KR102656090B1 - 인공지능 모델 통합 관리 및 배포 시스템과 그 방법 - Google Patents

인공지능 모델 통합 관리 및 배포 시스템과 그 방법 Download PDF

Info

Publication number
KR102656090B1
KR102656090B1 KR1020210190620A KR20210190620A KR102656090B1 KR 102656090 B1 KR102656090 B1 KR 102656090B1 KR 1020210190620 A KR1020210190620 A KR 1020210190620A KR 20210190620 A KR20210190620 A KR 20210190620A KR 102656090 B1 KR102656090 B1 KR 102656090B1
Authority
KR
South Korea
Prior art keywords
information
artificial intelligence
intelligence model
model
user
Prior art date
Application number
KR1020210190620A
Other languages
English (en)
Other versions
KR20230100933A (ko
Inventor
백승찬
Original Assignee
주식회사 커넥트시스템
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 주식회사 커넥트시스템 filed Critical 주식회사 커넥트시스템
Priority to KR1020210190620A priority Critical patent/KR102656090B1/ko
Priority to PCT/KR2022/020459 priority patent/WO2023128418A1/ko
Publication of KR20230100933A publication Critical patent/KR20230100933A/ko
Application granted granted Critical
Publication of KR102656090B1 publication Critical patent/KR102656090B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2855—Environmental, reliability or burn-in testing
    • G01R31/286—External aspects, e.g. related to chambers, contacting devices or handlers
    • G01R31/2868—Complete testing stations; systems; procedures; software aspects
    • G01R31/287—Procedures; Software aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2834—Automated test systems [ATE]; using microprocessors or computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 발명의 일 실시예는, 단말과의 통신 연결을 통해 인공지능 모델 통합 관리 및 배포하는 시스템을 제공한다. 본 시스템은, 사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 정보 관리부, 상기 사용자 단말로부터 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 정보 관리부에 의해 코드화된 정보와 매핑하고, 상기 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 인공지능 모델 관리부, 상기 인공지능 모델 관리부에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 상기 리스트를 상기 사용자 단말로 배포하는 리스트 생성부, 및 상기 사용자 단말로부터 상기 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 상기 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 상기 호출 정보에 대응되는 인공지능 모델을 이용하여 상기 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공하는 응답부를 포함한다.

Description

인공지능 모델 통합 관리 및 배포 시스템과 그 방법 {SYSYEM AND METHOD FOR AI MODEL INTEGRATED MANAGEMENT AND DEPLOYMENT}
본 발명은 인공지능 모델 통합 관리 및 배포 시스템과 그 방법에 관한 것으로, 보다 상세하게는, 반도체 또는 디스플레이 생산 공정의 이상 여부를 판단하는 다양한 인공지능 모델을 저장하여 관리하고, 사용자의 반도체 또는 디스플레이 생산 공정에 적합한 인공지능 모델을 웹 서비스 형태로 사용자에게 배포하도록 구성되는 인공지능 모델 통합 관리 및 배포 시스템 및 방법에 관한 것이다.
최근 들어, 반도체 생산 공정 및 디스플레이 생산 공정에 인공지능(Artificial Intelligence, AI) 기술을 도입하는 기업이 증가하고 있으나, 위와 같은 제조 공정에 인공지능 기술을 도입하기 위한 물적, 인적, 기술적 자원이 부족하여 인공지능 기술 도입을 포기하는 기업이 많이 생기고 있다.
인공지능 기술 도입을 포기하지 않고 외부 전문가 또는 기업 내부 전문가를 통해 인공지능 모델을 개발할 경우, 개발자 간의 협업 및 인공지능 모델 공유 환경이 마련되어 있지 않아, 인공지능 모델 개발에 많은 시간이 소요되는 문제가 존재한다. 또한, 위와 같이 많은 시간을 들여, 인공지능 모델을 개발하더라도 해당 인공지능 모델을 개발한 개발자 외에 다른 개발자가 인공지능 모델을 다양한 반도체 및 디스플레이 생산 공정에 적용하고자 할 경우, 모델 파악이 어려워 활용이 불가능한 경우가 생기는 어려움이 존재한다.
본 발명은 반도체 및 디스플레이 생산 공정의 이상 여부를 판단하는 인공지능 모델을 통합하여 관리하고, 사용자가 어느 단말에서든지 인공지능 모델을 호출하여 사용할 수 있도록, 인공지능 모델을 웹 서비스 형태로 제공하는 인공지능 통합 관리 및 배포 시스템 및 방법을 제공하는 것을 일 기술적 과제로 한다.
또한, 본 발명은 개발자가 인공지능 모델 개발 시, 팀 단위로 다른 개발자와 함께 인공지능 모델을 개발할 수 있는 공유 환경을 제공하는 인공지능 통합 관리 및 배포 시스템 및 방법을 제공하는 것을 다른 일 기술적 과제로 한다.
본 발명이 이루고자 하는 기술적 과제들은 상기한 기술적 과제로 제한되지 않으며, 이하의 설명으로부터 본 발명의 또 다른 기술적 과제들이 도출될 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따라 단말과의 통신 연결을 통해 인공지능 모델을 통합 관리 및 배포하는 시스템이 제공된다. 본 시스템은, 사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 정보 관리부, 상기 사용자 단말로부터 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 정보 관리부에 의해 코드화된 정보와 매핑하고, 상기 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 인공지능 모델 관리부, 상기 인공지능 모델 관리부에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 상기 리스트를 상기 사용자 단말로 배포하는 리스트 생성부, 및 상기 사용자 단말로부터 상기 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 상기 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 상기 호출 정보에 대응되는 인공지능 모델을 이용하여 상기 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공하는 응답부를 포함하도록 구성된다.
또한, 상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 발명의 다른 측면에 따라, 사용자 단말 및 개발자 단말을 포함하는 단말들과 서버의 통신 연결을 통한 인공지능 모델 통합 관리 및 배포 방법이 제공된다. 본 방법은, 사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 단계, 상기 사용자 단말로 및 상기 개발자 단말 중 어느 하나로부터 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 코드화 단계에 의해 코드화된 정보와 매핑하고, 상기 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 단계, 상기 최적화 단계에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 상기 리스트를 상기 사용자 단말로 배포하는 단계, 및 상기 사용자 단말로부터 상기 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 상기 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 상기 호출 정보에 대응되는 인공지능 모델을 이용하여 상기 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단들에 의하면, 반도체 공정 및 디스플레이 공정의 이상 여부를 판단하는 인공지능 모델을 통합 관리하고, 어느 단말에서든지 인공지능 모델을 호출하여 사용할 수 있도록 인공지능 모델을 웹서비스 형태로 제공할 수 있는 시스템을 제공할 수 있다.
또한, 본 발명에 따르면, 인공지능 모델을 웹 서비스 형태로 제공할 수 있으며, 개발자가 인공지능 모델 개발 시, 팀 단위로 다른 개발자와 함께 인공지능 모델을 개발할 수 있는 공유 환경을 제공할 수 있다.
또한, 본 발명에 따르면, 개인별 또는 그룹별로 인공지능 모델을 관리하고, 인공지능 모델을 수정하여, 반도체 공정 및 디스플레이 공정 이상 감지에 최적화시킬 수 있는 시스템을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 모델 통합 관리 및 배포 시스템과 이와 통신 연결되는 단말들을을 나타낸 도면이다.
도 2는 도 1에 도시된 인공지능 모델 통합 관리 및 배포 시스템의 구성을 도시한 블록도이다.
도 3은 도 1에 도시된 단말의 구성을 도시한 블록도이다.
도 4는 본 발명의 다른 실시예에 따른 인공지능 모델 통합 관리 및 배포 방법의 순서를 도시한 흐름도이다.
도 5 내지 도 7은 도 4에 도시된 인공지능 모델 통합 관리 및 배포 방법의 단계들이 포함하는 세부 단계들을 나타낸 흐름도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 상세히 설명하기로 한다. 다만, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예들로 한정되는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다. 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미로 해석되어야 한다. 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 추가적으로 갖는 것으로 해석되어야 하며, 별도로 정의되지 않는 한 매우 이상적이거나 제한적인 의미로 해석되지 않는다.
도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 도면에 나타난 각 구성요소의 크기, 형태, 형상은 다양하게 변형될 수 있다. 명세서 전체에 대하여 동일/유사한 부분에 대해서는 동일/유사한 도면 부호를 붙였다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 “부” 등은 명세서 작성의 용이함만이 고려되어 부여 되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략하였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉 또는 결합)"되어 있다고 할 때, 이는 "직접적으로 연결(접속, 접촉 또는 결합)"되어 있는 경우뿐만 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결 (접속, 접촉 또는 결합)"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함(구비 또는 마련)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 "포함(구비 또는 마련)"할 수 있다는 것을 의미한다.
