KR102671625B1 - 연예인 지망생에 대한 캐스팅 추천 장치 및 방법 - Google Patents

Abstract

실시예에 따른 연예인 지망생에 대한 캐스팅 추천 장치는 적어도 하나의 명령어를 저장하는 메모리; 및 프로세서를 포함한다. 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 상기 캐스팅 추천 장치는 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집하고, 기 학습된 연예인 지망생의 시뮬레이션 생성 모델에게 상기 요구사항 및 상기 연예인 지망생의 현재 정보를 제공해서, 상기 현재 정보에 상기 요구사항이 반영되어 시뮬레이션된 결과가 제공되도록 한다.

Description

연예인 지망생에 대한 캐스팅 추천 장치 및 방법{CASTING RECOMMENDATION DEVICE AND METHOD FOR ASPIRING CELEBRITIES}

본 개시는 연예인 지망생에 대한 캐스팅 추천 장치 및 방법에 관한 것으로, 구체적으로, 연예인 지망생의 현재 모습을 연예인 지망생 수요처의 요구사항에 기반해서 시뮬레이션(또는 모델링)하여 이러한 연예인 지망생 수요처에 제공함으로써, 연예인 지망생에 대한 캐스팅 추천에 활용될 수 있는 캐스팅 추천 장치 및 방법에 관한 것이다.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.

연예인 소속사는 기성 연예인을 관리하고, 연예인 지망생을 발굴 또는 육성하는 역할을 한다. 기업 또는 다양한 컨텐츠를 제작하는 방송사들은 연예인을 캐스팅하기도 하지만, 컨텐츠 제작비를 줄이기 위해, 출연료가 기성 연예인에 비해 통상적으로 낮은 연예인 지망생을 캐스팅하기도 한다.

일반적으로, 기성 연예인은 이미 대중들에게 특정 이미지가 각인되어 있지만, 연예인 지망생은 그렇지 않은 경우가 많다. 이에 따라 연예인 지망생 캐스팅에서는, 연예인 지망생의 현재의 얼굴, 키, 몸매, 분위기, 노래실력 또는 춤 실력 등 평가요소를 통해, 캐스팅 여부가 판단된다. 즉, 캐스팅 당시에는 현재 상태의 평가요소만으로 연예인 지망생을 평가하고 판단할 수밖에 없다.

또한, 연예인 지망생은 육성 단계의 사람으로서, 육성 과정의 종류와 퀄리티에 따라, 형성 가능한 연예인 지망생의 이미지는 매우 다양할 수 있다. 이미지가 다양할 수 있다는 것은, 경우에 따라, 기업이나 방송사가 원하는 이미지를 갖고 있지 못하도록 육성될 우려가 있다는 것을 의미한다.

이러한 점 등을 감안했을 때, 현실적으로 기업이나 방송사가 연예인 지망생을 캐스팅하기는 쉽지 않다. 또한, 연예인 지망생에게 드러나는 현재 모습과 평가요소에 국한해서 캐스팅하는 것은, 트레이닝 이후의 연예인 지망생의 변화 및 잠재력을 고려하지 못하는 한계가 있다.

1. 한국 특허공개 제10-2019-0107608호 (2019.09.20) 2. 한국 특허공개 제10-2002-0094331호 (2002.12.18)

실시예에 따른 해결하고자 하는 과제는, 연예인 지망생이 연예인 지망생 수요처의 요구사항에 맞출 수 있는지를 시뮬레이션(또는 모델링)하여서 그 결과를 제공하는 것을 포함할 수 있다.

아울러, 연예인 지망생이 전술한 요구사항에 맞추지 못할 리스크, 즉 해당 연예인 지망생을 캐스팅했을 때의 캐스팅 실패 확률(캐스팅하였으나, 만족스러운 결과를 얻지 못할 확률)을 제공하는 것이 전술한 과제에 포함될 수도 있다.

실시예에 따른 연예인 지망생에 대한 캐스팅 추천 장치는, 적어도 하나의 명령어를 저장하는 메모리; 및 프로세서를 포함하며, 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 상기 캐스팅 추천 장치는, 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집하고, 기 학습된 연예인 지망생의 시뮬레이션 생성 모델로 하여금 요구사항을 연예인 지망생의 현재 정보에 반영해서 시뮬레이션한 결과를 제공한다.

실시예에 따른 연예인 지망생에 대한 캐스팅 추천 방법은 (A) 캐스팅 추천 장치에서 사진 및 영상을 포함하는 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집하는 단계; (B) 캐스팅 추천 장치에서 기 학습된 연예인 지망생의 시뮬레이션 생성 모델로 하여금 요구사항을 연예인 지망생의 현재 정보에 반영해서 시뮬레이션한 결과를 제공하는 단계; 및 (C) 캐스팅 추천 장치에서 현재정보와 시뮬레이션 결과를 비교하여, 비교 결과에 따라 캐스팅 실패 확률을 산출하는 단계; 를 포함한다.

실시예에 따르면, 전술한 연예인 지망생 캐스팅 방법에 포함된 각 단계는, 이러한 각 단계를 포함하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체에 구현될 수 있다.

실시예에 따르면, 전술한 연예인 지망생 캐스팅 방법에 포함된 각 단계는, 이러한 각 단계를 포함하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.

이상에서와 같은 연예인 지망생에 대한 캐스팅 추천 장치 및 방법에 따르면, 연예인 지망생 각각의 시뮬레이션 결과를 이용하여 요구사항을 구현할 가능성이 가장 높은 연예인 지망생이 캐스팅될 수 있다. 이를 통해, 연예인 지망생에 대한 캐스팅 성공률이 향상될 수 있다.

또한, 실시예에서는 시뮬레이션 결과를 통해 지망생의 현재 정보 뿐만 아니라, 연예인 지망생의 잠재력과 변화 가능성을 근거로 캐스팅이 진행될 수 있다. 따라서, 발전 가능성이 큰 지망생들에 대한 선점이 가능하다.

또한, 이로써, 연예인 지망생에 대한 캐스팅 성공 확률이 향상됨으로써, 컨텐츠 제작 비용이 절감될 수 있다.

또한, 컨텐츠에 최적으로 부합하는 연예인 지망생이 캐스팅될 수 있으로써, 고품질의 컨텐츠 제공이 가능해지고, 이로써 제작된 컨텐츠에 의한 비즈니스 수익이 극대화될 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한.

도 1은 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 시스템 구성을 나타낸 도면이다.
도 2는 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 장치의 블록도를 나타낸 도면이다.
도 3은 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면이다.
도 4는 실시예 따른 학습부에 저장되어 데이터를 학습하는 모델의 예를 나타낸 도면이다.
도 5는 실시예에 따른 시뮬레이션 생성 모델의 입출력 데이터를 나타낸 도면이다.
도 6은 실시예에 따른 실현 가능성 추정모델의 입출력 데이터를 나타낸 도면이다.
도 7은 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 방법의 데이터 처리 흐름을 나타낸 도면이다.
도 8은 실시예에 따른 캐스팅 실패 확률 산출 과정을 나타낸 도면이다.

