KR102645690B1 - 노드에 대응되는 인공지능 기반의 모델을 제공하기 위한 방법 및 디바이스 - Google Patents

Abstract

본 개시내용의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법이 개시된다. 상기 방법은, 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계, 상기 타겟 모델을 결정하는 것에 응답하여, 상기 컨버팅 또는 상기 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 상기 타겟 모델이 실행되었을 때 상기 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하는 단계, 상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계, 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계를 포함할 수 있다.

Description

노드에 대응되는 인공지능 기반의 모델을 제공하기 위한 방법 및 디바이스{DEVICE AND METHOD FOR PROVIDING ARTIFICIAL INTELLIGENCE BASED MODEL CORRESPONDING TO NODE}

본 개시내용은 인공지능 기술에 관한 것으로 보다 구체적으로 노드에 적합한 인공지능 기반의 모델을 제공하는 기술에 관한 것이다.

인공지능 기술의 발전으로 인해, 다양한 형태의 인공지능 기반의 모델이 개발되고 있다. 다양한 인공지능 기반의 모델들을 처리하기 위한 연산 자원에 대한 요구 또한 증가하고 있으며, 관련 산업 내에서도 새로운 능력을 가지는 하드웨어들의 개발이 지속적으로 이루어지고 있다.

개인용 컴퓨터, 스마트폰, 자동차, 웨어러블 장치 및 로봇 등과 같은 네트워크 상에서의 단말들에서 직접적인 연산이 이루어질 수 있는 엣지(edge) 인공지능에 대한 수요가 증가함에 따라, 하드웨어 리소스를 고려한 인공지능 기반의 모델에 대한 연구가 이루어지고 있다.

이처럼 엣지 인공지능 기술의 발전과 함께 인공지능 기술 분야에서 하드웨어에 대한 중요성이 커짐에 따라, 인공지능 기반 솔루션을 개발하고 런칭하기 위해서는, 인공지능 기반의 모델 뿐만 아니라 인공지능 기반의 모델이 실행될 다양한 하드웨어에 대한 충분한 지식 또한 함께 요구된다. 예를 들어, 특정 도메인에서 뛰어난 성능을 가지는 모델이 존재하더라도, 이러한 모델에 대한 추론 성능이 모델이 실행될 하드웨어 별로 상이할 수 있다. 특정 도메인에서 최적의 성능을 보유한 모델이 서비스가 제공될 특정 하드웨어에서 지원되지 않는 상황 또한 존재할 수 있다. 이에 따라, 제공하고자 하는 서비스에 적합한 인공지능 기반의 모델과 인공지능 기반의 모델에 적합한 하드웨어를 함께 결정하기 위해서는 인공지능 기술과 하드웨어 기술에 대한 높은 수준의 배경 지식과 방대한 양의 리소스가 요구될 수 있다.

미국 특허공개 번호 제2022-0121927호

본 개시내용은 전술한 배경기술에 대응하여 안출된 것으로, 특정 노드에 적합한 인공지능 기반의 모델을 효율적으로 제공하기 위함이다.

본 개시내용은 전술한 배경기술에 대응하여 안출된 것으로, 특정 노드에서 특정 모델의 벤치마크 결과를 효율적으로 제공하기 위함이다.

본 개시내용의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 개시내용의 일 실시예에 따라, 컴퓨팅 디바이스에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법이 개시된다. 상기 방법은: 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계, 상기 타겟 모델을 결정하는 것에 응답하여, 상기 컨버팅 또는 상기 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 상기 타겟 모델이 실행되었을 때 상기 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하는 단계, 상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계, 및 상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계를 포함할 수 있다.

일 실시예에서, 상기 후보 모델 리스트는: 상기 복수의 후보 모델들의 인공지능 태스크(task)를 식별하는 정보, 및 상기 복수의 후보 모델들의 오브젝트(object)를 식별하는 정보를 포함할 수 있다. 상기 후보 모델 리스트에 포함된 후보 모델들 각각은 task-object로 특정되어 구분될 수 있다.

일 실시예에서, 상기 후보 노드 리스트는, 상기 복수의 후보 노드를 식별하는 식별 정보 및 상기 복수의 후보 노드들 각각에서 실행되는 상기 타겟 모델에 대한 벤치마크 정보를 포함할 수 있다. 상기 후보 노드 리스트에 포함된 상기 벤치마크 정보는 상기 결정된 타겟 모델과 연동될 수 있다.

일 실시예에서, 상기 방법은, 상기 타겟 노드에서 상기 컨버팅된 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공하는 단계를 더 포함할 수 있다.

일 실시예에서, 상기 컨버팅된 타겟 모델은, 상기 후보 노드 리스트 상에서 상기 타겟 노드를 선택하는 상기 제 2 사용자 입력에 응답하여 자동으로 생성될 수 있다.

일 실시예에서, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계는: 상기 타겟 노드에 기초하여 상기 타겟 모델이 컨버팅될 타겟 프레임워크를 결정하고, 그리고 상기 타겟 프레임워크에 대응되는 소프트웨어 버전 정보 및 출력 데이터 타입을 표시하는 단계; 및 상기 타겟 모델을 컨버팅하고자 하는 제 3 사용자 입력에 응답하여, 상기 타겟 모델을 상기 타겟 노드에서 지원가능한 타겟 프레임워크에 대응되도록 컨버팅하는 단계를 포함할 수 있다.

일 실시예에서, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계는: 상기 타겟 노드에 기초하여 상기 타겟 모델이 컨버팅될 타겟 프레임워크를 결정하고, 그리고 상기 타겟 프레임워크에 대응되는 배치 크기(batch size), 채널 정보 및 입력 크기를 표시하는 단계; 및 상기 타겟 모델을 컨버팅하고자 하는 제 3 사용자 입력에 응답하여, 상기 타겟 모델을 상기 타겟 노드에서 지원가능한 타겟 프레임워크에 대응되도록 컨버팅하는 단계를 포함할 수 있다.

일 실시예에서, 상기 후보 모델 리스트는, 상기 후보 모델들 각각의 동작을 시각적으로 표시하기 위한 대표 이미지를 더 포함할 수 있다.

일 실시예에서, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 단계는, 상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 단계를 포함할 수 있다.

일 실시예에서, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 단계는, 상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 단계를 포함할 수 있다.

일 실시예에서, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 단계는, 상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델의 동작을 시각적으로 설명하기 위한 동영상 정보, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 단계를 포함할 수 있다.

일 실시예에서, 상기 모델 성능 정보는:상기 타겟 모델의 크기(size) 정보 및 상기 타겟 모델의 정확성(accuracy)을 나타내는 정보를 포함할 수 있다.

일 실시예에서, 상기 벤치마크 정보는: 상기 후보 노드들 각각을 식별하기 위한 정보, 및 상기 타겟 모델이 실행되는 경우 상기 후보 노드들 각각에 대한 레이턴시 정보(latency information)를 포함할 수 있다.

일 실시예에서, 상기 벤치마크 정보는, 상기 타겟 모델이 실행되는 경우 상기 후보 노드들 각각에 대한 레이턴시 정보와 상기 후보 노드들 각각을 식별하기 위한 정보를 그래프 형태로 시각적으로 표현한 자료 구조일 수 있다.

일 실시예에서, 상기 벤치마크 정보는, 상기 제 1 사용자 입력 이전에 실측 과정을 통해 획득된 정보에 기초하여 생성될 수 있다.

일 실시예에서, 상기 방법은 상기 컨버팅된 타겟 모델을 다운로드 가능한 형식으로 제공하는 단계를 더 포함할 수 있다.

일 실시예에서, 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 디바이스에 의해 실행 시 상기 컴퓨팅 디바이스로 하여금 인공지능 기반의 모델을 제공하기 위하여 이하의 동작들을 수행하도록 할 수 있다. 상기 동작들은: 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 동작, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 동작, 상기 타겟 모델을 결정하는 것에 응답하여, 상기 컨버팅 또는 상기 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 상기 타겟 모델이 실행되었을 때 상기 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하는 동작, 상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 동작, 및 상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 동작을 포함할 수 있다.

일 실시예에서, 인공지능 기반의 모델을 제공하기 위한 컴퓨팅 디바이스가 개시된다. 상기 컴퓨팅 디바이스는, 적어도 하나의 프로세서 및 메모리를 포함할 수 있다. 상기 적어도 하나의 프로세서는: 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하고, 상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하고, 상기 타겟 모델을 결정하는 것에 응답하여, 상기 컨버팅 또는 상기 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 상기 타겟 모델이 실행되었을 때 상기 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하고, 상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하고 그리고 상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅할 수 있다.

본 개시내용의 일 실시예에 따른 기법은, 특정 노드에 적합한 인공지능 기반의 모델을 효율적으로 제공할 수 있다.

본 개시내용의 일 실시예에 따른 기법은, 특정 노드에서 특정 모델의 벤치마크 결과를 효율적일 방식으로 제공할 수 있다.

도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 디바이스의 블록 구성도를 개략적으로 도시한다.
도 2는 본 개시내용의 일 실시예에 따른 실시예에 따른 인공지능 기반의 모델의 예시적인 구조를 도시한다.
도 3은 본 개시내용의 일 실시예에 따른 벤치마크 결과를 제공하기 위한 시스템에 대한 예시적인 개략도를 도시한다.
도 4는 본 개시내용의 일 실시예에 따른 벤치마크 결과를 제공하기 위한 방법을 예시적으로 도시한다.
도 5는 본 개시내용의 일 실시예에 따른 후보 모델 리스트를 예시적으로 도시한다.
도 6은 본 개시내용의 일 실시예에 따라 제공되는 타겟 모델에 대한 정보를 예시적으로 도시한다.
도 7은 본 개시내용의 일 실시예에 따른 후보 노드 리스트를 예시적으로 도시한다.
도 8은 본 개시내용의 일 실시예에 따라 컨버팅된 타겟 모델을 제공하는 방법을 예시적으로 도시한다.
도 9는 본 개시내용의 일 실시예에 따라 제공되는 컨버팅에 대한 정보를 예시적으로 도시한다.
도 10은 본 개시내용의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.

다양한 실시예들이 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시내용의 이해를 제공하기 위해서 제시된다. 본 개시내용의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 개시내용의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. 또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

본 명세서에서 사용되는 용어 "모듈", "시스템" 등은, 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭하며 그리고 상호 교환 가능하게 사용될 수 있다. 예를 들어, 모듈은 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 애플리케이션 및/또는 컴퓨팅 디바이스일 수 있지만, 이들로 제한되는 것은 아니다. 하나 이상의 모듈은 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 모듈은 하나의 컴퓨터 내에 로컬화 될 수 있다. 하나의 모듈이 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 모듈들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 모듈들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는" 그리고 “적어도 하나” 라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다. 예를 들어, "A 또는 B 중 적어도 하나" 또는 “A 및 B 중 적어도 하나” 라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시내용에서의 제 1, 제 2, 또는 제 3 과 같이 제 N 으로 표현되는 용어들은 적어도 하나의 엔티티들을 구분하기 위해 사용된다. 예를 들어, 제 1 과 제 2로 표현된 엔티티들은 서로 동일하거나 또는 상이할 수 있다.

본 개시내용에서 사용되는 용어 "벤치마크(benchmark)"는 모델을 노드에서 실행하는 또는 테스트하는 동작, 또는 모델의 노드에 대한 성능을 측정하는 동작을 의미할 수 있다. 본 개시내용에서의, 벤치마크 결과 또는 벤치마크 결과 정보는 벤치마크에 따라 획득되는 정보 또는 벤치마크에 따라 획득되는 정보를 가공한 정보를 포함할 수 있다.

본 개시내용에서 사용되는 용어 "인공지능 기반의 모델"은 후보 모델, 타겟 모델, 인공지능 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network) 및 모델과 상호 교환 가능하게 사용될 수 있다. 본 개시내용에서의 모델은 모델 파일 및/또는 모델 타입 정보를 포괄하는 의미로 사용될 수 있다. 본 개시내용에서의 모델은 모델을 식별하기 위한 임의의 형태의 정보를 포함할 수 있다. 일 실시예에서, 모델 타입 정보는 모델의 실행환경 또는 프레임워크 또는 타입을 식별하기 위한 정보를 의미할 수 있다. 예를 들어, TensorRT, Tflite 및 Onnxruntime이 모델 타입 정보에 포함될 수 있다.

본 개시내용에서 사용되는 용어 "노드"는 모델에 대한 벤치마크의 대상이 되는 하드웨어 정보에 대응될 수 있다. 이러한 하드웨어 정보는 물리적 하드웨어, 가상 하드웨어, 외부에서 네트워크 접근이 불가능한 하드웨어, 외부에서 확인이 불가능한 하드웨어 및/또는 클라우드 내에서 확인되는 하드웨어를 포괄하는 의미로 사용될 수 있다. 예를 들어, 본 개시내용에서의 노드는 RaspberryPi, Coral, Jetson-Nano, AVH RasberryPi 및 Mobile 등과 같은 다양한 형태의 하드웨어를 포함할 수 있다.