본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 나타내는 용어들은 하나의 구성 요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 구성 요소들의 순서나 관계를 제한하지 않는다. 예를 들어, 본 발명의 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소도 제1구성 요소로 명명될 수 있다. 본 명세서에서 사용되는 단수 표현의 형태들은 명백히 반대의 의미를 나타내지 않는 한 복수 표현의 형태들도 포함하는 것으로 해석되어야 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 모델 통합 관리 및 배포 시스템(이하, “인공지능 통합 관리 시스템(100)”이라 함)과 이와 통신 연결되는 단말들(200, 300)의 통신 연결을 나타낸 도면이다.
도 1을 참조하면, 인공지능 통합 관리 시스템(100) 및 단말들(200, 300)은 유선 또는 무선 통신망을 통해 상호 연결될 수 있다. 인공지능 통합 관리 시스템(100)은 SaaS (Software as a Service), PaaS (Platform as a Service) 또는 IaaS (Infrastructure as a Service)와 같은 클라우드 컴퓨팅 서버로 형성될 수 있다. 단말들(200, 300) 각각은 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 휴대성과 이동성이 보장되는 무선 통신 장치 또는 스마트폰, 터치패드를 포함하는 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 의미할 수 있다. 통신망은 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
단말들(200, 300)은 인공지능 통합 관리 시스템(100)을 이용하는 사용자 단말(200) 및 인공지능 통합 관리 시스템(100)에 인공지능 모델을 제공하는 개발자 단말(300)을 포함할 수 있다. 인공지능 통합 관리 시스템(100)을 이용하는 사용자가 인공지능 통합 관리 시스템(100)에 인공지능 모델을 제공하는 개발자일 수 있다. 또한, 인공지능 통합 관리 시스템(100)에 인공지능 모델을 제공하는 개발자 역시, 인공지능 통합 관리 시스템(100)을 이용하는 사용자일 수 있다. 따라서, 사용자 단말(200)과 개발자 단말(300)을 도 1에서는 구분하여 도시하였으나, 실질적으로 동일한 구성일 수 있다. 사용자 단말(200)은 상술한 인공지능 통합 관리 시스템(100)으로부터 수신한 인공지능 모델 리스트 및 응답 정보를 출력하여 디스플레이 상에 표시할 수 있다.
인공지능 통합 관리 시스템(100) 및 사용자 단말(200)에 대해서는 이하에서 도 2 및 도 3을 참조하여 더욱 상세하게 설명하고자 한다. 개발자 단말(300) 역시 이하에서 설명되는 사용자 단말(200)과 실질적으로 동일한 구성을 포함할 수 있다.
도 2는 인공지능 통합 관리 시스템(100)의 구성을 도시한 블록도이다.
도 1 및 도 2를 함께 참조하면, 인공지능 통합 관리 시스템(100)은 정보 관리부(110), 인공지능 모델 관리부(120), 리스트 생성부(130) 및 응답부(140)를 포함한다. 인공지능 통합 관리 시스템(100)의 정보 관리부(110), 인공지능 모델 관리부(120), 리스트 생성부(130) 및 응답부(140)는 Rest(Representational state transfer)ful API를 통해 단말들(200, 300)과 정보를 송수신할 수 있다.
정보 관리부(110)는 사용자 단말(200)로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화할 수 있다. 보다 상세하게는, 정보 관리부(110)는 공통 정보 관리 모듈(111), 사용자 정보 관리 모듈(112), 코드 정보 관리 모듈(113) 및 서버 정보 관리 모듈(114)를 포함할 수 있다.
공통 정보 관리 모듈(111)은 사용자 단말(200)로부터 회사명, 주요사업 정보, 공장 정보 및 공정 정보를 포함하는 업체 정보를 수신하여 저장할 수 있다. 공정 정보는 반도체 공정 정보 및 디스플레이 정보 중 적어도 하나 이상을 포함할 수 있다. 반도체 공정 정보는 반도체 생산 공정 라인, 반도체 수율 테스트 라인 및 반도체 생산 설비 정보 중 적어도 하나 이상을 포함할 수 있다. 디스플레이 공정 정보는 디스플레이 생산 공정 라인, 디스플레이 수율 테스트 라인 및 디스플레이 생산 설비 정보 중 적어도 하나 이상을 포함할 수 있다.
사용자 정보 관리 모듈(112)은 사용자 단말(200)로부터 사용자 정보를 수신하여 저장할 수 있다. 사용자 정보는 사용자 이름, 사용자 아이디, 사용자 소속 회사, 사용자 연령, 사용자 성별, 사용자 고유번호, 사용자 이메일 및 사용자 전화번호 중 적어도 하나 이상을 포함할 수 있다. 사용자 고유번호는 사용자의 사원번호 또는 주민번호일 수 있다.
코드 정보 관리 모듈(113)은 공통 정보 관리 모듈(111) 및 사용자 정보 관리 모듈(112)이 수신한 정보들을 코드화하여 관리할 수 있다. 코드화는 공통 정보 관리 모듈(111) 및 사용자 정보 관리 모듈(112)에서 수신한 정보들을 회사 코드, 회사 주요 사업 코드, 공정 코드로 코드화하는 것일 수 있다. 공정 코드는 공정 라인 코드, 수율 테스트 라인 코드, 생산 설비 코드, 공정 영역 코드로 세분화될 수 있다.
인공지능 모델 관리부(120)는 사용자 단말(200)로부터 인공지능 모델 정보를 수신하고, 인공지능 모델 정보를 정보 관리부(110)에 의해 코드화된 정보와 매핑한다. 그리고 인공지능 모델 관리부(120)는 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화한다. 보다 상세하게는, 인공지능 모델 관리부(120)는 모델 정보 관리 모듈(121) 및 모델 테스트 모듈(122)을 포함할 수 있다.
모델 정보 관리 모듈(121)은 사용자 단말(200)로부터 상기 인공지능 모델 정보를 수신하고, 인공지능 모델 정보를 정보 관리부(110)에 의해 코드화된 정보에 매핑하여 저장할 수 있다. 인공지능 모델 정보는 인공지능 모델의 개발자 정보, 모델명 정보, 모델 버전 정보 및 모델 내용 정보, 모델 입력 데이터 포맷, SavedModel 파일 바이너리 정보 중 적어도 하나 이상을 포함할 수 있다. 모델 정보 관리 모듈(121)은 인공지능 모델 정보에 포함된 인공지능 모델을 개발 중인 모델 또는 개발 완료 모델로 분류하여 저장할 수 있다. 모델 정보 관리 모듈(121)은 사용자 단말(200) 또는 개발자 단말(300)로부터 제공된 인공지능 모델 정보를 설정하기 위한 설정 정보를 수신할 수 있다.
상술한 설정 정보는 모델 학습 시, 조정 가능한 파라미터 정보 공개/비공개 여부, 모델 소스 공개여부, 모델 테스트 권한 정보 및 모델 삭제 여부 중 적어도 하나 이상을 포함할 수 있다. 모델 테스트 권한 정보는 모델 테스트 모듈(122)의 모델 수정 권한을 해당 사용자 단말(200)에만 제공할지 또는 복수의 사용자 단말(200)에게 제공할지 선택하는 정보일 수 있다. 예를 들어, 권한 정보는 개인별로 인공지능 모델 정보를 확인하고, 테스트할 것인지 또는 그룹별로 인공지능 모델 정보를 확인하고 테스트할 것인지 권한을 설정할 수 있도록 하는 정보이다. 이를 통해 사용자는 인공지능 모델 정보에 포함된 인공지능 모델이 어느 공정에 적합한지 지정하여 관리할 수 있고, 개별적으로 또는 그룹으로 인공지능 모델 정보를 확인 및 테스트할 수 있다.
