KR102641660B1 - 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법 - Google Patents

생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법 Download PDF

Info

Publication number
KR102641660B1
KR102641660B1 KR1020230137647A KR20230137647A KR102641660B1 KR 102641660 B1 KR102641660 B1 KR 102641660B1 KR 1020230137647 A KR1020230137647 A KR 1020230137647A KR 20230137647 A KR20230137647 A KR 20230137647A KR 102641660 B1 KR102641660 B1 KR 102641660B1
Authority
KR
South Korea
Prior art keywords
query
keywords
generative
type
server
Prior art date
Application number
KR1020230137647A
Other languages
English (en)
Inventor
이승민
Original Assignee
이승민
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 이승민 filed Critical 이승민
Priority to KR1020230137647A priority Critical patent/KR102641660B1/ko
Application granted granted Critical
Publication of KR102641660B1 publication Critical patent/KR102641660B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3322—Query formulation using system suggestions
    • G06F16/3323—Query formulation using system suggestions using document space presentation or visualization, e.g. category, hierarchy or range presentation and selection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/934—Information retrieval or Information management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법이 개시된다. 상기 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버는, 사용자 단말로부터 질의 메시지를 수신하는 질의 수신부; 수신된 상기 질의 메시지에 대응하는 질의 유형을 결정하는 질의 유형 분류부; 결정된 질의 유형이 미리 정의된 제1 유형인 경우 트리즈 기법 기반으로 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 트리즈 질의 생성부; 결정된 질의 유형이 미리 정의된 제2 유형인 경우 미리 정의된 기준에 따라 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 비기계 질의 생성부; 및 생성된 상기 복수의 질의 메시지들을 생성형 AI 운영 서버에 제공하고, 상기 생성형 AI 운영 서버로부터 상기 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득하는 생성형 AI 연동부;를 포함한다.

Description

생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법{SERVER FOR IMPROVING PROBLEM-SOLVING PERFORMANCE USING GENERATIVE AI AND METHOD FOR THE OPERATION THEREOF}
본 발명은 생성형 AI를 이용한 문제해결 방법에 관한 기술로, 더욱 상세하게는 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작 방법에 관한 것이다.
텍스트, 오디오, 이미지 등 기존 콘텐츠를 활용해 유사한 콘텐츠를 새롭게 창작하는 생성형 AI(generative AI)에 대한 관심이 크게 증가하고 있다.
기존의 인공지능(AI)은 데이터와 패턴을 학습해 학습한 특정 데이터의 종류와 형태에 한정적으로 분류 또는 예측하는 방식이었으나, 생성형 AI는 기존 데이터와 비교 학습을 통해 새로운 창작을 가능하게 한다는 점에서 그 활용도가 훨씬 높다.
특히, 이미지 분야에서는 특정 작가의 화풍을 모사한 그림으로 사진을 창작하거나, 가짜 인간 언굴을 무제한 생성할 수 있고, 텍스트 분야에서도 특정 소재로 시를 짓거나 소설을 창작하는 것이 가능하다.
한편, 생성형 AI는 사용자의 질문에 따라 창의적인 창작 결과물을 제시하는 방식으로서, 사용자가 얼마나 구체적이고 정확한 질문을 생성형 AI에게 제시하는지에 따라 정확한 답변을 할 수 있고, 사용자가 문제에 대한 인식 자체가 없는 상태에서 생성형 AI가 자체적으로 문제점을 파악해서 제시하는 것은 불가능하다.
또한, 생성형 AI는 어려번 질문을 반복하면서 보다 원하는 답변을 얻어내는 것이 가능하지만, 사용자가 생성형 AI를 정교하게 활용하는 것에는 그 한계가 명확하여 제대로된 문제 해결 수단으로 활용하는 데 어려움이 많다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 측면은, 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버를 제공한다.
상기 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버는, 사용자 단말로부터 질의 메시지를 수신하는 질의 수신부; 수신된 상기 질의 메시지에 대응하는 질의 유형을 결정하는 질의 유형 분류부; 결정된 질의 유형이 미리 정의된 제1 유형인 경우 트리즈 기법 기반으로 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 트리즈 질의 생성부; 결정된 질의 유형이 미리 정의된 제2 유형인 경우 미리 정의된 기준에 따라 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 비기계 질의 생성부; 및 생성된 상기 복수의 질의 메시지들을 생성형 AI 운영 서버에 제공하고, 상기 생성형 AI 운영 서버로부터 상기 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득하는 생성형 AI 연동부;를 포함한다.
상기 질의 수신부는, 상기 사용자 단말이 상기 사용자 단말의 사용자에게 표시한 사용자 인터페이스를 통해 상기 사용자가 입력한 상기 질의 메시지를 획득한다.
상기 사용자 인터페이스는, 상기 사용자에게 표시할 미리 정의된 키워드들을 제시하는 인터페이스를 포함하며, 상기 키워드들은 '주제', '문제점', 및 '개선'과 동의어이거나 그 유사어를 포함한다.
상기 질의 유형 분류부는, 상기 질의 메시지에서 복수의 키워드들을 추출하고, 추출된 복수의 키워드들 각각을 임베딩 벡터로 변환하고, 임베딩 벡터로 변환된 복수의 키워드들 각각과 미리 구축한 기계 용어 사전에 정의된 용어들 각각의 임베딩 벡터를 서로 비교한다.
상기 트리즈 질의 생성부는, 상기 제1 유형으로 결정된 질의 메시지에 대하여 트리즈 기법 기반으로 상기 복수의 보정 질의 메시지들을 생성한다.
상기 트리즈 기법은, 시간 나누기 유형을 포함한다.
상기 시간 나누기 유형에 대응하는 보정 질의 메시지를 생성하기 위해 상기 트리즈 질의 생성부는, 상기 질의 메시지에 연령과 시간에 대해 미리 정의된 키워드들 중 어느 하나를 상기 질의 메시지에 추가하여 보정 질의 메시지를 생성한다.
상기 기계 용어 사전은, 물리적 대상을 지칭하는 용어들을 정의한 데이터로서, 상기 용어들 각각의 물리적 상하 개념을 트리 구조의 데이터로 나타내고, 상기 트리즈 기법에 따른 41가지 유형들 각각에 대해 키워드를 치환 또는 추가하는 것이 가능하도록, 키워드별로 치환 키워드를 정의한 데이터이다.
상기와 같은 본 발명에 따른 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버를 이용할 경우에는 트리즈 기법과 독자적 기법을 추가 적용하여 복수의 보정 질의 메시지들을 추가 생성해 생성형 AI로부터 답변들을 얻기 때문에 사용자가 문제 해결에 쉽게 접근할 수 있는 최적의 답변을 생성형 AI로부터 얻어낼 수 있다.
또한, 용어 사전을 사용자가 제시하는 질의 메시지들을 이용하여 지속적으로 갱신하고 관리하기 때문에 방대한 용어 사전을 초기 구축하는 데 대한 어려움을 해소하여 서비스 운용 확대를 쉽게 지원할 수 있는 장점이 있다.
도 1은 일 실시예에 따른 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법이 수행되는 환경을 설명하기 위한 개념도이다.
도 2는 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버의 기능적 구성을 나타낸 블록도이다.
도 3은 일 실시예에 따른 질의 수신부의 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 트리즈 질의 생성부의 동작을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 기계 용어 사전 또는 비기계 용어 사전을 갱신하는 과정을 설명하기 위한 개념도이다.
도 6은 일 실시예에 따른 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 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.
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.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 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.
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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법이 수행되는 환경을 설명하기 위한 개념도이다.
도 1을 참조하면, 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버(100, 이하 서버로 약칭될 수 있음)는, 사용자 단말(200) 및 생성형 AI 운영 서버(300)과 유선 네트워크 또는 무선 네트워크를 통해 서로 연결되어, 사용자 단말(200)과 생성형 AI 운영 서버(300) 사이의 데이터 통신을 서로 중개할 수 있다.
사용자 단말(200)은, 사용자가 소지 또는 사용하는 컴퓨팅 단말로서, 미리 정의 및 배포된 애플리케이션이 설치될 수 있다. 해당 애플리케이션이 사용자 단말(200)에서 구동되면, 사용자 단말(200)은 서버(100)에 접속하여 서버(100)와 데이터를 송수신할 수 있다. 이를 위해, 사용자 단말(200)은, 서버(100)에 접속하기 위한 접속 주소 및 로그인 정보를 미리 저장하거나, 사용자로부터 입력받아 저장할 수 있다.
사용자 단말(200)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
사용자 단말(200)은, 사용자로부터 생성형 AI에 질의하기 위한 질의 메시지를 입력받고, 입력받은 질의 메시지를 서버(100)에 전송할 수 있다.
서버(100)는, 사용자 단말(200)로부터 질의 메시지를 수신하고, 수신된 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성할 수 있다.
이때, 서버(100)는, 외부의 검색 서버(400)와 통신하여 부가정보를 획득하고, 획득된 부가정보를 이용하여 질의 메시지를 가공함으로써 복수의 보정 질의 메시지들을 생성할 수도 있다.
서버(100)는, 생성된 복수의 보정 질의 메시지들을 생성형 AI 운영 서버(300)에 전송하고, 생성형 AI 운영 서버(300)로부터 복수의 보절 질의 메시지들 각각과 대응하는(1:1로 대응하는) 복수의 답변들을 수신할 수 있다.
서버(100)는, 수신된 복수의 답변들을 사용자 단말(200)에 전송할 수 있다.
생성형 AI 운영 서버(300)는, 미리 정의된 생성형 AI가 설치되고, 설치된 생성형 AI가 생성적 적대 신경망(GAN) 기반의 인공신경망으로서, 다수의 학습 데이터를 이용하여 학습될 수 있다. 예를 들어, 생성형 AI은 챗GPT(ChatGPT), 구글의 람다(LaMDA)와 바드(Bard) 및 MiP-NeRF, 애플의 시리(Siri), 마이크로소프트의 코타나(Cortana), 아마존의 알렉사(Alexa) 등일 수 있다. 생성형 AI 운영 서버(300)는, 공지된 다양한 생성형 AI 기반의 질의응답 서비스를 통해 접근하고 사용이 가능하므로 구체적인 설명은 생략한다.
생성형 AI 운영 서버(300)는, 설치된 생성형 AI와 텍스트(Text), 이미지(Image), 음성(Voice) 등을 주고받을 수 있는 사용자 인터페이스를 제공할 수 있고, 그러한 사용자 인터페이스에 직접 접근하기 위한 API를 제공할 수 있다.
서버(100)는, 생성형 AI 운영 서버(300)에서 제공하는 API를 이용하여 생성형 AI와 텍스트, 이미지, 음성 등을 주고받을 수 있는 사용자 인터페이스에 접근하고, 접근된 사용자 인터페이스를 통해 복수의 보정 질의 메시지들을 생성형 AI에 순차적으로 질의하고, 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득할 수 있다.
도 2는 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버의 기능적 구성을 나타낸 블록도이다. 도 3은 일 실시예에 따른 질의 수신부의 동작을 설명하기 위한 도면이다. 도 4는 일 실시예에 따른 트리즈 질의 생성부의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 서버(100)는, 사용자 단말(200)로부터 질의 메시지를 수신하는 질의 수신부(101), 수신된 질의 메시지에 대응하는 질의 유형을 결정하는 질의 유형 분류부(102), 결정된 질의 유형이 미리 정의된 제1 유형인 경우 트리즈 기법 기반으로 복수의 보정 질의 메시지들을 생성하는 트리즈 질의 생성부(103), 결정된 질의 유형이 미리 정의된 제2 유형인 경우 미리 정의된 기준에 따라 복수의 보정 질의 메시지들을 생성하는 비기계 질의 생성부(104), 및 생성된 복수의 질의 메시지들을 생성형 AI 운영 서버(300)에 제공하고, 생성형 AI 운영 서버(300)로부터 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득하는 생성형 AI 연동부(105)를 포함할 수 있다.
질의 수신부(101)는, 사용자 단말(200)로부터 질의 메시지를 수신할 수 있다. 이때, 도 3에서 도시하는 것과 같이 사용자 단말(200)은 사용자 단말(200)의 사용자에게 질문을 입력하는 사용자 인터페이스(QA, QL, QF)를 표시하고, 사용자 인터페이스를 통해 질의 메시지를 입력받아 질의 수신부(101)로 제공할 수 있다.
이때, 사용자 인터페이스(QL, QF)는, 사용자 단말(200)의 사용자에게 표시할 미리 정의된 키워드들을 제시하는 인터페이스(QL)를 포함할 수 있다. 예를 들어, 키워드들은 '주제', '문제점', 및 '개선'과 동의어이거나 그 유사어를 포함할 수 있다.
따라서, 질의 메시지는, 특정 주제에 대한 문제점과 그 개선에 관한 내용을 포함하도록 사용자에게 유도할 수 있다.
또한, 사용자 인터페이스는, 질의 메시지와 함께, 사용자 단말(200)의 사용자에게 피드백 답변을 추가로 제공할 피드백 주기를 입력받는 인터페이스(QF)를 더 포함할 수 있다. 해당 인터페이스(QF)를 통해 입력받은 피드백 주기가 서버(100)로 제공되면, 서버(100)는, 해당 사용자 단말(200)로부터 질의 메시지를 수신한 시점부터 피드백 주기마다 새로운 질의 메시지를 생성하고, 생성된 새로운 질의 메시지를 기반으로 도 1에서 설명한 절차와 동일한 방식으로 생성형 AI 운영 서버(300)와 연동하여 복수의 답변들을 획득하고, 획득된 복수의 답변들을 사용자 단말(200)에 제공하거나, 복수의 답변들 중에서 선정된 최적 답변을 사용자 단말(200)에 제공할 수 있다.
질의 유형 분류부(102)는, 사용자 단말(200)로부터 수신된 질의 메시지에 대하여 질의 유형을 분류할 수 있다.
예를 들어, 질의 유형은 미리 정의된 제1 유형과 제2 유형을 포함할 수 있다. 제1 유형은 기기, 장치, 기구, 회로 등과 같은 물리적 대상(예를 들어, 기계)를 '주제'로 하는 질의 메시지인 경우로서, 질의 유형 분류부(102)는, 해당 질의 메시지를 제1 유형으로 결정할 수 있다. 제2 유형은, 물리적 대상 이외의 비물리적 또는 관념적 대상을 '주제'로 하는 질의 메시지인 경우로서, 질의 유형 분류부(102)는, 해당 질의 메시지를 제2 유형으로 결정할 수 있다.
구체적인 예시로, 질의 유형 분류부(102)는, 질의 메시지에서 복수의 키워드들을 추출할 수 있다. 여기서 키워드는 질의 메시지를 구성하는 복수의 '단어'들로서, 미리 방대한 양의 단어들로 구성된 단어 사전 DB(database)을 구축하고 단어 사전에 수록된 단어와 동일한 단어를 키워드로서 추출하거나, 그 밖의 공지된 다양한 키워드 추출 알고리즘을 사용하여 통상의 기술자가 추출할 수 있다.
질의 유형 분류부(102)는, 질의 메시지에서 추출된 복수의 키워드들 각각을 임베딩 벡터로 변환할 수 있다. 키워드를 임베딩 벡터로 변환하는 기법은 널리 알려진 워드투벡터(Word2Vec)나 기타 다양한 임베딩 기법을 이용하여 통상의 기술자가 변환할 수 있다.
질의 유형 분류부(102)는, 임베딩 벡터로 변환된 복수의 키워드들 각각과 미리 구축한 기계 용어 사전에 정의된 용어들 각각의 임베딩 벡터를 서로 비교할 수 있다. 여기서 기계 용어 사전은 물리적 대상을 지칭하는 용어들을 정의한 데이터로서, 용어들 각각의 물리적 상하 개념을 트리 구조의 데이터로 나타내고(예를 들어, 상위 개념이 '빵'이면 빵의 재료인 '밀', '버터' 등을 하위 개념으로 하는 트리 구조), 각 용어별로 대칭적인 의미를 갖는 용어와 비대칭적 의미를 갖는 용어를 정의하고, 각 용어에 대응하는 범용적 표현에 해당하는 용어를 정의하는 등 해당 기계 용어 사전을 참조하여 본 발명에서 정의하는 트리즈 기법에 따른 41가지 유형들 각각으로 키워드를 치환 및/또는 추가하는 것이 가능하도록, 유형들 각각에 따른 치환 또는 추가 용어(치환 키워드로 지칭될 수 있음)를 정의할 수 있다.
또한, 기계 용어 사전은 각 용어들마다 유사한 의미나 기술분야에 해당할수록 유사한 값이 할당되도록 설정된 고유의 가중치가 정의될 수 있다. 가중치는 관리자가 유의어에 해당하거나 기술분야가 비슷할수록 서로 같은 값을 갖도록 설정하여 기계 용어 사전에 입력할 수 있다.
질의 유형 분류부(102)는, 복수의 키워드들 각각에 1:1로 대응되는 임베딩 벡터들의 크기와 각도를 기계 용어 사전에 정의된 용어들에 대해 변환된 임베딩 벡터들 각각의 크기와 각도 사이에 서로 비교하여 크기가 미리 설정된 임계 크기 이내이고, 각도가 미리 설정된 임계 각도 이내인 키워드들을 기계적 속성을 가진 용어들로 정의하고, 해당하는 용어들의 수를 카운트할 수 있다.
질의 유형 분류부(102)는, 카운트된 키워드들의 수가 복수의 키워드들 전체의 수에서 미리 설정된 최소 수량 이상인 경우, 질의 메시지를 제1 유형으로 결정할 수 있고, 제1 유형이 아닌 모든 질의 메시지를 제2 유형으로 결정할 수 있다.
트리즈 질의 생성부(103)는, 제1 유형으로 결정된 질의 메시지에 대하여 트리즈 기법 기반으로 복수의 보정 질의 메시지들을 생성할 수 있다.
도 4를 참조하면, 트리즈 기법은 질의 메시지를 구성하는 키워드를 변환 또는 추가하는 41가지 유형들로 정의될 수 있고, 트리즈 질의 생성부(103)는, 41 가지 유형들 각각을 질의 메시지에 적용하여 최대 41개 또는 그 이하(해당 유형에 따른 모든 키워드가 기계 용어 사전에 정의가 없는 경우)의 보정 질의 메시지들을 생성할 수 있다.
예를 들어, 트리즈 질의 생성부(103)는, 모수변화(Parameter changes)라는 기준을 적용하여 보정 질의 메시지를 생성하는 경우, 질의 메시지를 구성하는 키워드들 중에서 수치로 정의된 값을 랜덤하게 치환하거나, 키워드들 중에서 물리적 수치(parameter)가 없는 경우 키워드들 중 기계적 속성을 가진 용어들에 해당하는 키워드를 랜덤하게 선정하고, 선정된 키워드에 랜덤한 물리적 수치를 부여하여 모수 변화에 대응하는 보정 질의 메시지를 생성할 수 있다.
또 다른 예시로, 트리즈 질의 생성부(103)는, 분할(Segmentation)이라는 기준을 적용하여 보정 질의 메시지를 생성하는 경우, 질의 메시지를 구성하는 키워드들 중에서 기계적 속성을 가진 용어들을 선정하고, 선정된 키워드들 중 어느 하나를 랜덤하게 기계 용어 사전에 정의된 물리적 하위 개념의 키워드로 치환하여 보정 질의 메시지를 생성할 수 있다.
한편, 본 발명의 일 실시예에 따른 트리즈 질의 생성부(103)는, 41가지 유형의 하나로서 시간 나누기(Time division)을 포함하는 것을 특징으로 할 수 있다.
시간 나누기 유형에 대응하는 보정 질의 메시지를 생성하기 위해, 트리즈 질의 생성부(103)는, 질의 메시지에 연령과 시간에 대하여 미리 정의된 키워드들 중 어느 하나를 질의 메시지에 추가하여 보정 질의 메시지를 생성할 수 있다.
연령과 시간에 대해 미리 정의된 키워드들 각각은, 연령과 관련하여 1~100 사이의 나이나 10대, 20대 등의 연령대를 나타내는 단어이거나, 시간과 관련하여 아침, 점심, 저녁 등의 단어 또는 오전, 오후 등과 같이 시간대와 관련하여 일반적으로 사용하는 단어들로 정의될 수 있다.
비기계 질의 생성부(104)는, 제2 유형으로 결정된 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성할 수 있다. 일 실시예에서, 제2 유형으로 결정된 질의 메시지는 전술한 트리즈 기법에 따른 유형들 중 적어도 일부만 적용하여 보정 질의 메시지들을 생성할 수 있다. 다만, 반드시 이에 한정되는 것은 아니고, 트리즈 기법에 따른 유형들 중 일부를 적용하는 대신에 독자적인 기준에 따라 보정 질의 메시지들을 생성하는 것도 가능하며, 통상의 기술자가 자유롭게 변형 가능하다.
이를 위해, 비기계 질의 생성부(104)는, 비기계 용어 사전을 미리 정의하고, 구축하여 참조할 수 있다. 비기계 용어 사전은 물리적 대상 이외의 관념적 대상(예를 들어 무형의 금융 용어, 경제 용어 등)을 지칭하는 용어들을 정의한 데이터로서, 용어들 각각의 물리적 상하 개념을 트리 구조의 데이터로 나타내고(예를 들어, 상위 개념이 '금융'이면 금융을 상위 노드로 갖고 금융의 하위 개념인 '증시', '등락', '매수', '매도' 등을 금융의 하위 노드로 갖는 트리 구조일 수 있음), 각 용어별로 대칭적인 의미를 갖는 용어와 비대칭적 의미를 갖는 용어를 정의하고, 각 용어에 대응하는 범용적 표현에 해당하는 용어를 정의하는 등 해당 비기계 용어 사전을 참조하여 키워드를 치환 및/또는 추가하는 것이 가능하도록, 유형들 각각에 따른 치환 또는 추가를 위한 용어들(치환 키워드로 지칭될 수 있음)을 정의할 수 있다.
또한 비기계 용어 사전은 기계 용어 사전과 마찬가지로 각 용어들마다 유사한 의미나 사업분야(field)에 해당할수록 유사한 값이 할당되도록 설정된 고유의 가중치가 정의될 수 있다. 가중치는 관리자가 유의어에 해당하거나 사업분야가 비슷할수록 서로 같은 값을 갖도록 설정하여 비기계 용어 사전에 입력할 수 있다.
트리즈 질의 생성부(103) 및/또는 비기계 질의 생성부(104)는, 외부의 검색 서버(400)와 통신하여 부가정보를 획득하고, 획득된 부가정보를 이용하여 질의 메시지를 구성하는 키워드를 키환 또는 추가할 수도 있다.
여기서, 부가정보는 외부의 검색 서버(400)와 통신하여 질의 메시지에 포함된 키워드들 중 적어도 일부를 이용한 키워드 검색을 수행하고, 수행된 키워드 검색의 결과로 획득되는 문헌들 중 적어도 일부일 수 있다.
예를 들어, 모수변화(Parameter changes)라는 기준을 적용하여 보정 질의 메시지를 생성하는 경우, 트리즈 질의 생성부(103) 및/또는 비기계 질의 생성부(104)는, 질의 메시지를 구성하는 키워드들 중에서 수치로 정의된 값과 질의 메시지 내에서의 글자 거리상 인접한 적어도 하나 이상의 키워드를 선정하고, 선정된 키워드를 이용하여 외부의 검색 서버(400)를 통해 키워드 검색을 실시할 수 있다. 트리즈 질의 생성부(103) 및/또는 비기계 질의 생성부(104)는, 키워드 검색을 통해 검색되는 문헌들에서 앞서 선정된 키워드와 미리 설정된 인접 거리 이내에 위치하는 수치들 중 하나로 질의 메시지를 구성하는 수치를 치환할 수 있다. 예를 들어, 트리즈 질의 생성부(103) 및/또는 비기계 질의 생성부(104)는, 인접 거리 이내에 위치하는 수치들 중 가장 검색된 빈도수가 많은 수치로 치환하거나, 검색된 빈도수가 미리 설정된 기준값 이상인 수치들의 평균값이나 중간값으로 치환할 수도 있다.
생성형 AI 연동부(105)는, 생성된 보정 질의 메시지들을 생성형 AI 운영 서버(300)에 전송하고, 생성형 AI 운영 서버(300)로부터 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득할 수 있다.
최적 답변 선정부(106)는, 획득된 복수의 답변들 중에서 사용자가 초기에 제공한 질의 메시지에 대한 응답으로 가장 적합한 최적 답변을 소정의 기준에 따라 선정하고, 선정된 최적 답변을 사용자 단말(200)에 제공할 수 있다.
일 실시예에서, 최적 답변 선정부(106)는, 복수의 답변들 각각에서 개별적으로 키워드들을 추출하고, 추출된 키워드들을 서로 비교하여 복수의 답변들 각각에 공통되지 않은 제1 키워드들을 먼저 선정할 수 있다.
다음으로, 최적 답변 선정부(106)는, 선정된 제1 키워드들과의 질의 메시지를 구성하는 제2 키워드들 사이에 비교를 수행하고, 비교 결과에 따라 제1 키워드들 중 미리 정의된 조건을 만족하는 제3 키워드들이 가장 많은 포함된 답변을 최적 답변으로 선정할 수 있다. 즉, 제1 키워드들이 p개, 제2 키워드들이 q개 있는 경우, 제1 키워드 하나당 q개의 제2 키워드들 각각과 1:1 비교가 수행될 수 있다.
예를 들어, 최적 답변 선정부(106)는, 선정된 제1 키워드들 각각을 임베딩 벡터로 변환하고, 선정된 제2 키워드들 각각을 임베딩 벡터로 변환한 후, 하기 수학식 1에 따라 정의된 임베딩 웨이트 값을 제1 키워드와 제2 키워드 각각에 대해 산출할 수 있다.
수학식 1에서, βWj는 제1 키워드 또는 제2 키워드에 대응하는 임베딩 웨이트 값이고, Wj는 키워드들 각각에 대하여 기계 용어 사전 또는 비기계 용어 사전에 정의된 가중치 상수이다. yj는 j번째 제1 키워드 또는 제2 키워드를 임베딩 벡터로 변환했을 때, 변환된 임베딩 벡터의 크기를 의미할 수 있고, bisj는 j번째 제1 키워드의 임베딩 웨이트 값을 구할 때 제1 키워드가 속하는 답변의 총 길이(글자의 갯수)에서 제1 키워드가 차지하는 길이의 비율이고, j번째 제2 키워드의 임베딩 웨이트 값을 구할 때에는 제2 키워드가 속하는 질의 메시지의 총 길이(글자의 개수)에서 제2 키워드가 차지하는 길이의 비율이다.
최적 답변 선정부(106)는, 산출된 임베딩 웨이트 값을 제1 키워드와 제2 키워드 사이에 비교하여 제1 키워드의 임베딩 웨이트 값과 제2 키워드의 임베딩 웨이트 값 사이의 차분값을 산출하고, 산출된 차분값이 미리 설정된 기준 차준값 이하인 제2 키워드가 존재하는 경우, 이에 해당하는 제1 키워드를 제3 키워드로 선정할 수 있다. 즉, 최적 답변 선정부(106)는, 제1 키워드마다 제2 키워드들과 하나씩 비교를 통해 임베딩 웨이트 값의 차분값을 산출하고, 산출된 차분값이 미리 설정된 기준 차분값 이하인 제2 키워드가 존재하면, 이에 해당하는 제1 키워드를 제3 키워드로 선정할 수 있다.
도 5는 일 실시예에 따른 기계 용어 사전 또는 비기계 용어 사전을 갱신하는 과정을 설명하기 위한 개념도이다.
기계 용어 사전 및 비기계 용어 사전에 모든 키워드들 각각에 대해 치환 또는 추가할 키워드를 유형별로 정의하는 것은 매우 방대한 노력이 요구되고, 이는 서비스의 안정적 실시를 저해하는 요소로 작용할 수 있다.
이를 해소하기 위하여 본 발명의 일 실시예에 따른 특정 사용자의 사용자 단말(200)이 미리 설정된 시간 간격(예를 들면 5 내지 10분 등) 내에서 연속적으로 복수의 질의 메시지들을 서버(100)가 수신한 경우(S100), 서버(100)는, 연속적으로 제공된 복수의 질의 메시지들을 기반으로 기계 용어 사전 및 비기계 용어 사전을 갱신하는 사전 갱신 관리부(107)를 더 포함할 수 있다.
구체적인 실시예로, 질의 유형 분류부(102)는, 연속적으로 제공된 복수의 질의 메시지들 각각의 유형을 제1 유형과 제2 유형 중 하나로 분류할 수 있다(S110). 여기서 유형 분류 방법은 전술한 방법에 따를 수 있다.
사전 갱신 관리부(107)는, 연속적으로 제공된 복수의 질의 메시지들 중 제1 유형으로 분류된 제1 질의 메시지가 복수개인 경우, 복수개의 제1 질의 메시지들을 서로 비교한 결과에 따라 기계 용어 사전을 갱신할 수 있다.
사전 갱신 관리부(107)는, 복수개의 제1 질의 메시지들에서 시간적으로 인접하게 제공된 2개의 제1 질의 메시지들끼리 서로 비교(S120)하여 2개의 제1 질의 메시지들 사이에 공통적으로 포함하고 있는 제4 키워드의 개수를 산출할 수 있다(S130).
사전 갱신 관리부(107)는, 산출된 제4 키워드의 소정의 조건을 만족하는 경우, 상기 2개의 제1 질의 메시지들을 제1-1 질의 메시지들로 선정할 수 있다(S140).
구체적으로, 사전 갱신 관리부(107)는, 산출된 제4 키워드의 개수가 2개의 제1 질의 메시지들 중 길이가 짧은 제1 질의 메시지에 포함된 키워드의 총 갯수에서 미리 설정된 비율(여기서 비율은 80% 내지 90% 사이에서 정의되는 것이 바람직할 수 있음)보다 더 많은 경우, 상기 2개의 제1 질의 메시지들을 제1-1 질의 메시지들로 선정할 수 있다. 여기서, 제1-1 질의 메시지들은 키워드들 사이에 공통성이 높은 질의 메시지로서 사용자가 질의를 조금 더 조정하기 위하여 같은 의도로 질의한 메시지들로 볼 수 있다.
사전 갱신 관리부(107)는, 선정된 제1-1 질의 메시지들에 포함된 키워드들을 이용하여 기계 용어 사전을 갱신할 수 있다(S150)
사전 갱신 관리부(107)는, 선정된 제1-1 질의 메시지들 각각에서 키워드들을 추출하고, 추출된 키워드들 중에서 시간적으로 인접하게 제공된 2개의 제1-1 질의 메시지들 사이에 공통적으로 포함되지 않는 제4 키워드들만을 선정할 수 있다. 여기서 공통적으로 포함되지 않는 제4 키워드들은 사용자가 반복적으로 질의 메시지를 전달하면서 앞선 질의 메시지에 있는 기존의 키워드를 다른 키워드로 변경하거나 추가한 키워드로서 사용자가 질의 메시지의 질의 형태를 변경한 의도가 반영되어 있는 키워드에 해당할 수 있다.
사전 갱신 관리부(107)는, 제4 키워드들 중에서 기계 용어 사전에 정의되어 있는 제5 키워드들의 경우, 기계 용어 사전에 정의된 해당 제5 키워드의 가중치를 미리 설정된 값만큼 높게 갱신할 수 있다.
또한, 사전 갱신 관리부(107)는, 제4 키워드들 중에서 기계 용어 사전에 정의되어 있지 않은 제6 키워드들의 경우, 제6 키워드가 속하는 제1-1 질의 메시지와 시간적으로 바로 앞선 제1-1 질의 메시지에 포함된 키워드들 중 제5 키워드가 있는지 판단하고, 제5 키워드가 있는 경우, 제5 키워드에 대한 치환 키워드로서 제6 키워드를 기계 용어 사전에 추가할 수 있다. 여기서 추가되는 제6 키워드는 기계 용어 사전에서 41가지 유형들 중 치환할 키워드가 정의되어 있지 않은 경우, 제6 키워드가 치환할 키워드로서 대체 선정되도록 구성될 수 있다.
또한, 사전 갱신 관리부(107)는, 제6 키워드가 속하는 제1-1 질의 메시지와 시간적으로 바로 앞선 제1-1 질의 메시지에 포함된 키워드들 중 제5 키워드가 있는지 판단하고, 제5 키워드가 없는 경우, 상기 시간적으로 바로 앞선 제-1 질의 메시지에 포함된 제6 키워드를 선정하고, 선정된 제6 키워드의 치환 키워드로서 상기 시간적으로 바로 앞선 제-1 질의 메시지와 시간적으로 바로 뒤에 있는 제1-1 질의 메시지에 포함된 제6 키워드를 기계 용어 사전에 추가할 수 있다.
전술한 순차적 절차들에서 앞서 정의한 경우(조건)들 중 어느 하나를 만족하지 않는 경우 해당 질의 메시지들을 대상으로 하는 갱신 절차가 종료되는 것으로 해석될 수 있다.
한편, 사전 갱신 관리부(107)는, 연속적으로 제공된 복수의 질의 메시지들 중 제2 유형으로 분류된 제2 질의 메시지가 복수개인 경우, 복수개의 제2 질의 메시지들을 서로 비교한 결과에 따라 비기계 용어 사전을 갱신할 수 있다.
비기계 용어 사전을 갱신하는 과정은 전술한 기계 용어 사전을 갱신하는 절차와 마찬가지로 제1 질의 메시지들을 제2 질의 메시지들로 대체 해석하여 적용될 수 있으며, 동일한 방식이므로 중복 설명을 방지하기 위하여 구체적인 설명은 생략한다.
다만 전술한 방식에 한정되는 것은 아니며, 각 유형별로 기계 용어 사전 및 비기계 용어 사전에 정의된 키워드를 치환 또는 추가할 키워드를 예측하는 인공신경망을 통상의 기술자가 공지된 인공신경망의 입출력 구조를 변경 및 지도학습시켜 사용할 수도 있다.
도 6은 일 실시예에 따른 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.
도 6을 참조하면, 서버(100)는, 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(120)를 포함할 수 있다.
상기 적어도 하나의 동작은 전술한 서버(100)의 동작이나 기능들 중 적어도 하나를 포함하는 것으로 해석되며, 중복 설명을 방지하기 위하여 구체적인 설명은 생략된다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(120)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고,
서버(100)는, 상기 적어도 하나의 동작을 수행하기 위한 임시 데이터, 초기 입력 데이터, 중간 처리 데이터, 출력 데이터 등을 저장하는 저장 장치(160)를 더 포함할 수 있다.
저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 서버(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 서버(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150) 등을 더 포함할 수 있다. 서버(100)에 포함된 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 서버
101: 질의 수신부
102: 질의 유형 분류부
103: 트리즈 질의 생성부
104: 비기계 질의 생성부
105: 생성형 AI 연동부
106: 최적 답변 선정부
107: 사전 갱신 관리부
110: 프로세서
120: 메모리
130: 송수신 장치
140: 입력 인터페이스 장치
150: 출력 인터페이스 장치
160: 저장 장치
170: 버스
200: 사용자 단말
300: 생성형 AI 운영 서버
400: 외부 검색 서버

Claims (5)

  1. 생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버로서,
    사용자 단말로부터 질의 메시지를 수신하는 질의 수신부;
    수신된 상기 질의 메시지에 대응하는 질의 유형을 결정하는 질의 유형 분류부;
    결정된 질의 유형이 미리 정의된 제1 유형인 경우 트리즈 기법 기반으로 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 트리즈 질의 생성부;
    결정된 질의 유형이 미리 정의된 제2 유형인 경우 미리 정의된 기준에 따라 상기 질의 메시지를 가공하여 복수의 보정 질의 메시지들을 생성하는 비기계 질의 생성부; 및
    생성된 상기 복수의 질의 메시지들을 생성형 AI 운영 서버에 제공하고, 상기 생성형 AI 운영 서버로부터 상기 복수의 보정 질의 메시지들 각각에 대응하는 복수의 답변들을 획득하는 생성형 AI 연동부;를 포함하고,
    상기 질의 유형 분류부는,
    상기 질의 메시지에서 복수의 키워드들을 추출하고, 추출된 복수의 키워드들 각각을 임베딩 벡터로 변환하고, 임베딩 벡터로 변환된 복수의 키워드들 각각과 미리 구축한 기계 용어 사전에 정의된 용어들 각각의 임베딩 벡터를 서로 비교하고,
    상기 트리즈 질의 생성부는,
    상기 제1 유형으로 결정된 질의 메시지에 대하여 트리즈 기법 기반으로 상기 복수의 보정 질의 메시지들을 생성하되,
    상기 트리즈 기법은, 시간 나누기 유형을 포함하고,
    상기 시간 나누기 유형에 대응하는 보정 질의 메시지를 생성하기 위해 상기 트리즈 질의 생성부는, 상기 질의 메시지에 연령과 시간에 대해 미리 정의된 키워드들 중 어느 하나를 상기 질의 메시지에 추가하여 보정 질의 메시지를 생성하는,
    생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버.
  2. 청구항 1에서,
    상기 질의 수신부는,
    상기 사용자 단말이 상기 사용자 단말의 사용자에게 표시한 사용자 인터페이스를 통해 상기 사용자가 입력한 상기 질의 메시지를 획득하되,
    상기 사용자 인터페이스는, 상기 사용자에게 표시할 미리 정의된 키워드들을 제시하는 인터페이스를 포함하며, 상기 키워드들은 '주제', '문제점', 및 '개선'과 동의어이거나 그 유사어를 포함하는,
    생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버.
  3. 삭제
  4. 삭제
  5. 청구항 1에서,
    상기 기계 용어 사전은,
    물리적 대상을 지칭하는 용어들을 정의한 데이터로서, 상기 용어들 각각의 물리적 상하 개념을 트리 구조의 데이터로 나타내고, 상기 트리즈 기법에 따른 41가지 유형들 각각에 대해 키워드를 치환 또는 추가하는 것이 가능하도록, 키워드별로 치환 키워드를 정의한 데이터인,
    생성형 AI를 활용하여 문제해결을 최적화하기 위한 서버.
KR1020230137647A 2023-10-16 2023-10-16 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법 KR102641660B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230137647A KR102641660B1 (ko) 2023-10-16 2023-10-16 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230137647A KR102641660B1 (ko) 2023-10-16 2023-10-16 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법

Publications (1)

Publication Number Publication Date
KR102641660B1 true KR102641660B1 (ko) 2024-02-27

Family

ID=90058405

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230137647A KR102641660B1 (ko) 2023-10-16 2023-10-16 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법

Country Status (1)

Country Link
KR (1) KR102641660B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150031598A (ko) * 2013-09-16 2015-03-25 신정호 트리즈 솔루션 어플리케이션의 실행방법
KR101928060B1 (ko) * 2017-12-01 2018-12-11 사회복지법인 삼성생명공익재단 아이디어 확장 방법, 시스템 및 컴퓨터 판독 가능한 기록매체
KR20210057308A (ko) * 2019-11-12 2021-05-21 주식회사 테서 머신러닝에 기반한 챗봇 서비스 제공방법 및 시스템
KR102262035B1 (ko) * 2020-12-03 2021-06-09 주식회사 인조이웍스 비대면 행정민원서비스에 최적화된 음성인식 인공지능 챗봇 서비스 제공 시스템
KR102281161B1 (ko) * 2021-05-25 2021-07-23 주식회사 무하유 자기소개서를 기반으로 면접 질문을 생성하는 서버 및 방법
KR20210098135A (ko) * 2020-01-31 2021-08-10 주식회사 케이티 질의 데이터를 분석하는 질의 분석 장치, 방법 및 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150031598A (ko) * 2013-09-16 2015-03-25 신정호 트리즈 솔루션 어플리케이션의 실행방법
KR101928060B1 (ko) * 2017-12-01 2018-12-11 사회복지법인 삼성생명공익재단 아이디어 확장 방법, 시스템 및 컴퓨터 판독 가능한 기록매체
KR20210057308A (ko) * 2019-11-12 2021-05-21 주식회사 테서 머신러닝에 기반한 챗봇 서비스 제공방법 및 시스템
KR20210098135A (ko) * 2020-01-31 2021-08-10 주식회사 케이티 질의 데이터를 분석하는 질의 분석 장치, 방법 및 컴퓨터 프로그램
KR102262035B1 (ko) * 2020-12-03 2021-06-09 주식회사 인조이웍스 비대면 행정민원서비스에 최적화된 음성인식 인공지능 챗봇 서비스 제공 시스템
KR102281161B1 (ko) * 2021-05-25 2021-07-23 주식회사 무하유 자기소개서를 기반으로 면접 질문을 생성하는 서버 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TRIZ | Theory of Inventive Problem Solving | 40 Principles | ENGINEERING STUDY MATERIALS,https://www.youtube.com/watch?v=1DoYeT74RJU (2019.6.4) *
김은경 외, 트리즈를 활용한 소프트웨어 개발에 관한 연구, 한국정보통신학회논문지 V.18 No.3, pp.719-726 (2014) *

Similar Documents

Publication Publication Date Title
US11593894B2 (en) Interest recommendation method, computer device, and storage medium
US20210256403A1 (en) Recommendation method and apparatus
CN107436875B (zh) 文本分类方法及装置
US10692006B1 (en) Crowdsourced chatbot answers
US20070112719A1 (en) System and method for dynamically generating and managing an online context-driven interactive social network
Kopparapu et al. Fedcd: Improving performance in non-iid federated learning
US8051027B2 (en) Method and system for transitioning from a case-based classifier system to a rule-based classifier system
CN109471978B (zh) 一种电子资源推荐方法及装置
CN106774975B (zh) 输入方法和装置
US20150046152A1 (en) Determining concept blocks based on context
KR102371329B1 (ko) 과학기술 지식정보의 추천을 위한 운영컴퓨터, 과학기술 지식정보 추천 시스템 및 그 방법
US9129216B1 (en) System, method and apparatus for computer aided association of relevant images with text
CN113408706B (zh) 训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置
GB2528595A (en) Method for user categorization in social media, computer program, and computer
Yuvaraj et al. Twitter sentiment classification using binary shuffled frog algorithm
Liu et al. Evolving graph construction for successive recommendation in event-based social networks
KR20170027576A (ko) 연구 이력 매칭 기반의 연구자 추천 장치 및 방법
CN114036398A (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
EP2613275B1 (en) Search device, search method, search program, and computer-readable memory medium for recording search program
CN111967599A (zh) 用于训练模型的方法、装置、电子设备及可读存储介质
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
US8738628B2 (en) Community profiling for social media
KR102641660B1 (ko) 생성형 ai를 활용하여 문제해결을 최적화하기 위한 서버 및 그 동작방법
TW202324186A (zh) 對話代理反事實模擬
KR102454261B1 (ko) 사용자 정보 기반 협업 파트너 추천 시스템 및 그 방법

Legal Events

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