본 개시내용에서 인공지능 기반의 모델 내에서의 노드는 신경망을 구성하는 컴포넌트를 의미하도록 사용될 수 있으며, 예를 들어 신경망 내에서의 노드는 뉴런과 대응될 수 있다.

도 1은 본 개시내용의 일 실시예에 따른 컴퓨팅 디바이스(100)의 블록 구성도를 개략적으로 도시한다.

본 개시내용의 일 실시예에 따른 컴퓨팅 디바이스(100)는 프로세서(110) 및 메모리(130)를 포함할 수 있다.

도 1에 도시된 컴퓨팅 디바이스(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 디바이스(100)는 컴퓨팅 디바이스(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 디바이스(100)를 구성할 수도 있다.

본 개시내용에서의 컴퓨팅 디바이스(100)는 컴퓨팅 장치와 상호 교환 가능하게 사용될 수 있으며, 컴퓨팅 디바이스(100)는 임의의 형태의 서버 및 임의의 형태의 단말을 포괄하는 의미로 사용될 수 있다.

본 개시내용에서의 컴퓨팅 디바이스(100)는 본 개시내용의 실시예들을 구현하기 위한 시스템을 구성하는 임의의 형태의 컴포넌트를 의미할 수 있다.

컴퓨팅 디바이스(100)는 임의의 형태의 사용자 단말 또는 임의의 형태의 서버를 의미할 수 있다. 전술한 컴퓨팅 디바이스(100)의 컴포넌트들은 예시적인 것으로 일부가 제외될 수 있거나 또는 추가 컴포넌트가 포함될 수도 있다. 일례로, 전술한 컴퓨팅 디바이스(100)가 사용자 단말을 포함하는 경우, 출력부(미도시) 및 입력부(미도시)가 상기 컴퓨팅 디바이스(100)의 범위 내에 포함될 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 복수의 노드들과 통신하여 특정된 인공지능 기반의 모델의 복수의 노드들에 대한 벤치마크를 관리 및/또는 수행하는 장치를 의미할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 Device Farm 지칭될 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트에 기초하여 벤치마크의 대상이 되는 타겟 모델을 결정하고, 그리고 복수의 후보 노드들을 포함하는 후보 노드 리스트에 기초하여 벤치마크의 대상이 되는 타겟 노드를 결정할 수 있다. 이러한 예시에서, 컴퓨팅 디바이스(100)는 타겟 노드에서 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델을 타겟 노드에서 지원 가능한 모델로 컨버팅하는 동작을 수행할 수 있다. 컴퓨팅 디바이스(100)는 컨버팅된 타겟 모델을 다운로드 가능한 형태로 제공할 수 있다. 컴퓨팅 디바이스(100)는 타겟 노드에서 컨버팅된 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 사용자와 상호작용하여 학습 모델을 생성하고, 압축된 모델을 생성하고 그리고 모델의 디플로이를 위한 다운로드 데이터를 생성하는 장치를 의미할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 인공지능 기반의 모델의 복수의 노드들에 대한 벤치마크를 관리 및/또는 수행하고, 사용자와 상호작용하여 학습 모델을 생성하고, 압축된 모델을 생성하고 그리고 모델의 디플로이를 위한 다운로드 데이터를 생성하는 장치를 의미할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 입력된 데이터셋에 대한 모델링을 통해 학습 모델을 생성하고, 입력된 모델에 대한 압축을 통해 경량화 모델을 생성하고 그리고/또는 입력된 모델이 특정 노드에서 디플로이될 수 있도록 다운로드 데이터를 생성하는 장치를 의미할 수도 있다. 본 개시내용에서, 디플로이(deploy) 또는 디플로이먼트(deployment)는 소프트웨어(예컨대, 모델)를 이용 가능하게 하는 임의의 종류의 활동을 의미할 수 있다. 예를 들어, 디플로이 또는 디플로이먼트는 모델 또는 노드의 특정 요구사항이나 특성에 따라 커스터마이징되는 전반적인 과정으로 해석될 수 있다. 이러한 디플로이 또는 디플로이먼트에 대한 예시로, 릴리즈, 설치 및 활성화, 비활성화, 제거, 업데이트, 빌트인 업데이트, 각색 및/또는 버전 추적 등이 존재할 수 있다.

본 개시내용에서의 컴퓨팅 디바이스(100)는 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하고, 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 벤치마크의 대상이 되는 타겟 모델을 결정하고, 타겟 모델을 결정하는 것에 응답하여, 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 타겟 모델이 실행되었을 때 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하고, 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 벤치마크의 대상이 되는 타겟 노드를 결정하고, 타겟 노드에서 상기 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델과 타겟 노드가 결정되는 경우, 타겟 노드에서 지원가능한 형태로 타겟 모델을 컨버팅할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 벤치마크를 위해 입력된 인공지능 기반의 모델의 모델 타입 정보 및 벤치마크의 대상이 되는 모델 타입을 식별하기 위한 타겟 타입 정보에 기초하여, 인공지능 기반의 모델을 컨버팅할지 여부를 결정하고, 상기 타겟 타입 정보에 기초하여 결정된 후보 노드들을 포함하는 후보 노드 리스트를 제공하고, 상기 후보 노드 리스트 중 적어도 하나의 타겟 노드를 선택하는 입력 데이터에 기초하여, 상기 적어도 하나의 타겟 노드를 결정하고, 그리고 상기 인공지능 기반의 모델의 컨버팅 여부에 따라 획득되는 타겟 모델을 상기 적어도 하나의 타겟 노드에서 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 추론(inference) 태스크 및 데이터셋을 포함하는 입력 데이터를 획득하고, 추론 태스크에 대한 벤치마크의 대상이 되는 타겟 모델 및 타겟 모델의 추론 태스크가 실행될 적어도 하나의 타겟 노드를 결정하고 그리고 타겟 모델을 상기 적어도 하나의 타겟 노드에서 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 인공지능 기반의 모델과 관련된 상이한 동작들을 수행하는 복수의 모듈들을 포함하는 다른 컴퓨팅 디바이스로부터, 다른 컴퓨팅 디바이스의 복수의 모듈들 중 어떤 모듈이 상기 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링하는지를 나타내는 모듈 식별 정보를 수신하고, 그리고 상기 모듈 식별 정보에 기초하여 벤치마크 결과를 상기 다른 컴퓨팅 디바이스로 제공할 수 있다. 여기서 상기 모듈 식별 정보에 따라서 상기 다른 컴퓨팅 디바이스로 제공되는 상기 벤치마크 결과가 상이할 수 있다.

본 개시내용의 다른 실시예에서, 컴퓨팅 디바이스(100)는 벤치마크를 수행한 결과를 다른 컴퓨팅 디바이스 또는 외부 엔티티로부터 획득할 수도 있다. 본 개시내용의 다른 실시예에서, 컴퓨팅 디바이스(100)는 컨버팅을 수행한 결과를 다른 컴퓨팅 디바이스 또는 외부 엔티티(예컨대, 컨버팅 디바이스)로부터 획득할 수도 있다.

일 실시예에서, 프로세서(110)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨팅 디바이스(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.

프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시내용의 일 실시예에 따라, 벤치마크 결과를 제공할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수도 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 디바이스들의 프로세서들을 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수도 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 디바이스(100)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

추가적으로, 프로세서(110)는 통상적으로 컴퓨팅 디바이스(100)의 전반적인 동작을 처리할 수 있다. 예를 들어, 프로세서(110)는 컴퓨팅 디바이스(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 데이터, 정보, 또는 신호 등을 처리하거나 저장부에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 컴퓨팅 디바이스(100)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 본 개시내용의 실시예들에 따른 동작을 수행하도록 하는 컴퓨터 소프트웨어를 저장하는 저장매체 일 수 있다. 따라서, 메모리(130)는 본 개시내용에 실시예들을 수행하는 데 필요한 소프트웨어 코드, 코드의 실행 대상이 되는 데이터, 코드의 실행 결과를 저장하기 위한 컴퓨터 판독 매체들을 의미할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 디바이스(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시내용에서 사용되는 메모리(130)는 전술한 예시들로 제한되지 않는다.

본 개시내용에서의 통신부(미도시)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크부(150) 공지의 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 개시내용에서의 컴퓨팅 디바이스(100)는 임의의 형태의 사용자 단말 및/또는 임의의 형태의 서버를 포함할 수 있다. 따라서, 본 개시내용의 실시예들은 서버 및/또는 사용자 단말에 의해 수행될 수 있다.

일 실시예에서, 사용자 단말은, 서버 또는 다른 컴퓨팅 디바이스와 상호작용 가능한 임의의 형태의 단말을 포함할 수 있다. 사용자 단말은 예를 들어, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), PDA(personal digital assistants), 슬레이트 PC(slate PC), 태블릿 PC(tablet PC) 및 울트라북(ultrabook)을 포함할 수 있다.

일 실시예에서, 서버는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨팅 시스템 또는 컴퓨팅 디바이스를 포함할 수 있다.

일 실시예에서, 서버는 벤치마크 결과, 벤치마크 정보, 후보 모델 리스트, 후보 노드 리스트, 모델들의 성능 정보, 노드들의 성능 정보, 노드와 모델 간의 레이턴시 정보 및/또는 컨버팅 결과 정보 등을 저장 및 관리할 수 있다. 서버는 전술한 정보를 저장하기 위한 저장부(미도시)를 포함할 수 있다. 이러한 저장부는 서버내에 포함되거나 혹은 서버의 관리 하에 존재할 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다. 다른 예시로, 저장부는 서버 외부에 존재하여 서버와 통신가능한 형태로 구현될 수도 있다. 이 경우 서버와는 상이한 다른 외부 서버에 의해 저장부가 관리 및 제어될 수 있다.

도 2는 본 개시내용의 일 실시예에 따른 인공지능 기반의 모델의 예시적인 구조를 도시한다.

본 개시내용에 걸쳐, 모델, 인공지능 모델, 인공지능 기반의 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

본 개시내용에서의 인공지능 기반의 모델은 객체 세그멘테이션, 객체 검출 및/또는 객체 분류 등의 이미지 처리를 위한 모델, 데이터 예측, 텍스트 의미 추론 및/또는 데이터 분류 등의 텍스트 처리를 위한 모델 등 다양한 도메인에서 활용 가능한 모델을 포함할 수 있다.

신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

인공지능 기반의 모델 내에서의 노드는 신경망을 구성하는 컴포넌트를 의미하도록 사용될 수 있으며, 예를 들어 신경망 내에서의 노드는 뉴런과 대응될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

본 개시내용의 일 실시예에서, 뉴런들 또는 노드들의 집합은 레이어라는 표현으로 정의될 수 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 단백질 시퀀스 구조, 유전자 시퀀스 구조, 펩타이드 서열의 구조, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등), 및/또는 펩타이드와 MHC 간의 결합 친화도를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시내용의 인공지능 기반의 모델은 입력 레이어, 히든 레이어 및 출력 레이어를 포함하는 전술한 임의의 구조의 네트워크 구조에 의해 표현될 수 있다.

본 개시내용의 클러스터링 모델에서 사용될 수 있는 뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라리제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 벤치마크 결과 및/또는 인공지능 기반의 모델을 포함하는 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 전술한 데이터 구조는 본 개시내용에서의 저장부(미도시)에 저장될 수 있으며, 프로세서(110)에 의해 실행될 수 있으며 그리고 통신부(미도시)에 의해 송수신될 수 있다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 디바이스는 컴퓨팅 디바이스의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 디바이스는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 디바이스에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 디바이스는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 디바이스 또는 다른 컴퓨팅 디바이스에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 디바이스의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, R-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시내용의 일 실시예에 따른 벤치마크 결과를 제공하기 위한 시스템(300)에 대한 예시적인 개략도를 도시한다.

일 실시예에서, 시스템(300)은 컴퓨팅 디바이스(100)에 대응될 수 있다. 다른 실시예에서, 제 1 컴퓨팅 디바이스(310), 제 2 컴퓨팅 디바이스 (320) 또는 사용자 디바이스(385) 중 적어도 하나가 컴퓨팅 디바이스(100)에 대응될 수도 있다.

도 3에서는 제 1 컴퓨팅 디바이스(310), 제 2 컴퓨팅 디바이스(320), 사용자 디바이스(385) 및 컨버팅 디바이스(390)를 별도의 엔티티들로 표현하였으나, 구현 양태에 따라서 디바이스들(310, 320, 385, 390) 중 둘 이상의 디바이스들이 서로 통합된 형태로 구현될 수 있다는 점은 당업자에게 명백할 것이다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 제 1 노드(360), 제 2 노드(370) … 및 제 N 노드(380)를 포함 또는 관리할 수 있다. 일례로, 제 1 노드(360), 제 2 노드(370) … 및 제 N 노드(380) 중 적어도 일부는 후보 노드 리스트에 포함될 수 있으며, 후보 노드 리스트 상에서의 사용자 입력에 기초하여 벤치마크의 대상이 되는 타겟 노드가 결정될 수 있다. 일례로, 제 1 컴퓨팅 디바이스(310)는 복수의 노드들 각각에 대한 벤치마크를 수행하는 Device Farm의 역할을 수행할 수 있다.