모델 테스트 모듈(122)은 사용자 단말(200)로부터 인공지능 모델 정보에 대응되는 테스트 정보를 수신하고, 테스트 정보를 토대로 인공지능 모델의 정확도 테스트를 수행한다. 테스트 정보는 모델 테스트 데이터 및 테스트 정답값을 포함할 수 있다. 모델 테스트 모듈(122)은 정확도 테스트의 결과값이 기 설정된 값 이하인 경우, 사용자 단말(200)에게 인공지능 모델의 수정 요청 정보를 전송하고, 사용자 단말(200)로부터 인공지능 모델 수정 정보를 수신한다. 기 설정된 값은 정확도 테스트의 결과값과 테스트 정보의 테스트 정답값을 비교하여 도출되는 유사도 값일 수 있다.
인공지능 모델 수정 정보는 수정된 인공지능 모델일 수 있다. 또한, 인공지능 모델 수정 정보는 인공지능 모델을 수정하기 위한 데이터 및 절차 정보일 수 있다. 인공지능 모델 통합 관리 시스템(100)은 인공지능 모델 수정 정보를 토대로 기존의 인공지능 모델을 수정할 수 있다.
예를 들어, 모델 테스트 모듈(122)은 정확도 테스트의 결과값과 테스트 정보의 테스트 정답값을 비교하여 유사도 값을 파악하고, 유사도 값이 90% 이하일 경우, 사용자 단말(200)에게 인공지능 모델의 수정 요청 정보를 전송할 수 있다. 모델 테스트 모듈(122)은 사용자 단말(200)로부터 모델 수정 정보를 수신하고, 모델 수정 정보를 인공지능 모델에 적용하여 인공지능 모델을 수정할 수 있다. 모델 수정 정보는 매개변수 수정 정보, 오류 수정 정보 및 초매개변수 (하이퍼파라미터, Hyper-parameter) 정보 중 적어도 하나 이상을 포함할 수 있다. 모델 테스트 모듈(122)은 수정된 인공지능 모델을 대상으로 제2 테스트를 진행하여 제2 유사도 값을 측정할 수 있다. 모델 테스트 모듈(122)은 제2 유사도 값이 90% 이하일 경우, 사용자 단말(200)에게 2차 수정 요청 정보를 송신하고, 사용자 단말(200)로부터 2차 모델 수정 정보를 수신하여 인공지능 모델을 수정할 수 있다. 제2 유사도 값이 90% 초과일 경우, 모델 테스트 모듈(122)은 사용자 단말(200)에게 모델 수정 완료 알람을 제공할 수 있다. 모델 테스트 모듈(122)은 정확도 테스트의 과정 및 결과를 모두 저장하여 관리할 수 있다. 이를 통해, 모델 테스트 모듈(122)은 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 최적화시킬 수 있다.
리스트 생성부(130)는 인공지능 모델 관리부(120)에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 생성된 리스트를 상기 사용자 단말(200)로 배포할 수 있다. 리스트는 인공지능 모델명, 인공지능 모델 설명, 인공지능 모델에 매핑된 공정 정보 및 인공지능 모델 배포 현황 정보 등을 포함할 수 있다.
응답부(140)는 사용자 단말(200)로부터 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 기설정된 복수개의 공정들에 대한 공정 데이터를 수신한다. 응답부(140)는 호출 정보에 대응되는 인공지능 모델을 이용하여 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공할 수 있다. 보다 상세하게는, 응답부(140)는 호출 정보 수신 모듈(141), 인공지능 모델 결제 모듈(142) 및 응답 정보 생성 모듈(143)을 포함할 수 있다.
호출 정보 수신 모듈(141)은 사용자 단말(200)로부터 리스트에 대한 호출 정보 및 공정 데이터를 수신할 수 있다. 호출 정보는 리스트 중에서 선택된 인공지능 모델에 대한 모델 선택 정보, 모델 요청 단말 정보, 모델 요청 날짜 정보 및 모델 요청 시간 정보 중 적어도 하나 이상을 포함할 수 있다. 공정 데이터는 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한, 라인 정보 및 파라미터 정보를 포함할 수 있다. 파라미터 정보는 반도체 공정 및 디스플레이 공정들 각각에서 수행되는 과정들을 기록하기 위해 측정한 다양한 데이터들을 포함할 수 있다.
인공지능 모델 결제 모듈(142)은 호출된 인공지능 모델의 개발자 단말(300)로 결제 요청 정보를 송신할 수 있다. 인공지능 모델 결제 모듈(142)은 개발자 단말(300)로부터 결제 요청 정보에 대응되는 결제 완료 정보를 수신할 경우, 호출된 인공지능 모델을 인공지능 모델 정보 관리부(120)로부터 불러올 수 있다.
응답 정보 생성 모듈(143)은 인공지능 모델 관리부(120)로부터 전송 받은 인공지능 모델에 공정 데이터를 입력하여 이상 감지 결과를 포함하는 응답 정보를 생성하고, 응답 정보를 사용자 단말(200)에게 제공할 수 있다. 응답 정보는 공정의 상태 정보, 이상 감지 처리 메시지 정보, 이상 감지 예측 정보, 이상 감지 코멘트 정보 및 이상 감지 확률값 중 적어도 하나 이상을 포함할 수 있다. 공정의 상태 정보는 반도체 공정 및 디스플레이 공정들 각각의 공정 온도, 공정 습도 및 공정 분위기 정보 중 적어도 하나 이상을 포함할 수 있다.
도 1 및 도 3을 함께 참조하면, 사용자 단말(200)은 통신 모듈(210), 메모리(220), 입출력 모듈(230) 및 프로세서(240)를 포함할 수 있다.
통신 모듈(210)은 인공지능 통합 관리 시스템(100)과의 정보 송수신을 수행한다. 통신 모듈(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치를 포함할 수 있다.
메모리(220)는 인공지능 모델 통합 관리 프로그램을 저장한다. 인공지능 모델 통합 관리 프로그램의 명칭은 설명의 편의를 위해 설정된 것으로, 명칭 그 자체로 프로그램의 기능을 제한하는 것은 아니다. 메모리(220)는 통신 모듈(210)로 입력되는 정보 및 데이터, 프로세서(240)에 의해 수행되는 기능에 필요한 정보 및 데이터, 프로세서(240)의 실행에 따라 생성된 데이터 중 적어도 어느 하나 이상을 저장할 수 있다. 메모리(220)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력을 필요로 하는 휘발성 저장장치를 통칭하는 것으로 해석되어야 한다. 또한, 메모리(220)는 프로세서(240)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(220)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
입출력 모듈(230)은 외부로부터 사용자 단말(200)로 전송되는 정보, 데이터 등을 입력받거나, 사용자 단말(200)이 보유한 정보, 데이터 등을 외부로 출력할 수 있다. 예컨대, 입출력 모듈(230)은 디스플레이, 터치패드, 스피커 및 마이크 등을 포함할 수 있다.
프로세서(240)는 데이터를 제어 및 처리하는 다양한 종류의 장치들을 포함할 수 있다. 프로세서(140)는 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 일 예에서, 프로세서(240)는 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 프로세서(240)는 메모리(220)에 저장된 인공지능 모델 통합 관리 프로그램(이하, “관리 프로그램”이라 함)을 실행하여 다음과 같은 기능 및 절차들을 수행하도록 구성된다.
프로세서(240)에서 인공지능 통합 관리 시스템(100)으로 송신하는 정보는 입출력 모듈(230)을 통해 출력되는 다양한 인터페이스에 입력된 정보일 수 있다. 인터페이스는 인공지능 통합 관리 시스템(100)로부터 수신되거나 프로세서(240)에 의해 생성될 수 있다.
프로세서(240)는 사용자 정보 및 업체 정보를 인공지능 통합 관리 시스템(100)으로 송신할 수 있다. 보다 상세하게는, 프로세서(240)는 입출력 모듈(230)을 통해 사용자의 정보 및 업체 정보 입력 인터페이스를 출력하고, 해당 인터페이스에 입력된 사용자 정보 및 업체 정보를 통신 모듈(210)을 통해 인공지능 통합 관리 시스템(100)으로 송신할 수 있다.
