KR102508656B1

KR102508656B1 - Method, device and system for providing customized language ability test learning service based on problem analysis through artificial intelligence

Info

Publication number: KR102508656B1
Application number: KR1020220138846A
Authority: KR
Inventors: 양동효
Original assignee: 양동효
Priority date: 2022-10-26
Filing date: 2022-10-26
Publication date: 2023-03-10

Abstract

A system for providing a user-customized language proficiency test learning service based on problem analysis through artificial intelligence may include a learning unit, an evaluation unit, a big data management unit, and a processor operatively connected to the learning unit, the evaluation unit, and the big data management unit. While preparing for the Korean Proficiency Test, the system can introduce Korean tourist destinations and famous celebrities together to arouse learners' interest and provide convenient usability, which can lead to a trip to Korea.

Description

Method, device and system for providing user-customized language proficiency test learning service based on problem analysis through artificial intelligence

아래 실시예들은 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스를 제공하는 기술에 관한 것이다. The following embodiments relate to a technology for providing a user-customized language proficiency test learning service based on problem analysis through artificial intelligence.

한국어능력시험은 TOPIK(Test of Proficiency in Korean)이라고도 하며, 재외동포 및 외국인의 한국어 사용능력을 측정하고 평가하여 결과를 국내 대학 유학 및 취업 등에 활용하기 위해 응시하는 시험을 의미한다.The Test of Proficiency in Korean, also known as TOPIK (Test of Proficiency in Korean), is a test taken to measure and evaluate the Korean language proficiency of overseas Koreans and foreigners and use the results for studying at universities in Korea and for employment.

기존의 방법으로는 외국인이 한국어능력시험을 응시하기 위해 한국어 교육을 대상으로 하는 사교육학원이나, EBS 교육프로그램을 통한 학습, 한국어능력시험 홈페이지를 이용하여 기출문제를 풀거나 관련자료를 수집하여 학습할 수 있다.In the existing method, foreigners can solve past questions or collect related data by using a private educational institute for Korean language education, learning through EBS education programs, or the Korean Proficiency Test website to take the Korean Language Proficiency Test. can

점차 한국어능력시험을 응시하려는 외국인의 수가 증가하고 있고 그에 따라 한국어 학습이나 수준에 대한 수요도 증가함으로써 외국인에게 한국어 능력시험을 대비할 수 있는 학습 시스템의 필요성이 커지고 있다.As the number of foreigners who want to take the Korean Language Proficiency Test is gradually increasing, and the demand for Korean language learning or level increases accordingly, the need for a learning system that can prepare foreigners for the Korean Language Proficiency Test is growing.

세계 각국에서 한국어를 필수과목으로 지정하고, 한국어 교육을 시작하는 환경에 비해 원어민 강사(한국인 강사)의 수는 상대적으로 부족하여 해외의 한국어 교육 수요를 충족시키지 못하는 한계가 있다.Compared to the environment in which Korean language is designated as a compulsory subject in many countries around the world and Korean language education begins, the number of native speaking instructors (Korean instructors) is relatively insufficient, which limits the ability to meet the demand for Korean language education abroad.

또한, 팬데믹으로 인하여 한국으로의 입국도 제한되어 한국어를 배우고 싶은 수요가 있어도 이를 충족시키기 어려우며, 한국어 강사가 해외로 파견 나가는 것도 팬데믹으로 인해 한계가 있다.In addition, entry into Korea is restricted due to the pandemic, making it difficult to meet even if there is a demand for learning Korean, and there are limitations in dispatching Korean language instructors abroad due to the pandemic.

외국의 한국어 학습자들을 인터넷 강의를 이용할 수도 있으나, 인터넷 강의는 학습 전달력이 부족한 한계가 있다.Foreign learners of Korean language can use online lectures, but internet lectures have limitations in terms of delivery of learning.

본 문서에 따른 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스를 제공하는 시스템은 한국어를 배우고 싶어하거나, 한국으로 취업이나 유학을 희망하는 외국인 또는 한국에서 비즈니스를 하거나, 한국인과의 결혼을 생각하는 외국인들에게 한국어 능력 시험에 합격할 수 있는 학습 시스템을 제공하는 것을 목적으로 한다.The system that provides a user-customized language proficiency test learning service based on problem analysis through artificial intelligence according to this document is a foreigner who wants to learn Korean, wants to work or study in Korea, does business in Korea, or marries a Korean. The purpose is to provide a learning system that can pass the Korean Proficiency Test to thinking foreigners.

인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 시스템은 학습부, 평가부, 빅데이터 관리부 및 상기 학습부, 평가부, 빅데이터 관리부와 작동적으로 연결된 프로세서를 포함할 수 있다.A system for providing a user-customized language ability test learning service based on problem analysis through artificial intelligence may include a learning unit, an evaluation unit, a big data management unit, and a processor operatively connected to the learning unit, evaluation unit, and big data management unit.

학습부는 시스템 상으로 제출된 학습자의 입력을 학습 내용에 맞춰 분석하고, 결과를 학습이력 DB에 저장시키며, 학습자의 개인별, 수준별, 국가, 나이, 모국어 중 적어도 하나의 요인에 기반하여 DB를 분석하여 학습자의 오류 패턴을 추출하고, 추출된 오류 패턴을 학습 콘텐츠와 연동하여 솔루션을 제공하고, 다시 학습자의 입력이 있으면 학습자가 입력한 발화를 자동으로 평가하고, 평가 정보를 생성하며,The learning unit analyzes the learner's input submitted to the system according to the learning content, stores the result in the learning history DB, and analyzes the DB based on at least one factor among the learner's individual, level, country, age, and native language. Extract the learner's error pattern, link the extracted error pattern with the learning content to provide a solution, and if there is a learner's input again, automatically evaluate the learner's input utterance, create evaluation information,

평가부는 학습부의 평가에 기반하여 개인 성취도를 그래프로 생성하고, 개인 성취도를 세부 영역으로 나눠 세부 영역 단위로 능력을 향상시키기 위한 보충 문제를 제공하며, 세부 영역은 지문을 읽고 해석하는 독해력, 문맥에 맞는 정확한 단어를 선택하는 어휘력, 정확한 문법 구사력 및 문장에 포함된 정보를 활용하여 문제를 해결하는 문제 풀이 능력을 포함하며,The evaluation unit creates a graph of personal achievement based on the evaluation of the learning unit, divides the individual achievement into detailed areas, and provides supplementary problems to improve ability in each detailed area. It includes vocabulary to choose the right word, correct grammar, and problem-solving ability to solve problems using information contained in sentences.

빅데이터 관리부는 한국어 능력시험의 기출문제를 다수의 학습자가 일정 기간 동안 해결하면서 생성된 정답 및 오답 데이터를 입력으로 하여 학습자가 가진 오답 데이터를 기준으로 학습자의 문제점을 분석하고, 비슷한 유형의 문제를 제공하는 것을 출력으로 하며, 한국어 능력시험의 기출문제를 입력으로 하여 중복어휘의 빈도수에 기반하여 빈출되는 어휘에 대한 출력을 생성하고, 상기 빈출되는 어휘를 입력으로 하여 상기 빈출되는 어휘와 관련된 한국 내 관광지나 드라마를 포함하는 문화 컨텐츠를 출력으로 생성하고,한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 모의 문제를 생성하고, 상기 관광지와 관련된 스토리, 상기 관광지의 관광 상품, 관련 음식점, 상기 관광지에서 촬영된 드라마나 영화에 대한 소개를 출력하고,The big data management department analyzes learners' problems based on the wrong answer data of learners by taking as input the correct and incorrect answer data generated while a large number of learners solve past questions of the Korean Proficiency Test for a certain period of time, and solves similar types of problems. The provided output is taken as an output, and an output for frequently occurring vocabulary is generated based on the frequency of overlapping vocabulary by taking past questions of the Korean Proficiency Test as input, and using the frequently occurring vocabulary as an input, within Korea related to the frequently occurring vocabulary Cultural contents including tourist attractions or dramas are generated as output, mock problems are generated by inputting tourist attractions related to vocabulary frequently used in the Korean Language Proficiency Test, stories related to the tourist attractions, tourism products of the tourist attractions, related restaurants, and the like Print an introduction to a drama or movie filmed at a tourist destination,

프로세서는 학습부 상의 평가 정보를 학습자 및 교수자의 단말에 제공하며, 그래프로 생성된 개인 성취도 및 세부 영역 단위의 보충 문제를 학습자의 단말에 제공하고, 빅데이터 관리부에서 출력된 학습자의 문제점과 비슷한 유형의 문제를 제공하고, 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 생성된 모의 문제 및 상기 관광지와 관련된 스토리, 상기 관광지의 관광 상품, 관련 음식점, 상기 관광지에서 촬영된 드라마나 영화에 대한 소개를 학습자 단말로 제공하고, 한국어 능력시험의 날짜에 대한 정보, 시험 장소에 대한 정보, 시험 장소로 오기 위한 최적의 항공편 및 한국 입국을 위한 준비물에 대한 정보를 외부 서버로부터 수신하여 학습자 단말로 제공할 수 있다.The processor provides the evaluation information on the learning unit to the terminals of the learner and the instructor, and provides the personal achievement generated in graphs and supplementary problems in detailed areas to the terminals of the learners, and the type similar to the problems of the learners output from the big data management unit. Provides problems, mock problems generated by inputting tourist attractions related to vocabulary frequently encountered in the Korean Proficiency Test, stories related to the tourist attractions, tourism products of the tourist attractions, related restaurants, and dramas or movies filmed at the tourist attractions Information about the date of the Korean Proficiency Test, information about the test location, the best flight to the test location, and information on preparations for entry into Korea are received from an external server and provided to the learner's device. can do.

일실시예에 따른 시스템은 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.The system according to an embodiment may be combined with hardware and controlled by a computer program stored in a medium to execute any one of the methods described above.

본 문서의 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 시스템은 한국어 능력 시험에 합격할 수 있는 학습 시스템을 제공할 수 있다.The system for providing a user-customized language proficiency test learning service based on problem analysis through artificial intelligence in this document can provide a learning system that can pass the Korean language proficiency test.

본 문서의 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 시스템은 한국어 능력 시험을 준비하면서 한국의 관광지나 유명 연예인을 함께 소개하여 학습자의 흥미를 유발하고, 한국 여행으로 이어질 수 있는 편리한 사용성을 제공할 수 있다.The system for providing a user-customized language proficiency test learning service based on problem analysis through artificial intelligence in this document introduces Korean tourist destinations and famous celebrities together while preparing for the Korean language proficiency test, arouses learners' interest, and provides a convenient way that can lead to a trip to Korea. usability can be provided.

본 문서의 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 시스템은 원어민의 발음에 대한 강세, 억양 등의 분석에 기반하여 학습자의 발음에 대한 상세한 평가를 제공할 수 있다.The system for providing a user-customized language proficiency test learning service based on problem analysis through artificial intelligence in this document can provide a detailed evaluation of the learner's pronunciation based on the analysis of accent, intonation, etc. of the native speaker's pronunciation.

도 1은 일 실시예에 따른 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
도 4는 일실시예에 따른 시스템의 구성을 블록도로 나타낸 것이다.
도 5는 일 실시예에 따른 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 방법의 순서도를 나타낸 것이다.1 is a diagram for explaining a system for providing a user-customized language ability test learning service based on problem analysis through artificial intelligence according to an embodiment.
2 is a diagram for explaining learning of a neural network according to an exemplary embodiment.
3 is a diagram showing the configuration of an artificial intelligence model according to an embodiment.
4 is a block diagram showing the configuration of a system according to an embodiment.
5 is a flow chart of a method for providing a user-customized language ability test learning service based on problem analysis through artificial intelligence according to an embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, since various changes can be made to the embodiments, the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents or substitutes to the embodiments are included within the scope of rights.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only, and may be modified and implemented in various forms. Therefore, the embodiments are not limited to the specific disclosed form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various components, such terms should only be construed for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.It should be understood that when an element is referred to as being “connected” to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the examples are used only for descriptive purposes and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description will be omitted.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. The embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, machines learn and judge on their own. The more AI systems are used, the higher the recognition rate and the more accurate understanding of user preferences. Conventional rule-based smart systems are gradually being replaced by deep learning-based AI systems.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithm technology that classifies/learns the characteristics of input data by itself, and element technology is a technology that uses machine learning algorithms such as deep learning to mimic functions such as recognition and judgment of the human brain. It consists of technical fields such as understanding, inference/prediction, knowledge expression, and motion control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행),조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology for recognizing and applying/processing human language/characters, including natural language processing, machine translation, dialogue systems, question and answering, voice recognition/synthesis, and the like. Visual understanding is a technology for recognizing and processing objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, space understanding, image improvement, and the like. Inference prediction is a technique of reasoning and predicting logically by judging information, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology for controlling the autonomous driving of vehicles and the movement of robots, and includes motion control (navigation, collision, driving), manipulation control (behavior control), and the like.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.In general, in order to apply machine learning algorithms to real life, learning is performed in a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있 다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이 다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인 지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In the present invention, artificial intelligence (AI) means a technology that imitates human learning ability, reasoning ability, perception ability, etc., and implements it with a computer, and concepts such as machine learning and symbolic logic can include Machine learning (ML) is an algorithm technology that classifies or learns the characteristics of input data by itself. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the result of the analysis, and can make judgments or predictions based on the result of the learning. In addition, technologies that mimic the functions of the human brain, such as cognition and judgment, using machine learning algorithms, can also be understood as the category of artificial intelligence. For example, technical fields such as linguistic understanding, visual understanding, inference/prediction, knowledge expression, and motion control may be included.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.Machine learning may refer to processing that trains a neural network model using experience of processing data. Through machine learning, computer software could mean improving its own data processing capabilities. A neural network model is constructed by modeling a correlation between data, and the correlation may be expressed by a plurality of parameters. The neural network model extracts and analyzes features from given data to derive a correlation between the data. Machine learning is to optimize the parameters of the neural network model by repeating this process. For example, a neural network model may learn a mapping (correlation) between an input and an output with respect to data given as an input/output pair. Alternatively, even when only input data is given, the neural network model may learn the relationship by deriving regularities between given data.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워 크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서 로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이 어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사 용될 수 있다.An artificial intelligence learning model or a neural network model may be designed to implement a human brain structure on a computer, and may include a plurality of network nodes having weights while simulating neurons of a human neural network. A plurality of network nodes may have a connection relationship between them by simulating synaptic activities of neurons in which neurons exchange signals through synapses. In the artificial intelligence learning model, a plurality of network nodes can exchange data according to the convolution connection relationship while being located in layers of different depths. The artificial intelligence learning model may be, for example, an artificial neural network model, a convolutional neural network model (CNN), and the like. As an embodiment, the artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, and Ada-boost. ), perceptron, genetic programming, clustering, etc. can be used.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루 어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Of these, CNNs are a type of multilayer perceptrons designed to use minimal preprocessing. CNN consists of one or several convolutional layers and general artificial neural network layers placed on top of them, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize the two-dimensional structure of the input data. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back-propagation. CNNs are easier to train than other feedforward artificial neural network techniques and have the advantage of using fewer parameters.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기 를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computing power, combined with algorithmic advances such as piecewise linear units and dropout training, have greatly improved many computer vision tasks. With huge data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. To this end, a distributed, scalable implementation of deep neural networks can be used.

