 설정된 임계치 미만인 경우 상기 추가 발화를 중지하는 단계를 더 포함할 수 있다.
딥러닝 기법에 의해 학습된 대화형 전자 장치가 동작하는 방법에 있어서, 메모리에 저장된 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단하는 단계; 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계; 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 메모리에 저장된 크롤링 모델에 상기 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하는 단계; 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하는 단계; 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계; 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집하는 단계; 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자의 발화에 대한 응답이 가능한지 판단하는 단계; 상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계; 상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답 정보를 수집하는 단계; 및 상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하는 단계; 및 상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하는 단계를 포함하고, 상기 응답 가능 판단 모델은 응답 가능 판단 모델 구축 단계들에 의해 구축되고, 상기 응답 가능 판단 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 응답 가능 판단 모델 구축 단계들은: 입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계; 상기 메모리에 저장된 정보에 기초하여 상기 사용자의 요청 정보에 대한 응답이 가능한지 판단하는 단계;를 포함할 수 있다.
도 1은 본원의 다양한 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치를 제공하기 위한 시스템을 도시하는 도면이다.
도 2는 본원의 다양한 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치의 구성을 나타내는 블록도이다.
도 3은 본원의 다양한 실시예에 따른 네트워크 함수를 설명하기 위한 도면이다.
도 4는 본원의 다양한 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치가 동작하는 사용자(101)의 발화에 대한 적시적이고 적합한 응답이 불가능하여 인터넷을 통한 추가적인 정보 수집을 위한 절차 및 방법에 대한 흐름도이다.
도 5는 본원의 다양한 실시예에 따른 응답 가능 판단 모델모듈 구축 단계에 대한 흐름도이다.
도 6은 본원의 다양한 실시예에 따른 응답 모델모듈 구축 단계에 대한 흐름도이다.
이상의 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다.
따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다.
또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
또한, 이상의 도면에서는 이해를 돕기 위해서, 축척에 비례하지 않고 특정 부분을 확대하거나 축소한 점에 유의해야 한다.
도 2는 본원의 다양한 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치의 구성을 나타내는 블록도이다.
도 3은 본원의 다양한 실시예에 따른 네트워크 함수를 설명하기 위한 도면이다.
도 4는 본원의 다양한 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치가 동작하는 사용자(101)의 발화에 대한 적시적이고 적합한 응답이 불가능하여 인터넷을 통한 추가적인 정보 수집을 위한 절차 및 방법에 대한 흐름도이다.
도 5는 본원의 다양한 실시예에 따른 응답 가능 판단 모델모듈 구축 단계에 대한 흐름도이다.
도 6은 본원의 다양한 실시예에 따른 응답 모델모듈 구축 단계에 대한 흐름도이다.
이상의 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다.
따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다.
또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
또한, 이상의 도면에서는 이해를 돕기 위해서, 축척에 비례하지 않고 특정 부분을 확대하거나 축소한 점에 유의해야 한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본원의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서 상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 전자 장치에서 실행되는 애플리케이션 및 전자 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하 나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스 템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라 는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해 되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또 는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합 들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호 교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본원의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본원의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본원의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본원에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.
도 1은 본원의 다양한 실시예에 따른 인공지능을 이용한 대화형 전자 장치를 제공하기 위한 시스템을 도시하는 도면이다.
본원의 다양한 실시예에 따른 인공지능을 이용한 대화형 전자 장치를 제공하기 위한 시스템(100)은, 사용자(101), 대화형 전자 장치(102), 운영자(104), 전문가 그룹(105), 및 크롤링을 위한 서비스 제공자(106)로 구성될 수 있다. 사용자(101)는 대화형 전자 장치(102)에 발화 또는 동작을 통해 질문을 제공하는 주체일 수 있다. 예를 들어, 사용자(101)는 본원의 시스템을 이용하고자 하는 고객으로서, 학부모 또는 자녀, 교사 또는 학생, 취업 준비생, 개인 사업자, 기업인 등 다양한 분야의 사용자를 통칭할 수 있다. 즉, 본원의 대화형 전자 장치(102)는 분야에 구애받지 않고, 사용자의 질문에 대한 응답을 딥러닝 기법에 의해 학습된 모델을 이용하여 제공할 수 있다. 본원의 전체적인 시스템(100)의 운영자(104)는 전문가 그룹(105)을 관리하고 대화형 전자 장치(102)가 제공하는 시스템을 제어할 수 있다. 운영자(104)는 시스템을 총괄하며, 대화형 전자 장치(102)가 사용자(101)의 가입을 승인하고 등급별로 관리하는 등의 전반적인 업무수행과 서비스를 원활히 수행할 수 있도록 지원를 담당하며, 사용자(101)를 등급 별로 관리할 수 있다. 등급은, 예를 들어 유료회원, 무료회원 등으로 나뉘어질 수 있으며, 또한 유료회원은 특별관리회원과 양방향 푸시서비스 요청 회원 등으로 나뉘어질 수 있다. 유료회원양방향 푸시서비스 요청 회원에 대해서는 무료회원에 비해 대화형 전자 장치(102101)가 더욱 적극적인 서비스를 제공하도록 할 수 있으며, 예를 들어 대화형 전자 장치(102)는 추가 정보에 대한 정보 수집이나 커뮤니케이션에서 새롭게 취득한 정보를 사용자에게 적시 적소에 제공하고, 고객에게 온라인상으로 수시 접촉하여 변화된 고객 정보를 수집하면서 고객의 난해한 문제들을 사전에 파악하여 그 해법을 제시하고 변경된 고객의 정보에 대한 업데이트를 자동주기적으로 수행하도록 설정될 수 있다.
