KR20140112839A

KR20140112839A - 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법

Info

Publication number: KR20140112839A
Application number: KR1020130027437A
Authority: KR
Inventors: 박상도; 최희열
Original assignee: 삼성전자주식회사
Priority date: 2013-03-14
Filing date: 2013-03-14
Publication date: 2014-09-24
Also published as: US20140279814A1; KR102139931B1

Abstract

연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법이 개시된다. 본 발명의 상황 인지 장치는, 입력 데이터를 기반으로 상황 모델을 생성하는 상황 모델 생성부와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부를 포함할 수 있다.

Description

연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법{Apparatus and Method for context awareness using deductive reasoning and inductive reasoning}

상황 인지 기술에 관한 것으로, 특히, 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법에 관한 것이다.

상황 인지란 상황의 변화를 감지하고 사용자에게 적합한 정보나 서비스를 제공하거나 시스템이 스스로 상태를 변경하는 기술을 말하며, 상황(context)을 추론하기 위해서 상황 모델을 필요로 한다.

한편, 상황을 추론하는 방법으로는 도메인 전문가가 특정 상황에 대해 축적한 경험이나 규칙을 사전에 기술하여 상황 모델을 생성하고, 이를 바탕으로 추론하는 연역적 추론(deductive reasoning)과 구체적인 경험적 현상을 관찰, 측정하여 발견된 사실로부터 일반화된 결론이나 일반적 원리를 도출하여, 이를 바탕으로 추론하는 귀납적 추론(inductive reasoning)이 있다.

일반적으로 상황 인지 시스템은 도메인 전문가가 상황 모델을 생성하여 추론을 하는 연역적 추론(deductive reasoning) 방법을 이용한다. 그러나 이에 의하면, 전문가가 모든 상황을 사전에 기술하는데 어려움이 있고, 대용량 데이터(big data)처럼 모델링을 하기 어려운 경우는 추론이 불가능하다.

입력 데이터를 학습하여 상황 모델을 생성하고, 이를 기반으로 도메인 전문가가 미리 생성하여 저장한 상황 모델을 갱신함으로써, 추론하려는 대상의 데이터가 대용량이거나 난해하여 전문가에 의한 모델링이 되지 않더라도 상황 인지가 가능한 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법이 제공된다.

본 발명의 일 양상에 따른 상황 인지 장치는, 입력 데이터를 기반으로 상황 모델을 생성하는 상황 모델 생성부와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부를 포함할 수 있다.

이때, 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함할 수 있다.

여기서, 상황 모델 생성부는, 입력 데이터를 학습하는 학습부와, 학습부의 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 변환부를 포함할 수 있다.

여기서, 학습부는, 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습할 수 있다.

여기서, 미리 설정된 언어는, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함할 수 있다.

또한, 상황 인지 장치는, 외부로부터 상황 모델을 입력 받는 상황 모델 입력부를 더 포함할 수 있다.

본 발명의 다른 양상에 따른 상황 인지 방법은, 입력 데이터를 기반으로 상황 모델을 생성하는 단계와, 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하는 단계와, 입력 데이터와 갱신된 상황 모델을 이용하여 상황을 추론하는 단계를 포함할 수 있다.

여기서, 상황 모델을 생성하는 단계는, 입력 데이터를 학습하는 단계와, 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 단계를 포함할 수 있다.

여기서, 입력 데이터를 학습하는 단계는. 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 상황 인지 장치의 구성도이다.
도 2a 및 도 2b는 도 1의 상황 인지 장치(100)가 상황 모델을 갱신하는 과정을 설명하기 위한 도면이다.
도 3a 및 도 3b는 도 1의 상황 모델 생성부(110)가 생성한 상황 모델의 예를 도시한 도면이다.
도 4는 도 1의 상황 인지 장치(100)를 단말에 적용한 예를 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 상황 인지 방법을 도시한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일 실시 예에 따른 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치의 구성도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 상황 인지 장치(100)는, 상황 모델 생성부(110) 및 상황 추론부(120)를 포함할 수 있다.

상황 모델 생성부(110)는 입력 데이터를 기반으로 상황 모델을 생성할 수 있다. 이를 위해, 상황 모델 생성부(110)는 학습부(111) 및 변환부(112)를 포함할 수 있다.