프로세서(240)는 인공지능 모델 정보를 인공지능 통합 관리 시스템(100)으로 송신할 수 있다. 프로세서(240)는 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 감지 여부를 판단하도록 최적화시키기 위해 인공지능 통합 관리 시스템(100)으로 인공지능 모델 정보에 대응되는 테스트 정보를 송신할 수 있다. 프로세서(240)는 인공지능 통합 관리 시스템(100)으로부터 인공지능 모델의 정확도 테스트 결과값이 기설정된 값 이하일 경우, 인공지능 모델의 수정 요청 정보를 수신한다. 프로세서(240)는 모델 수정 정보를 인공지능 통합 관리 시스템(100)으로 송신하여 인공지능 모델에 모델 수정 정보를 적용할 수 있다. 이를 통해, 사용자 단말(200)에서 인공지능 모델을 특정 공정에 최적화시킬 수 있다.
프로세서(240)는 인공지능 통합 관리 시스템(100)으로부터 최적화된 인공지능 모델에 대한 리스트를 수신할 수 있다. 프로세서는 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 기설정된 복수개의 공정들에 대한 공정 데이터를 인공지능 통합 관리 시스템(100)으로 송신할 수 있다. 프로세서(240)는 인공지능 통합 관리 시스템(100)으로부터 응답 정보를 수신할 수 있다. 응답 정보는 호출 정보에 대응되는 인공지능 모델을 이용하여 공정 데이터를 토대로 생성된 정보이다. 응답 정보는 공정의 상태 정보, 이상 감지 처리 메시지 정보, 이상 감지 예측 정보, 이상 감지 코멘트 정보 및 이상 감지 확률값 중 적어도 하나 이상을 포함할 수 있다. 프로세서(240)는 통신 모듈(210)을 통해 인공지능 통합 관리 시스템(100)으로부터 응답 정보를 수신하여 입출력 모듈(230)을 통해 표시할 수 있다. 이를 통해 사용자 단말(200)은 공정의 이상 여부를 인공지능 통합 관리 시스템(100)통해 쉽게 파악할 수 있다.
도 4는 본 발명의 다른 실시예에 따른 인공지능 모델 통합 관리 및 배포 방법(이하, “인공지능 모델 통합 관리 방법” 이라 함.)을 설명하는 동작 흐름도이고, 도 5 내지 도 7은 인공지능 모델 통합 관리 방법의 일부 단계들에 대한 세부 과정들을 도시한 도면들이다. 이하에서 도 4 내지 도 7을 참조하여, 인공지능 모델 통합 관리 방법을 설명하도록 한다. 이하에서 설명될 인공지능 모델 통합 관리 방법의 각 단계들은 앞서 도 1 내지 도 3을 참조하여 설명한 인공지능 통합 관리 시스템(100), 사용자 단말(200), 개발자 단말(300) 중 적어도 하나 이상에 의해 수행될 수 있다. 따라서, 앞서 도 1 내지 도 3을 참조하여 설명한 본 발명의 실시예에 대한 내용은 이하에서 설명될 실시예에도 동일하게 적용될 수 있으며, 이하에서 상술한 설명과 중복되는 내용은 생략하도록 한다. 이하에서 설명되는 단계들은 반드시 순서대로 수행되어야 하는 것은 아니고, 단계들의 순서는 다양하게 설정될 수 있으며, 단계들은 거의 동시에 수행될 수도 있다.
도 4를 참조하면, 인공지능 모델 통합 관리 방법은 사용자 단말 및 개발자 단말을 포함하는 단말들과 서버의 통신 연결을 통한 방법으로서, 사용자 정보 및 업체 정보 코드화 단계(S110), 인공지능 모델 최적화 단계(S120), 인공지능 모델 리스트 생성 단계(S130) 및 응답 정보 생성 단계(S140)를 포함한다. 여기서, 사용자 단말, 개발자 단말 및 서버는 각각 앞서 도 1 내지 도 3을 참조하여 설명한 사용자 단말(도 1의 200), 개발자 단말(도 1의 300) 및 인공지능 모델 통합 관리 시스템(도 1의 100)과 실질적으로 동일한 것일 수 있다. 위 단계는 Rest(Representational state transfer)ful API를 통해 수행될 수 있다.
사용자 정보 및 업체 정보 코드화 단계(S110)는 서버가 사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 단계이다. 인공지능 모델 최적화 단계(S120)는 서버가 사용자 단말로부터 인공지능 모델 정보를 수신하고, 인공지능 모델 정보를 사용자 정보 및 업체 정보 코드화 단계(S110)에 의해 코드화된 정보와 매핑하고, 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 단계이다. 인공지능 모델 리스트 생성 단계(S130)는 서버가 인공지능 모델 최적화 단계(S120)에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 생성된 리스트를 상기 사용자 단말로 배포하는 단계이다. 리스트는 인공지능 모델명, 인공지능 모델 설명, 인공지능 모델에 매핑된 공정 정보 및 인공지능 모델 배포 현황 정보 등을 포함할 수 있다. 응답 정보 제공 단계(S140)는 서버가 사용자 단말로부터 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 호출 정보에 대응되는 인공지능 모델을 이용하여 공정 데이터를 토대로 생성한 응답 정보를 사용자 단말에게 제공하는 단계이다.
도 5를 참조하면, 사용자 정보 및 업체 정보 코드화 단계(S110)는 공통 정보 관리 단계(S111), 사용자 정보 관리 단계(S112) 및 공통 정보 및 사용자 정보 코드화 단계(S113)를 포함할 수 있다.
공통 정보 관리 단계(S111)는 서버가 사용자 단말로부터 회사명, 주요사업 정보, 공장 정보 및 공정 정보를 포함하는 업체 정보를 수신하여 저장하는 단계이다. 공정 정보는 반도체 공정 정보 및 디스플레이 정보 중 적어도 하나 이상을 포함할 수 있다. 반도체 공정 정보는 반도체 생산 공정 라인, 반도체 수율 테스트 라인 및 반도체 생산 설비 정보 중 적어도 하나 이상을 포함할 수 있다. 디스플레이 공정 정보는 디스플레이 생산 공정 라인, 디스플레이 수율 테스트 라인 및 디스플레이 생산 설비 정보 중 적어도 하나 이상을 포함할 수 있다.
사용자 정보 관리 단계(S112)는 서버가 사용자 단말로부터 사용자 정보를 수신하여 저장하는 단계이다. 사용자 정보는 사용자 이름, 사용자 아이디, 사용자 소속 회사, 사용자 연령, 사용자 성별, 사용자 고유번호, 사용자 이메일 및 사용자 전화번호 중 적어도 하나 이상을 포함할 수 있다.
공통 정보 및 사용자 정보 코드화 단계(S113)는 서버가 공통 정보 관리 단계(S111) 및 사용자 정보 관리 단계(S112)에서 수신한 정보들을 코드화하여 관리하는 단계이다. 코드화는 공통 정보 관리 단계(S111) 및 사용자 정보 관리 단계(S112)에서 수신한 정보들을 회사 코드, 회사 주요 사업 코드, 공정 코드로 코드화하는 것일 수 있다. 공정 코드는 공정 라인 코드, 수율 테스트 라인 코드, 생산 설비 코드, 공정 영역 코드로 세분화될 수 있다.
도 6을 참조하면, 인공지능 모델 최적화 단계(S120)는 모델 정보 관리 단계(S121) 및 인공지능 모델 테스트 단계(S122)를 포함할 수 있다.
모델 정보 관리 단계(S121)는 서버가 사용자 단말로부터 상기 인공지능 모델 정보를 수신하고, 인공지능 모델 정보를 사용자 정보 및 업체 정보 코드화 단계(S110)에 의해 코드화된 정보에 매핑하여 저장하는 단계이다. 인공지능 모델 정보는 인공지능 모델의 개발자 정보, 모델명 정보, 모델 버전 정보 및 모델 내용 정보, 모델 입력 데이터 포맷, SavedModel 파일 바이너리 정보 중 적어도 하나 이상을 포함할 수 있다. 모델 정보 관리 단계(S121)는 인공지능 모델 정보에 포함된 인공지능 모델을 개발 중인 모델 또는 개발 완료 모델로 분류하여 저장하는 단계를 포함할 수 있다. 모델 정보 관리 단계(S121)는 사용자 단말 또는 개발자 단말로부터 제공된 인공지능 모델 정보를 설정하기 위한 설정 정보를 수신하는 단계를 포함할 수 있다. 설정 정보는 모델 학습 시, 조정 가능한 파라미터 정보 공개/비공개 여부, 모델 소스 공개여부, 모델 테스트 권한 정보 및 모델 삭제 여부 중 적어도 하나 이상을 포함할 수 있다. 모델 테스트 권한 정보는 인공지능 모델 테스트 단계(S122)의 모델 수정 권한을 해당 사용자 단말에만 제공할지 또는 복수의 사용자 단말에게 제공할지 선택하는 정보일 수 있다. 예를 들어, 권한 정보는 개인별로 인공지능 모델 정보를 확인하고, 테스트할 것인지 또는 그룹별로 인공지능 모델 정보를 확인하고 테스트할 것인지 권한을 설정할 수 있도록 하는 정보이다. 이를 통해 사용자는 인공지능 모델 정보에 포함된 인공지능 모델이 어느 공정에 적합한지 지정하여 관리할 수 있고, 개별적으로 또는 그룹으로 인공지능 모델 정보를 확인 및 테스트할 수 있다.