대화형 전자 장치(102)의 구성에 대해서는 도 2 및 도 3에서 자세히 설명하기로 한다.
도 2는 본원의 일 실시예에 따른 딥 러닝 기법으로 학습된 대화형 전자 장치(102)의 블록 구성도이다. 도 2에 도시된 전자 장치(102)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본원의 일 실시예에서 전자 장치(102)는 전자 장치(102)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 전자 장치(102)를 구성할 수도 있다. 전자 장치(102)는 프로세서(210), 메모리(220), 입력수단(230), 출력수단(240), 및 통신 모듈(250)을 포함할 수 있다. 프로세서(210)는 하나 이상의 코어로 구성될 수 있으며, 지능형 처리장치(IPU: intelligence processing unit), 전자 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 메모리(220)와 프로세서(210)가 합쳐진 개념의 신경망숫자 처리 장치(NPU: neural processing uit) 등의 데이터 분석, 딥 러닝을 위한 프로세서를 포함할 수 있다. 프로세서(210)는 메모리에 저장된 컴퓨터 프로그램을 판독하여 본원의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본원의 일실시예에 따라 프로세서(210)는 인공 신경망의 학습을 위한 이미지, 숫자, 인공지능 등의 연산을 수행할 수 있다. 프로세서(210)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(210)의 IPU, CPU, GPGPU, TPU, NPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본원의 일 실시예에서 복수의 전자 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본원의 일 실시예에 따른 전자 장치에서 수행되는 컴퓨터 프로그램은IPU, CPU, GPGPU, TPU, NPU 등에서 실행가능한 프로그램일 수 있다.
본원의 일실시예에 따르면, 메모리(220)는 프로세서(210)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다. 본원의 일 실시예에 따르면, 메모리(220)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드의 입력수단으로한 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한 메모리(220)와 프로세서(210)를 결합한 형태의 HBM-PIM(hight bandwidth memory-processing in memory)과 같은 메모리 내부에 연산 작업에 필요한 프로세서 기능을 더한 차세대 신개념 융합기술을 포함할 수 있다. 전자 장치(102)는 인터넷(internet) 상에서 상기 메모리(220)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본원은 이에 제한되지 않는다.
본원의 일실시예에 따르면, 입력수단(230)은 사용자의 발화, 타이핑 등 다양한 입력을 수신하여 프로세서(210)로 전달할 수 있는 다양한 구성을 포함할 수 있다. 예를 들어, 음성(음파) 입력장치, 키보드, 마우스, 화상 입력장치(카메라), 광학 입력장치, 터치패드, 생체인식기 등 컴퓨팅 시스템에서 통상의 기술자에게 자명한 입력 도구들을 모두 포함할 수 있다.
본원의 일실시예에 따르면, 출력수단(230)은 사용자에게 응답을 제공하기 위한 다양한 출력수단을 포함할 수 있다. 예를 들어, 스피커, 디스플레이, 프린터, 영사기, 햅틱기술, 가상현실(VR) 기기 등 다양한 출력 도구들을 포함할 수 있다.
본원의 일실시예에 따른 통신 모듈(250)은 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 통신 모듈(250)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SCFDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본원에서 통신 모듈(250)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 개인 단거리 통신망(PAN: Personal Area Network), 광역 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들 뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
도 3는 본원의 일실시예에 따라 네트워크 함수를 나타낸 개략도이다. 본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다. 신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바 와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. 하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다. 상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어 (layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본원의 일실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본원의 다른 일실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망 일 수 있다. 또한, 본원의 또 다른 일실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본원의 또 다른 일실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본원은 이에 제한되지 않는다.
본원의 일실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다. 뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정 일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어 있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습에 대한 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이 어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하 고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션 (regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본원의 일실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 전자 장치는 전자 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 전자 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트 (List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조 (LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다. 비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함 할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력 되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본원은 이에 제한 되지 않는다. 데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본원은 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본원은 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 전자 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 전자 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역 직렬화(deserialization)를 통해 동일한 전자 장치 또는 다른 전자 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 전자 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본원은 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 운영자(104)사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본원은 이에 제한되지 않는다.