일 실시예에서, 제 2 컴퓨팅 디바이스(320)는 인공지능 기반의 모델과 관련된 상이한 동작들을 수행하는 복수의 모듈들을 포함할 수 있다. 예를 들어, 제 2 컴퓨팅 디바이스(320)는 제 1 모듈(330), 제 2 모듈(340) 및 제 3 모듈(350)을 포함할 수 있다. 일 실시예에서, 제 1 모듈(330)은 입력된 데이터셋을 기초로 하여 학습 모델을 생성할 수 있다. 제 2 모듈(340)은 입력된 모델을 압축함으로써 경량화 모델을 생성할 수 있다. 제 3 모듈(350)은 입력된 모델을 적어도 하나의 타겟 노드에 디플로이하기 위한 다운로드 데이터를 생성할 수 있다. 도 3의 예시에서는 3개의 모듈들을 예로 들었으나, 구현의 양태에 따라 다양한 개수의 모듈들이 제 2 컴퓨팅 디바이스(320)에 포함될 수 있다는 점은 당업자에 의해 이해될 것이다.

일 실시예에서, 복수의 모듈들(330, 340 및 350)은 벤치마크 결과를 상이한 방식으로 활용하여 모듈들 각각의 출력을 생성할 수 있다.

예를 들어, 제 1 모듈(330)은 입력된 데이터셋을 기초로 하여 학습 모델(또는 블록)을 생성할 수 있다. 제 1 모듈(330)은 학습 모델(또는 블록)을 벤치마크할 타겟 디바이스를 결정하는데 벤치마크 결과를 사용할 수 있다. 제 1 모듈(330)은 학습 모델(또는 블록)을 타겟 디바이스에서 실행하였을 때의 성능을 확인하기 위하여 벤치마크 결과를 사용할 수 있다. 제 1 모듈(330)은 학습 모델 또는 재학습 모델을 생성하는데 벤치마크 결과를 사용할 수 있다. 제 1 모듈(330)은 데이터셋에 대응되는, 학습 모델 또는 재학습 모델의 타입을 결정하는데 벤치마크 결과를 사용할 수 있다. 제 1 모듈(330)로부터 출력되는 학습 모델(또는 블록)의 성능을 평가하기 위한 용도로 벤치마크 결과가 사용될 수 있다. 제 1 모듈(330)로부터 출력되는 학습 모델의 성능은 메모리 풋프린트(footprint), 레이턴시, 전력소비량 및/또는 노드 정보(노드의 실행환경, 프로세서 및/또는 RAM 사이즈 등)을 포함할 수 있다.

예를 들어, 제 2 모듈(340)은 입력된 모델을 압축함으로써 경량화 모델을 생성할 수 있다. 제 2 모듈(340)은 입력된 모델에 대한 압축 설정 데이터를 결정하기 위하여 벤치마크 결과를 사용할 수 있다.

예를 들어, 제 3 모듈(350)은 입력된 모델을 적어도 하나의 타겟 노드에 디플로이하기 위한 다운로드 데이터를 생성할 수 있다. 제 3 모듈(350)은 다운로드 데이터를 생성하는데 또는 타겟 노드가 지원하는 데이터 타입으로 데이터를 변환하는데 벤치마크 결과를 사용할 수 있다. 추가적으로, 제 3 모듈(350)은 입력된 모델이 사용자가 원하는 노드의 스펙과 최대한 비슷한 노드에서 어느 정도 성능이 나오는지 체크하는데 벤치마크 결과를 사용할 수 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310) 및 제 2 컴퓨팅 디바이스(320)는 상호작용하여 사용자 디바이스(385)에게 벤치마크 결과 또는 벤치마크 예측 결과를 제공할 수 있다. 예를 들어, 제 1 컴퓨팅 디바이스(310)는 제 2 컴퓨팅 디바이스(320)의 요청에 응답하여 제 2 컴퓨팅 디바이스(320)의 동작에 필요한 벤치마크 결과 또는 벤치마크 예측 결과를 제 2 컴퓨팅 디바이스(320)로 제공할 수 있다.

일 실시예에서, 도 3에서는 제 1 컴퓨팅 디바이스(310)가 제 2 컴퓨팅 디바이스(320)의 외부에 있는 별도의 엔티티로서 표현되었지만, 구현 양태에 따라서 제 1 컴퓨팅 디바이스(310)와 제 2 컴퓨팅 디바이스(320)는 통합된 형태의 시스템 또는 모듈로서 동작될 수도 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 제 2 컴퓨팅 디바이스(320)로부터 또는 사용자 디바이스(385)로부터 벤치마크와 관련된 쿼리를 수신할 수 있다. 제 1 컴퓨팅 디바이스(310)는 제 2 컴퓨팅 디바이스(320) 이외의 다른 엔티티로부터의 벤치마크와 관련된 쿼리를 수신할 수도 있다.

일 실시예에서, 벤치마크와 관련된 쿼리는 벤치마크를 하고자 하는 요청을 포함할 수 있다. 제 1 컴퓨팅 디바이스(310)는 벤치마크와 관련된 쿼리에 응답하여, 사용자와 상호작용할 수 있는 사용자 인터페이스를 제공할 수 있다. 예를 들어, 제 1 컴퓨팅 디바이스(310)는 사용자 인터페이스를 통해 후보 모델 리스트를 제공하고 그리고 후보 모델 리스트 상에서의 사용자 입력에 응답하여 벤치마크의 대상이 되는 타겟 모델을 결정할 수 있다. 제 1 컴퓨팅 디바이스(310)는 타겟 모델의 결정에 응답하여, 사용자 인터페이스를 통해 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공하고, 후보 노드 리스트 상에서의 사용자 입력에 응답하여 벤치마크의 대상이 되는 타겟 노드를 결정할 수 있다.

일 실시예에서, 벤치마크와 관련된 쿼리는 벤치마크의 대상이 되는 타겟 모델 및 벤치마크가 실행될 타겟 노드에 관한 정보를 포함할 수도 있다.

일 실시예에서, 벤치마크와 관련된 쿼리는 벤치마크의 대상이 되는 모델 내의 특정한 영역 (예컨대, 모델의 일부분)에 관한 정보 및 벤치마크가 실행될 노드에 관한 정보를 포함할 수 있다. 본 개시내용의 일 실시예에 따른 기법은 사용자로 하여금 벤치마크의 영역을 모델 단위 뿐만 아니라 모델을 구성하는 레이어(layer) 또는 연산자(operator) 단위 혹은 이들의 그룹에 대응되는 단위로 벤치마크 대상을 설정하도록 허용할 수도 있다. 이에 따라, 보다 정확하고 구체적인 사용자의 니즈를 해결할 수 있다는 기술적 효과가 달성될 수 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 타겟 모델이 실행되었을 때 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공할 수 있다. 일 실시예에서, 벤치마크 정보는 특정 모델을 특정 노드에서 실행시킨 결과에 기초하여 획득된 정보를 의미할 수 있다. 일례로, 벤치마크 정보는 과거의 벤치마크 결과를 포함할 수 있다. 일례로, 벤치마크 정보는 과거의 실측된 정보를 바탕으로 결정된 정보를 포함할 수 있다. 추가적인 예시로, 벤치마크 정보는 과거의 실측된 정보를 바탕으로 결정된 벤치마크 예상 정보 또는 벤치마크 예측 정보에 대응될 수도 있다. 예를 들어, 벤치마크 정보는 레이턴시 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는 특정 노드에서 특정 모델을 실행한 결과를 포함할 수 있다. 예를 들어, 벤치마크 결과는 벤치마크 정보에 비해 보다 많은 정보를 포함할 수 있다. 예를 들어, 벤치마크 결과는 레이턴시 정보, 전력 소비 정보 및/또는 메모리 사용량 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과 및/또는 벤치마크 정보는 특정 노드에서의 특정 모델에 대한 성능 정보를 포함할 수 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 다양한 형태의 벤치마크 쿼리에 대응하는 벤치마크 정보 또는 벤치마크 결과를 생성할 수 있다. 예를 들어, 벤치마크 정보 또는 벤치마크 결과는 벤치마크 쿼리의 종류 및/또는 벤치마크 쿼리에 포함된 정보에 따라 상이한 정보를 포함할 수 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 제 2 컴퓨팅 디바이스(320)의 복수의 모듈들 중 어떤 모듈이 제 1 컴퓨팅 디바이스(310)의 벤치마크 동작을 트리거링하는지를 나타내는 모듈 식별 정보를 수신하고 그리고 상기 모듈 식별 정보에 기초하여 벤치마크 결과 또는 벤치마크 정보를 제 2 컴퓨팅 디바이스(320)로 제공할 수 있다. 모듈 식별 정보에 따라서 제 2 컴퓨팅 디바이스(320)로 제공되는 벤치마크 결과 또는 벤치마크 정보가 상이할 수 있다. 예를 들어, 제 1 컴퓨팅 디바이스(310)는 모듈 식별 정보가 제 1 모듈(330)을 나타내는 경우, 모델 전체를 대상으로 성능 정보를 제 2 컴퓨팅 디바이스(320)로 제공하고, 모듈 식별 정보가 제 2 모듈(340)을 나타내는 경우, 모델 전체를 대상으로 성능 정보를 제 2 컴퓨팅 디바이스(320)로 제공하고 그리고/또는 모델의 일부 영역 단위로 성능 정보를 제공할 수 있다.

추가적인 실시예에서, 제 1 컴퓨팅 디바이스(310)는 모듈 식별 정보가 제 1 모듈(330)을 나타내는 경우, 입력된 데이터셋에 대응되는 학습 모델 또는 컨버팅된 학습 모델을 실행시킬 타겟 노드를 결정하기 위한 벤치마크 결과를 제 2 컴퓨팅 디바이스(320)로 제공할 수도 있다. 제 1 컴퓨팅 디바이스(310)는 모듈 식별 정보가 제 2 모듈(340)을 나타내는 경우, 모델에 대응되는 경량화 모델을 생성하기 위해 사용되는 압축 설정 데이터를 포함하는 벤치마크 결과 또는 벤치마크 정보를 제 2 컴퓨팅 디바이스(320)로 제공할 수 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 복수의 노드들을 관리하는 엔티티에 대응될 수 있다. 제 1 컴퓨팅 디바이스(310)는 제 1 노드(360), 제 2 노드(370)… 및 제 N 노드(380)를 포함하는 노드 리스트에 포함된 노드들에 대한 벤치마크를 수행할 수 있다. 여기서 N은 자연수에 대응될 수 있다. 예를 들어, 제 1 노드(360) 내지 제 N 노드(380)는 제 1 컴퓨팅 디바이스(310)의 관리 하에 있는 후보 노드 리스트에 포함될 수 있다.

도 3에서는 제 1 노드(360), 제 2 노드(370)… 및 제 N 노드(380)가 제 1 컴퓨팅 디바이스(310)에 포함되는 것으로 예시되었으나, 구현 양태에 따라 제 1 노드(360), 제 2 노드(370)… 및 제 N 노드(380)는 제 1 컴퓨팅 디바이스(310) 외부에 존재하여 제 1 컴퓨팅 디바이스(310)와의 통신을 통해 상호작용 가능할 수도 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 사용자 디바이스(385)로부터의 벤치마크 쿼리 및/또는 제 2 컴퓨팅 디바이스(320)로부터의 벤치마크 쿼리에 응답하여, 복수의 노드들 중 적어도 하나의 노드에 대한 벤치마크 결과 또는 벤치마크 정보를 생성할 수 있다. 예를 들어, 사용자 디바이스(385)로부터의 벤치마크 쿼리는 제 2 컴퓨팅 디바이스(320)로 입력되고 그리고 제 2 컴퓨팅 디바이스(320)를 통해 제 1 컴퓨팅 디바이스(310)로 벤치마크 쿼리가 전송될 수도 있다.

일 실시예에서, 제 1 컴퓨팅 디바이스(310)는 사용자 디바이스(385)로부터의 벤치마크 쿼리 및/또는 제 2 컴퓨팅 디바이스(320)로부터의 벤치마크 쿼리에 응답하여, 컨버팅 디바이스(390)와 상호작용함으로써, 복수의 노드들 중 적어도 하나의 노드에 대한 벤치마크 결과 또는 벤치마크 정보를 생성할 수 있다. 일 실시예에서, 컨버팅 디바이스(390)는 모델을 변환하기 위한 엔티티에 대응될 수 있다. 예를 들어, 컨버팅 디바이스(390)는 사용자에 의해 결정된 모델 또는 벤치마크 쿼리에 포함된 모델을 타겟 노드에서 실행 가능한 모델로 변환할 수 있다. 예를 들어, 컨버팅 디바이스(390)는 벤치마크 쿼리에 모델에 대한 변환이 포함된 경우, 벤치마크 쿼리에 따른 모델 변환을 수행할 수 있다.

