KR102513420B1 - 사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따른 장치는, 사용자의 단말로부터 사용자의 음성을 획득하고, 사용자의 단말로부터 사용자가 작성한 제1 텍스트를 획득하고, 획득한 사용자의 음성을 음성인식 기술을 이용하여 제2 텍스트로 변환하고, 제1 텍스트 및 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 추출된 키워드를 분석하여 사용자의 의도를 파악하고, 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 추출하고, 추천 인공지능 모델을 사용자의 단말로 제공한다.

Description

사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING ARTIFICIAL INTELLIGENCE MODEL RECOMMENDATION PLATFORM BASED ON USER INTENTION ANALYSIS }

아래 실시예들은 사용자 의도를 분석하여 사용자 의도에 적합한 인공지능 모델을 추천하기 위한 기술에 관한 것이다.

인공지능이란 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술을 의미한다.

또한, 인공지능이란 인간의 지능으로 할 수 있는 사고, 학습, 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 말한다.

영상으로부터 객체를 인식하는 기술은 영상 처리나 패턴 인식, 컴퓨터 비전과 신경망, 인공지능 같은 다양한 분야에 걸쳐서 활발히 연구되고 있고, 상업적, 법적으로 수많은 응용분야를 가지고 있다.

일반적으로 인공지능이 적용된 인공지능 모델을 이용하기 위해서는 인공지능 모델을 개발하기 위한 인력을 배치하거나, 인공지능 모델을 개발하는 업체로부터 제작하거나 복수의 인공지능 모델을 제공하는 플랫폼으로부터 원하는 인공지능 모델을 제공받는 방식을 취하고 있다.

그러나, 복수의 인공지능 모델을 제공하는 플랫폼으로부터 원하는 인공지능 모델을 제공받는 방식의 경우, 사용자의 니즈에 딱 맞는 인공지능 모델을 제공하기 어렵다는 문제가 있다.

또한, 인공지능 모델을 개발하기 위한 인력을 배치하거나, 인공지능 모델을 개발하는 업체로부터 제작하는 경우, 사용자의 니즈에 딱 맞는 인공지능 모델을 제공할 수 있으나, 이에 대한 비용이 추가적으로 발생된다는 문제가 있다.

한국등록특허 제10-2409204호 한국등록특허 제10-1940928호 한국등록특허 제10-2236302호 한국등록특허 제10-2414902호

실시예들은 사용자의 음성을 통해 사용자의 의도를 파악하고, 사용자의 의도에 매칭된 인공지능 모델을 추천하고자 한다.

실시예들은 STT 기술 및 자연어 처리 시스템을 통해 사용자의 음성에서 정보를 추출하고자 한다.

실시예들은 인공지능 모델을 추천하기 위해 인공지능 모델 데이터베이스를 구축하고, 인공지능 모델을 훈련하고자 한다.

실시예들은 추천 인공지능 모델로 복수 개가 추출된 경우, 사용자의 특성에 맞게 추천 인공지능 모델을 리스트로 정렬하여 사용자에게 제공하고자 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법은 사용자의 단말로부터 상기 사용자의 음성을 획득하는 단계; 상기 사용자의 단말로부터 상기 사용자가 작성한 제1 텍스트를 획득하는 단계; 음성인식기술을 이용하여 상기 사용자의 음성을 제2 텍스트로 변환하는 단계; 상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 상기 추출된 키워드를 분석하여, 상기 사용자의 의도를 파악하는 단계; 상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계; 및 상기 추천 인공지능 모델을 상기 사용자의 단말로 제공하는 단계를 포함한다.

상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 상기 추출된 키워드를 분석하여, 상기 사용자의 의도를 파악하는 단계는, 상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 단어 및 형태소 단위로 분류하는 단계, 상기 분류된 단어 및 형태소를 기초로, 각 단어 및 형태소 간의 연관관계를 파악하여 핵심 키워드를 획득하는 단계, 상기 획득된 핵심 키워드를 요인과 결과로 구분하는 단계, 요인으로 분류된 핵심 키워드를 사용자 입력 데이터로 저장하는 단계, 및 결과로 분류된 핵심 키워드를 사용자 출력 데이터로 저장하는 단계를 포함하고, 상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계는, 상기 사용자 입력 데이터와 카테고리가 일치하는 입력 데이터가 사용되고, 상기 사용자 출력 데이터와 카테고리가 일치하는 출력 데이터가 사용된 후보 인공지능 모델을 인공지능 모델 데이터베이스로부터 선정하는 단계, 상기 후보 인공지능 모델에 상기 사용자 입력 데이터를 입력하여 출력된 값을 상기 사용자 출력 데이터와 비교하는 단계, 및상기 비교 결과, 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정하는 단계,를 포함한다.

상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계에서 오차가 동일한 후보 인공지능 모델이 있는 경우, 상기 오차가 동일한 인공지능 모델을 제1 리스트로 리스팅하는 단계, 상기 사용자의 단말로부터 상기 사용자의 나이, 상기 사용자의 성별, 상기 사용자의 직업을 포함하는 상기 사용자의 특성을 획득하는 단계, 상기 사용자의 특성을 기초로, 사용자 데이터베이스로부터 상기 사용자의 특성과 동일한 사용자인 연관 사용자를 추출하고, 상기 연관 사용자가 활용한 인공지능 모델의 정보를 포함하는 상기 연관 사용자의 정보를 획득하는 단계, 상기 연관 사용자의 정보를 기초로, 상기 제1 리스트에 리스팅된 인공지능 모델의 활용 횟수를 확인하는 단계, 활용된 횟수가 많은 순서로 상기 제1 리스트를 정렬하는 단계, 및 상기 정렬된 제1 리스트를 상기 사용자의 단말로 전송하는 단계를 더 포함한다.

사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법은 상기 사용자의 단말로부터 상기 추천 인공지능 모델을 이용하여 생성된 개발 인공지능 모델을 획득하는 단계; 상기 개발 인공지능 모델을 NFT로 생성하는 단계; 상기 생성된 NFT의 지분을 상기 사용자와 상기 추천 인공지능 모델을 개발한 개발자에게 각각 설정하는 단계; 상기 생성 및 지분 설정이 완료된 NFT를 블록체인에 업로드하는 단계; 상기 사용자의 단말을 통한 입력 및 상기 개발자의 단말을 통한 입력에 기반하여, 상기 NFT를 통한 수익을 상기 개발자에게 지급하여 상기 인공지능 모델에 대한 비용을 처리하는 단계; 및 상기 NFT의 판매량이 미리 설정된 기준 이상인 것에 기반하여, 상기 플랫폼 서비스의 메인 화면에 상기 개발 인공지능 모델 및 상기 추천 인공지능 모델을 게시하는 단계;를 더 포함한다.

사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법은 상기 추천 인공지능 모델에 대한 정보를 상기 사용자의 단말로 전송하는 단계를 더 포함하고, 상기 추천 인공지능 모델에 대한 정보를 상기 사용자의 단말로 전송하는 단계는, 상기 사용자의 단말의 화면에 표시되는 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보를 포함하는 인공지능 모델의 정보의 배열을 서로 다른 제1 배열 및 제2 배열로 결정하는 단계, 상기 추천 인공지능 모델의 이름의 글자수가 홀수인 경우, 상기 제1 배열을 이용하여 인공지능 모델의 정보를 표시하는 단계, 및 상기 추천 인공지능 모델의 이름의 글자수가 짝수인 경우, 상기 제2 배열을 이용하여 인공지능 모델의 정보를 표시하는 단계를 포함한다.

실시예들은 사용자의 음성을 통해 사용자의 의도를 파악하고, 사용자의 의도에 매칭된 인공지능 모델을 추천할 수 있다.

실시예들은 STT 기술 및 자연어 처리 시스템을 통해 사용자의 음성에서 정보를 추출할 수 있다.

실시예들은 인공지능 모델을 추천하기 위해 인공지능 모델 데이터베이스를 구축하고, 인공지능 모델을 훈련할 수 있다.

실시예들은 추천 인공지능 모델로 복수 개가 추출된 경우, 사용자의 특성에 맞게 추천 인공지능 모델을 리스트로 정렬하여 사용자에게 제공할 수 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 모델 추천 플랫폼을 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 사용자로부터 획득한 텍스트를 통해 사용자의 의도를 파악하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 사용자의 의도를 기초로, 추천 인공지능 모델을 선정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 추천 인공지능 모델로 여러 개가 추출된 경우, 여러 개의 추천 인공지능 모델을 리스트로 생성하여 사용자에게 제공하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 추천 인공지능 모델을 이용하여 생성된 개발 인공지능 모델을 NFT로 생성하고, 생성된 NFT를 사용자 및 전문가에게 제공하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 추천 인공지능 모델의 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 장치의 구성의 예시도이다.

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.

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.

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.

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.

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.

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.

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.

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.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 사용자의 단말(100), 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

사용자의 단말(100)은 사용자의 음성을 통해 사용자가 원하는 인공지능 모델을 추천받고자 하는 작가가 사용하는 단말로, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자의 단말(100)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.

사용자의 단말(100)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자의 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

사용자의 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자의 단말(100)은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

도1 및 이하의 설명에서는, 설명의 편의상, 사용자의 단말(100) 하나만을 도시하고 설명하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 사용자의 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 장치(200)는 사용자의 단말(100)로부터 사용자의 음성 및 사용자가 작성한 텍스트를 포함하여 사용자와 관련된 정보를 획득할 수 있다.

장치(200)는 사용자의 단말(100)로부터 사용자의 음성을 획득하고, 사용자의 단말(100)로부터 사용자가 작성한 제1 텍스트를 획득하고, 획득한 사용자의 음성을 음성인식 기술을 이용하여 제2 텍스트로 변환하고, 제1 텍스트 및 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 추출된 키워드를 분석하여 사용자의 의도를 파악하고, 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 추출하고, 추천 인공지능 모델을 사용자의 단말(100)로 제공할 수 있다.

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 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 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 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

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. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 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 학습할 수도 있다.

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 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 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), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

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 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 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.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 인공지능 모델 추천 플랫폼을 제공하는 과정을 설명하기 위한 순서도이다.

도 2을 참조하면, 먼저, S201 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자의 음성을 획득할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자의 음성이 담긴 음성 파일을 획득할 수 있고, 사용자의 음성이 담긴 음성 파일에는 사용자가 찾고 싶은 인공지능 모델에 대한 정보가 포함될 수 있다. 이때, 사용자의 음성이 담긴 음성 파일은 mp3, wav, m4a, flac, ogg, amr의 형식의 음성 파일일 수 있으며, 그 외의 음성 파일 형식일 수도 있다.

S202 단계에서, 장치(200)는 음성인식 기술을 이용하여 사용자의 음성을 제2 텍스트로 변환할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 획득한 사용자의 음성이 담긴 음성 파일을 장치(200)에 포함된 STT 모듈을 통해 텍스트로 변환할 수 있다. 이때, STT는 Speech-to-Text로, STT 모듈은 음성 데이터로부터 음향모델, 어휘/발음사전, 언어모델을 포함한 인식 네트워크 모델을 생성하는 오프라인 학습단계와 사용자가 발성한 음성을 인식하는 온라인 탐색 단계를 통해 사용자의 음성을 제2 텍스트로 변환할 수 있다. STT 모듈은 본문에 작성하지 않았지만 통상적으로 STT 모듈이 수행하는 업무를 통해 음성을 텍스트로 변환할 수 있다.

S203 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자가 작성한 제1 텍스트를 획득할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자가 찾고 싶은 인공지능 모델에 대한 정보가 포함된 텍스트를 획득할 수 있다.

즉, 장치(200)는 사용자의 단말(100)로부터 사용자가 찾고 싶은 인공지능 모델에 대한 정보를 사용자의 음성이 담긴 음성 파일 또는 텍스트 파일로 획득할 수 있으며, 사용자의 음성이 담긴 음성 파일로 획득한 경우, STT 모듈을 통해 음성 파일을 텍스트로 변환할 수 있다.

S204 단계에서, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 추출된 키워드를 분석하여 사용자의 의도를 파악할 수 있다.

구체적으로, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나를 획득하면, 획득한 제1 텍스트 및 제2 텍스트 중 적어도 하나에 포함된 단어 및 형태소를 통해 핵심 키워드를 추출하고, 핵심 키워드가 요인인지 결과인지 분류하고, 분류된 핵심 키워드를 통해 사용자의 의도를 파악할 수 있다. 이와 관련하여 구체적인 설명은 도 3을 참조하기로 한다.

S205 단계에서, 장치(200)는 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 추출할 수 있다.

구체적으로, 장치(200)는 인공지능 모델 데이터베이스를 구비하거나, 별개의 인공지능 모델 데이터베이스와 유무선으로 통신할 수 있으며, 인공지능 모델 데이터베이스는 인공지능 모델이 포함되어 있고, 인공지능 모델에 관한 정보가 인공지능 모델에 매칭되어 저장되어 있을 수 있다. 장치(200)는 텍스트로부터 획득한 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 사용자가 필요한 추천 인공지능 모델을 추출할 수 있다. 이와 관련하여 구체적인 설명은 도 4를 참조하기로 한다.

S206 단계에서, 장치(200)는 추천 인공지능 모델을 사용자의 단말(100)로 제공할 수 있다.

구체적으로, 장치(200)는 사용자의 음성 및 사용자가 작성한 텍스트를 통해 사용자의 의도를 파악하고, 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 사용자가 필요한 추천 인공지능 모델을 추출하고, 추출된 추천 인공지능 모델을 사용자의 단말(100)로 제공할 수 있다.

이로 인해, 장치(200)는 사용자가 자신이 필요한 인공지능 모델에 대해 구체적으로 알지 못해도 사용자의 단말(100)로부터 획득한 사용자의 음성 및 텍스트를 통해 사용자가 필요한 인공지능 모델을 추출할 수 있고, 추출된 인공지능 모델을 사용자의 단말(100)로 제공할 수 있다.

도 3은 일실시예에 따른 사용자로부터 획득한 텍스트를 통해 사용자의 의도를 파악하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나를 단어 및 형태소 단위로 분류할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자가 작성한 제1 텍스트 또는 사용자의 음성을 통해 변환된 제2 텍스트를 획득하면, 제1 텍스트 및 제2 텍스트 중 적어도 하나를 단어 및 형태소 단위로 분류할 수 있다.

S302 단계에서, 장치(200)는 분류된 단어 및 형태소를 기초로, 각 단어 및 형태소 간의 연관관계를 파악하여 핵심 키워드를 획득할 수 있다.

구체적으로, 장치(200)는 단어 간의 연관관계를 확인할 수 있는 시소러스를 포함하는 단어 데이터베이스를 포함할 수 있고, 단어 데이터베이스를 이용하여 추출된 단어 및 형태소 간의 연관관계를 파악하여 단어 간의 연관관계를 기초로, 핵심 키워드로 선정할 수 있다. 이 때, 핵심 키워드는 단어 간의 연관관계를 파악한 결과 가장 단어 간의 연관관계가 많은 단어를 핵심 키워드로 선정할 수도 있고, 제1 텍스트 및 제2 텍스트를 통해 미리 설정된 기준 이상 포함된 단어를 핵심 키워드로 선정할 수도 있고, 또한, 단어 데이터베이스에 미리 핵심 키워드로 사용 가능한 단어를 설정하고, 해당 단어가 제1 텍스트 및 제2 텍스트 중에 포함되어 있을 경우, 해당 단어를 핵심 키워드로 선정할 수 있다.

S303 단계에서, 장치(200)는 획득한 핵심 키워드를 요인과 결과로 분류할 수 있다.

구체적으로, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나로부터 획득한 핵심 키워드의 주변 단어를 확인하여 핵심 키워드를 요인과 결과로 분류할 수 있다. 즉, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나에 포함된 핵심 키워드의 주변 단어를 확인하여, 입력, 요인, 원인, 이유, ~로부터, ~을 통해 등의 요인과 관련된 단어가 포함될 경우, 해당 핵심 키워드를 요인으로 분류할 수 있고, 장치(200)는 제1 텍스트 및 제2 텍스트 중 적어도 하나에 포함된 핵심 키워드의 주변 단어를 확인하여, 출력, 결과, 도출, 결론, ~이 나오다 등의 결과와 관련된 단어가 포함될 경우, 해당 핵심 키워드를 결과로 분류할 수 있다. 여기서, 주변 단어는 텍스트에서 핵심 키워드를 기준으로 미리 설정된 범위 내에 포함된 단어일 수 있다. 또한, 요인과 관련된 단어 및 결과와 관련된 단어는 미리 설정된 단어일 수 있으며, 실시 예가 증가함에 따라 요인과 관련된 단어 및 결과와 관련된 단어가 많아질 수 있다.

S304 단계에서, 장치(200)는 요인으로 분류된 핵심 키워드를 사용자 입력 데이터로 저장할 수 있다.

구체적으로, 장치(200)는 핵심 키워드를 요인과 결과로 분류하고, 요인으로 분류된 핵심 키워드를 사용자 입력 데이터로 저장할 수 있다.

S305 단계에서, 장치(200)는 결과로 분류된 핵심 키워드를 사용자 출력 데이터로 저장할 수 있다.

구체적으로, 장치(200)는 핵심 키워드를 요인과 결과로 분류하고, 핵심으로 분류된 핵심 키워드를 사용자 출력 데이터로 저장할 수 있다.

이로 인해, 장치(200)는 사용자의 단말(100)을 통해 획득한 텍스트를 통해 핵심 키워드를 추출하고, 핵심 키워드를 사용자 입력 데이터 또는 사용자 출력 데이터로 구분함으로써, 사용자의 의도를 파악할 수 있는 효과가 있다.

도 4는 일실시예에 따른 사용자의 의도를 기초로, 추천 인공지능 모델을 선정하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 사용자 입력 데이터와 카테고리가 일치하는 입력 데이터가 사용되고, 사용자 출력 데이터와 카테고리가 일치하는 출력 데이터가 사용되는 후보 인공지능 모델을 인공지능 모델 데이터베이스로부터 선정할 수 있다. 여기서, 카테고리는 입력 데이터 및 출력 데이터가 어떤 형식 또는 어떤 값으로 입력 및 출력 되었는지에 대한 정보일 수 있으며, 예를 들어, 입력 데이터의 카테고리는 사용자 이미지, 사용자 정보 등이 포함할 수 있고, 출력 데이터의 카테고리는 각 제품에 대한 점수, 확률 값 등이 포함될 수 있다.

구체적으로, 장치(200)는 인공지능 모델 데이터베이스를 구비하거나, 별개의 인공지능 모델 데이터베이스와 유무선으로 통신할 수 있으며, 인공지능 모델 데이터베이스는 인공지능 모델이 저장되어 있으며, 인공지능 모델에 대한 입력 데이터, 출력 데이터를 포함하는 인공지능 모델에 대한 정보가 매칭되어 저장되어 있을 수 있다. 즉, 장치(200)는 사용자의 단말(100)을 통해 획득한 텍스트를 기초로, 핵심 키워드를 추출하고, 추출된 핵심 키워드를 사용자 입력 데이터 또는 사용자 출력 데이터를 저장할 수 있으며, 장치(200)는 인공지능 모델 데이터베이스를 통해 저장된 사용자 입력 데이터와 카테고리가 일치하는 입력 데이터가 사용되고, 사용자 출력 데이터와 카테고리가 일치하는 출력 데이터가 사용된 후보 인공지능 모델을 선정할 수 있다.

S402 단계에서, 장치(200)는 후보 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 값을 사용자 출력 데이터와 비교할 수 있다.

구체적으로, 장치(200)는 사용자로부터 획득한 사용자 입력 데이터 및 사용자 출력 데이터를 기초로, 인공지능 모델 데이터베이스로부터 후보 인공지능 모델을 선정하고, 선정된 후보 인공지능 모델에 사용자로부터 획득한 사용자 입력 데이터를 입력하여 출력된 값을 사용자 출력 데이터와 비교할 수 있다.

즉, 장치(200)는 선정된 후보 인공지능 모델이 사용자에게 적합한지 확인하기 위해 사용자 입력 데이터를 선정된 후보 인공지능 모델에 입력함으로써 출력된 출력 값과 사용자 출력 데이터를 비교하여 생성된 오차를 통해 사용자가 필요한 인공지능 모델이 맞는지 확인할 수 있다.

S403 단계에서, 장치(200)는 비교 결과, 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수 있다.

구체적으로 장치(200)는 후보 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 값과 사용자로부터 획득한 텍스트를 통해 도출된 사용자 출력 데이터를 비교하여 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수 있다. 이때, 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정하기 위해 장치(200)는 후보 인공지능 모델 중 오차가 가장 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수도 있다. 또한, 장치(200)는 후보 인공지능 모델 중 오차가 미리 설정된 값보다 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수도 있다.

예를 들어, 후보 인공지능 모델로 제1 인공지능 모델, 제2 인공지능 모델, 제3 인공지능 모델이 선정되고, 가장 적은 오차를 갖는 후보 인공지능 모델을 추천 인공지능 모델로 선정할 경우, 장치(200)는 제1 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 제1 출력 값을 획득할 수 있고, 제1 출력 값과 사용자 출력 데이터를 비교하여 오차가 5%임을 확인할 수 있고, 제2 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 제2 출력 값을 획득할 수 있고, 제2 출력 값과 사용자 출력 데이터를 비교하여 오차가 20%임을 확인할 수 있고, 제3 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 제3 출력 값을 획득할 수 있고, 제3 출력 값과 사용자 출력 데이터를 비교하여 오차가 10%임을 확인할 수 있고, 장치(200)는 오차가 5%로 가장 적은 제1 인공지능 모델을 추천 인공지능 모델로 선정할 수 있다.

이로 인해, 장치(200)는 인공지능 모델 데이터베이스에서 후보 인공지능 모델을 선정하고, 선정된 후보 인공지능 모델에 실제 사용자로부터 획득한 사용자 입력 데이터를 입력하여 출력된 값과 사용자로부터 획득한 사용자 출력 데이터를 비교함으로써 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수 있어 사용자에게 더 적합한 인공지능 모델을 선별할 수 있는 효과가 있다.

도 5는 일실시예에 따른 추천 인공지능 모델로 여러 개가 추출된 경우, 여러 개의 추천 인공지능 모델을 리스트로 생성하여 사용자에게 제공하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계에서 오차가 동일한 후보 인공지능 모델이 있는 것을 확인할 수 있다.

구체적으로, 장치(200)는 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계에서 후보 인공지능 모델을 선정하고, 후보 인공지능 모델에 사용자 입력 데이터를 입력하여 출력된 값과 사용자 출력 데이터를 비교하여 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정할 수 있는데, 이때, 오차가 동일한 후보 인공지능 모델이 있는 것을 확인할 수 있다.

예를 들어, 장치(200)는 인공지능 모델 데이터베이스로부터 후보 인공지능 모델을 추출하고, 후보 인공지능 모델을 기초로, 추천 인공지능 모델을 선정하는 과정에서 오차가 5%로 동일한 제1 인공지능 모델, 제4 인공지능 모델, 제5 인공지능 모델이 추천 인공지능 모델로 선정된 것을 확인할 수 있다.

S502 단계에서, 장치(200)는 오차가 동일한 인공지능 모델을 제1 리스트로 리스팅할 수 있다.

예를 들어, 장치(200)는 인공지능 모델 데이터베이스로부터 후보 인공지능 모델을 추출하고, 후보 인공지능 모델을 기초로, 추천 인공지능 모델을 선정하는 과정에서 오차가 5%로 동일한 제1 인공지능 모델, 제4 인공지능 모델, 제5 인공지능 모델이 추천 인공지능 모델로 선정된 것을 확인할 경우, 제1 인공지능 모델, 제4 인공지능 모델, 제5 인공지능 모델을 포함하는 제1 리스트를 생성할 수 있다.

S503 단계에서, 장치(200)는 사용자의 단말(100)로부터 사용자의 나이, 사용자의 성별, 사용자의 직업을 포함하는 사용자의 특성을 획득할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100)로부터 사용자와 관련된 정보인 사용자의 특성을 획득할 수 있고, 사용자의 특성은 사용자의 나이, 사용자의 성별, 사용자의 직업을 포함할 수 있다.

S504 단계에서, 장치(200)는 사용자의 특성을 기초로, 사용자 데이터베이스로부터 사용자의 특성과 동일한 사용자인 연관 사용자를 추출하고, 연관 사용자가 활용한 인공지능 모델의 정보를 포함하는 연관 사용자의 정보를 획득할 수 있다.

구체적으로, 장치(200)는 사용자 데이터베이스를 포함하거나, 장치(200)와 별개인 사용자 데이터베이스와 유무선으로 통신할 수 있으며, 사용자 데이터베이스에는 사용자에 대응하여 사용자 정보, 사용자가 활용한 인공지능 모델의 정보가 매칭되어 저장되어 있을 수 있다. 즉, 장치(200)는 사용자 데이터베이스를 통해 사용자의 특성과 동일한 사용자를 추출하여 연관 사용자로 선정할 수 있고, 사용자 데이터베이스를 통해 연관 사용자의 정보를 획득할 수 있다. 이때, 연관 사용자의 정보는 연관 사용자가 활용한 인공지능 모델의 정보를 포함할 수 있다. 또한, 이때 연관 사용자로 한 명이 선정될 수도 있고, 복수 명이 선정될 수도 있다

S505 단계에서, 장치(200)는 연관 사용자의 정보를 기초로, 제1 리스트에 리스팅된 인공지능 모델의 활용 횟수를 확인할 수 있다.

구체적으로, 장치(200)는 사용자 데이터베이스로부터 획득한 연관 사용자의 정보를 통해, 연관 사용자가 제1 리스트에 리스팅된 인공지능 모델을 몇 번 활용했는지 활용 횟수를 확인할 수 있다. 이때, 연관 사용자로 복수 명이 선정된 경우, 복수의 연관 사용자의 정보를 모두 획득하여, 복수의 연관 사용자가 제1 리스트에 리스팅된 인공지능 모델을 모두 몇 번 활용했는지 활용 횟수를 확인할 수 있다.

S506 단계에서, 장치(200)는 활용 횟수가 많은 순서로 제1 리스트를 정렬할 수 있다.

구체적으로, 장치(200)는 연관 사용자의 정보를 통해 연관 사용자가 제1 리스트에 리스팅된 인공지능 모델을 몇 번 활용했는지 활용 횟수를 확인할 수 있고, 확인된 활용 횟수를 통해 활용 횟수가 많은 순서로 제1 리스트를 정렬할 수 있다.

S507 단계에서, 장치(200)는 정렬된 제1 리스트를 사용자의 단말(100)로 전송할 수 있다.

이로 인해, 장치(200)는 추천 인공지능 모델로 여러 개가 선정된 경우, 사용자의 특성을 획득하여 사용자의 특성과 동일한 사용자가 많이 사용한 순서대로 추천 인공지능 모델의 리스트를 정렬하여 제공할 수 있어, 사용자가 필요한 추천 인공지능 모델을 더 효과적으로 제공할 수 있다.

도 6은 일실시예에 따른 추천 인공지능 모델을 이용하여 생성된 개발 인공지능 모델을 NFT로 생성하고, 생성된 NFT를 사용자 및 전문가에게 제공하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 사용자의 단말(100)로부터 추천 인공지능 모델을 이용하여 생성된 개발 인공지능 모델을 획득할 수 있다.

즉, 사용자는 장치(200)로부터 추천된 추천 인공지능 모델을 활용하여 추천 인공지능 모델을 기반으로 한 개발 인공지능 모델을 생성할 수 있고, 장치(200)는 사용자의 단말(100)로부터 생성된 개발 인공지능 모델을 획득할 수 있다.

S602 단계에서, 장치(200)는 개발 인공지능 모델을 NFT로 생성할 수 있다.

구체적으로, 장치(200)는 NFT를 통한 인공지능 모델 거래 서비스를 위한 플랫폼을 더 제공할 수 있으며, 해당 플랫폼을 통해 인공지능 모델을 NFT화하고, NFT의 거래를 위한 마켓 플레이스를 제공하고, 인공지능 모델의 거래 히스토리를 관리할 수 있다.

일실시예에 따르면, 블록체인 네트워크의 분산 플랫폼에 있어서, 각 노드들은 암호화된 P2P 네트워크로서 동작하며, 이른바 '블록'이라고 하는 각 자산들의 거래 기록들이 분산 원장에서의 암호화된 해시 함수를 통해 연결되어, 상호간 연결된 이른바 '블록체인'을 형성한다. 블록체인에 있어서의 각각의 블록은 각각의 거래의 유효성을 피어 장치들을 통해 인증된 디지털 자산의 거래 기록을 포함하고 있다. 암호화되고 탈중앙화된 컴퓨팅 기술들이 자산의 거래에 대한 검증과 인증을 식별하는데 사용되며, 블록체인 네트워크의 분산 플랫폼에 등록된 암호화된 디지털 자산들의 복제를 방지할 수 있다. 인증된 소유자에게는 개인 키(private key)가 제공될 수 있고, 개인 키는 네트워크 상에서 자산이 위치한 곳을 가리키거나 파일이 해독 또는 재구성되는 방법을 지시할 수 있다.

일반적으로 암호 화폐로 사용되고 있는 대체가능한 토큰(Fungible Token)은 하나의 토큰을 다른 토큰으로 대체하는 것이 가능한 토큰을 말한다. 대체가능한 토큰은 매 토큰이 유일성을 가지지 않는다는 것을 의미하며 대체가능한 토큰의 상호간 호환이 된다. 현재 절대 다수의 암호 화폐는 거래, 계량 단위, 또는 가치 저장을 할 수 있도록 대체가능성을 가지고 있다. 예를 들어, 이더리움 네트워크 상의 ERC-20은 대체가능한 토큰이다.

반면에, 본 발명에 있어서의 대체불가능한 토큰(Non-Fungible Token; NFT)은 그 진위를 영구하게 기록하는 고유 비트로 인증된 디지털 자산으로서, 이더리움과 같은 암호 화폐의 기반이 되는 분산 원장 시스템인 블록체인에 저장된다. 블록체인 기술을 이용해 토큰화(또는 자산화)했다는 점에서는 대체가능한 암호 화폐와 유사한 면이 있지만, 암호 화폐는 현실의 화폐처럼 누구나 통용할 수 있는 반면, NFT는 각각의 디지털 자산이 고유한 인식 값을 갖고 있기 때문에 대체불가능한 특성을 갖고 있다. 이러한 NFT는 블록체인 기술의 특성상 한 번 생성되면 삭제하거나 위조할 수가 없고 소유권과 거래 이력이 명시되므로 일종의 디지털 인증서 및 소유권 증명서와 같이 활용할 수 있다. 예를 들어, 이더리움 네트워크 상의 ERC-721은 대체불가능한 토큰(NFT)이다.

즉, 장치(200)는 NFT를 통한 인공지능 모델 거래 서비스를 위한 플랫폼을 통해 거래될 인공지능 모델을 NFT로 생성할 수 있다. 이 때, NFT를 생성하는 과정은 인공지능 모델, 인공지능 모델에 대한 정보, 인공지능 모델에 포함된 입력 값, 인공지능 모델에 포함된 출력 값 중 적어도 하나를 포함하는 인공지능 모델과 관련하여 정보에 대한 NFT를 발행하는 것으로, NFT를 발급하는 과정에서 NFT 발행을 위한 소정의 수수료가 청구될 수 있다. 또한, 장치(200)는 인공지능 모델의 NFT를 생성할 때, 인공지능 모델의 NFT를 암호화된 디지털 자산으로 생성할 수 있다.

일실시예에 따르면, 암호화된 디지털 자산의 생성은, 주소, 공개 키(public key) 및 개인 키(private key) 페어를 갖는, 암호화된 고유의 디지털 자산 코드를 생성하는 것을 포함한다.

일실시예에 따르면, 암호화된 디지털 자산에는, 이미지에 부여되어 있는 고유한 번호인 식별자가 포함된다. 따라서, 암호화된 디지털 자산은 이미지와 일대일로 매칭될 수 있다.

S603 단계에서, 장치(200)는 생성된 NFT의 지분을 사용자와 전문가에게 각각 설정할 수 있다. 이때, 설정 비율은 실시 예에 따라 달라질 수 있다.

구체적으로, 장치(200)는 전문가의 단말과 유무선으로 통신할 수 있으며, 여기서, 전문가는 사용자에게 추천된 추천 인공지능 모델을 생성한 전문가이다. 장치(200)는 사용자의 단말(100) 및 전문가의 단말로부터 NFT의 지분과 관련하여 정보를 획득할 수 있고, 획득한 정보를 기초로, NFT의 지분을 사용자와 전문가에게 각각 설정할 수 있다.

S604 단계에서, 장치(200)는 생성 및 지분 설정이 완료된 NFT를 블록체인에 업로드할 수 있다.

구체적으로, 장치(200)는 생성 및 지분 설정이 완료된 NFT를 NFT 거래 사이트에 등록할 수 있고, NFT를 NFT 거래 사이트에 등록함으로써, 인공지능 모델의 NFT가 거래되도록 할 수 있다.

이를 위해, 장치(200)는 NFT 거래 사이트를 제공하는 서버와 연결되어 있거나, NFT 거래 사이트를 제공하는 서버를 포함하여 구현될 수 있다.

장치(200)는 NFT를 NFT 거래 사이트에 등록하고, 사용자의 단말(100) 및 전문가의 단말을 통해 NFT가 거래될 때마다 거래된 NFT의 발급 정보에 대한 거래 히스토리를 데이터베이스에 저장할 수 있다.

S605 단계에서, 장치(200)는 사용자의 단말(100)을 통한 입력 및 전문가의 단말을 통한 입력에 기반하여, NFT를 통한 수익을 전문가에게 지급하여 추천 인공지능 모델에 대한 비용을 처리할 수 있다.

구체적으로, 장치(200)는 사용자의 단말(100) 및 전문가의 단말을 통해 NFT를 통한 수익을 전문가에게 추천 인공지능 모델의 활용에 대한 비용으로 처리할 수 있는지 여부를 묻는 메시지를 전송할 수 있고, NFT를 통해 얻은 수익을 전문가에게 추천 인공지능 모델의 활용에 대한 비용으로 처리해도 된다는 사용자의 단말(100) 및 전문가의 단말의 입력에 기반하여, NFT를 통한 수익을 전문가에게 지급하여 추천 인공지능 모델의 활용에 대한 비용을 처리할 수 있다.

S606 단계에서, 장치(200)는 NFT의 판매량이 미리 설정된 기준 이상인 것에 기반하여, 플랫폼 서비스의 메인 화면에 개발 인공지능 모델 및 추천 인공지능 모델을 게시할 수 있다. 여기서, 미리 설정된 기준은 실시 예에 따라 달라질 수 있다.

구체적으로, 장치(200)는 NFT의 판매량이 미리 설정된 기준 이상인지 여부를 확인하고, NFT의 판매량이 미리 설정된 기준 이상인 것에 기반하여, NFT를 통한 인공지능 모델 거래 서비스를 위한 플랫폼의 메인 화면에 개발 인공지능 모델 및 추천 인공지능 모델을 게시할 수 있다.

즉, 장치(200)는 NFT의 판매량이 미리 설정된 기준 이상일 경우, 플랫폼의 메인 화면에 해당 개발 인공지능 모델 및 추천 인공지능 모델을 게시하여 다른 사용자 및 다른 전문가에게 해당 개발 인공지능 모델 및 추천 인공지능 모델을 추천할 수 있다.

한편, 장치(200)는 추천 인공지능 모델과 함께 추천 인공지능 모델의 정보를 사용자의 단말(100)로 전송할 수 있다.

도 7은 일실시예에 따른 추천 인공지능 모델의 정보를 제공하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저 S701 단계에서, 장치(200)는 사용자의 단말(100)의 화면에 표시되는 인공지능 모델의 정보의 배열을 서로 다른 제1 배열 및 제2 배열로 결정할 수 있다. 이때, 인공지능 모델의 정보는 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보에 대한 정보를 포함할 수 있다.

여기서, 인공지능 모델의 정보의 배열은 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보의 순서 및 배치 방법 등을 포함할 수 있으나 이에 한정되지는 않는다.

예를 들어, 장치(200)는 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보 순인 제1 배열 및 인공지능 모델의 이름, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델의 종류, 인공지능 모델의 주 사용처, 인공지능 모델에 대한 구체적인 정보 순인 제2 배열을 결정할 수 있다. 이때, 제1 배열 및 제2 배열은 이에 한정되지는 않는다.

S702 단계에서, 장치(200)는 추천 인공지능 모델의 이름의 글자수가 홀수인 경우, 제1 배열을 이용하여 인공지능 모델의 정보를 표시할 수 있다. 장치(200)는 추천 인공지능 모델에 해당하는 인공지능 모델의 이름을 획득할 수 있고, 획득한 인공지능 모델의 이름의 글자수가 홀수인지, 짝수인지를 확인할 수 있다.

예를 들어, 추천 인공지능 모델의 이름의 글자수가 홀수인 경우, 장치(200)는 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보 순인 제1 배열을 이용하여 인공지능 모델의 정보를 표시할 수 있다.

S703 단계에서, 장치(200)는 추천 인공지능 모델의 이름의 글자수가 짝수인 경우, 제2 배열을 이용하여 인공지능 모델의 정보를 표시할 수 있다.

예를 들어, 추천 인공지능 모델의 이름의 글자수가 짝수인 경우, 장치(200)는 인공지능 모델의 이름, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델의 종류, 인공지능 모델의 주 사용처, 인공지능 모델에 대한 구체적인 정보 순인 제2 배열을 이용하여 인공지능 모델의 정보를 표시할 수 있다.

이에 따라, 장치(200)는 추천 인공지능 모델의 이름의 글자수를 기반으로 인공지능 모델의 종류, 인공지능 모델의 이름, 인공지능 모델의 주 사용처, 인공지능 모델을 개발한 전문가의 정보, 인공지능 모델에 대한 구체적인 정보를 포함하는 인공지능 모델의 정보의 배열을 다르게 사용자의 단말(100)의 화면에 표시할 수 있다.

도 8은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 7을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

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.

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.

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.

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.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법에 있어서,
   사용자의 단말로부터 상기 사용자의 음성을 획득하는 단계;
   상기 사용자의 단말로부터 상기 사용자가 작성한 제1 텍스트를 획득하는 단계;
   음성인식기술을 이용하여 상기 사용자의 음성을 제2 텍스트로 변환하는 단계;
   상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 상기 추출된 키워드를 분석하여, 상기 사용자의 의도를 파악하는 단계;
   상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계; 및
   상기 추천 인공지능 모델을 상기 사용자의 단말로 제공하는 단계를 포함하고,
   상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 기초로, 키워드를 추출하고, 상기 추출된 키워드를 분석하여, 상기 사용자의 의도를 파악하는 단계는,
   상기 제1 텍스트 및 상기 제2 텍스트 중 적어도 하나를 단어 및 형태소 단위로 분류하는 단계,
   상기 분류된 단어 및 형태소를 기초로, 각 단어 및 형태소 간의 연관관계를 파악하여 핵심 키워드를 획득하는 단계,
   상기 획득된 핵심 키워드를 요인과 결과로 구분하는 단계,
   요인으로 분류된 핵심 키워드를 사용자 입력 데이터로 저장하는 단계, 및
   결과로 분류된 핵심 키워드를 사용자 출력 데이터로 저장하는 단계를 포함하고,
   상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계는,
   상기 사용자 입력 데이터와 카테고리가 일치하는 입력 데이터가 사용되고, 상기 사용자 출력 데이터와 카테고리가 일치하는 출력 데이터가 사용된 후보 인공지능 모델을 인공지능 모델 데이터베이스로부터 선정하는 단계,
   상기 후보 인공지능 모델에 상기 사용자 입력 데이터를 입력하여 출력된 값을 상기 사용자 출력 데이터와 비교하는 단계, 및
   상기 비교 결과, 오차가 적은 후보 인공지능 모델을 추천 인공지능 모델로 선정하는 단계를 포함하는
   사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법.
2. 삭제
3. 제1항에 있어서,
   상기 사용자의 의도를 기초로, 인공지능 모델 데이터베이스로부터 추천 인공지능 모델을 선정하는 단계에서 오차가 동일한 후보 인공지능 모델이 있는 경우,
   상기 오차가 동일한 인공지능 모델을 제1 리스트로 리스팅하는 단계,
   상기 사용자의 단말로부터 상기 사용자의 나이, 상기 사용자의 성별, 상기 사용자의 직업을 포함하는 상기 사용자의 특성을 획득하는 단계,
   상기 사용자의 특성을 기초로, 사용자 데이터베이스로부터 상기 사용자의 특성과 동일한 사용자인 연관 사용자를 추출하고, 상기 연관 사용자가 활용한 인공지능 모델의 정보를 포함하는 상기 연관 사용자의 정보를 획득하는 단계,
   상기 연관 사용자의 정보를 기초로, 상기 제1 리스트에 리스팅된 인공지능 모델의 활용 횟수를 확인하는 단계,
   활용된 횟수가 많은 순서로 상기 제1 리스트를 정렬하는 단계, 및
   상기 정렬된 제1 리스트를 상기 사용자의 단말로 전송하는 단계를 더 포함하는
   사용자 의도 분석 기반 인공지능 모델 추천 플랫폼 제공 방법.

Images