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

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

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

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

이하, 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 시스템 구성을 나타낸 도면이다.

도 1을 참조하면, 실시예에 따른 연예인 지망생 캐스팅 추천 시스템은 캐스팅 추천 장치(100) 및 고객 단말(200)을 포함하여 구성될 수 있다.

실시예에서 연예인 지망생에 대한 캐스팅 추천 장치(100)는 연예인 지망생의 현재의 외모, 춤 실력 또는 노래 실력 등의 평가요소를 포함하는 현재 정보를 수집하고, 캐스팅 주체의 요구사항을 수집한다. 실시예에서 캐스팅 추천 장치(100)는 인공신경망 모델에 연예인 지망생의 현재 정보와 캐스팅 주체의 요구사항을 제공하고, 요구사항을 고려한 연예인 지망생의 다양한 변화(variation)를 모델링하여서, 즉 시뮬레이션 하여 제공한다.

여기서, 캐스팅 주체의 요구사항에는 다양한 것들이 포함될 수 있다. 예컨대, 나이, 외모, 몸매 또는 대중이 인식하게 되는 이미지 등이 이러한 요구사항에 포함될 수 있다. 또한, 가창력이나 연기력 또는 운동 실력과 같이 육성 훈련에 의해 개발 내지 개선될 수 있는 능력이 이러한 요구사항에 포함될 수 있다. 또는, CF, 영화, 드라마 또는 예능 프로그램과 같이, 특정한 방송용 컨텐츠에 어울리는 이미지 등이 이러한 요구사항에 포함될 수도 있다. 이에 대해서는 뒤에 예를 들어 설명하기로 한다.

아울러, 시뮬레이션 된 결과(또는 모델링 결과)는 전술한 요구사항이 상기 현재 정보에 반영된, 연예인 지망생에 대한 사진, 영상 및 음성파일 등을 포함할 수 있다. 예컨대, 현재의 연예인 지망생 대비, 요구사항에 따른 분위기를 갖도록 외모, 헤어스타일, 패션스타일 또는 말투 등이 변형된 연예인 지망생에 대한 결과가 사진이나 영상 등의 형태로 생성(시뮬레이션)되어서 제공될 수 있다.

아울러, 실시예에서 연예인 지망생에 대한 캐스팅 추천 장치(100)는 연예인 지망생의 현재 정보와 시뮬레이션 결과 각각을 비교하여, 연예인 지망생의 현재 정보와 시뮬레이션 결과 간 일치율을 산출한다. 이후, 산출된 일치율 및 미리 설정된 비교 항목 별 실패 확률을 기반으로 캐스팅 실패 확률을 산출하여 캐스팅 주체에게 각 연예인 지망생들의 캐스팅 리스크 정보를 제공할 수 있다. 예컨대, 연예인 지망생이 요구사항에 맞춰 헤어스타일이나 패션스타일만 바꾸면 되는 경우라면, 해당 연예인 지망생이 해당 요구사항에 부합되지 않을 확률, 즉 캐스팅 실패 확률은 상대적으로 낮을 것이다. 반면, 요구사항에 맞춰 해당 연예인 지망생이 성형을 해야하거나 부족한 가창력을 개선시켜야 한다면, 전술한 캐스팅 실패 확률은 상대적으로 높을 수 있다. 이에 대해서는 뒤에 보다 자세하게 설명하기로 한다.

한편, 실시예에서 고객단말(200)은 캐스팅 주체가 되는 기업, 기획사, 제작사 또는 광고주의 단말이다. 실시예에서 고객단말(200)은 캐스팅 추천 장치(100)로 요구사항을 전송하고, 캐스팅 추천 장치(100)로부터 연예인 지망생 각각에 대한 요구사항이 반영된 시뮬레이션 결과 또는 캐스팅 실패 확률을 수신하여 확인할 수 있다.

도 2는 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 장치의 블록도를 나타낸 도면이다.

실시예에서 장치(device)는 컴퓨터 네트워크에서 다른 컴퓨터나 장치들에게 서비스를 제공하거나 데이터를 저장하고 관리하는 컴퓨팅 시스템이다. 장치(100)는 클라이언트(Client)라 불리는 다른 컴퓨터나 장치들로부터 요청을 받아들이고, 해당 요청에 대한 응답이나 데이터를 제공한다. 도 2에 도시된 장치(100) 구성은 간략화하여 나타낸 예시일 뿐이다.

통신부(110)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, 통신부(110)는 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. 일례로, 통신부(110)는 본 개시의 일 실시예에 따른 기법을 수행하는데 필요한 데이터에 대한 송수신을 담당할 수 있다.

메모리(120)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예: SD 또는 XD 메모리 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), 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. 이러한 메모리(120)는 도 1에 도시되어 있는 데이터베이스를 구성할 수도 있다.

메모리(120)는 프로세서(130)에 의해 실행될 수 있는 적어도 하나의 명령어를 저장할 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 서버(200)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예컨대, 메모리(120)는 후술하겠지만 사용자에 따른 RM 데이터 및 RM 프로토콜을 저장한다. 또한, 메모리(120)는 다양한 종류의 모듈, 명령어 세트 내지 모델을 저장한다.

프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨터 장치의 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.

도 3은 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면이다.

도 3을 참조하면, 실시예에 따른 메모리(120)에 저장된 명령어 세트는 수집부(121), 전처리부(122), 학습부(123) 및 산출부(124)를 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '부' 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.

수집부(121)은 연예인 지망생 시뮬레이션 결과 생성을 위한 일련의 데이터를 수집한다. 실시예에서 수집부(121)는 연예인 지망생 단말 또는 기획사(연예인 육성을 위한 소속사 등) 단말로부터 연예인 지망생의 현재 정보를 수집한다. 실시예에서 현재 정보는 연예인 지망생의 현재 상태 정보를 포함한다. 이러한 현재 상태 정보는 연예인 지망생에 대해 측정 또는 그로부터 획득된 정보로서, 예컨대 연예인 지망생의 얼굴, 키, 몸매, 분위기, 노래실력 또는 춤 실력 등에 대한 측정정보 및 평가 결과 정보를 포함할 수 있다.

또한, 수집부(121)은 캐스팅 주체인 고객단말로부터 요구사항을 수집한다. 요구사항은 텍스트, 사진 또는 동영상과 같이 다양한 형태일 수 있다.