일 실시예에서, 후보 모델 리스트에 포함된 모델들은 A타입에 대응되는 모델들을 포함할 수 있다. 후보 노드 리스트는 A타입이 아닌 다른 타입(예컨대, B타입, C타입 등)의 모델을 지원하는 노드들을 포함할 수 있다. 이러한 실시예에서, 사용자에 의해 결정된 타겟 모델(즉, A타입의 모델)이 후보 노드들 중 타겟 노드에서 실행되기 위해서는 타겟 모델의 연산자 및/또는 프레임워크 등에 대한 변환이 필요하다. 따라서, 컨버팅 디바이스(390)는 타겟 모델이 타겟 노드에서 지원될 수 있는 타입으로 타겟 모델을 컨버팅할 수 있다.

도 3에서 예시되는 바와 같이, 컨버팅 디바이스(390)는 제 1 컴퓨팅 디바이스(310) 및 제 2 컴퓨팅 디바이스(320)와 별도의 엔티티로 존재할 수 있다. 다른 예시로, 컨버팅 디바이스(390)는 제 1 컴퓨팅 디바이스(310) 및/또는 제 2 컴퓨팅 디바이스(320)에 포함된 엔티티로서 동작할 수도 있다.

일 실시예에서, 벤치마크 결과 또는 벤치마크 정보는 인공지능 기반의 모델을 타겟 노드에서 실행(예컨대, 추론)한 결과를 포함할 수 있다. 일례로, 벤치마크 결과 또는 벤치마크 정보는 인공지능 기반의 모델(예컨대, 타겟 모델)이 타겟 노드에서 실행되었을 때 타겟 노드로부터 획득될 수 있는 성능 측정 결과를 포함할 수 있다. 다른 예시로, 벤치마크 결과 또는 벤치마크 정보는 컨버팅된 인공지능 기반의 모델이 타겟 노드에서 실행되었을 때 성능 측정 결과를 포함할 수 있다.

추가적인 실시예에서, 벤치마크 예측 결과는 인공지능 기반의 모델을 타겟 노드에서 실행(예컨대, 추론)하였을 때 예상되는 결과를 포함할 수 있다. 일례로, 벤치마크 예측 결과는 인공지능 기반의 모델이 타겟 노드에서 실행되었을 때 타겟 노드부터 획득될 수 있는 예상 성능 측정 결과를 포함할 수 있다. 다른 예시로, 벤치마크 예측 결과는 컨버팅된 인공지능 기반의 모델이 타겟 노드에서 실행되었을 때 예상 성능 측정 결과를 포함할 수 있다. 이러한 벤치마크 예측 결과는 사전 획득된 벤치마크 결과에 기초하여 생성될 수 있다. 예를 들어, 벤치마크 결과는 벤치마크 예측 결과를 생성하기 위해 사용될 수 있다.

일 실시예에서, 벤치마크 결과 및/또는 벤치마크 정보는 다양한 목적을 가지고 다양한 형태로 사용될 수 있다. 예를 들어, 벤치마크 결과 및/또는 벤치마크 정보는 모델이 실행될 타겟 노드를 결정하는데 사용될 수 있다. 예를 들어, 벤치마크 결과 및/또는 벤치마크 정보는 입력된 모델에 대응되는 후보 노드 리스트를 생성하는데 사용될 수 있다. 예를 들어, 벤치마크 결과 및/또는 벤치마크 정보는 모델에 대한 최적화 또는 압축을 위해 사용될 수 있다. 예를 들어, 벤치마크 결과 및/또는 벤치마크 정보는 타겟 모델을 타겟 노드에서 디플로이 하기위해 사용될 수 있다.

도 4는 본 개시내용의 일 실시예에 따른 벤치마크 결과를 제공하기 위한 순서도를 예시적으로 도시한다.

일 실시예에서, 도 4에서 도시되는 방법은 컴퓨팅 디바이스(100)에서 수행될 수 있다. 일례로, 도 4에서 도시되는 방법은 제 1 컴퓨팅 디바이스(310)에 의해 수행될 수 있다. 다른 예시로, 도 4에서 도시되는 방법은 제 1 컴퓨팅 디바이스(310) 및 제 2 컴퓨팅 디바이스(320)를 포괄하는 컴퓨팅 디바이스(100)에 의해 수행될 수 있다.

아래에서는 도 4의 단계들이 컴퓨팅 디바이스(100)에 의해 수행되는 예시를 구체적으로 설명하기로 한다. 구현 양태에 따라서 도 4에서 도시되는 단계들 중 일부가 생략되거나 추가적인 단계가 포함될 수 있다는 점은 당업자에 의해 이해될 것이다.

일 실시예에서, 컴퓨팅 디바이스(100)는, 인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공할 수 있다(410).

일 실시예에서, 후보 모델 리스트는, 복수의 후보 모델들 각각에 대한 식별 정보를 포함할 수 있다. 식별 정보는 특정 모델을 식별하기 위한 임의의 형태의 정보를 포함할 수 있다. 예를 들어, 식별 정보는 모델의 명칭, 모델의 태스크(task) 및/또는 모델의 오브젝트(object)를 포함할 수 있다.

일 실시예에서, 후보 모델 리스트는, 후보 모델들 각각의 동작을 시각적으로 표시하기 위한 대표 이미지를 포함할 수도 있다. 일 실시예에서, 모델의 태스크와 오브젝트를 나타낼 수 있는 임의의 형태의 이미지가 해당 모델의 식별 정보와 연관된 위치에 표시될 수 있다. 예를 들어, 후보 모델이 차량에 대한 객체 검출을 수행하는 모델인 경우, 후보 모델 리스트 상에서 상기 후보 모델에 대응되는 위치에 “차량의 주변에 바운딩 박스가 표시된 예시 이미지”가 출력될 수 있다.

일 실시예에서, 후보 모델 리스트는 복수의 후보 모델들의 인공지능 태스크를 식별하는 정보를 포함할 수 있다. 일 실시예에서, 후보 모델 리스트는 복수의 후보 모델들의 오브젝트를 식별하는 정보를 포함할 수 있다. 일 실시예에서, 후보 모델 리스트는 태스크 정보 및/또는 오브젝트 정보를 포함할 수 있다. 일 실시예에서, 후보 모델 리스트에 포함된 후보 모델들 각각은 task-object로 특정되어 구분될 수 있다.

일 실시예에서, 본 개시내용에서의 태스크는 인공지능 기반의 모델의 동작 방식에 대응될 수 있다. 본 개시내용에서의 태스크는 인공지능 기반의 모델의 목적에 대응될 수 있다. 예를 들어, 태스크는 객체 검출(object detection), 시멘틱 세그멘테이션(semantic segmentation), 인스턴스 세그멘테이션(instance segmentation), 클러스터링(clustering) 및/또는 분류(classification)를 포함할 수 있다.

일 실시예에서, 본 개시내용에서의 오브젝트는 인공지능 기반의 모델이 적용되는 대상 또는 도메인에 대응될 수 있다. 예를 들어, 오브젝트는 얼굴, 사람, 동물, 차량 및/또는 손을 포함할 수 있다.

일 실시예에서, 후보 모델 리스트에서 복수의 후보 모델들 각각은 태스크 및 오브젝트를 기준으로 구분될 수 있다. 예를 들어, 후보 모델들 각각에 태스크 및 오브젝트가 할당될 수 있다.

본 개시내용의 일 실시예에 따른 기법은 후보 모델 리스트를 통해, 모델의 태스크와 오브젝트를 표시함으로써, 모델들에 대한 지식 또는 정보가 부족한 사용자에게 필요한 모델이 효율적으로 선택될 수 있도록 허용할 수 있다.

추가적인 실시예에서, 후보 모델 리스트는 모델들 각각에 대응되는 클래스 정보를 모델과 함께 제공할 수 있다. 클래스 정보는 모델 내에서 사용되는 클래스를 식별하기 위한 정보이다. 예를 들어, 클래스 정보는 분류 모델에서 분류 결과에 사용될 클래스들 각각을 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 클래스 정보는 검출 모델에서 검출 결과에 사용될 클래스들 각각을 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 타겟 모델이 객체 검출 모델인 경우, 클래스 정보는 사람 클래스, 동물 클래스 및/또는 차량 클래스를 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 벤치마크의 대상이 되는 타겟 모델을 결정할 수 있다(420).

일 실시예에서, 제 1 사용자 입력은 후보 모델 리스트 상에서 벤치마크의 대상이 되는 타겟 모델을 선택하는 것을 포함할 수 있다. 예를 들어, 복수의 후보 모델들이 나열되어 있는 후보 모델 리스트 상에서, 특정 모델에 대응되는 위치에 사용자 입력이 이루어지는 경우, 컴퓨팅 디바이스(100)는 선택된 모델에 대응되는 세부 정보를 표시할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 제 1 사용자 입력에 응답하여, 타겟 모델에 대응되는 모델 성능 정보를 제공할 수 있다. 모델 성능 정보에 대한 예시로, 모델에 대한 정확도(accuracy) 정보를 포함할 수 있다. 제한이 아닌 예시로, 정확도 정보는 모델이 정답이라고 출력한 결과 중 실제로 정답에 해당하는 비율을 나타내는 정보를 포함할 수 있다. 일례로, 정확도 정보는 mAP (mean Average Precision)를 포함할 수 있다. 추가적인 예시로, 모델 성능 정보는 실제값과 예측값 간의 차이로부터 기인한 값들, 전체 출력 데이터 중 정답을 맞춘 데이터의 비율, 예측 범주와 실제 데이터의 분류 범주를 나타내는 오차 행렬, 양성으로 판단한 것 중 실제 양성의 비율을 나타내는 정밀도, 재현율(recall) 및/도는 민감도(sensitivity)를 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 모델 리스트 상에서 타겟 모델을 선택하는 제 1 사용자 입력에 응답하여, 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 타겟 모델에 대응되는 모델 성능 정보를 제공할 수 있다. 예를 들어, 학습 데이터셋을 식별하는 정보는 사용자에 의해 업로드된 학습 데이터셋을 식별하기 위한 임의의 형태의 정보를 포함할 수 있다. 예를 들어, 학습 데이터셋을 식별하는 정보는 타겟 모델을 학습시키는데 사용한 데이터(예컨대, 컴퓨팅 디바이스(100)에 의해 준비된 데이터)를 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 학습 데이터셋을 식별하는 정보는 학습 데이터셋의 명칭 정보, 확장자 정보 및/또는 파일 크기 정보를 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델을 선택하는 제 1 사용자 입력에 응답하여, 타겟 모델에 대응되는 클래스(class) 정보를 제공할 수 있다. 클래스 정보는 모델 내에서 사용되는 클래스를 식별하기 위한 정보이다. 예를 들어, 클래스 정보는 분류 모델에서 분류 결과에 사용될 클래스들 각각을 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 클래스 정보는 검출 모델에서 검출 결과에 사용될 클래스들 각각을 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 타겟 모델이 객체 검출 모델인 경우, 클래스 정보는 사람 클래스, 동물 클래스 및/또는 차량 클래스를 포함할 수 있다. 일 실시예에서, 클래스 정보는 타겟 모델에 대응되는 학습 데이터셋을 식별하기 위한 정보 및/또는 타겟 모델의 동작을 시각적으로 식별하기 위한 정보와 함께 표시될 수 있어서, 사용자로 하여금 타겟 모델에 대한 보다 정확한 정보를 직관적으로 인식하도록 허용할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 모델 리스트 상에서 타겟 모델을 선택하는 제 1 사용자 입력에 응답하여, 타겟 모델의 동작을 시각적으로 설명하기 위한 이미지 또는 동영상 정보, 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공할 수 있다. 타겟 모델의 동작을 시각적으로 설명하기 위한 이미지 또는 동영상 정보는 타겟 모델에 입력 데이터를 입력하였을 때 타겟 모델에서 출력되는 결과물을 예시하는 이미지 또는 동영상 정보를 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델을 결정하는 것에 응답하여, 벤치마크를 위해 추천되는 복수의 후보 노드들 각각에서 타겟 모델이 실행되었을 때 복수의 후보 노드들 각각에서의 벤치마크 정보를 포함하는 후보 노드 리스트를 제공할 수 있다(430).