학습부(111)는 입력 데이터를 학습할 수 있다. 이때, 입력 데이터는 하나 이상의 센서로부터 수집된 센싱 데이터 또는 상황 인지 장치 외부 데이터를 포함할 수 있다. 여기서, 센서는 GPS 모듈, 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 가속도 센서, 온도 센서, 압력 센서 등을 포함할 수 있고, 상황 인지 장치 외부 데이터로는 SNS 데이터, 링크 데이터(Linked Data), Web 데이터 등을 포함할 수 있다.

학습부(111)는 입력 데이터를 미리 설정된 학습 기간 동안 학습할 수 있다. 이때, 학습 방법으로는 기계 학습(Machine Learning) 알고리즘을 이용할 수 있다. 예를 들면, 인공 신경망(artificial neural network), 결정 트리(decision tree), 유전 알고리즘(Genetic Algorithm, GA), 유전자 프로그래밍(Genetic Programming, GP), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-Nearest Neighbor, K-NN), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(Support Vector Machine, SVM) 등을 이용할 수 있으나, 이에 한정되는 것은 아니다.

변환부(112)는 학습부(111)의 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환할 수 있다. 예를 들어, 온톨로지를 기반으로 하는 경우, 변환부(112)는 학습부(111)의 학습 결과를 SWRL(Semantic Web Rule Language)으로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.

한편, 상황 모델 생성부(110)는 학습부(111)가 입력 데이터를 학습한 결과, 특정 패턴을 인식한 경우, 학습에 사용된 입력 데이터에 대한 상황 정보를 사용자에게 요청하는 정보 요청부(미도시)를 더 포함할 수 있다. 예를 들어, 사용자가 걷고 있는 중이고 입력 데이터가 가속도 센서값이라고 가정한다. 이 경우 학습부(111)는 가속도 센서값을 학습하여 특정 패턴을 인식하게 된다. 이 후, 정보 요청부(미도시)는 학습에 사용된 가속도 센서값의 상황 정보를 사용자에게 요청을 하고, 사용자는 걷고 있는 중이라는 상황 정보를 입력함으로써, 사용자가 걸을 때의 가속도 센서값의 특정 패턴을 알 수 있게 된다.

상황 추론부(120)는 변환부(112)에서 변환된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 입력데이터와 갱신된 상황 모델을 이용하여 상황을 추론할 수 있다. 이를 위해, 상황 추론부(120)는 상황 모델 저장부(121), 상황 모델 갱신부(122) 및 추론 엔진(123)을 포함할 수 있다.

상황 모델 저장부(121)는 상황 모델을 저장할 수 있다. 이때, 상황 모델은 온톨로지 기반 모델일 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 등일 수 있다.

상황 모델 갱신부(122)는 변환부(112)로부터 상황 모델을 수신하여, 상황 모델 저장부(121)에 기 저장된 상황 모델을 갱신할 수 있다. 즉, 상황 모델 갱신부(122)는 변환부(112)로부터 수신한 상황 모델을 상황 모델 저장부(121)에 기 저장된 상황 모델과 결합하여, 기 저장된 상황 모델을 갱신하고, 상황 모델 저장부(121)에 갱신된 상황 모델을 저장할 수 있다.

추론 엔진(122)은 갱신된 상황 모델을 기초로 입력 데이터를 이용하여 사용자의 상황을 추론할 수 있다.

한편, 본 발명의 추가적 실시 예에 따르면, 상황 인지 장치(100)는 외부로부터 상황 모델을 입력 받는 상황 모델 입력부(130)를 더 포함할 수 있다. 예를 들어, 상황 모델 입력부(130)는 상황 모델 저장부(121)에 저장되어 있지 않은 상황 모델을 외부로부터 입력 받아, 상황 모델 저장부(121)에 저장할 수 있다.

도 2a 및 도 2b는 도 1의 상황 인지 장치(100)가 상황 모델을 갱신하는 과정을 설명하기 위한 도면이다.

이 경우, 상황 모델 1(210)은 상황 추론부(120)에 기 저장된 상황 모델이며, 상황 모델 2(220)는 상황 모델 생성부(110)에서 입력 데이터를 학습하여 생성한 상황 모델이며, 상황 모델 3(230)은 상황 모델 1(210) 및 상황 모델 2(220)가 결합한 갱신된 상황 모델이다. 이 경우, 입력 데이터를 이용하여 사용자의 상황을 추론하기 위해서는 상황 모델 3(230)이 필요하다고 가정한다.

입력 데이터는 상황 모델 생성부(110) 및 상황 추론부(120)에 입력으로 들어간다. 이때, 상황 추론부(120)는 미리 설정된 추론 간격으로, 상황 모델 1(210)을 기초로 입력 데이터를 이용하여 사용자의 상황에 대한 추론을 시도하나, 이를 위한 상황 모델 3(230)을 저장하고 있지 않으므로, 상황 추론에 실패할 것이다.

한편, 상황 모델 생성부(110)는 입력된 데이터를 미리 설정된 학습 기간 동안 학습하고, 학습 결과를 SWRL(Semantic Web Rule Language)로 표현하여 상황 모델 2(220)를 생성하고, 상황 추론부(120)에 생성된 상황 모델 2(220)를 전송한다.

상황 추론부(120)는 상황 모델 생성부(110)로부터 상황 모델 2(220)를 수신하고, 상황 모델 1(210)과 결합하여, 갱신된 상황 모델 3(230)을 생성한다. 상황 추론부(120)는 상황 모델 갱신 후 입력되는 데이터와 상황 모델 3(230)을 이용하여 사용자의 상황을 추론한다.

즉, 상황 인지 장치(120)는 입력 데이터를 이용하여 사용자의 상황을 추론하기 위한 상황 모델을 저장하고 있는 경우는 별론하고, 이를 위한 상황 모델을 저장하고 있지 않은 경우는, 학습을 통하여 생성된 상황 모델을 기 저장된 상황 모델과 결합하여 상황 모델을 갱신함으로써, 사용자의 상황을 적절히 추론할 수 있다.

도 3a 및 도 3b는 도 1의 상황 모델 생성부(110)가 생성한 상황 모델의 예를 도시한 도면이다. 자세하게는, 도 3a는 학습부(111)에서 입력 데이터를 학습한 결과를 도시한 도면이고, 도 3b는 학습부(111)의 학습 결과를 SWRL로 표현한 예를 도시한 도면이다.

도 3a 및 도 3b를 참조하면, 입력으로 들어오는 데이터를 2차원으로 나타내면, 'O' 및 'X'로 나타낼 수 있다. 학습부(111)는 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하고, 입력 데이터를 구분할 수 있는 최적의 경계 라인을 산출하게 된다. 즉, 기계 학습 결과, 경계 라인의 수식인

가 산출된다. 도 3a의 경우, 기계 학습 결과가 입력 데이터 값과 계수로 이루어진 선형 함수(linear function) 형태로 나타나는 예를 도시한다.

그 후, 학습 결과인 수식

는 미리 설정된 언어로 표현되어 상황 모델로 변환된다. 도 3b는 학습 결과인 수식

을 SWRL(Semantic Web Rule Language)로 표현한 예를 도시한다.

도 4는 도 1의 상황 인지 장치(100)를 단말에 적용한 예를 도시한 도면이다.

이 경우, 상황 모델 저장부(121)에 '사용자가 뛰면, 단말의 소리를 높여라'라는 상황 모델이 저장되어 있고, 단말의 가속도 센서의 센싱 데이터가 상황 인지 장치(100)의 입력으로 들어온다고 가정한다. 또한, 상황 인지 장치(100)는 가속도 센서 값만으로 사용자가 뛰는지 걷는지 추론하기 위한 상황 모델이 저장되어 있지 않다고 가정한다.

도 4를 참조하면, 학습부(111)는 가속도 센서의 센싱 데이터를 수신하여, 학습 기간 동안 학습하고, 학습 결과는 변환부(112)에 전송된다. 변환부(112)는 학습 결과를 수신하여 미리 설정된 언어로 표현하여 상황 모델을 생성한다. 이때, SWRL(Semantic Web Rule Language)로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.

상황 모델 갱신부(122)는 변환부(112)에서 생성된 상황 모델을 상황 모델 저장부(121)에 기 저장된 상황 모델과 결합하여, 상황 모델 저장부(121)에 기 저장된 상황 모델을 갱신하여, 상황 모델 저장부(121)에 저장한다.

추론 엔진(122)은 상황 모델이 갱신된 후에, 가속도 센서의 센싱 데이터를 수신하여 갱신된 상황 모델을 기반으로 사용자가 뛰고 있는지 걷고 있는지를 추론하고, 사용자가 뛰고 있다고 판단된 경우, 단말의 소리를 높여야 하는 상황이라는 추론 결과를 단말에 제공하고, 단말은 이에 따라 단말의 소리를 높이게 된다.

도 5는 본 발명의 일 실시 예에 따른 상황 인지 방법을 도시한 흐름도이다.