도 4는 본원의 다양한 실시예에 따른 전자 장치가 동작하는 사용자(101)의 발화에 대한 적시적이고 적합한 응답이 불가능하여 인터넷을 통한 추가적인 정보 수집을 위한 절차 및 방법에 대한 예시적인 흐름도이다. 앞서 설명한 바와 같이, 프로세서(210)는 딥 러닝 기법에 의해 학습된 모델들을 이용하여 동작들을 수행하도록 설정될 수 있다. 이하에서 설명하는 모델들은 해당 모델에 대한 구축 단계들을 통해 지도학습될 수 있고, 프로세서(210)에 의해 수행될 때 해당 동작을 수행하도록 설정될 수 있다.
동작 410에서, 프로세서(210)는 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단할 수 있다. 동작 410 이전에, 프로세서(210)는 입력수단(230)을 이용하여 사용자로부터의 발화를 획득할 수 있다. 사용자(101)와 전자 장치(102)와의 커뮤니케이션은 자연어로 이루어지기 때문에, 프로세서(220)가 정보를 처리하기 위해서는 사용자의 발화를 기계어로 변환해야 할 필요가 있다. 응답 가능 판단 모델은 딥 러닝 기법으로 학습되어 메모리에 저장된 모델로서, 사용자의 발화로부터 응답을 생성하여 출력 가능한지 판단하는 모델을 통칭할 수 있다. 응답이 가능한지는, 메모리에 저장된 정보 등을 이용하여 응답 생성이 가능한지 여부를 판단하는 등, 통상의 기술자에게 자명한 사항일 수 있다.
일실시예에 따라, 상기 응답 가능 판단 모델은 응답 가능 판단 모델 구축 단계들에 의해 구축되고, 상기 응답 가능 판단 모델 구축 단계들은 상기 전자 장치(102, 200)의 상기 프로세서(210)를 통해 실행될 수 있다. 응답 가능 판단 모델 구축 단계는 입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계 및 상기 메모리(220)에 저장된 정보에 기초하여 상기 사용자(101)의 요청 정보에 대한 응답이 가능한지 판단하는 단계를 포함할 수 있다. 응답 가능 판단 모델은, 위 단계들을 통해 입력수단(230)을 이용하여 획득한 발화로부터 사용자의 발화에 대한 응답이 가능한지 판단할 수 있다.
일실시예에 따른 도 5를 참고하면, 상기 응답 가능 판단 모델 구축 단계들은 아래의 단계를 포함할 수 있다.
단계 510에서, 프로세서(210)는 상기 사용자의 요청 정보와 상기 메모리(220)에 분야 별로 클러스터링되어 저장된 정보와의 유사도를 계산하여, 상기 사용자의 요청 정보의 분야를 판단할 수 있다. 정보 간의 유사도는 특정 주제에 대한 정보의 일치 여부에 따라 계산될 수 있다. 사용자의 발화에 대해 응답하기 위한 수많은 분야들에 대한 정보는 메모리(220)에 분야 별로 클러스터링되어 저장되어 있을 수 있다. 사용자의 발화로부터 추출된 사용자의 요청 정보는, 유사도에 기초하여 특정 분야인 것으로 판단될 수 있으며, 복수의 분야인 것으로 판단될 수도 있다.
단계 520에서, 상기 판단된 분야에 대한 상기 메모리에 포함된 정보를 조합하여 상기 사용자의 요청 정보에 대한 응답을 생성할 수 있는지 확인하여 상기 분야에 대한 추가적인 정보가 필요한지 결정할 수 있다.
도 1을 참고하면, 전자 장치(102)는 서비스 제공자(106)를 통해 추가 정보에 대한 크롤링을 수행할 수 있다. 서비스 제공자(106)는 네트워크를 통해 연결 가능한 인터넷에서 서비스를 제공하는 주체를 통칭할 수 있으며, 그 범위에는 제한을 두지 않는다. 크롤링은 비지도학습(Unsupervised Learning)을 통해 이루어질 수 있다. 서비스 제공자(106)는 전자 장치(102)가 웹 컨텐츠에 대한 검색 등을 통해 일방향으로 정보 수집이 가능한 단방향 서비스, 전자 장치(102)가 서비스 제공자(106)와의 인터랙션(interaction)을 통해 정보의 수집이 가능한 양방향 서비스를 포함할 수 있다. 양방향 서비스의 예로는 게시판에 접근, 소셜 네트워크 서비스(social network serive, SNS), 온라인 상담, 메일 교환 등 다양한 방식이 포함될 수 있다.
동작 410에서 사용자의 발화에 대한 응답이 가능한 것으로 판단된 경우, 프로세서(210)는 응답 모델을 이용하여, 발화에 대한 응답을 생성하고 출력수단(240)을 통해 출력할 수 있다. 예를 들어, 프로세서(210)는 응답 모델에 판단 결과를 입력하여, 발화에 대한 응답을 생성하고 출력수단(240)을 통해 출력할 수 있다. 응답 모델은 딥 러닝 기법으로 학습되어 메모리에 저장되는 모델로서, 발화에 대한 응답을 생성하여 출력수단(240)을 통해 출력하는 모델을 통칭할 수 있다.