본 개시내용에서의 후보 노드들은 타겟 모델을 지원할 수 있는 노드들을 포함할 수 있다. 일 실시예에서, 후보 노드들은 컴퓨팅 디바이스(100)의 관리 하에 있는 노드들 중에서 타겟 모델에 대응되는 실행 환경 또는 프레임워크를 지원할 수 있는 노드들을 포함할 수 있다. 제한이 아닌 예시로, 후보 노드들은 물리적 하드웨어, 가상 하드웨어, 외부에서 네트워크 접근이 불가능한 하드웨어, 외부에서 확인이 불가능한 하드웨어 및/또는 클라우드 내에서 확인되는 하드웨어를 포괄하는 의미로 사용될 수 있다. 본 개시내용에서의 후보 노드는 Jetson Nano, Jetson Xavier NX, Jetson TX2, Jetson AGX Xavier, Jetson AGX Orin, GPU AWS-T4, Xeon-W-2223, Raspberry Pi Zero, Raspberry Pi 2W, Raspberry Pi 3B+, Raspberry Pi Zero 4B 및 Mobile 등과 같은 다양한 형태의 하드웨어를 포함할 수 있다.

일 실시예에서, 벤치마크 정보는, 후보 노드들 각각을 식별하기 위한 정보 및/또는 타겟 모델이 실행되는 경우 후보 노드들 각각에 대한 성능 정보를 포함할 수 있다. 성능 정보에 대한 예시로 레이턴시 정보(latency information)가 포함될 수 있다. 예를 들어, 후보 노드들 각각을 식별하기 위한 정보는 후보 노드의 명칭을 포함할 수 있다.

일 실시예에서, 벤치마크 정보는, 타겟 모델이 실행되는 경우 후보 노드들 각각에 대한 레이턴시 정보와 후보 노드들 각각을 식별하기 위한 정보를 그래프 형태로 시각적으로 표현한 자료 구조를 포함할 수 있다. 예를 들어, 그래프 형태의 자료 구조는 후보 노드들 각각에 대한 식별 정보에 대응되는 제 1 축과 후보 노드들 각각의 성능 정보에 대응되는 제 2 축을 포함하는 2차원 형태를 가질 수 있다.

일 실시예에서, 후보 노드 리스트는 예를 들어 테이블 형태의 자료 구조를 포함할 수 있다.

일 실시예에서, 벤치마크 정보는, 제 1 사용자 입력 이전에 실측 과정을 통해 획득된 정보에 기초하여 생성될 수 있다. 예를 들어, 제 1 사용자 입력 이전에 컴퓨팅 디바이스(100)의 관리 하에 있는 복수의 노드들 각각과 복수의 모델들 각각에 대한 벤치마크 또는 성능 측정이 수행될 수 있다. 이러한 벤치마크 또는 성능 측정에 대한 결과는 벤치마크 정보로서 컴퓨팅 디바이스(100)에 사전 저장될 수 있다. 사용자와의 상호작용에 따라 타겟 모델 및 타겟 노드가 결정되는 경우, 컴퓨팅 디바이스(100)는 사전 저장된 벤치마크 또는 성능 측정에 대한 결과로부터 타겟 모델과 타겟 노드에 대응되는 벤치마크 정보를 획득할 수 있다. 따라서, 제 1 사용자 입력 및 제 2 사용자 입력에 응답하여 타겟 모델과 타겟 노드에 대한 벤치마크를 실행하기 이전에, 컴퓨팅 디바이스(100)는 타겟 모델과 타겟 노드에 대한 과거에 측정된 벤치마크 정보를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 벤치마크의 대상이 되는 타겟 노드를 결정할 수 있다(440).

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트를 벤치마크를 요청한 컴퓨팅 디바이스(예컨대, 사용자 디바이스 등)로 전달할 수 있다. 후보 노드 리스트 상에서의 사용자 입력에 따라서 벤치마크가 이루어질 타겟 노드가 결정될 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트 중 특정한 노드를 선택하는 사용자 입력 데이터를 수신할 수 있다. 컴퓨팅 디바이스(100)는 사용자 입력 데이터에 포함된 선택된 노드들을 타겟 노드로 결정할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트 중에서 하나의 타겟 노드를 선택하는 사용자 입력 데이터를 수신할 수 있다. 다른 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트 중에서 복수의 타겟 노드들을 선택하는 사용자 입력 데이터를 수신할 수 있다. 다른 실시예에서, 컴퓨팅 디바이스(100)는 후보 노드 리스트에서 특정한 인자(예컨대, 레이턴시)를 기준으로 가장 높은 성능을 가지는 노드를 타겟 노드로 사용자 입력 없이 자동으로 선택할 수도 있다.

일 실시예에서, 후보 노드 리스트는 후보 노드들 각각에 대한 식별 정보, 및 타겟 모델이 실행되는 경우 후보 노드들 각각에 대한 레이턴시 정보를 포함할 수 있다. 일 실시예에서, 레이턴시 정보는 각 노드의 각 모델 별 예상되는 추론 시간을 포함할 수 있다. 레이턴시 정보의 값이 작을수록 추론의 시간이 짧을 수 있다는 점을 나타낼 수 있다. 따라서, 레이턴시의 값이 모델과 노드의 조합에 대한 성능 지표로 해석될 수 있기 때문에, 컴퓨팅 디바이스(100)는 레이턴시 정보의 크기를 기준으로 정렬된 후보 노드 리스트를 제공할 수 있다. 이러한 예시에서, 레이턴시 정보의 크기가 작은 순서대로 정렬된 후보 노드들을 포함하는 후보 노드 리스트가 제공될 수 있다.

일 실시예에서, 후보 노드에 대한 식별 정보는 후보 노드에 대응되는 하드웨어 정보를 포함할 수 있다.

일 실시예에서, 후보 노드에 대한 식별 정보는 하드웨어에 대응되는 제품명을 포함할 수 있다.

일 실시예에서, 후보 노드에 대한 식별 정보는 설치된 실행환경 정보, 실행환경에 대한 라이브러리 정보, 파워 모드(power mode) 정보, Fan 모드 정보, 현재 보드의 온도 정보 및/또는 현재 보드의 전력 사용량 정보를 포함할 수 있다.

일 실시예에서, 파워 모드 정보는 CPU 코어를 얼마나 사용하는지를 기준으로 결정될 수 있다. 예를 들어, CPU 코어를 전부 사용하는 경우 파워 모드 정보는 MAX로 결정될 것이고, 30W, 20W, 15W 및 10W 등과 같이 사용량을 정량적으로 표현하는 방식으로 결정될 수도 있다. 예를 들어, 파워 모드 정보의 정량적인 양이 클수록 레이턴시가 적게 나올 수 있다. 다른 예시로 파워 모드가 MAX인 경우 파워 모드를 사용하지 않는 다른 노드에 비해 레이턴시가 적게 나올 수 있다.

일 실시예에서, Fan 모드 정보는 Null, Quite 및 Cool 등과 같이 Fan의 강도를 나타내는 정보의 형태로 표현될 수 있다. 일례로, Fan 모드가 Quite인 경우, Fan 모드가 Null인 경우 보다 보드의 온도를 더 낮춰줄 수 있기 때문에, 레이턴시가 적게 나올 가능성이 높다. 일례로, Fan 모드가 Cool 모드인 경우 다른 모드에 비해 보드의 온도를 더 낮춰줄 수 있기 때문에, 레이턴시가 적게 나올 가능성이 높다.

일 실시예에서, 라이브러리 정보는 특정 노드에 설치된 실행 환경(예컨대 런타임) 정보가 설치되는데 필요한 라이브러리 정보를 나타낼 수 있다. 노드의 특성에 따라 복수의 실행 환경들이 포함될 수 있으며, 이에 따라 라이브러리 정보 또한 복수의 실행 환경들과 호환될 수 있다.

일 실시예에서, 현재 보드의 전력 사용량은 노드들에 연결된 전력 측정 센서로부터 획득되는 전력 사용량을 나타낼 수 있다. 현재 보드의 전력 사용량의 값이 작을수록 해당 노드의 사용가능성이 높아진다는 것으로 해석될 수 있다.

추가적인 실시예에서, 후보 노드들의 정렬 순서는 메모리 사용량 및 CPU 점유율와 같은 인자를 기준으로 결정될 수고 있다. 예를 들어, 후보 노드들의 정렬 순서는 레이턴시 정보뿐만 아니라 메모리 사용량 및 CPU 점유율에 추가적으로 기초하여 결정될 수 있다. 이러한 예시에서, 후보 노드들 중 제 1 후보 노드와 제 2 후보 노드 간의 레이턴시 정보의 크기의 차이가 사전 결정된 임계 범위 내에 포함되는 경우, 제 1 후보 노드와 제 2 후보 노드의 메모리 사용량 및 CPU 점유율에 기초하여 제 1 후보 노드와 상기 제 2 후보 노드 간의 정렬 순서가 결정될 수 있다. 일례로, 레이턴시가 동일한 경우 현재 메모리(예컨대 RAM) 사용량과 CPU 점유율을 기준으로 추가적인 정렬이 수행될 수 있다.

추가적인 실시예에서, 컴퓨팅 디바이스(100)는 노드의 식별 정보에 따라 상이한 방식으로 후보 노드 리스트 상에서의 정렬을 수행할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 Jetson 계열과 같은 특정 노드의 경우, 추가적인 인자를 고려하여 정렬을 수행할 수 있다. 예를 들어, Jetson 계열 등과 같은 특정한 타입의 노드들에 대해서는 해당 노드들에 대한 별도의 정렬을 추가로 진행할 수 있다. 다른 예시로, 컴퓨팅 디바이스(100)는 특정한 타입의 노드들에 대해서는 다른 타입의 노드들과의 정렬의 경우 레이턴시를 기준으로 정렬하되 해당 타입에 대응되는 노드들이 유사한 범위 내의 레이턴시 값을 가지는 경우, Power 필드 및/또는 Fan 필드를 추가로 고려하여 정렬을 수행할 수 있다. 일례로, 컴퓨팅 디바이스(100)는 Power 필드에 대응되는 인자를 추가로 고려하여 Power 필드의 값이 큰 순서대로 정렬을 수행할 수 있다. 일례로, 컴퓨팅 디바이스(100)는 Jetson 계열과 같은 특정 노드에 대해서 Power 필드가 동일한 경우 또는 사전 결정된 임계 범위 내에 있는 경우 Fan의 동작의 크기 또는 강도를 기준으로 Fan의 동작 크기가 큰 순서대로 노드들에 대한 추가적인 정렬을 수행할 수 있다.

전술한 바와 같이, 레이턴시 정보에 있어서 큰 차이가 없는 노드들에 대해서는 추가적인 인자들을 고려하여 후보 노드들의 정렬 순서가 결정될 수 있다. 이처럼 후보 노드 리스트를 제공하는데 있어서, 사용자가 직관적으로 노드들의 성능을 확인할 수 있는 형태로 후보 노드들이 정렬되기 때문에, 사용자는 보다 용이하고 효율적으로 후보 노드 리스트 상의 노드들의 성능을 확인하고 타겟 노드를 보다 효율적으로 결정할 수 있게 된다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 노드에 기 설정된 정보에 기초하여, 타겟 모델을 타겟 노드에서 지원 가능한 모델로 컨버팅할 수 있다(450).

본 개시내용에서의 컨버팅은 제 1 타입의 모델을 제 2 타입의 모델로 변경하는 것을 포함할 수 있다. 본 개시내용에서의 컨버팅은 모델의 제 1 연산자를 모델의 제 2 연산자로 변경하는 것을 포함할 수 있다. 일 실시예에서, 컴퓨팅 디바이스(100)는 결정된 타겟 모델의 정보 및 타겟 노드에 기 설정된 정보에 기초하여 타겟 모델을 타겟 노드에서 지원 가능한 모델로 컨버팅할 수 있다.

본 개시내용에서의 컨버팅은 모델의 제 1 레이어를 모델의 제 2 레이어로 변경하는 것을 포함할 수 있다. 컨버팅과 관련된 구체적인 예시는 도 8에서 후술하기로 한다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 노드에서 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델을 타겟 노드에서 추론한 결과를 포함하는 벤치마크 결과를 생성할 수 있다.

일 실시예에서, 하나의 노드가 타겟 노드로 결정된 경우, 해당 노드에 벤치마크 요청 정보가 전송될 수 있다. 일 실시예에서, 복수의 노드들이 타겟 노드로 결정된 경우, 복수의 노드들 각각에 벤치마크 요청 정보가 전송될 수 있다. 벤치마크 요청 정보는 벤치마크의 대상이 되는 타겟 모델에 대한 정보를 포함할 수 있다. 타겟 모델에 대한 정보는 예를 들어 모델과 관련된 파일 또는 링크, 및/또는 모델의 타겟 타입 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는 컴퓨팅 디바이스(100)에 의해 생성되거나 또는 컴퓨팅 디바이스(100)의 관리 하에 있는 다른 서버(예컨대, 복수의 노드들을 포함하는 서버)에 의해 생성될 수 있다.

일 실시예에서, 벤치마크 결과는 타겟 모델의 타겟 노드에서의 성능 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는, 타겟 노드에서 타겟 모델의 추론의 전처리를 위해 소요되는 전처리(preprocessing) 시간 정보 또는 타겟 노드에서 타겟 모델을 추론하는데 소요되는 추론 시간 정보를 포함하는 시간 정보를 포함할 수 있다. 일 실시예에서, 벤치마크 결과는, 타겟 노드에서 타겟 모델의 추론의 전처리를 위해 사용되는 전처리 메모리 사용량 정보 또는 타겟 노드에서 타겟 모델을 추론하는데 사용되는 추론 메모리 사용량 정보를 포함하는 메모리 사용량 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는, 타겟 노드에 타겟 모델을 실행시키는데 소요되는 메모리 풋프린트 정보, 타겟 노드에 타겟 모델을 실행시키는데 소요되는 레이턴시 정보, 및 타겟 노드에 타겟 모델을 실행시키는데 소요되는 전력 소비량 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링 또는 요청한 다른 컴퓨팅 디바이스의 모듈이 무엇인지에 따라 상이할 수 있다.

추가적인 실시예에서, 벤치마크 동작은 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링 또는 요청한 다른 컴퓨팅 디바이스의 모듈이 무엇인지에 따라 상이할 수 있다.

예를 들어, 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링한 모듈이 제 1 모듈인 경우, 컴퓨팅 디바이스(100)는 입력된 모델 전체를 대상으로 성능 정보를 제공하며 그리고 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링한 모듈이 제 2 모듈인 경우, 컴퓨팅 디바이스(100)는 입력된 모델 전체를 대상으로 성능 정보를 제공하는 것과 함께 입력된 모델의 모델의 일부 단위(예컨대, 모델의 하위 구성인 블록 단위)의 성능 정보를 추가로 제공할 수 있다. 다른 예시로, 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링한 모듈이 제 1 모듈인 경우 컴퓨팅 디바이스(100)는 입력된 데이터셋에 대응되는 학습 모델 또는 컨버팅된 학습 모델을 실행시킬 타겟 노드를 결정하기 위한 벤치마크 결과를 제공하며, 그리고 컴퓨팅 디바이스(100)의 벤치마크 동작을 트리거링한 모듈이 제 2 모듈인 경우 컴퓨팅 디바이스(100)는 입력된 모델에 대응되는 경량화 모델을 생성하기 위해 사용되는 압축 설정 데이터를 포함하는 벤치마크 결과를 제공할 수 있다.

일 실시예에서, 벤치마크 결과는 시간과 관련된 제 1 타입의 정량 정보 및 메모리 사용과 관련된 제 2 타입의 정량 정보를 포함할 수 있다.

일 실시예에서, 벤치마크 결과는, 적어도 하나의 타겟 노드에서 타겟 모델의 추론의 전처리를 위해 소요되는 전처리 시간 정보, 적어도 하나의 타겟 노드에서 타겟 모델을 추론하는데 소요되는 추론 시간 정보, 적어도 하나의 타겟 노드에서 타겟 모델의 추론의 전처리를 위해 사용되는 전처리 메모리 사용량 정보, 적어도 하나의 타겟 노드에서 타겟 모델을 추론하는데 사용되는 추론 메모리 사용량 정보, 적어도 하나의 타겟 노드에서 타겟 모델을 사전 결정된 횟수만큼 반복하여 추론함에 따라 획득되는, 추론 시간과 관련된 정량 정보, 및/또는 적어도 하나의 타겟 노드에서 타겟 모델을 추론함에 따라 획득되는, NPU, CPU 및 GPU 각각에 대한 메모리 사용과 관련된 정량 정보를 포함할 수 있다.

일 실시예에서, 전처리 시간 정보는 예를 들어 모델을 불러오는 등과 같이 추론 동작이 수행되기 이전인 전처리를 위해 소요되는 시간 정보를 포함할 수 있다. 추가적으로 전처리 시간 정보는, 추론에 대한 값을 측정하기 이전에 GPU 등의 활성화를 위해 사전 추론을 사전 결정된 횟수만큼 반복하였을 때의 사전 추론에 소요되는 시간과 관련된 정량 정보(예컨대, 사전 추론에 소요되는 시간의 최소값, 최대값 및/또는 평균값)를 포함할 수도 있다.

일 실시예에서, 추론 시간 정보는, 추론 과정에서 소요되는 시간 정보로서 예를 들어, 모델에 대한 최초 추론 동작에 소요되는 시간 정보 및/또는 사전 결정된 횟수만큼 반복하여 추론하였을 때의 추론 시간 정보 중 최소 시간 정보, 최대 시간 정보, 평균(average) 시간 정보 및/또는 중간(median) 시간 정보를 포괄하도록 사용될 수 있다. 추가적으로, 예를 들어, NPU에서 처리할 수 없는 연산을 CPU가 받아서 처리하는 상황에서 NPU가 유휴(idle) 상태가 되는데, 추론 시간 정보는 NPU가 유휴 상태가 되었을 때의 제 1 사이클 값을 포함할 수 있다. 추가적으로, 추론 시간 정보는 NPU에서 추론을 수행할 때의 제 2 사이클 값, 및/또는 제 1 사이클 값과 제 2 사이클 값을 합산한 제 3 사이클 값을 포함할 수도 있다.

일 실시예에서, 벤치마크 결과 정보는 상기 전처리 메모리 사용량 정보와 상기 추론 시간과 관련된 정량 정보를 합산한 총 시간 정보 또한 포함할 수 있다.

일 실시예에서, 벤치마크 결과 정보는 RAM 사용량, ROM 사용량, 메모리 전체 사용량 및/또는 NPU에서 사용하는 SRAM 영역에 대한 정량값 등을 추가로 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 다수의 노드들이 타겟 노드로 선택됨에 따라 복수개의 벤치마크 결과가 생성되는 경우, 레이턴시를 기준으로 복수의 벤치마크 결과를 정렬할 수 있다. 예를 들어, 레이턴시가 가장 적은 순서대로 벤치마크 결과가 정렬 및 출력될 수 있다. 추가적인 실시예에서, 레이턴시가 사전 결정된 유사 범위 내에 있거나 혹은 동일한 복수의 노드들 각각에 대응되는 벤치마크 결과가 존재하는 경우, 메모리 사용량 및/또는 CPU 점유율에 추가로 기초하여 벤치마크 결과들에 대한 정렬이 수행될 수 있다. 벤치마크 결과들에 대한 정렬은 후보 노드 리스트 상에서의 정렬과 관련된 특징을 포함할 수 있다.

일 실시예에서, 벤치마크의 동작은 예를 들어, 벤치마크 설정과 관련된 입력에 기반하여 수행될 수 있다. 예를 들어, 벤치마크 설정과 관련된 입력은, 벤치마크 결과에 포함될 정보, 추론 과정에서의 배치(batch) 크기, 타겟 모델의 식별 정보, 타겟 모델의 소프트웨어 버전 정보, 타겟 노드의 하드웨어 식별 정보, 타겟 모델의 출력 데이터 타입(예컨대, FP32, FP16, INT8, INT4 등), 학습 과정에서의 모델에 타겟 레이턴시, 학습 과정에서의 모델의 이미지 크기 및/또는 학습 에폭(epoch) 등을 포함할 수 있다.

일 실시예에서, 벤치마크 결과는 예를 들어 테이블 형태의 자료 구조를 포함할 수 있다.

도 5는 본 개시내용의 일 실시예에 따른 후보 모델 리스트(500)를 예시적으로 도시한다.

일 실시예에서, 후보 모델 리스트(500)는 제 1 모델(540), 제 2 모델(550), 제 3 모델(560), 제 4 모델(570) 및 제 5 모델(580)을 포함할 수 있다.

일 실시예에서, 후보 모델 리스트(500)에 포함된 모델들(540, 550, 560, 570 및 580) 각각은 모델의 태스크(510a, 510b, 510c, 510d 및 510e), 모델의 오브젝트(520a, 520b, 520c, 520d 및 520e) 및/또는 모델의 대표 이미지(530a, 530b, 530c, 530d 및 530e)를 포함할 수 있다.

일 실시예에서, 제 1 모델(540)은 객체 검출과 관련된 모델의 태스크(510a)를 가질 수 있다. 제 1 모델(540)의 오브젝트(520a)는 차량에 대응될 수 있다. 제 1 모델(540)의 대표 이미지(530a)에서 도시되는 바와 같이, 제 1 모델(540)은 이미지 내에서 차량이라는 오브젝트를 검출하는 모델이라는 점이 대표 이미지(530a)를 통해 직관적으로 확인될 수 있다.

일 실시예에서, 제 2 모델(550)은 객체 검출과 관련된 모델의 태스크(510b)를 가질 수 있다. 제 2 모델(550)의 오브젝트(520b)는 사람에 대응될 수 있다. 제 2 모델(550)의 대표 이미지(530b)에서 도시되는 바와 같이, 제 2 모델(550)은 이미지 내에서 사람이라는 오브젝트를 검출하는 모델이라는 점이 대표 이미지(530b)를 통해 직관적으로 확인될 수 있다.

일 실시예에서, 제 3 모델(560)은 객체 검출과 관련된 모델의 태스크(510c)를 가질 수 있다. 제 3 모델(560)의 오브젝트(520c)는 손에 대응될 수 있다. 제 3 모델(560)의 대표 이미지(530c)에서 도시되는 바와 같이, 제 3 모델(560)은 이미지 내에서 손이라는 오브젝트를 검출하는 모델이라는 점이 대표 이미지(530c)를 통해 직관적으로 확인될 수 있다.

일 실시예에서, 제 4 모델(570)은 객체 검출과 관련된 모델의 태스크(510d)를 가질 수 있다. 제 4 모델(570)의 오브젝트(520d)는 포트홀(porthole)에 대응될 수 있다. 제 4 모델(570)의 대표 이미지(530d)에서 도시되는 바와 같이, 제 4 모델(570)은 이미지 내에서 포트홀이라는 오브젝트를 검출하는 모델이라는 점이 대표 이미지(530d)를 통해 직관적으로 확인될 수 있다.

일 실시예에서, 제 5 모델(580)은 시멘틱 세그멘테이션과 관련된 모델의 태스크(510e)를 가질 수 있다. 제 5 모델(580)의 오브젝트(520e)는 MOD에 대응될 수 있다. 제 5 모델(580)의 대표 이미지(530e)에서 도시되는 바와 같이, 제 5 모델(580)은 이미지 내에서 MOD와 관련된 세그멘테이션을 수행 모델이라는 점이 대표 이미지(530e)를 통해 직관적으로 확인될 수 있다.

일 실시예에서, 후보 노드 리스트에 포함된 후보 모델들 각각은 후보 모델 리스트에 포함된 후보 모델들 각각은 task-object로 특정되어 구분될 수 있다. 예를 들어, 후보 모델 리스트에 포함된 후보 모델들 각각은 태스크와 오브젝트의 조합에 따른 단위로 다른 후보 모델들과 구분되어 표시될 수 있다. 이러한 예시에서, 제 1 태스크와 제 1 오브젝트에 대응되는 제 1 후보 모델은 제 1 태스크와 제 2 오브젝트에 대응되는 제 2 모델 및 제 2 태스크와 제 1 오브젝트에 대응되는 제 3 모델과 구분될 수 있다. 따라서, 사용자는 인공지능 모델의 태스크와 오브젝트를 기준으로 획득하고자 하는 모델을 후보 모델 리스트 상에서 손쉽게 결정할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 태스크와 오브젝트 단위로 모델을 구분하여 후보 모델 리스트를 표시하기 때문에, 사용자가 제작하고자 하는 인공지능 기반의 모델이 보다 효율적으로 그리고 보다 직관적으로 제공될 수 있다. 이에 따라, 사용자는 인공지능 모델에 대한 이해도가 낮은 상태에서도 그리고 인공지능 모델에 대한 학습을 수행하지 않고서도 원하는 태스크와 원하는 오브젝트에 대응되는 인공지능 기반의 모델을 획득할 수 있게 된다.

도 6은 본 개시내용의 일 실시예에 따라 제공되는 타겟 모델에 대한 정보(600)를 예시적으로 도시한다.

일 실시예에서, 도 6에서 도시되는 타겟 모델에 대한 정보(600)는 도 5에서의 후보 모델 리스트 상에서 타겟 모델이 선택되는 것에 응답하여 표시될 수 있다.

도 6에서의 예시는 도 5에서의 제 2 모델(550)이 타겟 모델로 선택된 경우에 대한 예시이다.

일 실시예에서, 타겟 모델에 대한 정보(600)는 타겟 모델의 동작을 텍스트 형태로 표시 또는 예시하는 제 1 정보(610), 타겟 모델의 동작을 동영상 또는 이미지 형태로 표시 또는 예시하는 제 2 정보(620), 타겟 모델에서 사용된 데이터셋을 식별하는 제 3 정보(630), 및/또는 타겟 모델의 성능을 표시하는 제 4 정보(640)를 포함할 수 있다.

타겟 모델을 선택하는 것에 응답하여 타겟 모델에 대한 구체화된 정보가 표시되기 때문에, 본 개시내용의 일 실시예에 따른 기법은 사용자로 하여금 선택된 타겟 모델이 적합한지 보다 구체적으로 확인할 수 있도록 허용할 수 있다.

본 개시내용의 추가적인 실시예에서, 제 1 정보(610), 제 2 정보(620), 제 3 정보(630), 제 4 정보(640) 또는 제 5 정보(640) 중 적어도 하나는 사용자로부터의 선택 입력을 수신할 수 있도록 활성화될 수 있다. 예를 들어, 제 1 정보(610)에 대응되는 위치 상에서의 사용자 입력이 수신되는 경우, 모델의 동작을 다른 컨텐츠로 설명하는 텍스트가 출력되거나, 혹은 대응되는 컨텐츠를 가지는 다른 모델을 선택할 수 있는 사용자 인터페이스가 제공될 수 있다. 예를 들어, 제 2 정보(620)에 대응되는 위치 상에서의 사용자 입력이 수신되는 경우, 모델의 동작을 출력하는 동영상이 재생되거나 또는 대응되는 동영상 컨텐츠를 가지는 다른 모델을 선택할 수 있는 사용자 인터페이스가 제공될 수 있다. 예를 들어, 제 3 정보(630)에 대응되는 위치 상에서의 사용자 입력이 수신되는 경우, 데이터셋에 대한 세부 정보(학습 데이터 상에서의 정답 데이터의 종류, 학습 데이터의 소스(source) 및/또는 학습 데이터에 대한 검증(validation) 방식이 출력되거나 또는 데이터셋을 변경하도록 허용하는 사용자 인터페이스가 제공될 수 있다. 예를 들어, 제 4 정보(630)에 대응되는 위치 상에서의 사용자 입력이 수신되는 경우, 다른 종류의 성능 정보가 출력되거나, 성능 정보에 대한 세부정보가 출력되거나, 성능 정보가 보다 양호한 모델이 추천되거나 또는 크기가 더 작은 혹은 더 큰 모델이 추천되는 사용자 인터페이스가 제공될 수 있다.

도 7은 본 개시내용의 일 실시예에 따른 후보 노드 리스트(700)를 예시적으로 도시한다.

도 7에서 도시되는 바와 같이, 후보 노드 리스트(700)는 복수의 노드들(710)과 복수의 노드들(710) 각각의 성능 정보(720)를 포함할 수 있다.

일 실시예에서, 후보 노드 리스트(700)는 벤치마크 정보와 대응될 수 있다. 성능 정보(720)는 레이턴시 정보를 포함할 수 있다. 벤치마크 정보는, 후보 노드들 각각을 식별하기 위한 정보(710) 및 타겟 모델이 실행되는 경우 상기 후보 노드들 각각에 대한 레이턴시 정보(720)를 포함할 수 있다.

일 실시예에서, 도 7에서 도시되는 바와 같이 후보 노드 리스트(700) 또는 벤치마크 정보는, 타겟 모델이 실행되는 경우 후보 노드들(710) 각각에 대한 레이턴시 정보(720)와 후보 노드들(710) 각각을 식별하기 위한 정보를 그래프 형태로 시각적으로 표현한 자료 구조를 포함할 수 있다. 도 7은 설명의 편의를 위해 레이턴시 정보(720)와 후보 노드들(710)이 그래프 형태로 예시하고 있으나, 구현 양태에 따라서 테이블 형태 및/또는 행렬 형태와 같이 2차원 이상의 시각적인 비교를 가능하게 하는 임의의 형태의 데이터 구조 또한 본 개시내용의 범위 내에 포함될 수 있다.

일 실시예에서, 후보 노드들(710)은 타겟 모델을 지원할 수 있는(예컨대, 타겟 모델의 프레임워크를 지원할 수 있는) 노드들을 포함할 수 있다. 일례로, 후보 노드들(710)은 결정된 타겟 모델에 연동될 수 있다. 이러한 예시에서, 후보 노드들(710)이 타겟 모델에 연동된다는 것은, 결정된 타겟 모델이 무엇인지에 따라서 후보 노드 리스트 상에서의 후보 노드들(710)이 가변될 수 있다는 것을 의미할 수 있다.

일 실시예에서, 후보 노드들(710)은 타겟 모델의 지원 여부와는 무관하게 사전 결정된 노드들로 구성될 수 있다. 이러한 경우, 타겟 모델의 프레임워크를 지원하지 않는 후보 노드가 타겟 노드로 선택된 경우, 컴퓨팅 디바이스(100)는 컨버팅 동작을 통해 타겟 모델을 타겟 노드에 의해 지원가능한 형태로 컨버팅할 수 있다.

일 실시예에서, 레이턴시 정보(720)는 후보 노드들(710) 각각에 대해서 사전에 벤치마크를 수행함으로써 획득된 정보이다. 후보 노드들(710) 각각에 대해서 사전 측정된 레이턴시 정보(720)가 제공되기 때문에, 타겟 모델을 실행시킬 타겟 노드를 보다 직관적으로 그리고 보다 효율적으로 결정할 수 있다는 기술적 효과가 달성될 수 있다. 일 실시예에서, 벤치마크를 하고자 하는 사용자 입력 이전에 실측 과정을 통해 획득된 정보에 기초하여 레이턴시 정보(720)가 생성될 수 있기 때문에, 실제로 벤치마크를 수행하기 전에 벤치마크의 결과와 대응도가 높은 정보가 사용자에게 제공될 수 있다.

도 8은 본 개시내용의 일 실시예에 따라 컨버팅된 타겟 모델을 제공하는 방법을 예시적으로 도시한다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델이 결정(810)되고 그리고 타겟 노드가 결정(820)된 경우, 타겟 모델이 타겟 노드에서 실행될 수 있도록 타겟 모델을 컨버팅할 수 있다. 컴퓨팅 디바이스(100)는 타겟 노드에 사전 설정된 정보에 기초하여 타겟 모델을 타겟 노드에서 지원가능한 모델로 컨버팅할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 타겟 모델의 프레임워크가 Onnxruntime에 대응되고 그리고 타겟 노드가 Onnxruntime를 지원하지 않는 경우, 타겟 모델을 타겟 노드가 지원하는 프레임워크(예컨대, TensorRT)로 컨버팅할 수 있다. 이러한 컨버팅의 결과, 컨버팅된 타겟 모델이 생성될 수 있다.

일 실시예에서, 후보 노드 리스트 상에서의 타겟 노드를 선택하는 사용자 입력에 응답하여, 컨버팅된 타겟 모델이 자동으로 생성될 수 있다. 일 실시예에서, 타겟 모델 및 타겟 노드가 결정되는 경우(810, 820), 컨버팅된 타겟 모델이 자동으로 생성될 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 노드에 기초하여 타겟 모델이 컨버팅될 타겟 프레임워크를 결정하고, 그리고 타겟 프레임워크에 대응되는 소프트웨어 버전 정보 및 출력 데이터 타입을 표시할 수 있다. 컴퓨팅 디바이스(100)는 타겟 모델을 컨버팅하고자 하는 사용자 입력에 응답하여, 타겟 모델을 타겟 노드에서 지원가능한 타겟 프레임워크에 대응되도록 컨버팅할 수 있다.

일 실시예에서, 컨버팅 동작 과정에서 컨버팅 설정(830)과 관련된 사용자 인터페이스가 제공될 수 있다. 컨버팅 설정(830)과 관련된 사용자 인터페이스를 통해 컨버팅과 관련된 정보를 제공하고 그리고/또는 컨버팅과 관련된 사용자의 추가 입력을 수신할 수 있다. 컨버팅 설정(830)과 관련된 사용자 인터페이스는 컨버팅될 타겟 프레임워크를 식별하는 정보, 타겟 프레임워크에 대응되는 소프트웨어 버전 정보, 컨버팅된 타겟 모델의 출력 데이터 타입에 대한 정보, 타겟 노드와 관련된 정보, 컨버팅된 타겟 모델의 입력 데이터에 관한 정보 및/또는 컨버팅된 타겟 모델의 파일 명칭과 관련된 정보를 포함할 수 있다.

일 실시예에서, 컨버팅 설정(830)은 타겟 모델이 특정 타입의 모델로 컨버팅될 것을 알리거나 또는 컨버팅될 모델들 중 특정 모델을 선택하도록 유도하거나 또는 컨버팅될 모델들 각각의 성능 정보를 제공하거나 또는 사용자로부터 컨버팅을 진행할 것을 확인하는 입력을 요청하는 것을 포함할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 타겟 모델 및 타겟 노드가 결정(810, 820)되는 경우 사용자 입력을 수신하지 않고 자동으로 컨버팅 동작을 수행할 수 있다. 예를 들어, 후보 모델 리스트에 포함된 모델들은 컴퓨팅 디바이스(100)가 관리하는 후보 노드들이 지원하지 않는 타입으로 생성된 모델들이며, 이에 따라 컴퓨팅 디바이스(100)는 후보 노드 리스트 상에서의 후보 노드가 결정되는 경우, 타겟 모델을 후보 노드에 적합하도록 컨버팅을 수행할 수 있다.

일 실시예에서, 컨버팅 동작에 의해 컨버팅된 타겟 모델(840)이 생성될 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 타겟 모델에 포함된 연산자 중에서 타겟 노드에서 지원되지 않는 연산자를 타겟 모델에서 지원되는 연산자로 변경하는 방식으로 컨버팅을 수행할 수 있다. 예를 들어, 컴퓨팅 디바이스(100)는 타겟 노드에서 지원가능한 실행환경 또는 프레임워크로 타겟 모델을 컨버팅할 수 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 컨버팅의 대상이 되는 모델의 타입과 컨버팅 이후의 모델의 타입 간의 조합을 나타내는 컨버팅 식별 정보를 이용하여 컨버팅을 수행할 수 있다. 이러한 컨버팅은 외부 디바이스(예컨대, 컨버팅 디바이스)에 의해 수행될 수도 있다.

일 실시예에서, 컴퓨팅 디바이스(100)는 복수의 컨버터들 중에서 컨버팅 식별 정보에 대응되는 컨버터를 결정하고 그리고 결정된 컨버터를 이용하여 모델에 대한 컨버팅을 수행할 수 있다.

일 실시예에서, 컨버팅된 타겟 모델을 다운로드(850)할 수 있도록 하는 사용자 인터페이스가 제공될 수 있다. 사용자 입력에 응답하여, 컨버팅된 타겟 모델이 다운가능한 형태로 제공될 수 있다. 이러한 컨버팅된 타겟 모델의 다운로드(850)는 컨버팅된 타겟 모델의 벤치마크(860)와는 독립적으로 수행될 수 있다.

일 실시예에서, 컨버팅된 타겟 모델에 대한 벤치마크(860)가 수행될 수 있다. 타겟 노드에서 컨버팅된 타겟 모델에 대한 벤치마크(860)가 수행될 수 있다.

도 9는 본 개시내용의 일 실시예에 따라 제공되는 컨버팅에 대한 정보(900)를 예시적으로 도시한다.

도 9에서 도시되는 컨버팅에 대한 정보(900)는, 컨버팅될 타겟 프레임워크를 식별하는 정보(930), 타겟 프레임워크에 대응되는 소프트웨어 버전 정보(950), 컨버팅된 타겟 모델의 출력 데이터 타입에 대한 정보(960), 타겟 노드와 관련된 정보(940), 컨버팅된 타겟 모델의 입력 데이터에 관한 정보(920) 및/또는 컨버팅된 타겟 모델의 파일 명칭(910)과 관련된 정보를 포함할 수 있다.

일 실시예에서, 컨버팅된 타겟 모델의 파일 명칭(910)과 관련된 정보에 대응되는 위치에 사용자 입력이 적용되는 경우, 파일 명칭에 대한 변경을 위한 사용자 인터페이스가 생성될 수 있다.

일 실시예에서, 컨버팅된 타겟 모델의 입력 데이터에 관한 정보(920)는 배치 크기, 채널의 개수 및/또는 입력 데이터의 크기를 포함할 수 있다. 예를 들어, 컨버팅된 타겟 모델의 입력 데이터에 관한 정보(920)에 대응되는 위치에 사용자 입력이 적용되는 경우, 타겟 모델과 관련된 입력 데이터를 수정하기 위한 사용자 인터페이스가 제공될 수 있다.

일 실시예에서, 컨버팅될 타겟 프레임워크를 식별하는 정보(930)에 대응되는 위치에 사용자 입력이 적용되는 경우, 컨버팅된 타겟 프레임워크를 변경하기 위한 사용자 인터페이스가 제공될 수 있다.

일 실시예에서, 타겟 노드와 관련된 정보(940)에 대응되는 위치에 사용자 입력이 적용되는 경우, 타겟 노드를 변경하기 위한 사용자 인터페이스가 제공될 수 있다.

일 실시예에서, 타겟 프레임워크에 대응되는 소프트웨어 버전 정보(950)에 대응되는 위치에 사용자 입력이 적용되는 경우, 소프트웨어 버전 정보를 변경하기 위한 사용자 인터페이스가 제공될 수 있다.

일 실시예에서, 컨버팅된 타겟 모델의 출력 데이터 타입에 대한 정보(960)에 대응되는 위치에 사용자 입력이 적용되는 경우, 출력 데이터 타입을 변경하기 위한 사용자 인터페이스가 제공될 수 있다.

일 실시예에서, 컨버팅에 대한 정보(900)에 포함된 각각의 정보들은 사용자 입력 없이 디폴트 값으로 사전 결정된 형태로 표시될 수 있다.

일 실시예에서, 컨버팅에 대한 정보(900)는 타겟 모델이 특정 타입의 모델로 컨버팅될 것을 알리거나 또는 컨버팅될 모델들 중 특정 모델을 선택하도록 유도하거나 또는 컨버팅될 모델들 각각의 성능 정보를 제공하거나 또는 사용자로부터 컨버팅을 진행할 것을 확인하는 입력을 요청하는 것을 포함할 수 있다.

도 10은 본 개시내용의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.

본 개시내용에서의 시스템, 컴포넌트, 모듈 또는 부(unit)는 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조 등을 포함한다. 또한, 당업자라면 본 개시내용에서 제시되는 방법들이 단일-프로세서 또는 멀티프로세서 컴퓨팅 디바이스, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 디바이스, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 충분히 인식할 것이다.

본 개시내용에서 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨팅 디바이스는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(2002)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(2000)이 나타내어져 있으며, 컴퓨터(2002)는 처리 장치(2004), 시스템 메모리(2006) 및 시스템 버스(2008)를 포함한다. 본 명세서에서의 컴퓨터(200)는 컴퓨팅 디바이스(100)와 상호 호환 가능하게 사용될 수 있다. 시스템 버스(2008)는 시스템 메모리(2006)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(2004)에 연결시킨다. 처리 장치(2004)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(2004)로서 이용될 수 있다.

시스템 버스(2008)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(2006)는 판독 전용 메모리(ROM)(2010) 및 랜덤 액세스 메모리(RAM)(2012)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2010)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(2002) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2012)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(2002)는 또한 내장형 하드 디스크 드라이브(HDD)(2014)(예를 들어, EIDE, SATA), 자기 플로피 디스크 드라이브(FDD)(2016)(예를 들어, 이동식 디스켓(2018)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), SSD 및 광 디스크 드라이브(2020)(예를 들어, CD-ROM 디스크(2022)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2014), 자기 디스크 드라이브(2016) 및 광 디스크 드라이브(2020)는 각각 하드 디스크 드라이브 인터페이스(2024), 자기 디스크 드라이브 인터페이스(2026) 및 광 드라이브 인터페이스(2028)에 의해 시스템 버스(2008)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(2024)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(2002)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(2030), 하나 이상의 어플리케이션 프로그램(2032), 기타 프로그램 모듈(2034) 및 프로그램 데이터(2036)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2012)에 저장될 수 있다. 운영 체제, 어플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2012)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2038) 및 마우스(2040) 등의 포인팅 장치를 통해 컴퓨터(2002)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(2008)에 연결되어 있는 입력 장치 인터페이스(2042)를 통해 처리 장치(2004)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(2044) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(2046) 등의 인터페이스를 통해 시스템 버스(2008)에 연결된다. 모니터(2044)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(2002)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(2048) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(2048)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(2002)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(2050)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(2052) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(2054)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(2056)를 통해 로컬 네트워크(2052)에 연결된다. 어댑터(2056)는 LAN(2052)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(2052)은 또한 무선 어댑터(2056)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 모뎀(2058)을 포함할 수 있거나, WAN(2054) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(2054)을 통해 통신을 정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(2058)은 직렬 포트 인터페이스(2042)를 통해 시스템 버스(2008)에 연결된다. 네트워크화된 환경에서, 컴퓨터(2002)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(2050)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시내용의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 본 개시내용의 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

Claims (20)

1. 컴퓨팅 디바이스에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법으로서,
   인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계;
   상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계;
   복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하는 단계;
   상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계; 및
   상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계;
   를 포함하며, 그리고
   상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 단계는,
   상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 단계;
   를 포함하는,
   방법.
2. 제 1 항에 있어서,
   상기 후보 모델 리스트는:
   상기 복수의 후보 모델들의 인공지능 태스크(task)를 식별하는 정보; 및
   상기 복수의 후보 모델들의 오브젝트(object)를 식별하는 정보;
   를 포함하고, 그리고
   상기 후보 모델 리스트에 포함된 후보 모델들 각각은 task-object로 특정되어 구분되는,
   방법.
3. 제 1 항에 있어서,
   상기 후보 노드 리스트는,
   상기 복수의 후보 노드를 식별하는 식별 정보 및 상기 복수의 후보 노드들 각각에서 실행되는 상기 컨버팅된 타겟 모델에 대해 예측되는 벤치마크 예상 정보를 포함하고, 그리고
   상기 후보 노드 리스트에 포함된 상기 벤치마크 예상 정보는 상기 결정된 타겟 모델과 연동되는,
   방법.
4. 제 1 항에 있어서,
   상기 타겟 노드에서 상기 컨버팅된 타겟 모델을 실행함에 따라 획득되는 벤치마크 결과를 제공하는 단계;
   를 더 포함하는,
   방법.
5. 제 1 항에 있어서,
   상기 컨버팅된 타겟 모델은,
   상기 후보 노드 리스트 상에서 상기 타겟 노드를 선택하는 상기 제 2 사용자 입력에 응답하여 자동으로 생성되는,
   방법.
6. 컴퓨팅 디바이스에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법으로서,
   인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계;
   상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계;
   복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하는 단계;
   상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계; 및
   상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계;
   를 포함하며, 그리고
   상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계는:
   상기 타겟 노드에 기초하여 상기 타겟 모델이 컨버팅될 타겟 프레임워크를 결정하고, 그리고 상기 타겟 프레임워크에 대응되는 소프트웨어 버전 정보 및 출력 데이터 타입을 표시하는 단계; 및
   상기 타겟 모델을 컨버팅하고자 하는 제 3 사용자 입력에 응답하여, 상기 타겟 모델을 상기 타겟 노드에서 지원가능한 타겟 프레임워크에 대응되도록 컨버팅하는 단계;
   를 포함하는,
   방법.
7. 컴퓨팅 디바이스에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법으로서,
   인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계;
   상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계;
   복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하는 단계;
   상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계; 및
   상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계;
   를 포함하며, 그리고
   상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계는:
   상기 타겟 노드에 기초하여 상기 타겟 모델이 컨버팅될 타겟 프레임워크를 결정하고, 그리고 상기 타겟 프레임워크에 대응되는 배치 크기(batch size), 채널 정보 및 입력 크기를 표시하는 단계; 및
   상기 타겟 모델을 컨버팅하고자 하는 제 3 사용자 입력에 응답하여, 상기 타겟 모델을 상기 타겟 노드에서 지원가능한 타겟 프레임워크에 대응되도록 컨버팅하는 단계;
   를 포함하는,
   방법.
8. 제 2 항에 있어서,
   상기 후보 모델 리스트는,
   상기 후보 모델들 각각의 동작을 시각적으로 표시하기 위한 대표 이미지;
   를 더 포함하는,
   방법.
9. 삭제
10. 제 1 항에 있어서,
    상기 복수의 후보 노드들을 포함하는 상기 후보 노드 리스트는, 상기 복수의 후보 노드들 각각에서 상기 컨버팅된 타겟 모델이 실행되는 경우의 예측되는 벤치마크 예상 정보를 포함하는,
    방법.
11. 컴퓨팅 디바이스에 의해 수행되는, 인공지능 기반의 모델을 제공하기 위한 방법으로서,
    인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 단계;
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 단계;
    복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하는 단계;
    상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 단계; 및
    상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 단계;
    를 포함하며, 그리고
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 단계는,
    상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델의 동작을 시각적으로 설명하기 위한 동영상 정보, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 단계;
    를 포함하는,
    방법.
12. 제 1 항에 있어서,
    상기 모델 성능 정보는::
    상기 타겟 모델의 크기(size) 정보; 및
    상기 타겟 모델이 정답이라고 출력한 결과 중 실제 정답에 해당하는 비율을 나타내는 정확성(accuracy) 정보;
    를 포함하는,
    방법.
13. 제 10 항에 있어서,
    상기 벤치마크 예상 정보는:
    상기 후보 노드들 각각을 식별하기 위한 정보; 및
    상기 컨버팅된 타겟 모델이 실행되는 경우 상기 후보 노드들 각각에 대한 레이턴시 정보(latency information);
    를 포함하는,
    방법.
14. 제 10 항에 있어서,
    상기 벤치마크 예상 정보는,
    상기 컨버팅된 타겟 모델이 실행되는 경우 상기 후보 노드들 각각에 대한 레이턴시 정보와 상기 후보 노드들 각각을 식별하기 위한 정보를 그래프 형태로 시각적으로 표현한 자료 구조인,
    방법.
15. 제 10 항에 있어서,
    상기 벤치마크 예상 정보는,
    상기 제 1 사용자 입력 이전에, 상기 복수의 후보 노드들 각각에서의 모델 또는 컨버팅된 모델에 대한 성능 측정 과정을 통해 획득된 정보에 기초하여 생성되는,
    방법.
16. 제 4 항에 있어서,
    상기 벤치마크 결과는:
    상기 타겟 노드에서 상기 타겟 모델의 추론의 전처리를 위해 소요되는 전처리(preprocessing) 시간 정보 또는 상기 타겟 노드에서 상기 타겟 모델을 추론하는데 소요되는 추론 시간 정보를 포함하는 시간 정보; 및
    상기 타겟 노드에서 상기 타겟 모델의 추론의 전처리를 위해 사용되는 전처리 메모리 사용량 정보 또는 상기 타겟 노드에서 상기 타겟 모델을 추론하는데 사용되는 추론 메모리 사용량 정보를 포함하는 메모리 사용량 정보;
    를 포함하는,
    방법.
17. 제 4 항에 있어서,
    상기 벤치마크 결과는:
    상기 타겟 노드에 상기 타겟 모델을 실행시키는데 소요되는 메모리 풋프린트 정보;
    상기 타겟 노드에 상기 타겟 모델을 실행시키는데 소요되는 레이턴시 정보; 및
    상기 타겟 노드에 상기 타겟 모델을 실행시키는데 소요되는 전력 소비량 정보;
    를 포함하는,
    방법.
18. 제 1 항에 있어서,
    상기 컨버팅된 타겟 모델을 다운로드 가능한 형식으로 제공하는 단계;
    를 더 포함하는,
    방법.
19. 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 디바이스에 의해 실행 시 상기 컴퓨팅 디바이스로 하여금 인공지능 기반의 모델을 제공하기 위하여 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하는 동작;
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하는 동작;
    복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하는 동작;
    상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하는 동작; 및
    상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하는 동작;
    을 포함하며,
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 동작은,
    상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램.
20. 인공지능 기반의 모델을 제공하기 위한 컴퓨팅 디바이스로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하며,
    상기 적어도 하나의 프로세서는:
    인공지능 기반의 복수의 후보 모델들을 포함하는 후보 모델 리스트를 제공하고;
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 컨버팅 또는 벤치마크의 대상이 되는 타겟 모델을 결정하고;
    복수의 후보 노드들을 포함하는 후보 노드 리스트를 제공하고;
    상기 후보 노드 리스트 상에서의 제 2 사용자 입력에 기초하여, 상기 컨버팅 또는 상기 벤치마크의 대상이 되는 타겟 노드를 결정하고; 그리고
    상기 결정된 타겟 모델의 정보 및 상기 타겟 노드에 기 설정된 정보에 기초하여, 상기 타겟 모델을 상기 타겟 노드에서 지원 가능한 모델로 컨버팅하며,
    상기 후보 모델 리스트 상에서의 제 1 사용자 입력에 기초하여, 상기 타겟 모델을 결정하는 것은,
    상기 후보 모델 리스트 상에서 상기 타겟 모델을 선택하는 상기 제 1 사용자 입력에 응답하여, 상기 타겟 모델에 대응되는 학습 데이터셋을 식별하는 정보 및 상기 타겟 모델에 대응되는 모델 성능 정보를 제공하는 것;
    을 포함하는,
    컴퓨팅 디바이스.