도 5를 참조하면, 본 발명의 일 실시 예에 따른 상황 인지 방법은, 먼저 입력 데이터를 수신한다(510). 이때, 입력 데이터는 하나 이상의 센서로부터 수집된 센싱 데이터 또는 상황 인지 장치 외부 데이터를 포함할 수 있다. 여기서, 센서는 GPS 모듈, 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 가속도 센서, 온도 센서, 압력 센서 등을 포함할 수 있고, 상황 인지 장치 외부 데이터로는 SNS 데이터, 링크 데이터(Linked Data), Web 데이터 등을 포함할 수 있다.

그 후, 입력 데이터를 미리 설정된 학습 기간 동안 학습한다(520). 이때, 학습 방법으로는 인공 신경망(artificial neural network), 결정 트리(decision tree), 유전 알고리즘(Genetic Algorithm, GA), 유전자 프로그래밍(Genetic Programming, GP), 가우스 과정 회귀, 선형 분별 분석, K 근접 이웃(K-Nearest Neighbor, K-NN), 퍼셉트론, 방사 기저 함수 네트워크, 서포트 벡터 머신(Support Vector Machine, SVM) 등의 기계 학습 알고리즘을 이용할 수 있다.

그 후, 학습 결과를 미리 설정된 언어로 표현하여 상황 모델을 생성한다(530). 예를 들어, 학습 결과를 SWRL(Semantic Web Rule Language)으로 표현할 수 있으나, 이에 한정되는 것은 아니며, 시스템의 성능 또는 용도에 따라, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), Prolog 등으로 표현하는 것도 가능하다.

그 후, 생성된 상황 모델을 기 저장된 상황 모델과 결합하여 기 저장된 상황 모델을 갱신한다(540).

그 후, 갱신된 상황 모델을 기초로 입력 데이터를 이용하여 사용자의 상황을 추론한다(550).

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

100: 상황 인지 장치, 110: 상황 모델 생성부,
111: 학습부, 112: 변환부,
120: 상황 추론부, 121: 지식 베이스,
122: 추론 엔진, 123: 상황 모델 입력부.

Claims

입력 데이터를 기반으로 상황 모델을 생성하는 상황 모델 생성부; 및
상기 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하고, 상기 갱신된 상황 모델과 입력 데이터를 이용하여 상황을 추론하는 상황 추론부; 를 포함하는 상황 인지 장치.
제 1항에 있어서,
상기 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함하는 상황 인지 장치.
제 1항에 있어서,
상기 상황 모델 생성부는,
입력 데이터를 학습하는 학습부; 및
상기 학습부의 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 변환부; 를 포함하는 상황 인지 장치.
제3항에 있어서,
상기 학습부는, 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하는 상황 인지 장치.
제 3항에 있어서,
상기 미리 설정된 언어는 RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함하는 상황 인지 장치.
제 1항에 있어서,
외부로부터 상황 모델을 입력 받는 상황 모델 입력부; 를 더 포함하는 상황 인지 장치.
입력 데이터를 기반으로 상황 모델을 생성하는 단계; 및
상기 생성된 상황 모델을 기반으로 기 저장된 상황 모델을 갱신하는 단계;
입력 데이터와 상기 갱신된 상황 모델을 이용하여 상황을 추론하는 단계; 를 포함하는 상황 인지 방법.
제 7항에 있어서,
상기 기 저장된 상황 모델은 키-값(Key-Value) 모델, 마크업 스키마(Markup Scheme) 모델, 객체 지향(Object Oriented) 모델, 논리 기반(Logic Based) 모델 또는 온톨로지 기반(Ontology Based) 모델을 포함하는 상황 인지 방법.
제 7항에 있어서,
상기 상황 모델을 생성하는 단계는,
입력 데이터를 학습하는 단계; 및
상기 학습 결과를 미리 설정된 언어로 표현하여 상황 모델로 변환하는 단계; 를 포함하는 상황 인지 방법.
제 9항에 있어서,
상기 입력 데이터를 학습하는 단계는 미리 설정된 학습 기간 동안 입력 데이터를 기계 학습하는 상황 인지 방법.
제 9항에 있어서,
상기 미리 설정된 언어는, RDF(Resource Description Framework), OWL(Web Ontology Language), N3, RuleML(Rule Markup Language), SWRL(Semantic Web Rule Language) 또는 Prolog를 포함하는 상황 인지 방법.