아울러, 이러한 요구사항에는 다양한 것들이 포함될 수 있다. 예컨대, 나이, 외모, 몸매 또는 대중이 인식하게 되는 이미지 등이 이러한 요구사항에 포함될 수 있다. 또한, 가창력이나 연기력 또는 운동 실력과 같이 육성 훈련에 의해 개발 내지 개선될 수 있는 능력이 이러한 요구사항에 포함될 수 있다. 또는, CF, 영화, 드라마 또는 예능 프로그램과 같이, 특정한 방송용 컨텐츠에 어울리는 이미지 또는 이러한 방송용 컨텐츠에 대한 상세정보 등이 포함될 수도 있다. 전술한 요구사항 중 일부에는 연예인 지망생의 현재 정보로부터 도달하는데까지 일정 시간이 필요한 것이 포함될 수 있는데, 예컨대 가창력이나 연기력 또는 운동 실력의 향상 등이 이러한 것에 포함될 수 있다. 또한, 요구사항에는 구체적인 정보뿐만 아니라, 캐스팅 주체가 작품, 광고, 제품, 회사 등의 이미지에 부합하는 연예인 지망생을 캐스팅하기 위하여 목적하는 분위기 정보, 예를 들어, 추상적 상태 또는 이미지에 대하여 예를 들어, 따뜻함, 차가움, 도시적, 날카로움, 이지적, 등의 정보가 포함될 수 있다.

요구사항의 예시는 다음과 같으며, 다만 이에 한정되는 것은 아니다.

- '따뜻한 이미지, 몸매가 탄탄, 애슬레저 룩이 잘 어울리는 20대 여성'

- '도시적이면서, 마르고, 차가운 이미지의 30대 남성'

- '소주 광고를 하는, 산뜻 & 섹시한 20대 여성'

- '가창력을 갖춘, 20대 초반의, 몸짱 남성'

- '댄스실력이 뛰어나지만, 30대 초반의 거구이면서 뚱뚱한데, 얼굴은 도시적인 남성'

- '기존 우리 회사의 홍보모델들 여러 명이 공통적으로 갖고 있는 이미지를 갖는 20대 남성'

- '기존 우리 회사의 홍보모델들 여러 명이 공통적으로 갖고 있는 이미지와 정반대의 이미지를 갖는 30대 남성'

또한, 수집부(121)는 고객단말로부터 제작하려는 컨텐츠의 컨셉 정보를 수집하여 컨셉 정보에 대응하는 요구사항을 추출할 수 있다. 예컨대, 고객 단말이 '주말 예능에서 전연령대에게 호감이 가는 MC 스타일'이라고 컨셉 정보 또는 키워드를 입력하면, 수집부(121)는 입력된 컨셉 정보 또는 키워드에 대응하는 요구사항을 생성형 AI 모델 등을 이용하여서 이로부터 추출 내지 획득할 수 있다. 이 과정에서 앞서 설명한 컨셉 정보에 해당하는 요구사항으로는 '외국어 가능, 교포, 나이 n세 이하, 키 일정 수치 이상' 등의 조건 정보가 선행적으로 추출될 수도 있다.

또한, 수집부(121)는 '드라마, 멜로, 신인, 청순'의 컨셉 정보 및 키워드를 입력하는 경우, '연기력 일정수준이상, 데뷔전, 청순한 분위기' 등의 요구사항을 추출할 수 있다. 실시예에서는 컨셉 정보에 대한 키워드 각각에 요구사항을 매칭하여 저장하고 미리 저장된 요구사항을 불러오거나, 언어 모델을 통해, 컨셉 정보를 해석한 후, 해석된 컨셉 정보에 대응하는 요구 사항을 텍스트로 추출할 수 있다.

수집부(121)는 연예인 지망생 추천에 이용되는 인공신경망 모델의 학습 데이터 셋을 수집한다. 실시예에서 학습 데이터 셋은 연예인 지망생의 현재 정보인 사진, 영상, 음악파일, 해당 지망생의 트레이닝 결과 데이터, 트레이닝 프로그램을 포함한다. 또한, 학습 데이터 셋은 실제 연예인들의 데뷔 전후 사진, 영상, 작품에서의 이미지 등을 포함할 수 있고, 이에 한정하지 않는다.

전처리부(122)는 수집된 인공지능 학습 데이터 셋 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습데이터를 전처리한다. 실시예에서 전처리부(120)는 수집된 트레이닝 데이터 셋을 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(222)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(222)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.

학습부(123)는 딥러닝 뉴럴 네트워크를 수집된 트레이닝 데이터 셋으로 학습시켜 딥러닝 모델을 구현한다. 도 4는 실시예 따른 학습부에 저장되어 데이터를 학습하는 모델의 예를 나타낸 도면이다. 도 4를 참조하면, 메모리의 학습부(123)에는 언어모델(1), 시뮬레이션 생성 모델(2) 및 실현 가능성 추정모델(3)이 저장될 수 있다. 각각의 모듈 내지 모델은 프로세서(130)에 의해 실행 가능한 어플리케이션의 형태일 수 있다.

언어모델(1)은 고객단말로부터 수집한 요구사항을 해석하고, 컨셉 정보 및 키워드를 해석하여 컨셉 정보와 키워드에 대응하는 요구사항을 추출하는 인공신경망 모델이다. 실시예에서 언어모델(1)은 사전 학습된 모델로서 언어 모델을 채용한다. 이러한 언어 모델은 대량의 코퍼스(corpus)를 이미 알려져 있는 다양한 기법, 예컨대 MLM(masked language model) 또는 NSP(next sentence prediction) 기법 중 적어도 하나를 이용해서 반-지도 학습(semi-supervised learning)시킨 모델을 의미한다. 여기서 MLM이나 NSP 등은 이미 공지된 기술이므로 이에 관한 자세한 설명은 생략하기로 한다. 또한, 실시예에서 언어모델(1)은 STT 모델 및 텍스트 인식 모델을 포함하여, 연예인 지망생의 현재정보에 포함된 영상 또는 음원파일에서 연예인 지망생의 목소리와 딕션(diction)을 인식하고 이를 평가할 수 있다. 예컨대, 언어모델(1)은 연예인 지망생의 목소리로부터 변환된 텍스트와 저장된 노래가사 또는 대본의 텍스트를 비교하여, 연예인 지망생의 정확한 발음여부와 발성을 평가할 수 있다.

시뮬레이션 생성모델(2)은 연예인 지망생의 현재 정보에 요구사항을 반영한 시뮬레이션 결과를 생성하는 인공신경망 모델이다. 실시예에서 시뮬레이션 생성 모델(2)은 주어진 입력 데이터를 바탕으로 요구사항을 반영한 모사 시뮬레이션을 생성한다. 예컨대, 시뮬레이션 생성모델(2)은 연예인 지망생의 현재 정보에 요구사항을 반영하여 사진, 영상 음성파일을 포함하는 형태의 시뮬레이션 결과를 생성한다. 구체적으로, 시뮬레이션 생성모델(2)은 요구사항이 '날씬한, 노래를 잘하는'에 해당하는 경우, 연예인 지망생의 현재정보에 요구사항을 반영하여, 현재정보의 이미지를 프로세싱 하여 날씬하게 수정하고, 음원파일을 튜닝하는 과정을 통해, 시뮬레이션 결과를 생성한다.