사용자의 발화에 대한 응답이 불가능한 것으로 판단된 경우, 동작 420에서, 프로세서(210)는 크롤링 모델을 이용하여 사용자의 요청 정보와 연관된 정보를 수집할 수 있다. 예를 들어, 프로세서(210)는 크롤링 모델에 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하고, 상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단(240)을 통해 출력할 수 있다. 크롤링 모델은 딥 러닝 기법으로 학습되어 메모리에 저장되는 모델로서, 전자 장치가 획득하고자 하는 정보를 네트워크 또는 웹 상에서 크롤링여 획득하는 모델을 통칭할 수 있다.
단계 430에서, 프로세서(210)는 사용자의 요청 정보와 연관된 정보를 수집한 후, 응답 가능 판단 모델을 이용하여 사용자의 발화에 대한 응답이 가능한 지 판단할 수 있다. 사용자의 발화에 대한 응답이 가능한 경우, 프로세서(210)는 응답 모델을 이용하여 발화에 대한 응답을 생성하고 출력 수단을 통해 출력할 수 있다.
사용자의 발화에 대한 응답이 불가능한 경우, 단계 440에서, 프로세서(210)는 사용자로부터 설문을 통해 사용자의 요청 정보와 연관된 정보를 수집할 수 있다. 크롤링을 통해 수집한 정보를 통해 사용자의 발화에 대해 응답이 불가능하다고 판단된 경우, 프로세서(210)는 사용자와 설문을 진행하도록 하여 응답을 생성하기에 도움이 될 만한 정보를 획득할 수 있다.
단계 450에서, 사용자로부터 설문을 통해 사용자의 요청 정보와 연관된 정보를 수집한 후 프로세서(210)는 사용자의 요청 정보와 연관된 정보를 수집한 후, 응답 가능 판단 모델을 이용하여 사용자의 발화에 대한 응답이 가능한 지 판단할 수 있다. 프로세서(210)는 사용자와의 설문을 진행한 후에 응답이 가능한지를 응답 가능 판단 모델을 이용하여 판단할 수 있다.
설문이 진행된 후에도 응답이 불가능하다고 판단된 경우, 단계 460에서, 프로세서(210)는 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답정보를 수집할 수 있다. 전문가 단말은 전문가 그룹(105)의 단말을 통칭할 수 있다. 즉, 초기에 수행되는 지도학습 및 강화학습 뿐 아니라, 응답이 불가능한 상황이라고 판단되는 경우에는 추가적으로 전문가 그룹(105)의 전문가 단말로 사용자의 요청 정보와 연관된 정보를 송신함으로써 응답 정보를 수집하여 응답을 생성하도록 할 수 있다.
단계 470에서, 프로세서(210)는 응답 모델을 이용하여 발화에 대한 응답을 생성하고 출력 수단을 통해 출력할 수 있다.
도 6은 본원의 다양한 실시예에 따른 응답 모델 구축 단계로서 사용자(101)가 요청한 응답에 대한 정답 확률을 높이기 위해 크롤링이나 사용자(101)를 통한 실시간 설문과 상담 등을 통해 획득한 가공되지 않은 첩보나 정보에 대한 신뢰도 파라미터(가중치)를 부여하여 신뢰도 높은 정보 위주로 빅데이터를 구축하기 위한 방법론적인 예시도이다.
단계 610에서, 프로세서(210)는 상기 추가적인 정보가 필요한 경우, 네트워크를 통해 인터넷에 접속하여 상기 추가적인 정보를 수집할 수 있다. 전자 장치(102)에 회원으로 가입한 고객이나 사용자(101) 또는 서비스 제공자(106) 등을 통해 상기 추가적인 정보수집을 할 수 있으며, 또한 크롤링이나 이용자(101)와의 상담서비스간이나 전자 장치(102)에 가입한 회원들에게 푸시서버 등을 제공하면서 대화 형식의 설문을 통해 다양한 방법으로 정보수집을 할 수 있다. 단계 620에서, 프로세서(210)는 수집된 추가적인 정보와 상기 메모리에 저장된 정보를 비교하여, 상기 수집된 추가적인 정보에 대한 신뢰도 파라미터를 계산할 수 있다. 신뢰도 파라미터는, 프로세서(210)에 의해 메모리에 미리 저장되어 있던 정보와 수집된 추가적인 정보의 일치도에 기초하여 결정될 수 있다. 신뢰도 파라미터는 0 내지 1의 값을 가질 수 있다.
단계 630에서, 프로세서(210)는 상기 신뢰도 파라미터에 기초하여, 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보 각각에 대한 가중치를 계산할 수 있다. 단계 640에서, 프로세서(210)는 각각의 정보에 대한 가중치의 크기에 따라 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보의 양을 조절하여 상기 응답 모델에 입력할 수 있다. 정보의 양은, 응답을 생성하기 위해 조합되는 정보의 양을 의미할 수 있다. 예를 들어, 응답을 생성할 때 가중치가 작은 정보는 정보의 양을 적게 하고, 가중치가 큰 정보는 정보의 양을 크게 할 수 있다. 즉, 본원에서는, 인터넷을 통해 획득된 추가적인 정보에 대한 신뢰도에 대한 의구심이 있을 수 있기 때문에, 기존에 지도학습 또는 비지도 학습을 통해 메모리에 저장된 정보와 비교함으로써 추가적으로 획득된 정보의 신뢰도를 계산하고, 추후 응답 생성 시에 추가적인 정보를 활용할 것인지를 결정할 수 있다. 또한, 신뢰도 파라미터를 기초로 하여 신뢰도가 높은 경우(예: 신뢰도 파라미터가 임계치 이상) 추후 응답 생성 시에 추가적인 정보가 기존에 메모리에 저장되어 있던 정보보다 더 많이 기초가 되도록 하여 응답을 생성하고, 반대인 경우에는 추가적인 정보를 많이 반영하지 않도록 하여 자체적으로 응답의 신뢰도를 높일 수 있다.
일실시예에 따라, 전자 장치(102)가 이용하는 모델은 주기적으로 평가되어 강화학습(reinforcement learning)을 수행하고, 기초패턴 데이터를 이용하여 지도학습(supervised learning)을 수행될 수 있다. 도 1을 다시 참고하면, 전자 장치(102)가 이용하는 모델은 전문가 그룹(105)에 의해 주기적으로 또는 비주기적으로 강화학습이 수행될 수 있다. 전문가 그룹(105)은 본원의 서비스를 제공하는 운영자(104)가 고용한 현실세계의 전문가로 이루어진 집단일 수 있다. 예를 들어, 전문가 그룹(105)는 교육/심리/아동/기술/홍보/경제 등의 기초 자료지도학습(supervised learning), 전문 서적 또는 디지털 자료를 이용하여 초기 자료로서 모델을 1회 학습 시키고, 이후에 수시로 모델을 평가함으로써 모델이 적절히 동작하는지 확인할 수 있다.
일실시예에 따라, 상기 응답 모델은 응답 모델 구축 단계들에 의해 구축되고, 상기 응답 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 응답 모델 구축 단계들은: 프로세서(210)가 상기 사용자의 요청 정보에 대해 생성된 응답의 정확도를 나타내는 정확도 파라미터를 계산하고, 상기 정확도 파라미터가 임계치 이상인 경우 상기 응답을 자연어로 변환하여 출력수단을 통해 출력하고, 상기 정확도 파라미터가 임계치 미만인 경우, 크롤링 모델을 이용하여 네트워크를 통해 인터넷에 접속하여 추가적인 정보를 수집하는 단계를 포함할 수 있다. 정확도 파라미터는 응답의 정확도를 나타내는 파라미터를 통칭할 수 있다. 정확도 파라미터는 응답에 포함된 정보와 메모리에 저장된 정보와의 일치도에 따라서 결정될 수 있고, 일치도는 0 내지 1의 값을 가질 수 있다. 본원은 전자 장치(102)가 스스로 생성한 응답의 정확도에 대해 1차적인 검증을 거치도록 함으로써, 적절한 응답이 아닌 경우에는 적절한 응답이 생성될 때까지 추가적인 정보를 계속적으로 획득하도록 하는 효과를 가질 수 있다.
일실시예에 따라, 상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은 상기 추가적인 정보를 획득하는데 비용이 발생하는지 확인하는 단계, 발생하는 비용, 추가적인 정보의 양, 및 비용 발생 없이 추가적인 정보를 네트워크를 통한 인터넷에서 획득 가능한지 여부에 기초하여 비용 지불 여부를 결정하는 단계, 비용을 지불하기로 결정한 경우, 결제를 수행하여 추가적인 정보를 획득하는 단계를 더 포함할 수 있다. 즉, 본원은 전자 장치(102)에 의해 비용이 발생하는 크롤링 등이 수행되는 경우에 비용이 발생하는 정보 수집이 필요한지 여부를 자체적으로 판단하도록 함으로써, 무분별한 비용 발생을 방지하고자 하는 효과를 가질 수 있다.