인공지능 모델 테스트 단계(S122)는 서버가 사용자 단말로부터 인공지능 모델 정보에 대응되는 테스트 정보를 수신하고, 테스트 정보를 토대로 인공지능 모델의 정확도 테스트를 수행하고, 정확도 테스트의 결과값이 기 설정된 값 이하인 경우, 사용자 단말에게 인공지능 모델의 수정 요청 정보를 전송하고, 사용자 단말로부터 인공지능 모델 수정 정보를 수신하는 단계이다. 테스트 정보는 모델 테스트 데이터 및 테스트 정답값을 포함할 수 있다. 기 설정된 값은 정확도 테스트의 결과값과 테스트 정보의 테스트 정답값을 비교하여 도출되는 유사도 값일 수 있다. 예를 들어, 인공지능 모델 테스트 단계(S122)는 서버가 정확도 테스트의 결과값과 테스트 정보의 테스트 정답값을 비교하여 유사도 값을 파악하고, 유사도 값이 90% 이하일 경우, 사용자 단말에게 인공지능 모델의 수정 요청 정보를 전송하는 단계일 수 있다. 인공지능 모델 테스트 단계(S122)는 서버가 사용자 단말로부터 모델 수정 정보를 수신하고, 모델 수정 정보를 인공지능 모델에 적용하여 인공지능 모델을 수정하는 단계일 수 있다. 모델 수정 정보는 매개변수 수정 정보, 오류 수정 정보 및 초매개변수 (하이퍼파라미터, Hyper-parameter) 정보 중 적어도 하나 이상을 포함할 수 있다. 인공지능 모델 테스트 단계(S122)는 서버가 수정된 인공지능 모델을 대상으로 제2 테스트를 진행하여 제2 유사도 값을 측정하고, 제2 유사도 값이 90% 이하일 경우, 사용자 단말에게 2차 수정 요청 정보를 송신하고, 사용자 단말로부터 2차 모델 수정 정보를 수신하여 인공지능 모델을 수정하는 단계를 포함할 수 있다. 제2 유사도 값이 90% 초과일 경우, 인공지능 모델 테스트 단계(S122)는 사용자 단말에게 모델 수정 완료 알람을 제공하는 단계를 포함할 수 있다. 인공지능 모델 테스트 단계(S122)에서 수행된 정확도 테스트의 과정 및 결과는 서버에 모두 저장되어 관리될 수 있다. 이를 통해, 인공지능 모델 테스트 단계(S122)에서 서버는 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 최적화시킬 수 있다.
도 7을 참조하면, 응답 정보 제공 단계(S140)는 호출 정보 수신 단계(S141), 인공지능 모델 결제 단계(S142) 및 응답 정보 생성 단계(S143)를 포함할 수 있다.
호출 정보 수신 단계(S141)는 서버가 사용자 단말로부터 리스트에 대한 호출 정보 및 공정 데이터를 수신하는 단계이다. 호출 정보는 리스트 중에서 선택된 인공지능 모델에 대한 모델 선택 정보, 모델 요청 단말 정보, 모델 요청 날짜 정보 및 모델 요청 시간 정보 중 적어도 하나 이상을 포함할 수 있다. 호출 정보는 예를 들어, Restful API 방식으로 아래와 같은 형식을 가질 수 있다.
“POST http://host:port/models/${MODEL_NAME}[/versions/${VERSION}
공정 데이터는 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한, 라인 정보 및 파라미터 정보를 포함할 수 있다. 파라미터 정보는 반도체 공정 및 디스플레이 공정들 각각에서 수행되는 과정들을 기록하기 위해 측정한 다양한 데이터들을 포함할 수 있다. 공정 데이터는 예를 들어, Restful API 방식으로 아래와 같은 형식을 가질 수 있다.
"req_system": "MES" <요청하는 단말명>
"parameter_name":"voltage" <분석요청 파라미터 이름>
"inputs": [{'time':'2021-12-09 11:01:01', 'value':1.235},
{'time':'2021-12-09 11:01:02', 'value':1.56},
{'time':'2021-12-09 11:01:03', 'value':1.37},
{'time':'2021-12-09 11:01:04', 'value':2.5}, ] <시간, 파라미터 정보의 값을 여러개 포함하는 데이터를 Json 형식으로 전달하는 형태>”
인공지능 모델 결제 단계(S142)는 서버가 호출된 인공지능 모델의 개발자 단말(300)로 결제 요청 정보를 송신하고, 개발자 단말(300)로부터 결제 요청 정보에 대응되는 결제 완료 정보를 수신할 경우, 호출된 인공지능 모델을 서버로부터 불러오는 단계이다. 해당 인공지능 모델은 서버에 기 저장되어 관리될 수 있다.
응답 정보 생성 단계(S143)는 서버가 수신한 인공지능 모델에 공정 데이터를 입력하여 이상 감지 결과를 포함하는 응답 정보를 생성하고, 응답 정보를 사용자 단말에게 제공하는 단계이다. 응답 정보는 공정의 상태 정보, 이상 감지 처리 메시지 정보, 이상 감지 예측 정보, 이상 감지 코멘트 정보 및 이상 감지 확률값 중 적어도 하나 이상을 포함할 수 있다. 공정의 상태 정보는 반도체 공정 및 디스플레이 공정들 각각의 공정 온도, 공정 습도 및 공정 분위기 정보 중 적어도 하나 이상을 포함할 수 있다. 응답 정보는 예를 들어, Restful API 방식으로 아래와 같은 형식을 가질 수 있다.
도면에 도시되지 않았으나, 상술한 인공지능 통합 관리 시스템(100)은 통신 모듈, 프로세서, 메모리를 포함하여 구현될 수 있다. 프로세서는 도 2에 도시된 정보 관리부(110), 인공지능 모델 관리부(120), 리스트 생성부(130) 및 응답부(140)의 기능 및 동작을 수행하도록 구성될 수 있다. 예를 들어, 프로세서는 사용자 단말(200)로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화할 수 있다. 프로세서는 사용자 단말(200)로부터 인공지능 모델 정보를 수신하고, 인공지능 모델 정보를 코드화된 정보와 매핑하고, 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화할 수 있다. 프로세서는 최적화된 인공지능 모델에 대한 리스트를 생성하고, 해당 리스트를 사용자 단말(200)로 배포할 수 있다. 프로세서는 사용자 단말(200)로부터 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 호출 정보에 대응되는 인공지능 모델을 이용하여 공정 데이터를 토대로 생성한 응답 정보를 사용자 단말(200)에게 제공할 수 있다.
이상 지금까지 설명한 본 발명의 실시예들에 따른 인공지능 모델 통합 관리 방법은, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 상술한 설명을 기초로 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해되어야만 한다. 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다. 본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 인공지능 통합 관리 시스템
110: 정보 관리부
111: 공통 정보 관리 모듈
112: 사용자 정보 관리 모듈
113: 코드 정보 관리 모듈
114: 서버 정보 관리 모듈
120: 인공지능 모델 관리부
121: 모델 정보 관리 모듈
122: 모델 테스트 모듈
130: 리스트 생성부
140: 응답부
141: 호출 정보 수신 모듈
142: 인공지능 모델 결제 모듈
143: 응답 정보 생성 모듈
200: 사용자 단말
210: 통신 모듈
220: 메모리
230: 입출력 모듈
240: 프로세서
300: 개발자 단말