이 때, 이러한 시뮬레이션 결과 중에는 연예인 지망생의 현재 정보로부터 도달하는데까지 일정 시간이 필요한 것이 포함될 수 있는데, 예를 들어, 체중 증량 또는 감량, 시술에 의해 도달 가능한 이미지, 또는 내적 특성 향상 예컨대 가창력이나 연기력 또는 운동 실력의 향상 등이 이러한 것에 포함될 수 있다.

실시예에 따른 시뮬레이션 생성모델(2)은 인공지능 머신러닝을 통한 이미지 분석 모델, 영상 분석 모델 및 음원 분석모델을 포함하여, 현재정보에 포함된 이미지, 영상 및 음원 분석을 수행할 수 있다.

도 5는 실시예에 따른 시뮬레이션 생성 모델의 입출력 데이터를 나타낸 도면이다.

도 5를 참조하면, 실시예에서는 시뮬레이션 생성 모델(2)에 연예인 지망생의 현재정보(a1)과 캐스팅 주체의 요구사항(a2)를 입력하면, 시뮬레이션 결과(b)를 획득할 수 있다. 실시예에서 시뮬레이션 결과(b)는 연예인 지망생의 현재정보에 요구사항이 반영된 결과이다. 이러한 시뮬레이션 결과(b)는 현재 공지된 기술인 생성형 AI를 이용해서 획득된 것일 수 있으며, 즉 실시예에 따라 전술한 시뮬레이션 생성 모델(2)은 생성형 AI에 의해 구현된 것일 수 있고, 다만 이에 한정되는 것은 아니다.

도 5에는 시뮬레이션 결과로 이미지가 출력되었지만, 이에 한정하는 것이 아니다. 실시예에서 시뮬레이션 결과는 특정 트레이닝 프로그램 훈련 기간에 따른 춤 결과 영상, 노래 결과 영상 등을 더 포함할 수 있다.

도 5는 시뮬레이션 결과가 이미지인 경우를 설명하기 위한 도면으로, 도 5에 도시된 바와 같이, 실시예에서는 시뮬레이션 생성모델(2)로 현재정보를 입력하고, 요구사항에 헤어 스타일 변화가 포함된 경우, 현재 정보의 이미지에서 헤어스타일이 바뀐 결과를 시뮬레이션 결과(b)로 제공할 수 있다. 또한, 요구사항에 다이어트가 포함된 경우, 현재정보에서 다이어트 된 보정된 이미지 및 영상을 시뮬레이션 결과(b)로 출력할 수 있다.

실시예를 통해 생성된 시뮬레이션 결과는 연예인 지망생의 컨설팅 정보로 이용될 수 있다. 예컨대, 시뮬레이션 결과는 연예인 지망생에게 연습해야 될 지향점 내지 목표 등을 설정해주는 용도로 사용될 수 있다.

또한, 실시예에서는 시뮬레이션 결과를 기반으로 연예인 지망생을 선택하고, 선택된 연예인 지망생의 시뮬레이션 결과를 구현하기 위한 스타일, 메이크업, 헤어에 관한 코칭 정보를 생성하여, 연예인 지망생에게 제공할 수 있다. 실시예에서 시뮬레이션 생성 모델(1)은 연예인 지망생 각각의 시뮬레이션 결과 생성 후, 시뮬레이션 결과와 연예인 지망생의 현재정보를 비교하여 비교 항목 및 비교 항목별 차이를 검출한다. 이후, 검출된 차이점에 대한 상세설명과, 시뮬레이션을 구현하기 위한 코칭 정보를 생성할 수 있다. 이는 생성형 인공지능 모델을 통해 구현하고, 스타일 메이크업, 헤어 등 외적인 요소에 대한 코칭 뿐만 아니라, 자세, 목소리, 발성, 훈련방법 등 상세한 트레이닝 코칭 정보를 생성하여 제공할 수 있다.

실시예에서는 시뮬레이션 결과물을 연예인 지망생 캐스팅 주체에게 제공하고, 시뮬레이션 결과에 기반하여 연예인 지망생을 선택할 수 있도록 함으로써, 미스 캐스팅의 리스크를 줄일 수 있도록 한다.

실현 가능성 추정모델(3)은 생성된 시뮬레이션 결과에 대한 실현 가능성을 추정하는 인공신경망 모델이다. 실시예에서 실현 가능성 추정모델(3)은 인공지능 기반의 딥러닝, 머신러닝, CNN(Convolutional Neural Network) 등으로 구현될 수 있고, 이에 한정하지 않는다. 실시예에서 추정모델(3)은 연예인 지망생이 입력된 요구사항을 잘 반영할 것인지 아니면, 실패할 것인지를 캐스팅 실패확률로 산출할 수 있다. 즉, 실시예에서는 추정모델(3)을 통해 기업이나 방송 제작자의 연예인 지망생 각각에 대한 캐스팅 리스트를 예측한다.

실시예에서 실현 가능성 추정모델(3)은 연예인 지망생의 현재상태와 요구조건을 반영한 시뮬레이션 결과를 비교하고, 비교 결과에 따라 일치율을 산출한다. 이후, 일치율을 이용하여 연예인 지망생의 캐스팅 실패 확률을 산출할 수 있다. 예컨대, 실현 가능성 추정모델(3)은 연예인 지망생의 현재상태와 요구조건을 반영한 시뮬레이션 결과의 차이가 크면 일치율이 낮으므로, 실패 확률 높게 산출하고, 차이가 작으면 일치율이 높으므로 실패 확률 낮게 산출한다.

이를 위해, 실시예에서 실현 가능성 추정 모델(3)은 먼저, 연예인 지망생의 현재상태와 시뮬레이션 결과 간 차이의 종류인 비교항목을 식별한다. 이후, 실현 가능성 추정 모델(3)은 비교항목 각각의 실현 난이도에 따라 미리 설정된 실패 확률을 로딩(loading)하고, 불러온 실패 확률과 식별된 비교 항목의 현재정보와 시뮬레이션 결과 간 차이의 정도에 따라 실패확률을 산출한다.

