KR102578691B1 - 세탁기 - Google Patents

Abstract

세탁기가 개시된다. 본 발명의 실시 예에 따른 세탁기는, 사용자의 세탁 패턴과 관련된 데이터를 수집하는 제1 데이터 획득부, 상황 정보와 관련된 데이터를 수집하는 제2 데이터 획득부, 및, 상기 사용자의 세탁 패턴 및 상기 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 세탁 코스를 추천하면 상기 추천된 세탁 코스에 대한 상기 사용자의 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는 프로세서를 포함한다.

Description

세탁기

본 발명은, 강화 학습을 통하여 사용자의 세탁 패턴과 상황에 부합하는 세탁 코스를 추천하는 세탁기에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

한편 세탁기에서는 다양한 세탁 코스를 제공한다. 다만 세탁기에서 제공하는 세탁 코스는 세탁물의 종류, 세탁 시간 등에 따라 제조사 측에서 설정한 것으로, 다양한 사용자들의 요구를 반영하지는 못하는 문제가 있다.

예를 들어 바쁜 직장인인 A 사용자는 빠른 세탁을 선호할 수도 있으며, 가족들의 건강을 책임지는 가정 주부인 B 사용자는 깨끗한 세탁을 선호할 수 있다. 또한 운동을 자주 하는 C 사용자는 땀 냄새를 제거하기에 유리한 세탁을 선호할 수 있으며, 어린 아이를 키우는 D 사용자는 삶기 기능을 충분히 활용하는 세탁을 선호할 수 있다.

다만 세탁기의 제조사에서 제공하는 세탁 코스만으로는 이러한 다양한 사용자 들의 요구를 충족시킬 수 없는 문제가 있다.

또한 동일한 사용자라도 상황에 따라 적절한 세탁 코스는 달라질 수 있다. 예를 들어서 운동을 자주 하는 C 사용자는, 운동을 마치고 돌아와 운동복을 세탁할 때에는 땀 냄새를 제거하는데 유리한 세탁을 선호하나, 출퇴근 할 때 입는 옷인 와이셔츠를 빨 때에는 빠른 세탁을 선호할 수도 있다.

따라서 사용자가 선호하는 취향 및 상황까지 고려하여 사용자에게 적절한 세탁 코스를 추천할 필요성이 대두되었다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 강화 학습을 통하여 사용자의 세탁 패턴과 상황에 부합하는 세탁 코스를 추천하는 세탁기를 제공하기 위함이다.

본 발명의 실시 예에 따른 세탁기는, 사용자의 세탁 패턴과 관련된 데이터를 수집하는 제1 데이터 획득부, 상황 정보와 관련된 데이터를 수집하는 제2 데이터 획득부, 및, 상기 사용자의 세탁 패턴 및 상기 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 세탁 코스를 추천하면 상기 추천된 세탁 코스에 대한 상기 사용자의 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는 프로세서를 포함한다.

본 발명에 따르면, 현재의 상황에 최적화하고 사용자의 세탁 성향까지 고려한 세탁 코스를 추천할 수 있다.

또한 본 발명에 따르면, 다양한 사용자의 반응을 피드백으로 사용하여 다양한 레벨의 보상 또는 벌점을 부여함으로써, 사용자의 성향을 정확히 반영하여 강화 학습을 수행하고 세탁 코스를 추천할 수 있는 장점이 있다.

또한 본 발명에 따르면, 사용자가 세탁을 할 때마다 지속적으로 강화 학습을 수행함으로써, 강화 학습 모델의 성능을 계속적으로 강화할 수 있는 장점이 있다.

도 1a는 본 발명의 일 실시예에 의한 세탁기의 구성을 보여주는 도면이다.
도 1b는 본 발명의 다른 실시예에 의한 세탁기 내에 모든 구성요소가 통합된 경우의 구성을 보여주는 도면이다.
도 2a은 본 발명의 일 실시예에 의한 세탁기의 동작 과정을 보여주는 도면이다.
도 2b는 본 발명의 일 실시예에 의한 세탁기가 가질 수 있는 상태를 보여주는 도면이다.
도 2c는 본 발명의 일 실시예에 의한 입력된 세탁 정보에 기반하여 세탁 코스를 설정하는 프로세스를 보여주는 도면이다.
도 3은 본 발명의 또 다른 실시 예에 의한 세탁기를 설명하기 위한 블록도이다.
도 4는 본 발명의 실시 예에 따른 세탁기의 동작 방법을 설명하기 위한 도면이다.
도 5는 세탁 패턴과 관련된 데이터 및 상황 정보와 관련된 데이터를 수집하는 방법을 설명하기 위한 도면이다.
도 6은 세탁 패턴을 사용자 별로 수집하는 방법을 설명하기 위한 도면이다.
도 7은 세탁 패턴의 전처리 과정을 설명하기 위한 도면이다
도 8은 상황 정보의 전처리 과정을 설명하기 위한 도면이다.
도 9는 본 발명의 강화 학습 방법을 설명하기 위한 도면이다
도 10은 본 발명의 실시 예에 따른 강화 학습 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 강화 학습 모델에 피드백을 제공하는 방법을 설명하기 위한 도면이다.
도 12는 부정 피드백이 수신된 후 세탁 코스가 새롭게 설정된 경우의 동작 방법을 설명하기 위한 도면이다.
도 13은 본 발명의 실시 예에 따른 강화 학습 모델을 미리 트레이닝 하는 방법을 설명하기 위한 도면이다.
도 14는 본 발명의 실시 예에 따른, 세탁 코스 서비스를 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.

본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

본 명세서에서 의복, 이불, 인형 등을 세탁하거나 건조하거나 드라이크리닝 등을 수행하는데 필요한 기능을 수행하는 기기들을 통칭하여 세탁기라고 한다. 즉, 본 명세서에서 의복이나 이불, 인형과 같이 옷감을 포함하는 사물들을 통칭하여 세탁물이라고 한다. 또한, 본 명세서에서 세탁물을 세척하거나 말리거나 먼지를 제거하거나 혹은 드라이크리닝을 수행하는 다양한 기능을 제공하는 모든 장치를 통칭하며 세탁기라 지칭하며, 이 장치는 협소한 세탁 성능에 한정되지 않는다.

본 명세서에서는 사용자가 세탁물을 세탁기에 투입하거나 설치하는 등의 과정에서 세탁기와 대화형으로 세탁물의 정보를 입력하고 세탁기는 입력된 정보에서 유의미한 정보를 추출하여 세탁물에 적합한 세탁 코스를 선택할 수 있다.

도 1a는 본 발명의 일 실시예에 의한 세탁기의 구성을 보여주는 도면이다. 도 1a는 세탁기가 외부에 배치된 음성 서버를 이용하여 음성 인식 및 코스 선택을 수행하는 구조를 보여주는 도면이다.

세탁기(100)는 음성입력부(110), 음성안내부(120), 통신부(130), 제어부(150), 인터페이스부(180), 그리고 세탁부(190)로 구성된다.

세탁기(100)가 입력받은 음성 데이터를 음성 서버(500)에 전달되어 음성서버(500)가 어떠한 음성이 입력되었는지 음성 데이터를 분석한다. 그리고 중앙제어서버(700)는 분석된 음성 데이터에 기반하여 세탁기(100)를 제어하는 제어 명령어를 기기제어부(710)가 생성하여 이를 통신부(730)를 통해 세탁기(100)에게 전달하여 세탁기(100)가 제어할 수 있도록 한다. 인터페이스부(180)는 소정의 정보를 출력하고 사용자로부터 메뉴 선택 등의 조작이 가능한 터치 입력 또는 버튼 입력을 수신하는 기능을 제공한다.

보다 세부적인 구성요소들의 동작에 대해 살펴본다.

음성입력부(110)는 사용자로부터 오염물질을 지시하는 스테인워드(StainWord) 또는 세탁물을 지시하는 클로쓰워드(ClothWord) 중 어느 하나 이상이 포함된 음성을 입력받아 이것을 음성 데이터로 생성한다.

음성입력부(110)는 일종의 마이크가 될 수 있다. 사용자의 음성만을 사용자의 음성만을 받아들이기 위해 하나 혹은 그 이상의 마이크를 음성입력부(110)의 일 실시예로 한다. 음성입력부(110)는 마이크를 하나이상 포함하되, 잡음을 제거하는 모듈이 추가적으로 포함될 수 있다. 이 경우, 음성입력부(110)는 음성만을 추출하고 이를 음성 데이터로 변환한 후, 통신부(130)를 통해 음성 서버(500)로 전송할 수 있다.

통신부(130)는 음성입력부(110)에 입력된 음성에서 생성된 음성 데이터 및 세탁기(100)의 식별정보를 제1서버에 전송하고, 제1서버 또는 제1서버와 구분되는 제2서버 중 어느 하나로부터 코스 설정 정보를 수신한다.

세탁부(190)는 세탁 기능을 제공하는 구성요소들을 포함한다. 급수 및 배수, 세탁, 헹굼 등의 기능을 제공할 수 있다.

여기서 세탁기(100)가 통신하는 서버가 도 1과 같이 음성 서버(500)와 중앙제어서버(700) 인 경우, 제1서버는 음성 서버(500)가 될 수 있고 제2서버는 중앙제어서버(700)가 될 수 있다. 이 경우 통신부(130)는 코스 설정 정보는 중앙제어서버(700)로부터 수신하고 음성 인식은 음성 서버(500)와 별도로 통신할 수 있다.

또한, 음성 서버(500)와 중앙제어서버(700)가 하나로 통합된 서버인 경우, 통신부(130)는 하나의 통합된 서버와 통신을 수행할 수 있다. 서버를 다수 혹은 하나로 하는 것과, 기능 별로 서버를 분리하거나 하나의 서버로 통합하는 것은 다양한 실시예에 해당하며, 본 발명이 어느 하나에 한정되는 것은 아니다.

한편, 음성 서버(500)의 음성인식부(510)는 세탁기(100)로부터 전송된 음성 데이터를 인식한다. 이 과정에서 음성 서버(500)는 음성 데이터에 대해 ASR(Automatic Speech Recognition)과 NLP(Natural Language Processing)을 수행하여 의미있는 단어를 추출한다. 그리고 추출된 단어는 중앙제어서버(700)에게 전송되며 중앙제어서버(700)는 사용자의 제어 의도를 파악하여 세탁기(100)를 원격 제어한다.

기기제어부(710)는 사용자의 제어 의도에 적합한 제어 명령어, 즉, 세탁에 필요한 코스 설정 정보를 생성하여 이를 통신부(730)를 통해 세탁기(100)에 전송한다. 이 과정에서 세탁기(100)는 수신한 명령어의 실행, 즉 특정 세탁 코스로 세탁물을 세탁하기 위해 직접 음성 안내부(120)에서 출력할 수도 있다. 또는 음성 서버(500)의 TTS(Text to Speech)부에서 출력할 음성 데이터를 생성하여 역시 통신부(530)를 통해 세탁기(100)에게 제공되면, 세탁기(100)는 수신된 음성 데이터를 출력하여 사용자에게 세탁 코스를 안내할 수 있다.

정리하면, 음성 입력부(110)가 입력받은 음성에 따라 세탁 코스가 설정되면, 음성 안내부(120)는 코스 설정 정보에 대응하는 세탁 코스를 안내하는 음성 안내 메시지를 출력할 수 있다.

여기서 코스 설정 정보는 세탁기의 세탁강도(Spin), 물의 온도(Temperature), 세제의 종류, 세제의 양, 또는 세탁물의 오염물 제거강도(Soil Level) 중 어느 하나 이상의 조합을 포함할 수 있다. 그리고 이러한 코스 설정 정보는 인터페이스부(180)에 표시될 수 있으며, 사용자가 이를 선택할 수도 있다.

인터페이스부(180)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부, 음향 출력부 중 적어도 하나를 포함할 수 있다.

디스플레이부는 세탁기에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부는 세탁기에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 세탁기와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 세탁기와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부는 외부로부터 수신되거나 메모리에 저장된 오디오 데이터를 출력할 수 있다. 또한 음향 출력부는 사람의 음성을 출력할 수 있다.

음향 출력부는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

그리고 제어부(150)는 이들 구성요소들을 제어할 수 있다. 특히, 통신부(130)가 수신한 코스 설정 정보에 기반하여 세탁기(100)가 동작할 수 있도록 세탁기(100)를 제어할 수 있다.

도 1a의 세탁기(100)의 구성을 적용할 경우, 대화형 음성인식을 통한 세탁물 최적 세탁 코스를 설정할 수 있다. 예를 들어, 사용자가 세탁기(100)에서 지원하는 세탁 코스 설정 및 옵션을 잘 모르더라도, 예를 들어 잔디물, 커피, 케?y 등과 같은 오염물의 종류와 옷감의 종류를 대화 방식으로 세탁기에게 알려주면, 최적의 세탁 코스와 옵션을 설정하고 추천할 수 있다.

즉, 대화형 음성인식 방식으로 세탁코스 설정을 위한 정보를 수집하고, 이를 세탁코스 변환 프로세스에 의해 세탁기에서 제공하는 최적 코스로 자동으로 설정하고, 이를 사용자에게 음성합성기를 통해서 추천할 수 있다.

도 1a의 500 및 700은 세탁기(100)와 분리되어 구현될 수 있고, 반대로 세탁기(100) 내에 통합되어 구성될 수 있다. 또는 음성 서버(500)와 중앙제어서버(700)를 구성하는 어느 하나 이상의 구성요소가 세탁기(100) 내에 포함될 수 있다.

도 1b는 본 발명의 다른 실시예에 의한 세탁기 내에 모든 구성요소가 통합된 경우의 구성을 보여주는 도면이다.

도 1a에서 살펴본 음성 서버(500)의 음성 인식부(510)의 기능을 도 1b에서 세탁기(200) 내의 음성 인식부(210)가 제공한다. 도 1a에서 살펴본 음성 서버(500)의 TTS부(520)의 기능을 도 1b 에서 세탁기(200) 내의 TTS부(220)가 제공한다. 또한, 앞서 도 1a의 중앙제어서버(700)의 기기제어부(710)이 기능을 포함하여 세탁기(200)의 제어부(250)가 제공한다. 따라서 각각의 구성요소들이 제공하는 기능은 도 1a에 대한 설명을 참조한다.

도 1a 및 도 1b 는 음성 인식과 TTS 기능, 그리고 기기 제어에 관한 기능이 외부 서버에 포함되는지, 아니면 세탁기에 포함되는지에 따라 구분할 수 있다. 도 1a 및 도 1b 와 달리 일부 기능만이 세탁기에 포함될 수도 있고 일부 기능만이 서버에 포함될 수 있으며, 본 발명은 이들의 다양한 실시예들을 포함한다.

도 2a은 본 발명의 일 실시예에 의한 세탁기의 동작 과정을 보여주는 도면이다.

사용자가 세탁기(100, 200) 주변에서 음성을 입력한다(S1). 입력된 음성은 음성 데이터로 변환되고 이는 다시 음성인식 과정을 실시한다.

도 1a에 기반할 경우, 세탁기(100)의 음성 입력부(110)가 수신한 음성을 음성 데이터로 변환하여 세탁기(100)의 통신부(130)를 통해 음성 서버(500)로 전달하고, 음성 서버(500)의 음성 인식부(510)는 음성 데이터를 분석하여 음성 인식을 수행한다(S2).

도 1b에 기반할 경우, 세탁기(200)의 음성 입력부(110)가 수신한 음성을 음성 데이터로 변환하여 세탁기(200)의 음성 인식부(510)가 음성 데이터를 분석하여 음성 인식을 수행한다(S2).

S2 과정에 의해 음성인식 결과인 텍스트가 생성된다. 텍스트가 생성되면 이 텍스트는 중앙제어서버(700)의 기기제어부(710) 또는 세탁기(200)의 제어부(250)가 텍스트에 기반하여 사용자의 의도를 분석한다. 음성 인식에 기반한 결과를 분석하여 중앙제어서버(700)의 기기제어부(710) 또는 세탁기(200)의 제어부(250)는 세탁기(100, 200)의 동작에 적합한 키워드를 추출한다(S3).

중앙제어서버(700)의 기기제어부(710) 또는 세탁기(200)의 제어부(250)는 키워드가 추출되면 이전에 세탁 코스 설정 명령이 있었는지를 확인한다(S4). 만약 세탁 코스 설정이 아닌 온/오프(On/Off)와 같은 단순한 기기 제어일 경우 S8로 이동하여 해당 기기 제어에 대응하여 동작할 수 있다.

한편, 확인 결과 설정 명령이 있다면, 이에 기반하여 기기제어부(710) 또는 제어부(250)는 세탁코스에 필요한 정보가 더 있는지, 즉 세탁코스 정보가 추가로 필요한지를 확인한다(S5). 추가로 필요한 경우, 음성안내부(120)를 제어하여 추가 질문을 수행하고(S6) 이에 따라 S1 내지 S5의 단계를 반복할 수 있다.

충분히 세탁 코스를 설정하는데 필요한 정보가 확보된 경우(S5) 기기제어부(710) 또는 제어부(250)는 세탁 코스를 변환하고(S7) 이에 기반하여 기기, 즉 세탁기를 제어한다(S8). 이후 세탁기(100, 200)는 인터페이스부(180)를 통해 동작될 코스에 대한 설명을 표시하고(S9), 음성 안내부(120)에서 코스에 대한 음성 안내를 수행한다(S10).

도 2a의 동작 과정을 설명하면 다음과 같다.

사용자가 발화한 음성은 음성인식 서버(500) 또는 음성인식부(210)에 의해 텍스트 결과가 생성되고, 중앙제어서버(700) 또는 세탁기(200)의 제어부(250)가 이를 분석하여 세탁 코스 설정을 원하는 명령이라면, 최적의 세탁 코스를 설정하기 위한 추가적인 질문을 대화형으로 계속 질의하여 원하는 정보를 얻고, 더 이상 추가 정보가 필요없다면 세탁 코스 변환 모듈에 의해 최적 세탁 코스를 설정하여 추천한다.

도 2a의 S4, S8, S9, S10의 플로우와 같이, 온/오프 등의 단순 기기 제어일 경우에는 기기를 제어하고, 제어된 결과를 화면에 표시하고, 음성 안내 멘트를 통해 피드백을 제공할 수 있다.

도 2a에서 S4는 선택적으로 포함될 수 있다. 또한 S5 역시 반복적으로 미리 정해진 횟수만큼 질문을 받도록 구성될 수 있다. 따라서, S4 및 S5 단계는 선택적으로 포함될 수 있다.

도 2b는 본 발명의 일 실시예에 의한 세탁기가 가질 수 있는 상태를 보여주는 도면이다. 도1a 또는 도 2b에 제시된 세탁기(100, 200)는 파워 온과 함께 음성입력을 대기하는 모드(STATE_R)를 유지한다. 유지하는 상태에서 음성이 입력되면, 음성입력(S15)에 대응하여 세탁코스를 설정하는 모드(STATE_S)를 유지한다. 이 과정에서 정보가 충분히 확보된 경우에는 세탁 동작모드(STATE_W)로 상태를 변경한다(S17). 그러나 정보가 충분히 확보되지 않은 경우에는 설정 모드(STATE_S)에서 음성입력대기모드(STATE_R)로 상태를 변경한다(S16).

또는 음성입력대기모드(STATE_R)에서 별도의 음성 입력 없이 사용자가 인터페이스부(180)를 제어하여 세탁기의 동작을 제어할 수 있다(S18).

전술한 세탁기의 동작 및 상태에 기반할 때, 세탁 코스를 사용자가 쉽게 선택하기 어려운 상황(어떤 방식의 세탁이 필요하고 어떤 코스를 선택해야 할 것인지, 어떤 옵션을 선택해야 할 지 등을 판단하기 어려운 경우) 사용자는 세탁물의 특징, 예를 들어 오염물의 종류(잔디물, 커피, 케찹 등)와 옷감의 종류(운동복, 아기옷, 속옷 등)를 대화하듯이 음성으로 세탁기(100, 200)에 입력하면, 세탁기는 입력된 음성 데이터에서 최적의 세탁 코스를 선택하여 추천 세탁 코스를 표시하고 이에 대한 세탁을 안내할 수 있다.

도 2a 및 도 2b에서 설명한 바와 같이, 세탁기 또는 세탁기와 연결된 서버의 음성인식 기능을 이용하여, 사용자가 세탁하고자 하는 세탁 오염물 종류, 옷감 종류 등 최적 세탁 코스를 설정하기 위한 정보를 대화형 방식으로 질의 및 응답을 하면서, 정보를 획득하여 최적 세탁 코스를 설정할 수 있다.

이를 위해 사용자는 오염물의 종류를 음성 발화하고, 이에 대응하여 세탁기는 옷감의 종류에 대해 요청하는 음성 안내를 수행할 수 있다. 이에 대응하여 사용자가 옷감의 종류를 음성 발화하면, 세탁기는 오염물의 오염 정도를 요청하는 음성 안내를 수행할 수 있다. 사용자가 오염물의 정도를 상/중/하로 이야기하면 세탁기는 입력된 오염물에 대한 정보, 세탁할 옷감의 종류, 오염 정도, 또는 추가적으로 오염된 시점 등과 같은 정보들을 통해 최적의 추천 코스를 찾아내고, 이에 대한 안내 멘트를 음성 안내부를 통해 사용자에게 제공하여 사용자의 의도에 부합하는 세탁 코스를 제공할 수 있다.

도 2c는 본 발명의 일 실시예에 의한 입력된 세탁 정보에 기반하여 세탁 코스를 설정하는 프로세스를 보여주는 도면이다. 도 2c의 프로세스는 중앙제어서버(700)의 기기 제어부(710) 또는 세탁기(200)의 제어부(250)가 수행할 수 있다.

도 2c에서 중앙제어서버(700)의 동작을 살펴보면 다음과 같다. 앞서 도 1에서 살펴본 바와 같이 중앙제어서버(700)의 기기제어부(710)는 스테인워드에 대응하는 제1키워드 및 클로쓰워드에 대응하는 제2키워드와 세탁기의 식별 정보를 이용하여 세탁기에서 동작할 수 있는 코스 설정 정보를 데이터베이스에서 검색한다. 스테인워드는 오염물질의 명칭 또는 오염물질의 색상 또는 오염물질의 화학적 특성을 지시하는 단어가 될 수 있다. 클로쓰워드는 세탁물의 종류 또는 세탁물의 직물명칭 또는 세탁물의 색상 중 어느 하나를 포함할 수 있다.

제1키워드는 스테인워드와 동일할 수도 있고 스테인워드에서 추출되거나 스테인워드에서 특정하게 매핑되는 단어가 될 수 있다. 마찬가지로 제2키워드는 클로쓰워드와 동일할 수도 있고 클로쓰워드에서 추출되거나 클로쓰워드에서 특정하게 매핑되는 단어가 될 수 있다.

일 실시예로 사용자가 스테인워드로 입력하기 위해 "케차압"이라고 발화할 수 있다. 이때, 음성서버(500) 또는 중앙제어서버(700)는 이 단어에서 "케찹"이라는 제1키워드를 산출할 수 있다. 다른 실시예로 사용자가 클로쓰워드로 입력하기 위해 "치미"라고 발화할 수 있다. 이때, 음성서버(500) 또는 중앙제어서버(700)는 이 단어에서 "치마"라는 제2키워드를 산출할 수 있다.

즉, 키워드는 입력된 음성에서 추출된 스테인워드 또는 클로쓰워드 그대로를 일 실시예로 한다. 또한 키워드는 입력된 음성에서 추출된 스테인워드 또는 클로쓰워드를 기반으로 매핑하거나 추출되는 단어를 일 실시예로 한다.

기기제어부(710)는 도 2c에 제시된 바와 같이 데이터베이스들(721, 722)에서 키워드들을 이용하여 코스 설정 정보를 검색한다. 중앙제어서버(700)의 통신부(730)는 검색된 코스 설정 정보를 세탁기(100)에게 전송하여 세탁기(100)가 코스 설정 정보에 기반하여 동작할 수 있도록 한다.

도2c의 음성 서버(500)는 입력된 음성을 인식하여 음성 데이터를 텍스트로 변환한다. 변환된 텍스트 데이터(예를 들어 텍스트 파일)는 중앙제어서버(700)에 전달되고 중앙제어서버(700)의 기기제어부(710)는 음성이 입력된 장치(세탁기)를 기준으로 키워드를 추출한다(S36). 이는 중앙제어서버(700)가 다양한 종류의 기기들을 제어할 경우 해당 기기에 적합한 키워드를 추출하기 위함이다.

중앙제어서버(700)는 추출한 키워드에 대응하는 세탁코스를 검색할 수 있다. 도 6에는 중앙제어서버(700)가 키워드 별 대응 세탁코스에 대한 정보가 저장된 데이터베이스를 두 개를 포함하는 것을 일 실시예로 한다. 제1데이터베이스(721) 및 제1데이터베이스(722)는 세탁 코스에 대해 입력가능한 다양한 발화 텍스트(키워드 조합)가 테이블로 저장되며, 이에 대응하는 세탁 코스가 설정되어 있다.

일 실시예로 제1데이터베이스(721)는 해당 세탁기에 특화된 세탁 코스에 대한 정보들이 저장되어 있다. 특정 세탁기 별로 해당 세탁기가 제공할 수 있는 코스 정보가 저장된다. 따라서 이 경우 세탁기의 식별정보에 기반하여 코스 설정 정보를 검색할 수 있다.

한편, 제2데이터베이스(722)는 세탁기에서 제공하지 않는 세탁 코스에 대한 정보들이 저장되어 있다. 이는 전체 세탁기들에 표준으로 적용할 수 있는 세탁 코스를 의미한다. 이 경우 세탁기의 식별 정보 없이 코스 설정 정보를 검색하거나, 혹은 식별 정보의 일부를 이용하여 코스 설정 정보를 검색할 수 있다.

보다 상세히, 중앙제어서버(700)의 기기제어부(710)는 키워드를 추출하여 추출된 키워드와 세탁기의 식별 정보를 이용하여 S41과 같이, 제1데이터베이스(721)에서 세탁기에 특화된 세탁코스(해당 세탁기가 특별히 제공하는 세탁코스)가 있는지를 먼저 검색한다(S37). 이는 세탁기의 식별 정보에 대응하여 코스 설정 정보가 분류된 제1데이터베이스(721)에서 제1키워드(스테인워드) 및 제2키워드(클로쓰워드)에 대응하는 코스 설정 정보를 검색한다.

그리고 해당 키워드와 검색된 세탁코스의 매핑이 있을 경우 해당 코스로 설정하도록 세탁기를 제어하는 코스 설정정보를 도출한다(S38). 코스 설정 정보의 일 실시예로 세탁기의 세탁강도, 물의 온도, 세제의 종류, 세제의 양, 또는 세탁물의 오염물 제거강도 중 어느 하나 이상의 조합을 포함할 수 있다. 또한, 해당 세탁기에 특정된 코스가 선택될 수 있는데, 예를 들어 세탁기가 "삶기" 기능이 있으며, 매핑 결과가 "삶기"인 경우 이를 지시하는 코스 설정 정보를 도출할 수 있다.

한편 S37에서 매핑 프로세스를 수행한 결과 제1데이터베이스(721)에서 매핑될 수 있는 세탁 코스가 없을 경우, S42를 진행한다. 즉, S41에서 세탁기의 식별 정보 및 제1, 2 키워드에 대응하는 코스 설정 정보가 검색되지 않으면, 범용 코스 설정 정보가 저장된 제2데이터베이스(722)에서 제1키워드 및 제2키워드에 대응하는 코스 설정 정보를 검색한다. 즉, 제2데이터베이스(722)에서 매핑될 수 있는 코스가 있는지를 검색한다(S42). 검색 결과, 검색된 코스로 세탁기를 제어하는 코스 설정정보를 도출한다(S38). 예를 들어 표준 코스에 옵션(행굼, 탈수, 물온도 등등)을 조합한 세탁 방식을 코스 설정 정보로 도출할 수 있다.

제1, 2 데이터베이스(721, 722) 어디에도 매핑되는 세탁 코스가 없을 경우 표준 세탁코스로 설정할 수 있다.

코스 설정 정보는 세탁기에게 전송되고 세탁기는 그에 대응하여 동작한다는 안내문을 소리로 출력(음성안내, TTS) 또는 텍스트로 출력할 수 있다. TTS 출력을 위해서 음성 서버(500)의 TTS부(520)를 이용할 수 있다.

도 2c에 설명된 내용은 도 1a의 구성에 적용할 수 있다. 또한, 도 1b와 같이 하나의 세탁기(200) 내에 음성인식부(210) 및 제어부(250), TTS부(220)가 배치된 경우 별도의 통신 과정 없이 세탁기(200)내의 각 구성요소들 사이에 정보를 교환하여 코스 설정 정보를 도출할 수 있다.

도2c의 키워드 추출은 중앙제어서버(700)에서 수행할 수도 있고, 음성 서버(500)에서 수행할 수도 있다. 물론, 중앙제어서버(700)와 음성 서버(500)가 일체로 결합한 하나의 서버로 동작할 수도 있다.

예를 들어 기기제어부(710)는 세탁기(100) 또는 음성서버(500)가 전송한 텍스트 파일에서 제1키워드 및 제2키워드를 추출할 수 있다.

또한, 중앙제어서버(700)의 통신부(730)는 세탁기(100)로부터 음성 데이터를 수신하면, 중앙제어서버(700) 내에 배치된 별도의 음성인식부가 이를 텍스트로 변환하여 제1키워드와 제2키워드를 추출할 수 있다. 이는 중앙제어서버(700) 내에 음성서버(500)의 구성요소가 포함된 것을 일 실시예로 한다.

한편, 중앙제어서버(700)의 기기제어부(710)는 스테인워드 또는 클로쓰워드 중 어느 하나가 입력되지 않은 것으로 확인된 경우, 입력되지 않은 스테인워드 또는 클로쓰워드의 발화를 요청하는 안내메시지의 출력을 지시하는 메시지를 생성할 수 있다. "케찹"이라는 스테인워드가 입력되면 기기제어부(710)는 옷의 종류를 확인하는 안내 메시지가 S26과 같이 출력되도록 안내메시지의 출력을 지시하는 메시지를 생성할 수 있다. 그리고 통신부(730)는 생성된 메시지를 세탁기(100) 또는 음성 서버(500)에게 전송하고, 세탁기(100) 또는 음성 서버(500)로부터 키워드를 수신한다. 수신한 키워드는 앞서 요청된 스테인워드 또는 클로쓰워드 중 어느 하나에 대응하는 키워드인 것을 일 실시예로 한다.

도 3은 본 발명의 또 다른 실시 예에 의한 세탁기를 설명하기 위한 블록도이다.

도 3에 따르면 본 발명의 실시 예에 따른 세탁기(300)는, 제1 데이터 획득부(310), 제2 데이터 획득부(320), 세탁부(330), 통신부(340) 및 메모리(350)를 포함할 수 있다.

제1 데이터 획득부(310)는 사용자의 세탁 패턴과 관련된 데이터를 수집하기 위하여 도 1a 또는 도 1b에서 설명한 인터페이스부(180) 및 음성 입력부(110) 중 적어도 하나를 포함할 수 있다.

제2 데이터 획득부(320)는 도 1a 또는 도 2b에서 설명한 통신부(130)를 포함할 수 있다.

한편 제2 데이터 획득부(320)는 무선 인터넷 모듈 및 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.

무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

무선 인터넷 모듈은 무선 통신을 수행하기 위한 무선 통신 회로를 포함할 수 있다.

근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

근거리 통신 모듈은 근거리 통신을 수행하기 위한 근거리 통신 회로를 포함할 수 있다.

한편 제2 데이터 획득부(320)는 카메라를 포함할 수 있다.

카메라는 영상을 촬영할 수 있다. 구체적으로 카메라는 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리할 수 있다. 처리된 화상 프레임은 메모리(350)에 저장될 수 있다.

한편 제2 데이터 획득부(320)는 태그 인식기를 포함할 수 있다. 여기서 태그 인식기는 세탁물의 태그를 촬영하는 카메라 및 세탁기의 태그에 표시되는 문자, 기호 등을 인식하는 태그 인식 프로세서를 포함할 수 있다. 한편 별도의 태그 인식기 없이, 태그 인식 프로세스의 기능은 프로세서(360)가 수행할 수도 있다.

제2 데이터 획득부(320)는 주변 환경 정보를 감지하기 위한 센싱부를 포함할 수 있다.

여기서 센싱부는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor), 마이크로폰(microphone), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등), 무게 감지 센서 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시되는 세탁기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

제2 데이터 획득부(320)는 세제 정보를 수집하기 위하여, 도 1a 또는 도 1b에서 설명한 인터페이스부(180) 및 음성 입력부(110) 중 적어도 하나를 포함할 수 있다.

한편 세탁부(330)는 도 1a 또는 도 1b에서의 세탁부(190)에 대한 설명이 모두 적용될 수 있다.

한편 통신부(340)는 도 1a 또는 도 1b에서의 통신부(130)에 대한 설명이 모두 적용될 수 있다. 한편 통신부(340)는 다른 전자 기기와 유선 또는 무선으로 연결되어, 다른 전자 기기와 통신을 수행할 수 있다. 이를 위하여 통신부(340)는 유선 통신 회로 또는 무선 통신 회로를 포함할 수 있다.

메모리(350)는 세탁기(300)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(350)는 세탁기(300)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 세탁기(300)의 동작을 위한 데이터들, 명령어들을, 프로세서(360)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

프로세서(360)는 세탁기의 전반적인 동작을 제어할 수 있다.

프로세서(360)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 세탁기(300)의 전반적인 동작을 제어한다. 프로세서(360)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(350)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(360)는 메모리(350)에 저장된 응용 프로그램을 구동하기 위하여, 도 3에서 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(360)는 상기 응용프로그램의 구동을 위하여, 세탁기(300)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

프로세서(360)는 컨트롤러, 제어부, 마이크로 컨트롤러, 마이크로 프로세서 등의 용어와 혼용되어 사용될 수 있다.

한편 세탁기(300)는 도 1a 또는 도 1b에서 설명한 장치(100, 200)의 구성 요소의 일부 또는 전부를 포함할 수 있으며, 도 1a 또는 도 1b에서 설명한 장치(100, 200)의 구성 요소들의 기능을 수행할 수 있다.

또한 세탁기(300)는 도 1a에서 설명한 음성 서버(500) 및 중앙제어서버(700)와 통신할 수 있으며, 도 1a에서 설명한 모든 기능을 수행할 수 있다.

다음은 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성：conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망(Artificial Neural Network, ANN)은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(Layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.

입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다.

인공 신경망(Artificial Neural Network, ANN)의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다. 이러한 파라미터는 내부 파라미터로써, 인공 신경망(Artificial Neural Network, ANN)의 트레이닝을 통하여 결정되거나 업데이트 될 수 있다.

인공 신경망(Artificial Neural Network, ANN)의 파라미터의 또 다른 예시로써, 레이어의 개수, 뉴런의 개수, 다른 레이어(layer)의 뉴런들 사이의 연결 패턴, 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수를 들 수 있다. 이러한 파라미터는 외부 파라미터로써, 사용자에 의하여 설정될 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류(classification)하거나 군집화 (clustering)할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.

다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.

인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.

지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.

여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.

이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.

한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화) 할 수 있다.

비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.

구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(Generative Adversarial Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.

생성적 적대 신경망(Generative Adversarial Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.

이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator) 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더(Autoencoder, AE)는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.

준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

한편 강화 학습을 통하여 학습을 수행함으로써, 파라미터를 결정되거나 지속적으로 업데이트 하는 인공 신경망을, 본 명세서에서는 강화 학습 모델)이라 명칭할 수 있다.

도 4는 본 발명의 실시 예에 따른 세탁기의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 세탁기(300)의 동작 방법은, 세탁 패턴과 관련된 데이터를 수집하는 단계(S410), 상황 정보와 관련된 데이터를 수집하는 단계(S430), 사용자의 세탁 패턴 및 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하는 단계(S450) 및 강화 학습 모델이 세탁 코스를 추천하면 추천된 세탁 코스에 대한 사용자의 피드백을 이용하여 강화 학습 모델을 트레이닝 하는 단계(S470)를 포함할 수 있다.

S410 및 S430과 관련하여 도 5 및 도 6을 참고하여 설명한다.

도 5는 세탁 패턴과 관련된 데이터 및 상황 정보와 관련된 데이터를 수집하는 방법을 설명하기 위한 도면이다.

제1 데이터 획득부(310)는 사용자(610)의 세탁 패턴과 관련된 데이터를 수집할 수 있다.

여기서 사용자의 세탁 패턴은, 사용자가 선택한 세탁 코스 및 세탁 코스를 구성하는 요소들을 중 적어도 하나를 포함할 수 있다.

여기서 세탁 코스는, 세탁기의 제조사에서 설정하거나 사용자가 직접 생성한 것으로, 일반 빨래 코스, 울 빨래 코스, 이불 빨래 코스, 사용자 지정 코스 등을 의미할 수 있다.

사용자 지정 코스는, 세탁기의 제조사에서 설정한 코스의 일부 요소를 수정하거나, 사용자가 세탁 코스를 구성하는 요소들을 결합하여 생성한 것일 수 있다.

세탁 코스를 구성하는 요소들은, 물 온도, 세탁 횟수, 세탁 시간, 헹굼 횟수, 헹굼 시간, 탈수 횟수, 탈수 시간 및 세제 량 중 적어도 하나를 포함할 수 있다.

한편 사용자의 세탁 패턴과 관련된 데이터가 제1 데이터 획득부(310)에서 수집되면, 프로세서(360)는 상기 수집된 데이터를 이용하여 사용자의 세탁 패턴을 획득한 후 메모리(350) 내 데이터베이스에 저장할 수 있다.

한편 사용자의 세탁 패턴은, 사용자의 선호 세탁 패턴을 의미할 수 있다. 구체적으로, 프로세서는 사용자의 세탁기 사용 이력을 이용하여 사용자가 선호하는 세탁 패턴을 획득할 수 있다. 이 경우 프로세서는 사용자의 선호 세탁 패턴을 데이터베이스에 저장할 수 있다.

제2 데이터 획득부(320)는 상황 정보와 관련된 데이터를 수집할 수 있다.

여기서 상황 정보는, 세탁물, 주변 환경, 사용자 상태, 세제 및 타 사용자 선호 사용 패턴 중 적어도 하나를 포함할 수 있다.

여기서 세탁물(550)은, 세탁물 종류(바지, 수건, 양말, 점퍼, 코트 등), 세탁물 특성((옷감(면, 울, 니트) / 크기 / 개별 중량 등), 사용자가 투입한 세탁물의 총 중량 등을 포함할 수 있다. 제2 데이터 획득부(320)는 무게 센서, 카메라 및 테그 인식기 중 적어도 하나를 통하여 세탁물과 관련된 데이터를 획득할 수 있다.

또한 주변 환경(520)은, 날짜, 시간, 요일, 계절, 날씨, 실내습도, 실내온도 등을 포함할 수 있다. 제2 데이터 획득부(320)는 센싱부를 통하여 주변 환경과 관련된 데이터를 직접 획득하거나, 무선 인터넷 모듈이나 근거리 통신 모듈을 통하여 서버, 사물 인터넷 장치 또는 다른 가전 기기로부터 주변 환경과 관련된 데이터를 수신할 수 있다.

또한 사용자 상태(530)는, 사용자 건강상태, 최근 일정 등을 포함할 수 있다. 제2 데이터 획득부(320)는 무선 인터넷 모듈을 통하여 사용자의 계정(캘린더, 메일 계정 등)과 연결되어, 사용자의 상태와 관련된 데이터를 수신할 수 있다.

또한 세제 정보(540)는, 세제 특성, 종류, 농도 등을 포함할 수 있다. 제2 데이터 획득부(320)는 인터페이스부나 음성 입력부를 통하여 사용자가 입력하는 세제 정보와 관련된 데이터를 수집하거나, 무선 인터넷 모듈을 통하여 서버로부터 세제 정보와 관련된 데이터를 수신할 수 있다.

또한 타 사용자 선호 패턴은, 상황 정보가 유사한 상황에서, 타 사용자의 세탁 패턴, 그리고 세탁 패턴에 따른 세탁 시간, 세탁 후 세탁물 청결도, 에너지 소비, 사용자 만족도 등을 포함할 수 있다. 제2 데이터 획득부(320)는 무선 인터넷 모듈을 통하여 서버로부터 타 사용자 선호 패턴과 관련된 데이터를 수신할 수 있다.

한편 상황 정보와 관련된 데이터가 제2 데이터 획득부(320)를 통하여 수집되면, 프로세서(360)는 수집된 데이터를 이용하여 상황 정보를 획득할 수 있다.

도 6은 세탁 패턴을 사용자 별로 수집하는 방법을 설명하기 위한 도면이다.

하나의 가정 내 구성원은 여러명일 수 있기 때문에, 세탁기(300)는 복수의 사용자(610, 620, 630)가 사용할 수 있다.

그리고 도 6a에서 도시하는 바와 같이, 복수의 사용자(610, 620, 630)의 세탁 코스에 대한 요구는 모두 상이할 수 있다.

예를 들어 바쁜 직장인인 A 사용자는 빠른 세탁을 선호할 수 있으며, 가족들의 건강을 책임지는 가정 주부인 B 사용자는 깨끗한 세탁을 선호할 수 있다. 또한 운동을 자주 하는 C 사용자는 땀 냄새를 제거하기에 유리한 세탁을 선호할 수 있다.

이 경우 프로세서는 복수의 사용자에 각각 대응하는 복수의 세탁 패턴을 획득하여 저장할 수 있다.

구체적으로 프로세서는 제1 데이터 획득부를 통하여 수집되는 데이터를 이용하여 복수의 사용자 중 특정 사용자를 인식할 수 있다.

예를 들어 제1 데이터 획득부를 통하여 A 사용자(610)의 음성 데이터, B 사용자(620)의 음성 데이터 및 C 사용자(630)의 음성 데이터가 수집될 수 있다. 이 경우 프로세서는 복수의 사용자로부터 수신된 음성 데이터의 특성에 기초하여 복수의 사용자를 구별할 수 있다.

이에 따라 음성 데이터가 수신되면, 프로세서는 수신된 음성 데이터의 특성에 기초하여 음성 데이터를 발화한 사용자가 누구인지 결정할 수 있다.

그리고 음성 데이터로부터 세탁 패턴과 관련된 데이터가 수집되면, 프로세서는 세탁 패턴과 관련된 데이터를 이용하여 사용자의 세탁 패턴을 획득하고, 획득한 세탁 패턴과 함께 획득한 세탁 패턴을 음성 데이터를 발화한 사용자와 매칭한 정보를 저장할 수 있다.

이와 같은 방식으로 프로세서는 A 사용자에 대응하는 A 사용자의 세탁 패턴, B 사용자에 대응하는 B 사용자의 세탁 패턴, C 사용자에 대응하는 C 사용자의 세탁 패턴을 데이터베이스에 저장할 수 있다.

한편 프로세서는 제1 데이터 획득부를 통하여 수집되는 데이터를 이용하여 복수의 사용자 중 특정 사용자를 인식하고, 특정 사용자의 세탁 패턴을 획득할 수 있다.

구체적으로 음성 데이터가 수신되면, 프로세서는 수신된 음성 데이터의 특성에 기초하여 음성 데이터를 발화한 사용자가 누구인지 결정하고, 데이터베이스를 검색하여 음성 데이터를 발화한 사용자에 대응하는 세탁 패턴을 획득할 수 있다.

다음은 도 4에서 설명한, 사용자의 세탁 패턴 및 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하는 단계(S450)에 대하여 구체적으로 설명한다.

프로세서는 사용자의 세탁 패턴 및 상황 정보를 강화 학습 모델에 제공할 수 있다.

복수의 사용자가 세탁기를 사용하는 경우에는, 프로세서는 제1 데이터 획득부를 통하여 수집되는 데이터를 이용하여 복수의 사용자 중 특정 사용자를 인식하고 특정 사용자의 세탁 패턴 및 상황 정보를 강화 학습 모델에 제공할 수 있다.

이 경우 프로세서는 사용자의 세탁 패턴 및 상황 정보를 전처리 하여 강화 학습 모델에 제공할 수 있다.

이와 관련해서는 도 7 및 도 8을 참고하여 설명한다.

도 7은 세탁 패턴의 전처리 과정을 설명하기 위한 도면이다. 도 7a에서는 전 처리 전의 데이터 테이블을, 도 7b에서는 전처리 후의 데이터 테이블을 도시하였다.

프로세서는 세탁 패턴을 전처리 할 수 있다.

구체적으로 프로세서는, 이산 값(discrete value)을 원 핫 벡터(one-hot vector)화 하는 방식으로 전처리를 수행할 수 있다. 여기서 이산 값(discrete value)이란 세탁 횟수, 헹굼 횟수, 삶음 횟수, 선호 코스 등 카테고리 화 가능한 값을 의미할 수 있다.

한편 프로세서는 연속 값(continuous value)을 0과 1 사이의 값으로 정규화 하는 방식으로 전처리를 수행할 수 있다. 여기서 연속 값(continuous value)이란, 세탁 시간, 물 온도 등의 연속적인 값을 의미할 수 있다.

도 8은 상황 정보의 전처리 과정을 설명하기 위한 도면이다. 도 8a에서는 전 처리 전의 데이터 테이블을, 도 8b에서는 전처리 후의 데이터 테이블을 도시하였다.

프로세서는 상황 정보를 전처리 할 수 있다.

구체적으로 프로세서는, 이산 값(discrete value)을 원 핫 벡터(one-hot vector)화 하는 방식으로 전처리를 수행할 수 있다. 상황 정보에서의 이산 값은, 세탁물 옷감 종류, 세탁물의 세탁기 세탁 가능 여부, 세탁물의 손빨래 가능 여부, 세탁물의 물 세탁 가능 여부, 세탁물에서 사용 가능한 세제 종류, 세탁물의 삶음 가능 여부, 요일, 계절, 날씨, 일정, 사용자 건강 생태(상, 중, 하), 현재 세탁기에서 사용되는 세제의 종류, 현재 세탁기에서 사용되는 세제의 특성 등을 포함할 수 있다.

한편 프로세서는 연속 값(continuous value)을 0과 1 사이의 값으로 정규화 하는 방식으로 전처리를 수행할 수 있다. 상황 정보에서의 연속 값은 세탁물 별 세탁 가능 물 온도, 현재 시간, 현재 습도, 현재 온도, 세제 농도, 타 사용자 선호 코스에서의 에너지 소비량, 타 사용자 선호 코스에서의 사용자 만족도, 타사용자 선호코스에서의 세탁 후 오염도, 타 사용자 선호 코스에서의 세탁 시간 등을 포함할 수 있다.

한편 프로세서는 사용자의 세탁 패턴 및 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공할 수 있다. 이 경우 강화 학습 모델은 세탁 코스를 추천할 수 있다.

이와 관련해서는 도 9를 참고하여 구체적으로 설명한다.

도 9는 본 발명의 강화 학습 방법을 설명하기 위한 도면이다.

강화 학습 모델은 세탁기(300)에 탑재될 수 있다.

한편 강화 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 강화 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 강화 학습 모델을 구성하는 하나 이상의 명령어는 메모리(350)에 저장될 수 있다.

강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경(environment) 이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동(action)할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

마르코프 결정 과정을 본 발명에 적용하면, 에이전트는 세탁기, 더욱 구체적으로는 강화 학습 모델을 의미할 수 있다.

또한 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 사용자의 세탁 패턴 및 상황 정보가 에이전트(강화 학습 모델)에게 주어질 수 있다.

또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)이 주어진 세탁 정보 및 상황 정보를 이용하여 어떻게 행동할 것인지, 즉 어떠한 세탁 코스를 추천할 것인지 결정할 수 있다.

또한 세번째로, 에이전트(강화 학습 모델)가 사용자가 원하는 세탁 코스를 추천한 경우 보상(reward)를 주고, 사용자가 원하는 세탁 코스를 추천하지 못한 경우 벌점(penalty)을 주는 것으로 정의될 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.

또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자가 가장 원하는 세탁 코스를 추천할 수 있다.

본 발명에 따른 구체적인 강화 학습 방식에 대해서는 도 10을 참고하여 설명한다.

도 10은 본 발명의 실시 예에 따른 강화 학습 방법을 설명하기 위한 도면이다.

먼저 프로세서는 제1 데이터 획득부를 통하여 사용자로부터 입력을 수신할 수 있다(S1010).

이 경우 프로세서는 입력을 이용하여 복수의 사용자 중 특정 사용자를 인식하고, 특정 사용자에 대응하는 세탁 패턴을 획득할 수 있다.

이 경우 프로세서는 획득한 세탁 패턴 및 상황 정보를 강화 학습 모델에 환경(environment)으로써 제공할 수 있다. 즉 프로세서는 획득한 세탁 패턴 및 상황 정보를 강화 학습 모델(1090)에 입력할 수 있다(S1020).

이 경우 강화 학습 모델(1090)은 세탁 패턴 및 상황 정보에 기초하여 세탁 코스를 추천할 수 있다.

한편 강화 학습 모델은 미리 트레이닝 되어 있을 수 있다.

여기서 미리 트레이닝 되어 있다는 것은, 강화 학습 모델이 제조사에 의하여 선행 학습을 수행한 상태라는 것을 의미할 수 있다. 이 경우 선행 학습을 수행한 강화 학습 모델은 세탁기가 출시되면서 탑재되거나, 서버로부터 세탁기로 전송됨으로써 기존의 강화 학습 모델을 대체할 수 있다.

이와 같이 강화 학습 모델이 미리 트레이닝 된 경우, 강화 학습의 속도 및 강화 학습 모델의 성능이 매우 빠르게 증가할 수 있다. 이와 관련해서는 도 13에서 더욱 구체적으로 설명한다.

강화 학습 모델은 사용자의 세탁 패턴 및 상황 정보를 고려하여 다양한 세탁 코스를 추천할 수 있다.

예를 들어, A 사용자가 빠른 세탁을 선호하는 세탁 패턴을 나타내며, 세탁물이 와이셔츠인 경우, 강화 학습 모델은 와이셔츠의 세탁에 적합하면서도 빠른 세탁을 수행할 수 있는 A 세탁 코스를 추천할 수 있다. 다른 예를 들어, B 사용자가 깨끗한 세탁을 선호하는 세탁 패턴을 나타내며, 세탁물이 와이셔츠인 경우, 강화 학습 모델은 와이셔츠의 세탁에 적합하면서도 깨끗한 세탁을 수행할 수 있는 B 세탁 코스를 추천할 수 있다. 이 경우 A세탁 코스는 10분 세탁, 2회 헹굼, 5분 탈수로 구성될 수 있으며, B 세탁 코스는 15분 세탁, 3회 헹굼, 5분 탈수로 구성될 수 있다.

다른 예를 들어 C 사용자가 삶기 기능을 선호하는 세탁 패턴을 나타내며 세탁물이 이불인 경우, 강화 학습 모델은 삶기 기능이 추가된 세탁 코스를 추천할 수 있다. 또한 D 사용자가 털기 기능을 선호하는 세탁 패턴을 나타내며 세탁물이 이불인 경우, 강화 학습 모델은 삶기 기능 대신 털기 기능이 추가된 세탁 코스를 추천할 수 있다.

다른 예를 들어, E 사용자가 삶기 기능을 선호하며 외부에 미세 먼지가 적고 티셔츠를 세탁하는 경우, 강화 학습 모델은 삶기 기능이 추가된 세탁 코스를 추천할 수 있다. 또한 E 사용자가 삶기 기능을 선호하며 외부에 미세 먼지가 많고 티셔츠를 세탁하는 경우, 강화 학습 모델은 삶기 기능 및 털기 기능이 추가된 세탁 코스를 추천할 수 있다.

다른 예를 들어 F 사용자가 빠른 세탁을 선호하는 경우, 강화 학습 모델은 빠른 세탁이 가능한 C 세탁 코스를 추천할 수 있다. 다만 캘린더로부터 획득한 F 사용자의 일정 상 F 사용자가 운동을 한 직후에 세탁을 하는 것인 경우, 강화 학습 모델은 C 세탁 코스로부터 땀냄새 제거기능을 강화한 세탁 코스를 추천할 수 있다.

이와 같은 예시들은 다양한 세탁 패턴 및 상황 정보를 매우 단순화 한 예시에 불과하며, 뉴럴 네트워크의 특성상, 강화 학습 모델은 매우 다양한 요소들을 결합하여 최적의 세탁 코스를 추천할 수 있다.

한편 강화 학습 모델은 상황 정보보다 세탁 패턴에 높은 가중치를 부여하여 세탁 코스를 추천할 수 있다.

구체적으로 앞서의 세탁 패턴 및 상황 정보에 대한 설명을 참조하면, 사용자의 세탁 패턴을 구성하는 요소들에 비하여 상황 정보를 구성하는 요소들이 훨씬 많다.

따라서 세탁 패턴을 구성하는 요소들과 상황 정보를 구성하는 요소들에 동일한 가중치를 부여하는 경우, 복수의 사용자의 세탁 패턴에 따라 세탁 코스를 차별화 하여 추천하는 것이 어려울 수 있다.

따라서 강화 학습 모델은 상황 정보 보다 세탁 패턴에 높은 가중치를 부여하도록 파라미터가 설정될 수 있다. 그리고 강화 학습 모델은 설정된 파라미터에 따라, 상황 정보 보다 세탁 패턴에 높은 가중치를 부여하여 세탁 코스를 추천할 수 있다.

한편 강화 학습 모델이 세탁 코스를 추천하면, 프로세서는 추천된 세탁 코스에 대한 정보를 출력할 수 있다.(S1030)

구체적으로 프로세서는 추천된 세탁 코스 및 세탁 코스의 세부 정보를 디스플레이 하거나 음성으로 출력할 수 있다.

한편 프로세서는 추천된 세탁 코스에 대한 사용자의 피드백을 수신할 수 있다(S1040).

예를 들어 A 사용자의 세탁 패턴 및 상황 정보에 기초하여 세탁코스가 추천된 경우, 프로세서는 A 사용자의 음성 입력, 버튼 입력, 터치 입력 등을 피드백으로써 수신할 수 있다.

이 경우 프로세서는 추천된 세탁 코스에 대한 사용자의 피드백을 이용하여 강화 학습 모델을 트레이닝 할 수 있다.

구체적으로 프로세서는 수신된 피드백에 대응하는 보상 또는 벌점을 강화 학습 모델에 제공할 수 있다(S1050). 이 경우 강화 학습 모델은 보상 또는 벌점에 기초하여 새로운 정책(policy)를 수립하고, 새로운 정책에 대응하도록 파라미터를 업데이트 할 수 있다(S1060).

다음은 강화 학습 모델에 피드백을 제공하는 방법에 대하여 구체적으로 설명한다.

도 11은 본 발명의 실시 예에 따른, 강화 학습 모델에 피드백을 제공하는 방법을 설명하기 위한 도면이다.

피드백은, 강화 학습 모델이 추천한 세탁 코스에 긍정적인 반응을 나타내는 긍정 피드백 및 부정적인 반응을 나타내는 부정 피드백을 포함할 수 있다.

여기서 긍정 피드백은, 추천된 세탁 코스의 선택, 검색, 저장 또는 재 선택을 포함할 수 있다.

여기서 추천된 세탁 코스의 선택이란, 추천된 세탁 코스에 대한 실행 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 “a요소, b 요소, c 요소로 구성된 A 코스로 세탁할까요?”라고 했을 때, “그래”라는 사용자의 입력이 수신된 것일 수 있다.

또한 저장이란, 추천된 세탁 코스를 저장하는 명령을 수신할 것일 수 있다. 예를 들어 세탁기가 A 코스를 추천한 경우, “그 코스 저장해줘”라는 사용자 입력이 수신된 것일 수 있다.

또한 검색이란, 과거에 추천된 세탁 코스를 검색하는 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 과거에 A 코스를 추천하였고, 추천된 A 코스가 히스토리 내역으로 남아 있으며, A 코스의 세부 정보를 디스플레이 하기 위한 사용자의 입력이 수신된 것일 수 있다.

또한 재 선택이란, 과거에 추천된 세탁 코스를 다시 선택하는 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 과거에 A 코스를 추천하였고, 추천된 A 코스가 히스토리 내역으로 남아 있으며, A 코스로 세탁을 수행하기 위한 사용자의 입력이 수신된 것일 수 있다.

한편 부정 피드백은, 추천된 세탁 코스의 미 선택, 취소, 삭제 또는 미 사용 설정을 포함할 수 있다.

여기서 추천된 세탁 코스의 미 선택이란, 추천된 세탁 코스에 대한 미 실행 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 “a요소, b 요소, c 요소로 구성된 A 코스로 세탁할까요?”라고 했을 때, “아니”라는 사용자의 입력이 수신된 것일 수 있다.

또한 추천된 세탁 코스의 취소란, 추천된 세탁 코스에 대한 실행 중단 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 “a요소, b 요소, c 요소로 구성된 A 코스로 세탁할까요?”라고 했고, A 코스로 세탁을 수행하였으나, “세탁 중단하고 다른 코스로 해줘”라는 사용자의 입력이 수신된 것일 수 있다.

또한 삭제란, 과거에 추천된 세탁 코스를 히스토리 내역으로부터 삭제하는 명령을 수신하는 것일 수 있다. 예를 들어 세탁기가 과거에 A 코스를 추천하였고, 추천된 A 코스가 히스토리 내역으로 남아 있으며, 추천된 A 코스를 히스토리 내역으로부터 삭제하기 위한 사용자의 입력이 수신된 것일 수 있다.

또한 미 사용 설정이란, 추천된 세탁 코스를 다시 추천하지 말라는 명령을 수신한 것일 수 있다. 예를 들어 세탁기가 A 코스를 추천하였고, “앞으로 A 코스는 추천하지 마”라는 사용자의 입력이 수신된 것일 수 있다.

한편 프로세서는 사용자의 피드백이 긍정 피드백인 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 피드백이 부정 피드백인 경우 강화 학습 모델에 벌점(reward)을 부여할 수 있다.

한편 프로세서는, 긍정 피드백의 강도에 따라, 상이한 레벨의 보상을 부여할 수 있다.

구체적으로 프로세서는, 긍정 피드백이 추천된 세탁 코스의 선택인 경우, 강화 학습 모델에 제1 레벨(예를 들어 +1)의 보상을 부여하고, 긍정 피드백이 상기 추천된 세탁 코스의 검색, 저장 또는 재 선택인 경우, 강화 학습 모델에 제1 레벨 보다 큰 제2 레벨(예를 들어 +2)의 보상을 부여할 수 있다.

예를 들어 추천된 세탁 코스의 선택은 단순 승낙으로 약한 강도의 피드백인데 반해, 추천된 세탁 코스의 검색, 저장, 재 선택은 사용자가 추천된 세탁 코스를 다시 사용하려는 의지를 나타내는 것으로써 강한 강도의 피드백일 수 있다.

따라서 프로세서는 긍정 피드백의 강도에 따라, 상이한 레벨의 보상을 부여할 수 있으며, 강화 학습 모델은 보상의 레벨에 기초하여 강화 학습을 수행할 수 있다.

한편 프로세서는, 부정 피드백의 강도에 따라, 상이한 레벨의 벌점을 부여할 수 있다.

구체적으로 프로세서는, 부정 피드백이 추천된 세탁 코스의 미 선택인 경우, 강화 학습 모델에 제3 레벨(예를 들어 -1)의 벌점을 부여하고, 부정 피드백이 상기 추천된 세탁 코스의 삭제, 취소 또는 미 사용 설정인 경우, 강화 학습 모델에 제3 레벨 보다 큰 제4 레벨(예를 들어 -2)의 벌점을 부여할 수 있다.

예를 들어 추천된 세탁 코스의 미 선택은 단순 거절로 약한 강도의 피드백인데 반해, 추천된 세탁 코스의 삭제, 취소, 미 사용 설정은 사용자가 추천된 세탁 코스를 다시 사용하지 않으려는 의지를 나타내는 것으로써 강한 강도의 피드백일 수 있다.

따라서 프로세서는 부정 피드백의 강도에 따라, 상이한 레벨의 벌점을 부여할 수 있으며, 강화 학습 모델은 벌점의 레벨에 기초하여 강화 학습을 수행할 수 있다.

한편 세탁이 종료된 후, 프로세서는 사용자로부터 피드백을 수신할 수 있다.

구체적으로 세탁이 종료된 후에는, 사용자가 세탁 과정(세탁 시간, 세탁물 청결도, 에너지 소비량 등)에 대한 평가를 내린 상태일 수 있다.

따라서 세탁이 종료된 후 프로세서는 사용자로부터 피드백을 수신하고, 피드백에 대응하는 보상 또는 벌점을 강화학습에 부여할 수 있다.

이 경우 프로세서는 피드백을 제1 데이터 획득부를 통하여 수신할 수 있다. 또한 사용자가 이동 단말기를 이용하여 만족도를 입력하는 경우, 프로세서는 피드백을 이동 단말기와 통신하는 통신부를 통하여 수신할 수 있다.

한편, 세탁이 종료된 후, 프로세서는 세탁 시간, 세탁물 청결도, 에너지 소비량 등의 세탁 정보를 출력하거나 저장할 수 있다.

한편 사용자로부터 부정 피드백이 수신되는 경우, 프로세서는 사용자의 세탁 패턴에 더 높은 가중치를 부여하여 세탁 코스를 추천할 수 있다.

구체적으로, 상황 정보는 사용자의 성향을 반영하는 것이 아닌, 모든 사용자들에게 일반적으로 적용되는 객관적인 것이다. 즉 상황 정보에 따른 세탁 코스의 추천은, 객관적인 상황을 반영하고, 제조사 측에서 많은 실험 및 시뮬레이션을 통하여 도출되는 것이다.

따라서 사용자로부터 부정 피드백이 수신되었다는 것은, 추천된 세탁 코스가 상황 정보 보다는 사용자의 세탁 패턴에 부합하지 않을 가능성이 높다는 것을 의미한다.

따라서 사용자로부터 부정 피드백이 수신되는 경우, 프로세서는 사용자의 세탁 패턴에 더 높은 가중치를 부여하여 세탁 코스를 추천할 수 있다.

다른 실시 예로써, 사용자로부터 부정 피드백이 수신되는 빈도수가 증가하거나, 사용자로부터 부정 피드백이 기 설정된 횟수 이상 수신되는 경우, 프로세서는 사용자의 세탁 패턴에 더 높은 가중치를 부여하여 세탁 코스를 추천할 수 있다.

도 12는 부정 피드백이 수신된 후 세탁 코스가 새롭게 설정된 경우의 동작 방법을 설명하기 위한 도면이다.

추천된 세탁 코스에 대하여 사용자로부터 부정 피드백이 수신된 후 새롭게 세탁 코스가 설정될 수 있다.

예를 들어 세탁기가 “A 코스를 추천 드립니다”라고 하였으나, 사용자로부터 “싫어. B 코스로 돌려줘”라는 입력이 수신된 경우를 들 수 있다.

다른 예를 들어 세탁기가 “A 코스를 추천 드립니다”라고 하였으나, 사용자가 세탁 코스를 구성하는 요소(세탁 시간, 헹굼 횟수, 탈수 시간 등)들을 직접 설정한 경우를 들 수 있다. 이와 같은 경우는 묵시적인 부정 피드백이 수신된 후 세탁 코스가 사용자에 의해 직접 설정된 상황이다.

이와 같이, 추천된 세탁 코스에 대하여 특정 사용자로부터 부정 피드백이 수신된 후 새롭게 세탁 코스가 설정되는 경우, 프로세서는 추천된 세탁 코스 및 새롭게 설정된 세탁 코스의 차이를 이용하여 사용자의 선호 세탁 패턴을 업데이트 할 수 있다.

예를 들어 도 12를 참고하면, 사용자는 헹굼의 횟수를 1회 줄이고 탈수 횟수를 1회 늘렸다. 이 경우 프로세서는 이러한 차이를 이용하여 사용자의 선호 세탁 패턴을 업데이트 할 수 있다.

이와 같이 본 발명에 따르면, 현재의 상황에 최적화하고 사용자의 세탁 성향까지 고려한 세탁 코스를 추천할 수 있다.

또한 본 발명에 따르면, 다양한 사용자의 반응을 피드백으로 사용하여 다양한 레벨의 보상 또는 벌점을 부여함으로써, 사용자의 성향을 정확히 반영하여 강화 학습을 수행하고 세탁 코스를 추천할 수 있는 장점이 있다.

또한 본 발명에 따르면, 사용자가 세탁을 할 때마다 지속적으로 강화 학습을 수행함으로써, 강화 학습 모델의 성능을 계속적으로 강화할 수 있는 장점이 있다.

도 13은 본 발명의 실시 예에 따른 강화 학습 모델을 미리 트레이닝 하는 방법을 설명하기 위한 도면이다.

세탁기에 탑재된 강화 학습 모델은 미리 트레이닝 되어 있을 수 있다. 여기서 미리 트레이닝 되어 있다는 것은, 강화 학습 모델이 제조사나 기타 기관에 의하여 선행 학습을 수행한 상태라는 것을 의미할 수 있다.

한편 강화 학습 모델은 클라우드 서비스를 기반으로 획득된 복수의 사용자의 세탁 패턴, 상황 정보 및 피드백을 이용한 강화 학습으로 미리 트레이닝 될 수 있다.

구체적으로 클라우드 서버(1310)는 세탁을 할 때 강화 학습 모델에 입력된 세탁 패턴 및 상황 정보, 그리고 추천된 세탁 코스에 대한 피드백을 수신할 수 있다.

이 경우 클라우드 서버(1310)는 복수의 사용자의 세탁 패턴, 상황 정보를 환경으로써 강화 학습 모델에 제공하고, 제공된 세탁 패턴 및 상황 정보에 대응하는 피드백을 이용하여 강화 학습 모델을 트레이닝 할 수 있다.

이러한 방식으로 강화 학습 모델이 미리 트레이닝 되면, 미리 트레이닝 된 강화 학습 모델은 세탁기에 새롭게 탑재되거나 세탁기 내 기존의 강화 학습 모델을 대체할 수 있다.

이와 같이 강화 학습 모델을 미리 트레이닝 하는 방식에 따르면 학습 데이터가 기하 급수적으로 늘어나기 때문에, 강화 학습 모델이 세탁기에 탑재된 후 사용자의 세탁 패턴과 상황 정보에 더욱 부합하는 세탁 코스를 추천할 수 있고, 학습에 소요되는 시간을 단축시킬 수 있는 장점이 있다.

한편 강화 학습 모델을 미리 트레이닝 하는 방식은 클라우드 서비스 기반의 선행 학습에 한정되지 않는다.

구체적으로 강화 학습 모델은 상황 정보를 이용하여 미리 트레이닝 될 수 있다.

구체적으로 서버는, 상황 정보를 뉴럴 네트워크에 제공하여 강화 학습 모델을 트레이닝 할 수 있다.

이 경우 지도 학습 또는 강화 학습이 사용될 수 있다.

예를 들어 서버는 특정한 상황 정보에 특정 세탁 코스를 레이블링 하는 방식의 지도 학습으로 강화 학습 모델을 트레이닝 할 수 있다.

다른 예를 들어 서버는 상황 정보를 환경으로써 강화 학습 모델에 제공하고, 강화 학습 모델의 행동(세탁 코스의 추천)에 대하여 보상 또는 벌점을 부여하는 방식으로 강화 학습 모델을 트레이닝 할 수 있다.

이러한 방식으로 강화 학습 모델이 미리 트레이닝 되면, 미리 트레이닝 된 강화 학습 모델은 세탁기에 새롭게 탑재되거나 세탁기 내 기존의 강화 학습 모델을 대체할 수 있다.

특정 사용자의 세탁 패턴을 환경으로 제공하는 것은 강화 학습 모델이 세탁기에 탑재된 이후에만 가능하다. 다만 환경 정보를 이용한 학습은 강화 학습 모델이 세탁기에 탑재된 이전에도 가능하다.

따라서 본 발명에 따르면, 강화 학습 모델의 탑재 이전에도 가능한 학습을 미리 수행함으로써, 강화 학습 모델이 세탁기에 탑재된 후 사용자의 세탁 패턴과 상황 정보에 더욱 부합하는 세탁 코스를 추천할 수 있고, 학습에 소요되는 시간을 단축시킬 수 있는 장점이 있다.

예를 들어, 상황 정보를 이용하여 미리 트레이닝 된 후 처음 세탁기에 탑재된 강화 학습 모델은, 특정 사용자의 세탁 패턴을 반영한 세탁 코스의 추천은 할 수 없지만, 상황 정보를 반영한 최적의 세탁 코스의 추천은 가능하다. 그리고 이후에는 특정 사용자의 세탁 패턴을 반영하여 파라미터를 조금씩 수정하면 되기 때문에, 학습 시간이 단축되는 장점이 있다.

한편 복수의 사용자가 세탁기를 사용하는 경우, 강화 학습 모델은 복수의 사용자에 각각 대응하는 강화 학습 모델을 포함할 수 있다.

예를 들어 A 사용자가 세탁기를 사용하는 경우, 프로세서는 A 사용자에 대응하는 제1 강화 학습 모델을 이용하여 세탁 코스를 추천하고 A 사용자의 피드백을 이용하여 제1 강화 학습 모델을 트레이닝 할 수 있다.

다른 예를 들어 B 사용자가 세탁기를 사용하는 경우, 프로세서는 B 사용자에 대응하는 제2 강화 학습 모델을 이용하여 세탁 코스를 추천하고 B 사용자의 피드백을 이용하여 제2 강화 학습 모델을 트레이닝 할 수 있다.

도 14는 본 발명의 실시 예에 따른, 세탁 코스 서비스를 설명하기 위한 도면이다.

프로세서는 세탁 코스 서비스를 제공할 수 있다.

이 경우 세탁 코스 서비스는, 코스 추천, 사용자의 세탁 코스 검색, 계절/옷감/기능성의류 등으로 검색, 세탁기에 코스 다운로드 및 추가, 세탁 코스 선택 다이얼 목록(1410)에 추가된 코스 확인, 선택된 코스로 세탁, 코스에 대한 사용자의 피드백, 코스 삭제 또는 수정, 수정된 코스의 공유 또는 업로드, 코스들의 순서 변경, 시작 버튼을 눌렀을 때 바로 선택 되는 default 코스 선택, 사용빈도에 따라서 코스 자동 분류 등의 기능을 포함할 수 있다.

한편 다수의 세탁기는 클라우드 기반으로 연결될 수 있으며, 현재 세탁물 및 상황(세탁물/주변환경/날씨/사용자 상태)과 유사한 상황에서의 선호 코스에 대한 정보를 타 사용자들과 공유할 수 있다.

또한 세탁시간/세탁 후 세탁물 청결도/에너지 소비/만족도 등의 정보를 타 사용자들과 공유할 수 있다.

또한 클라우드 서버는 사용자들의 선호도 높은 코스를 세탁기에 전송할 수 있다.

구체적으로, 세탁기 사용자들은 실시간으로 계절/날씨/옷감/중량/세제 등에 대한 세탁기 사용자들의 코스 별 선호도 및 선호 코스를 앱 등 쇼셜 네트워킹으로 공유할 수 있다.

이 경우 클라우드 서버는 사용자들의 선호도 높은 세탁 코스를 세탁기에 전송할 수 있으며, 세탁기는 이러한 세탁 코스를 디스플레이 하거나 음향으로 출력할 수 있다.

이 경우 세탁기는 인기 코스(선호도가 높은 코스)를 상단부터 정렬하여 디스플레이 할 수 있다.

그리고 사용자가 서버로부터 수신된 세탁 코스를 선택하는 경우, 프로세서는 선택된 세탁 코스에 따라 세탁을 수행할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (12)

1. 무선 통신부;
   사용자의 세탁 패턴과 관련된 데이터를 수집하는 제1 데이터 획득부;
   상황 정보와 관련된 데이터를 수집하는 제2 데이터 획득부; 및
   상기 사용자의 세탁 패턴 및 상기 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 세탁 코스를 추천하면 상기 추천된 세탁 코스에 대한 상기 사용자의 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는 프로세서;를 포함하고,
   상기 상황 정보는,
   상기 무선 통신부를 통해 수신되어, 상기 추천된 세탁 코스를 수행하기 위한 특정 동작 이벤트 시간 이전의 사용자 일정 이벤트를 갖는 개인정보를 포함하고,
   상기 추천된 세탁 코스는,
   상기 사용자 일정 이벤트 동안에 사용자가 입은 세탁물을 효과적으로 세탁하는 특정 동작 이벤트를 포함하는
   세탁기.
2. 제 1항에 있어서,
   상기 프로세서는,
   상기 제1 데이터 획득부를 통하여 수집되는 데이터를 이용하여 상기 복수의 사용자 중 상기 특정 사용자를 인식하고, 상기 특정 사용자의 세탁 패턴 및 상기 상황 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 세탁 코스를 추천하면 상기 추천된 세탁 코스에 대한 상기 특정 사용자의 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는
   세탁기.
3. 제 1항에 있어서,
   상기 강화 학습 모델은,
   상기 상황 정보 보다 상기 세탁 패턴에 높은 가중치를 부여하여 상기 세탁 코스를 추천하는
   세탁기.
4. 제 1항에 있어서,
   상기 세탁 패턴은,
   세탁 코스, 물 온도, 세탁 횟수, 세탁 시간, 헹굼 횟수, 헹굼 시간, 탈수 횟수 및 탈수 시간 중 적어도 하나를 포함하는
   세탁기.
5. 제 1항에 있어서,
   상기 상황 정보는,
   세탁물, 주변 환경, 사용자 상태, 세제 및 타 사용자 선호 패턴 중 적어도 하나를 포함하는
   세탁기.
6. 제 1항에 있어서,
   상기 프로세서는,
   상기 특정 사용자의 피드백이 긍정 피드백인 경우 상기 강화 학습 모델에 보상(reward)을 부여하고,
   상기 특정 사용자의 피드백이 부정 피드백인 경우 상기 강화 학습 모델에 벌점(reward)을 부여하고,
   상기 긍정 피드백은,
   상기 추천된 세탁 코스의 선택, 검색, 저장 또는 재 선택을 포함하고,
   상기 부정 피드백은,
   상기 추천된 세탁 코스의 미 선택, 삭제, 취소 또는 미 사용 설정을 포함하는
   세탁기.
7. 제 6항에 있어서,
   상기 프로세서는,
   상기 긍정 피드백이 상기 추천된 세탁 코스의 선택인 경우, 상기 강화 학습 모델에 제1 레벨의 보상을 부여하고,
   상기 긍정 피드백이 상기 추천된 세탁 코스의 검색, 저장 또는 재 선택인 경우, 상기 강화 학습 모델에 상기 제1 레벨 보다 큰 제2 레벨의 보상을 부여하는
   세탁기.
8. 제 6항에 있어서,
   상기 프로세서는,
   상기 부정 피드백이 상기 추천된 세탁 코스의 미 선택인 경우, 상기 강화 학습 모델에 제3 레벨의 벌점을 부여하고,
   상기 부정 피드백이 상기 추천된 세탁 코스의 삭제, 취소 또는 미 사용 설정인 경우, 상기 강화 학습 모델에 상기 제3 레벨 보다 큰 제4 레벨의 벌점을 부여하는
   세탁기.
9. 제 6항에 있어서,
   상기 프로세서는,
   상기 특정 사용자로부터 상기 부정 피드백이 수신되는 경우, 상기 특정 사용자의 세탁 패턴에 기존보다 더 높은 가중치를 부여하여 세탁 코스를 추천하는
   세탁기.
10. 제 6항에 있어서,
    상기 프로세서는,
    상기 추천된 세탁 코스에 대하여 상기 특정 사용자로부터 상기 부정 피드백이 수신된 후 새롭게세탁 코스가 설정되는 경우, 상기 추천된 세탁 코스 및 상기 새롭게 설정된 세탁 코스의 차이를 이용하여 상기 특정 사용자의 선호 세탁 패턴을 업데이트 하는
    세탁기.
11. 제 2항에 있어서,
    상기 강화 학습 모델은,
    상황 정보를 이용하여 미리 트레이닝 되고,
    상기 프로세서는,
    상기 미리 트레이닝 된 강화 학습 모델을 상기 특정 사용자의 피드백을 이용하여 트레이닝 하는
    세탁기.
12. 제 2항에 있어서,
    상기 강화 학습 모델은,
    클라우드 서비스를 기반으로 획득된 복수의 사용자의 세탁 패턴, 상황 정보 및 피드백을 이용한 강화 학습으로 미리 트레이닝 되고,
    상기 프로세서는,
    상기 미리 트레이닝 된 강화 학습 모델을 상기 특정 사용자의 피드백을 이용하여 트레이닝 하는
    세탁기.

Images