일실시예에 따른 상기 응답 모델 구축 단계는, 상기 추가 발화에 대한 사용자의 움직임, 및 얼굴의 표정을 이미지 센서를 통해 감지하는 단계, 감지된 사용자의 움직임 및 얼굴 표정에 대한 이미지를 획득하고, 상기 메모리에 저장된 사용자의 감정 별로 클러스터링된 이미지들과 비교하여 사용자의 감정을 판단하고, 상기 판단된 감정을 이용하여 상기 추가 발화의 적절성을 나타내는 적절성 파라미터를 계산하는 단계, 상기 계산된 적절성 파라미터가 미리 설정된 임계치 이상인 경우 상기 추가 발화에 대한 추가 대화를 수행하는 단계, 및 상기 계산된 적절성 파라미터가 미리 설정된 임계치 미만인 경우 상기 추가 발화를 중지하는 단계를 더 포함할 수 있다. 본원의 전자 장치(102)는 상술한 바와 같이 사용자의 컨텍스트 정보도 함께 고려한 답변에 대한 응답이 적절한 지를 판단하는 과정을 거칠 수 있다. 자체적으로 적절성을 판단하는 과정을 통해 응답의 적절성에 대해서 학습할 수 있다는 효과를 가질 수 있다. 적절성 파라미터는, 응답이 적절하였는지 판단할 수 있도록 하는 특정 값을 갖는 파라미터를 통칭할 수 있다. 예를 들어, 사용자의 감정이 좋지 않다고 판단된 경우 적절성 파라미터는 낮은 값을 가질 수 있고, 사용자의 감정이 좋은 것으로 판단된 경우 적절성 파라미터는 높은 값을 가질 수 있다.
삭제
삭제
본원의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본원의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본원의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정 한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본원의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본원의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본원의 기술 분야에서 통상의 지식을 가진 자가 본원을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본원의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본원의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본원은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (9)
- 딥러닝 기법에 의해 학습된 대화형 전자 장치에 있어서,
메모리;
통신 모듈;
입력 수단;
출력 수단; 및
딥 러닝 기법에 의해 학습된 모델을 이용하여 메모리, 통신 모듈, 입력 수단, 및 출력 수단을 제어하는 프로세서;를 포함하고,
상기 프로세서는,
상기 메모리에 저장된 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단하고,
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고,
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 메모리에 저장된 크롤링 모델에 상기 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하고,
상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자로부터의 발화 및 상기 크롤링 모델을 이용하여 수집된 정보에 기초하여 사용자의 발화에 대한 응답이 가능한지 판단하고,
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고,
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집하고,
상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자로부터의 발화, 상기 크롤링 모델을 이용하여 수집된 정보, 및 설문으로부터 수집된 정보에 기초하여 사용자의 발화에 대한 응답이 가능한지 판단하고,
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하고,
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답 정보를 수집하고,
상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하고,
상기 응답 가능 판단 모델은 응답 가능 판단 모델 구축 단계들에 의해 구축되고, 상기 응답 가능 판단 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 응답 가능 판단 모델 구축 단계들은:
입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계;
상기 메모리에 저장된 정보에 기초하여 상기 사용자의 요청 정보에 대한 응답이 가능한지 판단하는 단계;를 포함하고,
상기 응답 가능 판단 모델 구축 단계들은:
상기 사용자의 요청 정보와 상기 메모리에 분야 별로 클러스터링되어 저장된 정보와의 유사도를 계산하여, 상기 사용자의 요청 정보의 분야를 판단하는 단계,
상기 판단된 분야에 대한 상기 메모리에 포함된 정보를 조합하여 상기 사용자의 요청 정보에 대한 응답을 생성할 수 있는지 확인하여 상기 분야에 대한 추가적인 정보가 필요한지 결정하는 단계를 더 포함하고,
상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은:
상기 추가적인 정보가 필요한 경우, 네트워크를 통해 인터넷에 접속하여 상기 추가적인 정보를 수집하는 단계;
상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보를 비교하여, 상기 수집된 추가적인 정보에 대한 신뢰도 파라미터를 계산하는 단계;
상기 신뢰도 파라미터에 기초하여, 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보 각각에 대한 가중치를 계산하는 단계;
각각의 정보에 대한 가중치의 크기에 따라 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보의 양을 조절하여 상기 응답 모델에 입력하는 단계;를 더 포함하고,
상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은:
상기 추가적인 정보를 획득하는데 비용이 발생하는지 확인하는 단계;
발생하는 비용, 추가적인 정보의 양, 및 비용 발생 없이 추가적인 정보를 네트워크를 통한 인터넷에서 획득 가능한지 여부에 기초하여 비용 지불 여부를 결정하는 단계;
비용을 지불하기로 결정한 경우, 결제를 수행하여 추가적인 정보를 획득하는 단계를 포함하는,
전자 장치.
- 삭제
- 제1항에 있어서,
응답 가능 판단 모델, 응답 모델, 및 크롤링 모델은 주기적으로 평가되어 강화학습(reinforcement learning)을 수행하고, 기초패턴 데이터를 이용하여 지도학습을 수행하는,
전자 장치.