실시예에서 실현 가능성 추정 모델(3)은 현재 정보와 시뮬레이션 결과 간 데이터 비교를 수행하는 이미지 분석 모델, 영상분석모델 및 음원 분석모델 등을 포함할 수 있다. 이미지 분석 모델은 현재상태와 시뮬레이션 결과에 포함된 이미지 내의 패턴, 구조, 객체 등을 인식하고 분석할 수 있다. 아울러, 실현 가능성 추정 모델(3)은 비교 결과에 따른 실패 확률 산출을 위한 실패 확률 산출 모델을 포함한다. 실시예에서 실패 확률 산출 모델은 주어진 데이터나 조건에 기반하여 어떤 사건이 실패할 확률을 예측하는 모델로서, 로지스틱 회귀(Logistic Regression), 베이지안 네트워크(Bayesian Networks): 서포트 벡터 머신(Support Vector Machine, SVM), 신경망(Neural Networks) 등을 포함할 수 있다.

또한, 실시예에서 실현 가능성 추정모델(3)은 연예인 지망생의 현재정보와 시뮬레이션 결과의 비교 항목 각각의 실현 난이도에 기반한 실패 확률 범위(range)를 미리 설정하고, 설정된 실패 확률 범위와 비교 결과를 기반으로 실패 확률을 산출할 수 있다.

예컨대, 실현 가능성 추정모델(3)은 실패 확률 범위를 제1범위, 제2범위, 제3범위로 분할하고, 각 범위에 포함되는 비교항목을 설정한다. 제1범위는 실패 확률이 0 퍼센트 내지 33퍼센트로 실패확률이 낮은 범위이다. 즉, 제1 범위에 포함되는 비교항목은 비교적 실현 난이도가 낮은 항목으로, 실시예에서 제 1범위에 포함되는 비교 항목은 머리스타일, 머리색상, 패션스타일 및 피부톤 등을 포함할 수 있다.

실시예에서 제2범위는 실패 확률이 34 퍼센트 내지 66퍼센트인 범위로, 실패확률이 중간인 범위이다. 실시예에서 제2 범위에 포함되는 비교 항목은 구현 난이도가 중간단계인 비교항목으로, 다이어트, 전체적인 살빼기, 전체적인 근육, 등을 포함할 수 있다.

실시예에서 제 3범위는 실패확률이 67 퍼센트 내지 100퍼센트인 범위로 실패확률이 가장 높은 범위이다. 실시예에서 제3범위 포함되는 비교 항목은 실현 난이도가 가장 높은 비교항목이다. 구체적으로, 제3범위에는 얼굴모양, 이목구비 생김새, 키, 노래 스킬, 댄스 스킬, 부분적인 근육, 부부적인 살빼기 등의 비교항목이 포함될 수 있다.

물론, 전술한 제1범위 내지 제3범위 각각의 퍼센트는 예시적인 것에 불과하다.

실시예에서 실현 가능성 추정 모델(3)은 비교항목 각각의 실현 난이도를 설정하고, 난이도에 따라 비교항목을 실패 확률 범위에 설정할 수 있다. 실시예에서는 실현 난이도가 높은 얼굴 모양(성형), 노래 스킬 등의 비교 항목은 제3범위에 포함시키고, 실현 난이도가 낮은 스타일(패션 스타일이나 헤어 스타일 등) 변화에 해당하는 비교항목은 제1범위에 포함시킨다.

도 6은 실시예에 따른 실현 가능성 추정모델의 입출력 데이터를 나타낸 도면이다.

도 6을 참조하면, 실시예에서는 실현 가능성 추정모델(3)으로, 연예인 지망생의 현재정보(a)와 요구사항이 반영된 시뮬레이션 결과(b)를 입력하면, 현재정보(a)와 요구사항이 반영된 시뮬레이션 결과(b)의 비교 결과를 획득할 수 있다. 실시예에서 비교 결과는 변화요소인 비교항목, 각 비교항목 별 일치율, 전체적인 요구사항 일치율, 비교항목별 실패 확률 및 캐스팅 실패 확률을 포함할 수 있다.

실시예에서 실현 가능성 추정모델(3)은 지도학습(supervised learning) 방식으로 동작할 수 있다. 예컨대, 실현 가능성 추정모델(3)은 수집부(121)에서 수집된 실제 연예인들의 데뷔 전 이미지, 연예인 지망생의 현재정보를 입력정보로 이용하고, 실제 연예인들의 데뷔 후 활동 연차 별 이미지, 시뮬레이션 결과를 출력정보로 이용하여 입력 데이터와 출력데이터를 이용하여 지도 학습할 수 있다.

실시예에서 실현 가능성 추정모델(3)은 연예인 지망생 별 캐스팅 리스크를 파악하기 위해, 먼저 연예인 지망생의 현재 상태와 시뮬레이션 결과의 차이점을 파악한다. 예컨대, 실현 가능성 추정모델(3)은 요구사항을 기반으로 현재 상태와 시뮬레이션 결과의 차이점인 비교항목을 도출할 수 있다. 구체적으로, 실현 가능성 추정 모델(3)은 머리스타일, 다이어트, 얼굴형, 이목구비 등의 비교항목을 차이점으로 도출할 수 있다. 이후, 실현 가능성 추정모델(3)은 차이점으로 도출된 비교항목에 미리 설정된 실패확률 범위를 로딩한다. 예컨대, 비교 항목에 따라 미리 설정된 실패 확률의 범위 제1범위(낮음), 제2범위(중간) 및 제3범위(높음) 중 하나를 로딩한다.

이후, 실현 가능성 추정모델(3)은 실패 확률의 범위 내에서 현재상태와 시뮬레이션 된 결과 간의 차이가 크면, 실패 확률을 높게 산출하고, 차이가 작으면 실패확률을 낮게 산출한다. 구체적으로, 실현 가능성 추정모델(3)은 현재 상태와 시뮬레이션 결과의 차이가 머리 스타일 인 경우, 해당 비교항목에 미리 설정된 실패확률이 낮은 제1범위(0~33%)로 실패확률을 로딩하고, 현재 정보와 시뮬레이션 결과의 머리스타일 차이의 일치율에 따라 세부적인 실패 확률을 산출할 수 있다. 이 경우, 산출된 실패 확률은 머리스타일이 비교 항목이므로 33퍼센트를 초과하지 않는다(물론, 퍼센트의 수치는 예시적인 것에 불과하다).

실시예에서는 만약, 현재정보와 시뮬레이션 결과 간 머리스타일의 차이가 크면 실패확률이 낮은 제1범위 안에서 높은 수치(예컨대, 28%)로 실패 확률을 산출할 수 있다. 또한, 현재정보와 시뮬레이션 결과의 차이가 작으면 실패확률 낮은 제1범위 (0~33%) 중에서도 낮은 수치(예컨대, 10%)로 실패확률이 산출될 수 있다.

실시예에서 실패확률은 비교항목의 실현 난이도를 지표로 나타낸 값으로, 연예인 지망생이 노력해야 되는 정도를 수치화 한 것이다. 이에 따라 실패확률이 높은 것은 연예인 지망생도 많은 노력을 해야 하는 것을 의미한다.

또한, 실시예에서 실현 가능성 추정 모델(3)은 산출된 연예인 지망생 별 실패확률을 캐스팅 비용으로 변환하여 산출할 수 있다. 예컨대, 실현 가능성 추정 모델(3)은 현재정보와 시뮬레이션 결과를 비교한 비교항목 별 차이점 및 차이의 정도를 반영한 실패확률을 캐스팅 비용으로 변환하여 산출할 수 있다. 실시예에서는 연예인 지망생의 실패확률이 높거나, 현재정보와 시뮬레이션 결과의 비교항목 간 차이가 큰 경우, 평균 비용을 실패확률과 차이에 비례하도록 상향 조정하여 캐스팅 비용을 산출한다. 반면, 연예인 지망생의 실패확률이 낮거나, 현재정보와 시뮬레이션 결과의 비교항목 간 차이가 작은 경우, 평균 비용을 하향 조정하여 캐스팅 비용을 산출할 수 있다.

구체적으로, 연예인 지망생 A의 경우, 캐스팅에 소요되는 비용이 대략 100만원 정도인데, 시뮬레이션 결과와 현재정보간 차이가 헤어스타일 뿐인 경우, 연예인 지망생의 헤어스타일만 바꾸면 되므로, 캐스팅 비용은 100만원 이하인 90만원으로 산출할 수 있다. 만일, 성형을 해야 하는 경우라면, 현재정보와 시뮬레이션 결과간 차이가 큰 것이므로, 캐스팅 비용은 150만원으로 상향조정 된다. 즉, 실패확률에 따라 캐스팅에 소요되는 예상 비용이 달라지므로, 실시예에 따른 실현 가능성 추정 모델(3)은 실패확률에 기반한 캐스팅 소요 예상 비용 또한 추정할 수 있다.

본 명세서에서의 추정 모델은 네트워크 함수, 인공신경망 및/또는 뉴럴 네트워크에 기반하여 동작하는 임의의 형태의 컴퓨터 프로그램을 의미할 수 있다. 본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 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. 신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수개의 히든 레이어를 포함하는 신경망을 의미할 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), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-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. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며, 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)를 사용할 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. 또한, 과적합(overfitting)을 막기 위해서 학습 데이터의 증가, 레귤러화(regularization), 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법이 적용될 수 있다.

일 실시예에서, 추정 모델은 트랜스포머의 적어도 일부분을 차용할 수 있다. 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰 등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.

트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션 값을 계산하는 알고리즘을 의미할 수 있다.

쿼리, 키 및 값을 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.

일 실시예에서, 트랜스포머는 복수개의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩, 정규화, 소프트맥스(softmax) 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 본 명세서에 참조로 통합된다.

트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.

일 실시예에서, 추정 모델은 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory) 네트워크, BERT(Bidirectional Encoder Representations from Transformers), 또는 GPT(Generative Pre-trained Transformer)를 포함할 수 있다.

일 실시예에서, 추정 모델은 전이학습(transfer learning) 방식으로 학습된 모델일 수 있다. 여기서, 전이학습은 대용량의 라벨링되어 있지 않은 학습용 데이터를 준지도학습 또는 자가학습 방식으로 사전 학습(pre-training)하여 제1 태스크를 갖는 사전 학습된(pre-trained) 모델을 얻고, 사전 학습된 모델을 제2 태스크에 적합하도록 fine-tuning하여 라벨링된 학습용 데이터를 지도학습 방식으로 학습해 타겟으로 하는 모델을 구현하는 학습 방식을 나타낸다.

다시 도 3을 참조하면, 수집부(124)는 사진 및 영상을 포함하는 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 획득하고, 기 학습된 연예인 지망생의 시뮬레이션 생성 모델로 요구사항을 현재 정보에 제공하여 연예인 지망생 각각의 시뮬레이션 결과를 생성한다.

실시예에서 요구사항에는, 캐스팅 주체인 회사의 이전 홍보모델과의 공통점 및 차이점 중 적어도 하나가 포함되고, 요구사항은 언어모델이 인식 가능한 텍스트로 표현될 수 있다.

또한, 실시예에서 요구사항은 일정 시간 트레이닝 후의 노래, 춤 및 연기 시뮬레이션을 포함한다. 예컨대, 요구사항은 특정 트레이닝 과정을 n년 수행한 후의 연예인 지망생의 춤 시뮬레이션, 노래 시뮬레이션, 연기 시뮬레이션을 포함할 수 있다.

또한, 요구사항은 제작될 작품에 캐스팅될 연예인의 조건정보를 포함한다. 예컨대, 제작될 작품의 컨셉, 키워드 등에 기반하여 캐스팅될 연예인의 신체조건 및 능력치에 대한 조건 정보를 포함할 수 있다. 실시예에서 요구사항은 텍스트로 표현될 수 있다.

또한, 실시예에서 요구사항은 광고주가 희망하는 조건정보를 포함한다. 이때 요구사항에 해당하는 조건정보는 회사의 이전 홍보모델과의 공통점, 차이점 및 이전홍보 모델과의 이미지 유사성을 포함할 수 있다. 실시예에서 광고주는 요구사항을 '이전 모델과는 다른 이미지', '이전 모델과 유사한 이미지', '이전모델의 신뢰감, 지적인 느낌은 유지하되, 더욱 트랜디한 느낌으로' 등의 텍스트로 요구사항을 전달할 수 있다.

실시예에서 시뮬레이션 결과에는, 특정 컨텐츠에 연예인 지망생이 출연했을 때를 시뮬레이션한 결과, 트레이닝의 완료로 연예인 지망생의 능력치가 성장된 것에 대한 시뮬레이션 결과, n년 후의 외모에 대한 시뮬레이션 결과 및 다이어트나 시술 결과를 시뮬레이션한 결과 중 적어도 하나가 포함될 수 있다.

실시예에서 시뮬레이션 생성 모델에 의해 생성되는 시뮬레이션 결과는 캐스팅으로 제작되는 컨텐츠에 종류에 기반한 작품 시뮬레이션 및 n년 후의 트레이닝 시뮬레이션을 포함한다. 아울러, 다이어트나 시술, 성형 이후의 시뮬레이션 결과도 포함할 수 있다.

실시예에서 작품 시뮬레이션은 연예인 지망생 캐스팅으로 진행되는 광고, 드라마, 영화 및 뮤직비디오 장면에 대한 시뮬레이션 결과를 포함하고, 트레이닝 시뮬레이션은 트레이닝 프로그램 종류와 기간에 따른 노래 및 춤 영상 시뮬레이션 결과를 포함할 수 있다. 구체적으로, 시뮬레이션 결과는 특정 연예인 지망생의 JYP 보컬 트레이닝 3년 후 시뮬레이션 결과, 특정 시술 및 성형 시뮬레이션 결과 등을 포함할 수 있다.