도 1은 일실시예에 따른 인공지능 기반 뷰티샵 예약 플랫폼 서비스 제공 시스템을 설명하기 위한 도면이다.1 is a diagram for explaining an AI-based beauty shop reservation platform service providing system according to an embodiment.

도 1에 도시한 바와 같이, 인공지능 기반 뷰티샵 예약 플랫폼 서비스 제공 시스템(100)은, 다수의 사용자 단말 (110-1,…), 서버(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서 버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,…서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서 로 통신 가능하도록 연결될 수 있다.As shown in FIG. 1, the AI-based beauty shop reservation platform service providing system 100 may include a plurality of user terminals 110-1, ..., a server 120, and a database 130. According to one embodiment, the database 130 is shown as configured separately from the server 120, but is not limited thereto, and the database 130 may be provided in the server 120. For example, the server 120 may include multiple artificial intelligence for performing machine learning algorithms. According to one embodiment, a plurality of user terminals 110-1, ... the server 120 and the database 130 may be connected to communicate with each other through a network (N).

네트워크(N)는, 다수의 사용자 단말(110-1,…, 서버(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크 (N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있 다.The network N may perform wireless or wired communication between a plurality of user terminals 110-1, ..., a server 120, a database 130, etc. For example, the network may be LTE (long-term). evolution), LTE-A (LTE Advanced), CDMA (code division multiple access), WCDMA (wideband CDMA), WiBro (Wireless BroadBand), WiFi (wireless fidelity), Bluetooth, NFC (near field communication), GPS (Global Positioning System) or GNSS (global navigation satellite system), etc. For example, the network (N) is USB (universal serial bus), HDMI (high definition multimedia interface) , RS-232 (recommended standard 232) or POTS (plain old telephone service) may be used to perform wired communication.

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용 자 단말(110-1,…서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. The database 130 may store various data. The data stored in the database 130 is obtained, processed, or used by at least one component of the plurality of user terminals 110-1, ... the server 120, and software (eg: program) The database 130 may include volatile and/or non-volatile memory.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.Machine learning may refer to processing that trains a neural network model using experience of processing data. Through machine learning, computer software can mean improving its own data processing capabilities. A neural network model is constructed by modeling a correlation between data, and the correlation may be expressed by a plurality of parameters. The neural network model extracts and analyzes features from given data to derive a correlation between the data. Machine learning is to optimize the parameters of the neural network model by repeating this process. For example, a neural network model may learn a mapping (correlation) between an input and an output with respect to data given as an input/output pair. Alternatively, even when only input data is given, the neural network model may learn the relationship by deriving regularities between given data.

도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.2 is a diagram for explaining learning of a neural network according to an exemplary embodiment.

도 2에 도시한 바와 같이, 학습 장치는 다수의 사용자 단말(110-1,…로부터 수신된 리뷰 응답을 항목별로 하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 또한, 학습 장치는 사용자의 이동 경로 정보로부터 사용자 체 류 내역을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버 (120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.2, the learning device may train the neural network 123 in order to itemize the review responses received from the plurality of user terminals 110-1, .... In addition, the learning device may train the user's movement. In order to extract user stay details from route information, the neural network 123 may be trained. According to an embodiment, the learning device may be a separate subject different from the server 120, but is not limited thereto.

뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이 어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들 은 리뷰 응답에 대응하는 항목들에 기초하여 정의되고, 이동 경로 정보에 대응하는 사용자 체류 내역에 기초하 여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가 중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.The neural network 123 includes an input layer 121 into which training samples are input and an output layer 125 into which training outputs are output, and may be learned based on differences between the training outputs and labels. Here, the labels may be defined based on items corresponding to review responses and based on user stay details corresponding to movement route information. The neural network 123 is connected to a group of a plurality of nodes, and is defined by weights between the connected nodes and an activation function that activates the nodes.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워 크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.The learning device may train the neural network 123 using a gradient descent (GD) technique or a stochastic gradient descent (SGD) technique. The learning device may use a loss function designed by outputs and labels of the neural network.

학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계 될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.The learning device may calculate a training error using a predefined loss function. The loss function may be predefined with labels, outputs and parameters as input variables, where the parameters may be set by weights in the neural network 123. For example, the loss function may be designed in a mean square error (MSE) form, an entropy form, and the like, and various techniques or methods may be employed in an embodiment in which the loss function is designed.

학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있 다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱 신할 수 있다.The learning device may find weights that affect the training error using a backpropagation technique. Here, weights are relationships between nodes in the neural network 123 . The learning device may use the SGD technique using labels and outputs to optimize the weights found through the backpropagation technique. For example, the learning device may update weights of a loss function defined based on labels, outputs, and weights using the SGD technique.

일 실시예에 따르면, 학습 장치는 리뷰 응답으로부터 제1 객체들을 추출하며, 제1 객체들에 대응하는 항목들인 제1 레이블들을 획득하고, 제1 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 객체들에 대응하는 제1 트레이닝 출력들을 생성하며, 제1 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.According to an embodiment, the learning device extracts first objects from the review response, obtains first labels corresponding to the first objects, applies the first objects to a first neural network, and First training outputs corresponding to the first training outputs may be generated, and the first neural network may be trained based on the first training outputs and the first labels.

학습 장치는 이동 경로 정보로부터 제2 객체들을 추출하며, 제2 객체들에 대응하는 사용자 체류 내역인 제2 레 이블들을 획득하고, 제2 객체들을 제2 뉴럴 네트워크로 적용하여, 제2 객체들에 대응하는 제2 트레이닝 출력들 을 생성하며, 제2 트레이닝 출력들, 제2 레이블들에 기초하여, 제2 뉴럴 네트워크를 학습시킬 수 있다.The learning device extracts second objects from movement path information, obtains second labels corresponding to the second objects, which are details of a user's stay, and applies the second objects to a second neural network to obtain information on the second objects. Corresponding second training outputs may be generated, and the second neural network may be trained based on the second training outputs and the second labels.

일 실시예에 따르면, 학습 장치는 리뷰 응답의 구성 특징들, 위치 특징들 및 패턴 특징들에 기초하여 제1 트레 이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.According to an embodiment, the learning device may generate first training feature vectors based on configuration features, location features, and pattern features of the review response. Various methods may be employed to extract features.

일 실시예에 따르면, 학습 장치는 이동 경로 정보의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.According to an embodiment, the learning device may generate second training feature vectors based on configuration features, length features, and pattern features of the movement path information. Various methods may be employed to extract features.

일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크 (123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용 하여 리뷰 응답으로부터 항목들을 추출할 수 있다. 예를 들어, 추출된 항목들은 친절도, 매장 청결도, 서비스 만족도 등을 포함할 수 있지만, 이에 한정되지 않는다.According to an embodiment, the learning device may obtain training outputs by applying the first training feature vectors to the neural network 123. The learning device may train the review item extraction algorithm of the neural network 123 based on the training outputs and the first labels. The learning device calculates training errors corresponding to the training outputs, and optimizes a connection relationship between nodes in the neural network 123 to minimize the training errors, thereby training the review item extraction algorithm of the neural network 123. . The server 120 may extract items from the review response using the first neural network for which learning has been completed. For example, the extracted items may include friendliness, store cleanliness, service satisfaction, etc., but are not limited thereto.

일 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(123)의 사용자 체 류 내역 획득 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산 하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네 트워크(123)의 사용자 체류 내역 획득 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제2 뉴럴 네 트워크를 이용하여 이동 경로 정보부터 사용자 체류 내역을 획득할 수 있다.According to an embodiment, the learning device may obtain training outputs by applying the second training feature vectors to the neural network 123. The learning device may learn an algorithm for obtaining user stay details of the neural network 123 based on the training outputs and the second labels. The learning device calculates training errors corresponding to the training outputs, optimizes the connection relationship of nodes in the neural network 123 to minimize the training errors, and trains the algorithm for obtaining user stay details of the neural network 123. can The server 120 may obtain the details of the user's stay from the moving path information by using the second neural network for which learning has been completed.

도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.3 is a diagram showing the configuration of an artificial intelligence model according to an embodiment.

일 실시예에 따른 인공지능 모델은 입력 계층(input layer), 은닉 계층(hidden layer) 및 출력 계층(output layer)을 포함할 수 있다.An artificial intelligence model according to an embodiment may include an input layer, a hidden layer, and an output layer.

입력 계층(input layer)은 인공지능 모델에 입력되는 입력 값과 관련된 계층이다.An input layer is a layer related to input values input to an artificial intelligence model.

은닉 계층(hidden layer)에서는 입력 값에 대하여 MAC 연산(multiply-accumulate)과 활성화 연산을 수행하여 피쳐 맵을 출력할 수 있다.In the hidden layer, a feature map may be output by performing a multiply-accumulate (MAC) operation and an activation operation on an input value.

MAC 연산은 입력 값과 대응되는 가중치를 각각 곱하고, 곱한 값들을 합하는 연산일 수 있다. The MAC operation may be an operation of multiplying an input value by a corresponding weight and summing the multiplied values.

활성화 연산은 MAC 연산의 결과를 활성화 함수에 입력하여 결과 값을 출력하는 연산일 수 있다. 활성화 함수는, 다양한 유형일 수 있다. 예를 들어, 활성화 함수는, 시그모이드 함수, 탄젠트 함수, 렐루 함수, 리키 렐루 함수, 맥스아웃 함수 및/또는 엘루 함수을 포함할 수 있으나 그 종류에 제한이 없다.The activation operation may be an operation of inputting a result of the MAC operation to an activation function and outputting a resultant value. Activation functions can be of various types. For example, the activation function may include, but is not limited to, a sigmoid function, a tangent function, a relu function, a ricky relu function, a maxout function, and/or an elu function.

은닉 계층은 적어도 하나의 계층(layer)로 구성될 수 있다. 예를 들어, 은닉 계층이 제 1 은닉 계층 및 제 2 은닉 계층으로 구성된 경우, 제 1 은닉 계층은 입력 계의 입력 값에 기반하여 MAC 연산 및 활성화 연산을 수행하여 피쳐 맵을 출력하고, 제 1 은닉 계층에서의 결과 값인 피쳐 맵이 제 2 은닉 계층에서의 입력 값이 될 수 있다. 제 2 은닉 계층은 제 1 은닉 계층의 결과 값인 피쳐 맵에 기반하여 MAC 연산 및 활성화 연산을 수행할 수 있다.The hidden layer may consist of at least one layer. For example, when the hidden layer is composed of a first hidden layer and a second hidden layer, the first hidden layer outputs a feature map by performing a MAC operation and an activation operation based on the input value of the input system, and A feature map, which is a result value of the layer, may be an input value of the second hidden layer. The second hidden layer may perform a MAC operation and an activation operation based on the feature map resulting from the first hidden layer.

출력 계층(output layer)은, 은닉 계층에서 수행한 연산의 결과 값과 관련된 계층일 수 있다.An output layer may be a layer related to a result value of an operation performed in a hidden layer.

일 실시예에서, 학습 모델은 주어진 말뭉치에서 빈번히 결합하여 사용된 음절(글자) 패턴을 학습 하여 복합어 및 개체명의 경계를 자동으로 학습하고, 제1 UI 소스의 객체 정보와 브라우저에서 렌더링한 객체 정보를 통합하여 학습용 객체 정보 파일을 생성하고, 상기 학습용 객체 정보 파일을 이용하여 딥러닝 네트워크의 학습을 위한 학습 데이터를 생성하고, 지원 시스템의 다양한 도메인들의 데이터를 수신하고, 상기 다양한 도메인들 각각에 대응하는 적어도 하나의 표준화 방법에 기반하여, 상기 다양한 도메인들의 데이터를 통합된 형식으로 표준화하며, 특정 도메인의 데이터를 학습 및 추론하고, 상기 특정 도메인의 데이터에서, 상기 표준화를 위해 전달될 정보를 결정하고,상기 다양한 도메인들로부터의 데이터에 대해 후처리(post processing)를 수행할 수 있다. 제1 UI 소스는 XML 파일을 포함하고, 상기 학습용 객체 정보 파일은 특징(Features) 학습을 위한 입력 JSON 파일과 학습시 정답(Label) 데이터인 출력 JSON 파일을 포함하며, 상기 출력 JSON 파일은 웹표준을 준수하여 구현된 HTML의 DOM Tree 정보가 포함된 파일을 포함하고 상기 다양한 도메인들은 RAN(radio access network), 트랜스포트(transport) 또는 코어(core) 중 적어도 하나를 포함하고, 상기 후처리는 상관(correlation) 기능을 포함할 수 있다.In one embodiment, the learning model automatically learns the boundaries of compound words and object names by learning syllable (letter) patterns that are frequently combined and used in a given corpus, and object information of the first UI source and object information rendered by the browser Integrating to create an object information file for learning, generating learning data for learning a deep learning network using the object information file for learning, receiving data from various domains of the support system, and corresponding to each of the various domains Based on at least one standardization method, standardizes the data of the various domains in an integrated format, learns and infers data of a specific domain, determines information to be transmitted for the standardization in the data of the specific domain, Post processing may be performed on data from the various domains. The first UI source includes an XML file, and the object information file for learning includes an input JSON file for learning features and an output JSON file that is label data during learning, and the output JSON file is a web standard. and the various domains include at least one of RAN (radio access network), transport, or core, and the post-processing is (correlation) function can be included.

도 4는 일실시예에 따른 전자 장치의 구성의 예시도이다.4 is an exemplary diagram of a configuration of an electronic device according to an embodiment.

일 실시예에 따른 전자 장치(400)는 프로세서(410), 학습부(420), 평가부(430) 및 빅데이터 관리부(440)를 포함할 수 있으며, 도시된 구성 중 일부가 생략 또는 치환 될 수도 있다. 일 실시예에 따른 전자 장치(400)는 서버 또는 단말일 수 있다. 일 실시예에 따르면, 프로세서(410)는 전자 장치(400)의 각 구성 요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성으로써, 하나 이상의 프로세서들로 구성될 수 있다. 메모리(미도시)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리는 다양한 파일 데이터들을 저장할 수 있으며, 프로세서(410)의 동작에 따라 저장된 파일 데이터들은 업데이트 될 수 있다.The electronic device 400 according to an embodiment may include a processor 410, a learning unit 420, an evaluation unit 430, and a big data management unit 440, and some of the illustrated components may be omitted or replaced. may be The electronic device 400 according to an embodiment may be a server or a terminal. According to an embodiment, the processor 410 is a component capable of performing calculations or data processing related to control and/or communication of each component of the electronic device 400, and may include one or more processors. A memory (not shown) may store information related to the above method or store a program in which the above method is implemented. The memory may be volatile memory or non-volatile memory. The memory may store various file data, and the stored file data may be updated according to the operation of the processor 410 .

일 실시예에 따르면, 프로세서(410)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(120)에 의하여 실행되는 프로그램의 코드는 메모리에 저장될 수 있다. 프로세서(410)의 동작들은 메모리에 저장된 인스트럭션들을 로딩(loading)함으로써 수행될 수 있다. 전자 장치(400)는 입출력 장치(미도시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.According to one embodiment, the processor 410 may execute a program and control the device 400 . Program codes executed by the processor 120 may be stored in memory. Operations of the processor 410 may be performed by loading instructions stored in memory. The electronic device 400 may be connected to an external device (eg, a personal computer or network) through an input/output device (not shown) and exchange data.

일 실시예에 따르면, 프로세서(410)가 전자 장치 상에서 구현할 수 있는 연산 및 데이터 처리 기능에는 한정됨이 없을 것이나, 이하에서는 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 기능에 대해 설명될 것이다.According to one embodiment, there will be no limitation in the calculation and data processing functions that the processor 410 can implement on the electronic device, but hereinafter, a function of providing a user-customized language ability test learning service based on problem analysis through artificial intelligence will be described. will be.

일 실시예에 따르면, 학습부(420)는 시스템 상으로 제출된 학습자의 입력을 학습 내용에 맞춰 분석하고, 결과를 학습이력 DB에 저장시키며, 학습자의 개인별, 수준별, 국가, 나이, 모국어 중 적어도 하나의 요인에 기반하여 DB를 분석하여 학습자의 오류 패턴을 추출하고, 추출된 오류 패턴을 학습 콘텐츠와 연동하여 솔루션을 제공하고, 다시 학습자의 입력이 있으면 학습자가 입력한 발화를 자동으로 평가하고, 평가 정보를 생성할 수 있다.According to one embodiment, the learning unit 420 analyzes the learner's input submitted to the system according to the learning content, stores the result in the learning history DB, and at least among the learner's individual, level, country, age, and native language. Based on one factor, analyze the DB to extract learner's error patterns, link the extracted error patterns with learning contents to provide solutions, and if there is learner's input again, automatically evaluate the learner's input utterance, Evaluation information can be created.

평가부(430)는 학습부(420)의 평가에 기반하여 개인 성취도를 그래프로 생성하고, 개인 성취도를 세부 영역으로 나눠 세부 영역 단위로 능력을 향상시키기 위한 보충 문제를 제공할 수 있다. 세부 영역은 지문을 읽고 해석하는 독해력, 문맥에 맞는 정확한 단어를 선택하는 어휘력, 정확한 문법 구사력 및 문장에 포함된 정보를 활용하여 문제를 해결하는 문제 풀이 능력을 포함할 수 있다.The evaluation unit 430 may generate a graph of personal achievement based on the evaluation of the learning unit 420, divide the personal achievement into detailed areas, and provide supplementary problems for improving abilities in units of detailed areas. Detailed domains may include reading comprehension to read and interpret texts, vocabulary to select the correct word in context, correct grammar command, and problem-solving ability to solve problems using information contained in sentences.

빅데이터 관리부(440)는 한국어 능력시험의 기출문제를 다수의 학습자가 일정 기간 동안 해결하면서 생성된 정답 및 오답 데이터를 입력으로 하여 학습자가 가진 오답 데이터를 기준으로 학습자의 문제점을 분석하고, 비슷한 유형의 문제를 제공하는 것을 출력으로 하며, 한국어 능력시험의 기출문제를 입력으로 하여 중복어휘의 빈도수에 기반하여 빈출되는 어휘에 대한 출력을 생성하고, 빈출되는 어휘를 입력으로 하여 빈출되는 어휘와 관련된 한국 내 관광지나 드라마를 포함하는 문화 컨텐츠를 출력으로 생성하고, 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 모의 문제를 생성하고, 관광지와 관련된 스토리, 관광지의 관광 상품, 관련 음식점, 관광지에서 촬영된 드라마나 영화에 대한 소개를 출력으로 제공할 수 있다.The big data management unit 440 takes the correct and incorrect answer data generated while a large number of learners solved past questions of the Korean Proficiency Test for a certain period of time as input, analyzes the learner's problems based on the learner's incorrect answer data, and The output is to provide the problems of the Korean Proficiency Test, and the output for the frequently occurring vocabulary is generated based on the frequency of overlapping vocabulary with the past questions of the Korean Proficiency Test as input, and the Korean related to the frequently occurring vocabulary is generated by using the frequently occurring vocabulary as an input. Cultural contents including my tourist attractions or dramas are generated as output, mock problems are generated by inputting tourist attractions related to vocabulary frequently used in the Korean Proficiency Test, stories related to tourist attractions, tourist products of tourist attractions, related restaurants, and tourist attractions. An introduction to a filmed drama or movie can be provided as an output.

프로세서(410)는 학습부(420) 상의 평가 정보를 학습자 및 교수자의 단말에 제공하며, 그래프로 생성된 개인 성취도 및 세부 영역 단위의 보충 문제를 학습자의 단말에 제공하고, 빅데이터 관리부에서 출력된 학습자의 문제점과 비슷한 유형의 문제를 제공하고, 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 생성된 모의 문제 및 상기 관광지와 관련된 스토리, 상기 관광지의 관광 상품, 관련 음식점, 상기 관광지에서 촬영된 드라마나 영화에 대한 소개를 학습자 단말로 제공하고, 한국어 능력시험의 날짜에 대한 정보, 시험 장소에 대한 정보, 시험 장소로 오기 위한 최적의 항공편 및 한국 입국을 위한 준비물에 대한 정보를 외부 서버로부터 수신하여 학습자 단말로 제공할 수 있다.The processor 410 provides the evaluation information on the learning unit 420 to the learner's and instructor's terminals, provides the individual achievement level generated as a graph and supplementary problems in the unit of detailed area to the learner's terminal, and outputs the output from the big data management unit. Provides problems similar to learners' problems, simulated problems generated by inputting tourist attractions related to vocabulary frequently used in the Korean Proficiency Test, stories related to the tourist attractions, tour products of the tourist attractions, related restaurants, and filming at the tourist attractions Introduction to dramas or movies that have been released is provided to the learner's terminal, and information on the date of the Korean Proficiency Test, information on the test location, the best flight to come to the test location, and information on preparations for entry into Korea is provided from an external server. It can be received and provided to the learner terminal.

일 실시예에 따르면, 빅데이터 관리부(440)는 원어민의 발화를 입력으로 하여, 원어민의 발음의 강조, 억양, 끊어 읽기, 리듬을 분석하고, 원어민의 발화를 한글로 표시하고, 표시된 한글의 음소 단위로 강조, 억양, 끊어 읽기, 리듬을 매칭하여 각 구성에 대한 그래프를 출력으로 제공하고, 다수의 학습자의 발화를 입력으로 하여, 학습자의 발음의 강조, 억양, 끊어 읽기, 리듬을 분석하고, 학습자의 발화를 한글로 표시하고, 표시된 한글의 음소 단위로 강조, 억양, 끊어 읽기, 리듬을 매칭하여 각 구성에 대한 그래프를 출력으로 제공할 수 있다.According to an embodiment, the big data management unit 440 takes the native speaker's speech as an input, analyzes the accent, intonation, break reading, and rhythm of the native speaker's pronunciation, displays the native speaker's speech in Korean, and displays the phonemes of the displayed Korean. Matching emphasis, intonation, break reading, and rhythm in units to provide graphs for each configuration as output, and analyzing the emphasis, intonation, break reading, and rhythm of learners' pronunciation by taking the utterances of a large number of learners as input, The learner's utterances can be displayed in Korean, and graphs for each configuration can be provided as output by matching emphasis, intonation, break reading, and rhythm for each phoneme of the displayed Hangul.

프로세서(410)는 지정된 문장에 대해 원어민 발음의 강조, 억양, 끊어 읽기, 리듬에 대한 그래프와 학습자 발음의 강조, 억양, 끊어 읽기, 리듬에 대한 그래프를 비교하여 학습자 및 교수자 단말로 제공하고, 학습자가 원어민 발음과 비교하여 지정된 수준 이상으로 차이나는 구성 요소에 대한 정보를 제공하고, 학습자가 발음한 문장을 다시 학습할 수 있도록 가이드를 제공할 수 있다.The processor 410 compares the native speaker's pronunciation emphasis, intonation, break reading, and rhythm graph with the learner's pronunciation emphasis, intonation, break reading, and rhythm graph for the designated sentence, and provides the graph to the learner and instructor's terminal, Compared with the native speaker's pronunciation, information on components that differ by more than a specified level may be provided, and a guide may be provided so that the learner can learn the pronounced sentence again.

일 실시예에 따르면, 빅데이터 관리부(440)는 한국어 능력시험에서 빈출되는 어휘를 입력으로 하여 빈출되는 어휘와 관련된 연예인이나, 빈출되는 어휘와 관련된 드라마에 출연한 연예인에 대한 정보를 출력으로 제공할 수 있다. 프로세서(410)는 학습자의 단말에 가상 현실을 이용하여 한국어 학습 컨텐츠를 제공할 수 있다. 가상 현실을 이용한 한국어 학습 컨텐츠는 빅데이터 관리부(440)에서 출력된 연예인의 모습이 아바타로 제공되며, 상기 연예인의 목소리 및 말투에 기반하여 학습할 문장에 대한 정보가 재생되는 컨텐츠를 포함할 수 있다.According to an embodiment, the big data management unit 440 receives frequently used vocabulary in the Korean language proficiency test as an input and provides information on celebrities related to the frequently used vocabulary or entertainers who appeared in dramas related to the frequently used vocabulary as output. can The processor 410 may provide Korean learning content to the learner's terminal using virtual reality. Korean learning content using virtual reality may include content in which the appearance of a celebrity output from the big data management unit 440 is provided as an avatar, and information on sentences to be learned is reproduced based on the voice and tone of the celebrity. .

일 실시예에 따르면, 프로세서(410)는 한국어 능력 시험의 시험 장소 및 가장 가까운 날짜를 학습자 단말로 제공하고, 해당 날짜에 시험을 접수할 수 있도록 가이드를 제공하며, 학습자가 특정한 날짜에 시험을 접수함에 기반하여 해당 날짜로부터 지정된 기간 전에 한국에 도착할 수 있는 항공편을 예약할 수 있도록 관련 페이지를 연결하고, 학습자가 특정한 날짜에 시험을 접수함에 기반하여 현재 날짜부터 해당 날짜까지 한국어 능력시험에 대한 학습 플랜을 제공할 수 있다. 학습 플랜은 시험 날짜로부터 제 1 기간 이전에는 기출 문제에 대한 학습을 제공하고, 시험 날짜로부터 제 1 기간 보다 짧은 제 2 기간 전에는 학습자가 풀이한 기출 문제에 대한 분석, 오답 문제 및 오답 문제와 유사한 유형의 문제를 제공하고, 시험 날짜로부터 제 2 기간 보다 짧은 제 3 기간 전에는 한국어 능력 시험의 시간에 맞게 모의 평가를 제공할 수 있다.According to an embodiment, the processor 410 provides a test location and the closest date for the Korean language proficiency test to the learner's terminal, provides a guide to allow the learner to take the test on that date, and allows the learner to take the test on a specific date. Based on the date, connect the relevant page so that you can book a flight that can arrive in Korea before the specified period from the date, and study plan for the Korean Language Proficiency Test from the current date to the date based on the learner taking the test on a specific date can provide. The study plan provides learning of past questions before the first period from the test date, and before the second period, which is shorter than the first period from the test date, analyzes past problems solved by learners, incorrect answers and similar types of incorrect answers problems. questions, and before the third period, which is shorter than the second period from the test date, mock evaluations may be provided according to the time of the Korean language proficiency test.

일 실시예에 따르면, 프로세서(410)는 학습자가 특정한 날짜에 시험을 접수함에 기반하여 특정한 날짜로부터 지정된 기간 이내에 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지에서 축제가 있는지 또는 한국어 능력시험에서 빈출되는 어휘와 관련된 연예인의 행사가 있는지 여부를 외부 서버를 통해 검색하고, 검색되는 축제나 행사가 있으면 그에 대한 정보를 제공하고, 학습자의 입력에 기반하여 검색된 축제나 행사를 예약하고, 학습자의 한국어 능력 시험이 끝나는 시간대에 예약된 축제나 행사 장소로 교통 정보를 제공할 수 있다.According to an embodiment, the processor 410 determines whether there is a festival in a tourist destination related to vocabulary frequently used in the Korean language proficiency test or vocabulary frequently used in the Korean language proficiency test within a specified period from a specific date based on the learner receiving the test on a specific date. Searches whether there is an event of a celebrity related to the external server, provides information about the searched festival or event if there is one, reserves the searched festival or event based on the learner's input, and checks the learner's Korean proficiency test. Traffic information can be provided to the reserved festival or event location during the closing time slot.

도 5는 일 실시예에 따른 인공지능을 통한 문제 분석 기반 사용자 맞춤형 언어 능력 테스트 학습 서비스 제공 방법의 순서도를 나타낸 것이다.5 is a flow chart of a method for providing a user-customized language ability test learning service based on problem analysis through artificial intelligence according to an embodiment.

도 5의 순서도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행 될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러 한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스 가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.Although process steps, method steps, algorithms, etc. are described in a sequential order in the flowchart of FIG. 5, such processes, methods and algorithms may be configured to operate in any suitable order. In other words, the steps of the processes, methods and algorithms described in the various embodiments of the invention need not be performed in the order described herein. Also, although some steps are described as being performed asynchronously, in other embodiments, some of these steps may be performed concurrently. Further, illustration of a process by depiction in the drawings does not mean that the illustrated process is exclusive of other changes and modifications thereto, and that any of the illustrated process or steps thereof may be one of various embodiments of the present invention. It is not meant to be essential to one or more, and it does not imply that the illustrated process is preferred.

동작 510에서, 학습부(예: 도 4의 학습부(420))는 학습자가 입력한 발화를 자동으로 평가하고, 평가 정보를 생성할 수 있다. 학습부(420)는 시스템 상으로 제출된 학습자의 입력을 학습 내용에 맞춰 분석하고, 결과를 학습이력 DB에 저장시키며, 학습자의 개인별, 수준별, 국가, 나이, 모국어 중 적어도 하나의 요인에 기반하여 DB를 분석하여 학습자의 오류 패턴을 추출하고, 추출된 오류 패턴을 학습 콘텐츠와 연동하여 솔루션을 제공하고, 다시 학습자의 입력이 있으면 학습자가 입력한 발화를 자동으로 평가하고, 평가 정보를 생성할 수 있다.In operation 510, the learning unit (eg, the learning unit 420 of FIG. 4 ) may automatically evaluate the utterance input by the learner and generate evaluation information. The learning unit 420 analyzes the learner's input submitted to the system according to the learning content, stores the result in the learning history DB, and based on at least one factor among the learner's individual, level, country, age, and native language By analyzing the DB, the learner's error patterns are extracted, the extracted error patterns are linked with the learning content to provide a solution, and if there is a learner's input again, the learner's input utterance is automatically evaluated and evaluation information is generated. there is.

동작 520에서, 평가부(예: 도 4의 평가부(430))는 개인 성취도를 그래프로 생성하고, 세부 영역 단위로 능력을 향상시키기 위한 보충 문제를 제공할 수 있다. 평가부(430)는 학습부(420)의 평가에 기반하여 개인 성취도를 그래프로 생성하고, 개인 성취도를 세부 영역으로 나눠 세부 영역 단위로 능력을 향상시키기 위한 보충 문제를 제공할 수 있다. 세부 영역은 지문을 읽고 해석하는 독해력, 문맥에 맞는 정확한 단어를 선택하는 어휘력, 정확한 문법 구사력 및 문장에 포함된 정보를 활용하여 문제를 해결하는 문제 풀이 능력을 포함할 수 있다.In operation 520, the evaluator (eg, the evaluator 430 of FIG. 4) may generate a graph of personal achievement and provide supplementary problems for improving ability in units of detailed areas. The evaluation unit 430 may generate a graph of personal achievement based on the evaluation of the learning unit 420, divide the personal achievement into detailed areas, and provide supplementary problems for improving abilities in units of detailed areas. Detailed domains may include reading comprehension to read and interpret texts, vocabulary to select the correct word in context, correct grammar command, and problem-solving ability to solve problems using information contained in sentences.

동작 530에서, 빅데이터 관리부(예: 도 4의 빅데이터 관리부(440))는 한국어 능력시험의 기출문제를 입력으로 하여 중복어휘의 빈도수에 기반하여 빈출되는 어휘에 대한 출력을 생성할 수 있다. 빅데이터 관리부(440)는 한국어 능력시험의 기출문제를 다수의 학습자가 일정 기간 동안 해결하면서 생성된 정답 및 오답 데이터를 입력으로 하여 학습자가 가진 오답 데이터를 기준으로 학습자의 문제점을 분석하고, 비슷한 유형의 문제를 제공하는 것을 출력으로 하며, 한국어 능력시험의 기출문제를 입력으로 하여 중복어휘의 빈도수에 기반하여 빈출되는 어휘에 대한 출력을 생성하고, 빈출되는 어휘를 입력으로 하여 빈출되는 어휘와 관련된 한국 내 관광지나 드라마를 포함하는 문화 컨텐츠를 출력으로 생성하고, 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 모의 문제를 생성하고, 관광지와 관련된 스토리, 관광지의 관광 상품, 관련 음식점, 관광지에서 촬영된 드라마나 영화에 대한 소개를 출력으로 제공할 수 있다.In operation 530, the big data management unit (eg, the big data management unit 440 of FIG. 4 ) may generate an output for frequently occurring vocabulary based on the frequency of overlapping vocabulary with past questions of the Korean Proficiency Test as input. The big data management unit 440 takes the correct and incorrect answer data generated while a large number of learners solved past questions of the Korean Proficiency Test for a certain period of time as input, analyzes the learner's problems based on the learner's incorrect answer data, and The output is to provide the problems of the Korean Proficiency Test, and the output for the frequently occurring vocabulary is generated based on the frequency of overlapping vocabulary with the past questions of the Korean Proficiency Test as input, and the Korean related to the frequently occurring vocabulary is generated by using the frequently occurring vocabulary as an input. Cultural contents including my tourist attractions or dramas are generated as output, mock problems are generated by inputting tourist attractions related to vocabulary frequently used in the Korean Proficiency Test, stories related to tourist attractions, tourist products of tourist attractions, related restaurants, and tourist attractions. An introduction to a filmed drama or movie can be provided as an output.

동작 540에서, 프로세서(예: 도 4의 프로세서(410))는 학습부(420) 상의 평가 정보, 그래프로 생성된 개인 성취도 및 세부 영역 단위의 보충 문제, 빅데이터 관리부(440)에서 출력된 학습자의 문제점과 비슷한 유형의 문제를 학습자 단말에 제공할 수 있다.In operation 540, a processor (for example, the processor 410 of FIG. 4 ) processes the evaluation information on the learning unit 420, the personal achievement level generated as a graph, the supplementary problem in a detailed area unit, and the learner output from the big data management unit 440. A problem similar to the problem of can be provided to the learner terminal.

동작 550에서, 프로세서(410)는 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 관광지에 대한 정보를 학습자 단말에 제공할 수 있다. 프로세서(410)는 한국어 능력시험에서 빈출되는 어휘와 관련된 관광지를 입력으로 하여 생성된 모의 문제 및 상기 관광지와 관련된 스토리, 상기 관광지의 관광 상품, 관련 음식점, 상기 관광지에서 촬영된 드라마나 영화에 대한 소개를 학습자 단말로 제공할 수 있다.In operation 550, the processor 410 may provide tourist destination information to the learner's terminal by taking tourist destinations related to frequently used vocabulary in the Korean language proficiency test as an input. The processor 410 introduces simulated questions generated by inputting tourist destinations related to vocabulary frequently used in the Korean Proficiency Test, stories related to the tourist destinations, tour products of the tourist destinations, related restaurants, and dramas or movies filmed at the tourist destinations. can be provided to the learner terminal.

동작 560에서, 프로세서(410)는 한국어 능력시험의 날짜에 대한 정보, 시험 장소에 대한 정보, 항공편, 입국 준비물에 대한 정보를 학습자 단말에 제공할 수 있다. In operation 560, the processor 410 may provide information about the date of the Korean language proficiency test, information about the test location, flight information, and information about preparations for entry to the learner's terminal.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims

In the system for providing a user-customized language ability test learning service based on problem analysis through artificial intelligence,
A learning unit, an evaluation unit, a big data management unit, and a processor operatively connected to the learning unit, evaluation unit, and big data management unit;
Department of Learning
The learner's input submitted to the system is analyzed according to the learning content, the result is stored in the learning history DB, and the DB is analyzed based on at least one factor among the learner's individual, level, country, age, and native language. extracts the error patterns of and provides solutions by interlocking the extracted error patterns with learning content, and if there is input from the learner again, the utterance entered by the learner is automatically evaluated and evaluation information is generated,
evaluation department
It creates a graph of personal achievement based on the evaluation of the learning department, divides the personal achievement into detailed areas, and provides supplementary problems to improve skills in each detailed area. It includes vocabulary to select words, correct grammar, and problem-solving skills to solve problems using information contained in sentences.
Big Data Management Department
Using the correct and incorrect answer data generated while solving previous questions of the Korean Proficiency Test for a certain period of time by a number of learners as input, the learner's problems are analyzed based on the learner's incorrect answer data, and similar types of questions are provided as output as
Using past questions of the Korean Proficiency Test as input, generating an output for frequently occurring vocabulary based on the frequency of overlapping vocabulary, and taking the frequently occurring vocabulary as input to culture including tourist attractions or dramas in Korea related to the frequently occurring vocabulary. generate content as output,
A simulated problem is created by inputting a tourist destination related to vocabulary that frequently appears in the Korean Proficiency Test, and outputs a story related to the tourist destination, tour products of the tourist destination, related restaurants, and an introduction to a drama or movie filmed at the tourist destination.
the processor is
The evaluation information on the learning unit is provided to the terminals of learners and instructors, personal achievements generated as graphs and supplementary problems in detailed areas are provided to the terminals of learners, and the type of problems similar to those of the learners output from the big data management unit is provided. provide a problem,
Mock questions generated by inputting frequently used vocabulary and tourist destinations in the Korean Proficiency Test, stories related to the tourist destinations, tourism products of the tourist destinations, related restaurants, and introductions to dramas and movies filmed at the tourist destinations are provided to the learner's terminal. do,
Information on the date of the Korean language proficiency test, information on the test location, optimal flight to the test location, and information on preparations for entry into Korea are received from an external server and provided to the learner's terminal,
The test location and nearest date of the Korean Proficiency Test are provided to the learner's terminal, and a guide is provided so that the test can be taken on that date.
Link related pages so that learners can book a flight that can arrive in Korea before a specified period from that date based on taking the test on a specific date,
Based on the learner's receipt of the test on a specific date, an external server determines whether there is a festival in a tourist destination related to vocabulary frequently used in the Korean Proficiency Test or an event of a celebrity related to vocabulary frequently used in the Korean Proficiency Test within a specified period from a specific date. search through
If there is a searched festival or event, provide information about it,
Reservation of the searched festival or event based on the learner's input,
Transportation information is provided to the reserved festival or event location during the time when the learner's Korean proficiency test ends,
Provides a study plan for the Korean Proficiency Test from the current date to that date based on the learner's application for the test on a specific date,
The learning plan is
Prior to the first period from the test date, learning about past questions is provided, and before the second period, which is shorter than the first period from the test date, analysis of previous problems solved by learners, incorrect answers and problems similar to incorrect answers are provided. A system that provides a mock evaluation in accordance with the time of the Korean language proficiency test before the third period, which is shorter than the second period, from the test date.

According to claim 1,
The big data management department
By taking the native speaker’s speech as input, analyzing the native speaker’s pronunciation emphasis, intonation, cut-off, and rhythm, displaying the native speaker’s speech in Korean, and matching the accent, intonation, cut-read, and rhythm by phoneme unit of the displayed Hangul. Provides a graph for each configuration as output,
By taking multiple learners' utterances as input, analyzing the learner's pronunciation emphasis, intonation, cut-out reading, and rhythm, displaying the learner's utterances in Korean, and displaying the accent, intonation, cut-reading, and rhythm of the displayed Korean phoneme by phoneme unit. Match to provide a graph for each configuration as output,
The processor
For a designated sentence, a graph for emphasis, intonation, break reading, and rhythm of native speaker pronunciation is compared with a graph for emphasis, intonation, break reading, and rhythm of learner's pronunciation, and provided to learners and instructors terminals,
A system that provides information on components that differ by more than a specified level compared to native speaker pronunciation and provides a guide so that the learner can learn the sentences pronounced by the learner again.

According to claim 1,
The big data management department
Frequently used vocabulary in the Korean Proficiency Test is input, and information on celebrities related to the frequently used vocabulary or celebrities who appeared in dramas related to the frequently used vocabulary is output.
The processor
Korean learning contents are provided to learners' terminals using virtual reality,
Korean learning content using virtual reality
A system including contents in which the celebrity's appearance output from the big data management unit is provided as an avatar, and information on sentences to be learned is reproduced based on the celebrity's voice and tone.