- 제1항에 있어서,
상기 응답 모델은 응답 모델 구축 단계들에 의해 구축되고, 상기 응답 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 응답 모델 구축 단계들은:
상기 사용자의 요청 정보에 대해 생성된 응답의 정확도를 나타내는 정확도 파라미터를 계산하는 단계;
상기 정확도 파라미터가 임계치 이상인 경우 상기 응답을 자연어로 변환하여 출력수단을 통해 출력하는 단계; 및
상기 정확도 파라미터가 임계치 미만인 경우, 크롤링 모델을 이용하여 네트워크를 통해 인터넷에 접속하여 추가적인 정보를 수집하는 단계를 포함하는,
전자 장치.
- 삭제
- 삭제
- 삭제
- 삭제
- 딥러닝 기법에 의해 학습된 대화형 전자 장치가 동작하는 방법에 있어서,
메모리에 저장된 응답 가능 판단 모델에 사용자로부터의 발화를 입력하여, 사용자의 발화에 대한 응답이 가능한지 판단하는 단계;
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계;
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 메모리에 저장된 크롤링 모델에 상기 판단 결과를 입력하여 상기 사용자의 요청 정보에 연관된 정보를 수집하는 단계;
상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자로부터의 발화 및 상기 크롤링 모델을 이용하여 수집된 정보에 기초하여 사용자의 발화에 대한 응답이 가능한지 판단하는 단계;
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계;
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집하는 단계;
상기 사용자에게 설문을 수행하여 설문으로부터 상기 사용자의 요청 정보에 연관된 정보를 수집한 후, 사용자로부터의 발화, 상기 크롤링 모델을 이용하여 수집된 정보, 및 설문으로부터 수집된 정보에 기초하여 사용자의 발화에 대한 응답이 가능한지 판단하는 단계;
상기 사용자의 요청 정보에 대한 응답이 가능한 경우, 상기 메모리에 저장된 응답 모델에 상기 판단 결과를 입력하여, 상기 발화에 대한 응답을 생성하여 출력수단을 통해 출력하는 단계;
상기 사용자의 요청 정보에 대한 응답이 불가능한 경우, 전문가 단말에 사용자의 요청 정보와 연관된 정보를 송신하여 응답 정보를 수집하는 단계; 및
상기 응답 모델에 수집된 정보를 입력하여 응답을 생성하여 출력수단을 통해 출력하는 단계;
를 포함하고,
상기 응답 가능 판단 모델은 응답 가능 판단 모델 구축 단계들에 의해 구축되고, 상기 응답 가능 판단 모델 구축 단계들은 상기 전자 장치의 프로세서를 통해 실행되고, 상기 응답 가능 판단 모델 구축 단계들은:
입력수단을 이용하여 획득한 사용자의 발화에 포함된 자연어로부터 사용자의 요청 정보를 획득하는 단계;
상기 메모리에 저장된 정보에 기초하여 상기 사용자의 요청 정보에 대한 응답이 가능한지 판단하는 단계;를 포함하고,
상기 응답 가능 판단 모델 구축 단계들은:
상기 사용자의 요청 정보와 상기 메모리에 분야 별로 클러스터링되어 저장된 정보와의 유사도를 계산하여, 상기 사용자의 요청 정보의 분야를 판단하는 단계,
상기 판단된 분야에 대한 상기 메모리에 포함된 정보를 조합하여 상기 사용자의 요청 정보에 대한 응답을 생성할 수 있는지 확인하여 상기 분야에 대한 추가적인 정보가 필요한지 결정하는 단계를 더 포함하고,
상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은:
상기 추가적인 정보가 필요한 경우, 네트워크를 통해 인터넷에 접속하여 상기 추가적인 정보를 수집하는 단계;
상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보를 비교하여, 상기 수집된 추가적인 정보에 대한 신뢰도 파라미터를 계산하는 단계;
상기 신뢰도 파라미터에 기초하여, 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보 각각에 대한 가중치를 계산하는 단계;
각각의 정보에 대한 가중치의 크기에 따라 상기 수집된 추가적인 정보와 상기 메모리에 저장된 정보의 양을 조절하여 상기 응답 모델에 입력하는 단계;를 더 포함하고,
상기 크롤링 모델은 크롤링 모델 구축 단계들에 의해 구축되고, 상기 크롤링 모델 구축 단계들은 상기 전자 장치의 상기 프로세서를 통해 실행되고, 상기 크롤링 모델 구축 단계들은:
상기 추가적인 정보를 획득하는데 비용이 발생하는지 확인하는 단계;
발생하는 비용, 추가적인 정보의 양, 및 비용 발생 없이 추가적인 정보를 네트워크를 통한 인터넷에서 획득 가능한지 여부에 기초하여 비용 지불 여부를 결정하는 단계;
비용을 지불하기로 결정한 경우, 결제를 수행하여 추가적인 정보를 획득하는 단계를 더 포함하는,
딥러닝 기법에 의해 학습된 대화형 전자 장치가 동작하는 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220087821A KR102498533B1 (ko) | 2022-07-15 | 2022-07-15 | 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 |
| US18/116,303 US20240020553A1 (en) | 2022-07-15 | 2023-03-02 | Interactive electronic device for performing functions of providing responses to questions from users and real-time conversation with the users using models learned by deep learning technique and operating method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220087821A KR102498533B1 (ko) | 2022-07-15 | 2022-07-15 | 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102498533B1 true KR102498533B1 (ko) | 2023-02-09 |
Family
ID=85224717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220087821A KR102498533B1 (ko) | 2022-07-15 | 2022-07-15 | 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240020553A1 (ko) |