실시예에서 시뮬레이션 모델은 시뮬레이션 결과를 기반으로 연예인 지망생을 선택하고, 선택된 연예인 지망생의 시뮬레이션 결과를 구현하기 위한 패션 스타일, 메이크업 및 헤어 스타일에 관한 코칭 정보를 제공할 수 있다.

또한, 실시예에서 산출부(124)는 연예인 지망생의 현재정보와 요구사항을 반영한 시뮬레이션 결과를 비교하고, 비교 결과에 따라 캐스팅 실패 확률을 산출한다.

예컨대, 산출부(124)는 연예인 지망생의 현재정보와 시뮬레이션 결과를 비교하여 일정 수준 이상 차이가 나는 비교 항목을 검출한다. 또한, 실시예에서 비교항목은 요구사항에 기반하여 검출될 수 있다. 이후, 산출부(124)는 연예인 지망생의 현재정보와 시뮬레이션 결과의 비교 항목 각각의 구현 난이도를 기반으로 설정된 실패 확률 범위(range)를 로딩한다. 이후, 설정된 실패 확률 범위 내에서 연예인 지망생의 현재 정보와 시뮬레이션 결과의 차이에 따라 실패 확률을 산출한다. 예컨대, 산출부(124)는 추정모델(3)은 현재 상태와 시뮬레이션 결과의 차이가 머리 스타일 인 경우, 해당 비교항목에 미리 설정된 실패확률이 낮은 제1범위(0~33%)로 실패확률을 로딩하고, 현재 정보와 시뮬레이션 결과의 머리스타일 차이의 일치율에 따라 세부적인 실패 확률을 산출할 수 있다. 이 경우, 산출된 실패 확률은 머리스타일이 비교 항목이므로 30퍼센트를 초과하지 않는다.

만약, 현재정보와 시뮬레이션 결과 간 머리스타일의 차이가 크면 실패확률이 낮은 제1범위 안에서 높은 수치(예컨대, 28%)로 실패 확률을 산출할 수 있다. 또한, 현재정보와 시뮬레이션 결과의 차이가 작으면 실패확률 낮은 제1범위 (0~33%) 중에서도 낮은 수치(예컨대, 10%)로 실패확률이 산출될 수 있다.

실시예에서 실패확률은 연예인 지망생이 노력해야 되는 정도를 수치화 한 지표이다. 이에 따라 실패확률이 높은 것은 연예인 지망생도 많은 노력을 해야 하는 것을 의미한다.

또한, 산출부(124)는 현재 정보와 시뮬레이션 결과간 비교 항목이 복수개인 경우, 비교 항목 각각에 대한 실패 확률을 산출하고, 가장 큰 실패 확률을 나타내는 비교항목부터 내림차순으로 출력할 수 있다. 또한, 산출부(124)는 비교항목 각각의 실패확률을 모두 합하여 비교항목 개수로 나눈 평균 실패확률을 산출할 수 있다.

또한, 실시예에서 산출부(124)는 실현 가능성 추정 모델(3)을 통해, 산출된 연예인 지망생 별 실패확률을 캐스팅 비용으로 변환할 수 있다. 예컨대, 현재정보와 시뮬레이션 결과를 비교한 비교항목 별 차이점 및 차이의 정도를 반영한 실패확률을 캐스팅 비용에 반영한다. 실시예에서 산출부(124)는 연예인 지망생의 실패확률이 높거나, 차이정도가 큰 경우, 평균 비용을 실패확률과 차이정보에 비례하도록 상향 조정하여 캐스팅 비용을 산출한다. 반면, 연예인 지망생의 실패확률이 낮거나, 차이정도가 작은 경우에는 평균 비용을 하향 조정하여 캐스팅 비용을 산출할 수 있다. 구체적으로, 연예인 지망생 A의 경우, 캐스팅에 소요되는 평균 비용이 대략 100만원이면, 시뮬레이션 결과와 현재정보간 차이가 헤어스타일 뿐인 경우에는 헤어스타일은 실패확률이 낮은 범위에 포함되는 비교 항목이므로, 캐스팅 비용은 평균비용에서 하향 조정한 90만원으로 산출할 수 있다. 만일, 성형을 해야 하는 경우라면, 현재정보와 시뮬레이션 결과간 차이가 큰 비교항목이 검출된 것이므로 캐스팅 비용은 평균 비용에서 상향 조정된 150만원으로 산출될 수 있다. 즉, 실시예에서 산출부(124)는 실패확률에 따라 캐스팅에 소요되는 예상 비용이 달라지므로, 실패확률에 기반한 캐스팅 소요 예상 비용도 추정할 수 있다.

이하에서는 연예인 지망생에 대한 캐스팅 추천 방법에 대해서 차례로 설명한다. 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 방법의 작용(기능)은 연예인 지망생에 대한 캐스팅 추천 장치의 기능과 본질적으로 같은 것이므로 도 1 내지 도 6과 중복되는 설명은 생략하도록 한다.

도 7은 실시예에 따른 연예인 지망생에 대한 캐스팅 추천 방법의 데이터 처리 흐름을 나타낸 도면이다.

도 7을 참조하면, S100 단계에서는 캐스팅 추천 장치에서 사진 및 영상을 포함하는 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집한다. S200 단계에서는 캐스팅 추천 장치에서 기 학습된 연예인 지망생 시뮬레이션 언어 모델로 상기 요구사항을 상기 현재 정보에 반영하여 연예인 지망생 각각의 시뮬레이션 결과를 생성한다. 실시예에서 S200 단계에서는 시뮬레이션 결과를 기반으로 연예인 지망생을 선택하고, 선택된 연예인 지망생의 시뮬레이션 결과를 구현하기 위한 스타일, 메이크업, 헤어에 관한 코칭 정보를 생성할 수 있다.

S300 단계에서는 캐스팅 추천 장치에서 현재정보와 시뮬레이션 결과를 비교하여, 비교 결과에 따라 캐스팅 실패 확률을 산출한다.

도 8은 실시예에 따른 캐스팅 실패 확률 산출 과정을 나타낸 도면이다.

도 8을 참조하면, S310 단계에서는 산출부에서 연예인 지망생의 현재정보와 시뮬레이션 결과를 비교하여 일정 수준 이상 차이가 나는 비교 항목을 추출한다. S320 단계에서는 산출부에서 연예인 지망생의 현재정보와 시뮬레이션 결과의 비교 항목 각각의 구현 난이도에 따라 미리 설정된 실패 확률 범위(range)를 로딩한다. S330 단계에서는 추출된 비교 항목 각각을 비교하여 연예인 지망생의 현재정보와 시뮬레이션 결과의 비교항목 일치율을 산출한다. S340 단계에서는 산출부에서 비교항목에 설정된 실패 확률 범위 내에서 상기 일치율을 기반으로 연예인 지망생의 캐스팅 실패확률을 산출한다.

이상에서와 같은 연예인 지망생에 대한 캐스팅 추천 장치 및 방법은 연예인 지망생 각각의 시뮬레이션 결과를 이용하여 요구사항을 구현할 가능성이 가장 높은 연예인 지망생을 캐스팅할 수 있도록 한다. 이를 통해, 연예인 지망생 캐스팅 성공률을 높일 수 있다.

또한, 실시예에서는 시뮬레이션 결과를 통해 지망생의 현재 정보 뿐만 아니라, 연예인 지망생의 잠재력과 변화 가능성을 근거로 캐스팅을 진행할 수 있도록 하여, 발전 가능성이 큰 지망생들을 미리 선점할 수 있도록 한다.

또한, 실시예를 통해 연예인 지망생 캐스팅 성공 확률을 높임으로써, 컨텐츠 제작 비용을 절감할 수 있도록 한다.

실시예를 통해 컨텐츠와 최적으로 부합하는 연예인 지망생을 캐스팅할 수 있도록 함으로써, 컨텐츠의 품질을 향상시키고, 제작된 컨텐츠에 의한 비즈니스 수익을 늘릴 수 있도록 한다.

한편 전술한 연예인 지망생 캐스팅 방법의 경우, 이러한 방법에 포함된 각 단계를 포함하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체에 구현되거나 또는 이러한 각 단계를 포함하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.

개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.

Claims (10)

1. 연예인 지망생에 대한 캐스팅 추천 장치에 있어서,
   적어도 하나의 명령어를 저장하는 메모리; 및
   상기 적어도 하나의 명령어를 실행하는 프로세서를 포함하며,
   상기 프로세서는,
   연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집하고, 기 학습된 연예인 지망생의 시뮬레이션 생성 모델에게 상기 요구사항 및 상기 연예인 지망생의 현재 정보를 제공해서, 상기 현재 정보에 상기 요구사항이 반영되어 시뮬레이션된 결과가 고객 단말에게 제공되도록 하며,
   상기 연예인 지망생의 현재정보와 상기 시뮬레이션 결과를 비교할 비교 항목을 검출하고, 상기 연예인 지망생의 현재정보와 상기 시뮬레이션 결과의 비교 항목 각각의 구현 난이도를 기반으로 설정된 실패 확률 범위(range)를 로딩하며, 상기 로딩된 실패 확률 범위 내에서 상기 연예인 지망생의 현재 정보와 상기 시뮬레이션 결과의 차이에 따라 실패 확률을 산출하는 것을 특징으로 하는 캐스팅 추천 장치.
2. 제1항에 있어서,
   상기 프로세서는,
   상기 시뮬레이션 결과를 기반으로 연예인 지망생이 선택되면, 상기 선택된 연예인 지망생의 시뮬레이션 결과에서의 패션 스타일, 메이크업 및 헤어 스타일 각각과 상기 연예인 지망생의 현재정보 간의 차이에 대한 설명을 생성하여 제공하는 것을 특징으로 하는 캐스팅 추천 장치.
3. 제1항에 있어서,
   상기 요구사항에는,
   상기 캐스팅 주체의 목적하는 분위기 정보가 포함되는 것을 특징으로 하는
   캐스팅 추천 장치.
4. 제1항에 있어서,
   상기 요구사항에는,
   상기 캐스팅 주체인 회사의 이전 홍보모델과의 공통점 및 차이점 중 적어도 하나가 포함되되,
   상기 요구사항은 언어모델이 인식 가능한 텍스트로 표현되는 것을 특징으로 하는
   캐스팅 추천 장치.
5. 제1항에 있어서,
   상기 요구사항에는,
   상기 연예인 지망생에 대한 체중 증감, 이미지 변화, 가창력 향상, 연기력 향상 및 운동 실력 향상 중 적어도 하나가 포함되는 것을 특징으로 하는 캐스팅 추천 장치.
6. 제1항에 있어서,
   상기 시뮬레이션 결과에는,
   특정 컨텐츠에 상기 연예인 지망생이 출연했을 때를 시뮬레이션한 결과, 트레이닝의 완료로 상기 연예인 지망생의 능력치가 성장된 것에 대한 시뮬레이션 결과, n년 후의 외모에 대한 시뮬레이션 결과 및 다이어트나 시술 결과를 시뮬레이션한 결과 중 적어도 하나가 포함되되,
   상기 시뮬레이션 생성 모델의 학습에 이용된 학습 데이터 셋에는,
   입력으로서 복수의 연예인 지망생의 현재 정보 및 상기 복수의 연예인 지망생 각각이 수행한 트레이닝 프로그램에 대한 정보가 포함되고,
   정답으로서 상기 복수의 연예인 지망생 각각의 능력치 성장과 관련된 트레이닝 결과 데이터가 포함되는 캐스팅 추천 장치.
7. 제1항에 있어서,
   상기 프로세서는,
   상기 연예인 지망생의 현재정보와 상기 요구사항을 반영한 시뮬레이션 결과 간의 비교 결과에 따라 일치율을 산출하되, 상기 비교 결과의 차이가 클수록 상기 산출된 일치율이 상대적으로 낮아져 캐스팅 실패 확률을 상대적으로 높게 산출하고, 상기 비교 결과의 차이가 작을수록 상기 산출된 일치율이 상대적으로 높아져 상기 캐스팅 실패 확률을 상대적으로 낮게 산출하는 것을 특징으로 하는, 캐스팅 추천 장치.
8. 삭제
9. 캐스팅 추천 장치가 수행하는 연예인 지망생에 대한 캐스팅 추천 방법에 있어서,
   (A) 연예인 지망생에 대한 현재 정보와 연예인 지망생 캐스팅 주체의 요구사항을 수집하는 단계;
   (B) 기 학습된 연예인 지망생의 시뮬레이션 생성 모델에게 상기 요구사항 및 상기 연예인 지망생의 현재 정보를 제공해서, 상기 현재 정보에 상기 요구사항이 반영되어 시뮬레이션된 결과가 고객 단말에게 제공되도록 하는 단계; 및
   (C) 상기 연예인 지망생의 현재정보와 상기 시뮬레이션 결과를 비교할 비교 항목을 검출하고, 상기 연예인 지망생의 현재정보와 상기 시뮬레이션 결과의 비교 항목 각각의 구현 난이도를 기반으로 설정된 실패 확률 범위(range)를 로딩하며, 상기 로딩된 실패 확률 범위 내에서 상기 연예인 지망생의 현재 정보와 상기 시뮬레이션 결과의 차이에 따라 실패 확률을 산출하는 단계
   를 포함하는 캐스팅 추천 방법.
10. 제 9 항에 따른 방법에 포함된 각 단계를 포함해서 수행하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램.