Claims (16)

  1. 단말과의 통신 연결을 통한 인공지능 모델 통합 관리 및 배포 시스템에 있어서,
    사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 정보 관리부;
    상기 사용자 단말로부터 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 정보 관리부에 의해 코드화된 정보와 매핑하고, 상기 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 인공지능 모델 관리부;
    상기 인공지능 모델 관리부에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 상기 리스트를 상기 사용자 단말로 배포하는 리스트 생성부; 및
    상기 사용자 단말로부터 상기 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 상기 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 상기 호출 정보에 대응되는 인공지능 모델을 이용하여 상기 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공하는 응답부를 포함하고,
    상기 인공지능 모델 관리부는,
    상기 사용자 단말로부터 상기 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 코드화된 정보에 매핑하여 저장하는 모델 정보 관리 모듈을 포함하고,
    상기 모델 정보 관리 모듈은,
    상기 인공지능 모델 정보에 포함된 인공지능 모델을 개발 중인 모델 또는 개발 완료 모델로 분류하여 저장하는 것을 포함하는, 인공지능 모델 통합 관리 및 배포 시스템.
  2. 제 1항에 있어서,
    상기 정보 관리부는,
    상기 사용자 단말로부터 회사명, 주요사업 정보, 공장 정보 및 공정 정보를 포함하는 업체 정보를 수신하여 저장하는 공통 정보 관리 모듈;
    상기 사용자 단말로부터 사용자 이름, 사용자 아이디, 사용자 소속 회사, 사용자 연령, 사용자 성별, 사용자 고유번호, 사용자 이메일 및 사용자 전화번호를 포함하는 사용자 정보를 수신하여 저장하는 사용자 정보 관리 모듈; 및
    상기 공통 정보 관리 모듈 및 상기 사용자 정보 관리 모듈이 수신한 정보들을 코드화하여 관리하는 코드 정보 관리 모듈을 포함하는 인공지능 모델 통합 관리 및 배포 시스템.
  3. 제 1항에 있어서,
    상기 인공지능 모델 관리부는,
    상기 사용자 단말로부터 상기 인공지능 모델 정보에 대응되는 테스트 정보를 수신하고, 상기 테스트 정보를 토대로 상기 인공지능 모델의 정확도 테스트를 수행하고, 상기 정확도 테스트의 결과값이 기 설정된 값 이하인 경우 상기 사용자 단말에게 상기 인공지능 모델의 수정 요청 정보를 전송하고, 상기 사용자 단말로부터 모델 수정 정보를 수신하고, 그리고, 상기 모델 수정 정보를 상기 인공지능 모델에 적용하여 상기 인공지능 모델을 수정하는 모델 테스트 모듈을 더 포함하는 인공지능 모델 통합 관리 및 배포 시스템.
  4. 제 3항에 있어서,
    상기 인공지능 모델 정보는,
    상기 인공지능 모델, 인공지능 모델의 개발자 정보, 모델명 정보, 모델 버전 정보 및 모델 내용 정보 중 적어도 하나 이상을 포함하는 것인, 인공지능 모델 통합 관리 및 배포 시스템.
  5. 삭제
  6. 제 1항에 있어서,
    상기 응답부는,
    상기 사용자 단말로부터 상기 리스트에 대한 호출 정보 및 상기 공정 데이터를 수신하는 호출 정보 수신 모듈;
    상기 호출된 인공지능 모델의 개발자 단말로 결제 요청 정보를 송신하고, 상기 개발자 단말로부터 상기 결제 요청 정보에 대응되는 결제 완료 정보를 수신할 경우, 상기 호출된 인공지능 모델을 상기 인공지능 모델 관리부로부터 불러오는 인공지능 모델 결제 모듈; 및
    상기 인공지능 모델 관리부로부터 불러온 인공지능 모델에 상기 공정 데이터를 입력하여 이상 감지 결과를 포함하는 상기 응답 정보를 생성하고, 상기 응답 정보를 상기 사용자 단말에게 제공하는 응답 정보 생성 모듈을 포함하는 인공지능 모델 통합 관리 및 배포 시스템.
  7. 제 6항에 있어서,
    상기 호출 정보는, 상기 리스트 중에서 선택된 인공지능 모델에 대한 모델 선택 정보, 모델 요청 단말 정보, 모델 요청 날짜 정보 및 모델 요청 시간 정보 중 적어도 하나 이상을 포함하고,
    상기 공정 데이터는, 상기 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한, 라인 정보 및 파라미터 정보를 포함하고, 그리고,
    상기 응답 정보는, 상기 공정의 상태 정보, 이상 감지 처리 메시지 정보, 이상 감지 예측 정보, 이상 감지 코멘트 정보 및 이상 감지 확률값 중 적어도 하나 이상을 포함하는 것인 인공지능 모델 통합 관리 및 배포 시스템.
  8. 제 1항에 있어서,
    상기 정보 관리부, 상기 인공지능 모델 관리부, 상기 리스트 생성부 및 상기 응답부는, Restful API를 통해 상기 사용자 단말과 정보를 송수신하는 것인 인공지능 모델 통합 관리 및 배포 시스템.
  9. 사용자 단말 및 개발자 단말을 포함하는 단말들과 서버의 통신 연결을 통한 인공지능 모델 통합 관리 및 배포 방법에 있어서,
    a) 상기 서버가, 상기 사용자 단말로부터 사용자 정보 및 업체 정보를 수신하고, 수신한 정보를 코드화하는 단계;
    b) 상기 서버가, 상기 사용자 단말 및 상기 개발자 단말 중 어느 하나로부터 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 a) 단계에 의해 코드화된 정보와 매핑하고, 그리고, 상기 인공지능 모델 정보에 따른 인공지능 모델을 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한 이상 여부를 판단하도록 최적화하는 단계;
    c) 상기 서버가, 상기 b) 단계에 의해 최적화된 인공지능 모델에 대한 리스트를 생성하고, 상기 리스트를 상기 사용자 단말로 배포하는 단계; 및
    d) 상기 서버가, 상기 사용자 단말로부터 상기 리스트에 포함된 인공지능 모델에 대한 호출 정보 및 상기 기설정된 복수개의 공정들에 대한 공정 데이터를 수신하고, 그리고, 상기 호출 정보에 대응되는 인공지능 모델을 이용하여 상기 공정 데이터를 토대로 생성한 응답 정보를 상기 사용자 단말에게 제공하는 단계를 포함하고,
    상기 b) 단계는,
    상기 서버가, 상기 사용자 단말로부터 상기 인공지능 모델 정보를 수신하고, 상기 인공지능 모델 정보를 상기 코드화된 정보에 매핑하여 저장하는 모델 정보 관리 단계를 포함하고,
    상기 모델 정보 관리 단계는,
    상기 인공지능 모델 정보에 포함된 인공지능 모델을 개발 중인 모델 또는 개발 완료 모델로 분류하여 저장하는 단계를 포함하는, 인공지능 모델 통합 관리 및 배포 방법.
  10. 제 9항에 있어서,
    상기 a) 단계는,
    상기 서버가, 상기 사용자 단말로부터 회사명, 주요사업 정보, 공장 정보 및 공정 정보를 포함하는 업체 정보를 수신하여 저장하는 공통 정보 관리 단계;
    상기 서버가, 상기 사용자 단말로부터 사용자 이름, 사용자 아이디, 사용자 소속 회사, 사용자 연령, 사용자 성별, 사용자 고유번호, 사용자 이메일 및 사용자 전화번호를 포함하는 사용자 정보를 수신하여 저장하는 사용자 정보 관리 단계; 및
    상기 서버가, 상기 공통 정보 관리 단계 및 사용자 정보 관리 단계에서 수신한 정보들을 코드화하여 관리하는 코드 정보 관리 단계를 포함하는 인공지능 모델 통합 관리 및 배포 방법.
  11. 제 9항에 있어서,
    상기 b) 단계는,
    상기 서버가, 상기 사용자 단말로부터 상기 인공지능 모델 정보에 대응되는 테스트 정보를 수신하고, 상기 테스트 정보를 토대로 상기 인공지능 모델의 정확도 테스트를 수행하고, 상기 정확도 테스트의 결과값이 기 설정된 값 이하인 경우 상기 사용자 단말에게 상기 인공지능 모델의 수정 요청 정보를 전송하고, 상기 사용자 단말로부터 모델 수정 정보를 수신하고, 그리고, 상기 모델 수정 정보를 상기 인공지능 모델에 적용하여 상기 인공지능 모델을 수정하는 모델 테스트 단계를 더 포함하는 인공지능 모델 통합 관리 및 배포 방법.
  12. 제 11항에 있어서,
    상기 인공지능 모델 정보는,
    상기 인공지능 모델, 인공지능 모델의 개발자 정보, 모델명 정보, 모델 버전 정보 및 모델 내용 정보 중 적어도 하나 이상을 포함하는 것인, 인공지능 모델 통합 관리 및 배포 방법.
  13. 삭제
  14. 제 9항에 있어서,
    상기 d) 단계는,
    상기 서버가, 상기 사용자 단말로부터 상기 리스트에 대한 호출 정보 및 상기 공정 데이터를 수신하는 호출 정보 수신 단계;
    상기 서버가, 상기 호출된 인공지능 모델의 개발자 단말로 결제 요청 정보를 송신하고, 상기 개발자 단말로부터 상기 결제 요청 정보에 대응되는 결제 완료 정보를 수신할 경우, 상기 호출된 인공지능 모델을 불러오는 인공지능 모델 결제 단계; 및
    상기 서버가, 상기 불러온 인공지능 모델에 상기 공정 데이터를 입력하여 이상 감지 결과를 포함하는 상기 응답 정보를 생성하고, 상기 응답 정보를 상기 단말에게 제공하는 응답 정보 생성 단계를 포함하는 인공지능 모델 통합 관리 및 배포 방법.
  15. 제 14항에 있어서,
    상기 호출 정보는, 상기 리스트 중에서 선택된 인공지능 모델에 대한 모델 선택 정보, 모델 요청 단말 정보, 모델 요청 날짜 정보 및 모델 요청 시간 정보 중 적어도 하나 이상을 포함하고,
    상기 공정 데이터는, 상기 기설정된 복수개의 공정들 중 하나 이상의 공정에 대한, 라인 정보 및 파라미터 정보를 포함하고, 그리고,
    상기 응답 정보는, 상기 공정의 상태 정보, 이상 감지 처리 메시지 정보, 이상 감지 예측 정보, 이상 감지 코멘트 정보 및 이상 감지 확률값 중 적어도 하나 이상을 포함하는 것인 인공지능 모델 통합 관리 및 배포 방법.
  16. 제 9항에 있어서,
    상기 서버는 상기 단말들과 Restful API를 통해 정보를 송수신하는 것인 인공지능 모델 통합 관리 및 배포 방법.
KR1020210190620A 2021-12-29 2021-12-29 인공지능 모델 통합 관리 및 배포 시스템과 그 방법 KR102656090B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210190620A KR102656090B1 (ko) 2021-12-29 2021-12-29 인공지능 모델 통합 관리 및 배포 시스템과 그 방법
PCT/KR2022/020459 WO2023128418A1 (ko) 2021-12-29 2022-12-15 인공지능 모델 통합 관리 및 배포 시스템과 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210190620A KR102656090B1 (ko) 2021-12-29 2021-12-29 인공지능 모델 통합 관리 및 배포 시스템과 그 방법

Publications (2)

Publication Number Publication Date
KR20230100933A KR20230100933A (ko) 2023-07-06
KR102656090B1 true KR102656090B1 (ko) 2024-04-11

Family

ID=86999668

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210190620A KR102656090B1 (ko) 2021-12-29 2021-12-29 인공지능 모델 통합 관리 및 배포 시스템과 그 방법

Country Status (2)

Country Link
KR (1) KR102656090B1 (ko)
WO (1) WO2023128418A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102213940B1 (ko) * 2020-08-04 2021-02-08 위즈코어 주식회사 지능형 자율 생산 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101327519B1 (ko) * 2012-09-14 2013-11-08 정용범 주문자 코드 값을 통한 멀티 플랫폼 게임 아이템 제공 시스템
KR102517228B1 (ko) * 2018-03-14 2023-04-04 삼성전자주식회사 사용자의 입력에 대한 외부 전자 장치의 응답 시간에 기반하여 지정된 기능을 제어하는 전자 장치 및 그의 방법
CN108595816B (zh) * 2018-04-18 2021-05-28 石家庄创天电子科技有限公司 基于人工智能的电子产品建模系统及方法
KR102396255B1 (ko) * 2018-05-03 2022-05-10 손영욱 클라우드 기반 인공지능 음성인식을 이용한 맞춤형 스마트팩토리 생산관리 통합 서비스 제공 방법
KR102160390B1 (ko) * 2019-12-31 2020-09-29 (주)제이엘케이 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
KR20210136706A (ko) * 2020-05-08 2021-11-17 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN111782184B (zh) * 2020-06-30 2022-01-07 北京百度网讯科技有限公司 执行定制化人工智能生产线的装置和方法、设备和介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102213940B1 (ko) * 2020-08-04 2021-02-08 위즈코어 주식회사 지능형 자율 생산 방법

Also Published As

Publication number Publication date
WO2023128418A1 (ko) 2023-07-06
KR20230100933A (ko) 2023-07-06

Similar Documents

Publication Publication Date Title
US11550614B2 (en) Packaging and deploying algorithms for flexible machine learning
US20180231959A1 (en) Binding of Devices in a Process Plant Using I/O-Abstracted Field Device Configurations
US10268574B2 (en) Deployment testing for infrastructure delivery automation
CN112307122B (zh) 一种基于数据湖的数据管理系统及方法
US11526431B2 (en) Systems and methods for automated provisioning of a virtual mainframe test environment
AU2013359617B2 (en) System for transform generation
US9753834B1 (en) Certification process for cloud platform
CN113505520A (zh) 用于支持异构联邦学习的方法、装置和系统
CN110879776A (zh) 一种测试用例的生成方法和装置
CN111556158A (zh) 物联网平台的接入方法、接入装置、接入设备及存储介质
CN112363938A (zh) 数据处理方法、装置、电子设备和存储介质
CN114401187B (zh) 灰度发布方法、装置、计算机设备和存储介质
KR102500939B1 (ko) 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치
KR102656090B1 (ko) 인공지능 모델 통합 관리 및 배포 시스템과 그 방법
US10467124B2 (en) Certification process for cloud platform
US11907711B2 (en) Fast porting of projects
KR20230165825A (ko) 동적 기계 시스템들의 집단들 설정 및 관리
CN114035864A (zh) 接口处理方法、接口处理装置、电子设备和存储介质
CN114511100A (zh) 一种支持多引擎框架的图模型任务实现方法和系统
CN112433783A (zh) 一种配置方法及相关设备
US20230168949A1 (en) Integration extensions
KR20200123624A (ko) 클라우드 기반 어플리케이션 개발 플랫폼
US12007867B1 (en) Device and method for providing benchmark result of artificial intelligence based model
US20230289278A1 (en) Populating Datastores For Integration Testing
US20240070448A1 (en) Sample data generation for a mocking service

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right