| KR (1) | KR102498533B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054528A (ko) * | 2016-11-15 | 2018-05-24 | 주식회사 로보러스 | 컨시어지 로봇 시스템, 컨시어지 서비스 방법 및 컨시어지 로봇 |
| KR102183622B1 (ko) * | 2020-02-14 | 2020-11-26 | 권용현 | 모바일 기반 샘플링 기법을 이용한 지능형 가정교육 빅데이터 플랫폼 제공 방법 및 시스템 |
| KR20210030646A (ko) * | 2019-09-10 | 2021-03-18 | 삼성전자주식회사 | 인공지능 비서를 선택하는 전자 장치 및 그 응답 제공 방법 |
| KR20210064765A (ko) * | 2019-11-26 | 2021-06-03 | 엘지전자 주식회사 | 사용자 질의에 대한 응답을 제공하는 전자 장치 및 그의 동작 방법 |
-
2022
- 2022-07-15 KR KR1020220087821A patent/KR102498533B1/ko active IP Right Grant
-
2023
- 2023-03-02 US US18/116,303 patent/US20240020553A1/en not_active Abandoned
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180054528A (ko) * | 2016-11-15 | 2018-05-24 | 주식회사 로보러스 | 컨시어지 로봇 시스템, 컨시어지 서비스 방법 및 컨시어지 로봇 |
| KR20210030646A (ko) * | 2019-09-10 | 2021-03-18 | 삼성전자주식회사 | 인공지능 비서를 선택하는 전자 장치 및 그 응답 제공 방법 |
| KR20210064765A (ko) * | 2019-11-26 | 2021-06-03 | 엘지전자 주식회사 | 사용자 질의에 대한 응답을 제공하는 전자 장치 및 그의 동작 방법 |
| KR102183622B1 (ko) * | 2020-02-14 | 2020-11-26 | 권용현 | 모바일 기반 샘플링 기법을 이용한 지능형 가정교육 빅데이터 플랫폼 제공 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240020553A1 (en) | 2024-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ciaburro et al. | Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles | |
| US11087086B2 (en) | Named-entity recognition through sequence of classification using a deep learning neural network | |
| KR20210119944A (ko) | 신경망을 학습시키는 방법 | |
| US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
| WO2022271858A1 (en) | Multi-task attention based recurrent neural networks for efficient representation learning | |
| Liu et al. | Hands-On Deep Learning Architectures with Python: Create deep neural networks to solve computational problems using TensorFlow and Keras | |
| Yuan et al. | Deep learning from a statistical perspective | |
| KR102498533B1 (ko) | 딥 러닝 기법으로 학습된 모델을 이용하여 사용자와의 실시간 대화 및 질문에 대한 응답 제공 기능을 수행하는 대화형 전자 장치 및 그 동작 방법 | |
| Saleh | The The Deep Learning with PyTorch Workshop: Build deep neural networks and artificial intelligence applications with PyTorch | |
| KR20230062130A (ko) | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 | |
| US11966927B2 (en) | Multi-task deep learning of customer demand | |
| Al-akashi | Improving Learning Performance in Neural Networks | |
| Akerkar et al. | Artificial neural network | |
| Kordon et al. | Artificial Intelligence-Based Data Science Solutions | |
| Pedroza et al. | Machine reading comprehension (lstm) review (state of art) | |
| US20230117247A1 (en) | Multi-Modal Deep Learning of Structured and Non-Structured Data | |
| KR102440629B1 (ko) | 반도체 설계를 위한 신경망 모델 학습 방법 | |
| KR102629022B1 (ko) | 강화 학습 기반의 스케줄링 방법 | |
| KR102636797B1 (ko) | 인공지능 모델을 활용하여 해시태그 기반 노트 주제 및 노트 콘텐츠 분석을 통해 사용자 심리 상태를 분석하고 이에 대한 솔루션 제공 방법, 장치 및 시스템 | |
| Escovedo et al. | Neuroevolutionary models based on quantum-inspired evolutionary algorithms | |
| Qamar et al. | Deep Learning | |
| Kaur et al. | Machine Learning and its Applications-A Review Study | |
| KR102618066B1 (ko) | 군인 기반 커뮤니티 애플리케이션에서 자연어 처리 및 이미지 대조를 기반으로 하여 군사 보안을 강화하는 방법, 장치 및 시스템 | |
| US20210272067A1 (en) | Multi-Task Deep Learning of Employer-Provided Benefit Plans | |
| Natarajan et al. | Learning Algorithms, Machine/Deep Learning, and Applied AI: A Conceptual Framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |