KR102590514B1 - 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체 - Google Patents

레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체 Download PDF

Info

Publication number
KR102590514B1
KR102590514B1 KR1020220141675A KR20220141675A KR102590514B1 KR 102590514 B1 KR102590514 B1 KR 102590514B1 KR 1020220141675 A KR1020220141675 A KR 1020220141675A KR 20220141675 A KR20220141675 A KR 20220141675A KR 102590514 B1 KR102590514 B1 KR 102590514B1
Authority
KR
South Korea
Prior art keywords
data
feature vectors
user terminal
feature
dimensions
Prior art date
Application number
KR1020220141675A
Other languages
English (en)
Inventor
김세엽
전문휘
강바롬
김남길
Original Assignee
셀렉트스타 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 셀렉트스타 주식회사 filed Critical 셀렉트스타 주식회사
Priority to KR1020220141675A priority Critical patent/KR102590514B1/ko
Priority to US17/994,279 priority patent/US20240144557A1/en
Application granted granted Critical
Publication of KR102590514B1 publication Critical patent/KR102590514B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 원본데이터셋에 포함된 복수의 데이터에 대한 특징벡터를 도출하고, 복수의 특징벡터 각각의 차원을 2차원으로 축소하고, 차원이 축소된 복수의 특징벡터를 2차원의 공간 상에 표시하고, 상기 2차원의 공간을 포함하는 시각화인터페이스를 사용자단말에 제공하여, 사용자가 학습데이터로 사용될 데이터를 선별할 수 있도록 하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것이다.

Description

레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체 {Method, Server and Computer-readable Medium for Visualizing Data to Select Data to be Used for Labeling}
본 발명은 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 원본데이터셋에 포함된 복수의 데이터에 대한 특징벡터를 도출하고, 복수의 특징벡터 각각의 차원을 2차원으로 축소하고, 차원이 축소된 복수의 특징벡터를 2차원의 공간 상에 표시하고, 상기 2차원의 공간을 포함하는 시각화인터페이스를 사용자단말에 제공하여, 사용자가 학습데이터로 사용될 데이터를 선별할 수 있도록 하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것이다.
최근 인공지능에 대한 연구 및 개발된 인공지능을 기반으로 하는 다양한 서비스들이 등장함에 따라서, 더욱더 고도화된 인공지능 모델을 개발하기 위한 노력들이 이루어지고 있다. 구체적으로, 최근에는 기계학습모델의 구조를 개선하는 것뿐만 아니라, 기계학습모델의 학습에 사용되는 학습데이터의 양과 품질을 향상시키기 위한 연구가 진행되고 있다.
일반적으로, 학습데이터를 확보하기 위하여 기업들이 자체적으로 보유하고 있는 대량의 로우 데이터(raw data)를 학습에 적합하게 가공하는 과정을 거쳐 학습데이터를 구축한다. 예를 들어, 이미지에 포함된 사람을 식별하는 기계학습모델의 학습을 위하여, 로우 데이터 각각에 포함된 사람의 영역을 레이블링(labeling)하는 것으로 해당 기계학습모델에 대한 학습데이터를 구축할 수 있다.
한편, 기업에서 보유하고 있는 로우 데이터는 수십 개가 아니라, 많게는 수백만 개까지 매우 방대하기 때문에, 기업에서 자체적으로 학습데이터로 가공하기 어려운 문제점이 존재한다. 이러한 문제점을 해결하기 위하여 종래에는 크라우드소싱(crowdsourcing)을 사용하여 로우 데이터를 학습데이터로 가공하기 위한 작업을 복수의 작업자에게 제공하고, 해당 작업에 따른 보상을 작업자에게 제공함으로써, 대량의 학습데이터를 신속하게 구축할 수 있게 되었다.
다만, 크라우드소싱은 단순히 대량의 학습데이터를 구축하는데 걸리는 시간을 효과적으로 단축할 수 있을 뿐, 이와 같이 구축된 학습데이터의 품질을 향상시키기에는 어려운 문제점이 존재한다. 위의 예시에서와 같이, 사람을 식별하기 위한 기계학습모델의 학습을 위한 학습데이터에 사람이 포함되어 있는 이미지보다 사람이 포함되어 있지 않은 이미지가 더 많거나, 특정 인종의 사람이 포함되어 있는 이미지가 대다수인 경우에, 이러한 학습데이터를 학습한 기계학습모델의 성능은 떨어질 수밖에 없다. 따라서, 이러한 문제점을 개선하기 위해서는 좋은 품질의 학습데이터가 필요하고, 좋은 품질의 학습데이터를 구축하기 위해서는 학습데이터의 기반이 되는 대량의 로우 데이터에서 유효한 데이터만을 선별하는 것이 중요하다. 또한, 기업이 보유하고 있는 로우 데이터의 양이 매우 방대하기 때문에, 방대한 양의 로우 데이터를 학습데이터로 구축하기 위한 시간 및 비용을 줄이기 위해서도, 전체 로우 데이터를 학습데이터로 구축하는 것이 아니라, 학습데이터로 구축하기 위한 로우 데이터를 선별하는 과정이 필요하다.
한편, 상술한 크라우드소싱의 경우 단순히 로우 데이터를 레이블링하여 학습데이터를 구축하는 것이기 때문에, 로우 데이터를 선별하기 위한 과정은 이루어지지 않고 있는 상황이다.
이와 같이, 기계학습모델이 효과적으로 학습하기 위하여, 그리고 학습데이터 구축 및 학습에 소요되는 시간을 줄이기 위하여, 학습데이터를 구축하고자 하는 사용자 측에서 로우 데이터에 레이블링 작업을 통해 학습데이터를 구축하기 전에 기계학습모델의 학습에 적합한 로우 데이터들을 선별할 수 있도록 하는 방법에 대한 개발이 필요한 상황이다.
본 발명은 서울특별시 서울산업진흥원 2022년도 제5회 서울혁신챌린지 결선 IC210047 AI 학습데이터수집 및 가공 플랫폼용 Interactive Instance Segmentation 모델 개발을 통해 개발된 기술이다.
본 발명은 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체에 관한 것으로서, 더욱 상세하게는, 원본데이터셋에 포함된 복수의 데이터에 대한 특징벡터를 도출하고, 복수의 특징벡터 각각의 차원을 2차원으로 축소하고, 차원이 축소된 복수의 특징벡터를 2차원의 공간 상에 표시하고, 상기 2차원의 공간을 포함하는 시각화인터페이스를 사용자단말에 제공하여, 사용자가 학습데이터로 사용될 데이터를 선별할 수 있도록 하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체를 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 서비스서버에서 수행하는 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법으로서, 상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는특징벡터를 도출하는 특징벡터도출단계; 상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및 상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 포함하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 제공한다.
본 발명의 일 실시예에서는, 상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터를 제1색상으로 표시하고, 상기 사용자단말 상에서의 사용자의 선택에 따라 어느 하나의 특징벡터가 선택된 경우에, 상기 어느 하나의 특징벡터를 제2색상으로 변경하여 표시할 수 있다.
본 발명의 일 실시예에서는, 상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터 가운데 어느 하나의 특징벡터가 선택되는 경우에, 상기 어느 하나의 특징벡터에 상응하는 데이터를 표시할 수 있다.
본 발명의 일 실시예에서는, 상기 피처 임베딩 모델은, 복수의 데이터 유형 각각에 상응하여 해당 유형의 데이터에 대한 특징벡터를 도출하는 복수의 인코더를 포함하는 기계학습모델에서 상기 원본데이터셋의 데이터 유형에 상응하는 어느 하나의 인코더에 해당할 수 있다.
본 발명의 일 실시예에서는, 상기 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법은, 상기 사용자단말에 디스플레이된 시각화인터페이스에 포함된 2차원의 공간 상에서 사용자가 선택한 M 개(M은 N 미만의 자연수)의 차원이 축소된 특징벡터에 상응하는 M 개의 데이터를 레이블링 작업의 대상으로 할 수 있다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하여, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하는 서비스서버로서, 상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는 특징벡터를 도출하는 특징벡터도출단계; 상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및 상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 수행하는, 서비스서버를 제공한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예에서는, 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 서비스서버에서 수행하는 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 구현하기 위한 컴퓨터-판독가능 기록매체로서, 상기 컴퓨터-판독가능 기록매체는, 상기 서비스서버로 하여금 이하의 단계들을 수행하도록 하는 컴퓨터 실행가능 명령어들을 포함하고, 상기 이하의 단계들은: 상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는 특징벡터를 도출하는 특징벡터도출단계; 상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및 상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 포함하는, 컴퓨터-판독가능 기록매체를 제공한다.
본 발명의 일 실시예에 따르면, 원본데이터셋에 포함된 복수의 데이터 가운데 소정의 개수의 데이터를 사용자가 선택할 수 있도록 하는 시각화인터페이스를 사용자에게 제공함으로써, 사용자가 기계학습모델의 학습에 필요로 하는 학습데이터를 구축하기 위한 데이터들을 선택할 수 있도록 하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 데이터 각각에 대한 복수의 특징벡터의 차원을 축소하고, 차원이 축소된 특징벡터를 3 차원 이하의 공간 상에 표시하는 것으로, 사용자가 시각적으로 복수의 데이터의 분포를 용이하게 인지할 수 있도록 하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 사용자의 단말에 디스플레이되는 시각화인터페이스에는 차원이 축소된 특징벡터를 포함하는 3 차원 이하의 공간을 포함하고, 사용자가 해당 공간 상에서 특징벡터를 선택하는 것으로써 선택된 특징벡터의 선택을 취소하거나, 선택되지 않은 특징벡터를 선택함으로써, 사용자가 용이하게 데이터를 선택할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 사용자의 단말에 디스플레이되는 시각화인터페이스에는 차원이 축소된 특징벡터를 포함하는 3 차원 이하의 공간을 포함하고, 사용자가 해당 공간 상에서 어느 하나의 특징벡터를 선택하는 경우에, 해당 특징벡터에 대한 데이터가 사용자의 단말에 디스플레이되므로, 사용자가 더욱 용이하게 데이터를 확인할 수 있는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 따른 원본데이터셋에 포함된 복수의 데이터에서 선택된 소정 개수의 데이터를 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하기 위한 구성요소들을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 서비스서버의 내부 구성요소들을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법의 세부 단계들을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 피처 임베딩 모델로 사용되는 기계학습모델의 구성을 개략적으로 도시한다.
도 6은 본 발명의 다른 실시예에 따른 피처 임베딩 모델로 사용되는 기계학습모델의 구성을 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 사용자단말에 디스플레이되는 시각화인터페이스를 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 사용자단말에 디스플레이되는 사용자가 어느 하나의 특징벡터를 선택함에 따라 디스플레이되는 시각화인터페이스를 개략적으로 도시한다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 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. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 원본데이터셋에 포함된 복수의 데이터에서 선택된 소정 개수의 데이터를 개략적으로 도시한다.
도 1에 도시된 바와 같이, 기업과 같이 기계학습모델을 학습하기 위하여 학습데이터를 구축하고자 하는 주체가 보유하고 있거나, 외부로부터 제공받은 원본데이터셋에는 복수 개의 데이터들이 포함되어 있다. 이하에서는 상기 원본데이터셋에 포함된 데이터의 개수는 N 개로 하며, N은 2 이상의 자연수에 해당할 수 있다. 또한, 상기 원본데이터셋에 포함된 데이터는 앞서 설명한 로우 데이터에 해당하는 것으로 이해될 수 있다.
한편, 상기 원본데이터셋에는 다양한 데이터들이 포함될 수 있다. 예를 들어, 상기 원본데이터셋이 자율 주행을 위한 기계학습모델의 학습에 사용되기 위한 것인 경우에, 상기 원본데이터셋에는 도심에서 주행 중인 이미지들이 N1 개, 교외에서 주행 중인 이미지들이 N2 개, 고속도로에서 주행 중인 이미지들이 N3 개가 포함될 수 있으며, N1, N2 및 N3을 모두 더한 값이 N에 해당할 수 있다.
상기 원본데이터셋에 포함된 각 데이터의 비율 즉, N1, N2 및 N3의 비율은 서로 상이할 수 있다. 예를 들어, 상기 원본데이터셋에서 N1의 비율이 70%, N2의 비율이 25%, N3의 비율이 5% 일 수 있고, 이러한 비율로 구성된 원본데이터셋 전체를 학습데이터로 사용하는 경우에, 기계학습모델은 도심 주행에 대해서만 편향된 학습을 할 수밖에 없는 문제가 발생할 수 있다.
따라서, 본 발명에서는 기계학습모델이 목표 성능에 충족하기 위한 학습을 수행할 수 있도록, 원본데이터에 포함된 복수의 데이터 가운데 학습데이터로 사용될 데이터를 선별하는 과정을 수행한다.
구체적으로, 본 발명에서는 원본데이터셋에 포함된 N 개의 데이터 가운데 M 개(M은 N 미만의 자연수)의 데이터를 선별한다. 이와 같이 선별된 데이터의 집합이 선택데이터셋에 포함될 수 있으며, 상기 선택데이터셋에는 예시적으로, 각 유형별로 동일한 비율의 데이터가 포함될 수 있다. 위의 예에서와 같이, 기계학습모델이 자율 주행을 처리하는데 있어서, N1 내지 N3의 비율이 동일한 학습데이터를 학습하는 것이 효과적이거나, 혹은 원본데이터의 소유 주체가 N1 내지 N3의 비율이 동일한 것으로 설정하는 경우에, 상기 선택데이터셋에는 M/3 개의 도심에서 주행 중인 이미지, M/3 개의 교외에서 주행 중인 이미지 및 M/3 개의 고속도로에서 주행 중인 이미지가 포함될 수 있다.
이와 같이, 원본데이터셋 자체를 학습하는 것이 아니라, 본 발명을 통해 사용자가 원본데이터셋에서 선별한 선택데이터셋을 학습데이터로 구축하여 기계학습모델을 학습시킴으로써, 학습에 소요되는 시간을 줄이는 것은 물론, 기계학습모델의 성능을 향상시킬 수 있는 효과를 발휘할 수 있는 것이다.
한편, 본 발명에서 원본데이터셋에서 데이터를 선별하는 것은 상술한 예에서와 같이, 각 데이터의 종류의 비율을 동일하게 선별하는 것으로만 국한되지 않으며, 예를 들어, 원본데이터셋에 기계학습모델의 학습에 불필요한 데이터가 포함되어 있는 경우에 해당 데이터를 제외하는 것이나, 데이터의 종류의 비율을 임의로 하여 데이터를 선택하는 것 등과 같이 다양한 선별 방식 가운데 어느 하나에 해당하는 것으로 이해될 수 있다.
도 2는 본 발명의 일 실시예에 따른 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하기 위한 구성요소들을 개략적으로 도시한다.
도 2에 도시된 바와 같이, 본 발명의 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법은 서비스서버(1000)에 의하여 수행될 수 있으며, 상기 서비스서버(1000)는 본 발명의 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하기 위하여 해당 방법을 통해 시각화된 데이터의 일부를 선택하고, 선택된 데이터를 학습데이터로 사용하여 기계학습모델을 학습시키고자 하는 사용자의 사용자단말(3000)과 통신을 수행할 수 있다.
구체적으로, 상기 사용자단말(3000)의 사용주체는 원본데이터셋에 포함된 N 개의 데이터에서 추출된 소정 개수(M 개)의 데이터를 사용하여 학습데이터를 구축하고, 상기 학습데이터를 사용하여 사용자의 기계학습모델을 학습시키고자 하는 사용자가 해당될 수 있다. 이에 따라, 상기 사용자단말(3000)은 상기 서비스서버(1000)에 원본데이터셋을 제공할 수 있고, 상기 서비스서버(1000)는 제공받은 원본데이터셋에 포함된 N 개의 데이터를 시각화하고, 그 결과를 상기 사용자단말(3000)에 제공할 수 있다.
상기 서비스서버(1000)는 본 발명의 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하여, 시각화된 결과를 별도의 인터페이스 상에 표시하여 상기 사용자단말(3000)에 해당 인터페이스를 제공한다. 상기 서비스서버(1000)의 내부 구성에 대해서는 후술하는 도 3에서 상세하게 설명하도록 한다.
한편, 상기 서비스서버(1000)는 상술한 바와 같이, 사용자단말(3000)에 원본데이터셋에 포함된 N 개의 데이터를 시각화한 결과를 상기 사용자단말(3000)에 제공하며, 추가적으로 상기 서비스서버(1000)는 상기 사용자단말(3000)로부터 시각화된 결과에 기반하여 사용자가 선택한 M 개의 데이터에 대한 선택에 대한 정보를 수신하고, 이에 따라 사용자가 선택한 M 개의 데이터를 포함하는 선택데이터셋을 크라우드소싱서버(2000)로 송신할 수 있다.
상기 크라우드소싱서버(2000)는 상기 서비스서버(1000) 혹은 상기 사용자단말(3000)로부터 제공받은 선택데이터셋에 포함된 복수 개(M 개)의 데이터에 대한 가공, 즉 M 개의 데이터 각각에 대한 레이블링을 수행하기 위하여 크라우드소싱을 통해 M 개의 데이터 각각에 대한 레이블링(작업)을 수행할 수 있으며, 크라우드소싱을 통해 레이블링된 M 개의 데이터를 상기 서비스서버(1000)를 통해 상기 사용자단말(3000)에 제공하거나, 혹은 상기 사용자단말(3000)에 직접 제공할 수 있다.
더 구체적으로, 상기 크라우드소싱서버(2000)는 크라우드소싱 방식으로 데이터에 대한 레이블링을 수행하기 위하여 복수의 작업자단말(4000)과 통신을 수행하며, 상기 복수의 작업자단말(4000) 각각에 상기 선택된 M 개의 데이터 각각을 제공한다.
한편, 상기 복수의 작업자단말(4000)은 상기 크라우드소싱서버(2000)로부터 작업의 대상이 되는 M 개의 데이터 가운데 일부를 제공받고, 작업자의 입력에 따라 레이블링된 데이터를 상기 크라우드소싱서버(2000)로 송신한다. 이와 같이 크라우드소싱을 통해 상기 크라우드소싱서버(2000)는 복수의 작업자들이 처리한 데이터(레이블링된 데이터)를 취합하여 상기 서비스서버(1000) 혹은 상기 사용자단말(3000)에 제공함으로써, 사용자가 작업된 데이터를 학습데이터로 사용할 수 있도록 한다.
상술한 바와 같이, 도 2에서는 상기 서비스서버(1000) 및 상기 크라우드소싱서버(2000)가 서버시스템 내에 포함되어 있는 것으로 도시되어 있으나, 본 발명의 다른 실시예에서 상기 크라우드소싱서버(2000)는 상기 서비스서버(1000)가 포함되어 있는 시스템과 다른 외부의 시스템에 포함될 수도 있다.
또한, 본 발명의 또 다른 실시예에서 상기 크라우드소싱서버(2000)는 별개의 서버에 해당하는 것이 아니라, 상기 서비스서버(1000)에서 상기 크라우드소싱서버(2000)에서 수행하는 동작을 추가적으로 수행하거나, 혹은 상기 크라우드소싱서버(2000)에 포함된 내부 구성들이 상기 서비스서버(1000)에 추가적으로 포함되어 있는 것으로 이해될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 서비스서버(1000)의 내부 구성요소들을 개략적으로 도시한다.
도 3에 도시된 바와 같이, 서비스서버(1000)는 본 발명의 레이블링 하기 위한 데이터를 선택적으로 추출하기 위한 방법을 수행하기 위하여, 특징벡터도출부(1100), 차원축소부(1200), 시각화인터페스제공부(1300), 데이터선택정보수신부(1400) 및 DB(1500)를 포함할 수 있다.
구체적으로, 상기 특징벡터도출부(1100)는 특징벡터도출단계(S100)를 수행하는 것으로, 상기 사용자의 사용자단말(3000)로부터 제공받은 원본데이터셋에 포함된 N 개의 데이터 각각에 대한 특징벡터를 도출하며, 더 구체적으로, 상기 특징벡터도출부(1100)는 피처 임베딩 모델을 사용하여, 상기 피처 임베딩 모델에 N 개의 데이터를 입력하여, 상기 N 개의 데이터 각각에 대한 특징벡터를 도출한다. 상기 복수의 특징벡터는 후술하는 시각화인터페이스제공부(1300)에서 데이터를 시각화 하기 위하여 사용될 수 있다.
상기 차원축소부(1200)는 차원축소단계(S110)를 수행하는 것으로, 상기 N 개의 특징벡터의 차원을 2차원으로 축소한다. 이와 같이, 상기 차원축소부(1200)는 특징벡터의 차원을 일정 차원 이하로 축소함으로써, 특징벡터의 위치가 시각적으로 표시될 수 있도록 한다.
상기 시각화인터페이스제공부(1300)는 시각화인터페이스제공단계(S120)를 수행하는 것으로, 상기 차원축소부(1200)에 의해 2차원으로 축소된 N 개의 특징벡터를 시각화하며, 시각화된 결과를 상기 사용자단말(3000)에 제공할 수 있다. 구체적으로, 상기 시각화인터페이스제공부(1300)는 상기 2차원으로 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하며, 상기 2차원의 공간을 포함하는 시각화인터페이스(1310)를 상기 사용자단말(3000)에 제공할 수 있다. 즉, 상기 시각화인터페이스제공부(1300)는 상기 차원축소부(1200)에서 축소된 차원의 크기에 해당하는 공간 상에 상기 N 개의 차원이 축소된 특징벡터의 위치를 표시하며, 그 결과를 상기 시각화인터페이스(1310)를 통해 사용자에게 제공할 수 있다.
상기 데이터선택정보수신부(1400)는 데이터선택정보수신단계(S130)를 수행하는 것으로, 상기 시각화인터페이스(1310)가 디스플레이된 사용자단말(3000)의 사용자의 입력에 따라 N 개의 데이터 가운데 선택된 M 개의 데이터에 대한 정보를 상기 사용자단말(3000)로부터 수신한다. 이와 같이, 상기 데이터선택정보수신부(1400)에서 수신한 M 개의 데이터에 대한 정보에 따라 원본데이터셋에 포함된 M 개의 데이터를 상술한 크라우드소싱서버(2000) 혹은 상기 사용자단말(3000)에 제공하는 것으로, M 개의 데이터에 대한 작업(레이블링)을 수행할 수 있도록 한다.
상기 DB(1500)에는 본 발명의 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하기 위하여 서비스서버(1000)에서 도출되거나, 혹은 상기 서비스서버(1000)가 사용자단말(3000)과 같이 외부의 구성요소로부터 수신한 정보들이 저장될 수 있다. 예를 들어, 상기 DB(1500)에는 사용자단말(3000)로부터 제공받은 원본데이터셋, 상기 특징벡터도출부(1100)에서 원본데이터셋에 포함된 N 개의 데이터 각각에 대한 특징벡터를 도출하기 위하여 사용하는 피처 임베딩 모델, 상기 특징벡터도출부(1100)에서 도출된 특징벡터, 상기 데이터선택정보수신부(1400)에서 수신한 사용자가 선택한 M 개의 데이터를 포함하는 선택데이터셋이 저장될 수 있다.
도 4는 본 발명의 일 실시예에 따른 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법의 세부 단계들을 개략적으로 도시한다.
도 4에 도시된 바와 같이, 사용자단말(3000)과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 서비스서버(1000)에서 수행하는 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법으로서, 상기 사용자단말(3000)로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 특징벡터를 도출하는 특징벡터도출단계(S100); 상기 특징벡터도출단계(S100)를 통해 도출된 N 개의 특징벡터 각각의 차원을 2차원으로 축소하는 차원축소단계(S110); 및 상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스(1310)를 상기 사용자단말에 제공하는 시각화인터페이스제공단계(S120);를 포함할 수 있다.
구체적으로, 상기 특징벡터도출단계(S100)는, 사용자로부터 직접적 혹은 간접적으로 제공받은 원본데이터셋에 포함된 N 개의 데이터들을 피처 임베딩 모델에 입력하여, K(K는 2 이상의 자연수) 개의 차원을 갖는 특징벡터를 도출한다.
더 구체적으로, 상기 원본데이터셋은 상기 사용자가 상기 사용자단말(3000)을 통해 상기 서비스서버(1000)로 송신되거나, 혹은 상기 사용자가 원본데이터셋이 저장되어 있는 USB 등의 컴퓨터-판독가능 기록매체 등을 통해 서비스서버(1000)에서 원본데이터셋을 제공받을 수 있다. 한편, 상기 피처 임베딩 모델은 어떠한 데이터를 입력받고, 그 결과로 K 개의 차원을 갖는 특징벡터를 도출하는 기계학습된 모델로써, 구체적으로 상기 특징벡터는 K 개의 성분을 가지며, 성분의 개수가 차원의 개수에 해당하는 것으로 이해될 수 있다. 상기 피처 임베딩 모델에 대해서는 도 5 및 도 6에서 후술하도록 한다.
상기 차원축소단계(S110)는 상기 특징벡터도출단계(S100)에서 도출한 상기 N 개의 특징벡터의 차원을 2차원을 축소한다. 이를 위하여, 상기 차원축소단계(S110)는 종래의 벡터의 차원을 축소하기 위하여 사용하는 t-distributed Stochastic Neighbor Embedding(T-SNE), Principal Component Analysis(PCA) 등의 다양한 기법 가운데 어느 하나의 기법을 사용하여 특징벡터의 차원을 2차원으로 축소한다.
상기 차원축소단계(S110)에서는 최대한 손실이 없도록 K 개의 차원을 갖는 특징벡터의 차원을 2차원으로 축소하고, 이와 같이 차원이 축소된 특징벡터는 공간 상의 특정 위치에 데이터를 시각적으로 표시하기 위하여 사용될 수 있다.
상기 시각화인터페이스제공단계(S120)는, 상술한 바와 같이 상기 차원축소단계(S110)를 통해 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하며, 이를 상기 사용자단말(3000)로 송신한다. 구체적으로, 상기 시각화인터페이스제공단계(S120)에서는 상기 차원이 축소된 N 개의 특징벡터를 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터가 표시되는 공간을 포함하는 시각화인터페이스(1310)를 상기 사용자단말(3000)에 제공하며, 상기 사용자단말(3000)에는 상기 시각화인터페이스(1310)가 디스플레이될 수 있다.
이와 같이, 상기 사용자단말(3000)에 디스플레이된 시각화인터페이스(1310)를 통해 사용자는 서비스서버(1000)에서 시각화된 N 개의 데이터에 대한 분포를 시각적으로 확인할 수 있고, N 개의 데이터 가운데 M 개의 데이터를 선택할 수 있다.
상기 데이터선택정보수신단계(S130)는 상기 시각화인터페이스제공단계(S120)를 통해 사용자단말(3000)에 제공된 시각화인터페이스(1310) 상에서 사용자가 입력한 M 개의 데이터에 대한 선택입력을 수신한다. 이와 같이, 상기 데이터선택정보수신단계(S130)에서 수신한 M 개의 데이터에 대한 선택입력에 기초하여 상기 서비스서버(1000)는 원본데이터셋에 포함된 N 개의 데이터 가운데 사용자에 의해 선택된 M 개의 데이터를 포함하는 선택데이터셋을 생성하고, 이를 상기 사용자단말(3000) 혹은 상기 크라우드소싱서버(2000)에 제공할 수 있다.
상기와 같은 과정을 통해 본 발명에서는 사용자가 원본데이터셋에 포함된 N 개의 데이터 가운데 학습에 적합한 M 개의 데이터를 선별할 수 있도록 N 개의 데이터에 대한 시각화된 결과, 더 구체적으로는 N 개의 데이터 사이의 연관도에 기반한 분포를 사용자에게 제공하므로, 사용자가 용이하게 학습데이터로 사용될 데이터를 선별할 수 있도록 하는 효과를 발휘할 수 있다.
도 5는 본 발명의 일 실시예에 따른 피처 임베딩 모델로 사용되는 기계학습모델(5000)의 구성을 개략적으로 도시한다.
도 5에 도시된 바와 같이, 본 발명의 일 실시예에서, 상기 특징벡터도출단계(S100)에서 데이터에 대한 특징벡터를 도출하기 위하여 사용되는 피처 임베딩 모델은 도 5에 도시된 기계학습모델(5000) 혹은 상기 기계학습모델(5000)의 내부 구성요소 가운데 어느 하나에 해당할 수 있다.
구체적으로, 상기 기계학습모델(5000)은 인코더(5100) 및 디코더(5200)를 포함할 수 있다. 상기 인코더(5100)는 상기 기계학습모델(5000)에 입력된 데이터를 취합, 압축하는 역할을 수행하고, 상기 디코더(5200)는 상기 인코더(5100)에서 압축된 데이터를 풀어내는 역할을 수행하여 상기 디코더(5200)에서 도출된 데이터가 상기 기계학습모델(5000)의 출력(결과값)에 해당할 수 있다.
예를 들어, 상기 기계학습모델(5000)에 강아지가 포함되어 있는 이미지가 입력되는 경우에, 상기 인코더(5100)는 해당 이미지를 입력받아, 해당 이미지에 대한 정보를 벡터형태로 출력하고, 상기 디코더(5200)는 상기 인코더(5100)의 출력을 입력받아, 벡터에 포함되어 있는 값들에 기초하여 해당 이미지가 강아지에 대한 이미지인지를 판단하는 정보를 출력할 수 있다.
한편, 상기 기계학습모델(5000)은 학습데이터를 사용하여 입력되는 데이터에 대한 정보들을 대표할 수 있는 특징벡터를 인코더(5100)에서 출력할 수 있도록 학습될 수 있으며, 여기서 본 발명의 피처 임베딩 모델은 상기 학습된 기계학습모델(5000)의 인코더(5100)에 해당할 수 있다.
도 6은 본 발명의 다른 실시예에 따른 피처 임베딩 모델로 사용되는 기계학습모델(5000)의 구성을 개략적으로 도시한다.
도 6에 도시된 바와 같이, 상기 피처 임베딩 모델은, 복수의 데이터 유형 각각에 상응하여 해당 유형의 데이터에 대한 특징벡터를 도출하는 복수의 인코더(5100 내지 5300)를 포함하는 기계학습모델(5000)에서 상기 원본데이터셋의 데이터 유형에 상응하는 어느 하나의 인코더에 해당할 수 있다.
구체적으로, 도 6에 도시된 바와 같이, 본 발명의 다른 실시예에서, 상기 특징벡터도출단계(S100)에서 데이터에 대한 특징벡터를 도출하기 위하여 사용되는 피처 임베딩 모델은 도 6에 도시된 기계학습모델(5000) 혹은 상기 기계학습모델(5000)의 내부 구성요소 가운데 어느 하나에 해당할 수 있다.
도 6에 도시된 기계학습모델(5000)은 복수의 인코더(5100 내지 5300)를 포함할 수 있으며, 상기 복수의 인코더(5100 내지 5300) 각각은 상응하는 특정 유형의 데이터를 입력받고, 해당 데이터에 대한 특징벡터를 도출할 수 있다. 예를 들어, 인코더 #1(5100)은 이미지 형태의 데이터(데이터 유형 #1)에 해당하는 데이터를 입력받고, 이미지 데이터에 대한 특징벡터를 도출하며, 인코더 #2(5200)는 텍스트 형태의 데이터(데이터 유형 #2)에 해당하는 데이터를 입력받고, 텍스트 데이터에 대한 특징벡터를 도출하며, 인코더 #3(5300)은 오디오 형태의 데이터(데이터 유형 #3)에 해당하는 데이터를 입력받고, 오디오 데이터에 대한 특징벡터를 도출할 수 있다. 즉, 도 6에 도시된 기계학습모델(5000)은 다양한 유형의 데이터를 입력받고, 이에 대한 특징벡터를 도출하는 멀티모달(Multimodal) 기반의 기계학습모델(5000)에 해당할 수 있다.
한편, 상기 기계학습모델(5000)은 동일한 객체에 대한 여러 유형의 데이터를 입력받아 각각의 특징벡터를 도출한 복수의 인코더(5100 내지 5300)들이 유사한 특징벡터를 도출할 수 있도록 학습할 수 있다. 예를 들어, 이미지 데이터의 유형이 강아지가 포함된 이미지, 텍스트 데이터의 유형이 강아지가 포함된 텍스트, 오디오 데이터의 유형이 강아지라는 음성이 포함된 오디오인 경우에, 해당 데이터에 대한 특징벡터를 도출하는 복수의 인코더 #1 내지 #3(5100 내지 5300)에서 유사하거나 혹은 동일한 특징벡터를 도출할 수 있도록 학습될 수 있다.
이와 같이, 학습된 기계학습모델(5000)에서 상기 원본데이터셋에 포함된 데이터의 유형에 상응하는 인코더가 상기 특징벡터도출단계(S100)에서 사용하는 피처 임베딩 모델에 해당할 수 있다. 예를 들어, 상기 원본데이터셋에 이미지 데이터들이 포함되어 있는 경우에, 상기 피처 임베딩 모델은 상기 학습된 기계학습모델(5000)에 포함된 이미지 유형의 데이터를 입력받아 특징벡터를 도출하는 인코더 #1(5100)에 해당할 수 있다.
한편, 본 발명의 다른 실시예에서 상기 원본데이터셋에 2 이상의 유형의 데이터가 포함된 경우에, 상기 피처 임베딩 모델은 상기 학습된 기계학습모델(5000)에 포함된 복수의 인코더(5100 내지 5300) 가운데 상기 2 이상의 유형의 데이터를 처리하는 2 이상의 인코더를 포함하는 것으로 이해될 수 있다.
또한, 멀티모달 기반의 기계학습모델(5000)에 포함된 복수의 인코더(5100 내지 5300)의 개수는 도 6에 도시된 개수에 한정되지 아니하며, 다양한 유형의 데이터들을 포함하는 복수의 인코더를 포함하는 것으로 이해될 수 있다.
도 7은 본 발명의 일 실시예에 따른 사용자단말(3000)에 디스플레이되는 시각화인터페이스(1310)를 개략적으로 도시한다.
도 7에 도시된 바와 같이, 상기 시각화인터페이스(1310)는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터를 제1색상으로 표시하고, 상기 사용자단말(3000) 상에서의 사용자의 선택에 따라 어느 하나의 특징벡터가 선택된 경우에, 상기 어느 하나의 특징벡터를 제2색상으로 변경하여 표시할 수 있다.
구체적으로, 상기 시각화인터페이스제공단계(S120)는 상기 2차원으로 축소된 N 개의 특징벡터가 표시되는 2차원의 공간을 포함하는 시각화인터페이스(1310)를 상기 사용자단말(3000)에 제공한다.
도 7의 (A)는 본 발명의 일 실시예에 따른 사용자단말(3000)에 디스플레이되는 시각화인터페이스(1310)를 개략적으로 도시한다. 상술한 바와 같이, 상기 시각화인터페이스(1310)는 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의공간을 포함하고, 상기 2차원의 공간에 표시되는 차원이 축소된 N 개의 특징벡터는 제1색상으로 표시될 수 있다.
도 7의 (A)에 도시된 사항을 예로 들면, 상기 차원이 축소된 N 개의 특징벡터는 상기 시각화인터페이스(1310) 상에서 제1색상에 해당하는 보라색으로 표시될 수 있다.
한편, 상기 차원이 축소된 N 개의 특징벡터가 표시되는 2차원의 공간은 N 개의 특징벡터 각각의 분포를 표시하는 것으로 이해될 수 있으며, 구체적으로 2차원의 공간에는 각 특징벡터 사이의 연관도가 고려된 분포가 표시되는 것으로 이해될 수 있다. 예를 들어, 상기 2차원의 공간에는 연관도가 높은 복수의 특징벡터가 군집되어 분포될 수 있다.
또한, 사용자는 상기 시각화인터페이스(1310) 상에서 확대 혹은 축소에 대한 입력을 수행할 수 있으며, 상기 시각화인터페이스(1310)는 상기 입력에 따라 2차원의 공간을 확대 혹은 축소함으로써, 사용자가 더욱 용이하게 N 개의 차원이 축소된 특징벡터의 분포를 확인할 수 있도록 한다.
한편, 도 7의 (B)에 도시된 바와 같이, 사용자는 상기 사용자단말(3000)에 디스플레이된 시각화인터페이스(1310)를 통해서 N 개의 데이터 가운데 학습데이터로 사용될 M 개의 데이터를 선택할 수 있다.
구체적으로, 사용자는 상기 시각화인터페이스(1310)에 표시되는 차원이 축소된 N 개의 특징벡터 가운데 M 개의 특징벡터들을 선택할 수 있고, 선택된 특징벡터에 상응하는 데이터가 학습데이터로 사용될 데이터, 즉 선택데이터셋에 포함되는 데이터에 해당할 수 있다. 이와 같이, 사용자의 선택에 따라 어느 하나의 차원이 축소된 특징벡터를 선택하는 것은 상기 시각화인터페이스(1310) 상에 표시될 수 있다. 도 7의 (B)에 도시된 사항을 예로 들면, 시각화인터페이스(1310)에 표시된 특징벡터 P2는 도 7의 (A)의 시각화인터페이스(1310)에서는 아직 사용자가 선택하지 않아서 제1색상인 보라색으로 표시되어 있고, 사용자가 상기 특징벡터 P2를 선택함에 따라 상기 시각화인터페이스(1310)의 특징벡터 P2는 상기 제1색상과 상이한 제2색상에 해당하는 적색으로 변경되어 표시될 수 있다.
한편, 사용자가 상기 시각화인터페이스(1310) 상에서 특징벡터를 선택하여, 해당 특징벡터가 제2색상으로 변경된 후에, 다시 해당 특징벡터의 선택을 취소하는 입력을 수행하는 경우에 다시 제1색상으로 변경될 수도 있다.
이와 같은 구성을 통해 사용자는 상기 시각화인터페이스(1310) 상에서 M 개의 데이터를 선택할 수 있고, 이러한 결과가 상기 시각화인터페이스(1310) 상에 실시간으로 적용되어 표시될 수 있다.
도 8은 본 발명의 일 실시예에 따른 사용자단말(3000)에 디스플레이되는 사용자가 어느 하나의 특징벡터를 선택함에 따라 디스플레이되는 시각화인터페이스(1310)를 개략적으로 도시한다.
도 8에 도시된 바와 같이, 상기 시각화인터페이스(1310)는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터 가운데 어느 하나의 특징벡터가 선택되는 경우에, 상기 어느 하나의 특징벡터에 상응하는 데이터를 표시할 수 있다.
구체적으로, 상기 시각화인터페이스(1310)는, 사용자가 더욱 용이하게 서비스서버(1000)에서의 시각화된 결과를 인지할 수 있도록 하기 위하여 사용자가 상기 시각화인터페이스(1310) 상에서 어느 하나의 특징벡터를 선택하는 경우에 상기 선택된 특징벡터에 상응하는 데이터를 오버레이하여 표시할 수 있다.
더 구체적으로, 도 8에 도시된 바와 같이, 사용자는 상기 시각화인터페이스(1310) 상에서 어느 하나의 특징벡터에 대한 선택, 바람직하게는 해당 특징벡터에 대한 데이터를 표시하기 위한 선택입력을 수행할 수 있고, 도 8에서는 사용자가 특징벡터 P3, 특징벡터 P4 및 특징벡터 P5를 선택한 것으로 도시되어 있다.
한편, 상기 시각화인터페이스(1310)는 사용자에 의해 선택된 특징벡터에 상응하는 데이터가 표시되는 선택데이터레이어(L1 내지 L3)를 오버레이하여 상기 시각화인터페이스(1310) 상에 표시한다. 도 8을 예로 들면, 사용자의 데이터를 표시하기 위한 선택입력에 따라 선택된 특징벡터 P3에 상응하는 데이터가 상기 선택데이터레이어(L1)에 표시되고, 특징벡터 P4에 상응하는 데이터가 상기 선택데이터레이어(L2)에 표시되며, 특징벡터 P5에 상응하는 데이터가 상기 선택데이터레이어(L3)에 표시되어 있다.
이와 같은 구성을 통해, 사용자는 자신이 선택한 특징벡터에 상응하는 데이터를 상기 시각화인터페이스(1310) 상에서 인지할 수 있으며, 이를 통해 서비스서버(1000)에서의 N 개의 데이터에 대한 시각화의 결과를 보다 세부적으로 파악할 수 있고, 사용자가 데이터를 선별하는데 있어서도 변경하고자 하는 특징벡터에 대한 데이터를 선택데이터레이어(L1 내지 L3)를 통해 인지하여 변경 여부를 보다 용이하게 판단할 수 있도록 하는 효과를 발휘할 수 있다.
도 8에 도시된 바와 같이, 시각화인터페이스(1310)는 사용자의 선택입력에 따라 2 이상의 특징벡터에 대한 2 이상의 선택데이터레이어(L1 내지 L3)를 동시에 오버레이하여 표시할 수도 있다.
또한, 도 8에 도시된 선택데이터레이어(L1 내지 L3)에는 이미지 형태의 데이터가 표시되어 있는 것으로 도시되어 있으나, 본 발명의 다른 실시예에서는 상기 원본데이터셋에 포함된 데이터의 유형에 따라 상기 선택데이터레이어(L1 내지 L3)는 다양한 형태로 표시될 수도 있다. 예를 들어, 상기 원본데이터셋에 포함된 데이터가 텍스트 형태의 데이터인 경우에, 상기 선택데이터레이어(L1 내지 L3)에는 선택된 특징벡터에 상응하는 데이터의 텍스트가 표시될 수 있고, 상기 원본데이터셋에 포함된 데이터가 오디오 형태의 데이터인 경우에, 상기 선택데이터레이어(L1 내지 L3)에는 오디오를 재생할 수 있는 시각적 요소들이 표시되고, 상기 사용자가 상기 선택데이터레이어(L1 내지 L3) 상에서 재생 입력을 수행하는 경우에, 해당 데이터의 오디오가 재생될 수도 있다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한다.
상술한 도 2에 도시된 서비스서버(1000)는 도 9에 도시된 컴퓨팅장치(11000)의 구성요소들을 포함할 수 있다.
도 9에 도시된 바와 같이, 컴퓨팅장치(11000)는 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)는 도 2에 도시된 서비스서버(1000)에 해당될 수 있다.
메모리(11200)는 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그 밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅장치(11000)를 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 9의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)는 도 9에 도시된 일부 컴포넌트가 생략되거나, 도 9에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 9에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(11600)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 애플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 애플리케이션으로 구성될 수 있다. 본 발명이 적용되는 애플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 컴퓨팅장치(11000)에 설치될 수 있다. 일 예로, 파일 배포 시스템은 컴퓨팅장치(11000)의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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 목적컴퓨터를 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.
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, 가상장치(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 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
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.
본 발명의 일 실시예에 따르면, 원본데이터셋에 포함된 복수의 데이터 가운데 소정의 개수의 데이터를 사용자가 선택할 수 있도록 하는 시각화인터페이스를 사용자에게 제공함으로써, 사용자가 기계학습모델의 학습에 필요로 하는 학습데이터를 구축하기 위한 데이터들을 선택할 수 있도록 하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 복수의 데이터 각각에 대한 복수의 특징벡터의 차원을 축소하고, 차원이 축소된 특징벡터를 3 차원 이하의 공간 상에 표시하는 것으로, 사용자가 시각적으로 복수의 데이터의 분포를 용이하게 인지할 수 있도록 하는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 사용자의 단말에 디스플레이되는 시각화인터페이스에는 차원이 축소된 특징벡터를 포함하는 3 차원 이하의 공간을 포함하고, 사용자가 해당 공간 상에서 특징벡터를 선택하는 것으로써 선택된 특징벡터의 선택을 취소하거나, 선택되지 않은 특징벡터를 선택함으로써, 사용자가 용이하게 데이터를 선택할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 사용자의 단말에 디스플레이되는 시각화인터페이스에는 차원이 축소된 특징벡터를 포함하는 3 차원 이하의 공간을 포함하고, 사용자가 해당 공간 상에서 어느 하나의 특징벡터를 선택하는 경우에, 해당 특징벡터에 대한 데이터가 사용자의 단말에 디스플레이되므로, 사용자가 더욱 용이하게 데이터를 확인할 수 있는 효과를 발휘할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.

Claims (7)

  1. 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 서비스서버에서 수행하는 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법으로서,
    상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는 특징벡터를 도출하는 특징벡터도출단계;
    상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및
    상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 포함하고,
    상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터를 제1색상으로 표시하고, 상기 사용자단말 상에서의 사용자의 선택에 따라 어느 하나의 특징벡터가 선택된 경우에, 상기 어느 하나의 특징벡터를 제2색상으로 변경하여 표시하고,
    상기 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법은,
    상기 사용자단말에 디스플레이된 시각화인터페이스에 포함된 2차원의 공간 상에서 사용자가 선택한 M 개(M은 N 미만의 자연수)의 차원이 축소된 특징벡터에 상응하는 M 개의 데이터를 레이블링 작업의 대상으로 하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터 가운데 어느 하나의 특징벡터가 선택되는 경우에, 상기 어느 하나의 특징벡터에 상응하는 데이터를 표시하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법.
  4. 청구항 1에 있어서,
    상기 피처 임베딩 모델은,
    복수의 데이터 유형 각각에 상응하여 해당 유형의 데이터에 대한 특징벡터를 도출하는 복수의 인코더를 포함하는 기계학습모델에서 상기 원본데이터셋의 데이터 유형에 상응하는 어느 하나의 인코더에 해당하는, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법.
  5. 삭제
  6. 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하여, 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 수행하는 서비스서버로서,
    상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는 특징벡터를 도출하는 특징벡터도출단계;
    상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및
    상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 수행하고,
    상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터를 제1색상으로 표시하고, 상기 사용자단말 상에서의 사용자의 선택에 따라 어느 하나의 특징벡터가 선택된 경우에, 상기 어느 하나의 특징벡터를 제2색상으로 변경하여 표시하고,
    상기 서비스서버는,
    상기 사용자단말에 디스플레이된 시각화인터페이스에 포함된 2차원의 공간 상에서 사용자가 선택한 M 개(M은 N 미만의 자연수)의 차원이 축소된 특징벡터에 상응하는 M 개의 데이터를 레이블링 작업의 대상으로 하는, 서비스서버.
  7. 사용자단말과 통신을 수행하고, 1 이상의 프로세서 및 1 이상의 메모리를 포함하는 서비스서버에서 수행하는 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법을 구현하기 위한 컴퓨터-판독가능 기록매체로서, 상기 컴퓨터-판독가능 기록매체는, 상기 서비스서버로 하여금 이하의 단계들을 수행하도록 하는 컴퓨터 실행가능 명령어들을 포함하고,
    상기 이하의 단계들은:
    상기 사용자단말로부터 제공받은 N 개(N은 2 이상의 자연수)의 데이터를 포함하는 원본데이터셋을 피처 임베딩 모델에 입력하여 상기 N 개의 데이터 각각에 대한 K(K는 2 이상의 자연수)개의 차원을 갖는 특징벡터를 도출하는 특징벡터도출단계;
    상기 특징벡터도출단계를 통해 도출된 N 개의 특징벡터 각각의 K 개의 차원을 2차원으로 축소하는 차원축소단계; 및
    상기 차원이 축소된 N 개의 특징벡터를 2차원의 공간 상에 표시하고, 상기 차원이 축소된 N 개의 특징벡터를 포함하는 2차원의 공간이 시각적으로 표시되는 시각화인터페이스를 상기 사용자단말에 제공하는 시각화인터페이스제공단계;를 포함하고,
    상기 시각화인터페이스는, 상기 2차원의 공간 상에 표시되는 상기 차원이 축소된 N 개의 특징벡터를 제1색상으로 표시하고, 상기 사용자단말 상에서의 사용자의 선택에 따라 어느 하나의 특징벡터가 선택된 경우에, 상기 어느 하나의 특징벡터를 제2색상으로 변경하여 표시하고,
    상기 컴퓨터-판독가능 기록매체는,
    상기 사용자단말에 디스플레이된 시각화인터페이스에 포함된 2차원의 공간 상에서 사용자가 선택한 M 개(M은 N 미만의 자연수)의 차원이 축소된 특징벡터에 상응하는 M 개의 데이터를 레이블링 작업의 대상으로 하는, 컴퓨터-판독가능 기록매체.

KR1020220141675A 2022-10-28 2022-10-28 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체 KR102590514B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220141675A KR102590514B1 (ko) 2022-10-28 2022-10-28 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체
US17/994,279 US20240144557A1 (en) 2022-10-28 2022-11-26 Method, service server, and computer-readable medium for visualizing data to select data to be used for labeling

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220141675A KR102590514B1 (ko) 2022-10-28 2022-10-28 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체

Publications (1)

Publication Number Publication Date
KR102590514B1 true KR102590514B1 (ko) 2023-10-17

Family

ID=88557589

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220141675A KR102590514B1 (ko) 2022-10-28 2022-10-28 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체

Country Status (2)

Country Link
US (1) US20240144557A1 (ko)
KR (1) KR102590514B1 (ko)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190004073A (ko) * 2017-07-03 2019-01-11 삼성전자주식회사 적외선 영상을 이용한 사용자 인증 방법 및 장치
KR20190094068A (ko) * 2018-01-11 2019-08-12 한국전자통신연구원 온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법 및 상기 분류기를 포함하는 장치
KR20190102456A (ko) * 2018-02-26 2019-09-04 한국인터넷진흥원 어플리케이션 클러스터링 방법 및 그 장치
KR20210063710A (ko) * 2019-11-25 2021-06-02 (주) 시큐이데아 카메라에 연결되는 고속 얼굴 인식 장치
KR20210087687A (ko) * 2020-01-03 2021-07-13 주식회사 트립비토즈 인공지능 기반의 여행 상품 판매 보상 장치 및 방법
KR20210113833A (ko) * 2020-03-09 2021-09-17 삼성전자주식회사 벡터 변환을 이용한 데이터 처리 방법 및 장치
KR20210152269A (ko) * 2020-06-08 2021-12-15 삼성에스디에스 주식회사 딥러닝 모델 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치
KR20220024579A (ko) * 2019-07-11 2022-03-03 엘지전자 주식회사 인공지능 서버
KR20220040401A (ko) * 2020-09-23 2022-03-30 주식회사 에스엠알씨 딥뉴럴 네트워크 기반의 음원 자동 생성 서비스를 제공하는 장치 및 방법
JP7095599B2 (ja) * 2016-12-21 2022-07-05 日本電気株式会社 辞書学習装置、辞書学習方法、データ認識方法およびコンピュータプログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7095599B2 (ja) * 2016-12-21 2022-07-05 日本電気株式会社 辞書学習装置、辞書学習方法、データ認識方法およびコンピュータプログラム
KR20190004073A (ko) * 2017-07-03 2019-01-11 삼성전자주식회사 적외선 영상을 이용한 사용자 인증 방법 및 장치
KR20190094068A (ko) * 2018-01-11 2019-08-12 한국전자통신연구원 온라인 게임에서 게이머 행동 유형을 분류하는 분류기의 학습 방법 및 상기 분류기를 포함하는 장치
KR20190102456A (ko) * 2018-02-26 2019-09-04 한국인터넷진흥원 어플리케이션 클러스터링 방법 및 그 장치
KR20220024579A (ko) * 2019-07-11 2022-03-03 엘지전자 주식회사 인공지능 서버
KR20210063710A (ko) * 2019-11-25 2021-06-02 (주) 시큐이데아 카메라에 연결되는 고속 얼굴 인식 장치
KR20210087687A (ko) * 2020-01-03 2021-07-13 주식회사 트립비토즈 인공지능 기반의 여행 상품 판매 보상 장치 및 방법
KR20210113833A (ko) * 2020-03-09 2021-09-17 삼성전자주식회사 벡터 변환을 이용한 데이터 처리 방법 및 장치
KR20210152269A (ko) * 2020-06-08 2021-12-15 삼성에스디에스 주식회사 딥러닝 모델 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치
KR20220040401A (ko) * 2020-09-23 2022-03-30 주식회사 에스엠알씨 딥뉴럴 네트워크 기반의 음원 자동 생성 서비스를 제공하는 장치 및 방법

Also Published As

Publication number Publication date
US20240144557A1 (en) 2024-05-02

Similar Documents

Publication Publication Date Title
US11790129B2 (en) Virtualization, visualization and autonomous design and development of objects
Isvoranu et al. Network psychometrics with R: A guide for behavioral and social scientists
Zhu et al. A context-aware augmented reality assisted maintenance system
US20220100972A1 (en) Configurable generic language understanding models
CN105247510A (zh) 重算用户接口中变换的编译
CN105637476A (zh) 控制事件的辅助创建
WO2011156192A2 (en) Calculator with dynamic computation environment
WO2023159755A1 (zh) 虚假新闻检测方法、装置、设备及存储介质
Churchill Presentation design for “conceptual model” learning objects
Lu Mobile augmented reality technology for design and implementation of library document push system
Alvanchi et al. Improving facility management of public hospitals in Iran using building information modeling
CN111538852B (zh) 多媒体资源处理方法、装置、存储介质及设备
Yalcinkaya et al. Exploring the use of Gestalt’s principles in improving the visualization, user experience and comprehension of COBie data extension
US20130093771A1 (en) Modified flow graph depiction
Cheng et al. Characteristics of augmented map research from a cartographic perspective
KR102590514B1 (ko) 레이블링에 사용될 데이터를 선택하기 위하여 데이터를 시각화 하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체
Yu et al. Feature-guided multimodal sentiment analysis towards Industry 4.0
US10846061B2 (en) Development environment for real-time application development
KR102551873B1 (ko) 레이블링 하기 위한 데이터를 선택적으로 추출하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체
Lee et al. A visual tool for accessibility study of pipeline maintenance during design
Haedrich et al. Integrating GRASS GIS and Jupyter Notebooks to facilitate advanced geospatial modeling education
de Lange Geoinformatics in Theory and Practice: An Integrated Approach to Geoinformation Systems, Remote Sensing and Digital Image Processing
KR20200087471A (ko) 객체 추천 방법 및 시스템
KR20240060268A (ko) 데이터의 레이블링을 자동적으로 처리하기 위한 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체
KR102648613B1 (ko) 입력 이미지를 기반으로 인터넷 쇼핑몰에 전시되는 상품 이미지를 생성하는 방법, 장치 및 컴퓨터-판독 가능 기록 매체

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant